近日，吴恩达接受了《华盛顿邮报》的访谈，吴恩达曾创建并领导谷歌大脑团队，担任斯坦福大学人工智能实验室主任，联合创立在线教育平台DeepLearning.AI，目前担任AI Fund 管理普通合伙人。
本次对话吴恩达回顾了 2010 年向提出“越大越聪明”的规模化信念如何最终催生Transformer 架构，也探讨了最近的开源闭源争议以及“模型蒸馏论”，吴恩达认为，将开源模型等同于“中国模型”并以此炒作国家安全焦虑，是一种荒谬的游说逻辑。他指出，Kimi 3 从基础模型开源到发布的时间窗口极短，根本不足以支撑大规模蒸馏训练，因此中国开源模型主要靠蒸馏美国模型的说法难以成立。
基础设施方面，吴恩达指出，相比动辄被视为泡沫风险的数据中心资本支出，真正被严重低估的是建立在基础设施之上的应用层价值——正如互联网时代思科赚得盆满钵满，但真正的价值爆发发生在应用层。
此外，他还就数据中心建设的社会阻力、企业护城河如何构建、开源模式的商业化路径等话题给出了具体案例和判断。
01
Transformer引爆 AI 革命
请回顾您2010 年向谷歌创始人 Larry Page 提出的构想，正是这一构想促成了谷歌大脑的诞生；您对AI 如今发展到这个阶段的速度是否感到惊讶，还是说这本就是您早已预料到的高度？
吴恩达：那时候我有一个备受争议的想法，如果我们构建极其庞大的神经网络，并向其输入海量数据，它们就能学到不可思议的东西。因此当我组建谷歌大脑团队时，我给团队设定的首要方向就是我们要构建规模极其庞大的AI 并输入海量数据。虽然这个方向听起来过于简单，我们最终却取得了惊人的成就。我认为正是谷歌大脑团队的这种文化，促使它后来发明了Transformer 神经网络。这确实是谷歌大脑团队公开发表并被 OpenAI 采用的一项关键技术。后来它被业界广泛采用，从而引发了现代AI 革命。但这实际上都是源于我在斯坦福大学早期的研究数据中观察到的一个理念，即你构建的AI 越大，它们就会变得越聪明。这个理念至今仍在推动我们不断前进。
即便在当时，我对AI 的未来走向也非常乐观，现在我依然对我们未来能达到的高度充满期待。但至于我们具体处于什么阶段、未来究竟能走多远，有时候我会感到非常兴奋，有时候我又会纳闷为什么我们没有走得更远。我们现在看到的是，尽管AI 技术非常惊人，但许多企业依然觉得这项技术还没能真正帮到他们。挑战之一在于没有哪家公司仅仅通过购买ChatGPT 或微软 Copilot 的许可证就能获得竞争优势。真正的问题在于找到合适的应用场景。这涉及人员的变革管理，需要让合适的人理解这项技术，将其与实际的应用场景相结合，当然这也离不开基础设施的支持。
02
AI 落地的真问题：不是买许可证，而是找场景
您刚刚推出了OpenWorker，这是一款开源桌面AI Agent，它能够直接生成最终的工作成果，而不仅仅是进行对话，这是否是您刚才提到的落地难题的解决方案之一？
吴恩达：我的朋友Rohan Prasad 和我一直在开发一款开源的 AI，你不只是和它聊天，它实际上还能替你完成工作。现在很多人依然使用ChatGPT、Claude、Gemini 或类似工具来提问并获取答案。但如今 AI 完全可以走得更远。除了陪我聊天，它还能生成一份排版精美的完整文档，而不是仅仅提供一堆让我复制粘贴的内容。它甚至可以直接帮你发送电子邮件，在Slack 等消息系统中帮你发消息，或者为你搭建一个数据看板。因此OpenWorker 是一款完全开源、免费的软件，任何人都可以用它在自己的电脑上完成这些工作。实际上我也非常看好Claude 的 Computer Use、ChatGPT 的相关功能以及 Gemini 等工具，它们都非常优秀。而OpenWorker 则是为大家提供了一个任何人都可以免费使用的开源版本。
03
开源模型不能被以“危险论”为由打压
目前关于开源与闭源、开放权重模型与闭源模型的讨论非常热烈，许多前沿模型开发商都在做闭源模型，用户必须为Token 付费，随着成本不断增加，企业开始对这种模式产生抵触情绪，您如何看待开源与闭源之争？
吴恩达：为了维持竞争优势，我们必须做的最重要的事情之一就是支持和维护开源模型。顺便澄清一下，我可能是唯一一个既当过Sam 的老板也当过 Dario 的老板的人，所以我实际上非常支持OpenAI 和 Anthropic，我由衷希望他们能发展得很好，顺利完成出色的IPO，我真的希望这些伟大的美国企业能够取得成功。但与此同时，这些企业的成功不能以切断其他人对开源模型的访问为代价。OpenAI、Anthropic 和谷歌在训练闭源的专有模型方面做得非常出色，他们以相当高的价格出售访问权限。而开源模型则是人们在互联网上公开发布、任何人都可以免费使用的模型。这些模型性能极其卓越，非常智能，而且通常成本要低得多。
少数企业进行了大量游说声称开源模型是危险的，这让我感到震惊，我认为这种说法是荒谬的。或者他们声称开源模型在某种程度上不如闭源模型，我完全无法理解这种逻辑。开源模型给了企业更多的选择，这意味着你不会被锁定在某一个闭源专有模型提供商那里。事实上我经常给企业领导者的一个建议是，我无法预测一年甚至六个月后哪个模型会成为最顶尖的模型，因此在构建业务时，最重要的事情之一就是保持选择的灵活性，这样我就不会被单一供应商绑定。我使用OpenAI、Claude、Gemini，也使用很多不同的模型，但我不会让自己受制于其中任何一家，因为一年后我们肯定希望使用最好的那一个，不管它是一个成本更低的开源模型还是一个闭源专有模型，保持这种灵活性至关重要。全球的供应链都在使用开源模型，因此确保美国能够继续使用开源模型对我们来说同样重要。
有观点提出，部分游说操作试图将开源模型与其他国家的模型画等号，进而提出国家安全论调，但这一等式并不成立；您如何看待其他国家在开源模型上的推进策略，以及这对美国维持开源生态构成怎样的挑战？
吴恩达：几年前ChatGPT 首次发布时，美国在生成式AI 技术上占据了决定性的领先优势，但从那时起，其他地区在应对这一局面时表现得非常出色，其中做得非常优秀的一点就是积极拥抱开源模型。事实证明当你将模型免费开放供所有人使用时，它固然帮助了全世界，但它对你自身的帮助甚至远远超过了对全世界的帮助。开放性、沟通的自由以及知识的快速传播，意味着这些地区正在飞速发展，并且正在接近与领先模型同等的水平。
相比之下，由于大量美国的研究工作都投入到了闭源专有模型中，如果你在开发中遇到问题，很难知道该去请教谁来解决这个建模难题。也许一家公司以天价挖走了另一名工程师，然后会有一些知识的传播。但我认为这种反对开源模型的游说活动已经阻碍了美国AI 领域的发展。
我们美国确实也有一些非常出色的开源模型，我认为英伟达的Nemotron 模型就非常强大，AI 初创公司 Mistral 的表现也非常亮眼，我很乐意看到更多这样的成果涌现。我认为专有模型和开源模型都有其成功的空间，最重要的是维持一个公平的竞争环境，让人们有选择使用最佳模型的权利。
一件令人遗憾的事情是，全世界都将广泛使用开源模型，全球很大一部分地区都将依赖开源模型，因此美国在开源模型上的投资不足意味着有许多国家，例如非洲国家，在寻求技术采用时只能转向其他选项。我们在美国可能感觉不明显，但在那些对价格更为敏感的地区，其他地区的开源模型已经占据了巨大的市场份额。这非常令人遗憾，因为我希望美国的开源模型或者说美国的模型能够在全球范围内更具竞争力。
如果一个开源模型能让你以五分之一或三分之一的成本获得相应的智能算力而你却不使用，那将是一个巨大的竞争劣势。对于每一个想要构建AI 应用的开发者来说，如果你的算力成本比别人高出三倍，这在商业层面就是一个非常致命的劣势。
04
反驳Kimi 3“蒸馏论”
有人认为中国开源模型所取得的进步，在多大程度上归功于知识蒸馏，而不是自身的研发进展以及开源模型固有的技术普惠特性？
吴恩达：显而易见的是，美国拥有伟大的技术创新，中国同样拥有卓越的技术创新。事实上许多美国的前沿实验室都在积极阅读其他地区实验室发表的大量开源研究成果，你必须这么做，如果不这么做那就太不明智了。因此美国的实验室绝对从这些研究实验室的海量创新中受益匪浅。
我认为将知识蒸馏视为主要因素的观点被极度夸大了。这里存在一个核心问题，那就是世界应该如何界定公平。世界各地的AI 实验室都从公开的互联网上获取数据，并将这些互联网上的知识蒸馏到他们的AI 模型中。如果他们回过头来说，我已经把互联网知识蒸馏到我的模型里了，从现在起任何人都不能再从我的模型里进行蒸馏，那是不公平的，这样做合理吗？我认为社会究竟应该如何界定公平与否，这本身就是一个悬而未决的问题。
最近发布的Kimi 3，考虑到其基础模型仅在很短的时间内开源可用，有人声称Kimi 3 主要是通过蒸馏训练出来的，我发现这种说法很难令人信服。他们根本不可能在这么短的时间内获取那么庞大的数据，Kimi 3 怎么可能在如此短的时间内就训练完成呢？
我在政策讨论中感觉到的是，有些人为了攻击开源模型可谓是无所不用其极。当你获得一个开源模型时，无论它是哪个实验室发布的，只要你在美国的基础设施上运行它，它基本上就变成了一个由美国基础设施控制的模型。举个例子，如果我在美国将代码发布到网上然后被其他国家使用了，那么从那一刻起就是那个国家在控制它了。因此我认为那些旨在延缓美国采用开源模型的恐慌、不确定和怀疑情绪实在太多了。
对于开源模型该如何维持其商业模式，闭源厂商按Token 收费能获得利润空间以支撑庞大算力建设，但开源AI 模型支撑如此庞大资本支出的资金从何而来？
吴恩达：Bill Gurley 最近在《华盛顿邮报》上发表了一篇文章，探讨了开源作为一种成熟商业模式的可行性。红帽公司通过开源Linux 操作系统建立了一项伟大的业务，还有许多其他企业也是建立在开源基础之上的。我认为如何将这一模式具体应用到开源模型上，相关的细节仍在摸索之中。但在股票市场上，有一些上市公司凭借其开源战略不仅吸引了聪明的投资者，而且似乎发展得相当不错。诚然训练开源模型的资本支出确实远高于编写传统软件，但我相信适合他们的商业模式终究会被摸索出来。只要开源模型能为你带来根本性的成本优势，这就值得我们高度关注。
05
如何看待物理空间与数字空间之间的交互关系
AI 不仅是一个发生在线上的数字故事，也是一个发生在线下的物理故事，围绕AI 的大规模基础设施建设正在推动经济持续增长，您认为正在研发的这些突破性技术在多大程度上仍然依赖现实的物理世界？我们谈论的是训练、运行和使用AI 模型所必需的数据中心、电网、半导体、冷却设备以及其他基础设施，您如何看待物理空间与数字空间之间的交互关系？
吴恩达：全球正在投资建设更多、规模更大的数据中心，我认为这是一件好事。我觉得这个故事中有一个容易被忽视的部分，那就是大量资金被投入到数据中心的建设、GPU 的采购以及基础设施层的资本支出中。毫无疑问我们迫切需要更多的推理算力，即在模型训练完成后用来输出智能结果的算力，而且这方面的算力似乎永远都不够用。
然而这个故事中真正更有价值且被严重低估的部分，是建立在这些基础设施之上的所有应用程序的价值。举个例子，当年互联网兴起时，思科表现极为出色，思科赚得盆满钵满，我也很高兴，因为我在思科有很多朋友。但是建立在互联网之上的那些应用程序，其创造的价值要庞大得多。事情必然会这样发展，因为你必须依靠那些构建应用程序的人去创造足够的收入，进而支付给基础设施提供商。
因此在AI Fund，我与合伙人Christy Tan 花了大量时间帮助大型企业去思考，到底哪些应用程序能真正改变商业模式，而不仅仅是让我们跟聊天机器人聊聊天、复制粘贴文本或者修改邮件语法。我们要寻找的是能带来颠覆性自动化的场景，这不仅仅是为了节省成本，更令人兴奋的是它们能够驱动业务的实质性增长。人们至今仍未充分意识到，这些应用场景将比我们目前高度关注的基础设施建设故事更具商业价值。
06
大型企业的护城河来自于将既有资产与 AI 深度结合的领导决心
当您与投资者交流时，如何避免投中这样一家公司，即他们正在开发的产品或应用很可能会被前沿模型厂商的下一次产品更新直接执行相同的功能从而被淘汰？在做投资决策时您是如何考量这个问题的？
吴恩达：无论是小型初创企业还是大型传统公司，我们有时都会思考，什么是能够让企业具备防御性并维持长期生存的护城河。对于大型企业而言，我发现他们许多现有的资产都是经过几十年甚至更长时间积累起来的，这其实非常难以被取代。但他们真正需要做的是建立正确的自上而下的领导机制，他们需要去思考，基于我们已经积累的所有宝贵资产，包括客户关系、技术积累、海量数据、供应链体系等等，我们应该在哪个环节引入AI 从而提升效率，或者更激动人心的是以此来推动业务的大幅增长。
我可以举一个例子。本周早些时候我拜访了摩根士丹利，并与他们的首席执行官Ted Pick 以及 Dan Simkowitz 和 Andy Saperstein 进行了交流。我发现这正是一家伟大的金融机构，也是世界上最重要的机构之一，从最高管理层定下基调全面拥抱AI 的绝佳案例。他们提出要在全球范围内为公司的每一位员工提供 AI 培训，并推行了一系列名为挑战实验室的实践活动，在这些活动中他们将业务负责人和技术负责人聚集在一起共同探索AI 的应用场景。
我发现业务与技术领导者之间的这种合作往往能够挖掘出真正有价值的应用场景，这些场景绝非仅仅带来微小的效率提升。当你深入思考企业是如何创造价值时，你不会仅仅满足于让某项任务的执行成本略微降低，相反你可能会思考如何将这项服务规模扩大一百倍以推动增长，或者如何将服务速度提升十倍，从而更迅速地响应客户并提供更高价值的产品。我认为这些探索非常激动人心，并且它们产生的价值将远远超过人们日常谈论的那种基础的业务提效和成本节约。
07
算力泡沫与失业潮是两个被过度渲染的焦虑
我们在基础设施方面持续看到规模惊人的资本支出，对于那些担心存在泡沫，或者认为投资过热、过快的人，您会怎么回应？
吴恩达：我不会给任何人投资建议，但有一点我深信不疑，那就是我们需要多得多的推理算力，也就是让AI 帮我们生成 Token、输出结果的算力。以软件工程为例，这是AI 提速最快、赋能最深的领域，因为AI 正在编写海量的代码。这里有两个有趣的观察。首先，AI 的渗透率依然很低，很多软件工程师还没有完全接纳AI 工具，但那些已经用上AI 的人，不仅工作速度和生产力大幅提升，而且我觉得他们在工作中也获得了更多乐趣。当下，我们就已经处于推理算力供不应求的状态了。因此，随着AI 在软件领域的渗透不断加深，我们对AI 算力的需求只会越来越大。这并不意味着投资硬件设施就一定稳赚不赔，但我相信，无论我们建出多少算力，最终都会被完全消化掉。
这方面还有一个好消息。当下关于AI 最耸人听闻的论调之一，就是所谓的失业狂潮，有人宣称50% 的人将丢掉饭碗，这根本不会发生。相反，软件工程领域已经非常生动地向我们展示了截然不同的景象。尽管AI 正在将大量工作自动化，但现实是我们依然极度缺乏熟练的AI 工程师。AI 正在为软件工程师赋能，这不仅让软件工程师的价值不降反升，也让软件工程类的招聘需求持续增长，整个行业依然非常健康且在不断扩张。
所以我认为，AI 会首先渗透到软件领域，然后再逐步深入营销、招聘等其他行业。整体来看，虽然会有少数例外，但对于绝大多数工作类别而言，因为AI 不可能包揽一切，所以我们依然需要人类来引导和辅助AI。真正的挑战在于人们需要掌握新的技能，我们不能指望继续用两年前写代码的方式来保住现在的饭碗。可是即使大家改变了技能结构、学习了新技能，我们依然找不到足够的软件和AI 工程师。随着 AI 步入更多领域，我认为软件行业的现状预示了其他行业将要面临的趋势，你确实需要提升和更新技能，但与此同时，人类也能胜任更多工作，并有望获得更丰厚的报酬。所以，我们面临的挑战并非如何应对失业狂潮，而是如何帮助每个人掌握未来必不可少的新技能。
08
对数据中心的抵触情绪本质上源于对 AI 的不适
在实际操作中这究竟意味着什么，是建造更多的数据中心吗？我们在物理层面上该如何实现？
吴恩达：要获得更多推理算力，最直接的方法之一就是建更多的数据中心。说实话，如果他们建了更多数据中心，我相信这些设施全都会派上用场。至于具体是盈利还是亏损，我现在很难断言，但我确信市场对推理数据中心的需求是极其庞大的。那么，未来是否会有更有创意的方法或突破性的新技术，来进一步大幅降低成本呢？单从我观察到的研究动向来看，我对此充满信心。也许正是因为AI 的出现，计算机和数据中心的价值比以往任何时候都要高，因此大规模建设它们是完全合乎逻辑的。我们还需要进一步精确测算具体的需求量，但显而易见的是，我们需要更多的数据中心。
此外，如果从基础架构的角度来看，目前另一项建设重点就是数据架构，我刚才还和我在埃森哲的合作伙伴聊到这个。事实证明，AI 是由数据驱动的。我看到许多大型企业正在重新思考如何组织他们的数据，以确保数据不仅仅是为人类准备的，更是为AI Agent 准备好的。我和我的团队其实花了大量时间设想，未来的数据绝对仍会被人类使用，但也会被AI Agent 频繁调用，而企业解锁海量商业价值的关键途径之一，就是让你的数据架构适合AI Agent 使用。
AI Agent 使用数据的方式与人类截然不同，它们访问数据的频率极高，访问模式有时也更加无序，因此你需要建立自动化接口。比如，如果我的AI Agent 想要访问数据，它总不能每隔60 秒就停下来让我输入一次密码，这就是那些底层基础设施上的细节问题。我认为，这也是在企业中解锁海量价值的另一项基石。
关于数据中心，如何看待我们开始听到的一些反对声浪、抵制情绪和担忧？我们该如何跨越这些阻碍？比如某地为期一年的数据中心暂停建设令，这对于获取必要的推理算力、实现您所描绘的愿景，会构成多大威胁？
吴恩达：如果想要拖慢我们AI的发展步伐，恐怕再也找不到比这种针对数据中心的暂停建设令更好的借口了。我并非无视民众的担忧，确实，数据中心建在某些地方可能有些碍眼，也许我们该想办法把它们设计得更美观一些。但我认为，除此之外的很多问题都被过度炒作了。
事实证明，我们能为环境保护做的最好贡献之一，就是将计算资源集中在数据中心里。我的办公室里就有一台服务器机架，但老实说，无论是从能源消耗、水资源消耗，还是其他任何角度来看，我这台机架的效率都远远低于那些经过专门设计、极度高效的数据中心。因此，把所有本地部署的设备统统转移到数据中心集中管理，是对环境最好的保护。不可否认，由于算力高度集中，数据中心确实会消耗大量能源和水，但这总比算力设备分散各处要环保得多。
我认为真正的问题在于，我们正在消耗如此庞大的算力，这势必会产生一定的环境影响。但既然我们必须使用这么多算力，将其集中在数据中心显然是更优解。我甚至怀疑，人们对数据中心的抵触，很大程度上是源于对AI 的不适与抵触，而不仅仅是对数据中心本身的排斥。这让我感到担忧，因为AI 将会让许多人的生活变得更美好，它能帮助人们学习、改善医疗体系，并推动商业发展。从我个人的角度来看，让AI 帮我处理掉一些枯燥的琐事，让我的生活变得更有趣了。我将AI 视为一股非常积极的力量。然而不知为何，现在涌现了太多奇怪的反AI 游说活动，如果任由这种情况发展下去，将真正损害美国的利益。
09
各行各业都需要为 2028 年及更远的未来重新定义所需技能
您创办了教育科技公司DeepLearning.AI，旨在帮助人们培养机器学习和AI 领域的职业技能，您认为在帮助年轻人胜任岗位空缺方面，它能在哪些方面发挥最大的作用？
吴恩达：很多国家面临的一个共同挑战是，传统的教育体系适应新技术的发展过于缓慢。现实情况是，我们不能再用2022 年的标准来培养软件工程师了，甚至都不能用2026 年的标准，我们应该着眼于2028 年乃至更遥远未来的岗位需求来培养他们。
但我们如何才能让教育体系跟上步伐呢？软件和AI 工程未来的发展方向在我脑海中越来越清晰，因此，我认为自己能够看清人们需要具备哪些新技能。实际上，我也在努力弄清楚其他所有岗位未来的技能需求。我们不可能让每个人都去当软件工程师，虽然那很有趣，但并不现实。不过，对于记者、营销人员、招聘人员、人力资源专家以及运营专员来说，他们的工作形态必将发生改变。我不认为他们的岗位会消失，我们绝对依然需要大量的人来从事这些工作，但问题在于，要想成为新一代的营销人员、新一代的招聘人员或新一代的记者，他们需要掌握哪些新技能？
我对此有自己的见解，但我也认为，需要将这些见解系统化，为人们提供一条清晰的学习路径，这正是Coursera、Udemy、DeepLearning.AI 以及我和我的合作伙伴们正在努力实现的目标。
粤ICP备14082021号
免费POC，
零成本试错
