AI导致末日？失业？毁灭初创？超级耗电？GPU要上太空？ | 吴恩达YC演讲万字实录

7月11日，YC发布了著名人工智能科学家、AI Fund创始人吴恩达6月在 AI Startup School 的演讲，他断言，“最大的机会必然存在于应用层”，而非备受追捧的基础模型层。演讲总剖析了当前AI浪潮下的创业核心要素，还探讨了Agentic AI的崛起是当下最重要的技术趋势；创业成功的秘诀在于将模糊想法转化为可执行的具体构思；随着AI编程助手的普及，软件工程的成本急剧下降，瓶颈正从工程端转移至产品管理端；他还反驳了“AI将使编程过时”的论调，并提出：“现在是时候让每个岗位的人都去学习编程了”。在最后问答环节，他更是尖锐地指出诸多关于AI的炒作，如“AI末日论”、“AGI威胁论”、“AI耗能必须依赖核能”，并分享了关于“AI Agent累积效应”的技术见解等。

01

最大的机会必然存在于应用层

吴恩达教授首先分享了创办初创公司时学到的经验，他的分享始于一个核心主题——速度。他认为，对于所有渴望在AI时代开创事业的人来说，这不仅是一个重要的品质，更是一个具备预测能力的决定性指标。他表示他的分享来源于AI Fund的实践。

在他看来，对于所有渴望投身创业浪潮的人来说，执行速度不仅是一种优秀的品质，更是预测一家初-创公司能否成功的关键性指标。

他认为，日新月异的人工智能技术，恰恰是赋予初创公司这种“速度优势”的最强催化剂。“新的人工智能技术正帮助初创公司大幅提速。”因此，他希望通过分享一系列不断迭代的最佳实践来帮助创业者们掌握这种至关重要的速度优势，从而显著提高其成功的概率。

在深入探讨如何“加速”之前，吴恩达首先为所有创业者描述了他所理解的AI 技术栈：最底层是半导体公司，其上是云服务或超大规模计算平台，再往上是众多 AI 基础模型公司。他表示，尽管公众的目光和市场的热议大多聚焦于这些技术层面，但顺理成章地，最大的机会必然存在于应用层。因为我们需要应用层来创造足够多的收入，这样才有能力去支付基础模型、云和半导体这些技术层的开销。对于各位有志于创业的人来说，最大的机会必然就在那里，当然，技术栈的每一层也都有各自的机会。

02

Agentic AI的崛起

在过去一年里，AI 技术趋势发生了巨大变化。AI 领域最重要的技术趋势是什么？吴恩达表示是Agentic AI 的兴起。”

他坦言，“大约一年半前，当我开始四处演讲，试图让人们相信 AI Agent 将成为一个重要方向时，我没料到去年夏天左右，一些市场营销人员会抓住这个术语，像贴标签一样，把它用到所有能想到的地方，导致这个词几乎失去了它本来的意义”。因此，他希望从纯粹的技术视角，重新阐释为什么会认为Agentic AI至关重要，以及它为何能开辟出大量新的创业机会。

吴恩达首先指出了当前我们使用大语言模型的普遍局限性，“事实证明，我们大多数人使用大语言模型的方式，就是给它一个提示，然后让它生成输出。而我们让 LLM 输出内容的方式，就好比你让一个人——在这里是一个 AI——从头到尾、一气呵成地写一篇文章，期间完全不能使用退格键。我们人类，在被要求以这种线性方式写作时，是无法发挥出最佳水平的。事实证明，AI 亦是如此。不过，尽管被迫以这种线性的方式写作非常困难，我们的大语言模型表现已经惊人地好了。”

而代理型工作流（Agentic Workflow）则彻底打破了这一限制。它允许AI系统以一种更复杂、更迭代、更接近人类专家思考的方式去完成任务。吴恩达详尽地描述了这一流程的运作方式：

“通过代理型工作流，我们可以让一个 AI 系统先写出文章大纲，然后根据需要进行网络搜索，获取相关网页作为参考，接着撰写初稿，之后再阅读、审视并修改初稿，如此往复。这样就形成了一个迭代的工作流：模型进行思考和研究，然后进行修改，再返回去进行更深入的思考。通过多次重复这个循环，虽然速度更慢，但最终产出的成果质量要高得多。”

吴恩达强调，这种工作流在AI Fund的实践中被反复验证为成功的关键。他表示：“无论是填写复杂的合规文件、进行医疗诊断，还是对复杂的法律文件进行推理中我们都发现，这种代理型工作流是决定一个方案可行与否的关键。” 他坚信，未来仍有大量工作要做，许多有价值的商业模式有待建立，这些机会就在于，如何将现有的或全新的工作流程，转化为这种代理型的模式。

基于这一趋势，吴恩达更新了他对AI技术栈的描绘：“过去一年里，出现了一个新的代理型编排层。它能帮助应用开发者更好地编排或协调对底层技术的大量调用。好消息是，这个编排层的出现，让构建应用程序变得前所未有地容易。”但他认为，应用层必然是整个技术栈中最具价值的一层，这个基本结论依然成立。

03

在应用层，如何获得速度

既然重点在应用层，那么如何获得速度？吴恩达分享了AI Fund的核心秘诀之一：专注于具体的想法。他为“具体”下了一个极具操作性的定义，即“一个具体的想法或产品构思，必须具体到工程师可以直接上手开发的程度”。

比如“让我们用 AI 优化医疗保健资产”，在他看来是无法执行的，因为这其实不是一个具体的想法，它太模糊了。如果你让我用 AI 写软件来优化医疗保健资产，不同的工程师会做出完全不同的东西。因为它不具体，你就无法快速构建，也就没有速度。

相比之下，一个具体的想法则能立即转化为行动。他举例道：“如果你有一个具体的想法，比如：‘让我们写一个软件，让医院的病人可以在线预订核磁共振的时段，以优化设备使用率。’我不知道这是个好主意还是坏主意，其实已经有公司在做这件事了。但这个想法是具体的，这意味着工程师可以快速把它做出来。如果是个好主意，你会很快知道；如果不是，你也会很快知道。拥有具体的想法，能为你换来速度。”

他进一步以邮件处理为例进行说明。模糊的想法是“让我们用 AI 来提升个人邮件处理效率”，而具体的版本则是：“你能不能开发一个集成在 Gmail 里的自动化应用，让用户可以通过编写提示来自动筛选和标记邮件？” 吴恩达表示，对于后者，“这个想法就非常具体。我今天下午就可以动手把它做出来。”

他接着指出了许多创业者容易陷入的一个认知陷阱：模糊的想法反而更容易获得他人的认同和称赞。他对此的总结是：“如果你告诉朋友们，‘我们应该用 AI 来优化医疗资产的利用’，所有人都会说这是个好主意。但它其实不是一个好主意，至少从可执行的角度来说不是。事实证明，当你描述得模糊时，你几乎总是‘对’的。但当你具体时，你可能是对的，也可能是错的。无论对错都好，因为你可以更快地得到验证，而这对于初创公司至关重要。”

那么，如何获得这些高质量的具体想法？吴恩达认为，这通常需要对一个特定问题进行过长期的、深入的思考。他以自己创办Coursera的经历为例：

“在创办 Coursera 之前，我花了好几年的时间思考在线教育，与用户交流，不断打磨自己对于一个优秀的教育科技平台应该是什么样的直觉。经过那个漫长的过程——我想 YC有时称之为‘在创意的迷宫中探索’你会发现，那些长期思考这个问题的人，他们的直觉对于快速决策非常有帮助。”

他指出，对于早期初创公司，专家的直觉在决策速度上，往往优于数据分析。他解释道：“在你长期思考、与客户交流之后，如果你问这位专家：‘我应该做这个功能还是那个功能？’他凭借直觉给出的瞬间判断，实际上是一个非常有效的决策依据。我知道我从事 AI 研究，你们可能觉得我会说：‘哦，我们需要数据。’我当然热爱数据。但事实证明，对很多初创公司而言，获取数据来做决策是一个缓慢的机制。而一个拥有敏锐直觉的领域专家，往往是实现快速决策的更优机制。”

基于此，他给出了一个关于团队执行的建议：在任何一个时间点，都应该只追求一个非常清晰的假设，集中所有资源去全力验证或证伪它。他强调：“一家初创公司没有资源去分散下注，同时尝试 10 件事。所以，选择一个，然后全力以赴。”

吴恩达描述了AI Fund团队的状态：“我们坚定不移地追求一个目标，直到现实数据告诉我们错了；然后我们就掉头，以同样的决心和执着，去追求一个完全不同的目标。” 他观察到，如果一个团队的领导者因为每一条新出现的数据就轻易动摇、频繁改变方向，这往往意味着一个更深层次的问题：“那很可能意味着你最初的知识储备太薄弱了。如果每次和客户交流后你都彻底改变主意，那可能说明你对那个行业还不够了解，无法形成一个真正高质量的具体想法。”

吴恩达接着探讨了构建与反馈的循环，并指出AI编程助理正在深刻地改变着软件的构建方式。他强调，对于应用型公司而言，最大的风险并非技术实现不了，而是“我们造出来的东西，结果根本没人关心。”

他将软件工作分为两类：用于验证想法的“简易快速的原型”和“生产级软件”。他观察到，AI助手对后者的效率提升约为30-50%，但对前者的提速则是惊人的。他分享道：

“在构建简易快速的原型方面，我们的速度提升绝不止 50%。我认为我们至少快了 10 倍，甚至可能远超 10 倍。这背后有几个原因：当你构建独立原型时，它与旧有软件基础设施和数据的集成需求更少。同时，对可靠性、可扩展性甚至安全性的要求也低得多。”

在此，吴恩达分享了一个他经常给团队、但听起来可能有些“出格”的指令，并详细解释了其背后的逻辑：

“我知道，我不应该教大家写不安全的代码。这话听起来不太对。但我确实经常对我的团队说：‘去写不安全的代码吧。’因为如果这个软件只在你自己的笔记本电脑上运行，而且你也不打算恶意攻击自己的电脑，那么代码不安全是没问题的。当然，一旦它看起来行之有效，在你把它交付给别人之前，请务必确保其安全性。要知道，泄露个人身份信息或敏感数据，会造成非常严重的损害。所以，在发布前，一定要保证安全和可扩展。但如果只是为了自测，那就没关系。”

这种理念，使得AI Fund的团队能够系统性地进行创新，比如“一次性构建 20 个原型，看看哪个能成功。” 他认为，只要能将概念验证的成本降得足够低，那么即使大量原型最终未能投入生产，也是完全可以接受的。对于那句著名的“Move fast and break things”的口号，吴恩达提出了自己的修正版，他认为正确的做法是 “要快速行动，同时也要负责任”。

吴恩达观察到：“一个令人惊讶的变化是：过去我们习惯于将代码看作是非常宝贵的资产，因为编写代码的成本很高。但随着软件工程成本的下降，代码的价值已远不如从前。例如，我所在的某个团队，在上个月内就将代码库完全重构了三次。因为彻底重构代码、选择新的数据模式，这些工作的难度和成本都已大幅降低。”

他引用了杰夫·贝佐斯的“双向门”与“单向门”理论，指出过去作为“单向门”的技术架构选择，如今正变得越来越像可以轻松反悔的“双向门”。他描述道：“我确实观察到，我的团队更频繁地出现这种情况：基于某个技术栈开发一周后，又改变主意，然后干脆丢弃整个代码库，在新的技术栈上从零开始。”

04

现在是时候让每个岗位的人都去学习AI编程了

基于软件工程门槛的急剧降低，吴恩达提出了一个观点，他坚决反驳了“因为AI会自动编程，所以人们不应该再学编程”的论调。在他看来：“这或许会成为有史以来最糟糕的职业建议之一。”

他的逻辑根植于技术发展的历史：工具的进步总是让更多人掌握一项技能，而非更少。他回顾道：“几十年前，当世界从打孔卡转向键盘和终端时，编程变得更容易了；当我们从汇编语言转向 COBOL 等高级语言时，当时甚至有人发表论文，论证说‘既然有了 COBOL，我们就不再需要程序员了’。这当然是错误的。每一次工具的革新都降低了门槛。因此，随着编程变得越来越容易，就应该有更多人去学习它。”

于是，他抛出了那个可能略带争议的呼吁：“现在是时候让每个岗位的人都去学习编程了。” 这并非空想，他已经在自己的团队中付诸实践。他分享道：“我的首席财务官、人才主管、招聘专员，甚至前台，他们都会编程。并且我亲眼看到，编程能力让他们在各自的岗位上都表现得更出色。”

为了说明为何要让所有人都学会与机器沟通，他分享了一个关于生成图像的亲身经历。在为Coursera课程制作背景图时，一位懂艺术史的团队成员Tommy，能够运用专业知识编写出精准的Midjourney提示词，从而生成了质量极高的图片。相比之下，吴恩达自己因为缺乏艺术史知识，只能想出宽泛的提示。这个例子让他深刻体会到：未来最重要的技能之一，就是能够清晰准确地告诉计算机你想要什么，并让它为你执行。而学习编程（并非指要你亲自编写每一行代码），而是学会引导AI为你编程在未来很长一段时间内，似乎仍将是掌握这种指挥能力的最佳途径。

05

产品管理成为新的瓶颈

然而，工程速度的飞跃也带来了始料未及的连锁反应，吴恩达观察到：“产品管理工作——包括获取用户反馈、决策要开发的功能等——正日益成为整个流程的瓶颈。”

他分享道，在过去一年中，越来越多的团队开始抱怨瓶颈出在产品端，因为工程师的开发速度已经变得太快了。“就在昨天，我的一个团队在做项目人力规划时，首次向我提出一个建议：将产品经理与工程师的比例设定为1:0.5，也就是为每一位工程师配备两名产品经理。这是我职业生涯中第一次看到有管理者提出这样的建议。我还不确定这是否是个好主意，但这无疑是一个信号，揭示了未来可能的发展方向。”

为了应对这一挑战，吴恩达强调了建立快速反馈机制的重要性，并分享了他个人常用的一系列策略，从快到慢依次是：依靠自己的产品直觉、找三五个朋友同事试用、找三到十个陌生人获取反馈。他特别强调了最后一项技能的重要性，称其为“最重要的产品技能之一”：

“学会如何在咖啡馆或者酒店大堂里，非常礼貌地邀请陌生人体验我正在开发的产品并给出建议。很多酒店大堂人流量大，而且我发现在咖啡馆里，许多人其实并不想工作，所以当有人给他们一个分心的理由时，他们通常很乐意帮忙。”

对于广受推崇的A/B测试，吴恩达给出了一个更深层次的理解。他认为，A/B测试的目的远不止是在方案A和B之间做出选择，更重要的是：

“我的团队会坐下来仔细分析数据，目的是为了打磨和校准我们自身的直觉。我们会反思：‘为什么我原以为A方案会更好，但数据却显示B方案胜出？显然，我们对用户的心智模型存在偏差。’通过这种方式，我们利用所有数据来不断更新自己的心智模型，从而提升我们仅凭直觉做出高质量决策的能力和速度。这一点至关重要。”

06

深刻理解AI的“构建模块”是实现指数级创新的基础

吴恩达认为，深刻理解AI本身是获得速度优势的又一关键因素。他表示，对于手机应用这类成熟技术，大多数人已经使用了很长时间，所以包括非技术人员在内，大家对于一个手机应用能做什么、不能做什么，都有着相当不错的直觉。同样，对于销售、市场、人力、法务等成熟的职能岗位，虽然它们都非常重要且充满挑战，但由于这些领域的方法论在过去几年没有颠覆性的变化，相关知识已经相对普及。你能很容易找到优秀的市场或人力专家。但AI 是一项新兴技术，关于如何高效利用 AI 的知识远未普及。因此，那些真正“懂”AI 的团队，相较于其他团队，就拥有了显著的优势。如果你遇到了人力资源问题，你总能找到专家解决；但如果你面临一个 AI 难题，是否拥有解决它的专业知识，将直接决定你是否能领先于其他公司。

例如，一个客服聊天机器人能达到的准确率上限是多少？你应该采用提示词工程、模型微调，还是AI Agent 工作流？如何实现低延迟的语音输出？在面对大量此类决策时，一个正确的选择可能让你在几天内就解决问题；而一个错误的技术决策，则可能让你在死胡同里折腾三个月。有一点让他感到很惊讶：从理论上讲，如果你面临两个架构选项，这相当于一个“比特”的信息量。如果你不知道正确答案，似乎最坏的情况也只是多花一倍的时间去尝试两种可能，即一个比特的信息最多能带来两倍的效率提升，理论上确实如此。但在实践中他看到的是：“一旦选错了方向，你的速度不是慢了两倍，而是可能慢了十倍，因为你会在错误的路径上浪费大量时间。这正是我认为正确的技朮判断力对初创公司至关重要的原因，它能极大地提升发展速度。”

他发现紧跟AI 发展对初创公司极具价值的另一个原因是，在过去两年里，涌现出了海量优秀的生成式 AI 工具和“构建模块”。例如：提示词工程、AI Agent 工作流、评估、护栏、RAG、语音优先、异步编程、多种 ETL 工具、嵌入、微调、图数据库、计算资源整合使用，以及蒙特卡洛树搜索 (MCTS) 推理模型等等。类似乐高积木。现在我们拥有一个丰富而强大的构建模块库，通过快速组合它们，我们能创造出在一年前地球上任何人都无法构建的软件。这为初创企业开辟了前所未有的创新机遇。

他用一个比喻来阐释这些构建模块的威力：“如果你只拥有一种构件，比如一块基础的白色构件，你可以用它来搭建一些很酷的东西。但如果你获得了第二种构件，你就同时拥有了白色和黑色的乐高积木，可以搭建出更有趣的东西。你拥有的构件越多，能够将它们组合创造出的事物数量，便会以组合式乃至指数级的速度飞速增长。”

他总结道：“作为一名管理者，我认为评判我的标准就是决策的速度和质量。两者固然都重要，但速度是绝对关键。借助 AI 编程助手可以极大提升工程开发的速度，但这也会让瓶颈转移到获取用户反馈和产品决策上。因此，掌握一套能够快速获得反馈的策略组合就至关重要——比如，去咖啡馆和陌生人交流。这或许并不容易，但关键在于尊重他人。我认为，这对创业者来说是一项非常宝贵的技能。此外，在 AI 技术的基础上进行构建，同样能为你争得速度优势。”

07

反击AI炒作，如何看待“AI Agent累积效应”

在演讲结束后的问答环节，吴恩达就多个热点问题与现场观众进行了深度交流。他回答的问题包括对AI算力未来的看法与如何辨别行业炒作；当前AI领域最危险的叙事；初创公司应如何思考商业模式与护城河；关于“AI Agent累积效应”的技术见解；AI在教育领域的融合方式与未来形态；AI构建者如何平衡快速发展与社会责任；以及向公众普及AI知识的重要性与防范创新“守门人”出现的必要性等等。

被问及随着AI进步，是开发工具更重要，还是学习使用工具更重要？个人如何在这个智能日益普及的世界里保持核心价值？

吴恩达首先表示，他认为AGI的概念被过度炒作了。他指出，在未来很长一段时间里，仍然会有大量工作是人类能做而AI做不了的。他认为：“在我看来，未来最强大的人，是那些能够驱使计算机精准执行自己意图的人。”

因此，他强调，掌握并善用工具至关重要。我们当中有些人会去创造工具，但更多时候，我们可以直接使用他人创造出的大量工具。他总结道：“所以，懂得如何利用AI来让计算机完成任务的人，将拥有远超他人的强大能力。我不担心人们会无事可做，但我确信，善用AI的人将比不使用AI的人强大得多。”

被问及算力的未来发展方向以及如何辨别行业炒作？

吴恩达借此机会分享了一个他用来辨别行业炒作的思维框架。他指出，在过去两年里，有些公司为了特定目的刻意夸大了某些事情。他建立了一个个人判断标准：“警惕那些让某些企业显得比实际上更强大的炒作叙事。”

他列举并驳斥了多个此类叙事：

关于“AI末日论”：他直斥“‘AI如此强大，可能会意外导致人类灭绝’的观点，这简直是无稽之谈”，并认为这本质上是服务于企业融资和公关的炒作。

关于“AI导致失业”：他断言“‘AI如此强大，人类很快就会失业’，这根本不是事实”，同样是让企业显得更强大的论调。

关于“大模型扼杀初创”：他认为“‘我们强大到只需训练一个新模型，就能轻而易举地消灭成千上万家初创公司’，这也不是真的。是的，Jasper 确实遇到了困境，少数公司被淘汰了，但要轻而易举地消灭成千上万的初创公司，远没有那么简单。”

关于“AI能源消耗”：他指出“‘AI 需要巨大电力，只有核能才能满足’，暗示风能、太阳能都不行，这同样不是事实。”

关于“GPU上太空”：他对此表示“怎么说呢，祝他们好运吧。我认为地球上的GPU 还有巨大的发展空间。”

他认为“危险AI”这种叙事被过度炒作了。他表示，AI是一款非常出色的工具，但和任何强大的工具一样，其善恶取决于应用方式，而非技术本身。他解释说：“我发现自己不常用‘AI安全’这个词，并非因为我认为可以去制造危险的东西，而是因为我认为，安全与否，并不取决于技术本身，而是取决于我们如何应用它。”

他用电动机作类比，制造商无法控制电动机的下游应用是制造医疗设备还是智能炸弹。他认为AI同理，其本身无所谓安全与否。因此，他更常思考的是“负责任的AI”。他强调：“因为，正是我们使用它的方式——是负责任的，还是不负责任的——最终决定了我们用AI技术创造出的东西是有益的还是有害的。”

他还提到，媒体有时热衷于炒作极端个案，并以耸人听闻的方式报道，这导致炒作叙事被不断放大。所有这些被放大的炒作叙事，都是“对未来真实图景的一种歪曲”。他明确表示，“我认为AGI的概念被过度炒作了”，未来很长一段时间，人类的价值依然不可替代。

被问及在一个一切都可能被快速颠覆的时代，创业者应如何思考商业模式和护城河？

吴恩达表示，创业确实要操心很多事，但他首要关心的是一个根本性问题：“你是否在打造一款用户真正热爱的产品？”

他认为，在解决“打造用户需要的产品”这个问题之前，很难建立起有价值的公司。在此之后，市场策略、销售渠道、定价、护城河等问题才会变得重要。他指出，“护城河”这个概念往往被过度夸大了。他观察到：“我看到更多公司的路径是从一个成功的产品起步，最终才逐步构筑起自己的护城河。” 对于消费品，品牌是壁垒；对于企业产品，难以进入的渠道是壁垒。

最后，他给出的建议是，当前应用层的机会远超能够实现它们的人才数量。他总结道：“所以我的建议是，专注于打造一款人们需要、人们热爱的产品，然后在前进的道路上解决其他问题，当然，边走边解决这些问题本身也非常关键。”

被问及如何看待未来可能出现的“AI Agent的累积效应”？

吴恩达就此分享了几点技术看法。他给开发者的首要建议是，在初期基本不要担心Token成本，因为只有极少数公司能幸运地达到因用户量巨大而导致成本成为问题的阶段。即便如此，通常也能找到工程解决方案来控制成本。

他指出，大量的AI Agent工作流实际上已经整合了提示工程、RAG、评估体系等许多不同步骤，这本身就体现了能力的累积。但他想给出一个更关键的建议：“我通常会着力设计软件架构，让在不同基础模块的提供商之间切换变得相对容易。” 他以自己的产品为例，说明团队会通过评估体系持续更换效果更好的底层大语言模型，有时甚至无需通知他。

他举例说明：“用户很喜欢我们的产品，结果我们发现生成式AI 的账单持续攀升，构成了一个严峻的挑战。但实际上，要达到 Token 使用成本成为瓶颈的阶段，是非常困难的。在我们那些足够幸运、因用户众多而面临 Token 成本压力的团队里，我们通常能找到工程上的解决方案来控制成本的增长，比如通过提示工程、微调、使用 DSPy 进行优化等各种方法。

此外，我观察到大量 AI Agent 工作流实际上整合了许多不同的步骤。例如，在构建客服聊天机器人时，我们通常需要用到提示工程，可能还会用 DSPy 优化部分结果，建立评估体系和安全护栏，客服聊天机器人可能还需要RAG 作为获取信息并反馈给用户的途径。所以我确实看到了这种能力的增长。但我想给大家一个建议：我通常会着力设计软件架构，让在不同基础模块的提供商之间切换变得相对容易。

举个例子，我有很多产品是基于大语言模型构建的，但有时如果你指着某个具体产品问我用的是哪个大语言模型，老实说我也不知道。因为我们已经建立了一套评估体系，每当有新模型发布，我们就会迅速运行评估，看它是否优于旧模型，如果表现更好，就直接切换过去。所以，我们每周使用的模型，工程师们有时会根据评估结果直接更换，甚至都懒得通知我，因为评估结果证明新模型效果更好。

他认为：“事实证明，基础模型的切换成本相对较低，在基础模块的选择上保留这种灵活性，即使你不断地在现有基础上叠加新功能，通常也能让你迭代得更快。”

被问及AI赋能教师和赋能学生这两种教育范式将如何融合？未来五年的教育会是什么样？

吴恩达坦言，虽然每个人都感觉到教育科技正迎来变革，但他认为颠覆性的变革尚未真正发生，目前看到的是大量的实验。他列举了Coursera Coach、DeepLearning.AI的聊天机器人以及语言学习领域的应用作为例子。

他表示：“但对于更宏观的教育领域，AI将以何种确切方式改变它，我看到的是大量的实验最终的形态尚不明朗。” 他确实相信教育会走向超个性化，但具体的工作流程是怎样的，还不清楚。他反驳了那种认为AGI能解决一切的炒作，并强调：“现实是，真实世界的工作流程是高度复杂的。教师、学生，他们所做的工作流程都极为复杂。在未来十年，我们需要研究那些待完成的工作，并思考如何将它们映射到AI Agent工作流上。” 他认为教育正是这种映射正在发生但远未成熟的行业之一，需要大家继续努力。

作为AI的构建者，应如何平衡产品开发与AI产品潜在的社会负作用，做到“快速发展”与“负责任”兼顾？

吴恩达表示：“如果你从根本上不认为你正在构建的东西能让大众的生活变得更美好，那就不要去做。” 他透露，在AI Fund，团队曾多次不是出于财务原因，而是出于“我们不希望这样的东西出现在世界上”的伦理考量，终止了商业前景可观的项目。

此外，他关心的另一个核心是如何让所有人都跟上时代的步伐。他观察到，在非工程岗位上，懂AI的员工效率远高于不懂的同事。他分享道：“在我的市场营销团队里，那些会编程的营销人员，坦白说，他们的表现远超那些不会编程的同事。于是，后来所有人都去学了编程，工作表现也因此变得更出色。” 因此他认为，确保人人都有能力利用AI进行创造，是所有从业者工作中的一个重要组成部分。

向普罗大众普及AI知识，让更多人理解其原理和能力，这件事是否重要？

吴恩达肯定地表示，他认为知识终将普及，这也是DeepLearning.AI正在努力的方向。但他借此机会谈到了他认为的两个主要风险。

第一个风险是“我们没能足够快地让所有人跟上步伐”。

第二个风险，也是他重点阐述的，是出现扼杀创新的“守门人”。他指出，一些公司正利用被夸大的“AI风险”来游说监管机构，试图打压开源社区，目的是成为基础模型的“守门人”。他反驳道：“我认为，通过夸大AI的风险——包括那些被臆想出的、虚假的风险——来游说监管机构通过类似加州之前提议的SP 1047法案的做法是十分危险的。” 他解释说，这类法案并不能提升安全，反而会给开源软件的发布制造巨大困难。

他警告说：“一旦这些监管提案成功，并最终形成扼杀创新的法规，那么我们最终会剩下少数几个‘守门人’。届时，任何人都需要得到这少数几家公司的许可，才能去微调一个模型，或以特定方式使用它。” 他认为这将扼杀创新，阻碍信息传播。因此，他最后呼吁：“只要我们能阻止这种对开源和开放权重模型的攻击得逞……那么知识最终就能得以普及，我们也才有希望让每个人都跟上。但是，这场保护开源的战斗，尽管我们一直处于优势，但战斗远未结束，我们必须继续努力，保护开源。”

【AI技术与应用交流群｜仅限受邀加入】

AI算力领域TOP级从业者专属圈层

√ 与头部算力企业深度对话

√ 与AI上下游企业深度对话

√ 获取一手全球AI与算力产业信息

√ 获取AI热点及前沿产业独家信息

√ 随时了解全球AI领域高管最新观点及实录全文

√ 有机会参与AI主题产业交流活动

扫码验证身份（需备注姓名/公司/职务）

不止有 DeepSeek，更有 AI产业的未来！

| 文章来源：数字开物

• END•

【专栏】精品再读