摘要

Andrew Ng 认为，电力和半导体，而不是扩展规模突然见顶，才是 AI 近期面临的硬约束。 在他约20年的职业生涯中，算力需求始终近乎无穷，而推理成本下降又被更多使用量抵消，尤其是在编程领域。因此，基础设施投资仍需“很多”，但复杂融资和循环交易让准确规模更难判断。
AI 编程是应用层 ROI 已经存在的最清晰证据。 过去需要6名工程师做半年的工作，如今有时1个人一个周末就能完成；Claude Code、OpenAI Codex 和 Gemini CLI 正在争夺能够快速切换工具的开发者。Ng 称编程是招聘、营销和金融的“先兆”，但工具层护城河很弱，今天的领先者可能很快 बदल。
在 Ng 的软件工程案例中，劳动力的分化不是人与机器之争，而是会用 AI 和不会用 AI 的人之争。 他认为，熟练使用 AI 的资深工程师生产力最高，其次是熟悉 AI 的应届毕业生，再往后是仍在“像2022年一样”工作的资深开发者，最后是没有 AI 技能的毕业生。由于 AI 可能完成招聘人员30%、甚至50%的工作，却无法覆盖剩余部分，他预计许多岗位将被增强并部分重构，而非整体替代；AGI 仍“要几十年，甚至更久”。
Ng 希望 AI 通过降低智能成本，将 GDP 增速推向5%-6%甚至更高，但前提是重做产品，而不只是削减人工。 在5个耗时相等的流程中自动化其中1步，只能节省20%；把两周的贷款流程变成10分钟内给出初步答复，才是产品变化。更大的机会在于更快地完成工作，或把工作扩大“1000倍”，让此前只有少数客户能获得的高触达金融建议等服务普及开来。
开放权重模型正在成为创新基础设施和地缘政治软实力。 中国发布的模型加快了国内知识流通，也在影响用户关于边境、历史和价值观问题所得到的答案；Ng 将这种影响力与 Hollywood 和 K-pop 相提并论。他认为，美国芯片管制“基本适得其反”，反而激励中国加速半导体发展；而欧洲想在监管上领先，“不是竞争优势”。
应用层毛利率重要，但 Ng 是按预期成本曲线来搭建业务，而不是按今天的 token 账单。 Token 价格可能每年下降约80%，“取决于你相信谁”，而他的团队在验证用户需求后，多次将成本降得比市场更快。Harry 则指出，Replit 或 Lovable 的收入中约80%都要付给 Anthropic，这支持了 Ng 的判断：今天这种“VC 补贴的 AI 算力”不可能无限持续。
企业采用 AI 的主要约束是人员和变革管理，而不是绝对的数据短缺。 私有交易、销售、制造和物流数据已经足以支撑敏捷项目；安全、权限和流程重构才在拖慢部署。Ng 预计未来1-2年会取得重大进展，但企业10年后仍会继续发现新的应用场景，因此劳动力再培训仍是尚未解决的核心问题。

精读

1. 电力和芯片决定 AI 的近期上限

Ng 指出，电力和半导体是眼下两大瓶颈。美国的数据中心正受到审批和社区反对的限制，而中国正在“四处”建设电厂，包括核电站。
需求信号异常清晰：“我还没遇到过任何一个 AI 从业者觉得自己的算力够用。”在这种约20年的持续约束之后，有价值的生成式 AI 工作负载如今让用户受到速率限制，也让供应商无法提供足够的推理能力。
Harry 反驳称，GPT-5 也许意味着 scaling law 已经触及上限，效率才是关键；但这没有改变 Ng 的结论。推理成本正在下降，包括通过 Ng 回忆中的一个 OpenAI 开放权重模型——约1200亿参数，他认为其中57亿处于活跃状态——但消费增长仍然跑赢效率提升。
更多基础设施显然是必要的；未解决的问题是到底需要多少。Ng 并不担心循环交易，但认为复杂的风险转移工具，以及被提及的“6000亿美元问题”，都说明融资看起来“有点更像泡沫了”。

2. 编程最能证明应用层价值

Ng 用互联网时代来定位当前市场：ChatGPT 可能主导横向信息发现，Gemini 凭借 Android 和 Chrome 的分发能力成为重要玩家，而大型垂直市场仍然开放。到目前为止，编程辅助是最清晰、最有价值的垂直应用。
他拒绝把今天与2016-2017年的图像生成相提并论：编程工具已经运行得非常好。他的工程负责人当时的态度是，除非从他冰冷的尸体上把工具撬走，否则他不会放弃；Ng 自己也不想再回到没有 AI 辅助的编程时代。
Ng 不接受“替代底部5%的工作”和“让所有人提升10倍”之间的二选一，而是指出了实际发生的工作压缩：过去需要6名工程师做6个月的项目，有时现在1名工程师一个周末就能完成。他甚至为女儿生成了乘法闪卡，而不是开车去商店购买。
工具忠诚度仍然脆弱。Ng 说自己最喜欢的工具每3个月就会换一次；他喜欢 Claude Code，最近更多使用 OpenAI Codex，也认为 Gemini CLI 的进步速度可能比外界意识到的更快。消费品牌比开发者工具更有防御性，后者的用户可以“转眼之间”切换。

3. AI 熟练度正在重排人才层级

Harry 认为少数岗位可能陷入困境，但 Ng 拒绝泛化的岗位替代叙事。如果 AI 完成招聘工作的30%——也许是50%，但“这感觉有点高”——那么超出这一范围的工作仍然需要人来完成。
他的软件工程人才排序很明确，但并非适用于所有场景：熟悉 AI 的资深开发者通常行动最快，其次是熟悉 AI 的应届毕业生；有约10年经验、仍在“像 ChatGPT 出现前的2022年那样”写代码的人排在其后；真正陷入困境的是不了解 AI 的毕业生。
Harry 对人才管线的质疑仍然值得保留：如果初级工作被消灭，未来的资深人才从何而来？Ng 看到的是另一种失败——大学课程更新太慢，计算机科学毕业生甚至没有调用过互联网 API 或使用过 AI 基础模块；与此同时，企业找不到足够多靠自学掌握这些能力的毕业生。
被问到1亿美元是否会削弱工程师的动力时，Ng 给出诚实但没有答案的回答：“我不知道。”以他的经验，硅谷那些已经很富有的同行往往仍会继续工作，因为创造本身很有趣；财富让人变懒的程度“远低于人们的猜测”。

4. 廉价智能只有在流程改变后才能创造增长

针对 Andrej Karpathy 所说 AGI 可能融入2%的 GDP 增长，Ng 希望结果“更接近5%、6%甚至更高”。他的机制是让智能更便宜：医生、导师和顾问都需要高昂的培训成本，但 AI 可以让每个人都拥有“一支聪明、见多识广的员工队伍”。
最大障碍在于把 AI 只当成降本工具。在一个包含5步、每步消耗20%精力的流程中，自动化其中1步确实能节省20%，但“感觉不像是游戏规则被改变了”，底层产品也没有变化。
Ng 看到两种更大的模式：更快，以及更多。贷款机构把两周等待变成10分钟内给出初步答复，改变的是产品本身并带来增长；企业把高触达服务或金融建议扩展到富裕客户之外，则是在扩大市场。AI 创造最大价值的时刻，是让某项活动变得可行到“多做1000倍”。

5. 开放模型既是创新基础设施，也是软实力

美国实验室往往将前沿模型保持闭源，只开放下一档模型；中国则转向发布大量强大的开放权重模型。Ng 没想到“中国 AI 产业最终会比美国 AI 产业更开放”，但他仍然感谢每一次开放发布。
开放性会不成比例地惠及周边生态。公开权重让团队能够使用成果、彼此联系并解决落地问题；而闭源开发和1亿美元的人才补偿，会减缓美国和欧洲社区之间的知识流通。
开放权重模型可以影响用户关于国界、政治敏感历史和价值观的答案。Ng 称之为“巨大的地缘政治影响力来源”，并将这种软实力与 Hollywood 所塑造的美国梦，以及韩国通过 K-pop 获得的超出其体量的文化影响力相比较。
他拒绝把 AI 看成一场只有美国和中国的终点赛——AI 包含许多能力，未来几十年仍会持续进步——但警告不要低估中国举国推进的力度，尤其是在半导体、K-12 教育、商业采用和稀土领域。美国芯片管制“基本适得其反”，激励中国用数量更多、单颗性能更弱的芯片发展替代方案。

6. 应用 ROI 确实存在，但资本并不匹配

基础模型的投入让应用团队可以用几十、几百乃至几千美元，调用训练成本达数十亿美元的能力。VC 面临的问题近乎荒诞：这个行业知道如何向数据中心投入100亿美元，却可能只需要100万美元来验证一个应用假设。
Harry 追问难看的经济账：Replit 或 Lovable 的收入中约80%都以过路费形式流向 Anthropic。Ng 将这一阶段类比为 VC 补贴的外卖行业：“VC 补贴的 AI 算力”不可能永远持续；但已经实现数百万或数千万美元收入的小型应用，开发和运营成本可能并不高。
Ng 直接反驳“有用的 agent 还要10年”的说法。AI Fund 在一次 Biden–Trump 辩论后搭建了一个 agentic 关税合规流程：系统读取法规和产品规格——他的自行车案例包括价格和轮径——然后给出建议。由此成立的投资组合公司 Giga Dynamics，受益于关税合规日益复杂的趋势。
AI Fund 对廉价试错的答案是亲自运营，而不只是配置资本。它开发创意、通过客户验证、招募创始人，并反复讨论产品和定价；首笔支票通常约为100万美元，估值上限为400万美元，通过 SAFE 加普通股获得约20%的持股，另有一部分普通股对应创始团队的投入。

7. 未来成本曲线和产业结构决定毛利率与护城河

大模型、中型模型和微型模型会共存，因为智能的范围从拼写“butterfly”到数小时的技术推理。微型模型也许可以在本地运行，处理语法和拼写；更强大的模型则凭借复杂推理和代码能力赚回自身成本。
毛利率最终要服从“物理定律”或“金融定律”，但 Ng 的第一步始终是先做出用户喜欢的产品。API 账单可能超过1名工程师、2名工程师，甚至“一大群工程师”的成本；到目前为止，几乎每次他的团队都能把成本曲线压低得比市场 token 价格更快。
AI 正在削弱软件本身作为护城河的作用：10年的软件开发积累比过去更难防守。真正的防御性仍然来自行业结构，包括双边市场、消费者或企业关系、品牌、声誉以及其他结构性优势，而不是使用 AI 就自动拥有护城河。
在市场尚不成熟时，垂直整合很有价值，因为组件边界还没有厘清。Ng 用计算机行业作类比：IBM 等整合型公司能够解决互操作问题并做出可用产品；USB 等标准最终让横向专业化分工成为可能。他认为 OpenAI 的基础设施投入到目前为止已经产生回报，但也承认，随着金融工程变得更加复杂，过度投资仍然可能发生。

8. 企业 AI 是变革管理问题，而不是数据荒

被问到采用 AI 的最大障碍时，Ng 的回答是“人员和变革管理”。数据当然重要，但“绝对不是瓶颈”；这个行业把一个真实需求夸大成了迟迟不开始的理由。
数据具有垂直属性，而且比高管想象的更充足。金融机构可以把复杂 PDF 或 SEC 文件表格转换成可直接分析的 Markdown 或 Excel；交易、销售、产品、制造和物流记录，则足以为敏捷团队提供有价值的私有数据起点。
Harry 的反驳集中在运营层面：大型机构难以处理权限、安全和定制系统，有时甚至拒绝 ChatGPT、选择内部自建。Ng 仍然预计采用会继续推进，并将其类比为云计算——即便这一转型已经持续多年，许多工作负载仍然留在本地。
因此，时间线会很长。未来1-2年将取得显著进展并产生可观回报，但10年后企业仍会继续寻找新的应用。按大多数合理定义，声称两年内实现 AGI “简直荒谬”。

9. 政策和教育决定收益能否扩散

Ng 认为，美国联邦政府顶住了以灭绝风险为由的限制，也清理了不必要的监管；但如果无法吸引人才、投资科研机构，美国就会放弃自己的核心优势。他希望监管政策继续吸引有抱负的人才，同时建立供应链，降低对 TSMC 的过度依赖。
对欧洲，他给出的处方更加直接：试图成为 AI 监管领导者“不是竞争优势”。欧洲仍有聪明人，也还有时间，但应该“少监管一些，专注于投资和建设”，包括让愿意努力的人去努力工作。
炒作会带来实际成本。Ng 讲到，一名高中生因为将 AI 与人类灭绝联系起来，拒绝了 AI 职业；同样的叙事也可能削弱社区对数据中心的支持。学校应更新课程、拥抱 AI，并教会每个学生编程——即便手写代码正逐渐过时。
Ng 最深的担忧是再培训的速度：农业转型时期，农民可以一直务农到退休，而他们的孩子改做其他职业；今天则要求劳动者自己完成适应。最乐观的终点，是把默认问题从“有没有一个应用能做这件事？”改成“我做了一个应用来解决这件事”，让任何地方的软件用户都成为创造者。

Emmett Shear 谈如何构建真正关心人的 AI：超越控制与引导 E214｜拯救发际线的硬核科普，现代医学与自然选择的拉锯战