DeepLearning.AI创始人吴恩达：企业决胜点在于“沙盒优先”与全员编程

若说过去两年是人工智能的“基建狂欢”——数万亿美元涌入芯片、数据中心与基础大模型，DeepLearning.AI创始人、亚马逊董事会成员吴恩达（Andrew Ng）则给出新核心判断：价值重心正剧烈向应用层转移。

这是一个反直觉的战略窗口：尽管媒体充斥着万亿参数模型的“军备竞赛”，但真正的商业变革，正潜伏在不起眼的Agentic Workflows（智能体工作流）与非技术人员构建的微型工具中。

如何抓住机遇？吴恩达提出三大建议：

第一，非对称下注，拥抱“廉价实验”：企业需从“精准规划”转向“高频试错”。如果失败成本仅数万美元，成功潜在收益却无限，那么唯一风险是不下注；

第二，打破科层制，推行“沙盒优先”（Sandbox First）：“若工程师在笔记本跑测试都需五位副总裁审批，创新就死定了。”应在限定数据敏感度、预算与发布范围的安全区内，赋予团队极高自主权；治理与安全防护待价值验证后再引入，而非作为创新准入门槛；

第三，重塑人才观，推动全员编程：借助AI辅助推动全员掌握编程能力。在 DeepLearning.AI，CFO乃至前台都已用Python自动化工作流。这并非要求人人成软件工程师，而是赋予各岗位“指挥计算机”的能力。在SaaS无法覆盖的细分长尾需求中，最懂业务者用 AI 自建工具，将成企业效率新护城河。

周期跨越：从“建设电网”到“应用落地”

伊希特·瓦赫拉贾尼：几年前，你提出过一个著名论断，“AI是新时代的电力”。如今我们处于这一旅程的哪个阶段？是建设电网，还是已准备好插电器获得价值？

吴恩达：我说“AI是新电力”，是指AI是通用技术，适用于众多应用场景，而非仅一两个杀手级App。

这就出现了一个有趣的现象：我们这些身处AI行业，尤其是构建AI Agent与Agentic AI工作流的人，深感增长迅猛、忙碌异常；但同时也看到MIT（麻省理工学院）报告指出的“95% 的企业 AI应用尚未奏效”。

当前我们正处于AI实际采用率基数低但增长惊人的阶段。硅谷曾上演类似剧情：起初人们说“这仅占工作负载1%”，转眼就成2%、4%、8%。这种指数级增长的意义不言而喻。因此，尽管外界有谨慎怀疑，我仍对未来几年AI可高效完成的任务量充满信心。

但这确实需要时间。反过来，“两年内实现AGI”“AI无所不能”的说法纯属炒作。我认为10年后，我们仍会致力于识别哪些工作流可通过AI与Agentic AI工作流自动化或辅助。

伊希特·瓦赫拉贾尼：展望未来，有什么尚未成为主流但让你兴奋的方向？如果向这些方向迈进，我们应该怎么做？

吴恩达：最让我兴奋的，是未来10年通过构建应用与Agentic AI工作流改变商业格局的事业。

另外有一个不为人知的“反炒作”事实：两三年前，大家炒作模型通用、AGI将至，只因当时模型训练依赖互联网通用数据。但如今可见，前沿模型获取额外知识的方式极为“零碎”。

若想让模型在医疗、金融等领域表现更好，必须专门获取、清洗并输入该领域数据。不存在能自动解决所有垂直领域问题的“神奇缩放定律”。这意味着企业无法指望“通用智能”搞定所有业务需求，需借助Amazon Nova Forge等工具，将零碎知识高效融入模型，满足特定业务需求。

伊希特·瓦赫拉贾尼：“Agentic AI工作流”这个词也是你创造的。“新周期”多由大模型驱动这件事有点反直觉。对企业领导者而言，Agentic AI工作流比单纯大模型更能推动进步，这意味着什么？

吴恩达：观察AI的新周期很有意思。两三年前现代生成式AI刚出现时，仅少数企业处于前沿，因AI能力边界难界定，信息生态一度被炒作污染。

如果我们审视AI技术栈，大部分注意力都集中在技术层，包括亚马逊云科技等超大规模云厂商、半导体以及AI基础模型。尽管巨额资本涌入这些层级，但按定义，应用层价值必然更高，毕竟要让基础设施投资合理化，上层应用必须产生远超投入的收入。

我观察到一个有趣的动态：投资界有成熟公式可投入数十亿、上百亿美元建数据中心，但构建价值更高的AI应用时，下注成本极低，且无现成公式。好消息是，尝试应用点子的成本也极低；但也正因成本太低，无法像“万亿美元计划”那样引发媒体狂欢。

抛开炒作聚焦商业基本面，我对应用层建设极乐观。我看到许多企业的创新萌芽，但因基数小，95%企业尚未见到AI的实质变化，同时少数企业正飞速增长。

下注策略：快速行动，沙盒优先

伊希特·瓦赫拉贾尼：新时代下，“快速行动”的定义有何变化？到底快到了什么程度？有案例吗？

吴恩达：我发现多数团队的行动速度可能远超自身认知。最近我与一家大型能源公司CPO（首席产品官）交流，其团队预估构建仪表盘需三个月，CPO因常与我团队（习惯一周冲刺）交流，要求 “没有三个月，只给一周出成果”。最终团队真的一周内交付。

我的团队也有类似情况：有人提交六个月推广计划，我要求压缩到一个月，一周后他们就拿出了可行的一月计划。

这不仅是强制机制，更是彻底颠覆思维窗口（Overturn window）。如今速度与可能性提升不是2～3倍，而是10倍以上，这也是为什么我认为现在是大胆下注的好时机。未来两三年是商业转型的窗口期：下注下行风险低（仅数万美元沉没成本），但上行空间几乎无限。

伊希特·瓦赫拉贾尼：实验成本大降让企业可多下注，但大公司AI点子多、评分与ROI标准复杂，在数百个想法中，噪声很大。你建议如何押注这些创新想法？

吴恩达：AI辅助编程的出现——我知道大家对合规和安全有顾虑，但它确实是一个巨大的加速器，让概念验证（POC）成本直线下降。若能解决合规安全问题，让团队使用高度Agentic AI编程工具，将极大提升开发效率。借助Kiro等工具或可提速50%。从经济学角度，某样东西极便宜时，我们应“多买入”。

聪明的团队会思考：为何不构建大量微小项目？即便18个项目悄无声息失败，只要能筛选出2个值得扩展的项目，就值得尝试。

很多人感叹AI的POC难落地生产，我看法不同：若能将POC成本降至趋近于零，就应多做POC，让它们安静且安全地失败，以此作为筛选机制。

不过，我也承认，尽管押注成本降低了——以前需要6个工程师做几个月的项目，现在1个工程师周末就能完成——但下注所需的技能门槛依然很高。我自己也常纠结如何押注创新想法、何时止损及如何设置沙盒。

伊希特·瓦赫拉贾尼：你提到“沙盒优先”，即稍后再添加安全防护与可观测性，但部分行业受监管，风险管理要求严格。战术上，如何创建既能快速行动、又能避免成功后被生产环境要求拖慢的沙盒？

吴恩达：运营大型团队尤其是上市公司时，确实承担不起工程师发布脑洞大开的原型应用导致违规或损毁品牌的后果。因此，很多企业要求工程师在发布前必须拿到5个VP的签字，但这会导致创新停摆。

破解之道是预先设置沙盒：给团队一定预算（如10万美元），规定不准以公司品牌对外发布、仅限内部测试、不涉及敏感信息。在这样的沙盒里，下行风险可控，团队可全力冲刺。我甚至会告诉团队，沙盒内“无须担心安全性”（除非他们想攻击自己的电脑）。

只有当团队找到客户真正喜爱的成果时，再投入治理、安全机制进行扩展。这种机制能解决大公司的创新困境。

人才升级：“全民编程”+引入懂AI的董事

伊希特·瓦赫拉贾尼：作为领导者，你会鼓励团队（尤其非技术岗位）投资哪1～2项技能做准备？

吴恩达：先说说无争议的：AI能显著提升所有知识工作者的生产力，但大家需要提升的技能量相当大，比如很多人不懂深度推理模型与普通大模型的区别，这需要全员培训。

再说说有争议的：几乎所有岗位中，懂代码的员工比不懂代码的员工更高效。今年早些时候有人建议年轻人别学编程，称AI会自动化编程。我认为这是史上最糟糕的职业建议之一。

随着AI降低编程门槛，更多人应掌握这项技能。在我的团队，懂代码的市场人员、招聘人员、CFO乃至前台，效率都远超同行：CFO用自动化软件处理文件而非手动点击，前台经内部培训学会编程后，甚至开发了一套严谨的CRM系统。

这里的“懂代码”不是指手写代码，而是借助AI辅助编程。未来最重要的技能之一，是能清晰告诉计算机自己的需求。可预见的未来里，计算机的语言仍是代码。

伊希特·瓦赫拉贾尼：你身兼亚马逊等公司董事，对即将参加董事会的CXO们，你有何建议？如何向董事会汇报AI投资与风险？

吴恩达：我很幸运在亚马逊董事会任职，杰夫·贝佐斯和安迪·贾西本身就是AI专家。但如果你的董事会对AI了解不多，我建议安排AI培训。

我有个朋友曾试图说服董事会推进某件事未果，结果董事会成员在YouTube看了我的演讲后，反过来要求他推进。这说明提升董事会对AI的理解，能让他们成为更好的合作伙伴。

此外，越来越多董事会意识到，引入真正懂AI的董事，能极大改变董事会动态与决策质量。这不仅是为了治理监督，更是为了让董事会成为助力企业前进的合作伙伴。

伊希特·瓦赫拉贾尼（Ishit Vachhrajani）吴恩达（Andrew Ng）| 文

伊希特·瓦赫拉贾尼是亚马逊云科技全球技术、AI分析与企业战略负责人。吴恩达是DeepLearning.AI创始人、亚马逊董事会成员。

联系方式

投稿、广告、内容和商务合作

newmedia@hbrchina.org