11月17日，AI Fund 创始人吴恩达接受了20VC主持人 Harry 的访谈。本次对话深入探讨了当前 AI 发展的核心瓶颈、AI 顶尖人才的巨额薪酬、应用层的投资机遇、AI 对 GDP 增长的真实预测、AI 时代的商业利润率与防御性、人力预算向 AI 支出的转移，以及 AI 泡沫等话题。
吴恩达指出，当前阻碍 AI 发展的最大瓶颈并非数据，而是电力供应与半导体产能。他强调，行业对算力的需求呈现“永不满足”的状态，任何效率的提升都会迅速被新的需求填满；相反，数据并不是不可逾越的障碍，大多数企业拥有足量的垂直私有数据，足以启动高价值的 AI 应用。
针对“AI 将取代初级白领”的普遍担忧，他指出，真正处于困境的是那些不懂 AI 的应届毕业生和不愿学习 AI 的资深员工。他认为，真正效率高的是“拥有 10 年经验且精通 AI 工具”的工程师，以及“精通 AI 的应届毕业生”，这两类人企业都招不够。
吴恩达不同意“AI 取代底层 5% 劳动力”的衡量标准。他认为真正的晴雨表是：“AI 能否让人们的能力提升 10 倍？”对于“AGI 只会带来 2% GDP 增长”的平淡预测，吴恩达更倾向于 5% 至 6% 甚至更高的增长。他认为 AI 的核心价值是让“智能”变得廉价，从而极大赋能每个个体。
他认为“AI 竞赛”并不存在单一的终点线，未来将是大型、中型与微型模型共存的生态，以适应不同难度的任务。在投资策略上，他指出应用层存在大量资本高效的“绿芽”机会，而单纯的软件护城河已大幅削弱。
01
AI领域最大瓶颈
您曾说 AI 是新的电力。鉴于目前 AI 似乎与数据、算力和算法相关，我们是否应该从这三个参数来思考瓶颈，哪个是最大的瓶颈？
在半导体方面，您认为最紧迫、而大多数人没有意识到的限制是什么？
我们该如何平衡“对算力永不满足的需求”与“Scaling Law 已达极限，重心转向效率”这两种看似矛盾的观点？
Cohere 的 Joelle Pineau 称 AI 编码助手成熟度仅相当于 2016-2017 年的图像生成，您认为这是公允评价吗？
吴恩达： 我认为目前最大的两个瓶颈，也许电力是其中之一。在美国，我确实担心许多数据中心运营商会卡在审批流程上，我也知道当地社区的支持很重要，有些人不希望在他们那里建数据中心。但是，就像我们为某一代人修建道路和铁路作为基础设施一样，数据中心是构建数字经济的关键基础设施。因此，美国和许多西方国家电力短缺是一个问题。
然后半导体是另一个瓶颈。但是 AI 太复杂了。我认为我们还需要更多数据，也需要更多更好的算法。所有这些都值得我们努力。但在短期内，电力和半导体方面确实存在一些制约因素。
(关于半导体的限制)首先，在我从事 AI 的职业生涯中，我还从未遇到过任何一个认为自己算力足够的 AI 从业者。所以，给我们任何数量的算力，我们都会把它用完，然后说我们仍然不够用。这就是过去 20 年左右一直存在的制约。但我看到的是，随着生成式 AI 的兴起，出现了一些非常有价值的工作负载。例如，AI 辅助编码，它太棒了。它让我们的生产力大大提高。但是，如果你使用 Copilot 足够多，有时你会受到速率限制。我发现许多公司确实面临需求过剩，这是一个非常罕见的问题，但有太多人想要更多的大语言模型推理，想要生成更多的 Token，而我们就是没有足够的半导体、数据中心和电力来满足这种需求。我们可以用 AI LLM Token 生成做很多事情，但当供应方无法满足需求时，这确实令人沮丧。而在需求方，如果你用得太多，就会受到速率限制。
(关于 Scaling Law 与效率的平衡)LLM Token 生成确实正变得更高效、更便宜。事实上，如果你看 OpenAI 的开放权重模型，他们发布的模型运行效率非常高。所以我认为他们做得很好，是不是那个模型有 1200 亿参数？但我认为活跃参数只有 57 亿？所以它实际上是一个运行效率非常高的模型。但尽管 Token 生成的成本在下降，我们对它的需求却是永不满足的。
AI 领域发生的一件令人兴奋的事情是，如果我们审视价值洼地在哪里，其中一个巨大的价值洼地就是 AI 辅助编码。我认为这让人回到了一个更早的时代。在上一代，我认为 Google 主导了水平信息发现，比如网络搜索，但在互联网构建时期，仍有大量垂直领域的空间。于是我们有了 Travelocity 和 Expedia 这样的旅游网站，有了许多零售公司，还有其他交通、社交媒体等领域的公司。我们现在看到的是 ChatGPT 拥有如此强大的消费者品牌。ChatGPT 似乎是新一代水平信息发现的主导者。尽管我认为 Gemini 凭借其对 Android 和 Chrome 的控制所带来的渠道优势，也是一个不可忽视的玩家。但如果水平信息发现的格局就是这样，那么仍然有足够的空间来构建大量的垂直领域。而其中一个清晰且极具价值的垂直领域就是 AI 编码辅助，其中 Copilot，我每天都在用，非常喜欢它。OpenAI 的 Codex 也势头强劲。它显然极大地提高了开发者的生产力和效率，以至于市场需求呈爆炸式增长，“我们必须越来越多地使用它。”
我发现一件令人兴奋的事是，我经常将 AI 辅助编码视为其他工作职能可能发生变化的先兆，随着 AI 营销工具、AI 招聘工具、AI 财务工具变得越来越高效。所以我经常把 AI 编码辅助看作是，也许是其他行业在工具改进后可能发生的情况的预演。
(关于 AI 编码助手的成熟度)我不确定。我认为它要更成熟一些。2016 年的时候，图像生成并没有那么大的价值。我不记得它当时有那么大价值，但我认为今天，AI 编码辅助真的，实际上，在 AI Fund，我的工程主管最近，我当时说，“嘿，我们考虑一下工具标准化吧，”他基本上是说，“我需要这些工具。除非我死了，你才能从我冰冷僵硬的手中把它们拿走。”我想我们的开发者对此感受非常强烈。就我个人而言，我再也不想在没有 AI 编码辅助的情况下编程了。所以我认为这些工具真的非常好用，但在它们还能变得多好方面，仍有很大的提升空间。
02
AI 的价值是赋能 10 倍提升，而非取代底层 5%
关于衡量 AI 在劳动力中成功的晴雨表：Sequoia 的 David Cahn 认为是“取代底层 5% 的能力”，Cohere 的 Joelle 认为是“让人们能力提升 10 倍”。您如何看待？
您认为 "vibe coding" 是一个持久的市场吗？是让每个人都易于编程，还是只是让构建者更高效？
回到您关于人们不应害怕 AI 的观点，效率提升是否必然意味着裁员，例如用 AI 筛选简历就不再需要那么多分析师了？
您是否认为我们正面临白领人才储备问题？即 AI 取代了初级员工的工作，导致 10 年后出现人才断层？
吴恩达：在软件工程领域，它正在加速代码的编写。有太多项目过去需要六名工程师花半年时间才能构建，而今天我或我的一名工程师只用一个周末就能完成。我希望我们再也不用回到没有 AI 辅助的编程时代，因为这种加速，这种生产力的提升是令人难以置信的。例如，有一个周末我想，“哦，我女儿想练习乘法，我想给她准备一些抽认卡。” 实际上是她想练习乘法，她想要抽认卡。所以我想，我或者开车去商店给她买一堆抽认卡，或者我可以用 AI 帮我写代码来生成并打印一堆抽认卡。我选择了后者。这是一个经济价值很低的任务，但是有了 AI 辅助编码，我能很快完成它。
(关于 "vibe coding" 的持久性)我认为我们两者都需要。我对 "vibe coding" 这个词的感觉很复杂，但抛开对术语的挑剔不谈，我认为每个人都应该学习编程。我所看到的是，对于很多不仅仅是软件工程的工作岗位，会编程的人能比不会编程的人完成更多的工作。
例如，我记得我的一位营销人员有一次想做用户调查，她需要一个工具让人们能提供实时反馈。她查了应用商店，没找到合适的。于是她说，“你知道吗？我要花两天时间自己写一个。” 她确实花了两天时间，但我的这位营销人员构建了一个小小的移动应用，用户可以在上面左滑或右滑，对我们想要进行用户测试的一些营销信息提供反馈。正因为如此，我们能够进行用户实验，获得反馈，这也帮助她更好地完成了作为一名营销人员的工作。相比之下，一个不会编写小程序让人们滑动并获得反馈的营销人员，他们根本无法做到这一点，无法获得反馈，也无法推进工作。如今，我最出色的招聘人员，他们不仅用手筛选简历，他们还在编写提示让 AI 帮助他们筛选简历。
(关于效率提升与裁员)我认为有一小部分工作，坦率地说，确实陷入了困境。但我认为对于绝大多数知识工作者来说，AI 非常了不起，但它也有很多事情做不到。所以，那个虚幻的 AGI，即总有一天 AI 能做所有人能做的事，我认为我们离那还非常遥远。我想说，还有几十年的路要走，甚至可能更久。这里的关键是，即便 AI 能完成一个招聘人员 30% 的工作，或者说 50% (虽然这感觉有点高)，那也还有 50% 到 70% 的事情需要人来做。但同样清楚的是，如果你使用 AI 而别人不用，那么你能完成的事情将有天壤之别。所以，使用 AI 肯定会好得多。但因为 AI 不能做所有事情，对于很多工作岗位来说，仍然有大量的工作需要我们人类来完成。
(关于白领人才断层)我不认为情况有那么糟糕。我认为这确实是一个大问题，但我不认为完全是那个问题。让我来告诉您我在软件工程领域看到了什么。我所认识的效率最高的工程师，他们不是刚毕业的大学生。他们是那些拥有 10 年、20 年或更多经验，并且真正精通 AI、了解 AI 工具并理解 AI 的人。那些人，经验丰富且精通 AI，他们的推进速度是世界上一两年前都无法想象的。
下一个层次是真正精通 AI 的应届大学毕业生。我雇佣了不少应届毕业生，他们出于某种原因，通过自己的社交网络或社区，真正学会了 AI 工具，他们的行动速度非常快。但他们还比不上那些既有经验又懂 AI 的人。比应届毕业生再低一个层次的是那些有 10 年编程经验，但工作安逸，出于某种原因仍然像 2022 年 ChatGPT 出现之前那样编程的人。那样的人，我根本不会再雇佣了。但确实有这样的人，他们工作安逸，一直用老方法编程，就是不去学习 AI。我认为这些人迟早会遇到麻烦。
然后是另一个层次，也就是真正处于困境的层次，那就是不懂 AI 的应届大学毕业生。一件不幸的事情是，大学课程改革非常缓慢。所以，我实际上感到很难过，即使在今天，仍有大学培养出的计算机科学本科毕业生，他们甚至没有在互联网上调用过一次任何一个 LLM API。对吧？想象一下，想象一下一个计算机科学本科毕业生毕业了，却从未听说过云计算。这就好像在问，“什么是云？哦，我不需要只是运行东西……” 这太奇怪了。你不可能是一个计算机科学专业的学生却不知道如何在云端做事。我觉得我已经到了这样一个地步，我认为这是不对的。我觉得我们不能在培养计算机科学专业学生的同时，不确保他们知道如何使用 AI 帮助编码，不让他们了解 AI 的构建模块。但是大学课程，这正是那批进入就业市场并真正挣扎的学生群体。但如果应届毕业生懂 AI，我们是招不够的。有那么多企业抢着要雇佣那些应届毕业生。
03
AI 的核心是让“智能”变得廉价
Andrej Karpathy 最近表示，“AGI 只会融入到 2% 的 GDP 增长中”，这听起来有点平淡无奇。您是预期 2% 的增长，还是像 SoftBank 的 Masa Son 那样，达到 5% 到 6% 的显著增长？
吴恩达： 我希望我们能更接近 5%、6% 甚至更高的 GDP 增长。展望未来，我们发现当今世界最昂贵的东西之一就是“智能”。这就是为什么聘请一位高技能的医生为我们诊断，或者聘请一位高技能的导师耐心教导我们的孩子会如此昂贵。因为获得这种智能，获得那位智慧的医生、老师或顾问的服务，成本是非常高的。但有了 AI，我们终于有了一条让智能变得廉价的路径。如果未来，在方方面面，每个人都能得到一支聪明、信息灵通的 AI 团队的协助，而目前只有社会上相对富有的人才能负担得起雇用真人来做这些事，那么每个个体都将被极大地赋能，能够完成更多的工作。那些被高度赋能的个人，他们的生活将截然不同，GDP 的增长也将是巨大的。
04
全球“AI 竞赛”
您之前提到过的“开放权重”生态系统，但我们现在在很多情况下看到了向“封闭”世界的倒退。您如何看待这种向封闭的倒退？您如何分析当前“开放”与“封闭”的竞争格局？
这种开放与封闭的动态听起来就像一场激烈的竞争。您是如何看待大家都在谈论的这场全球“AI 竞赛”的？
我很明显地感觉欧洲已经远远落后了。您如何看待欧洲在一个非常新的世界中的地位？欧洲能做些什么来重新获得与（其他）大国平起平坐的地位？
吴恩达： 情况仍在动态变化中。我认为，对许多美国公司而言，他们最领先的“前沿模型” 通常是封闭的，而次一等的、没那么好的模型，则会以开放的形式发布。我认为这总比什么都没有好。我非常感谢所有发布开源、开放权重模型的团队。
(关于全球 AI 竞赛)虽然人们，有时甚至包括我，都在谈论“AI 竞赛”，但这场竞赛没有单一的终点线。AI 是一种通用技术，你可能在编码方面做得更好或更差，在回答问题方面做得更好或更差，在帮助营销人员和金融等方面做得更好或更差。所以 AI 有很多不同的能力，没有一个终点线。即使是作为一种能力，我认为我们也会在很长一段时间内不断改进。所以我觉得，AGI 更多是出于公关目标而被炒作成了一个“终点线”，但我认为没有终点线。我们只是将在未来几十年拥有不断提高的能力。
话虽如此，拥有更强 AI 能力的实体将会更强大。他们的公民将更繁荣，他们的经济将增长得更快。这就像，如果一个国家拥有出色的电网，而另一个国家电力中断等等，那么，一个国家就可以利用电网进行更多的制造，更多的工业工作，就是用那种方式做得更多。
(关于欧洲的地位)
如果我对欧洲监管机构有一个愿望的话，我曾与相当多的欧洲监管机构交谈过，我听到过这样的话：“我们想成为监管 AI 的领导者，这是我们的竞争优势。” 恕我直言，那不是竞争优势。所以我对欧洲的一个愿望是，停止过度监管，转而专注于投资和建设。问题是，AI 仍处于早期阶段。这场游戏仍处于早期阶段。欧洲有很多聪明人。让人们努力工作。不要强迫他们不努力工作。让那些想努力工作的人努力工作。停止过度监管，去投资和创造东西。
05
令人兴奋的应用层与资本困境
在哪些我们投资不足的领域，最需要加大投入？
吴恩达： 现在有海量的资本涌入数据中心和基础设施。是否存在泡沫，我们可以争论。但我们确实需要大量投资。我们是否到了人们正在使用如此深奥的金融工具为其寻找现金以至于会出现泡沫的地步？我们可以辩论。所以我们绝对需要大量投资，但什么时候会变成过度投资？那是一个有趣的问题。我认为我们需要大量投资的另一个地方不仅仅是基础设施、数据中心、基础模型层，还有应用层。因为其他人已经花费了数十亿美元来训练这些 AI 模型，我们现在可以用几百美元或几千美元或随便多少，或几十美元来访问它们。所以，去构建大量以前不可能实现的应用，这是很棒的。
现在，从风险投资的角度来看，我从多个 VC 那里听说过，奇怪的是，尝试某件事的成本如此之低，以至于想法更少了，不太确定该把大量资本投向应用层的什么地方。事实上，如果你看看很多应用层的投资，有时感觉就像公司投入 1 亿美元，以便他们可以付钱给 OpenAI 和 Anthropic，然后 OpenAI 和 Anthropic 可以付钱给 Nvidia，这就是所有钱最终的去向。
话虽如此，在应用层上，有太多有价值的赌注可以押，就是去创造东西。但困境是，你可以用一种非常资本高效的方式来做。所以如果有人想说，“我想投入 100 亿美元”，是的，你可以建造价值 100 亿美元的数据中心。我们知道怎么花那笔钱。但你如何花费 100 亿美元来构建应用程序？问题几乎是，“我尝试一个想法只需要 100 万美元，那我怎么花掉 100 亿美元？” 这有点像个问题，又有点不像。
Harry: 当你看看 AI 利润率，AI 应用层公司的利润率如何，它们很糟糕。它们不赚钱。它们构建成本很高，因为你有大型工程团队来构建它们。它们花费更多，而不是更少。
吴恩达： 我认为情况仍然不同。我看到了很多软件应用的“绿芽”，它们的构建成本并不那么昂贵。如果你的 LLM Token 使用量不是你费用的主要部分
Harry: 如果你看 Replit 或 Loveable，他们 80% 的传递费用都给了 Anthropic。
吴恩达： 是的。所以，我感到兴奋的动态是，我认为随着 LLM Token 成本持续下降，我们将看到经济模式如何变化。现在，LLM Token 就是很贵。但希望这种情况会改变，并且创造的价值真的很大。实际上，我记得一个更早的时代，比如在送餐的早期，我在美国和中国都看到了这种情况。有很多 VC 补贴的餐饮，那很棒。我们可以吃送来的食物，基本上是 VC 补贴的。我认为我们现在在很多 VC 补贴的 AI 编码上也看到了同样的情况。金融定律表明，在某个时刻，这不可能永远持续下去。但它最终会稳定下来，我认为将会出现一些非常有价值的、不再永久依赖 VC 补贴的企业。但是，要在这个疯狂的 VC 补贴世界中穿行，并获得一个好的结果，需要很多技巧。
但话虽如此，我仍然想说，有很多更小的应用程序，它们还没有做到这些，数亿美元的，也许它们正在做数百万美元或数千万美元的收入，而它们的构建和运营成本并不算太高。我认为我们会看到它们继续增长。
06
世界需要所有尺寸的模型，从微型到大型
您如何看待一个由大型单体模型组成的世界，与由更小、更高效、更专业化的模型组成的世界之间的问题？您对哪个将更占主导地位的心态改变了吗？
吴恩达： 我认为很清楚，这将是所有上述情况。我们将有大型模型、中型模型和微型、小型模型。我对此充满信心的原因是，智能的本质是多样的。有时我们做智力上非常容易的任务。比如，昨天我女儿，她拼错了“butterfly”这个词，所以我需要告诉她如何拼写“butterfly”。这是一个容易的智力任务。而有时我坐下来花几个小时思考一些复杂的，比如技术问题，那真的很难。所以智能具有我们要做的各种各样的事情。因此，我们希望 AI 做的事情的集合，也有一个巨大的范围。如果你想让 AI 做基本的语法检查和拼写检查，你不需要一个万亿参数的模型。使用一个微型模型，也许在本地运行，就做到了。但是如果你想让它做复杂推理，去写一段代码，那么是的，拥有一个强大的模型将会做得更好。因此，我实际上非常自信，我们最终将拥有各种规模的模型，小的和大的，来完成各种各样的任务，就像我们人类做一系列难度任务一样，AI 也是如此。
07
反驳“AI Agent 十年论”
这是否意味着你不同意 Andrej Karpathy 的观点？他认为有用的 AI Agent 还需要十年才能实现。你能举个例子吗？
吴恩达： 我不同意这个看法。我认为我们现在已经看到了非常有用的 Agent 工作流。AI Fund 的团队已经为许多任务构建了大量的 Agent 工作流，如果没有这些工作流，很多任务我们根本无法完成。
一年多以前，我们当时认为，不论对错，关税合规可能会成为一个问题。不幸的是，我们似乎猜对了。所以去年大概八月左右，我们开始探索构建能协助处理关税合规的技术。顺便说一句，我不知道你是否见过那些关税合规文件，当我看到填写这些文书所需的东西时，我简直……“天啊，这到底是什么？”比如，假设要“进口一辆自行车”，你需要查看自行车的规格、价格、轮子尺寸，进口一辆自行车有各种各样的规则和条例。这让我忍不住想：“天啊，这些工作真的是人类在做吗？”因此，我们构建了 Agent 工作流来仔细阅读关税合规文件，精确获取进口物品的规格，然后进行匹配并提出建议。这个项目现在成为了我们的投资组合公司 Gaea Dynamics。随着关税合规的日益复杂，这家公司发展得相当不错。我发现，如果没有 Agent 工作流，我们根本不可能做到这件事。
在医疗辅助领域，我们有几家不同的 AI Fund 投资组合公司，比如在印度运营的医疗助手，以及帮助处理法律文件的 AI 助手 Kalido。其中许多工作流我们过去都无法实现。所以我认为，今天已经存在有用的 AI Agent 工作流了。并且不只是在我们的创业公司中，大型企业也是如此。我们观察那些超大规模云服务商，以及我和一些大型企业的朋友交流时发现，他们内部有大量的工作流，如果没有这些 AI Agents，是根本无法运行的。
08
企业利润率绝对重要，但要基于对技术发展方向的预判来构建
当我们考虑企业的核心，也就是利润率时，会发现这些企业大多没有利润率。您现在投资时还关心利润率吗？还是您持有一种比较理想主义的观点，认为随着时间的推移和效率的提升，利润问题会自行解决？
吴恩达： 到了某个节点，无论是物理定律还是金融定律，利润率终究是重要的。但 AI 的一个棘手之处在于，我们都清楚技术是会迭代的。所以我们构建应用时，不能假设技术停滞不前，而是要假设技术会不断进化。一个最明显的例子是：大语言模型 Token 的价格一直在快速下降。根据不同的说法，年同比下降幅度可能达到 80%。我们在构建原型时，通常根本不担心 Token 成本。因为最重要的事情永远是先构建出用户喜爱的产品。我们的经验是，这确实在我身上发生过好几次了，我们先不计成本地构建产品，当用户开始使用，API 账单就开始攀升。然后你就会每隔几周盯着账单感叹：“哇，这太贵了。这花掉我一个工程师的薪水了。不，已经超过两个工程师了。这开销太……”但幸运的是，到目前为止，每当这种情况发生时，我们几乎总能找到办法把成本曲线压下去，其下降速度甚至超过了市场上 Token 价格的普降速度。
所以我认为，利润率绝对重要，但前提是你要对技术的发展方向有预判。这样你就不会只为眼下的利润率构建，而是为你预测的未来形态而构建。我认为这是一个重要的区别。当然，我们也不会持有一种盲目乐观、“AGI 即将实现”之类的乌托邦观点，那同样是过于简单化了。
09
企业采用 AI 的最大障碍是“人”而非数据
您如何看待 AI 时代的“防御性”或护城河？鉴于 AI 缩短了复制时间，您是否同意当今对防御性的普遍质疑？
既然软件护城河变了，利润率也有了弹性，那么您认为阻碍大型企业积极部署 AI、防止被淘汰的最大障碍是什么？
吴恩达：护城河正在发生变化。我发现，护城河通常更多地取决于行业特性，而非技术本身。AI 作为一种技术，并不能为大多数企业提供护城河。无论你是用 AI 做无人机、法律还是其他任何领域，护城河都更多地源于那个行业的特性。
但关于护城河，有一点的确变了：在过去，软件本身就是一道护城河。如果你花了 10 年构建一套软件，其他人是很难复制的。但现在，这道护城河比以往弱得多了。不过，其他的护城河依然存在，比如，你是否在尝试用 AI 加速构建一个双边市场？这可能具有极强的防御性。又或者，你的产品是面向消费者还是企业？是否存在品牌和声誉效应？这些都可以帮助你建立壁垒。所以我认为，软件这道护城河已经变了，但其他护城河的分析依然要回归到行业本身。
我认为大多数大型企业最大的障碍，是“人”和“变革管理”。
Harry: 不是数据吗？
吴恩达：不是数据。我非常确定不是数据。这并不是说数据不重要，但它绝对不是瓶颈。关于 AI 的炒作有一个很有趣的现象：炒作中几乎总包含着一点有价值的核心事实，只是它被夸大了 10 倍。在讨论数据之前，我先举个例子。近来一直有种论调：“有了 AI，我们将迎来‘一人独角兽’公司”。这成了一个热门话题。如果你想创办一家估值十亿美元、但只有一个员工的独角兽公司，那很好，放手去做吧。但如果公司估值都十亿美元了，你完全雇得起两名员工，甚至十名。那你为什么非要把它夸大到“只用一个员工”呢？事实是，团队规模确实在缩小，我们用更小的团队就能完成更多的工作。这是事实。但炒作把它夸大成了“用一个人创办独角兽”。我发现很多 AI 相关的炒作之所以难以辨析，就是因为它里面含有一点事实，但又被过分夸大了。
现在说回数据。数据很重要，但事实证明数据是高度垂直化的，你并不需要像想象中那么多的数据才能启动。例如，Landing AI 与金融机构和医疗保健行业有很多合作。许多金融机构拥有海量的交易数据，你拿到 PDF 文件，将它转换为 大语言模型 可以处理的 Markdown 文本，然后就能去处理它、挖掘价值。比如，我们可以处理 SEC 的备案文件，那些大型复杂的财务表格，非常准确地将它们转换成 Excel 电子表格，然后交给你的分析师或 AI 去分析并得出结论。你完全可以做到。通常，只要发挥一点足智_谋的精神，看看外部数据和公开数据，往往就能启动一些项目了。
事实证明，很多互联网数据是通用数据，而世界上绝大多数数据其实是私有的。许多企业拥有非常有价值的交易数据、销售数据、产品数据、制造数据和物流数据。所有这些数据，只要有一个精干且知道如何使用它们的团队，就可以开始构建应用并创造价值。我不是说数据越多越不好，但你绝不会因为缺少数据而寸步难行。
10
企业的 AI 采用
许多大型企业（如 JPMorgan、Goldman Sachs）出于数据安全和权限管理考虑，禁止使用 ChatGPT 并转而构建自己的内部系统。这会是企业采用 AI 的常态吗？
吴恩达： 我认为我们最终会解决这些问题。我发现很多企业其实正在采用 大语言模型，包括 ChatGPT 和许多其他模型。时至今日，仍然有企业坚守本地部署而不是上云。但我们正在取得进展。这需要时间。关于 AI 的一个炒作是，我们会在两年内实现 AGI 之类的。我认为这对于 AGI 的大多数合理定义而言，是根本不可能发生的。就像，我们进入云时代多久了？但现在仍然有大量的系统运行在本地部署环境。
我认为 AI 的普及将带来巨大的 GDP 增长，这非常棒，但它需要的时间也会比炒作宣称的要长得多。我甚至认为，十年后，我们仍然在为企业寻找有价值的应用场景并努力构建它们。话虽如此，我们在未来一两年内会取得长足的进步，但即使是 10 年后，这项工作也远未完成。
关于 AI 的采用和实施，还有哪些普遍存在的误解？
吴恩达： 就在今年早些时候，我们还看到一些知名的商界领袖建议人们不要学习编程，理由是 AI 将会自动完成这些工作。当我们回过头看，这可能是近年来最糟糕的职业建议之一。随着 AI 辅助让编程变得更容易，应该有更多的人去学习编程，而不是更少。我已经看到了，我刚才提到了营销人员构建反馈应用的例子。但我认为，对于许多工作岗位来说，那些知道如何准确告诉计算机自己想做什么、以便让计算机为你执行的人，将变得更加强大。
在可预见的未来，这种“准确告诉计算机做什么”的语言，就是编程。这不意味着你必须手写代码，手写代码正在变得过时，而是要学会让 AI 为你编写代码。能够做到这一点的人，会变得更高效、更强大，也会从中获得更多乐趣。
11
AI 价值释放的关键
如果我们 10 年后仍在改进，我们有足够的资金支持 Sam Altman 想要的万亿美元和海量能源吗？
AI 投资成功的关键在于企业支出是否会从“人力劳动预算”转向“软件预算”。如果企业不裁员，这种转变会发生吗？
吴恩达： 我认为我们在未来两年内就会看到巨大的进步。但我只是说，即使 10 年后，我们仍然有更多的改进空间。AI 辅助编程就是一个极具前景的领域。我们已经看到了实实在在的生产力提升和回报。它正在彻底改变软件的编写方式，这非常棒。我很多朋友都觉得，有 AI 帮助，编程比以前有趣多了。所以，我们正在看到回报。但这个增长过程在 10 年后仍不会结束。
(关于预算转变)对我来说，问题在于：AI 究竟主要是为了节省成本，还是为了驱动增长？我知道改变工作流很困难，所以很多公司倾向于考虑节省成本。但也许问题出在这里。我确实观察到一种模式。假设我有一项工作任务，包含五个步骤，每个步骤占我 20% 的精力。比如我正在做贷款审批。为了简化，假设五个步骤，各占 20%。如果你能将其中一个步骤自动化，你就节省了 20% 的成本，这相当不错。如果你是一个低利润率的企业，这可能很棒，但这感觉并不像一个“游戏规则改变者”。
我发现，AI 更有价值的用途，通常需要你重新思考整个工作流。我看到的模式是，不要止步于节省 20% 的成本，这样做没问题，而是要寻求另外两种增长模式：要么“做得更多”，要么“做得更快”。在贷款审批的例子中，如果我不是节省 20% 的人力，而是重新设计工作流来缩短决策时间，比如，用户不再需要等待两周才能得到信贷员的答复，我们可以在 10 分钟内给出初步答案，这就彻底改变了产品形态，从而推动增长。这就是“更快”的模式。
然后是“更多”的模式。举个例子，很多企业过去只能为少数昂贵的高端客户提供“高接触”的客户服务。但是，如果你现在可以服务于一个规模大得多的群体呢？再比如财务建议。以前你只能为一小群人提供高接触的财务建议，如果你现在能向更多的人提供同等质量的服务，这就再次改变了产品，并驱动了增长。
所以，关键不是节省成本，而是看 AI 能否让你把事情做得更快，或者让你把一项任务的规模扩大一千倍，不再服务少数人，而是服务海量人群，因为这样做在经济上已经变得可行。这是我观察到的、能推动价值增长的两种模式。我认为这对于释放 AI 带来的 GDP 增长至关重要。
12
AI 行业的垂直整合与成熟度
您认为“垂直整合”（如 Nvidia）在 AI 时代至关重要吗？是拥有技术栈的每一层更重要，还是会由不同参与者占据水平层面？
那么，Zuckerberg 和 Altman 在数据中心上的巨额投入是正确的，还是他们应该保持耐心等待行业成熟？
吴恩达： 我认为这会随着时间推移而演变。我打个比方。在计算行业的早期，是垂直整合的厂商赢了。因为那时候，如果你想把键盘连接到带 CPU 的主板上，如果你的键盘电压是正负 5 伏，而 CPU 是另一种电压，它们能一起工作吗？当时我们并不知道 API 边界应该在哪里。或者，如果你的 CPU 内存布局是 A 方式，而你的数学加速器需要 B 方式，它们必须能够彼此互操作。
所以，在我们对“在哪里划清界限”以及“什么是 API 边界”有清晰概念之前，那些集成玩家，比如当年的 IBM，能够解决所有问题，构建出有价值且能正常工作的产品。但随着行业日趋成熟，我们开始有了标准。比如，现在我们有了 USB 标准，在此之前还有其他标准。所以现在，你制造电脑，别人制造键盘，我们把它们插在一起，一切正常。
当一个行业尚不成熟时，你很难弄清楚该在哪里划分边界，才能让不同的参与者各司其职，又能确保产品互操作性。但随着行业成熟和更多标准的出现，比如，如果我想在互联网上发布一个压缩的 大语言模型，它的文件格式应该是什么？我们正开始看到越来越多的标准。这使得单个参与者更容易在做好自己那部分的同时，仍然能融入更广泛的生态系统。
(关于 Zuck 和 Sam 的投入)我认为很明显 OpenAI 的投资迄今为止已经获得了回报。在某个时刻，投资确实有可能过度，但我不知道现在是否到了那个地步。此外，我认为许多参与者用来转移风险的金融工具也相当值得玩味。
13
AI的“泡沫”与“炒作”
您担心（风投和科技巨头间的）循环交易吗？
这些迹象在什么情况下会演变成重大的担忧？
您会因为“泡沫”的讨论而感到烦恼吗？
吴恩达： 这是需要留意的事情。我并不过分担忧，但事情可能泡沫更多，也可能泡沫更少，可能更像一个泡沫，也可能不那么像。而这些循环交易，正是让事情感觉有点泡沫化的迹象。
(关于担忧)你提到了红杉 (Sequoia) 那篇关于 AI 领域 6000 亿美元问题的文章。我对此感到担忧。但有趣的是，我对于技术栈不同层级的担忧是不同的。我看到的是，在应用层，投资回报率 (ROI) 非常清晰。我认为别人训练好这些模型，我们花 10 万或 100 万美元就能开发出应用并开始产生投资回报率，这棒极了。棘手之处在于如何将基础设施的投资校准到正确的水平。但话虽如此，我们同时也非常清楚，我们确实需要更多的电力、更多的数据中心和更多的半导体。这一点毋庸置疑。所以我们理应大量投资，我很高兴我们正在这么做。但正确的投资金额究竟是多少？我认为这才是难题。不过，这个数额应该会非常大。
(关于“泡沫”讨论)我不会因为“泡沫”的讨论而烦恼，但我确实对“炒作”感到烦恼。怎么说呢，当监管机构打电话给我说：“嘿，我们听说 AI 可能导致人类灭绝。”（谢天谢地，现在这种情况比几年前少多了）。这时我就会觉得，我们的对话本应该讨论：“我们如何提升劳动力的技能？我们应该在哪些领域投资？”而不是：“我们如何让这东西慢下来？”我认为这种炒作极大地扭曲了公众对 AI 的认知。
炒作还有一个缺点，那就是没有公众对 AI 的支持，事情的进展就会放缓。举个例子，我有个朋友经常和高中生打交道。他告诉我，他曾和一个高中女生谈论未来是否可能从事 AI 相关的职业。那个女孩说：“你知道吗？我听说 AI 可能与人类灭绝有关。我不想和那种事扯上任何关系。”就这样，这种炒作让一个本可以在 AI 领域大有作为的高中女孩望而却步。我认为这确实导致人们做出不理智的决定，无论是在个体（如学生）层面，还是在社区层面。当一个社区叫停了本可能对社区乃至世界都有益的数据中心建设时，我认为这同样非常不幸。
我认为媒体在筛选和传播知识方面扮演着重要角色。记者们所提问题的质量，随着时间的推移，很明显在不断提高。但信息生态系统中仍然存在炒作的成分，持续扭曲着信息。不幸的是，某些类型的炒作背后存在着经济激励、监管俘获 (regulatory capture) 和立法利益。我确实观察到一种现象，我不会点名任何公司，但我发现那些已经取得一定成就、有所顾忌的公司，他们的言论随着时间的推移会变得更加温和。所以，我发现当你成为一家成熟的公司时，你会说出更明智的话。但我认为有些公司可能面临着更大的生存风险，我发现那些公司中，有一些是炒作的最严重源头，因为他们没什么可失去的，所以就信口开河。
我认为，在很多方面，这种炒作是一种绝望中的反击。当你看到 Demis，一位杰出的领导者，或者 Sam，甚至 Dario，他们所有人，我认为，随着他们公司的日渐成熟，他们的立场都缓和了很多。
吴恩达： 我不评论个人，但我认为，当你有“家业”可以失去时，你说话会更明智。但当你的公司面临更大的生存风险时，人们有时为了筹集资金会说一些奇怪的话。
展望未来十年，您最期待的是哪一件事？
吴恩达： 我希望能赋能每个人使用 AI 进行创造。我认为，从你产生一个想法到你实现它，这个过程现在大大缩短了。我们需要的不仅仅是软件工程师去创造。所以我希望在未来，有很多人不再是问：“有能做那个的 App 吗？”而是会说：“我为那个构建了一个 App。”他们将不再仅仅是软件用户，而是软件的创造者。当我们实现这一点时，全世界的人们都将获得更强的能力，能完成更多的事，享受更多的乐趣。
粤ICP备14082021号
免费POC，
零成本试错
