从代码生成到企业转型：Andrew Ng谈AI发展的多元路径与实践智慧

在AI快速发展的当下，很多人仍然被"规模优先"的叙事所主导，认为更大的模型、更多的数据就是AI进步的唯一途径。然而，在这次与"AI教父"Andrew Ng的深度对话中，我们看到了一个更加多元化、更加务实的AI发展图景。从他创造的"agentic AI"概念到对未来工作模式的思考，Ng的洞察为我们揭示了AI技术发展和应用的真实复杂性。

打破规模迷思：AI进步的多元路径

当谈到AI的未来发展方向时，Ng首先挑战了一个流行的观点。他指出，社会对AI的认知很大程度上被少数拥有强大PR能力的公司所塑造，这些公司推动了"规模优先"的叙事，让人们认为扩大模型规模是AI进步的主要途径。

"但我认为，agentic工作流、多模态模型的构建方式、具体应用的开发等，都有很多工作要做。AI进步有多个向量，还有一些通配符，比如全新的技术。"Ng表示。他举了一个具体的例子："扩散模型主要用于生成图像，但它们也能用于生成文本吗？这很令人兴奋。"

这种多元化的发展路径观点具有重要意义。它提醒我们，AI的突破不仅仅来自于计算资源的堆积，更来自于算法创新、应用场景的深度挖掘和工程实践的优化。扩散模型从图像生成到文本生成的跨领域应用尝试就是这种创新思维的典型体现。

"Agentic AI"：从概念到现实的演进

Ng在访谈中详细阐述了他创造"agentic AI"这个术语的思考过程。起初，他的团队对这个新术语并不买账，甚至有人说"世界不需要你再创造一个新词"。但Ng坚持使用这个概念，因为他观察到人们在无休止地争论"什么是agent"这个问题。

"我感觉有很多好的工作，存在一个agency程度的谱系，有高度自主的agents可以规划、采取多步骤推理、自主完成很多事情。也有较低程度的agency，我们通过提示来影响输出。"

这种"程度谱系"的思维方式值得深思。它避免了二元化的思考陷阱，承认了AI系统在自主性方面的连续性。Ng指出，虽然这个术语后来被营销人员过度使用，"几个月后，一堆营销人员拿到这个术语，把它当作贴纸贴到所有能看到的东西上"，但真正的商业进展仍在稳步推进，只是可能没有营销宣传那么快。

这对于AI产品的设计和评估具有指导意义——我们应该根据具体场景来设计合适程度的自主性，而不是盲目追求完全自主的系统。

"氛围编程"的误解与现实挑战

在讨论AI编程时，Ng强烈反对"vibe coding"（氛围编程）这个概念，认为它严重误导了人们对AI辅助开发的理解。

"'氛围编程'让人们认为，你知道的，就像'我要跟着感觉走，接受它建议的所有更改'。有时你可以这样做，而且确实有效，但我希望事情真的那么简单。"Ng解释道，"当我编程一天或一个下午时，我不是在跟着感觉走。这是一个深度的智力练习。"

他用自己的体验来说明这一点："坦率地说，在使用AI辅助编程一天后，我在精神上是疲惫的。"他将此称为"快速工程"——AI让我们能够比以往更快地构建严肃的系统和产品，但本质上仍然是工程工作，只是速度大大加快了。

这个观点纠正了一个重要的认知误区。AI工具虽然提高了开发效率，但并没有降低工作的智力要求。相反，它要求开发者具备更高层次的抽象思维能力和产品判断力。

创业生态的深刻变革：从三个月到一天的原型开发

Ng观察到AI工具正在根本性地改变创业的核心循环。他用具体的时间对比来说明这种变化的剧烈程度：

"以前需要6个工程师团队花3个月时间构建的东西，现在我或我的朋友可以在一个周末完成。"这种开发速度的跃升带来了新的挑战："如果你之前需要三周构建原型，花一周时间获得用户反馈是可以接受的。但如果你现在能在一天内构建原型，还要等一周才能获得用户反馈，那就太痛苦了。"

这种变化产生了一个有趣的结果：产品管理成为了新的瓶颈。Ng发现他的团队越来越依赖直觉决策，"因为我们可以收集大量数据来构建我们大脑中关于用户需求的心理模型，然后我们通常必须具备深度的客户同理心，以便能够非常快速地做出产品决策。"

在AI Fund的实际操作中，这种变化催生了两个重要趋势：决策速度要求的提升和对技术导向创始人的偏好增强。

人才稀缺：系统性错误分析的关键

在讨论agentic AI实施的最大障碍时，Ng给出了一个具体而生动的例子来说明人才差距的本质。他描述了一个典型的多步骤工作流：

"客户给你发邮件附带文档，你要将文档转换为文本，然后可能做网络搜索检查合规问题，看看你是否在与不应该合作的供应商合作，然后查看数据库记录，确认定价正确，保存到其他地方，等等。"

当这样的多步骤agentic工作流出现问题时——比如发票日期错误、消息路由到错误的验证人员——关键问题是如何判断这些错误的重要性。"所有这些外部上下文知识，至少目前，我看到需要有思考能力的人类产品经理或人类工程师来思考这些问题并做出决策。"

Ng观察到最成功团队的共同特征："团队是否知道如何通过评估来驱动系统性的错误分析过程。你通过分析任何时刻什么在工作、什么不工作、需要改进什么来构建agents，而不是经验不足的团队那种更随意的尝试方式。"

这种系统性方法与临时性尝试的差别决定了项目成功与否，但这种能力的培养需要大量实践经验，无法通过简单的培训获得。

工作方式的根本重塑：小团队的AI优势

Ng对未来工作模式的预测基于他在AI Fund的实际经验。他描述了当前最高效团队的特征："一些我参与的最高效的团队现在是最小的团队——非常小的优秀工程师团队，配备大量AI赋能和极低的协调成本，大家都在一起办公。"

他举了一个招聘决策的例子来说明技能与工具使用能力之间的权衡。在面试一个研究工程师职位时，他对比了两个候选人：一个有10年经验的资深工程师和一个应届毕业生。"有10年经验的人几乎没有使用过AI工具。应届毕业生使用过，我的评估是使用AI的应届毕业生会更有生产力。"最终他选择了后者，事后证明是正确的决定。

但Ng也强调，最优秀的工程师仍然是那些既有丰富经验又掌握AI工具的人："与我合作的最好工程师不是应届毕业生。他们是有10年、15年或更多经验，同时也非常精通AI工具的人，这些工程师完全是另一个级别的。"

这种趋势如果成为现实，将意味着技能密度比团队规模更重要，协调成本成为效率的关键制约因素，持续学习能力变得至关重要。

技术领导力的回归：从移动时代到AI时代的对比

访谈中一个重要的观点是技术领导力的重要性回升。Ng通过对比移动互联网时代和当前AI时代来说明这种变化：

"以移动技术为例，每个人都大致知道手机能做什么和不能做什么，有GPS等等。每个人都大致了解这些，所以你不需要非常技术化就能有直觉判断能否为此构建移动应用。但AI变化如此迅速——语音应用能做什么？工程工作负载是什么？基础模型的发展速度如何？推理模型是什么？拥有这些知识是更大的差异化因素。"

他用具体例子支持了这个观点，指出最成功的移动应用创始人实际上都有技术背景："WhatsApp是由工程师创立的，Instagram是由工程师创立的，我认为Uber的Travis在技术上是相邻的...Instacart的Apoorva是Amazon的工程师。"

Ng认为，在当前快速变化的AI时代，技术导向的产品领导者比商业导向的领导者更有可能成功，"除非你对技术能做什么和不能做什么有很好的感觉，否则很难思考战略和公司领导方向。"

这种技术领导力的回归反映了一个更深层的趋势：在技术变革期，深度理解技术本质比掌握一般管理技巧更重要。

行业转型的渐进现实：从保守到拥抱变革的转折点

虽然AI的潜力巨大，但Ng对转型速度保持现实态度。他以Harvey（一家AI法律公司）为例，展示了即使最传统保守的行业也在发生深刻变化：

"Harvey的客户，那些大型律师事务所或已经在采用Harvey方面走得很远的人，他们都认为这是未来。他们都认为AI将对他们的垂直领域产生重要影响，主要担心的是，在AI普及的世界中，突然间我不再雇佣100名助理律师而只雇佣10名，我该如何思考未来的合伙人和晋升问题？"

这个例子说明了AI变革的两个重要特征：一是影响的深度（从100名助理减少到10名），二是组织需要重新思考传统的人才发展路径。法律行业作为出名保守的行业，其早期采用者已经开始考虑这些根本性变化，这预示着其他行业的类似转型。

Ng还提到AI Fund投资的另一家法律创业公司Casetext AI也表现良好，这进一步证实了即使在传统行业，技术变革的势头已经无法逆转。

这种渐进式的转型模式更符合现实——变革是深远的，但也是逐步展开的，给组织和个人提供了适应的时间窗口。

对未来的展望：个体能力的跃迁

在访谈的最后，Ng表达了他对AI未来影响的核心观点：

"我认为许多人在几年后将比今天更有能力、更强大。那些拥抱AI的人的个体能力可能远超大多数人的想象。"

他用软件工程师的例子来类比这种变化："两年前，谁会意识到当软件工程师拥抱AI时，他们会像今天这样高效？我认为未来，从事各种工作职能的人，以及个人任务，拥抱AI的人将比他们可能想象的更强大、更有能力。"

这个预测既乐观又现实。它承认了AI工具的变革性潜力，同时也强调了主动拥抱和学习的重要性。这提醒我们，AI不会自动让每个人变得更强大，只有那些积极学习和适应的人才能受益。

结语：务实主义者的AI洞察

Andrew Ng这次分享最有价值的地方在于，他既没有被AI炒作所迷惑，也没有陷入技术悲观主义的陷阱。作为一个亲历AI从学术研究走向商业应用全过程的从业者，他的观察具有难得的平衡性。

具体优于抽象。当很多人还在争论"AI将如何改变世界"这样宏大的命题时，Ng更关注"客户发来的发票如何自动处理"这样的具体问题。这种务实态度提醒我们，真正的技术价值往往体现在解决实际问题的能力上。

速度创造新约束。AI工具带来的最大变化可能不是让某些工作变得更容易，而是让整个工作流程的瓶颈发生转移。当编程可以在一天内完成时，产品判断力变得比编程技能更稀缺；当原型开发变得近乎即时时，理解用户需求的能力成为核心竞争力。

技能的重新定义。在Ng的描述中，未来的工作者需要的不是某种单一的专业技能，而是一种"与AI协作"的综合能力。这包括系统性思维、快速学习能力，以及最重要的——判断什么时候应该让AI来做，什么时候人类必须亲自上阵。

可操作的行动框架。 对于技术从业者而言，Ng的经验提供了一个清晰的行动框架：保持对技术发展的敏感度，但将注意力集中在具体的应用场景上；投资于那些在AI时代更加重要的能力（如系统化错误分析、快速决策），而不是试图与机器在它们擅长的任务上竞争。

这种务实主义的AI观或许不如"通用人工智能即将到来"那样令人兴奋，但它为我们提供了一个更可靠的导航系统，帮助我们在快速变化的技术环境中找到自己的位置。
 

视频链接：
https://youtu.be/SYisFbhR7xs?si=leKhsy6Am0RtyUZW
中英文对照：
https://www.bilibili.com/video/BV1z7eEzpEPs?vd_source=35a7ff0ebff5ae7940b554492012cb87