近期，吳恩達 (Andrew Ng) 在 Y Combinator 發表了最新演講，分享了自己的創業心得。他提出為創業公司成敗的關鍵在於執行速度，執行速度比以往任何時候都更加重要，此外，他還詳細闡述了創業公司應該如何提速。
期間，吳恩達提出，創業者最大機會是在應用層，因為只有應用才能創造更多收入，反哺雲、模型和晶片公司。創業中，不要有類似“我要用 AI 最佳化醫療資源”這樣的想法，因為不夠具體、難以落地。系統性地做 20 個原型產品去試錯，很多最後不會投入生產，但沒關係，因為試錯成本足夠低。
實踐中，要善用 AI 程式設計工具提速，吳恩達指出，和最新工具比起來，即便只是落後半代、一代，差距就會非常明顯。“現在我團隊裡的工程師，和三個月、六個月前比，寫軟體的方法已經很不一樣了。”他還表示，鑑於當前研發速度已經遠超產品設計速度，產品經理與研發人員的人數比已經出現反轉趨勢。
在問答環節，他表示 AGI 被過度炒作：過去兩年，有些公司為了營銷、融資、影響力，故意把某些說法炒得很大，就是為了讓這些公司看起來更厲害。另外，很多開發者太擔心 token 成本，他表示，大多數創業公司根本還沒到那個量級，真正因為 token 開銷太高而受影響的只是極少數團隊。
我們對吳恩達的本次演講內容進行了翻譯，並在不改變願意基礎上進行了刪減和整理，以饗讀者。
很高興見到大家。既然今天是創業學校的活動，我想分享一些我在 AI Fund 和 AI Fund Venture Studio 參與創業時積累的經驗教訓。我們平均每個月孵化一家初創公司，因為是聯合創始模式，所以我們不僅僅是看別人創業，還會親自下場寫程式碼、接觸客戶、設計功能、確定定價等。可以說，我們在實際操作裡做了很多。
今天想重點跟大家分享的是圍繞 AI 技術變化帶來的創業新機會，尤其是和“速度”相關的經驗體會。對於想創業的人來說，我認為 衡量一家初創公司未來成敗的一個關鍵因素，就是執行速度。我非常敬佩那些能夠高效推進事情的創業者和管理者。
新一代 AI 技術正在讓創業速度大幅提升。我想分享過去幾個月中不斷演變的一些最佳實踐，幫助大家提升速度，提高創業成功的機率。
很多人問我：Andrew，現在還有哪些 AI 創業機會？我個人的看法是，可以把 AI 行業分成一層一層的“技術堆疊”：最底層是半導體公司，往上是雲服務商，再往上是基礎大模型公司。雖然大家的注意力、媒體的報道大多集中在這些底層技術上，但實際上，最大機會幾乎必然是在應用層，因為只有應用才能創造更多收入，反哺雲、模型和晶片公司。
媒體和社交網路可能不太愛談應用層，但如果你打算創業，幾乎可以肯定的是，最大的機會就在這裡。當然每一層都有機會，但應用層是最直接的。
過去一年，AI 領域最大的新趨勢是 Agentic AI。大約一年半前，我就開始到處演講，想讓大家相信智慧體可能會成為主流產品。沒想到去年夏天，很多市場營銷團隊開始瘋狂用這個詞，貼標籤，什麼產品都往上套，導致這個詞本身有點被濫用了。
但我想從技術角度解釋一下，為什麼我認為 Agentic AI 既重要又充滿創業機會。過去，我們用大模型的方式通常是一問一答，比如讓大模型寫一篇文章，它從第一句話寫到最後一句，中間不復查、不修改。但人類不會這麼寫，強制線性寫文章不是最高效的方法，AI 其實也一樣。即便如此，今天的大模型在這種“線性”模式下已經做得很不錯了。
但效果更好的是“迭代式”工作流：先寫個大綱、再上網查資料、補充上下文、寫第一稿、自己審稿、自己修改，如此反覆迴圈。這樣雖然慢一點，但結果好得多。AI Fund 做過的專案，包括合規檔案提取、醫療診斷、法律檔案處理，幾乎都是靠這種智慧體工作流才能跑通。很多有價值的業務，未來還需要把傳統工作流，變成適合 Agentic AI 的迭代式流程。
回到 AI 技術堆疊，過去一年又新增加了一層——Agentic 編排層。它幫助應用更容易排程和協調底層 AI 服務，也讓做應用變得更容易。但歸根結底，應用層仍然是最有價值的地方。
接下來，我想分享一些關於如何讓創業公司更快推進的實踐經驗。
在 AI Fund，我們只落地“具體”的想法。所謂具體，是指工程師聽完之後，馬上可以開工寫程式碼的那種。比如“用 AI 最佳化醫療資源配置”，這太模糊了，不同工程師理解完全不同，沒法快速落地。反過來，如果你說“做一個軟體，讓醫院的患者可以線上預約核磁共振時間，提高裝置利用率”，我不管這個想法本身好壞，它至少是具體的，工程師馬上可以開工，而且你很快就能知道這事值不值得做。
“具體”，帶來速度。
很多時候，創業者會被“模糊的宏觀想法”誤導。比如你跟朋友聊天說“要用 AI 最佳化醫療資源”，大家都會誇你想法好。但這其實並不是好想法，至少不是一個可以執行的好想法。想法模糊的時候，你永遠是對的；當想法變得具體時，你可能對，也可能錯。
但創業最需要的是快速驗證，所以我一直要求團隊只討論具體想法，因為只要具體，就有明確方向，團隊才能快速推進。要麼做成，要麼發現做不成，都沒關係，重要的是快。
找到好的具體想法，通常需要有一個人——可能是你，也可能是行業專家——長期深入思考那個問題。比如我在創辦 Coursera 之前，花了好幾年時間琢磨線上教育，跟使用者聊，自己也反覆琢磨。YC 把這叫做“走迷宮”。當你真的想明白了，後面再做決策時，直覺可以是一個出乎意料的、不錯的決策機制。
很多人以為做 AI 創業一定要靠資料，但其實資料反饋很慢。很多時候，有長期積累的人直覺更準，決策更快。
另外，很多成功的創業公司在某個時刻只專注於一個非常清晰的假設。初創公司沒資源同時試 10 條路，因此必須選一條，全力以赴。如果發現做不通，也無所謂，立刻轉向，再專注於新的具體想法。
這是 AI Fund 的日常：一旦世界告訴我們錯了，馬上換方向，但保持同樣的決心和投入。如果每次跟使用者聊完都完全推翻原來的想法，那說明對這個領域瞭解還不夠。真正好的具體想法，通常需要反覆思考和驗證。
還有一個重要的事情，就是“構建 – 反饋”迴圈。尤其是現在有 AI 編碼助手之後，這個迴圈正在變得前所未有的快。
很多初創公司失敗，並不是因為技術做不到，而是做出來沒人用。所以做應用型創業時，我通常是先寫軟體，這是工程工作；然後拿去給使用者反饋，這是產品管理工作；再根據反饋調整，再寫軟體；不斷迴圈，直到找到 PMF（產品市場匹配）。
現在 AI 編碼助手讓寫程式碼的速度和成本大幅降低。以前做一個小功能可能要好幾天，現在半天就能寫好。這個變化特別大。
我自己寫軟體時，大致分兩種情況：一種是快速構建產品原型來驗證想法，比如做一個新的客服機器人、處理法律文件等；另一種是編寫或維護生產環境裡的正式軟體。寫生產級程式碼時，用 AI 助手可能能提升 30% 到 50% 的效率，不同報告說法不一，但在寫原型驗證程式碼時，效率提升完全不是 50%，而是至少 10 倍，甚至更多！
為什麼？因為快速原型不需要和遺留系統整合，不需要高可靠性，不需要安全性。雖然這話可能不太對，但我經常跟團隊說：“你就寫個不安全的程式碼沒關係。”如果這個軟體只在你自己電腦上跑，你又不會黑自己電腦，那就先不考慮安全。
當然，如果打算上線給別人用，那一定要加上安全性和可擴充套件性。但前期快速測試階段，是可以臨時放一放這些的。
現在越來越多的初創公司會用“並行原型法”——同時做 20 個原型來找出哪個能走通。很多人擔心“AI 做的 POC（概念驗證）專案上線不了”，但如果做 POC 的成本足夠低，這根本不是問題。我們完全可以承受一堆無疾而終的 POC，只要其中一個成了，那就是成功。
“快速迭代，打破常規”（move fast and break things）這句口號因為“break things”出了名聲問題，導致有些團隊誤以為不該“move fast”，這是錯誤的。我告訴團隊要“快速且負責任地行動”。這是可以做到的。
關於 AI 輔助編碼工具這塊，我覺得大概三、四年前，GitHub Copilot 普及了“程式碼自動補全”這個概念，後來又有了像 Cursor、Windsurf 這種新一代內建 AI 功能的 IDE 工具，我們團隊也經常用 Windsurf 和 Cursor。
大概從六、七個月前開始，又冒出了一批更新一代的 Agentic 編碼助手，包括我們也在大量使用的 Claude Code。自 Claude 4 釋出之後，Claude Code 效果非常好。它上線三個月左右，我們團隊有些人就開始換工具了。
總的來說，演進非常快。Claude Code、Codex 代表的新一代 Agentic 編碼助手確實在不斷提升開發者的生產力。
而且這裡有個挺有意思的現象：和最新工具比起來，即便你只是落後半代、一代，差距就會非常明顯。 現在我團隊裡的工程師，和三個月、六個月前比，寫軟體的方法已經很不一樣了。
還有個挺反直覺的變化：我們以前總覺得程式碼本身是很寶貴的資產，因為寫起來太費勁了。但現在，隨著軟體工程成本越來越低，程式碼本身變得沒那麼重要了。 比如我在一些團隊裡，一個月內把整個程式碼庫推翻重寫三遍已經不是什麼新鮮事了，因為完全重寫、換資料庫架構、重新選技術棧的成本已經低了很多。
有些人可能聽過貝索斯的“兩扇門”理論：有的決策像單向門，進去了就很難回頭，比如早期決定技術架構就是；而有的決策像雙向門，做了發現不對還能輕鬆回撤。而現在，我覺得選技術棧這件事越來越像雙向門了。我不想過度吹捧，完全推翻重做還是有代價的，但在我團隊裡，大家越來越習慣在一週後就說，“不如把整個程式碼庫扔了重寫一遍”。以前這幾乎不可想象，現在變成了常態。
工程成本變低之外，我還想個說一個稍微超出工程範疇的話題：過去一年裡，網上很多人勸大家別學程式設計，說 AI 都能自動寫了。我覺得這可能會成為歷史上最糟糕的職業建議之一。技術工具越好，學寫程式的人應該越多，而不是越少。
歷史上也是這樣：從打孔卡到鍵盤、從彙編到高階語言，比如 COBOL 出來時候很多人說，“有 COBOL 了，程式設計師要失業了”，結果根本不是那樣，語言越高階，學的人反而越多。現在的 IDE、AI 編碼助手、自然語言寫程式碼，都是一樣的道理：軟體開發變簡單了，應該更多人去學。
我個人甚至有個可能不太主流的看法：任何崗位的人都應該學會寫點程式碼。 我團隊裡，包括 CFO、HR 負責人、招聘經理、前臺，他們都會寫程式，我確實能明顯地感覺到他們在各自的崗位上表現更好。雖然現在大多數企業還沒做到，但未來趨勢應該是：讓更多人具備基礎程式設計能力，整體效率會更高。
我還想補充一個小故事，說明為什麼“讓大家都學”這件事很有意義。
我們在 Coursera 教大家做生成式 AI 專案，比如用 Midjourney 生成背景圖。有個同事學過美術史，他在給 Midjourney 下指令時，能明確寫出流派、色調、風格參考等要求，生成效果特別好。相比之下，我不懂美術史，只能寫“請幫我畫一張好看的機器人”，效果就差很多。
這讓我深刻意識到：未來跟計算機打交道，最重要的能力就是要清楚表達你想要什麼，讓計算機幫你實現。無論是自己寫程式碼，還是指導 AI 幫你寫，掌握這種能力都非常關鍵。
回到軟體工程效率變快這件事，另一個明顯變化就是：透過 產品管理獲得使用者反饋、再決定做哪些功能，反而越來越成為瓶頸。
過去四、五年，矽谷有些不成文的“人效比”規定：比如一個產品經理對應 4 個工程師，或者是 1：7。雖然只是參考，但現在工程師研發速度變快太多，產品設計的速度完全跟不上。甚至昨天有個團隊來找我說，乾脆一個產品經理配 0.5 個工程師，也就是說，產品經理數量比工程師還多一倍。這是我第一次聽到這樣的建議，我還沒完全想好這是不是個好主意，但至少說明了現在已經有了這種變化趨勢。現在很多時候，具備產品思維的工程師、能寫程式碼的產品經理，反而更有優勢。
工程速度快了之後，另一個關鍵就是怎樣快速獲得產品反饋。我這邊總結了一套組合拳，包括最快、但可能不太準的，到慢一點、但更準的各種方式。
最快的辦法就是自己看產品、憑直覺判斷。如果你是個內行，這其實很有用。再慢一點的方式是找朋友、同事試用獲得反饋。再慢一點的方式就是找 10 個陌生人，這個我自己特別有體會，我很早就學會去咖啡廳或者酒店大堂，找人幫忙試用產品，問他們意見，當然要非常禮貌和尊重別人，實際效果特別好。尤其是旅行的時候，坐在酒店大堂高人流區域，拉陌生人幫忙看一看，我很多產品決策就是這麼做出來的。這有時候反而還是個社交機會，很多人願意被這樣“打擾”一下。
再往後就是發原型產品給 100 個使用者測試，或者做 A/B 測試。A/B 測試當然重要，我自己也做很多，但說實話，現在它已經是相對最慢的一種反饋手段了。尤其是產品還沒大規模放量時，收集資料比較慢。
而且，我想提醒大家，A/B 測試的意義不只是“選 A 還是選 B”。我團隊做 A/B 測試時，會花時間坐下來分析資料，校準自己的判斷力。比如我原本以為產品 A 的名字會比 B 好，但資料告訴我完全相反，那說明我對使用者的認知有偏差。這時候就要認真反思，總結規律，讓下一次靠直覺決策時能更準。
綜上所述，整體來說，就是如何讓想法更具體、讓工程更快、讓產品反饋更快。這些環節做好了，整個創業速度就能大幅提升。
最後我想講一件事：真正理解 AI 能讓你做事情更快。為什麼這麼說？可能我自己是做 AI 的，會有點偏向 AI，但我想把這個道理跟大家解釋清楚。
大家用智慧手機很多年了，基本都知道手機 App 能做什麼，即使是不懂技術的人，對 App 能力也有比較準的直覺。再比如銷售、市場、HR、法務這些崗位，當然都很重要也不簡單，但因為行業成熟了，從事的人很多，大家總結的方法在一、兩年內其實不會有太大變化，所以行業裡懂的人很多，知識也比較普及。
但 AI 不一樣。AI 是新技術，真正懂怎麼用 AI 的人不多。團隊如果真的理解 AI，就會比不懂的團隊更有優勢。如果你有個 HR 問題，身邊隨便找個人可能就能搞定，但 AI 相關的問題，可能真的是做對一個決策，幾天就能搞定；但做錯一個決策，可能三個月白忙活。
比如你要做客服機器人，準確率應該做到多少？是直接 prompt 還是微調？語音識別怎麼做到低延遲？這些技術決策如果做對了，幾天就能搞定，一旦做錯了，可能就會卡在死衚衕裡一直打轉。
我自己也有點意外：表面上看，兩種架構方案二選一，好像只是慢一倍而已，但實際上可能是慢十倍。選錯了方向，光試錯就耗掉大半年。所以說，有沒有正確的技術判斷，直接影響到整體速度。
還有一個原因，讓我覺得持續關注 AI 進展特別關鍵：過去兩年，各種新的 AI 工具、新的基礎能力層出不窮。像 prompting、Agentic 工作流、Evals 評估工具、Guardrails、RAG、語音、非同步 API、ETL、embedding、微調、圖資料庫、DP 隱私保護、視覺多模態整合……這些基礎能力，現在能快速組合起來，做出一兩年前根本做不出來的產品。
很多新機會不是完全創造新的東西，而是把這些新的“積木”拼起來。 每多掌握一種能力，組合的可能性就會指數級增長。
形象點的說法，如果你只懂一種 AI 能力，比如 prompt，那你只有一個白色積木塊，能做一些事情；但如果你再學會搭建 chatbot，就相當於多了一個黑色積木塊，可以拼的東西更多；如果再學會 RAG，就多了一個藍色積木塊；學會語音，又多一個紅色積木塊。隨著你的“積木”越來越多，能拼出來的產品組合也會指數級增長。
我自己每次準備 DeepLearning.AI 的課程目錄時，看到的就是一堆新的“積木塊”。掌握它們，就是在給自己增加新的組合可能性，做出以前根本做不了的軟體。我們團隊也經常跟全球很多 AI 公司合作，這就是在不斷補齊這些“積木塊”。
最後，總結一下：創業當然不只有速度一個因素，但在 AI Fund，我們看到，團隊執行速度和成功機率高度相關。為了變快，一是要做具體的想法，別太虛；二是利用 AI 編碼助手加速工程；三是產品反饋要跟上，別隻會寫程式碼，不去驗證市場。包括像我前面提的，學會去咖啡廳、酒店大堂找陌生人聊產品，這雖然聽著不容易，但對創業者來說真的很有價值。另外，要始終保持對 AI 技術的敏感和學習。
吳恩達： 我覺得 AGI 被過度炒作了。很長一段時間裡，還是會有很多事情是人類可以做、但 AI 做不了的。我認為，未來最有能力的人，是那些能讓計算機完全按自己意圖去做事的人。我們當中有些人會去開發工具，但也有很多工具是別人做的、我們只要學會使用就行。真正厲害的，是懂得怎麼用 AI 讓計算機為自己工作的人，不必擔心“人類無事可做”，但不懂用 AI 的人，會比懂得用 AI 的人弱很多。
吳恩達： 這個問題其實和 AGI 炒作相關。我覺得可以有個簡單框架，幫助大家判斷什麼是炒作、什麼不是。
過去兩年，有些公司為了營銷、融資、影響力，故意把某些說法炒得很大。因為 AI 是新東西，外界搞不懂，很多時候根本沒人去查證。有些炒作，就是為了讓這些公司看起來更厲害。
比如“AI 強大到可能導致人類滅絕”這種說法，完全是無稽之談，但卻被大肆宣傳，幫某些企業募資；“AI 太強了，以後大家都失業”——也不是真的，但又被放大了；還有“我們公司訓練出新模型，一下子就能幹掉上千家創業公司”，也不現實，確實有公司遇到困難，比如 Jasper，但沒那麼誇張；還有“AI 需要用電太多，只有核電撐得住，風能、太陽能不行”——這也不是真的。
我認為，關於什麼 GPU 上太空這些說法，也差不多屬於那類噱頭。地球上的 GPU 還有很大的空間可以發揮。很多被放大的敘事，其實是對現實的扭曲。
吳恩達： 我覺得最大的危險在於把 AI 過度神化。AI 確實是非常好的工具，就像電一樣：有很多造福用途，也有可能被用在有害場景。
我自己不太常用“AI 安全”這個說法，不是因為不在意風險，而是我覺得“安全”不是技術本身的屬性，而是使用方式決定的。就像電動機，其本身沒法保證別人不會拿它去做壞事，又比如製造武器。安全不取決於電動機，而取決於怎麼用。AI 也是一樣，它本身既不安全，也不危險，是人類應用方式決定的。
所以，我更常講“負責任的 AI”。關鍵是我們怎麼負責任地使用它。比如前兩天《華爾街日報》寫了一篇關於 AI 失控的文章，我看了，覺得完全是把實驗室裡某個極端案例放大，弄得很聳動。AI 技術太新，很多人不瞭解，這些話題很容易被放大，甚至被用來打擊開源，這是很可惜的。
吳恩達： 創業時要考慮的事情很多，但最重要的是：你有沒有做出使用者真正喜歡的產品？很多人會去想渠道、競爭對手、技術護城河，這些當然重要，但如果只能專注一件事，那一定是：使用者是否真正需要你做的產品。
當你解決了這個問題，其他事情才開始重要，比如怎麼獲客？定價？護城河是什麼？我個人覺得“護城河”這個概念有點被高估了。很多公司最開始是靠產品起家的，護城河是後期自然形成的。消費品靠品牌，企業服務靠渠道。但說到底，重點還是先做出使用者愛用的東西。而且，現在這個階段，機會遠遠多於具備能力的人。尤其應用層，空白太多了，很多新東西還沒人做。所以我建議大家，專注做使用者真正想要的產品，其他事情可以邊做邊解決。
吳恩達： 我先說個簡單建議：很多開發者太擔心 token 成本，其實大多數創業公司根本還沒到那個量級。真正因為 token 開銷太高而受影響的，是極少數產品使用者量真的特別大的團隊。
我們也遇到過，確實有產品因為使用者多，賬單漲得很快，但多數團隊壓根還沒到這個階段。真到那一步，也有很多降低成本的辦法，比如 prompt 最佳化、微調、系統架構最佳化等等。現在很多 Agentic 工作流，確實是在整合很多步驟，比如客服機器人往往要用 prompt、DSP 最佳化、RAG 檢索、Guardrails 等，所以我確實看到這些東西在越來越複雜地組合到一起。
我自己經常做的一件事是，儘量讓系統架構更靈活，方便隨時切換不同的基礎模型。我們有很多產品，背後用的是什麼大模型，可能我自己都說不清楚，因為工程團隊每週在跑 evals，新模型更好，就直接切過去了，甚至不用跟我報備。
基礎模型的切換成本其實不高，平臺層的切換稍微麻煩點，但總體來說，只要架構設計得靈活，越往上疊越多層，速度反而可以越快。
吳恩達： 大家都覺得教育行業正在發生變化，但我覺得還沒到真正大規模變革的時刻，現在更多是各種各樣的探索。Coursera 有 Coursera Coach，效果不錯；DeepLearning.AI 也在做 AI 教學相關的東西；語音學習領域，比如 Duolingo 已經有比較成熟的做法，但整個教育行業還沒定型。
我確實相信未來教育會高度個性化，但這個到底是 ChatBot Avatar 還是別的什麼，還沒完全確定。幾年前的 AGI 幻想太誇張了，實際上教育工作非常複雜，老師、學生各種流程交織，未來 10 年裡，我們要做的就是不斷探索，把這些工作流程和 Agentic 工作流結合起來。現在還在摸索階段，但方向是明確的。
吳恩達： 看你心裡怎麼想。如果你真覺得某個產品不會讓人們變得更好，那就別做。聽起來簡單，其實很難。AI Fund 確實砍掉過一些專案，不是因為賺不賺錢，而是覺得這東西就不該存在。
同時，我覺得讓更多人掌握 AI 也很重要，比如我們團隊市場部的同事都會寫程式碼，效率比不會寫程式碼的人高很多。不是隻有工程師才需要懂 AI，每個崗位都會因 AI 而更高效。所以，讓更多人參與進來是我們應該做的事情。
吳恩達： 我覺得這種知識會慢慢擴散開。我們在做這方面的工作，但我看到兩個風險：第一個，如果普及速度不夠快，可能形成類似手機行業 Android 和 iOS 兩個超級平臺的格局，創新被限制；第二個，有人故意誇大 AI 危險，藉機打擊開源，推行管制。這已經發生了，比如加州的 SP1047 法案，幸好被擋下來了。
有些公司和監管部門說的話，根本不是真實情況，只是為了掌握 AI 大模型的話語權。如果這種法案真被通過了，可能以後只有少數幾家公司有資格釋出大模型，其他創業公司根本沒法做。
所以保護開源，依然很重要。我們過去取得了一些勝利，但這場仗還在繼續。只有保護了開源，AI 知識和能力才會真正散播到每個人手裡。
原文連結：
https://www.youtube.com/watch?v=RNJCfif1dPY
宣告：本文為 InfoQ 翻譯整理，不代表平臺觀點，未經許可禁止轉載。
後續我將透過微信影片號，以影片的形式持續更新技術話題、未來發展趨勢、創業經驗、商業踩坑教訓等精彩內容，和大家一同成長，開啟知識交流之旅
歡迎掃碼關注我的微信影片號～