吴恩达深度洞察：AI未来动力源于多元路径与自主智能体革命

核心洞察：

• AI的进步不再单一依赖“规模扩张”，未来驱动力将来自模型架构扩展、自主工作流优化、多模态融合及新技术应用，呈现多元化发展路径。
• 吴恩达强调，自主人工智能落地的最大瓶颈并非技术本身，而是缺乏精通误差分析、评估驱动开发的工程人才和系统化能力。
• 当前经济价值最显著、技术最成熟的自主AI应用是AI编程助手（如Claude Code）与通用问答系统（如ChatGPT），它们已实现大规模生产力提升。
• 在AI快速变革时代，拥有深度技术直觉和理解力的创始人，相较于仅具商业背景的创业者，更具战略优势和适应力。
• 卓越产品人才的核心在于出色的客户共情能力，能整合多维信息构建精准用户心智模型，并据此高效决策。
• 未来几年，AI将彻底重塑所有职能的工作方式，善用AI工具的个人和团队将释放远超想象的生产力与创新潜能。

著名学者、斯坦福大学教授吴恩达（Andrew Ng）近期做客投资播客《No Priors》，深度分享了其对人工智能能力未来演进方向的独到见解。

作为AI领域的先驱，吴恩达曾联合创立谷歌大脑、在线教育平台Coursera及风险投资机构AI Fund。他近期提出“自主人工智能（Agentic AI）”概念，并加入亚马逊董事会，引发行业广泛关注。

在最新访谈中，吴恩达指出，AI的进步将得益于模型扩展、自主工作流、多模态模型及创新技术应用等多重路径协同，而非单一依赖规模增长。他认为当前智能体落地的关键障碍不是技术瓶颈，而是缺乏擅长误差分析和评估的工程人才。

他还强调，AI正重塑创业范式：工程效率的飞跃使产品管理成为新瓶颈，而对技术拥有深度直觉的“技术型创始人”正重获竞争优势。

展望未来，吴恩达认为擅长运用AI工具的个体与团队将释放前所未有的潜力，深刻变革各行各业的工作模式。

以下为吴恩达专访精华内容梳理：

01 AI 演进的多维路径：超越规模依赖

问：您的研究领域非常广泛，我们不妨从核心问题开始：展望未来，AI能力的提升将主要来源于哪些方面？是更大的模型规模，还是更高效的数据处理？

吴恩达：未来的进展不会仅来自单一方向，而是多维度共同推动。规模扩展这条路虽仍有潜力，但比以往更具挑战。当前社会对AI的认知，很大程度上受少数公关能力强的公司影响，导致一提到AI进步，大众首先想到“规模”。

但事实上，突破也可能来自其他维度。例如自主工作流的设计、多模态模型的整合方式，以及各类应用场景的探索，都有广阔空间。此外，像扩散模型这类新技术，最初用于图像生成，未来或可拓展至文本生成等领域。因此，人工智能的发展必将依赖多元路径并行。

问：您最早提出“自主人工智能”（Agentic AI）这一术语，当时是基于怎样的思考？

吴恩达：决定使用“自主人工智能”时，该词尚未流行，我的团队曾建议避免创造新词。但我坚持使用，没想到它后来成为热点。我提出这个概念，是因为几年前行业常陷入定义争论：“这是智能体吗？那不算吧？”

在我看来，智能体是一个连续谱系：有些自主性极强，能进行规划、多步推理和复杂任务；有些则依赖人工提示，自主性较弱。与其纠结定义，不如承认不同系统都具有一定智能体特性，只是程度不同。这样才能聚焦研发。

于是我开始推广“自主人工智能”一词。但出乎意料的是，几个月后，营销人员迅速炒作这一标签，导致概念快速传播。市场炒作节奏远快于实际业务进展，但真正的技术演进仍在持续。

问：您认为目前实现真正智能体应用的最大障碍是什么？

吴恩达：从技术组件看，确实有需提升的环节。例如“计算机使用”能力在某些场景成功率仍不高；护栏机制和评估体系如何高效系统化，也是重大挑战。

然而，我认为最大障碍是人才短缺。许多团队的差异不在技术栈，而在于能否实施评估驱动的误差分析。成熟团队会拆解问题，分析有效与无效点，针对性改进；经验不足的团队则往往随机尝试，进展缓慢。

现实中，大量企业工作流可由智能体自动化，但缺乏具备相应技能的人才和工具，难以工程化。构建智能体工作流常需整合外部知识，这些知识多存在于人脑中。除非未来出现能“采访”员工或“观察”屏幕的AI，否则短期内仍需人类工程师深度参与。

问：所以当前更现实的路径仍是依靠人工收集数据、建立反馈闭环等。还有其他挑战吗？

吴恩达：是的。例如，许多公司有标准流程：客户文件需转为文本；为合规进行网络检索验证供应商；查询数据库确认价格；最终归档。这就是典型的多状态智能体工作流，可视为下一代RPA（机器人流程自动化）。

但问题在于，流程出错可能带来严重后果。例如发票日期提取错误？验证请求发错人？上线初期很难完美，哪些错误对业务影响最大？比如：“是否频繁打扰CEO？哪些验证需他亲自处理？”这些判断需有经验的产品经理或工程师把关。未来智能体或能独立处理，但目前仍相当困难。

问：但这些知识既不存在于互联网预训练数据中，也难以从手册自动提取。

吴恩达：确实。构建智能体工作流高度依赖专有数据，而非通用知识。这使得过程复杂且常令人头疼，但也意味着真正机遇。正因如此，我认为这仍是值得投入、前景广阔的工作。

02 迈向“自举”：AI自我进化的双轨路径

问：在自主人工智能范围内，您目前见过的最佳示例是什么？

吴恩达：这一领域，一些AI编程助手令我印象深刻。从经济价值看，两条路径尤为突出：一是问答型应用，如OpenAI的ChatGPT，已成为市场领导者，展现高速增长；二是编程辅助代理。

我个人最欣赏Claude Code。它在规划上展现强自主性，能理解目标软件，生成任务清单并逐步执行。这种多步规划与落实能力，使其成为目前真正可投入使用的自主代理之一。

当然，有些方向尚不成熟，如某些“计算机使用”场景（在线购物、网页浏览等）。这些应用演示效果佳，但距离大规模生产还有差距。

问：您认为造成这种差异的原因是什么？是因任务标准模糊、操作变数大？还是编程场景有更好训练集或清晰输出规范？

吴恩达：我认为主因有二：一方面，工程师擅长驱动复杂系统运转；另一方面，编程助手的经济价值极其直接和巨大。这吸引许多聪明人投身其中，他们既是用户，又对产品有天然直觉，从而加速了这一方向的发展。

问：您认为模型何时能有效实现“自举”（bootstrapping）？例如，让编码代理自行编写模型代码？

吴恩达：我们正逐步接近这一目标。事实上，一些领先的基础模型公司已公开表示，他们大量使用AI辅助编写代码。

另一同样兴奋的方向是：利用智能体工作流为下一代模型生成训练数据。例如Llama研究论文提到，旧版Llama可通过“长时间思考”生成复杂题目，再用这些题目训练新版Llama更快解决。这种思路极富启发性。这再次表明，AI进步从来不是单一路径，而是由众多聪明人从不同角度共同推进。

问：我记得您之前不太认同“氛围编程”（vibe coding）说法，更倾向“AI辅助编程”。两者区别何在？

吴恩达：是的。“氛围编程”听起来像轻松接受所有AI修改建议。有时这能奏效，但远非全貌。实际上，当我花半天或一整天编程时，那是高度消耗脑力的深度工作。坦白说，用AI辅助编程一整天后，我常感到疲惫。

因此，我更喜欢称之为“快速工程”。AI确实能帮助我们以远超以往的速度构建严肃系统、开发成熟产品，但本质上，它仍是扎实的工程工作——只是效率极大提升。

03 AI效率革命：两人加周末堪比六工程师三月之功

问：您认为这是否正改变创业公司的本质？例如团队规模、产品构建方式、流程设计？还是基本方法未变，只是工具更强、效率更高？

吴恩达：从我参与创业和观察行业的经验看，快速工程和AI辅助编程确实在改变公司构建方式，这非常令人兴奋。过去需六名工程师三个月完成的任务，现在我和一个朋友一个周末就能实现。

但有趣的是，真正变化的不仅是开发效率。传统创业节奏是：先开发软件，再由产品经理用户测试，根据直觉或数据改进。如今，编码速度和成本大幅下降，反而使瓶颈越来越集中于产品管理环节。

换句话说，我们能更快实现想法，但难点在于该构建什么。以前，原型需三周制作，再加一周用户反馈，节奏尚可；现在一天就能出原型，等一周反馈则太慢。于是我发现，团队越来越依赖直觉决策。当然，我们仍会收集大量数据完善市场理解，但更关键的是对客户有深刻共情，才能在高速迭代中正确选择。

问：您是否见过能部分自动化产品管理环节的工具？我知道有些人正尝试用AI机器人模拟实时用户反应，甚至构建模拟市场或用户群体。

吴恩达：确实有探索方向。例如Figma在IPO过程中展示了设计工具在产品开发中的巨大价值；也有人尝试用AI辅助用户访谈，或用智能体群体模拟用户行为。已有学术论文研究如何校准这类模拟系统。

这些前景广阔，但目前仍处早期阶段。总体看，这些工具对产品经理的帮助，远不及编程工具对工程师的加速效果显著。因此，产品管理现已成为创业公司最突出的瓶颈。

04 AI时代理想创始人：技术直觉与产品领导力并重

问：随时间推移，您认为“理想创始人”形象是否发生变化？

吴恩达：在我看来，2022年通用的许多方法，到2025年可能已行不通。所以我常自省：我们现在做的事，有多少仍沿用2022年方式？若答案“很多”，则需仔细审视其适用性。事实上，许多2020年工作流程放到今天已完全过时，因技术演进太快。

从当前趋势看，我认为具备生成式AI技术能力的创始人——即技术驱动且拥有产品领导力者——比纯商业背景、对AI技术缺乏敏感度的创业者更易成功。除非你对AI“能做什么、不能做什么”有清晰直觉，否则难定有效战略，更难把握公司未来方向。

问：这有点像回归老派硅谷风格。看看比尔·盖茨、乔布斯和沃兹尼亚克，或半导体和早期互联网时代的先驱——他们本身都是技术极客。我感觉我们曾一度丢失这种特质，但现在很明显，科技公司仍需技术型领导者。

吴恩达：过去我们可能更看重创业者履历，如“这位创始人已有一次甚至两次成功退出，那就再支持一次”。但在技术剧烈变革时期——AI是今天变化最快的变量——真正优势来自对技术本身的深刻理解。

以移动技术类比：如今每个人都清楚手机能做什么、不能做什么，什么是移动应用、GPS功能……大家都心里有数。所以你不需是技术专家，也能判断“能否基于此开发App”。但AI发展节奏快得多：语音应用现做到哪步？AI工程流程演进到何程度？基础模型与推理模型差异是什么？——掌握这些知识，在今天就是巨大差异化优势。这种优势，远比当年“懂移动应用”关键。

问：在您看来，成功创始人还有哪些非常重要的共同特征？

吴恩达：我自己是非常努力工作的人。过去很长时间，我常鼓励渴望有所成就、产生影响的人全力以赴拼搏。不过，现在在某些语境下，公开说“努力工作可能与成功有关”，甚至被视为不够“政治正确”。但我认为我们必须面对现实。

当然，我理解并非每个人在生命每个阶段都有条件拼命工作。例如我孩子刚出生那一周，我就未能全力以赴，这很正常。但不可否认，努力工作确实能让你完成更多事情。

问：创业本质是反常规之事——你试图短时间内创造巨大价值、影响很多人。当你选择做这样反常规的事，可能就不得不非常努力。我觉得，那种为推动世界进步而全力以赴的工作伦理，在今天似乎正被淡忘。

吴恩达：是的。有句话说得好——虽然我记不清谁说的了：“只有那些疯狂到以为自己能改变世界的人，才能真正改变世界。”我们需要有胆识、有信念的人站出来，对自己说：“这是世界现状，而我要尝试改变它。”我认为只有怀抱这种信念的人，才可能真正做到。

我观察到两类创业者都可能成功：一类是真心希望自己的企业能赢，这很好，其中不少人确实做到了；另一类则是真心希望客户能赢——他们执着于服务客户，甚至痴迷于此，最终也往往能走向成功。在Coursera早期，我常言：我知道市场竞争无处不在，但驱动我大多数决策的，不是竞争，而是对学习者的痴迷。

问：“竞争”不一定指与其他公司对抗，有时也需与自己设定的目标、指标或渴望做到极致之事去“竞争”。

吴恩达：确实如此。在创业环境中，你每天要做大量决策，而大多时候只能依靠直觉。打造初创公司，更像是打网球，而非解微积分题——你没有时间慢慢推演，必须即时反应。

正因如此，创业者需时刻想着用户、想着产品，不断沉浸思考，才能积累概念认知。当有人问“我该先做功能A还是功能B”时，往往只能凭直觉决定。这不代表直觉永远正确，但正如亚马逊创始人杰夫·贝佐斯所说，创业公司中很多决定都是“双向门”——哪怕做错，也能很快调整，成本不高。

所以关键是要快速、果断行动。而做到这一点，通常需要对用户或技术保持近乎痴迷的沉浸状态。正是这种执着，让你在大多时候做出既快又准的判断。

吴恩达：我不认为优秀产品人才只有几百个，就像我也不信优秀AI人才只有几百个一样。但我确实发现，真正具备用户共情能力的人非常少见。

理解用户不只是做问卷或访谈，还需整合多渠道信息：调研、深度访谈、市场报告、竞品分析……更难的是，在掌握这些数据后，还能跳出惯性思维，为理想用户构建清晰心理模型——理解他们如何思考、如何行为——并据此快速做出能真正服务他们的产品决策。这种深度同理心，既关键又稀缺。

我在职业生涯早期就犯过一个错误：当时尝试把一些优秀工程师转型为产品经理，还专门做了培训。但结果是，我既未培养出优秀产品经理，反而让一批工程师因“不擅长做产品”而沮丧。这让我意识到：能否成为出色产品人才，并不取决于是否聪明、是否懂工程，而在于是否具备真正的人类同理心。只有能整合多方信息，并能站在用户角度思考的人，才可能做出优秀产品决策。

05 “直觉”胜过“调研”：AI创业公司的产品哲学

问：事实证明，创业公司优势之一是在早期阶段可专注于单一用户画像。即便只围绕一个理想“虚拟用户”构建产品，只要这画像足够贴近广泛需求，就能走得很远。但如果你是谷歌，就必须考虑极其多样化用户群体，决策复杂性大幅增加。

无论是Cursor、Claude Code还是其他团队，若他们对目标用户理解足够深入，且内部形成共识，那么依靠直觉和共情推动产品，反而可能更有效。

吴恩达：确实，创业公司早期可聚焦单一用户画像。即使仅围绕一个理想“虚拟用户”构建产品，只要画像贴近广泛需求，就能走远。但像谷歌这样的大公司，必须考虑多样化用户，决策复杂性剧增。

无论是Cursor、Claude Code还是其他团队，若对目标用户有深度理解且内部共识强，那么依赖直觉和共情推动产品，效率可能更高。

问：我注意到一个现象，整个行业的基础能力一直在快速变化。同时，在那些已明确重要性、参与者众多的领域，竞争也变得异常激烈。这导致上一代在企业中表现卓越的领导者，被招募到快速扩张公司时，未必能发挥同样作用——因对速度和适应变化的要求完全不同。

吴恩达：这对很多人确实是挑战。我认识许多不同职能的优秀领导者，他们仍在沿用2022年工作方式。但时代已变。想象一下，如果在互联网刚普及时，有人完全不懂网络搜索，我们肯定不会雇佣他——今天也一样。对于绝大多数岗位，若你不能有效使用开放模型（OM）等AI工具，你的效率就会落后于善用技术者。

在我的团队中，每个人都会编程，每个人都有GitHub账户。我的助理总法律顾问、首席财务官，甚至前台接待员，他们都学了编程——虽然不是要成为软件工程师，但通过学习计算机语言，他们能更精准地告诉计算机该做什么，从而在自己职能上变得更高效。快速变化确实让很多人不安，但当世界以此速度前进时，我们必须同步改变自己。

问：我确实看到类似趋势，尤其是在产品和设计招聘中。我参与的一家较成熟AI公司，在招聘产品和设计负责人时，明确要求求职者必须熟悉AI辅助编程工具。他们的观点是：如果你连快速原型都做不出来，无法直观展示产品运作方式，那就会浪费大量时间在需求文档和反复讨论上。所以整个产品开发流程——甚至产品推介方式——都在发生根本变化。

吴恩达：我最近面试工程师时也遇到类似情况。一位有十年经验的全栈工程师简历很漂亮，但几乎没用过AI工具；另一位应届毕业生却非常熟悉AI。最终我选择了后者，因AI工具能显著提升他的效率——事实证明这个决定非常正确。

当然，我现在共事的出色工程师中，也有经验超十年、同时精通AI工具的人，他们真正成为“自成一级”的顶尖人才。我觉得软件工程其实是其他职能未来的前兆——因这里工具进化最快。

问：说到这，让我想起Harvey（一家AI法律科技公司）。我领投了他们的B轮，当时做客户调研时发现特别有意思的事：法律界本以抗拒新技术著称，历史上成功的法律科技公司也不多。但我访谈的那些大律所客户，尤其是深度使用Harvey的，都一致认为“这就是未来”，AI将彻底改变法律行业。他们最关心的问题反而是：如果AI普及了，我以后只需要10个律师助理而不是100个，那未来合伙人晋升路径该怎么设计？我觉得这种思维转变非常值得关注——AI正缓慢而坚定地渗透进各行业，迫使人们重新思考业务的每个环节。这过程可能需要十年、二十年，但最早拥抱垂直领域AI的人，已走在了前面。

吴恩达：这确实非常有意思。我之前参与过另一家法律AI初创公司Catalyst，也发展得很好。未来工作性质注定会发生巨变。

很多团队选择外包是出于成本考虑，但我有时会想：一个规模小但高度熟练、善用AI工具的团队，会不会比人数更多、成本更低但技术落后的团队更有竞争力？我见过一些效率极高的团队，恰恰是人数极少、但成员水平极高、AI工具用得娴熟、协作极其流畅的组合。世界如何演变，现在下定论为时过早，但我们已可隐约看到一些可能方向。

问：你觉得你的公司未来也会保持这么小的规模吗？从效率角度说，真的能用10人、50人甚至100人的团队，去影响百万、千万甚至上亿的用户吗？

吴恩达：我认为现在的团队确实可以比过去更小，但问题在于：我们到底是投资不足，还是投资恰到好处？就像你刚才说的，还要看市场动态。如果这是一个赢家通吃的市场，那激励机制就完全不同了……

问：我记得《Minecraft》被卖给微软时只有50多人？但它服务着亿万用户，卖出了数十亿美元。人们总是容易忘记这些例子。事实上，以前你也可以用很少的人做很多事情，但如今AI让这变得更可行。真正问题是：你在人力上有多少杠杆？分发效率如何？哪些环节真正需要投入资金？而我越来越觉得，小团队能高效利用AI的一个原因正是：小团队本来就更灵活。你没有雇30个冗余的人来增加沟通成本。看看很多大型科技公司，其实不少团队砍掉70%的人，效率反而可能更高。

所以我觉得大家有时忽略了两个事实：第一，AI确实带来了效率革命；第二，高价值人才正在流向以前他们不会考虑的领域。法律行业就是很好例子——以前优秀的工程师谁愿意去律所工作？但现在像Harvey这样的公司改变了这一切。医疗行业也是，突然之间，顶尖人才开始涌入。但另一方面，我们也必须承认：小团队往往天然更高效。AI只是给“保持精简、高效运作”提供了更多理由。

吴恩达：我觉得这又回到了“AI直觉”为什么如此重要的话题。前几周，我和两位团队成员分别谈了两次。一个人来找我说：“我想做这件事，能给我加人吗？”我说：“不能。”那周晚些时候，另一个人又提出：“能给我一些预算用AI来做这件事吗？”我说：“当然可以。”这种意识差异很关键——一类在想“要人”，另一类在想“用AI”。你必须建立起这种直觉。

06 天才创业者的“最后短板”：如何补足那关键的20%？

问：在您看来，接下来哪些领域会迎来爆发？或者您希望看到哪些方向取得突破？其实我更希望您能系统性地梳理一下，对于这类机会，您会按什么优先级布局。

吴恩达：有件事我觉得很有意思：经济学家做了很多研究，试图预测哪些工作最易受AI冲击。虽然这些研究未必完全可靠，但我有时会从中获得灵感，甚至据此探索值得推进的项目。

我从实践中学到的一点是：单纯依赖自上而下的市场分析，往往会得出“AI会优先颠覆高价值领域”的结论。但现实是，有些方向没人尝试，只是因为技术太新。在AI Fund，我们极度强调速度——我一向痴迷于“快”，而现在手里有了比以往更强大的工具，就更要行动迅速。因此，我们特别偏好具体的想法。

如果有人对我说：“AI会改变医疗保健”，听起来没错，但我很难判断该怎么落地。但如果一位专家提出：“医疗保健运营中的某个环节这样运作，我觉得可以从这里切入……”——哪怕我不确定这个主意能否成功，但至少它很具体，可以立刻验证用户痛点和技术可行性，然后快速行动。所以在筛选创意时，我们会跳过那些不够具体的设想。

问：您觉得像您这样的投资机构或孵化工作室，两年后哪些工作不会再手动做了？或者说，哪些环节会彻底自动化？

吴恩达：确实有很多环节可以自动化，但问题是：哪些应该被自动化？比如我们不会让AI完全替代后续融资决策，因为投资组合里有几十家公司，这样做既不现实，也没必要。但一些具体任务很适合自动化，比如针对单个公司的深度研究、竞争分析。我个人也常用AI工具来做市场调研。

还有有限合伙人（LP）报告，那是标准的文书工作重灾区，绝对应该简化。

不过，即使模型越来越聪明，人类在某些方面仍有巨大优势——尤其是那些AI暂时无法获取的“背景信息”。比如与创始人见面时，感受他们的领导力、沟通方式、人格特质……这些或许未来可以通过视频分析部分捕捉，但现在还很难。人类还会通过一次随意的聊天得到关键信息，这种“无意中的收获”是AI暂时做不到的。

问：我注意到越来越多技术背景深厚的人开始尝试首次创业。您觉得该如何帮助他们补齐短板？

吴恩达：这是我很关心的问题。我常想：当一位创始人已经具备80%的优秀素质时，我们能不能帮他补上最后关键的一小部分？

您说的两点我很认同：第一，构建一个同侪社群，让他们和背景相似、但比自己领先一两步的人交流；第二，互补性招聘。在职业早期，人们往往想补齐短板，但到后期会更专注于长处，把其他事交给擅长的人去做。就像比尔·盖茨曾说，他从COO身上学到最多——公司成长到一定规模，就需要寻找合适的合作伙伴。

问：但我始终觉得，学习最好的方式还是“动手去做”。哪怕搞砸也没关系，只要不危及公司生存。归根结底，问题是：你有客户吗？你在认真做产品吗？

吴恩达：我同意。创业的核心还是：你是否真正做出了用户喜欢的产品。推广、运营固然重要，但产品始终是第一位的。只要产品足够好，其他问题通常都能解决。

问：如果你们投资的就是这群“技术极强但其他方面有短板”的首次创业者，你们具体会怎么辅助他们？

吴恩达：这是我们一直在探索的。在Venture Studios，我们做了大量可复用的工作。我们发现，即便是连续创业者，一生中也只创业过一两次。所以我们分享的很多直觉其实非常宝贵，比如如何更快获取用户反馈？是否跟上了最新技术趋势？如何加速进程？怎么融资？——大多数人一辈子也融不了几次资。

哪怕最优秀的创始人，也能从我们的经验中受益。再加上您之前说的组建社群、招募互补团队……我觉得我们能做的还有很多。事实上，再优秀的创始人也需要帮助。希望风险投资机构能真正帮到他们。

问：您认为未来5年，AI将对各行各业带来怎样的影响？您觉得大多数人是否低估了它的潜力？

吴恩达：我认为几年后，许多人会比今天拥有大得多的能力和能量。拥抱AI的个人所释放的潜力，可能会远超他们现在的想象。两年前，谁能料到软件工程师的效率能提到今天这么高？

未来，AI也会深刻改变每个人的工作职能。我相信，善用AI的人将变得无比强大、无比高效，甚至超出他们自己的预期。