門檻沒了。真的沒了。以前幾個月才能做出來的 MVP，現在幾天就能上線。當任何人都能快速做出 AI 產品，問題變了：你做的，到底有沒有價值？使用者買單嗎？能撐得起一家公司嗎？2026 年 1 月 22 日，達沃斯會議期間，吳恩達、OpenAI 歐洲負責人、Cerebras 戰略官和 ETH AI Center 負責人坐在一起，參加了一場名為《AI 時代的創業》的圓桌討論。他們給出的答案是：速度，已經不是優勢，而是及格線。門檻沒了之後，AI 創業還剩什麼能贏？答案是三種能力：第一，重構流程的能力。用 AI 設計新流程，而不是最佳化舊流程。第二，全端開發的能力。技術和產品都得會，一個人幹全隊的活。第三，做成產品的能力。把 Demo 變成能用、能做大的產品。光快，不夠。做對，才是硬道理。第一種能力：用 AI 重構流程在這場達沃斯圓桌對談裡，吳恩達講了一個企業最典型的誤區。他說，現在很多公司部署 AI，最常見的做法就是：找一個環節，用 AI 替代人工。比如貸款審批，把某一步從人工 1 小時壓到 10 分鐘。看起來像是提高了效率，實際上只是改快了一小步，整個產品形態並沒有改變。還是貸款這個例子。傳統流程要走行銷、申請、初審、覆審、執行等五六步。如果 AI 已經能做出可信的自動批准結果，那就不應該去最佳化舊流程裡的某一步，而是應該打造一個 10 分鐘批貸的全新產品。這個差別，不是速度快不快，而是產品邏輯是不是從 AI 能力出發重新設計的。在他看來，如果其他環節不變，AI 只是一個效率工具。真正該做的，是圍繞新能力，重構整個流程。OpenAI 歐洲業務負責人 Laura 接著從使用者視角補充說：“企業的老習慣是那裡慢就改那裡，換掉一個環節，結果發現根本沒變，問題還在。真正有效的 AI 部署，是把舊流程推倒，從頭設計”她強調，AI 最該改的，是客戶從接觸到拿到結果的整個體驗，而不是只盯著某一個環節。說白了，AI 創業的第一種能力，就是能看到一個可以被 AI 徹底重構的場景，然後做出從一開始就不一樣的產品。判斷標準很簡單：如果去掉 AI，產品照樣能用，那你做的可能只是個工具。如果去掉 AI，產品就不能用了，那才算一個真正的 AI 產品。第二種能力：一個人幹一支隊伍的活流程重構需要什麼樣的人來執行？這是第二個問題。在以往，創業團隊通常需要一個產品經理負責想清楚使用者要什麼，一個工程師負責把功能寫出來，再配上營運、設計、前台、招聘……每個角色各有分工。但現在，吳恩達說的情況已經變了。他說，開發成本越來越低後，一個人如果既能寫程式碼、又能理解使用者，還能判斷下一步該做什麼，就能替代一整支傳統團隊。“我們以前是一個產品經理配幾個工程師，後來發現最有效的組合，是把他們合成一個人。”他在 AI Fund 就是這麼做的。招前台、HR、財務，都優先考慮會寫程式碼的人。甚至連 CFO，都能自己寫出內部使用的自動化指令碼，不用再花幾千美元去找供應商開發。為什麼需要這種全端能力？吳恩達認為：AI 工具把“怎麼做”變得很容易，真正拖慢進度的，是“要做什麼”這件事沒人決策。以前，工程師可能要等產品經理寫完需求文件、設計評審、開個會才動手。現在，工具快了，模型強了，工程師常常第二天就做好了。反過來，是產品經理跟不上工程師。所以他說，在他的公司，有時為了不浪費工程資源，團隊配置直接精簡：1 個產品配 1 個工程師，甚至讓一個人兼顧產品和工程。而且他發現，那些速度最快、反應最靈活的創業者，往往都是既能動手，又懂使用者。Cerebras 的戰略官 Andy 也表示，技術能力只是基礎，創業者還得懂得如何拆解問題、如何組建團隊、如何從使用者視角判斷產品方向。最優秀的技術創始人，都具備同理心、產品判斷力和講故事的能力，而不僅僅只是會寫程式碼。這就是第二種全端開發能力：既能動手做，又能判斷做什麼。在人人都能用 AI 寫程式碼的年代，一人頂多崗不是壓榨，是 AI 創業的標配。第三種能力：把 Demo 做成產品快速做出來只是第一步，真正難的是怎麼把一個 Demo 變成能讓成千上萬使用者天天用、用得穩的產品。吳恩達說：“很多創業者能做出 Demo，但做不大，卡住的不是技術，是產品沒做到位。”ETH AI 中心的 Alex 進一步解釋：很多項目失敗不是因為模型不夠好，而是沒把 Demo 打磨成真正能用的產品。展示一個好看的 PPT 很容易，但要讓它能被很多人用、出了問題能解決、還能一直好用，那就是另一回事了。什麼叫“打磨成真正能用的產品”？Laura 舉了個例子。有個叫 Fyxer AI 的創業公司，只做了一件事：幫使用者寫和回覆電子郵件。聽起來不複雜，但他們做得非常細：那些郵件需要立刻處理、那些可以跳過、什麼語氣更合適……產品上線 6 個月，就拿下了數百萬的年收入。Laura 的總結是：Fyxer AI 不是在節省發郵件的時間，而是在改善整個溝通體驗。反過來看，很多 AI 創業公司失敗，不是因為不會做，而是因為沒想清楚這些問題：資料進來了怎麼清洗？使用者提的反饋怎麼用？出錯了誰來修、怎麼修？新使用者怎麼上手？老使用者怎麼留住？AI  創業的第三種能力，就是要把 Demo 做成能持續運轉的產品，打通從開發、使用、反饋到最佳化的整個鏈路。在開發成本極低的今天，能做出閉環，才是真正的壁壘。結語｜開發容易，做成難吳恩達說：開發成本正在歸零，該做的就是大量試錯。但這也意味著，Demo 滿天飛的時代，真正稀缺的不是技術，是把東西做成的能力。留下來的，是那些能用 AI 重構流程、一個人幹全端活、把 Demo 做成產品的人。門檻沒了，能力就是新門檻。 (AI深度研究員)

吳恩達（Andrew Ng）剛剛發表了一篇關於LLM現狀與未來的最新觀點他直言：儘管LLM令人驚嘆，但目前提升其知識水平的過程，其實比大眾認知的要零碎得多針對目前業界的兩種極端聲音，吳恩達給出了明確態度：既不要輕信LLM再過幾年就是通往AGI之路的炒作，也不要陷入LLM不過是演示品的錯誤反向炒作相反，我們需要對通往更智能模型的路徑有一個更精確的理解以下是吳恩達的核心觀點梳理LLM確實通用，但還不夠通用吳恩達首先肯定了LLM作為一種比前代技術更通用的智能形式。第一波LLM技術通過在公共網路上訓練，獲取了涵蓋廣泛主題的資訊。這使得它們的知識廣度遠超早期那些只能執行單一任務（如預測房價、下圍棋或國際象棋）的演算法。然而，它們的通用性仍遠不及人類例如，即便在預訓練階段閱遍了整個公網內容，LLM在適應特定寫作風格，或者可靠地使用簡單網站方面，依然表現掙扎——而這些通常是人類編輯或普通人能輕鬆做到的。榨乾公網資料後，全是“苦力活”在利用了幾乎所有開放網路資訊後，進步變得愈發困難吳恩達指出，如果一家前沿實驗室現在想要LLM在特定任務上表現出色——比如使用特定程式語言寫程式碼，或者在醫療、金融等利基領域輸出合理內容——研究人員必須經歷一個繁瑣且費力的過程：尋找或生成該領域的大量資料；對資料進行預處理（清洗低品質文字、去重、改寫等）；將這些處理好的知識喂給LLM。甚至，為了讓模型執行某些任務（如使用網路瀏覽器），開發人員可能需要經歷更繁瑣的過程：建立大量的RL Gyms（強化學習模擬環境），讓演算法在狹窄的任務集中反覆練習相比人類，模型還太“笨”吳恩達強調，一個典型的普通人，即便閱讀的文字量遠少於前沿模型，或者在電腦操作環境中的練習量遠少於模型，卻能泛化到更廣泛的任務中。人類之所以能做到這一點，可能得益於以下機制：從反饋中持續學習的能力；對非文字輸入擁有更優越的表徵能力（吳恩達直言：LLM對圖像的Token化處理，在他看來目前仍像是一種駭客手段/權宜之計）以及許多我們尚未理解的機制結論：做好長期苦戰的準備如今推動前沿模型的發展，需要做出大量的人工決策，並採用以資料為中心的方法來工程化訓練資料吳恩達認為，未來的突破或許能讓我們不再以這種零碎拼湊的方式推進LLM。但即便沒有突破，這種持續的零碎改進，加上模型有限的泛化能力和湧現行為，仍將繼續推動技術的快速進步他在最後總結道：無論那種情況，我們都應該計畫好迎接未來多年的艱苦工作在這條建構更智能模型的道路上，前方仍有一段漫長、艱難——但也充滿樂趣的跋涉 (AI寒武紀)

2025 年的畢業生，正面對一個規則變了的求職市場。2025 年 11 月，美國失業率升至 4.6 %，創近四年新高；中國城鎮失業率為5.1%，青年失業率（16-24歲，不含在校生）持續高位。同時，應屆畢業生規模創紀錄：2025 屆 1222 萬，2026 屆預計 1270 萬。但與過去不同，這次不是崗位總量在減少，而是機會的流向變了。就在昨天（12月17日），吳恩達一個月前在史丹佛的內部講座視訊才公開。11 月 18 日的 AI 課堂上，他用兩組資料解釋了這個變化：AI 能完成的任務複雜度，每7個月翻倍AI 程式設計能力的翻倍時間，只需70天技術在指數級加速，但崗位機會沒有同步增長。為什麼會這樣？機會流向了那裡？在這個轉折點上，什麼樣的人能抓住新機會？這篇文章，我們從這堂課出發，回答四個問題：什麼能力更重要？為什麼環境比你想的更重要？學習方式該怎麼調整？如何讓自己被發現？第一節 | 不是崗位少了，是方向變了2025年，AI 讓寫程序變得前所未有地快。但這並不意味著工程師更吃香了，恰恰相反，許多人的工作變得更容易被替代。吳恩達在課堂上說了一句話：模型可以幫你寫出正確的程式碼，但它不會告訴你，這段程式碼要去解決什麼問題。這句話點出了關鍵：現在大多數崗位的分工邏輯已經變了。不是誰更懂技術，而是誰先把問題定義清楚。以往，一個產品從想法落地，需要5～8個工程師配合開發。現在，在 AI 工具輔助下，一個人就能快速完成。工程工作被壓縮的同時，產品設計、需求拆解、目標判斷這些前置任務反而成了最關鍵的一環。為什麼這些“前置任務”變得更重要？因為產品開發本質上是一個循環：寫程式碼 → 給使用者看 → 收反饋 → 調方向 → 再寫程式碼。AI 讓第一步快了 10 倍，但其他幾步沒有同步加速。這導致整個循環的瓶頸從寫程式碼轉移到了理解使用者真正想要什麼。現實中，多數團隊的決策能力並沒有跟上這個節奏。程式碼寫得快了，方向錯了的話，速度反而成了風險。結果是：能完成任務的人越來越多但能判斷做什麼才值得做的人反而變少於是，團隊裡真正被重用的，不是寫得快的人，而是能定義方向、快速嘗試、反應靈敏的人。在吳恩達眼中，今天矽谷行動最快的工程師有一個共同特徵：他們既會寫程式碼，也會跟使用者聊天。 這種“技術+同理心”的組合，讓他們能在一個人身上完成過去需要工程師+PM兩個角色才能完成的事。工程師和產品經理的比例正在翻轉。過去是4～8:1，現在越來越多公司走向2:1，甚至逼近1:1。有些創業公司已經開始配置“1 個PM配 1 個工程師”，這在傳統矽谷公司看來幾乎不可思議。在這堂課上，還有一位嘉賓 Lawrence Moroni（曾任Google首席AI倡導者，現在ARM負責AI業務）。他也提到了一點：過去幾年，矽谷公司允許員工把各種價值觀和個人追求帶到工作中。但 2023 年之後，公司不再看情懷，只看價值：你做的東西能不能為他們賺錢。技術很強但方向不對？沒人買單。情懷很足但產出為零？同樣出局。這就是為什麼判斷力比技術更重要：你要能判斷什麼值得做，什麼不值得做。缺少這種判斷力，再強的技術能力也會被邊緣化。第二節 | 好環境比強能力更重要第一節我們說了，判斷力比技術更重要。但光這樣還不夠：就算你有判斷力，如果環境不對，你也施展不開。吳恩達在課上講了一個真實的故事：一個史丹佛學生，能力出色，拿到了一家熱門 AI 公司的 offer。公司說：先簽約，輪崗匹配會給你找好項目。 結果簽完約，他被分配去做 Java 後端支付系統。這不是 AI 項目，不是他想做的方向。一年後，他沮喪離職。“他的能力沒問題，是環境錯了。”但環境也在選人。 Lawrence Moroni講了一個例子：一個優秀的程式設計師，能力強、經驗足。被解僱後申請了 300 多個工作，深入面試很多家大廠，但每次都在最後一輪被拒。原因不是技術不行，而是他在面試中表現得過於強硬，讓面試官覺得他不適合團隊合作。調整態度後，他很快拿到 offer，工資翻倍。這兩個故事表示：第一個：你可能有能力，但被放錯了位置第二個：你的能力可能很強，但團隊合作性同樣重要能力是基礎，但環境和配合度決定了你能走多遠。很多人忽略了一個變化：AI 讓個人能做的事更多了，但也讓團隊環境的差異被放大了。過去，只要你負責一小塊、照流程執行就行。現在不一樣了：你需要快速拿到使用者反饋 （團隊要支援你直接接觸使用者）你需要快速試錯迭代 （團隊要允許失敗）你需要跨職能協作 （團隊要打破職能壁壘）如果團隊做不到這些，你個人再努力也是在內耗。吳恩達特別強調了幾個好團隊的特徵：願意共享資訊，不藏著掖著願意試錯，而不是反覆開會支援個體試驗，而不是按層級做決策他說：在這樣的環境下，你的經驗值才能累積，你的想法才有機會試一試。否則，就算你再有熱情，也撐不了多久。而這個環境，不只是你的團隊，還包括你日常相處的圈子。如果你最親近的 5 個朋友都是努力工作、快速學習、試圖用 AI 讓世界變得更好的人，你也更有可能這樣做。所以，比起崗位頭銜，看清你所在的圈子、節奏、氛圍，才是你能不能成長的真正關鍵。第三節 | 快速試錯，快速成長過去找工作，拼的是學歷、項目經歷、技能點清單。現在，這些還重要，但更重要的是：你做出過什麼？吳恩達在課上給出建議：要創新，就做20個原型，看那個有效。這是 2025 年的真實節奏。 AI 加速了任務完成的能力，但也暴露了很多人的短板：做得快，不等於做得對；學得多，不等於學得進。傳統的學習節奏是：先聽課、再練習、最後實習。AI 時代，有效成長變成了：動手試 → 被打臉 → 調方向 → 再試。這是一種新的學習習慣，甚至是一種工作習慣。Lawrence Moroni 分享了他的實踐：他在做 AI 驅動的電影製作工具時，不是花幾個月寫完整的技術文件，而是：我開始建構。測試。扔掉。再次開始。每次我腦海中的需求都在改進。為什麼要這樣？因為失敗成本變低了。吳恩達說：“你浪費了一個周末但學到了東西，這沒問題。”過去，做一個項目需要幾個月。現在，一個周末就能做出能跑的原型。Lawrence算了一筆成本帳：三個月做一個項目，最後發現方向錯了，浪費三個月三天做10個原型，扔掉9個，留1個繼續打磨，只花三天就找到方向所以，快速試錯不是急躁，而是控制風險的方法。但很多人的學習方式還停留在過去。 苦練程式碼卻從沒做出能上線的應用，苦看視訊教學卻從不和別人協作，項目一做就是大半年結果上市場沒人用。現在，AI 做得越快，你迭代得也要越快。關鍵不是做一次就對，而是做一次就知道錯在那，然後快速調整。要想跟上節奏：別等到完美才發佈別等到有把握才動手別等別人先做你再做先做出來，再說。第四節 | 真正的競爭力，是你做出過什麼前三節我們說了：能力要求變了、團隊環境重要、學習方式要變。但最後一個問題是：你怎麼證明自己？現在的招聘，越來越像選隊友，而不是篩履歷。Lawrence Moroni 自己就是個例子。2015年，他想加 入 Google Clou 團隊。前兩次面試都失敗了，儘管他已經在 Microsoft 工作多年，寫了 20 多本書。第三次，他換了策略：在面試前，他用 Google Cloud 做了一個 Java 應用，能用技術分析預測股票價格。 然後把這個項目放在簡歷上。結果，整個面試過程，面試官都在問他關於這個程式碼的問題。面試的主動權在他手上。他提前證明了自己能做什麼，而不是只說做過什麼。這讓他從 300 個候選人中脫穎而出。十年過去，這個策略在2025年更加重要。吳恩達給出了一個判斷標準：現在要看一個人值不值得合作，最簡單的方法就是看你做出過什麼，那怕一個小東西。不一定複雜，也不一定完美。但得是真實的、能用的、你親手做的。一個前職業冰球運動員的故事更能說明問題。他 13 歲輟學，自稱“活著最笨的人”。他管理一個非營利冰場，每季度需要向董事會展示營運結果，為此每年花15 萬美元請諮詢公司整合資料（來自泵房機器、壓縮機、電子表格、帳戶...）。他嘗試用 ChatGPT 自己做。結果：他現在用兩個小時就能完成報告。節省的 15 萬美元用於給貧困兒童提供冰球裝備。一個13 歲輟學的人，用 AI 做成了15 萬美元的專業諮詢工作。這比任何學歷都有說服力。你不一定要創業，但你需要作品。這類展示的效果越來越明顯。很多公司已經不看你做過什麼，而是看你正在做什麼。過去找工作，是投遞簡歷等回覆。現在是做出產品，主動展示能力。區別在於：簡歷是別人對你的評價，作品是你對自己的證明。結語｜機會沒少，只是方向換了2025 年不是工作變少了，是路徑變了。過去的路徑：從學歷到經驗，從經驗到簡歷，從簡歷到面試，最後入職。現在的路徑：從能力到作品，從作品到展示，從展示到合作，在合作中成長。能力要求變了。團隊比品牌重要。學習方式要快速迭代。作品比簡歷有說服力。這四件事，決定了你能不能抓住新機會。 (AI深度研究員)

全人類對AI的依賴越來越嚴重了，這可能會為我們的大腦帶來那些影響？AI工具的正確打開方式是什麼，才能儘可能避免給我們的認知帶來負面影響？一天，你常用的大模型突然當機，你的心理狀態是怎樣的？忙碌的工作日，你是否已經不知不覺長期重度依賴AI，很難不用那怕一天了？人腦是否能將思考完全託管給AI，只負責分泌多巴胺？如果全社會都本能地選擇了接受這個選項，代價是什麼呢？最近的一篇部落格就這個問題展開了較為全面的討論，主要關注寫作和程式設計領域。博主整合了各大AI領域意見領袖關於這個問題的真知灼見，引人反思。AI處理長期任務，錯誤有點多AI在處理短期任務上確實具有優勢，例如自動文字補全和程式碼建議等。這些應用可以有效提升工作效率，減少時間浪費。以程式設計為例，Cursor等工具可以幫助程式設計師完成一些重複性較高的程式碼編寫任務，從而讓開發者有更多時間專注於高層次的架構設計。然而，當AI被用於長期決策或創意任務時，問題就不那麼簡單了。AI雖然在某些領域表現出色，但它缺乏靈感和直覺，難以全面替代人類的複雜思維。知名開發者ThePrimeagen曾指出，在使用AI時，任務的時長和錯誤容忍度是必須考慮的重要因素。對於AI，任務累計時間越長，錯誤率越高對於短期任務，AI能夠有效節省時間，但如果涉及到需要深度思考的任務，過度依賴AI可能會帶來更多潛在的錯誤。使用AI前後的任務進展隨時間的變化圖AI並不是萬能的工具，過度依賴它可能導致人們忽視自己的批判性思維能力，從而影響學習和創造力的提升。我們可以參考下圖的任務分類，將III類任務交給AI，而要儘可能多地親自做I類任務。AI寫作，缺乏情感與深度如今的主流AI寫作工具已經能夠生成流暢且結構合理的文章，但這些AI生成的內容通常缺乏人類獨有的情感和深度，「AI味兒」太沖。AI並不具備像人類一樣的情感共鳴和生活經驗，因此，它無法真正像人類一樣「理解」寫作中的情感表達和深層次的思想交流。寫作，尤其是在文學和創意寫作領域，涉及到的是一種獨特的個人體驗和情感交流，而這些正是AI無法複製的。AI生成的文字，是沒有靈魂的。因為AI本身也沒有靈魂。背後有的，只是冰冷的數學與統計。人類會在字裡行間流露出來熾熱而參差的情感，而AI會輸掉這場模仿遊戲。AI讓人分心，技能也退化了AI在寫作時的自動修正、程式設計時的程式碼建議，在一定程度上提高了工作效率。與此同時，也讓我們習慣於依賴工具，逐漸降低自己獨立思考和解決問題的能力。這一現像在教育領域尤為顯著。如今，AI在學生群體滲透率極高，親自手寫作業彷彿成了真正的異類。過度依賴AI會減少他們思考和學習的機會，讓老師留下的作業失去意義。老師們也不得不使用AI來檢測AIGC率，捲入這場不必要的「貓鼠遊戲」。GPTZero，檢測文字是否由AI生成長此以往，技能退化將成為不可忽視的問題。特別是在程式設計和寫作等領域，手動操作和反覆練習對於理解和掌握知識至關重要。這些實踐領域的大神們的成功訣竅，大多數是「惟手熟爾」。專家觀點：AI無法完全取代人類的獨立思考針對此話題，各個意見領袖也都在不同時間表達了自己的觀點。吳恩達指出：學習程式設計和其他基本技能仍然是未來的關鍵。AI應當作為工具輔助人類學習，而不應成為放棄學習的藉口。今天，有些人勸阻別人學習程式設計，理由是AI會自動化這一過程。這樣的建議將被視為有史以來最糟糕的職業建議之一。科學家、分析師、市場行銷人員、招聘人員以及許多其他領域的專業人士，如果能夠通過程式設計知識理解軟體語言，就能更精確地告訴LLM或AI支援的IDE他們想要什麼，並獲得更好的結果。隨著這些工具讓程式設計變得更加簡單，現在正是學習程式設計、學習軟體語言並學會讓電腦精準執行你想要的任務的最佳時機。Paul Graham，著名的程式設計思想家，認為寫作是思考的一部分，依賴AI生成內容會使我們失去獨立思考的機會。他指出，AI在處理內容時，往往會採用一種標準化的方式，這與人類作家的個性化表達和思考方式截然不同。Nathan Baugh，一位內容創作者，警告AI可能導致內容氾濫，降低我們學習和表達的基礎技能。依賴AI可能讓我們失去真正理解和掌握知識的機會。當你將寫作外包給AI時，你最終得到的是缺乏靈魂或個性的文字。你身上的怪癖和特質也消失了，而這些恰恰是讓你的寫作無法替代的東西。Ted Gioia，知名音樂評論家，也提出AI無法替代人類在創作中的深度思考與情感表達。儘管AI能夠生成大量的內容，但這種內容缺乏人類在創造過程中加入的思想性和情感投入。Mitchell Hashimoto，HashiCorp的創始人，認為雖然AI可以為技術創新提供支援，但真正的競爭力在於如何高效地利用AI，而非僅僅依賴它。AI無法取代的職業與技能對於大多數專業來說，AI可能會在某些方面輔助工作，但可能並不會完全取代人類的職業角色。除了上面提到的寫作與程式設計外，還有很多職業是AI無法完全取代的。例如，對於資料工程師而言，雖然AI工具可以提高某些重複性工作的效率，但它無法替代人類在資料判斷和業務理解上的經驗和專業知識。同樣，AI在藝術創作中的角色是有限的，雖然它能生成一些初步的圖像或音樂，但真正的藝術加工和情感表達仍需由人類完成。這個邏輯和寫作類似。豐富的感情與創造力，是人類在AI時代生存的立身之本。將簡單、無趣、低成長價值的工作交給AI，是將人類從工具性中解脫出來。拒絕讓AI全面接管大腦的思考，是人類的主體性的獨立宣言。電影《駭客帝國》(新智元)

AI進步的新方向： AI 的發展已超越單純的“規模競賽”。未來的突破將更多來自“智能體工作流”（Agentic Workflows）、多模態模型和 AI 自我生成訓練資料等多個維度。真正的瓶頸是人才，而非技術： 建構可靠的“智能體 AI”的最大障礙，不是模型本身，而是懂得如何進行系統性錯誤分析、能將人類隱性知識（如商業流程）有效教給 AI 的工程人才。技術型創始人的回歸： 在技術能力邊界模糊的 AI 早期，創始人必須對技術有深刻的直覺，才能制定正確戰略。這標誌著矽谷正重返由技術遠見者主導的時代。小而精： AI 將催生由少數頂尖人才組成的、協調成本極低的精英小團隊。01  告別“規模競賽”，AI 的未來不止一條路長期以來，科技巨頭用“規模就是一切”為行業刻下了金科玉律。但吳恩達在近期的訪談中直言，這種由公關驅動的單一敘事，正在成為一種戰略上的“隧道視野”。他承認規模依然重要，但過度關注會讓我們忽視其他更富成效的創新路徑。從“越大越好”到“越聰明越好”如果不是只有規模，未來 AI 的進步將來自何方？吳恩達描繪了一個多元化的創新組合：智能體工作流 (Agentic Workflows): 這是吳恩達思想的核心。它標誌著 AI從一個“問答機器”向一個能進行多步驟規劃、推理並自主執行任務的“任務執行者”轉變。多模態模型 (Multimodal Models): 整合文字、圖像、聲音等不同資料的能力，是建構更複雜應用的基礎。資料生成循環 (Data Generation Loops): 一個極具前瞻性的方向。即用上一代AI模型生成高品質的訓練資料（例如難題），來訓練下一代模型，實現 AI 系統的自我迭代和完善。“王牌”與未知 (Wild Cards): 探索全新的技術架構，例如將主要用於圖像生成的擴散模型（Diffusion Models）用於生成文字。這類探索隨時可能帶來非線性的突破。02  為什麼最聰明的AI也搞不定你的購物車在 AI 領域，演示（Demo）與生產（Production）之間存在巨大鴻溝。吳恩達指出，像“讓 AI 幫我上網購物”這類任務，仍是“非常棒的演示，但尚未達到生產等級”。程式碼之外的“隱性知識”當被問及實現智能體應用的最大障礙時，吳恩達的回答出人意料：“我認為最大的單一障礙……實際上是人才。”他所說的“人才”並非指程式設計師數量，而是特指那些懂得如何“通過評估來驅動一個系統性的錯誤分析流程”的團隊。隱性知識的挑戰：建構智能體是一個複雜的社會+技術挑戰。AI 的“錯誤”往往不是程式碼 bug，而是未能理解那些不成文的商業規則、組織內的社交禮儀和專有知識。例如，自動化處理髮票時，搞錯日期和打擾到 CEO，那個問題更嚴重？這些知識“被鎖在人們的頭腦裡”。從技術問題到社會+技術難題：因此，建構強大的智能體，本質上是如何將人類工作流中那些隱性的、上下文相關的知識，進行有效提取、編碼，並以此為標準來評估 AI 表現的難題。為什麼“程式碼智能體”成了模範生？在當前的智能體版圖中，程式碼智能體是“最前沿”和“最強大的範例”。原因有三：巨大的經濟激勵：巨大的市場需求吸引了頂尖的人才和海量的資源投入。開發者即使用者：建構工具的工程師本身就是使用者，這帶來了無與倫比的產品直覺和高效的迭代閉環。結構化的環境：程式碼的輸出高度結構化且易於驗證（能否編譯、運行結果是否符合預期），這提供了即時、明確的反饋，極大地加速了模型最佳化。03  當開發只需一天，你的公司還等得起一周嗎隨著 AI 輔助程式設計工具的普及，吳恩達更傾向於用“快速工程”（Rapid Engineering）來描述當下的工作狀態。這並非“去技能化”，而是將工程師的認知負荷推向了更高層次的系統設計和抽象思維。瓶頸轉移：從敲程式碼到做決策吳恩達指出：“程式設計的速度正在加快……因此，瓶頸越來越多地出現在產品管理上……即決定我們到底想建構什麼。”這個邏輯鏈條可以這樣拆解：“建構”環節被壓縮：AI 極大地縮短了開發時間。過去需要三周的原型，現在可能一天就能完成。“學習”環節相對變慢：傳統的使用者測試、市場調研等環節的速度沒有相應提升，成為了整個迭代循環的瓶頸。決策周期必須縮短：為了維持速度優勢，團隊必須想辦法加速決策。創始人直覺被放大：如何加速？吳恩達的答案是依賴“直覺”（gut）。這意味著，創始人或產品負責人腦中預先存在的、對客戶的“心智模型”，從一個加分項，變成了維持競爭速度的核心資產。04  為什麼說現在是技術人的最好時代產品管理成為新瓶頸，直接導向了另一個重要結論：技術型創始人的全面回歸。從“商業嗅覺”到“技術直覺”的權力交接吳恩達斷言：“除非你對這項技術‘能做什麼’和‘不能做什麼’有很好的感覺，否則你很難思考戰略。”在AI技術劇烈變革的今天，關於技術能力邊界的“稀缺知識”是最核心的資產。這標誌著矽谷正在重返其早期精神，那個由比爾·蓋茲、史蒂夫·賈伯斯等技術遠見者定義的時代。05  小團隊的崛起AI 帶來的效率革命，將如何重塑未來的組織形態？未來的組織：小而美的“特種部隊”吳恩達預見，未來將由“技術精湛的小團隊，配備大量 AI 工具”主導。他觀察到，自己最高效的團隊往往是規模最小、協調成本極低的團隊。一個致命陷阱：效率是蜜糖，也可能是砒霜然而，小而美並非永遠正確。在贏家通吃的市場中，搶佔市場的速度可能遠比資本效率更重要。AI 給了創始人保持精益的能力，但這並不意味著這永遠是正確的戰略。訪談的最後，吳恩達給出了一個總結：“軟體工程是其他行業將要發生的事情的預兆。”今天在軟體開發領域看到的一切——瓶頸的轉移、技能的重估、人機協同的興起——都將在未來幾年內，投射到法律、醫療、金融等所有知識工作領域。 (vibehood)

吳恩達老師最新觀點：平行Agent是擴展AI 的新方向平行Agent 正在成為擴展AI 的一個重要新方向。 AI 的能力在過去依靠更多的訓練資料、訓練階段的計算量，以及推理階段的計算量不斷提升。如今，讓多個Agent 平行運行正在成長為進一步擴展和提升效能的一種方法早期在百度的研究，以及後續OpenAI 的工作，都證明了AI 模型的效能會隨著資料量和訓練計算量的增加而穩定提升。而在推理階段，如果透過Agent 工作流程，或是在推理模型中引入「思考、反思、迭代」的過程，表現還會進一步提升。但這類方法通常需要更長的時間來產生結果。平行Agent 則提供了一條新的路徑：在不讓使用者等待過久的情況下提升效果。推理模型在生成時是順序進行的，因此往往執行階段間較長。同樣，大多數Agent 工作流程在最初的實現中也是序列的。但隨著LLM 單token 價格的不斷下降——這些技術逐漸變得更可行——而產品團隊也希望能更快地為使用者提供結果，越來越多的Agent 工作流程開始實現平行化。一些例子：許多研究型Agent 現在能夠同時抓取多篇網頁，並平行分析其內容，從而更快地產生深度研究報告部分代碼類的Agent 框架允許使用者調度多個Agent，同時在代碼庫的不同部分開展工作。例如，在Claude Code 的課程中就展示瞭如何使用git worktrees 來實現這一點一種正在快速流行的Agent 工作流程設計模式是：讓一個計算量龐大的Agent 花費數分鐘甚至更長時間來完成任務，同時由另一個Agent 負責向使用者提供簡短的進度更新。進一步演化後，這類前端Agent 還能在保持使用者知情的同時，將使用者的非同步回饋傳遞給後台的其他Agent，從而形成更有效率的協作將複雜任務（如建構一個複雜的軟件應用）拆解成更小的子任務，再分配給不同的工程師平行完成，本身對人類管理者來說就極具挑戰，尤其在需要擴展到數以百計甚至更多工程師時更為困難。同樣地，如何有效地為平行Agent 進行任務分解，也是一個難點。不過，隨著LLM 推理成本的不斷下降，使用更多的token 成為一種可行的選擇，而平行化的方式則使得這種使用不會顯著增加使用者的等待時間。越來越多關於平行Agent 的研究也在湧現。例如：《CodeMonkeys: Scaling Test-Time Compute for Software Engineering》展示了平行程式碼產生如何幫助探索更大的解法空間Junlin Wang提出的Mixture-of-Agents 架構，則是一種出乎意料的簡潔方式來組織平行Agent：讓多個LLM 獨立產生答案，再由一個彙總LLM 將它們整合為最終結果。關於如何最好地利用平行Agent，仍有大量研究與工程探索空間。但可以預見的是，能夠高效平行工作的Agent 數量會非常龐大，就像人類社會中能夠高效協同的群體人數也可以非常之多一樣 （AI寒武紀）

生成式AI正在重新定義軟體工程師這個職業！剛剛，吳恩達發表了一篇深度文章，詳細剖析了一個正在快速崛起的新職業——GenAI應用工程師。這群人不僅能用AI積木塊快速搭建強大應用，還能借助AI程式設計助手以前所未有的速度開發軟體系統。值得注意的是，這個職業的技能要求和傳統軟體工程師有極大的不同。AI 時代的樂高玩具吳恩達用了一個絕妙的比喻來解釋AI 積木塊的概念。如果你只有一種樂高積木，你能搭建的結構很有限。但如果你擁有各種各樣的積木，你就能快速組合出複雜而實用的結構。軟體框架、SDK和其他工具就像這些積木塊。如果你只會呼叫大語言模型（LLM）API，這是個好開始。但如果你掌握了更多積木塊類型——提示詞技術、智能體框架、評估工具、防護欄、RAG、語音棧、非同步程式設計、資料提取、嵌入/向量資料庫、模型微調、圖資料庫與LLM結合使用、智能體瀏覽器/電腦使用、MCP、推理模型等等——你就能創造出更豐富的組合。強大的AI積木塊數量還在快速增長。雖然新積木塊不斷湧現，但許多一兩年前的積木塊（比如評估技術或向量資料庫使用框架）今天仍然非常重要。AI 程式設計的生產力飛躍AI 輔助程式設計工具讓開發者的生產力實現了質的飛躍，而且這些工具正在快速進化。Github Copilot在2021年首次發佈（2022年全面推出），開創了現代程式碼自動補全的先河。但很快，新一代AI驅動的IDE如Cursor和Windsurf提供了更好的程式碼問答和程式碼生成功能。隨著LLM的改進，基於它們建構的AI輔助程式設計工具也在不斷進步。現在我們有了高度智能化的程式設計助手，比如OpenAI的Codex和Anthropic的Claude Code（吳恩達特別提到他非常喜歡使用Claude Code，對其能夠自主編寫程式碼、測試和偵錯多次迭代的能力印象深刻）。在熟練工程師手中——那些不只是「憑感覺寫程式碼」而是深刻理解AI和軟體架構基礎、能夠引導系統朝著精心選擇的產品目標前進的人——這些工具使得以前所未有的速度和效率建構軟體成為可能。吳恩達發現，AI輔助程式設計技術的淘汰速度比AI積木塊快得多，一兩年前的技術已經遠離今天的最佳實踐。部分原因可能是，雖然AI建構者可能會使用幾十種（甚至上百種？）不同的積木塊，但他們不太可能同時使用幾十種不同的程式設計輔助工具，因此工具之間的達爾文競爭力量更強。鑑於Anthropic、Google、OpenAI和其他玩家在這個領域的大規模投資，這種瘋狂的發展速度預計會持續下去。額外加分項：產品技能在某些公司，工程師被期望按照像素級完美的產品設計圖編寫程式碼實現。但如果產品經理必須指定每個細節，這會拖慢團隊速度。AI產品經理的短缺加劇了這個問題。吳恩達觀察到，如果GenAI工程師也具備一些使用者同理心和基本的產品設計技能，團隊會進展得更快。這樣，在只獲得高層次指導的情況下（「一個讓使用者查看個人資料並更改密碼的使用者介面」），他們可以自主做出很多決策，至少可以建構一個原型來迭代。面試GenAI應用工程師的關鍵問題在面試GenAI應用工程師時，吳恩達通常會詢問他們對AI積木塊的掌握程度和使用AI輔助程式設計的能力，有時也會考察他們的產品/設計直覺。他發現有一個問題特別能預測他們的技能水平：「你如何跟上AI的最新發展？」因為AI發展如此迅速，那些有好的學習策略的人——比如閱讀The Batch、參加短期課程😃、定期動手實踐建構項目、有一個可以交流的社區——真的能保持領先優勢。相比之下，那些主要依賴社交媒體獲取AI 資訊的人（通常缺乏必要的深度）就會落後。網友熱議Andrew Ng (@AndrewYNg)的這篇文章引發了網友們的熱烈討論。Oboe (@oboelabs)提出了一個關鍵問題：AI輔助程式設計工具正在民主化複雜軟體開發的存取權，這很令人著迷。但軟體設計中人類判斷力和創造力的重要性呢？Faruk Guney (@farguney)認為術語使用很準確：完全正確的術語：生成式AI工程師，而不是籠統地使用AI工程師。Trinity (@Gh4nder)則表達了一種擔憂：AI將在3個月內取代這些人。Shady (@ShadyAlii0)提出了一個深刻的觀點：但我覺得不斷追逐工具對工程師和僱用他們的企業來說都不可持續，特別是對像我這樣的年輕工程師和學生。因為正如你所說，許多僅僅一兩年前的工具現在已經過時和低效，我認為新工具會以更高的頻率出現，因為進步幾乎每隔幾周就會到來。CGW (@cgw888)預測了一個更激進的未來：這種「新型GenAI工程師」最終會被能訪問所有工具和框架的AI取代。最後剩下的工作將是一種產品經理，一邊與不明就裡的利益相關者交談，另一邊與AI交談，但自己既不瞭解所有細節，也沒有銷售或成為VP的軟技能。Pol Avec (@pol_avec)分享了他的見解：非常同意。剛剛做了一個關於「AI是新UI」的演講——解釋了許多技能可以轉化但需要適應。就像從網頁到移動端的轉變一樣，當我們用AI更新當前技術時，還有很多領域需要覆蓋。與現有專業知識結合時，AI知識是一大優勢。Gaurav Chande (@gauravmc)總結道：💯「GenAI應用工程師」感覺就像是創業公司多年來追求的產品工程師的2025年韌體升級版。具有行動偏好和強大產品直覺的通才野獸。那些既關心為什麼又關心如何的開發者。他們的積木塊已經擴展了：智能體框架、MCP、評估、向量資料庫……讓他們能夠更快地交付。產品感不是加分項。它是將所有這些樂高積木變成使用者真正想要的東西的關鍵。 (AGI Hunt)

在最新的LangChain Interrupt 峰會上，AI Fund 創始人吳恩達與LangChain 聯合創始人Harrison Chase 展開了一場對話。作為AI 教育和創業孵化的重要推動者，吳恩達圍繞Agent 建構方法論、評估機制、語音與協議基礎設施，以及開發者與創業者應具備的直覺判斷力展開系統性闡述。他提出，「agenticness」 應被理解為連續程度，而非標籤判斷；未來AI 建構者的核心競爭力，不在提示設計，而在流程建模與執行速度。▍「agenticness」 是程度而非標籤吳恩達回顧了一年多前與Harrison 同台演講的場景。那時他們正試圖說服產業相信Agent 是一個值得投入關注的方向。 「那時候，大家還不確定Agent 是不是一個重要的東西。」他說。那之後，隨著Agent 概念走紅，「agenticness」 這個詞也迅速被行銷人員廣泛使用，漸漸變得語義模糊。 “這個詞被濫用了，大家開始用它指代各種系統，但實際含義已經不明確了。”他指出，當時很多人在爭論“這個系統到底是不是Agent”、“它是否真正具備自主性”，但這類爭論本身並沒有太大價值。與其浪費時間在這些語意層面的問題上，不如換個方式思考。他提出「agenticness 是一個光譜」的概念：不同系統具有不同程度的agenticness，從幾乎無自主性到高度自主都是合理的存在，只要系統具備一定程度的自主性，都可以歸入agentic 系統的範疇。「如果你想建立一個具備一點點或很多自主性的agentic 系統，那都是合理的。沒必要去糾結它是否『真正是Agent』。」吳恩達說。這種包容性的定義有助於整個社區從語義糾纏中解放出來，更有效率地推進實際落地工作。他表示，這種思路確實起到了積極作用，讓更多開發者從「是否為Agent」的問題中抽身，專注於系統是否能解決實際問題。▍Agent 建模經驗嚴重不足當被問到目前建構者處於怎樣的「agenticness 光譜」階段時，吳恩達表示，他團隊會使用LangGraph 去處理一些較複雜的問題，例如多步驟流程自動化。 「但我也看到很多現實中的商業流程其實是線性的，或者是線性中夾雜一些失敗分支。」他說。他舉例說明，在一些業務中，人類目前仍在重複完成一系列可預測的操作，例如：填寫表格、在網頁搜尋資訊、訪問資料庫確認是否涉及合規、判斷是否可以銷售某樣物品。這類流程其實是「複製—貼上—再搜尋—再貼上」的循環，結構相對固定。這些流程本質上非常適合agent 化處理，但最大挑戰是，許多公司還不知道如何將其轉化為agentic 系統。 “例如應該以什麼樣的粒度去拆分任務？如果原型效果不佳，該從那個步驟優先改進？這類知識在業界實際上是非常稀缺的。”儘管有更複雜的agentic 工作流程存在，例如多循環、多代理系統，但吳恩達指出，當前階段建構者面臨的主要問題仍集中在簡單流程的建模和拆解。 “我們現在最缺乏的，其實是讓這些結構化流程自動化的'中間技能'。”▍Agent 系統需要系統直覺，快速且實用在談到建立Agent 所需的關鍵技能時，吳恩達表示，系統管道的建造能力是第一步。他指出，在現實業務流程中，往往涉及多個角色：合規、法務、人力資源等。每個角色都執行特定任務，Agent 系統需要模擬這些角色的邏輯，將流程順利接合。那麼開發者該怎麼做呢？是用LangGraph？還是MCP Host？是否需要模組化整合不同子任務？這些都取決於任務本身。而很多團隊在遇到系統出錯時，反而不知道問題在那，也不知道下一步該最佳化那個部分。「我發現很多團隊其實花太多時間依賴人工評估。每次系統調整之後，就人工看輸出是否正確。」吳恩達說。他認為評估機制的缺失，是當前Agent 建構過程中最大的「看不見的問題」。他主張快速搭建「就算很爛」的初級評估系統，例如針對某一失敗步驟，寫一個只覆蓋5 個輸入範例的檢測指令碼，用一個簡單模型去判斷系統是否回歸。 “它不需要完全替代人眼，而是去承擔那些重複性判斷任務。”他認為最理想的狀態是：開發者能在幾分鐘到幾小時內，迅速基於LangSmith 等工具做出決策。這種基於真實資料、真實失敗路徑的“觸覺型直覺”，才是系統建構中最寶貴的經驗。 “沒有這種觸覺，你可能花幾個月最佳化某個元件，但有經驗的人一眼就知道這個方向做不出來。”▍工具即積木，認知覆蓋決定效率高低吳恩達強調，現在AI 社群已經出現大量強大的工具，但開發者間的工具認知差距非常大。他將其比喻為「彩色樂高積木」：過去如果只有一種積木，例如紫色積木，那你能搭出來的東西非常有限。但現在我們有紅色、藍色、綠色、各種形狀、大小的樂高，你可以搭出幾乎任何結構。這些樂高積木的存在，例如LangGraph、Retriever、RAG、Memory、Email Generator、Guardrail 機制等，構成了建構agentic 系統的技術庫。而真正掌握這些工具的開發者，能在系統失敗時迅速重組結構，而不是陷入冗長debugging。「我寫程式碼的時候也會混合用很多任務具。我不需要是每個工具的專家，但我知道它們能做什麼，能解決什麼問題。」吳恩達說。他補充道，在過去一兩年中，RAG（檢索增強生成）的最佳實踐也發生了變化。大模型的上下文視窗增大，意味著許多過去對超參數的調節現在不那麼緊迫。許多舊的直覺已經不再適用，開發者必須不斷更新自己的“工具知識圖譜”，否則就會嚴重落後。▍語音棧與MCP 協議被低估了在討論那些關鍵領域仍被忽視時，吳恩達直言，語音技術堆疊與MCP 協議是最值得關注的方向。他認為語音應用的價值遠未被開發出來。「使用者寫提示詞其實是很高門檻的。長文字需要組織語言、反覆修改，這會讓人不願意開口。」但語音是時間向前推進的過程，使用者說出來就可以繼續下去，那怕說錯了也能反悔，互動過程更加自然。他說，在與Reald Avatar 合作建構的虛擬分身中，一開始系統回應時間為5～9 秒，使用者體驗非常糟糕。後來他們加入了“預響應機制”，即大模型會先說出“讓我想想”、“這個問題挺有趣”等緩衝語句，填補這幾秒的空白，大幅提升了體驗。他們還發現，在語音系統上加上「呼叫中心背景音」也會緩解等待感。這種小技巧雖然簡單，但卻是建構語音系統時非常重要的工程方法論。 “語音Agent 的運行邏輯和文字Agent 是完全不同的。”同時，他也強調MCP 協議在未來多模型系統中的價值。當前企業在建構Agent 時常常需要連接多個資料來源、API、服務介面，如果每一對都要手寫介面卡，維護成本極高。「MCP 是一次真正意義上的介面標準化嘗試。」吳恩達表示。他指出，目前MCP 伺服器端實現仍不穩定，許多認證機制不完善、Token 管理不一致，但整體方向是正確的。未來MCP 應該發展出分層資源發現機制，不再是列出一大堆平鋪的API，而是讓Agent 能結構化地發現呼叫路徑。他總結道，我們正在邁向一個「n 個Agent 對接m 個資料來源」的世界，MCP 的存在讓它從n×m 的維護成本變成n+m 的介面管理，這是一次計算複雜度的飛躍。▍勝負手取決於技術理解和執行速度在對話最後，吳恩達談到AI Fund 的工作。他表示，AI Fund 不做外部投資，而是共同創辦公司。他們在篩選合作對象時最重視兩點：一是「技術理解力」。他說，現在很多人講市場、講定位、講go-to-market 策略，這些當然重要，但都是可以短期內補課的。而對技術的理解、對系統的建構直覺，是長時間累積的稀缺能力。二是“執行速度”。吳恩達表示，他見過一些團隊，在2 周內完成其他團隊3 個月才能做完的事。而這類速度，幾乎是成敗的分水嶺。 「很多團隊從來沒見過『一個優秀團隊到底能有多快』。」他說。他最後說，無論是否是程式設計師，未來最重要的技能就是「能精確表達你想讓電腦做什麼」。他說：“即使你是CFO、法律顧問、前台，如果你能寫一點Python，那怕很基礎，也能極大提升你和AI 合作的能力。” （有新Newin）