斯坦福教授吴恩达揭秘：AI 发展5个的重要趋势以及如何抓住其中的机会
上周，深度学习领域的标志性人物吴恩达教授应邀在台湾发表了一场题为"AI， Agent and Application"的主题演讲。作为斯坦福大学教授和 DeepLearning.AI 的创始人，吴恩达在人工智能领域有着深远的影响力。
他不仅在技术研究上硕果累累，更创办了全球最具影响力的在线教育平台 Coursera，让优质的 AI 教育资源得以走进千家万户。而他创立的 AI FUND，则专注于人工智能领域的投资布局，使他得以在产业实践与学术前沿之间架起桥梁。正是这种跨界视角，让他对 AI 技术的思考格外珍贵而深邃。
下面我会着重讲述他的观点，并且附上我个人的一些想法供参考交流
AI 是新的生产力
他首先提出了一个重要的观点，即“AI 是一种新的电力”。
我的理解是，AI 是一种重要的资源，是一项通用的技术，将孕育出许多新的应用。过去我们说数据是一种新的生产力，基于数据的存储，加工和计算诞生了当下许多国民级的应用。例如抖音，微信、谷歌等等。
但 AI 的出现加速了数据加工的过程，AI 能够更好地理解结构化和非结构化的数据。AI 能够高效地从数据中发现规律，学习知识，进而转化为文字、图片和视频等媒介传递信息，更可怕的是AI还可以做决策和使用工具。
整个 AI 产业的结构
紧接着他介绍了整个 AI 行业的结构。
AI 产业的发展如同一座冰山，有着清晰的层级结构。在最底层，是支撑整个产业的半导体基础——以 GPU 为核心的计算硬件层。这个领域由英伟达主导，AMD 和英特尔紧随其后，他们不断推动着算力提升与成本优化的边界。
向上是云计算层，它让算力资源变得触手可及。越来越多的中小企业不再购置昂贵的物理设备，而是转向谷歌、亚马逊、微软 Azure 等云服务提供商，通过灵活的按需付费模式来训练和部署他们的模型。
浮出水面的是基础大模型层，这里是过去一年 AI 领域最耀眼的舞台。国际上有 OpenAI、Anthropic、谷歌、Meta 等领军者，国内则有字节跳动、百度、阿里等科技巨头，以及 KIMI、智谱、零一万物、MiniMax、面壁智能、DeepSeek 等新锐力量争相突围。
这些通用大模型虽然能力全面，但往往难以在具体场景中做到极致，这既源于其普适性的定位，也受限于缺乏细分问题的专注度。
因此，在大模型之上，一个新的编排层应运而生。从最早的 Dify 和 Coze，到后来的 n8n、Wordware、CrewAI 等，这些平台提供了可视化的编排画布，让开发者能够自如地设计工作流程，调用模型和插件，实现复杂的逻辑控制，从而解决特定领域的实际问题。
最上层是应用层，它可以直接构建在模型层之上，也可以借助编排层来提升开发效率。这一层虽然技术门槛相对较低，但却最接近实际价值创造，拥有最大的市场潜力和商业杠杆。若这里无法创造出超越底层投入的价值，那么整个产业链的资源投入都将失去意义。因此，应用层的创新与发展，正是检验整个 AI 产业成功与否的关键。
Agents 是最具潜力的方向
然后吴恩达介绍了他认为最具潜力的方向，Agents。Agents 就是多个智能体共同合作完成任务。
为什么 Agent 的地位如此重要呢？首先 Agent 的诞生最早是源于思维链，尤其是反思思维链。
所谓反思思维链，就是让模型在回答问题之前，先审视一下自己的答案，做一个评分，想想有哪些可以改进的点，最后再输出。
更进一步，如果 A 模型数据以后，不直接展示给用户，而是让 B 模型进行打分，想想有哪些可以改进的点。然后让 A 模型再改一版，再给 B 模型。如此循环几次后，答案就会比直接输出要好很多。
这个提升的幅度甚至比 GPT3.5 到 GPT4 还要大。
智能体不仅可以相互合作，智能体还能使用工具。比方说访问互联网，给一个环境执行代码，访问数据库，调用 API 等等。工具+工具，工具+模型的组合使得模型的能力进一步放大。
现在很多这样的组合，比如说大模型生成画图提示词，然后调用生图 API，一张图就水灵灵地出现了。
智能体还可以做到规划，规划就是把复杂的任务拆成一个个简单的小任务，然后一个个解决。这个其实目前一些具备推理能力的大模型也可以做到，比如说 O1。但 Agent 之间的配合，如果搭配上能思考的大模型，起到的作用可能进一步放大。
最后可以再畅想一下。现实生活中，一个公司下面有不同的部门，每个部门有许多不同的角色，每个角色承担着不同的任务。如果把角色换成 Agent，然后每个部门内多个 Agents 合作，最终部门之间的合作就是 Agents 之间的合作，一个人就是一家公司了。
五个 AI 发展的趋势
除了 Agents，吴恩达更是指出了 AI 的五个发展趋势，顺着这些趋势，可以去思考相关的机会。
-
-
AI 计算的速度会越来越快且越来越便宜。 -
AI 让创意验证的速度加快。很多应用背后仅仅是设计提示词然后部署它。这会改变创新的进程。 -
图像分析、理解和处理技术的更新，会带来很多新的应用。例如在制造、自动驾驶和安保领域。 -
数据传输的成本要远低于数据通过 AI 加工的成本 -
非结构化数据的数据工程变得更加重要。例如对文本、音频、视频数据的处理能力。
-
在 AI 发展的不同维度，我萌生了一些深入思考：
首先，随着 O1 等推理模型的出现，我意识到解决问题时不必过分计较 AI 当前的成本和速度。这些技术瓶颈必将随时间推移而逐步突破，重要的是保持开放和想象的胸怀。
其次，技术进步正在加速个性化需求的精细满足。在产品探索中，我们应该突破思维定式，不再拘泥于点子的大小，而是以开放、敏捷的姿态不断铺开，快速验证，专注于解决一个又一个看似微小但实际意义重大的具体问题。
再者，图像识别和分析正展现出令人惊叹的广阔前景。继"胃之书"计算卡路里、AI 挑选榴莲等创新应用之后，我们可以进一步想象：比如开发一款店铺人流分析工具。
传统方案仅能通过物体识别检测人数，而大模型则可以实现更精细的洞察——精准判断顾客性别、推断年龄层次、识别是家庭出游还是情侣约会等。
第四个洞见关乎数据壁垒。过去，拥有大量用户数据被视为核心竞争力。然而如今，数据迁移的成本相较计算开支已变得微不足道。
值得注意的是，OpenAI 的 token 费用远高于数据传输成本。若某个平台能显著降低数据分析计算成本，并提供卓越的计算能力，用户迁移数据将不再是障碍。
最后，我们回到数据本身。AI 渴求大量优质数据，尤其是非结构化的内容——图片、文本、音频、视频等。这些数据蕴含着巨大的训练价值，但处理工程浩大。值得关注的是，已经出现了专门的公司致力于 OCR 等数据转化，将非结构化信息转化为可用的问答数据。
AI 带来了企业合作领域的创新
新的合作范式也许是这样的：
-
有一个想法
比如一家从事海运的传统公司 MITSUI 认为 AI 可以通过查看全球航运、天气、洋流等数据优化船舶航行的方式，提高燃油效率。
-
想法验证（第 1 个月）
AI FUND 会用一个月的时间来研究一个想法，验证市场并且证明技术可行性。
-
聘请 CEO（第 2 个月）
然后在市场上寻找合适的 CEO 人选，创立公司。并且和 AI FUND 一起验证想法。
搭建核心团队（第 3 个月）
创始人团队需要在内构建初步技术原型，进行更加深度的市场调研和技术验证。
-
执行落地（第一年）
AI FUND 会投资 100 万美金作为前种子轮，来聘请关键执行层，打造 MVP，获得初期的用户反馈。
-
规模化放大（持续运转）
如果顺利的话，会攒一波 200-500 万美金的种子轮，这时最开始的 MITSUI 会参投。并且它不需要雇佣和管理一只 AI 团队，通过合作和投资参与公司的构建，最终可以低成本地把技术应用的自己的业务中来。
在AI产品探索的道路上，我悟到了两个至关重要的洞见。
首先，最富价值的创新往往源于真实业务场景中那些被忽视的具体需求。理想的产品孵化路径是：从一个清晰、明确的痛点出发，与需求方紧密协作，共同精雕细琢，在实际业务环境中率先落地。
唯有深入到具体场景，才能真正理解问题的本质。当这个解决方案被验证有效，且具备一定的行业普适性时，再将其提炼为标准化的产品对外销售。这是一种自下而上的创新模式，确保了产品的实用性和市场价值。
其次，公司架构和激励机制的设计至关重要，它们是创新文化的基石。
在项目伊始就精心设计组织架构和收益分配方案，不仅能最大限度地激发团队的主动性，还能从根本上避免后续可能的利益纷争。
一个科学合理的激励体系，应当充分尊重每一位贡献者，明确权责边界，让每个人都能清晰地看到自身的价值和发展空间。
这两个维度共同构成了一个成功的AI产品孵化生态：以需求为导向的创新，配以合理的组织激励机制。
来源：猪栏守望者
