上周，深度學習領域的標誌性人物吳恩達教授應邀在台灣發表了一場題為"AI， Agent and Application"的主題演講。作為斯坦福大學教授和 DeepLearning.AI 的創始人，吳恩達在人工智慧領域有著深遠的影響力。

他不僅在技術研究上碩果纍纍，更創辦了全球最具影響力的線上教育平台 Coursera，讓優質的 AI 教育資源得以走進千家萬戶。而他創立的 AI FUND，則專注於人工智慧領域的投資佈局，使他得以在產業實踐與學術前沿之間架起橋樑。正是這種跨界視角，讓他對 AI 技術的思考格外珍貴而深邃。

下面我會著重講述他的觀點，並且附上我個人的一些想法供參考交流

AI 是新的生產力

他首先提出了一個重要的觀點，即“AI 是一種新的電力”。

我的理解是，AI 是一種重要的資源，是一項通用的技術，將孕育出許多新的應用。過去我們說資料是一種新的生產力，基於資料的儲存，加工和計算誕生了當下許多國民級的應用。例如抖音，微信、Google等等。

但 AI 的出現加速了資料加工的過程，AI 能夠更好地理解結構化和非結構化的資料。AI 能夠高效地從資料中發現規律，學習知識，進而轉化為文字、圖片和視訊等媒介傳遞資訊，更可怕的是AI還可以做決策和使用工具。

整個 AI 產業的結構

緊接著他介紹了整個 AI 行業的結構。

AI 產業的發展如同一座冰山，有著清晰的層級結構。在最底層，是支撐整個產業的半導體基礎——以 GPU 為核心的計算硬體層。這個領域由輝達主導，AMD 和英特爾緊隨其後，他們不斷推動著算力提升與成本最佳化的邊界。

向上是雲端運算層，它讓算力資源變得觸手可及。越來越多的中小企業不再購置昂貴的物理裝置，而是轉向Google、亞馬遜、微軟 Azure 等雲服務提供商，通過靈活的按需付費模式來訓練和部署他們的模型。

浮出水面的是基礎大模型層，這裡是過去一年 AI 領域最耀眼的舞台。國際上有 OpenAI、Anthropic、Google、Meta 等領軍者，國內則有字節跳動、百度、阿里等科技巨頭，以及 KIMI、智譜、零一萬物、MiniMax、面壁智能、DeepSeek 等新銳力量爭相突圍。

這些通用大模型雖然能力全面，但往往難以在具體場景中做到極致，這既源於其普適性的定位，也受限於缺乏細分問題的專注度。

因此，在大模型之上，一個新的編排層應運而生。從最早的 Dify 和 Coze，到後來的 n8n、Wordware、CrewAI 等，這些平台提供了可視化的編排畫布，讓開發者能夠自如地設計工作流程，呼叫模型和外掛，實現複雜的邏輯控制，從而解決特定領域的實際問題。

最上層是應用層，它可以直接建構在模型層之上，也可以借助編排層來提升開發效率。這一層雖然技術門檻相對較低，但卻最接近實際價值創造，擁有最大的市場潛力和商業槓桿。若這裡無法創造出超越底層投入的價值，那麼整個產業鏈的資源投入都將失去意義。因此，應用層的創新與發展，正是檢驗整個 AI 產業成功與否的關鍵。

Agents 是最具潛力的方向

然後吳恩達介紹了他認為最具潛力的方向，Agents。Agents 就是多個智能體共同合作完成任務。

為什麼 Agent 的地位如此重要呢？首先 Agent 的誕生最早是源於思維鏈，尤其是反思思維鏈。

所謂反思思維鏈，就是讓模型在回答問題之前，先審視一下自己的答案，做一個評分，想想有那些可以改進的點，最後再輸出。

更進一步，如果 A 模型資料以後，不直接展示給使用者，而是讓 B 模型進行打分，想想有那些可以改進的點。然後讓 A 模型再改一版，再給 B 模型。如此循環幾次後，答案就會比直接輸出要好很多。

這個提升的幅度甚至比 GPT3.5 到 GPT4 還要大。

智能體不僅可以相互合作，智能體還能使用工具。比方說訪問網際網路，給一個環境執行程式碼，訪問資料庫，呼叫 API 等等。工具+工具，工具+模型的組合使得模型的能力進一步放大。

現在很多這樣的組合，比如說大模型生成畫圖提示詞，然後呼叫生圖 API，一張圖就水靈靈地出現了。

智能體還可以做到規劃，規劃就是把複雜的任務拆成一個個簡單的小任務，然後一個個解決。這個其實目前一些具備推理能力的大模型也可以做到，比如說 O1。但 Agent 之間的配合，如果搭配上能思考的大模型，起到的作用可能進一步放大。

最後可以再暢想一下。現實生活中，一個公司下面有不同的部門，每個部門有許多不同的角色，每個角色承擔著不同的任務。如果把角色換成 Agent，然後每個部門內多個 Agents 合作，最終部門之間的合作就是 Agents 之間的合作，一個人就是一家公司了。

五個 AI 發展的趨勢

除了 Agents，吳恩達更是指出了 AI 的五個發展趨勢，順著這些趨勢，可以去思考相關的機會。

在 AI 發展的不同維度，我萌生了一些深入思考：

首先，隨著 O1 等推理模型的出現，我意識到解決問題時不必過分計較 AI 當前的成本和速度。這些技術瓶頸必將隨時間推移而逐步突破，重要的是保持開放和想像的胸懷。

其次，技術進步正在加速個性化需求的精細滿足。在產品探索中，我們應該突破思維定式，不再拘泥於點子的大小，而是以開放、敏捷的姿態不斷鋪開，快速驗證，專注於解決一個又一個看似微小但實際意義重大的具體問題。

再者，圖像識別和分析正展現出令人驚嘆的廣闊前景。繼"胃之書"計算卡路里、AI 挑選榴蓮等創新應用之後，我們可以進一步想像：比如開發一款店舖人流分析工具。

傳統方案僅能通過物體識別檢測人數，而大模型則可以實現更精細的洞察——精準判斷顧客性別、推斷年齡層次、識別是家庭出遊還是情侶約會等。

第四個洞見關乎資料壁壘。過去，擁有大量使用者資料被視為核心競爭力。然而如今，資料遷移的成本相較計算開支已變得微不足道。

值得注意的是，OpenAI 的 token 費用遠高於資料傳輸成本。若某個平台能顯著降低資料分析計算成本，並提供卓越的計算能力，使用者遷移資料將不再是障礙。

最後，我們回到資料本身。AI 渴求大量優質資料，尤其是非結構化的內容——圖片、文字、音訊、視訊等。這些資料蘊含著巨大的訓練價值，但處理工程浩大。值得關注的是，已經出現了專門的公司致力於 OCR 等資料轉化，將非結構化資訊轉化為可用的問答資料。

AI 帶來了企業合作領域的創新

新的合作範式也許是這樣的：

有一個想法

比如一家從事海運的傳統公司 MITSUI 認為 AI 可以通過查看全球航運、天氣、洋流等資料最佳化船舶航行的方式，提高燃油效率。

想法驗證（第 1 個月）

AI FUND 會用一個月的時間來研究一個想法，驗證市場並且證明技術可行性。

聘請 CEO（第 2 個月）

然後在市場上尋找合適的 CEO 人選，創立公司。並且和 AI FUND 一起驗證想法。

搭建核心團隊（第 3 個月）

創始人團隊需要在內建構初步技術原型，進行更加深度的市場調研和技術驗證。

執行落地（第一年）

AI FUND 會投資 100 萬美金作為前種子輪，來聘請關鍵執行層，打造 MVP，獲得初期的使用者反饋。

規模化放大（持續運轉）

如果順利的話，會攢一波 200-500 萬美金的種子輪，這時最開始的 MITSUI 會參投。並且它不需要僱傭和管理一隻 AI 團隊，通過合作和投資參與公司的建構，最終可以低成本地把技術應用的自己的業務中來。

在AI產品探索的道路上，我悟到了兩個至關重要的洞見。

首先，最富價值的創新往往源於真實業務場景中那些被忽視的具體需求。理想的產品孵化路徑是：從一個清晰、明確的痛點出發，與需求方緊密協作，共同精雕細琢，在實際業務環境中率先落地。

唯有深入到具體場景，才能真正理解問題的本質。當這個解決方案被驗證有效，且具備一定的行業普適性時，再將其提煉為標準化的產品對外銷售。這是一種自下而上的創新模式，確保了產品的實用性和市場價值。

其次，公司架構和激勵機制的設計至關重要，它們是創新文化的基石。

在項目伊始就精心設計組織架構和收益分配方案，不僅能最大限度地激發團隊的主動性，還能從根本上避免後續可能的利益紛爭。

一個科學合理的激勵體系，應當充分尊重每一位貢獻者，明確權責邊界，讓每個人都能清晰地看到自身的價值和發展空間。

這兩個維度共同構成了一個成功的AI產品孵化生態：以需求為導向的創新，配以合理的組織激勵機制。

以上是我對整個演講的闡述和理解，感興趣的朋友可以點選閱讀原文觀看演講視訊。 (豬欄守望者)