利用AI加速构建：Andrew Ng在Y Combinator AI Startup School的演讲

很高兴见到大家。今天我想分享一些我在创立初创公司时学到的经验教训，特别是在人工智能基金（AI Fund）和冒险工作室的背景下。我们平均每个月会创立一家初创公司。由于我们是联合创始人，我们会亲自参与编写代码、与客户沟通、设计功能以及确定定价。因此，我们不仅观察别人如何创建初创公司，还深入参与了与企业家们一起打造产品的过程。今天我想分享的是我在创建初创公司时学到的经验教训，特别是围绕不断变化的人工智能技术及其带来的可能性，重点将围绕“速度”这一主题。

对于想要创建初创公司的人来说，我认为一个强有力的成功预测因素是执行速度。我非常尊敬那些能够快速行动的企业家和高管。新的AI技术正在使初创公司能够以更快的速度前进。我希望分享一些最佳实践，这些实践实际上每两三个月就会发生变化，以帮助你们提高成功的可能性。在深入探讨速度之前，很多人会问我：“潘博士，初创公司的机会在哪里？”

我将AI行业看作一个技术栈。最底层是半导体公司，其上是超大规模云服务商，再往上是AI基础模型公司。尽管这些技术层吸引了很多媒体的关注和热议，但几乎可以肯定，最大的机会一定在应用层。因为我们需要应用来产生足够的收入，以支持基础云服务和半导体技术层。尽管媒体和社交媒体较少讨论应用层，但对于想要创建初创公司的人来说，最大的机会几乎必然在应用层，尽管整个技术栈的每一层都有机会。

过去一年，AI技术趋势发生了很大变化。如果问我AI最重要的技术趋势是什么，我会说是AI代理（Agentic AI）的兴起。大约一年半前，我试图说服人们AI代理可能会成为一种趋势，但当时并未意识到，去年夏天一些营销人员开始广泛使用这个术语，将其贴在几乎所有东西上，这让这个词的意义有些模糊。但从技术角度来看，我认为AI代理之所以令人兴奋且重要，是因为它开启了更多机会。

很多人使用大语言模型（LLMs）的方式是通过提示（Prompt）生成输出，就像让AI从头到尾一气呵成写一篇文章，而不使用退格键。人类在写作时并不擅长以这种线性方式创作，AI也是如此。尽管如此，AI在代理工作流程（Agentic Workflows）中表现得相当出色。我们可以要求AI系统先写一个文章大纲，进行一些研究，补充背景信息，撰写初稿，然后对初稿进行批评和修改。通过多次迭代，AI模型会进行思考、研究和修订，虽然速度较慢，但最终能产出更好的成果。我们在AI Fund的项目中，从处理复杂的合规文件到医疗诊断，再到分析复杂的法律文件，发现代理工作流程在能否成功应用之间起到了巨大作用。

过去一年，AI技术栈中出现了一个新的层级——编排层（Orchestration Layer），它帮助应用开发者协调对底层技术层的多次调用。好消息是，编排层使构建应用变得更加容易，但应用层仍是最具价值的层级。

接下来，我想分享一些初创公司如何更快行动的最佳实践。在AI Fund，我们只专注于具体的想法。所谓具体的产品想法，是指有足够细节让工程师能够立即开始构建。例如，“用AI优化医疗资源”这样的想法太模糊，不同的工程师可能会做出完全不同的东西，因此无法快速构建。而“开发软件让患者在线预订MRI机器并优化使用率”是一个具体的想法，工程师可以快速构建并验证其效果。具体的想法能让你快速行动，而模糊的想法往往会得到很多赞美，但实际上并不可行。模糊的想法几乎总是“正确”的，但具体想法可能对也可能错，关键是你能更快发现结果。

具体想法通常需要深入的领域知识。专家在长期思考和与客户沟通后，能迅速做出高质量的决策。我发现，数据驱动的决策对于初创公司来说可能较慢，而领域专家的直觉往往是更快的决策机制。成功的初创公司在某一时刻通常只追求一个明确的假设，全力以赴，直到数据证明这个假设错误，然后迅速转向另一个具体的想法。

另一个关键是建立快速反馈循环。很多初创公司失败不是因为无法构建产品，而是因为构建了没人关心的东西。AI编码辅助工具显著提高了工程速度并降低了成本。例如，构建快速原型可能比过去快十倍以上，因为对可靠性和安全性的要求较低。我们鼓励团队快速构建不安全的原型以验证想法，因为如果只在自己电脑上运行，安全性暂时不是问题。当然，在产品上线前必须确保安全性和可扩展性。

AI编码辅助工具的进步令人瞩目。从GitHub Copilot到Cursor，再到最新的高度代理化的编码工具，开发者生产力持续提升。代码不再是珍贵的文物，因为重建代码库的成本大幅降低。过去被认为不可逆的“单向门”决策（如技术架构选择）如今更像是“双向门”，因为重写代码的成本大幅下降。

我认为现在是学习编码的最佳时机。尽管有人建议不要学习编码，认为AI会自动化一切，但我认为这是最糟糕的职业建议之一。AI工具使编码更容易，更多人应该学习编码。我的团队中，包括财务总监、人才负责人和招聘人员在内，所有人都懂得编码，这显著提高了他们的工作效率。未来，每个人都应该学会编码，以更好地利用AI工具。

在产品管理方面，由于工程速度的提升，产品设计和用户反馈的获取正成为瓶颈。过去，一个产品经理通常对应四到七名工程师，但现在这个比例正在变化。我的一个团队甚至提出一个产品经理对应0.5名工程师的配置，这反映了工程速度的提升正在改变传统的产品开发流程。

获取快速反馈的策略也至关重要。最快的方法是依靠自己的直觉（如果你是领域专家），其次是询问朋友或同事的意见，再慢一些是与三到十个客户交流。我经常在咖啡店或酒店大堂与陌生人交谈，获取产品反馈。这种方式虽然不正式，但能快速提供有价值的见解。更慢但更精确的方法包括A/B测试，但关键不仅是用数据选择产品A或B，还要通过数据更新自己的心智模型，提升未来决策的质量。

最后，深入理解AI技术能显著提高速度。与成熟技术（如移动应用）不同，AI是新兴技术，相关知识尚未广泛扩散。了解AI的团队在竞争中具有优势。例如，选择正确的AI架构可能让问题在几天内解决，而错误的选择可能浪费数月时间。AI工具（如提示、代理工作流程、嵌入式模型等）就像乐高积木，组合这些积木能快速构建前所未有的应用。学习这些工具就像收集更多积木，能以指数级的方式创造更多可能性。

总之，初创公司的成功与执行速度高度相关。具体的想法、AI编码辅助、快速用户反馈以及深入理解AI技术都能显著提升速度。我鼓励大家专注于构建用户喜爱的产品，并沿途解决其他问题。谢谢大家！

问答环节

问题1：随着AI的进步，人类是应该专注于开发工具，还是更好地学习如何使用这些工具，以在智能化普及的世界中保持 essential？

我认为AI被过度炒作了。未来很长一段时间，人类能做的事情AI无法做到。最有影响力的人将是那些能让计算机精确执行自己意图的人。学会使用AI工具比开发工具更重要，因为已经有很多现成的工具可供使用。懂得如何利用AI的人将比不了解AI的人更具竞争力。

问题2：关于计算的未来，随着AI越来越强大，你如何看待计算设施的发展，比如将GPU送入太空或核能数据中心？

过去两年，一些公司为了宣传或融资目的夸大了AI的某些方面。例如，“AI可能导致人类灭绝”或“AI将让所有人失业”这样的叙述是夸张的，目的是让某些公司看起来更强大。关于“需要核能支持AI”或“GPU必须送入太空”的说法也是不准确的。我们在地面上仍有大量空间运行GPU。重要的是要警惕这些被放大的叙述，它们往往是为了商业利益而非技术现实。

问题3：有哪些被过度炒作的AI叙述或偏见，我们应该避免以保持更现实的视角？

最危险的叙述之一是AI的“危险性”被夸大。AI是一个强大的工具，就像电力一样，可以用于有益或有害的目的。安全性不是技术的属性，而是应用方式的属性。我更倾向于讨论“负责任的AI”，而不是“AI安全”。一些媒体报道夸大了实验室中的极端案例，误导公众。此外，某些公司利用“AI危险”的叙述推动监管，限制开源软件的发展，这对创新不利。我们需要保护开源模型，确保知识扩散，让更多人能够负责任地创新。

问题4：作为有志于创业的人，在一个任何产品都可能被迅速复制的AI世界中，我们应该如何思考商业模式？

创业时，最重要的是构建用户喜爱的产品。市场渠道、竞争对手和技术壁垒都很重要，但首要任务是解决用户需求。产品壁垒可能被高估，许多公司从优秀产品起步，逐渐建立壁垒。消费品品牌可能通过用户忠诚度获得防御力，而企业产品则可能通过独特的分发渠道获得优势。在应用层，仍有大量未被开发的机会，专注于创造用户喜爱的产品是关键。

问题5：AI工具像积木一样可以累积构建，但目前AI工具的集成面临动态问题（如令牌成本和时间开销）。你如何看待未来AI代理的累积效应？

对于令牌成本，我的建议是不要过早担心，除非你的产品被大量用户使用，导致成本成为问题。在这种情况下，可以通过优化提示、微调或使用更高效的模型来降低成本。AI代理工作流程正在整合多种步骤，例如客户服务聊天机器人可能结合提示、优化、知识检索等。我建议设计软件时保留灵活性，以便在不同模型或供应商之间切换，这样可以快速采用更优的模型，保持竞争力。

问题6：在教育领域，AI有两个主要方向：一是提高教师生产力（如自动化评分），二是为每个学生提供个性化导师。你认为这两个方向如何融合，未来五年教育会如何变化？

教育领域的变革正在发生，但尚未完全成熟。AI正在通过工具如Coursera的Coach或语言学习应用（如Duolingo）实现个性化教育。关键在于将复杂的教学工作流程映射到AI代理工作流程中。目前有大量实验，但最终形态尚不清楚。我认为教育将变得高度个性化，但具体实现方式（例如是文本聊天机器人还是其他形式）仍在探索中。未来十年，我们将继续优化这些工作流程。

问题7：AI有巨大的潜力，但也可能加剧经济不平等。作为AI开发者，我们如何平衡产品开发与潜在的社会负面影响？

核心在于评估你的产品是否真正让人们的生活更好。如果不是，就不要做。AI Fund曾因伦理原因终止了多个经济上可行的项目。我们需要确保AI赋能所有人，例如让非技术岗位（如营销）通过学习AI和编码提高生产力。让每个人都能掌握AI工具是减少不平等的重要一步。

问题8：随着AI的普及，其实际能力与公众认知之间存在差距。是否需要向公众普及AI知识？

普及AI知识非常重要。我们希望赋能每个人使用AI。移动生态系统中，Android和iOS的“看门人”角色限制了创新。类似地，一些公司试图通过夸大AI危险来推动监管，限制开源模型的发展。这会阻碍知识扩散，限制初创公司的创新。我们需要保护开源社区，确保AI知识广泛传播，让更多人能够负责任地使用AI。

感谢大家！

演讲者简介：

Andrew Ng（吴恩达）是一位全球知名的计算机科学家、人工智能（AI）领域专家和企业家，以其在机器学习、深度学习和在线教育方面的贡献而闻名。以下是关于他的简要介绍：

基本信息
- 姓名：吴恩达（Andrew Yan-Tak Ng）
- 出生：1976年，出生于英国伦敦，成长于香港和新加坡，拥有华裔背景。
- 职业：AI研究者、斯坦福大学兼职教授、企业家、在线教育先驱。

主要成就
1. 学术贡献：
   - 斯坦福大学：担任斯坦福大学计算机科学系兼职教授，领导斯坦福人工智能实验室（SAIL）的研究工作。
   - 机器学习与深度学习：Ng是机器学习领域的先驱之一，特别是在神经网络和深度学习技术方面。他的研究为现代AI的发展奠定了基础，包括图像识别、自然语言处理等领域的突破。
   - 他开发了大规模机器学习算法，尤其在稀疏数据处理和在线学习算法上有重要贡献。

2. 在线教育：
   - Coursera联合创始人：2012年，Ng与Daphne Koller共同创立了在线教育平台Coursera，提供了全球知名的机器学习课程（Stanford Machine Learning Course），吸引了数百万学习者。
   - DeepLearning.AI：他创立了DeepLearning.AI，专注于提供AI和深度学习的在线课程，普及AI教育。

3. 企业与创业：
   - Google Brain：Ng在谷歌领导了Google Brain项目，推动了深度学习技术在谷歌产品（如语音识别和图像搜索）中的应用。他领导的团队开发了“猫识别”神经网络，展示了深度学习的强大潜力。
   - 百度AI：2014年至2017年，Ng担任百度首席科学家，领导百度AI研究，特别是在自动驾驶和语音识别领域。
   - Landing AI：他创立了Landing AI，专注于为企业提供AI解决方案，帮助传统行业（如制造业）实现智能化转型。
   - AI Fund：Ng创立了AI Fund，投资和孵化AI初创企业，加速AI技术的商业化应用。

4. 演讲与影响力：
   - Ng经常在全球AI会议、大学和企业活动中发表演讲，如Y Combinator AI Startup School（2025年6月17日，旧金山，主题为“Building Faster with AI”）。
   - 他通过TED、NeurIPS、以及X平台等分享AI的现状与未来，强调实用AI工具和负责任的AI开发。
   - 他的演讲主题涵盖AI的商业化、深度学习应用、在线教育等，深受学生、创业者和行业人士的欢迎。

个人特点
- 教育理念：Ng致力于让AI和编程教育普及化，主张“AI for Everyone”，通过简洁的教学方式让非技术背景的人也能理解AI。
- 技术哲学：他认为AI是类似电力的通用技术，强调实用性和快速执行，而非过分追求通用人工智能（AGI）的炒作。
- 公众形象：Ng以清晰的表达和深入浅出的教学风格著称，被认为是AI领域的思想领袖之一。

相关资源
- 课程：可在Coursera（coursera.org）或DeepLearning.AI（deeplearning.ai）上找到他的机器学习和AI课程。
- 社交媒体：关注他的X账号（@AndrewYNg）或LinkedIn（linkedin.com/in/andrewyng/）获取最新动态。
- 演讲：如你之前提到的，他在Y Combinator AI Startup School的演讲可在Y Combinator官网（ycombinator.com）或YouTube上观看。

演讲地点
地点：美国，旧金山（San Francisco, CA）
事件：Y Combinator AI Startup School 2025
日期：2025年6月17日

演讲内容概述
这场演讲由Andrew Ng在Y Combinator主办的AI Startup School活动中发表，吸引了约2500名计算机科学、机器学习及相关领域的学生和专业人士。以下是演讲的核心要点：

主题：快速构建AI初创企业
Andrew Ng分享了他在AI Fund（一家每月平均孵化一家初创企业的风险工作室）学到的经验教训，强调执行速度是初创企业成功的关键预测因素。
他讨论了如何利用AI技术（如AI编码助手）加速产品开发，以及快速获取用户反馈的重要性。

AI工具的实用性
Ng认为，人工智能通用智能（AGI）的炒作被过分夸大了。他指出：“AGI被过分炒作了。很长一段时间内，人类能做的事情AI无法做到。”
他建议，与其追逐AGI的遥远目标，不如专注于掌握现有AI工具。那些能够熟练使用AI让计算机完成特定任务的人将更具竞争力。

AI与电力的类比
Ng将AI比作电力，强调其本身是中立的工具，效果取决于应用方式：“AI既不安全也不危险，关键在于如何使用它。”
他呼吁开发者关注实际问题，构建解决现实需求的实用产品，同时注重负责任的AI开发。

具体建议
明确性优于模糊性：在产品开发中，具体的想法比模糊的概念更易于快速实现。
快速工程：利用AI编码助手加速开发过程。
用户反馈：快速迭代产品，基于用户反馈优化功能。
他还建议每个人学习编程，因为理解AI技术对创业至关重要。

关于AGI和计算未来的讨论
在问答环节，Ng回应了关于AI代币成本和计算未来的问题。他建议初创企业不要过分担心代币成本，除非用户量极大。
对于计算资源的未来，他提到了一些夸张的说法（如将GPU送入太空或核能数据中心），但认为这些更多是宣传噱头，真正的重点是优化现有资源。