吴恩达是少数敢于重新定义行业话语的人。他提出“Agentic AI”这一说法，不是为了制造新标签，而是为了打破关于“智能体”的二元争论。他把自主性拉成一个光谱：能多步规划、独立执行的是高自治，受提示牵引的是低自治，但它们都属于 Agentic 的范畴。这种重新定位既是工程实践的需要，也是一种对行业语境的校正。

他对“规模至上”的主流叙事持批评态度。在他看来，几家巨头用强势公关制造了“模型越大越好”的集体幻觉。但现实远比这复杂：智能体工作流的工程化、多模态模型的重构方式、扩散式技术在跨领域的迁移，以及企业内部的专有数据沉淀，才是决定性突破口。他甚至指出，资本不只是推动商业化，反而正在“解决基础研究”，因为资金和人才集中在最具经济价值的方向。

吴恩达认为，当下的最大瓶颈不在算力，而在“人”。计算机控制仍高故障率，安全与评估体系尚未成熟，但更严重的问题是缺乏能用系统化方法定位和修正错误的团队。很多企业明明有可自动化的场景，却因为没有工程化能力和工具，只能靠随机试错。他直言，真正接近高自主度的落地案例，是能分解任务、逐步执行的编程助手，而不是那些演示效果炫酷却不稳定的“电脑操作型”应用。

他把争议延伸到产品侧：当开发从数周缩短到一天，瓶颈从写代码转移到决策本身。如何在极短时间内捕捉用户需求、做出快速判断，成为新的稀缺能力。吴恩达认为优秀的产品经理往往不是靠数据堆砌，而是具备深刻的共情与直觉。与此同时，他提出“雇佣 AI 而非人”的组织哲学：用小而精的团队叠加智能体工具，效率和产出远超传统的大编制。

他也谈到自我迭代的前景：模型已经开始用智能体工作流生成下一代训练数据，通过旧模型的长思考喂养新模型，从而形成自举式进化。他强调，未来的关键并非互联网里的公共知识，而是如何把企业的专有流程、合规约束和隐性规则转化为“可学习的组织记忆”。谁能先做到这一点，谁就能在竞争中率先突围。

在吴恩达看来，“Agentic AI”不是营销热词，而是未来组织运行方式的底层逻辑。他留下的警告带着冷锋：还在用 2022 年工作流的人，会最先被节奏淘汰。未来几年，拥抱 AI 的个人和团队会拉开难以追赶的代差，而这场差距并不会靠宣传叙事，而是靠具体的工程与实践一步步拉开。

一、Andrew对Agentic AI的定义

Sarah Guo: 我一时不确定该从哪里开始，因为你对这些话题的视野非常广阔。但我觉得我们应该从最核心的问题入手：展望未来的能力提升，其增长源泉究竟是什么？是来自更大的模型规模？还是来自数据工作的突破？

Andrew Ng：进步是多维度的。我认为模型的可扩展性方面仍存在一定的提升空间，我们有望在这方面继续取得进展——尽管难度已经变得极其巨大。当前社会对AI的认知已被少数几家拥有顶级公关能力的公司严重带偏。正是这些公司主导了关于“规模扩展”的叙事，导致人们将规模视为最首要的发展路径。

但在我看来，智能体工作流、多模态模型的构建方式、以及我们为开发具体应用所做的大量实践，都是重要的进步维度。此外还存在一些未知变量，例如以生成图像为主的扩散模型——这类全新技术的突破同样关键。它们未来能否应用于文本生成？我认为这非常值得期待。总而言之，AI的发展必将通过多种路径实现突破。

Sarah Guo：实际上"Agentic AI"这个术语是你首创的。你当时是如何定义这个概念的？

Andrew Ng：当我决定开始使用“Agentic AI”这个说法时——要知道当时根本没人这么称呼——我的团队其实有点无奈。有位不愿透露姓名的成员甚至对我说：“Andrew，这个世界不需要你再创造新词了。”但我还是坚持推广了这个概念，不知为何最终这个词就被广泛接受了。

我之所以提出这个术语，是因为几年前看到业界花费大量时间争论“这是否算智能体”“智能体的定义是什么”。我认为当时已经存在大量优秀工作，这些成果本质上体现的是不同层级的自主性：既有能自主规划、进行多步推理、独立完成复杂任务的高自主度智能体，也存在需要通过提示工程来影响输出的低自主度系统。

我觉得与其争论“是不是智能体”，不如用“自主程度”来量化，承认这些都是Agentic的范畴，这样我们才能把时间真正投入到技术建设上。于是我开始推动“Agentic AI”这个术语。但没想到几个月后，大批市场营销人员就开始滥用这个概念，把它当作标签贴得到处都是。虽然这个词确实迅速走红，但我觉得营销热度的增速远超实际业务进展——当然实际业务发展也很快，只是可能比不上营销炒作的速度。

Elad Gil：你认为目前实现真正智能体应用的最大障碍是什么？如你所说，虽然相关讨论已持续一段时间，早期缺失的某些要素现在已逐步完善。在你看来，哪些关键能力仍然缺失？哪些环节需要重点突破才能推动实质性进展？

Andrew Ng：从技术组件层面看，确实存在需要改进的环节。例如计算机控制能力——目前只能说部分场景能运行，但故障率仍然很高。安全护栏设计和评估体系是个巨大挑战，如何快速验证系统可靠性并推动评估流程优化至关重要。这些技术组件都还有提升空间。但在我看来，实施智能体工作流的首要障碍其实是人才问题。观察市场上各类团队构建智能体的方式，最大的差异化因素在于：团队是否掌握通过系统化评估驱动错误分析的能力？优秀团队会持续分析系统运行状态，精准定位故障点并实施改进；而经验不足的团队往往采用随机试错的方式，导致开发周期漫长。

当前各类企业（无论规模大小）都存在大量可通过智能体工作流实现自动化的场景，但现实是——既缺乏具备这种工程化思维的人才，也缺少相应的软件工具支撑。这种规范化工程流程的缺失，才是制约落地的根本原因。

Sarah Guo：你认为这个工程化流程中有多少环节可能被AI自动化？

Andrew Ng：实际上构建智能体工作流的过程中，大量需要吸收外部知识——这些知识往往只存在于从业人员的头脑中。除非我们能开发出能访谈员工、并通过视觉AI观察计算机屏幕操作的AI数字分身，否则短期内难以实现全面自动化。或许最终能达到这个目标，但至少未来一两年内，仍然需要人类工程师投入大量工作来构建更先进的智能体工作流。

Elad Gil：所以这更多是针对人工操作环节的数据收集与反馈循环。我比较好奇的是，除了这方面之外，是否还存在其他实质性障碍？具体会体现在哪些方面？

Andrew Ng：确实如此。举个例子：常见的工作流可能是客户通过邮件发送文档，需要将文档转换为文本，出于合规要求进行网络搜索（例如确认是否与受限供应商合作），接着查询数据库记录核对价格，最后将结果保存至其他系统等。这类多阶段智能体工作流本质上属于下一代机器人流程自动化。

当我们实施这类系统时，首次运行几乎总会出现问题。比如发票日期识别错误是否影响业务流程，将验证消息误发给错误人员会产生什么后果，这些都需要根据具体业务场景判断重要性等级。再比如：频繁打扰CEO进行验证是否可接受？或许某些公司的CEO并不介意亲自核对发票。所有这些外部情境知识，目前仍然需要人类产品经理或工程师进行周密思考并做出决策。未来AI智能体能否胜任这类工作，目前看来仍然相当困难，或许某天能实现，但现阶段仍需人类深度参与。

Sarah Guo：但这些信息既不存在于互联网预训练数据集中，也无法从现成手册中自动提取。

Andrew Ng：我认为构建智能体工作流所需的大量数据都具有专有性。这些知识并非互联网上的通用信息——虽然处理起来很棘手，但这恰恰是令人兴奋的工作方向。

Sarah Guo：如果从智能体能力的频谱来看，你见过最具自主性的案例是什么？

Andrew Ng：就智能体技术的前沿发展而言，某些AI编程助手令我印象深刻。从经济价值角度看，我认为存在两个非常明确的领域：其一是问答系统——OpenAI的ChatGPT在这方面显然处于领先地位，实现了真正的爆发式增长；其二是编程助手领域，例如我个人目前最常用的Cursor（当然未来可能变化）。

这类工具在软件构建过程中展现出了高度自主性：能规划开发任务、创建检查清单并逐步执行。这种多步骤规划与执行能力，使其成为当前实际可用的最高自主度智能体之一。当然也存在尚未成熟的应用，例如计算机操作类功能——像代购或在线浏览等演示效果虽好，但尚未达到生产就绪状态。

Elad Gil：你认为这种差异是由于任务标准的明确性和操作可变性导致的，还是因为编程领域存在更优质的训练数据集和输出规范？我很好奇为何编程助手能如此高效，而其他应用场景却至今仍面临巨大挑战？

Andrew Ng：我认为关键在于工程师群体本身就擅长解决各类技术难题，而编程领域的经济价值既明确又巨大。大量资源集中投入这个领域，使得众多聪明人（他们自己就是用户）能够凭借对产品的敏锐直觉，构建出非常出色的编程助手。除此之外——或许还有其他因素，但我认为这确实是核心原因。

Sarah Guo：所以你不认为这是基础研究层面的挑战，而更像是资本运作与领域专业知识结合的产物？

Andrew Ng：我认为资本主义恰恰擅长解决基础研究问题。

Elad Gil：你认为何时能实现模型的自举进化——比如99%的模型代码都由智能编程助手完成？

Sarah Guo：或者连错误分析也能自动化。

Andrew Ng：我认为我们正在逐步接近这个目标。一些领先的基础模型公司已公开表示正在使用AI编写大量代码。更令人兴奋的是，AI模型开始通过智能体工作流为下一代模型生成训练数据——例如Llama研究论文就提到，用旧版本模型进行长时间思考来生成复杂谜题，进而训练新一代模型快速解决这些问题。这种自我迭代的范式同样令人振奋。进步始终来自多维度的突破。AI领域的发展从来不是单一路径，正是无数聪明人通过不同方向的探索共同推动着技术前沿。

二、项目管理的加速演进

Sarah Guo：我记得你拒绝使用“vibe coding”这个说法，而坚持用“AI辅助编程”。这两者有什么区别？我猜你践行的是后者——毕竟编程不能只靠感觉。

Andrew Ng：确实。“vibe coding”容易让人产生误解，以为只需凭感觉接受AI建议的所有修改。虽然有时这种方式确实能奏效，但现实远非如此简单。当我进行编程时——无论是持续一天还是整个下午——这从来不是凭感觉的过程，而是深度智力活动。“vibe coding”这个术语低估了实际工作的复杂性。说实话，使用AI辅助编程一整天后，我的精神会极度疲惫。我更倾向于将其视为“快速工程”——AI确实让我们能以前所未有的速度构建严肃系统和产品，但这本质上仍然是工程实践，只是执行速度大幅提升。

Elad Gil：你认为这是否正在改变创业的本质，包括团队规模、产品构建方式以及方法论？还是说核心模式并未改变，只是人们借助这些工具获得了更强的杠杆效应？

Andrew Ng：确实如此。我发现在创业过程中，最令人兴奋的是看到快速工程和AI辅助编程如何改变初创企业的构建方式。过去需要六人工程师团队耗时三个月完成的工作，如今我和朋友利用周末就能实现。我观察到的一个深刻变化是：当我们审视创业的核心闭环时——也就是打造用户喜爱的产品这个核心迭代循环——原本需要软件工程师编写代码，产品经理再进行用户测试、凭直觉判断如何改进产品。

但现在编程速度正在急剧提升，成本持续下降，真正的瓶颈反而转移到了产品管理层面。如今我们能快速实现产品构想，难点却在于如何确定真正应该构建什么。以前如果用三周制作原型，花一周获取用户反馈还算合理；但现在一天就能完成产品开发，如果还要等待一周用户反馈就会非常痛苦。坦白说，我发现团队越来越依赖直觉决策，因为我们通过收集大量数据来完善人类心智模型——即我们大脑中对用户需求的理解。这就要求我们必须具备深刻的客户共情能力，从而能够极其快速地做出产品决策来推动进展。

Elad Gil：你是否见过能真正实现这方面自动化的技术？我知道目前存在一些尝试，例如通过让多个AI机器人实时交互来生成市场调研数据，这种模拟用户群体的环境几乎能形成一个虚拟市场或用户基础。你是否见过这类工具真正发挥作用或得到推广？你认为这类技术已经成熟，还是说目前实现难度过高？

Andrew Ng：确实如此。目前已有不少试图加速产品管理流程的工具。我认为最近的Figma IPO就是设计领域一个很好的范例——AI Heidi和Dylan团队做得非常出色。此外还有一些工具试图利用AI来协助访谈潜在用户。正如你所说，我们研究过一些关于使用AI智能体集群模拟用户群体及其校准方式的科学论文。所有这些技术都展现出早期潜力，未来前景令人振奋。但我认为这些工具对产品经理的效率提升程度，远不及编程工具对软件工程师的加速作用，因此产品管理端确实会形成更明显的瓶颈。

Sarah Guo：我合伙人Mike提出的观点让我觉得很有启发性——他认为计算机现在能够大规模地对人类进行问询，这个想法在多个领域都具有适用性。例如Lucent Labs这类公司正致力于消费者研究类任务，但同样也能将其应用于培训任务理解或数据收集环节，正如你刚才描述的。当你审视处于这种迭代循环中的团队时，是否发现适合的创始人画像也随着时间发生了变化？

Andrew Ng：在我看来，现在有太多2022年的工作方式在2025年已经完全失效。我经常反思：当前仍在沿用的工作流程中，有哪些是2022年就存在的？如果存在这种情况，就需要重新评估其合理性——因为2020年的许多工作流程如今已不再适用。当前技术迭代速度极快，相比更偏向商业思维、对AI技术趋势感知较弱的创始人，那些精通生成式AI技术、以技术为导向的产品领导者更可能获得成功。我认为，除非能准确把握技术的边界与可能性，否则很难制定有效的战略方向来引领公司发展。

Sarah Guo：我们同样坚信这一点。

Elad Gil：我认为这甚至是硅谷的传统模式。回顾Gates、Stephen Gary Wozniak以及半导体计算机和早期互联网时代的众多先驱，他们无一例外都具备深厚的技术背景。感觉我们曾一度偏离这种模式，但现在情况非常明确：科技公司必须由技术型领导者掌舵。

Andrew Ng：过去我们常认为，只要创始人有过一次甚至两次成功退出经历，就值得再次投资。但如果这位创始人能持续跟进AI技术发展，那确实非常理想。在技术颠覆时期——比如AI正在快速变革的阶段——对技术的实时认知才是真正的核心知识壁垒。以移动技术为例：现在所有人都清楚手机能做什么不能做什么，理解移动应用的概念，知道GPS等功能的存在。

这种普及度使得即使非技术背景的人也能凭直觉判断“能否开发某个移动应用”。但AI的发展速度截然不同：语音应用能实现什么？工作流自动化能达到什么程度？基础模型的迭代速度如何？各种模型的原理是什么？这些技术认知正成为关键差异化因素，而当年判断移动应用可行性的门槛则低得多。

Elad Gil：这个观点很有趣。当我审视最成功的移动应用时，发现它们都是由工程师创建的。WhatsApp由工程师创立，Instagram的创始人也是工程师背景。我认为Uber的Travis具备技术相关能力，属于技术领域人才。Instacart的Corvo曾是亚马逊的工程师。确实如此。

Andrew Ng：Travis的关键洞察在于意识到GPS技术将催生全新业态。但前提是必须提前预见到移动设备搭载GPS的趋势，才能抓住这样的机遇。

Elad Gil：你认为还有哪些共同特征？比如之前有段时间人们似乎贬低勤奋的价值——你认为创始人是否需要努力工作？根据你的观察，成功者是否需要具备进取精神、长时间工作等其他特质？这些因素是否存在相关性？

Andrew Ng：我本人工作非常努力。在职业生涯中，我始终鼓励追求卓越的人全力以赴。但即便现在，我表达这个观点时仍有些顾虑，因为在某些社会语境中，公开主张“努力工作与个人成功存在正相关”可能显得不够政治正确，但这就是客观现实。需要承认的是，虽然并非所有人都处于能努力工作的阶段，但事实就是努力工作的人往往能取得更大成就。当然，我们必须尊重那些暂时无法投入工作的人。

Sarah Guo：我可能要说些不太符合政治正确的话。曾有个阶段人们鼓吹“创业适合所有人”，但我认为这并不属实。创业本质上是试图完成非常规任务——快速创造巨大价值并影响社会。当你尝试做违反常规的事时，必然需要付出超常努力。我认为这种能快速推动变革的工作伦理在某种程度上已经逐渐消失。

Andrew Ng：有句名言说得很好：能够改变世界的，往往是那些足够疯狂并相信自己能做到的人。这确实需要某种胆识和决断力——敢于断言“这就是我要改变的世界，我要付诸行动”。我认为只有具备这种信念的人才能真正做到。

Elad Gil：这在我看来适用于任何领域。我曾从事生物学研究，这个规律在生物界成立，在科技界成立，在我所见过的几乎所有领域都成立——努力工作的人往往能取得卓越成就。在创业领域，我过去曾忽略的是竞争意识的重要性：那些真正渴望竞争并获胜的人所具有的特质。有些人表面低调，但内心仍充满这种驱动力和求胜欲。我认为这很关键。某种程度上，这种特质曾被忽视——至少从社会层面来看，相对于企业而言。

Andrew Ng：我观察到两种典型类型：一种是强烈渴望企业获胜，这类创业者有些能做得很好；另一种是极度希望客户成功，他们痴迷于服务用户从而获得成功。在Coursera早期阶段，我虽然意识到竞争存在，但真正驱动我行为的是对学习者即客户的极致关注。

Elad Gil：这个框架很有启发性。我说的竞争未必指与其他公司的对抗，而是针对你为自己设定的任何指标——无论你想在哪个领域获胜或做到极致。

Andrew Ng：在软件环境中，我们每天都需要做出大量决策。很多时候不得不依靠直觉判断——创立初创企业更像打网球而非解微积分题，根本没有深思熟虑的时间，必须快速决断。这就是为什么需要那些日夜沉浸于客户需求、企业愿景的人，他们通过深度思考形成的认知框架，能在被问及“该上线A功能还是B功能”时迅速作出判断。

实际上正如Jeff Bezos所说，初创企业充满“双向门”决策——因为试错成本很低。即使决策错误，一周后调整即可。但要实现快速决断且保持较高正确率，通常需要对客户或技术保持痴迷，从而积累足够的认知储备来支撑高速决策。

三、寻找优秀产品人才

Elad Gil：你如何看待之前提到的产品管理瓶颈问题？我曾与某位知名科技上市公司CEO交流，他认为整个硅谷乃至全球科技界，真正出色的产品人才最多只有数百人。你认同这个观点吗？还是认为实际上存在更多具备这种能力的人群？此外如何发掘这类人才？在我看来，这种能力确实非常稀缺，就像存在10倍效能的工程师一样，产品洞察力似乎也存在数量级的差异。

Andrew Ng：这个问题很有深度。我认为优秀产品人才的数量肯定不止数百——就像优秀的AI人才也远不止这个数量。但我发现用户共情能力确实非常难得：要构建用户模型需要整合多种数据源，包括问卷调查、用户访谈、市场报告、竞品行为分析等。

但关键是要跳出自我认知框架，基于这些数据形成理想用户画像的心理模型，从而快速做出服务用户的决策。这种人类共情能力正是我早期职业生涯的教训——我曾错误地让一批工程师转型产品经理，虽然提供了专业培训，结果却让这些优秀工程师因无法胜任而受挫。现在我发现，优秀产品直觉往往与极高的人类共情能力相关：这种能力能让人综合各种信号真正站在用户立场思考，从而快速做出产品决策来更好地服务用户。

Sarah Guo：现在我想回到编码助手，这个话题确实很有意思。据我所知，Cursor团队的产品决策更多依靠直觉判断而非大量用户调研——当你自身就是目标用户，且你的心智模型能代表广大用户需求时，这种方式是成立的。同样值得注意的是，尽管Cloud Code拥有大规模用户，但据我观察其目前仍未将用户反馈数据纳入训练闭环。这似乎令人惊讶，因为现阶段他们的产品策略本质上仍是基于团队对产品形态的自主判断。

Andrew Ng：实际上初创企业有个优势：早期可以专注于单一用户画像。像Google这样需要服务多元化用户群体的公司，就不得不考虑众多用户角色，这大大增加了产品迭代的复杂性。但初创企业要打开市场时，只要选择一个能代表广泛用户的典型个体，针对这个具体用户或理想客户画像进行产品开发，就能取得显著进展。我认为无论是Crest、Cloud Code还是其他产品，只要团队内部构建的用户心智模型能准确反映大规模用户特征，采用这种方式就能走得很远。

Sarah Guo：我观察到的另一个现象是技术能力的基础时刻在变化。在那些明显重要且存在多个竞争者的领域，竞争尤为激烈。因此，上一代企业中非常高效的领导者被招聘到这些快速扩张的公司后，未必能保持同样效能，因为运营速度和变革节奏已完全不同。你提出的审视方法很有意思：对比当前与2022年的工作方式并质疑其合理性。但对于工程领导或市场拓展领导而言，他们职业生涯中积累的成功经验可能已不再适用。

Andrew Ng：这对许多人确实构成挑战。我认识众多不同职能的优秀领导者，他们仍沿用2022年的工作方式。但这种模式必须改变。当新技术出现时——就像曾经不存在网络搜索的时代——现在你会雇佣任何不懂网络搜索的员工吗？显然不会。我认为现在早已过了那个阶段：对于多数职位，如果无法有效使用AI工具，其效率将远低于能熟练使用的人。

在我的AI5团队中，所有成员都具备编码能力且拥有高级AI账户。我发现当助理法律顾问、CFO甚至前台接待人员学习编程后（他们并非成为软件工程师），都能通过掌握计算机语言更精准地向计算机下达指令，从而提升本职工作效能。这种快速变革确实令许多人不安，但当世界以这种速度前进时，我们必须以同等速度适应变化。

Elad Gil：根据你的观点，我确实在招聘中观察到这种现象，尤其是在产品和设计领域。某家我参与的后期AI公司在招募产品负责人和设计负责人时，最终选择的都是真正掌握AI辅助编程工具的人才。正如你所说，现在能如此快速地进行原型设计，如果连快速制作演示模型都做不到，还在通过撰写产品需求文档等方式耗费时间，效率就太低了。我认为这正在改变产品开发和提案的整个流程：比如在讨论产品时应该带什么去开会。在某些情况下，你就应该带着可运行的原型。

Andrew Ng：举例说明：我们面试一名研究工程师岗位时，同时考察了一位拥有十年全栈经验的资深工程师和一名应届毕业生。虽然资深工程师简历出色，但几乎未使用过AI工具，而毕业生却熟练掌握。我的评估是应届毕业生在AI辅助下将更具生产力，最终聘用他的决定被证明非常正确。不过值得注意的是，目前与我合作最出色的工程师并非应届生，而是那些具有10-15年经验且精通AI工具的资深人士，他们确实形成了独特的优势阶层。我认为软件工程领域正在预示其他学科的发展趋势，因为AI工具在这里最为先进。

四、即将发生的行业变革

Elad Gil：有意思的是，我们共同参与的Harvey公司就是个典型案例。当我调研其客户时发现——法律行业素以难以接受新技术著称，市场上甚至没有多少优秀的法律软件公司。但那些已深度采用Harvey的大型律所客户都坚信这是未来趋势，认为AI将彻底改变他们的垂直领域。他们提出的核心问题是：当AI普及后，原本需要雇佣100名助理律师的事务所可能只需10人，那么未来合伙人的选拔机制和晋升路径将如何重构？这种思维转变非常有趣。

正如你所说，这种变革正在渗透所有市场和行业，虽然进程缓慢，但每个行业都开始以深刻的方式重新思考业务模式。这种转型可能需要十年甚至二十年才能完成，但观察最早采纳的垂直领域和深度思考者的实践确实令人振奋。

Andrew Ng：这个趋势确实很有意思。我始终关注法律科技初创企业，比如AI基金参与孵化的Catalyst就发展得非常出色。未来的工作模式将会很有趣：过去很多团队因成本问题选择外包，但有了AI助手后，我在思考——配备大量AI工具的精锐小团队，是否会比规模更大但成本更低的团队更具优势？实际上，我现在参与的最高效团队正是那些规模最小、由优秀工程师组成、具备全面AI支持且协调成本极低的团队。虽然现在下定论为时过早，但或许能看出未来可能的发展方向。

Sarah Guo：我现在合作的多个团队中，Open Evidence就是一个典型例子——其产品已覆盖美国50%的医生群体。这家公司的明确目标是在扩大影响力的同时，尽可能保持最小团队规模。虽然企业长期发展必然需要扩展职能范围，但这种“小而精”的定位在五年前是完全不可想象的。最终这些企业将如何平衡规模与效率，值得我们持续观察。

Elad Gil：这个目标在2010年代我就经常听到。但我认为不少企业因此出现严重的人力不足——虽然它们保持盈利并以此自豪，但实际业务增长并未达到应有水平。我觉得这其实是个陷阱。

Sarah Guo：那你认为应该如何校准这种策略？

Elad Gil：这本质上是在问：你是否对现有进展过于自满？虽然公司发展顺利，但本可以取得更大成就。当人们陶醉于“保持小团队、极致精益、零支出、高盈利”时，资本效率确实很高，但往往错失了发展机遇。

初创企业早期与其他创业公司竞争时，领先优势令人陶醉。但当行业巨头入场后——如果你没有快速占领市场并向高端移动，就会留给对手反应时间。通常创业五到七年后，你会突然发现需要与拥有分销渠道等优势的巨头竞争。

Slack对阵Teams就是典型案例（还有几家不便具名的公司曾为盈利能力自豪却最终失败）。设计领域的Sketch也是如此：Bohemian Coding团队在荷兰过得很好，盈利可观，但Figma的浪潮来袭时，小团队策略就显露出局限性。你认为企业真能永远保持小规模吗？

Andrew Ng：我认为现在团队规模确实可以比过去更小。但关键是要判断投资是否过度或不足。另外正如你所说，需要分析市场动态：如果是赢家通吃的市场，就必须全力投入。

Elad Gil：确实需要动态看待。比如Minecraft被微软收购时团队只有5人左右，却创造了数十亿美元价值并拥有海量用户。人们总是忽略这些案例——其实精益运作始终是可行的。真正关键问题在于：人员规模带来多少杠杆效应？如何分配资源？哪些领域真正需要资金投入？我认为小团队借助AI提升效率的根本原因在于小团队本身就更高效。你不会雇佣30个冗余人员来增加管理负担，而现实中很多企业恰恰犯了这种错误。纵观当前大型科技公司（并非全部但多数），其实人员规模缩减70%反而可能提升效能。

人们往往忽略两个关键因素：一是AI带来的效率提升，二是高价值资本正在向传统领域溢出——法律科技就是典型例证：过去优秀工程师不愿进入法律领域，而因为Harvey这类公司的出现，现在他们愿意投身于此；医疗健康领域同样如此，突然吸引了大量优秀人才。但更根本的是，小团队本就具备更高效能，而AI技术进一步强化了保持小规模高绩效团队的优势，这一点目前尚未得到充分讨论。

Andrew Ng：这再次证明了AI直觉的重要性。我记得某周先后与两位团队成员对话：第一位请求增加人力编制来完成某项工作，我拒绝了；后来另一位独立提出用AI预算来完成类似任务，我立即批准了。这种“雇佣AI而非人力”的决策意识非常重要，必须具备这种本能判断。

Sarah Guo：如果将软件工程领域的变化视为行业变革的前兆，你认为下一个变革方向是什么？或者说你希望下一个突破点出现在哪里？

Andrew Ng：这个问题确实很有意思。有网络经济学家正在深入研究哪些职业最容易受AI冲击。虽然你可能持怀疑态度，但我有时会从中寻找项目灵感。我的朋友Eric Brennelson创办的Workhelix公司（我们也有参与）在这方面就很有洞察力。

不过我从中学到的教训是：虽然自上而下的市场分析有用，但AI领域现在就像目标丰富的猎场——由于技术太新，有大量创意尚未被开发。AI基金团队对速度有着极致追求，而我个人始终崇尚快速行动，现在有了这些工具，我们能以更快的速度实现目标。

我们获得的经验是特别青睐具体化的创意。如果有人只说“AI将变革医疗行业”，这虽然正确但缺乏可操作性。但如果是领域专家或工程师提出“针对医疗运营中某个具体环节，我们可以通过AI实现这些改进”，这就是具象化的方案。无论方案优劣，至少我们能快速验证市场需求和技术可行性。因此AI基金在筛选项目时，会列出一长列创意清单从中精选，我们从不考虑那些缺乏具体实施路径的抽象想法。

Sarah Guo：你认为像你们这样的投资机构或孵化工作室，两年后哪些工作将不再需要人工操作？

Andrew Ng：虽然很多环节可以实现自动化，但关键在于应该自动化哪些任务。例如跟投决策——我们投资组合只有几十家公司，这类低频决策可能不需要完全自动化，但深度企业调研和竞品分析就非常适合自动化。我个人经常使用OpenAI Researcher等工具进行初步市场研究，还有LP报告这类大量文书工作，确实存在简化空间。

Sarah Guo：我采取的是总体规避策略（除基本合规要求外）。我的合伙人Bella曾在Bridgewater工作，该公司曾投入资金尝试用AI颠覆自身的宏观投资模式。虽然投资风格不同，但这种尝试揭示了人类判断在我们业务中的不可替代性。

比如评估创业者特质时，应届毕业生的纸质简历、GitHub记录或有限的工作经历，其实很难真实反映我们关注的品质。此外还有人尝试其他方法——比如我知道有投资者通过分析会议录像，试图从创业者的沟通风格中提取信号。但这部分确实非常困难。我认为在材料审查方面可以实现程序化操作，例如对团队整体质量进行系统化评级。

Andrew Ng：实际上，虽然AI模型越来越智能，但在某些领域人类仍具有巨大优势，特别是当人类拥有AI难以获取的额外背景信息时。例如通过面对面接触创始人，评估其个人特质、领导力或沟通能力等无形品质。虽然未来或许能通过视频分析让AI获取这些信息，但目前人类仍具有独特优势。例如在进行背景调查时，对方无意间的一句评论可能影响决策，但AI模型难以捕获这类信息，因为人们愿意与我交谈却不愿对AI模型敞开心扉。因此在许多任务中，人类仍享有信息优势，因为我们尚未建立将这类信息输送给AI模型的管道系统。

Sarah Guo：另一种难以被替代的是关系优势。比如当我劝说某人加入投资组合公司时，如果对方曾在我投资的前公司工作并建立信任，那么即便有全世界的数据证明这是个好机会，也比不上我说"Sally，这个机会你必须把握，一定会成功"的效果。虽然公司建设与投资回报的关联性尚待验证，但这种基于人际关系的环节确实难以完全自动化。

Andrew Ng：信任确实关键，人们因为你的过往言行建立信任（比如我就信任你），但这种信任也很容易丧失。我好奇的是：随着越来越多技术背景人才首次创业，如何帮助他们建立成功所需的流程体系？虽然他们已具备80%的核心能力，但仍需要引导他们掌握创始人必须经历的艰难课程和非常规思维。我长期思考如何为这类创业者搭建成功框架，在我们能提供辅助的领域给予关键支持。

Elad Gil：我对此并不担心。我的方法是双管齐下：一是组建纯导师群体，让创业者与处于相同或稍领先阶段的人交流；二是进行互补性招聘。我的一大心得是：职业早期人们总想补足短板，而资深者会专注长处并雇佣他人弥补其余。如果公司运转良好，完全可以像Bill Gates那样操作。他常说自己从COO身上学到最多，每到特定发展阶段就会聘请新COO。我认为也应该用这种视角来看待创始人的成长。Elad Gil：学习的最佳方式就是实践。因此尽管去尝试——搞砸了也没关系。只要不危及企业存续，有什么可担心的？所以我通常采取非常宽松的态度。

Sarah Guo：我可能把太多事情都视为关乎企业存亡的问题了。

Elad Gil：关键在于两点：是否拥有客户，以及是否在持续打造产品。

Andrew Ng：最关键的是：你打造的产品是否真正获得用户喜爱。当然市场推广等其他环节也很重要，但必须优先解决产品问题，其余环节通常都能随之找到解决方案。

Elad Gil：大多数情况下我认同这个观点，但并非绝对。确实存在反例，不过总体上我同意你的看法。

Andrew Ng：有时即使产品不够好，也能通过销售渠道强行推广，但这不是我的首选方案，尽管这种方式确实可行。

Elad Gil：目前很多大型企业使用的技术其实非常落后。

Sarah Guo：如果你们支持的核心群体是首次创业的技术型创始人，他们存在某些知识或技能缺口——你们会通过什么方式增强其能力？在起步阶段哪些支持最为关键？

Andrew Ng：我认为关键点在于：风险投资机构和孵化工作室经历大量案例实践，即便连续创业者一生也只创业过一两次。因此当我们与创始人并肩作战时，会分享我们的本能判断——如何更快获取客户验证？是否紧跟最新技术趋势？如何加速进程？以及融资策略等，这些经验传递非常重要。

绝大多数人一生中融资经历有限，多数创始人只进行过少数几次。正因为我们的专业属性，积累了更多实操经验，即便最优秀的创始人也需要在这些方面获得帮助。此外还包括组建核心团队、构建同行交流网络等——这些正是你们在实践的。事实上，最顶尖的创业者同样需要支持。希望风险投资机构和孵化工作室能为优秀创始人提供这些价值。

Sarah Guo：你在这方面更有智慧。我虽然总忍不住想针对性地提升创始人的某些能力（比如招聘技巧），但完全同意更高杠杆的路径是让创始人通过组建团队在实践中学习。最后请教：你对未来五年AI的广泛影响有何预判？你认为多数人尚未意识到的是什么？

Andrew Ng：我认为未来几年，拥抱AI的个体能力提升将远超大多数人预期。两年前谁能预见软件工程师的生产力能达到今日水平？未来各行各业从业者以及处理个人事务时，那些善用AI的人将获得超乎想象的能力增强。

原视频：No Priors Ep. 128 | With DeepLearning.AI Founder Andrew Ng

https://www.youtube.com/watch?v=SYisFbhR7xs

本文来自微信公众号：Z Finance，编译：Xinyue Wan