Agentic AI如何重塑创业版图：Andrew Ng

摘要

• AI进步已不再局限于规模扩张，Andrew Ng认为，从可扩展性这颗“柠檬”里再榨出“一点点汁水”会越来越难。 Agentic workflows、多模态系统、具体应用，以及文本扩散模型等潜在黑马，如今都与更大模型同样重要。商业进展确实存在，但“营销炒作的增速已经疯狂”。

• Ng认为，Agentic applications面临的最大障碍是高水平的落地能力，尽管技术组件本身也仍需完善。 Computer use、guardrails和evals都不完美，但决定性能力在于，结合企业专有业务场景，“用评测跑一套系统性的错误分析流程”。未来1—2年，人类工程师和产品经理仍不可或缺，因为关键知识往往存在于员工脑中，而不在互联网训练数据里。

• Coding agents是高度自主的智能体如今已经能够创造显著经济价值的最清晰证明。 Ng将coding与ChatGPT式问答并列为AI最明确的两大价值池，并称Claude Code是自己当前最喜欢的工具，因为它能规划、列清单并执行多步任务。他认为“vibe coding”具有误导性：严肃的AI辅助开发是一项“高度智力化的工作”，更准确的说法是“快速工程”。

• 快速工程正在改变创业公司的经济学：瓶颈从写软件转向判断什么值得做。 过去需要6名工程师、3个月完成的工作，如今有时1个人一个周末就能做完；当原型只需1天、用户反馈却要1周时，产品判断就变得极度稀缺。模拟用户和AI主导的访谈前景不错，但产品工具对产品经理的加速，远不如coding工具对工程师的加速。

• Ng认为，技术上真正懂产品的领导者，如今远比缺乏快速变化能力感知、但商业能力强的创始人更可能成功。 团队应重新审视所有仍按2022年方式开展的工作，因为其中许多到了2025年可能已经失效。客户同理心、速度、信念和勤奋依然重要，因为创业决策更像“打网球”，而不是解微积分题：创始人需要积累足够多的直觉，在大量可逆的“单向门”决策中立即行动。

• 在一个招聘案例中，AI熟练度压过了资历；而经验与AI熟练度叠加后，会形成更强的人才层级。 Ng录用了一个AI原生的大学毕业生，而不是一个拥有10年经验、却几乎不用AI工具的全栈工程师；但他也表示，最优秀的工程师是拥有10—15年甚至更久经验、同时掌握新工具的老兵，他们“完全属于另一个层级”。在AI Fund，法律、财务和前台员工也都学习coding，以便更精确地向计算机描述工作。

• 更小的AI赋能团队可以跑赢更大的团队，但单纯追求员工数量或盈利能力，可能变成战略陷阱。 Ng越来越常问，一项任务是否需要预算来“雇用AI”；Elad Gil则警告，招聘不足可能给在位者留下凭借分发能力取胜的时间，并以Slack对Teams、Sketch对Figma为例。具体取舍取决于市场结构：在赢家通吃的品类中，抢占市场的速度可能比保持团队精简更重要。

• 最持久的人类优势仍是专有场景、关系和判断力；而AI红利将不成比例地流向拥抱AI的人。 竞争研究和LP文件工作看起来都可以自动化，但评估创始人仍依赖随口说出的背调评论、面对面交流中的领导力信号，以及AI尚无法触达的信任。Ng对5年后的判断是，跨职能采用AI的人，个人能力将“远超”大多数人今天的想象。

精读

1. 规模不再是AI唯一可信的进步路径

• Ng的出发点刻意保持多元：从可扩展性这颗“柠檬”里还可以再榨出“一点点汁水”，但继续挤压已经变得“非常、非常困难”。规模之所以主导公众想象，部分原因在于少数公关能力极强的公司把它塑造成行业的核心叙事。

• Ng提出“Agentic AI”，是为了终结一场无效的二元争论：一个系统到底算不算智能体。自主性本来就是一条光谱——从仅仅影响LLM输出的prompt，到能够规划、进行多步推理并独立执行的系统——因此他的建议是把整条光谱都称为Agentic，并“把时间花在真正构建它上”。

• 他没有预料到的是，营销人员会把这个词变成“贴在所有东西上的一张贴纸”。他的判断尺度很重要：真实商业应用正在快速增长，但远没有炒作增长得那么快。

• 其他进步路径还包括多模态模型设计、应用工程和新的技术路线。Ng特别提到，用扩散模型生成文本是一个有意思的黑马变量；他还举了一个更早期的Llama模型为下一代模型生成谜题、供后者快速解答的例子——AI正在帮助为自己的继任者创造训练数据。

2. Agent部署受制于评测纪律和私有场景

• Computer use“有时能用，但经常不能用”，guardrails和评测仍是重大的技术难题。但Ng认为，最大的障碍其实是人才：优秀团队会系统性地识别什么有效、什么失败、下一步该改进什么；经验不足的团队则更依赖随机试错，需要更长时间才能收敛。

• 他给出的典型流程是“下一代机器人流程自动化”：接收一份文件，将其转换成文本，在网上搜索合规问题，与数据库中的价格进行核对，提交验证，然后保存结果。系统出错时，真正重要的问题可能是发票日期错了，还是系统不断打扰CEO审批。

• 这些区别依赖的是企业专有场景，而不是通用互联网知识，也不是一份可以轻易提取的操作手册。人类产品经理和工程师必须决定哪些错误重要、工作流可以打扰谁，以及业务能够容忍什么；Ng预计，至少未来1—2年，“人类工程师仍有大量工作要做”。

• 目前最清晰的可用案例是coding。Ng将ChatGPT式问答和coding agents视为两大经济价值池，并称Claude Code是自己当前最喜欢的工具，因为它能自主规划和执行；购物和浏览器控制智能体仍是“非常不错的演示”，还没有准备好投入生产。当Sarah问，coding领先是否因为资本主义加上领域知识，Ng回答：“资本主义很擅长解决基础研究问题。”

3. 代码提速后，产品判断成为创业公司的稀缺资源

• Ng反对“vibe coding”，因为这个词暗示只要接受模型提出的任何修改即可。他自己的AI辅助开发过程令人心力交瘁，是一种“高度智力化”的工程工作：AI让严肃系统的构建速度大幅提升，但并没有消除理解和驾驭系统的必要。

• 在AI Fund，过去可能需要6名工程师、3个月完成的工作，如今有时Ng或朋友一个周末就能做出来。这压缩创业闭环的方式并不均衡：coding变得更快、更便宜，但判断用户想要什么并没有自动变容易。

• 因此，瓶颈转向产品管理。原型需要3周时，1周的反馈周期尚可接受；原型只需1天时，1周反馈就变得令人痛苦。Ng的团队因此持续收集数据，建立对客户的心智模型，然后越来越多地依靠直觉和“深度客户同理心”，以软件的速度做决策。

• AI主导的用户访谈，以及用“一群AI agents”模拟市场，看起来前景不错，但仍处于早期。Sarah更进一步概括说，“计算机现在可以大规模盘问人类”；但Ng并不认为，这些工具对产品经理的加速，能接近coding agents对工程师的加速。

4. AI原生创始人将技术直觉与客户痴迷结合起来

• Ng会问，一家公司如果在2025年仍按2022年的方式做事，其中哪些还合理。在能力边界快速变化的环境里，他认为，具备技术取向的产品领导者，远比缺乏对AI能做什么、不能做什么的良好判断，却擅长商业的创始人更可能成功。

• 移动互联网最终变得足够清晰，几乎所有人都理解app、GPS和设备的约束；AI仍是少数人的知识，因为它的前沿持续变化。Elad将此与早期的技术型创始人联系起来，Ng则强调其中的关键洞察：Travis Kalanick必须很早意识到，GPS让一种新服务成为可能。

• 谈到创始人的性格，Ng表示，“努力工作可能与你个人的成功相关”，同时承认人们也会经历无法做到这一点的阶段。Sarah进一步指出，创业并不适合所有人，因为在极短时间内创造巨大价值是“一件非常不讲道理的事”。Elad补充了竞争性；Ng则区分了两类创始人：一类痴迷于击败竞争对手，另一类痴迷于让客户赢，并回忆起Coursera早期对学习者的关注。

• 在Ng的比喻里，创业判断“更像打网球，而不是解微积分题”：很少有时间完成全面分析。许多选择都是Bezos所说的“单向门”，创始人可以先做决定，必要时1周后转向，通过持续关注客户和技术来换取速度。

5. AI素养重塑招聘、岗位与最优团队规模

• AI Fund的每个人都有GitHub账号，也都会coding，包括法律、财务和前台员工。他们不是软件工程师；学习“计算机的语言”，只是让他们能够更精确地告诉机器要完成什么工作，从而更好地履行本职职责。

• Ng把当前环境称为“地板是岩浆”（the floor is lava）：那些围绕旧式工作方式建立职业生涯的领导者，在能力和竞争加速变化后，可能变得不再有效。他认为，对许多岗位而言，不会有效使用LLM，现在已经意味着比会使用的人低效得多。

• Ng讲述的招聘案例十分鲜明：一个AI原生的应届毕业生，看起来很可能比一个拥有10年经验、却几乎没用过AI工具的全栈工程师更高产，因此他录用了这名毕业生。但他接触过的最强工程师，是那些拥有10年、15年或更久经验，同时也掌握AI的人；他预计，软件工程将成为其他职业的先兆。

• Harvey的律所客户已经在问：当普及的AI让招聘规模从100名律师助理降至10名时，会发生什么？没有原来的金字塔结构，未来的合伙人从哪里来？Ng在思考，一个“规模非常小、能力非常强的团队”如果获得广泛AI支持，能否跑赢更大的外包团队，尤其是在协调成本降低之后；但他认为最终形态仍不确定。

• Elad对“精简至上”的反驳是关键限定：创业公司可能因为招聘不足而享受高盈利，却在竞争窗口关闭前给了在位者部署分发能力的时间。他以Slack对Teams、Sketch先于Figma为例；Ng同意团队可以更小，但赢家通吃的市场可能要求的是速度，而不是一个固定的员工数量目标。

• Ng自己的判断很有代表性：他拒绝了增加人类员工数量的请求，却批准了“雇用AI”的请求。知道什么时候该增加AI、而不是增加人手，本身就是一种重要的经营直觉。

6. 具体工作流胜过宏大的行业判断

• Ng会咨询研究哪些岗位面临颠覆的经济学家，但认为“AI将改变医疗健康”等自上而下的判断，在运营层面毫无用处。他更广泛的结论是，“AI会瞄准丰富的环境”。AI Fund希望由领域专家找出医疗健康领域的具体操作和作用机制；一旦想法足够具体，团队就能快速验证客户需求和技术可行性。

• 在投资领域，深度公司研究和竞争研究都很适合自动化，Ng已经在用deep-research工具做初步市场研究。LP报告同样包含“大量文书工作”。但后续投资决策不那么适合自动化：公司很少做这类决策，标的公司也已经审查过，Ng认为没有必要实现完全自动化。

• Ng认为，评估创始人时存在一种关系优势：人类可以注意到会议中的领导行为，也能捕捉到一句不会进入模型的随口背调评论。像“莎莉，你必须这么做，这事会成”这样的可信建议，并不能被关于一个机会的穷尽式信息替代。

• 首次创业的技术型创始人，可以通过有经验的同行、互补型招聘，以及在反馈、融资、招聘和速度方面拥有更多重复经验的投资人或创业工作室来补足短板。Ng也提倡在实践中学习：创始人会把事情搞砸，但只要错误不是致命的，这完全可以接受。

• Ng最后的判断超越了创业领域：那些在工作和个人事务中拥抱AI的人，最终会变得“强大得多、能力也强大得多”，远超大多数人今天的预期。