很高兴见到大家。今天，既然这是创业学校，我想与大家分享我在 AI Fund 积累的关于创办初创公司的一些经验。AI Fund 是一家风险投资工作室，我们平均每月创办一家初创公司。由于我们是联合创始人，我们会亲自写代码、与客户交流、设计功能、制定定价策略。因此，我们不仅旁观他人创业，而是真正深入一线，与创业者一起动手创办公司，积累了大量实战经验。今天我想与大家分享我创业过程中学到的一些经验，特别是围绕不断演进的 AI 技术及其所能实现的事情。今天的主题将聚焦于速度。事实证明，对于想要创办初创公司的人来说，我认为决定初创公司成功几率的一个强预测因子就是执行速度。我非常敬佩那些能够迅速行动的企业家和高管，而新的 AI 技术正在让初创公司以更快的速度前进。所以我希望与大家分享一些最佳实践——坦率地说，这些实践每两到三个月仍在不断变化——帮助大家获得这种速度，从而提高成功的几率。在深入探讨速度之前，很多人问我：“嘿，Andrew，创业机会在哪里？”这是我所理解的 AI 技术栈：最底层是半导体公司，其上是云计算 hyperscalers，许多 AI 基础模型公司建立在这些之上。尽管公关炒作和热度大多集中在这些技术层，但几乎可以肯定的是，最大的机会必定在应用层，因为我们实际上需要应用层产生更多收入，才能负担得起基础模型、云计算和半导体技术层的成本。由于某些原因，媒体和社交媒体往往不太谈论应用层，但对于想要创办初创公司的人来说，几乎可以肯定最大的机会就在那里，当然技术栈的每一层都有机会。过去一年变化很大的一个方面，就 AI 技术趋势而言，如果你问我最重要的技术趋势是什么，我会说是 agentic AI 的兴起。大约一年半前，我开始四处演讲，试图说服人们 AI agents 可能会成为重要事物，但我没想到的是，去年夏天前后，一群营销人员抓住这个词，把它当作标签贴到目光所及的一切东西上，这让它几乎失去了一些原本的含义。但我想从技术角度与大家分享，为什么我认为 agentic AI 令人兴奋且重要，以及它为何能开辟更多创业机会。事实证明，我们很多人使用语言模型的方式是提示它生成输出。我们让语言模型输出内容的方式，就像你去请求一个人——在这里是 AI——帮你写一篇文章，要求它从第一个字写到最后一个字，一气呵成，绝不使用退格键。人类在被迫按这种线性顺序打字时，写不出最好的作品，事实证明 AI 也是如此。但尽管被迫以这种线性方式写作存在困难，我们的语言模型仍然表现得相当出色。而借助 agentic 工作流，我们可以要求 AI 系统：先撰写文章大纲；如有需要，进行一些网络研究并抓取网页内容放入上下文；然后撰写初稿；接着阅读初稿、进行批判性审视并修改；如此循环。于是我们得到一个迭代式工作流：模型进行思考、研究、修改，再回到思考，如此循环多次。它的速度更慢，但能产出质量高得多的工作成果。在 AI Fund 参与的许多项目中，从提取复杂的合规文件，到医疗诊断，再到对复杂法律文件进行推理，我们发现这些 agentic 工作流往往是决定项目成败的关键。但仍有许多工作有待完成，许多有价值的企业有待建立，那就是将现有或新的工作流，转化为这种 agentic 工作流。因此，为了更新 AI 技术栈的图景，过去一年涌现出一个新的 agentic 编排层，它帮助应用构建者编排或协调对下层技术的大量调用。好消息是，这个编排层让构建应用变得更加容易。但我认为，应用层必须是技术栈中最有价值的一层，这一基本结论仍然成立，我们仍然倾向于聚焦应用层。现在让我深入探讨我学到的关于初创公司如何加速行动的一些最佳实践。事实上，在 AI Fund，我们只专注于具体的想法。对我来说，一个具体的产品想法，是指详细到足以让工程师直接去构建的程度。例如，如果你说“让我们用 AI 优化医疗资产”，这其实不是一个具体的想法，它太模糊了。如果你告诉我这是一款用 AI 优化医疗资产的软件，不同的工程师会做出完全不同的东西；正因为不够具体，你无法快速构建，也就没有了速度。相反，如果你有一个具体的想法，比如“我们开发一款软件，让医院或患者在线预约核磁共振设备时段，以优化使用率”。我不知道这是好是坏，实际上已经有企业在这么做了。但它很具体，这意味着工程师可以快速构建出来。如果这是个好主意，你会发现；如果不是，你也会发现。但拥有具体的想法能为你赢得速度。又比如有人说：“让我们用 AI 提升邮件处理和个人效率。”这有太多解读方式，不够具体。但如果有人说：“你能不能开发一款应用，集成到 Gmail 中，利用合适的 prompt 自动筛选整封邮件？”这就很具体，我今天下午就能动手开发。所以，具体性带来速度。但对许多企业家来说具有欺骗性的是，模糊的想法往往会赢得很多赞誉。如果你去告诉所有朋友“我们应该用 AI 优化医疗资产的使用”，每个人都会说这是个好主意。但其实它并不是，至少从可构建的角度来说不是。事实证明，当你含糊其辞时，你几乎总是对的；但当你具体化时，你可能对也可能错。无论哪种情况都没关系，我们可以更快地发现这一点，这对初创公司来说才是最重要的。在执行具体想法方面，我发现，在 AI Fund，我要求团队专注于具体的想法，因为具体的想法能提供清晰的方向，团队可以快速推进，要么验证它、证明它可行，要么证伪它、得出结论认为行不通。无论哪种结果都可以，这样我们就能快速推进。而事实证明，找到好的具体想法通常需要有人——可能是你，也可能是领域专家——对一个问题进行长期深入思考。比如说，其实在创办 Coursera 之前，我花了多年时间思考在线教育，与用户交流，并形成了自己对于什么样的教育科技平台才算优秀的直觉。经过这个漫长的过程——我想 YC 有时称之为 wandering the idea maze——在长期深入思考之后你会发现，那些对某个问题琢磨了很久的人，他们的 gut 会非常有助于快速做出决策。也就是说，当你长期思考这个问题、与客户交流已久之后，如果你问这位专家：我应该做这个功能还是那个功能？你知道，那种瞬间的直觉判断，实际上可能是一个出奇好的决策依据。它可能是做决策时出奇有效的机制。我知道我做 AI 相关工作，你可能会觉得我会说：“哦，我们需要数据。”当然，我喜欢数据，但事实证明，对很多初创公司而言，获取数据其实是一种缓慢的决策机制。而一位拥有良好 gut 的领域专家，往往是更快速的决策方式。另外，对于很多成功的初创公司来说，在任何时候你都是在追求一个非常明确的假设，将其构建出来，并试图去推销这一假设本身的价值。初创公司没有资源去对冲风险、同时尝试十件事。所以选定一个方向，全力以赴；如果数据告诉你应该对这个想法失去信心，那其实完全没关系。立刻 pivot，去追逐一个完全不同的具体想法。所以这往往感觉像是一支 AI fund 的做法：我们执着地、坚定地追求一件事，直到外界告诉我们错了，然后就转变方向，以同样的决心和执着去追求完全不同的另一件事。我还看到另一种模式：如果每一条新数据都让你 pivot，那很可能意味着你最初的知识基础过于薄弱，对吧？如果每次和客户聊完你都完全改变主意，那可能说明你对那个行业还不够了解，尚未形成一个真正高质量的具体想法；而找到一个对某个主题思考更久的人，可能会让你走上更好的道路，从而进展得更快。另一个我经常思考的是 build feedback loop，在借助 AI coding assistance 进行开发时，它正在迅速发生变化。当你在构建大量应用时，最大的风险之一是 customer acceptance，对吧？很多初创公司陷入困境，不是因为我们做不出想做的东西，而是因为我们做出来了，结果发现没人在乎。所以在我创办初创公司的很多方式中——尤其是应用型公司，不那么偏向 deep tech，不那么偏向技术型初创公司，但绝对是应用型初创公司——我们通常会先构建软件，这是一个 engineering task；然后从用户那里获得反馈，这是一个 product management task；接着基于用户反馈调整我们对该做什么的看法，回去写更多软件。我们在这个循环中走了很多很多轮，不断迭代以追求 product-market fit。事实证明，借助 AI 编程助手——Andre 也提到过——rapid engineering 正变得前所未有地可行。所以 engineering 的速度正在快速提升，engineering 的成本也在迅速下降。这改变了我们驱动初创公司运转这个循环的机制。当我思考我所做的软件时，我大概会把它分成两大类。有时我会构建 quick and dirty prototypes 来测试一个想法。比如说，做一个新的客服聊天机器人；或者让我们构建 AI 来处理法律文件，诸如此类——做一个 quick and dirty prototype，看看我们觉得它是否可行。另一类我所做的软件是编写并维护 production software、维护 legacy software，也就是那些庞大的 production-ready code bases。取决于你相信哪份分析师报告，这方面很难找到非常严谨的数据。你知道，在编写 production-quality code 时，借助 AI 系统我们可能快了 30% 到 50%。很难找到一个严谨的数字，这也许有些道理。但在构建 quick and dirty prototypes 时，我们不是快 50%——我觉得我们至少快了 10 倍，甚至可能远不止 10 倍。这有几个原因：当你构建独立原型时，需要与 legacy software infrastructure、legacy data 进行集成的部分更少；而且，在可靠性、甚至 scalability、甚至安全性方面的要求都低得多。我知道我不应该告诉别人写不安全的代码，对吧？感觉这话不该说，但我 routinely 对团队说：“去吧，写不安全的代码也没关系。”因为如果这段软件只会在你的笔记本上运行，而且你不打算恶意攻击自己的笔记本，那代码不安全也没问题，对吧？但当然，在它看起来能跑之后，请在发布给其他人之前务必把它做安全。而且你知道，比如泄露 PII、泄露 sensitive data，那是非常有害的。所以在发布之前，要把它做得安全且可扩展；但如果只是在测试，那就没问题。所以我发现，越来越多的初创公司会通过构建 20 个原型来看看什么管用，以此系统地追求创新，对吧？因为我知道在 AI 领域存在一些焦虑：很多 proof of concepts 最终无法进入生产环境。但我认为，只要将 proof of concept 的成本压到足够低，很多 proof of concepts 最终不见天日其实也没关系。我知道 move fast and break things 这句口号名声不好，因为你知道，它确实搞坏了很多东西。有些团队由此得出结论说你不该快速行动，但我认为这是个错误。我倾向于告诉我的团队：move fast and be responsible。我认为实际上有很多方法可以让你在保持负责任的同时依然快速前进。至于 AI 辅助编程的格局，我想大概是三四年前吧，code autocomplete 流行了起来，由 GitHub Copilot 普及；然后出现了 Cursor、Windsurf 这一代 AI-enabled IDEs，我也很喜欢，经常用 Windsurf 和 Cursor；接着，大概六七个月前吧，开始出现新一代高度 agentic 的编程助手——很多人写代码时大量用 o3；Claude Code 也非常棒。自 Claude 4 发布以来，它已经成为……而且如果你几个月后再问我，我可能会在用别的工具。但这些工具演进得非常快，我认为 Claude Code 代表了新一代高度 agentic 的 coding assistance，它让开发者的生产力持续增长。有趣的是，哪怕你只落后半代或一代，与使用最新工具相比，差别其实非常大。我发现我的团队现在对 software engineering 的作法，与甚至三四个月前相比都大不相同了。有一点令人惊讶：我们过去习惯认为代码是非常有价值的产物，因为它曾经很难创建；但由于 software engineering 的成本正在下降，代码已经不像过去那样具有价值了。所以我所在的团队，你知道，上个月我们就彻底重建了三次代码库，对吧？因为现在完全重建一个代码库已经没那么难了，换一个新的 data schema 也没问题，因为做这件事的成本已经暴跌。你们有些人可能听过 Jeff Bezos 关于 two-way door 和 one-way door 的说法。two-way door 指的是你可以做的决定：如果你改变主意，可以退回来，相对低成本地逆转它。而 one-way door 则是你做了一个决定，然后改变主意的话，代价非常高昂，或者很难逆转。所以选择技术栈的软件架构曾经是一个 one-way door。一旦你在某个技术栈之上搭建起来，设定了 database schema，就很难再改了。所以这曾经是一个 one-way door。我不想说这完全是双向门，但我发现，我的团队现在更常这样：先用某个技术栈搭了一周，然后改变主意，把代码库全部扔掉，在一个新技术栈上从零重做。我不想过度渲染这一点，我们不是一直这么做，重做仍然是有成本的。但我发现团队经常在重新思考什么是单向门、什么现在已经是双向门，因为软件工程的成本现在低了很多。也许稍微跳出软件工程来看，我觉得这实际上是一个让每个人都用 AI 来构建的好时机。过去一年里，很多人劝别人不要学编程，理由是 AI 会实现自动化。我认为将来回看时，这会被视为有史以来最糟糕的职业建议之一，因为更好的工具让软件工程变得更容易，应该更多人去做，而不是更少。几十年前，世界从打孔卡转向键盘和终端，这让编程变得更容易；当我们从汇编转向 COBOL 这样的高级语言时，实际上当时就有人争论说，现在我们有了 COBOL，就不再需要程序员了——人们真的写过这样的论文，但这当然是错的。编程语言让编程变得更容易，更多人学习编程，文本界面、IDE、AI 编程助手……随着编程变得更容易，更多人应该学习编程。我有一个有争议的观点：我认为，现在其实是每个岗位的人都该学习编程的时候了。事实上，在我的团队里，CFO、人才负责人、招聘人员、前台，他们都会编程，而且我确实看到他们所有人在工作职能上都表现得更好了，就因为他们会编程。我觉得我大概有点超前于趋势，大多数企业可能还没到这一步，但在未来，我认为如果我们赋能每个人去编程，很多人可以变得更高效。我也想分享我学到的另一个教训，关于为什么我们应该让人们学习做这件事。当我在 Coursera 上教《面向所有人的生成式 AI》时，我们需要用 Midjourney 生成像这样的背景艺术。我的一个团队成员懂艺术史，所以他能够用流派、调色板、艺术灵感来提示 Midjourney，对自己生成的图像有很好的掌控力。所以我们最终用了 Tommy 生成的所有图像。相比之下，我不懂艺术史，所以我提示图像生成时，只能写“请给我画一些好看的机器人图片”，对吧？我永远不可能拥有我的合作者那样的掌控力，所以我生成的图像不如他的好。我认为，在计算机方面，未来最重要的技能之一就是精确告诉计算机你想要什么，让它为你做到。而拥有对计算机更深层理解的人，才能够指挥计算机得到你想要的结果。学习编程——不是说你需要亲自写代码，而是引导 AI 为你写代码——似乎会在很长一段时间内仍然是做到这一点的最佳方式。随着软件工程变得快得多，我看到的另一个有趣动态是，产品管理工作——获取用户反馈、决定构建什么功能——正日益成为瓶颈。所以在过去一年里，我在多个团队中都看到了非常有趣的动态：我的很多团队开始抱怨他们在产品工程和设计上遇到了瓶颈，因为工程师的速度变得太快了。我看到的一些有趣趋势是，三四五年前，硅谷曾经有一些略显可疑、但不管怎样仍是经验法则的说法，比如一个 PM 配四个工程师，或者一个 PM 配七个工程师，就是这种 PM 与工程师的比例。虽然应该对此半信半疑，但典型的比例大约是一个 PM 对六七个工程师。随着工程师变得快得多，我没有看到产品管理工作——设计要构建什么——以同样的速度变快。我看到这个比例在发生变化。 literally 昨天，我的一个团队来找我，在为一个项目规划人员编制时，这个团队第一次向我提议，不是一个 PM 配四个工程师，而是要一个 PM 配 0.5 个工程师。所以这个团队实际上向我提议——我仍然不知道这个我听到的提议是否是个好主意——我有生以来第一次看到管理者向我提议，PM 数量是工程师的两倍。这是一个非常有趣的动态。我仍然不知道这个提议好不好，但我认为这代表了世界发展的方向。我发现，会编程的 PM，或者具备一定产品直觉的工程师，最终往往表现更好。另外，我发现对于初创公司领导者来说很重要的一点是，因为工程推进得如此之快，如果你有很好的策略来快速获取反馈、更快地塑造你对该构建什么的判断，这也会帮助你提速。所以，我将介绍一系列获取产品反馈的策略，来持续塑造你将决定构建什么。我们会按照从快到慢、可能准确度从低到高的顺序来看这些策略。获取反馈最快的策略是自己看产品，凭直觉判断。如果你是领域专家，如果你懂行，这其实出奇地有效。稍慢一点的是，找三个朋友或 teammates 试用产品并获取反馈。再慢一点的是向三到十个陌生人征求反馈。事实证明，在我做产品时，我学到的最重要的技能之一就是如何坐在咖啡馆里——我出差旅行时经常坐在酒店大堂里——学会发现人流量高的地方，然后非常礼貌地拦住陌生人，请他们对我正在做的任何东西给出反馈。在我还没那么出名的时候，这更容易做到；当人们认出你时，就会有点尴尬。我发现，我其实和团队一起坐在人流量很高的酒店大堂里，非常礼貌地问陌生人：“嘿，我们在做这个产品，你介意看一下吗？” 我其实在咖啡馆里学到，很多人在工作，很多人其实不想工作，所以我们给了他们一个分心的借口，他们也很乐意。但实际上，我和合作者们就这样在酒店大堂或咖啡馆里做出了大量的产品决策。把原型发给 100 个测试者，如果你能接触到大量用户群体的话。这些策略变得越来越慢。我知道在硅谷我们喜欢谈论 AB 测试，当然我也做大量 AB 测试，但与许多人想的相反，AB 测试现在是我菜单上最慢的策略之一，因为上线就很慢。是的，这取决于你有多少用户。另一件事是，当你使用除了第一种策略以外的任何策略时，有些团队会看着数据做决定，但缺失的一环是：当我做 AB 测试时，我不仅仅用 AB 测试的结果来选产品 A 或产品 B。我的团队经常会坐下来仔细研究数据，以磨练我们的直觉，加快我们能够用第一种策略做出高质量决策的速度。我们经常坐下来想：“天哪，我以为这个产品名会比那个产品名更好。显然，我对用户的心智模型是错的。” 真正坐下来思考，用所有这些数据来更新我们的心智模型，提高我们做产品决策的直觉质量。结果证明这非常重要。好的，我们刚才聊了具体的想法、加速工程、加速产品反馈。最后我想再谈一点：我发现真正理解 AI 其实能让你跑得更快。下面我说说为什么。作为 AI 从业者，也许我天然倾向于支持 AI，但我想告诉你原因。事实是，像移动技术这样的成熟技术，很多人用智能手机已经很多年了，我们大概知道一个移动应用能做什么，对吧？包括非技术人员在内的很多人，都对移动应用的能力有很好的直觉。如果你看销售、市场、人力、法务这些成熟的岗位，它们都非常重要，也非常困难。但市面上的营销人员足够多，很多人做了很久，而且营销战术在去年也没发生太大变化，所以有很多营销高手。这很重要，也很难，但这种知识是相对普及的，因为怎么做人力，过去六个月里并没有剧烈变化。但 AI 是新兴技术，如何把 AI 真正做好的知识并不普及。所以真正懂 AI 的团队，确实比不懂的团队有优势。而如果你遇到人力问题，你大概率能找到懂行的人；但如果是 AI 问题，真正知道怎么做能让你领先于其他公司。比如客服聊天机器人你能做到什么准确率？是否应该对 workflow 做 prompt fine-tune？如何让语音输出做到低延迟？有很多这类决策，如果技术选对了，几天就能解决问题；选错了，可能在死胡同里钻三个月。有一点让我惊讶：如果只有两个可能的架构决策，那只是一比特的信息。直觉上，如果你不知道正确答案，最多也就慢一倍，对吧？一比特，大不了两个都试。感觉一比特信息最多带来 2 倍加速。从理论上说这没错。但实践中我看到的是，如果你选错了这一比特，你不是慢两倍，而是可能花十倍时间在死胡同里打转。这就是为什么我认为具备正确的技术判断力，真的能让创业公司快很多。另一个让我觉得紧跟 AI 对创业公司很有帮助的原因是，过去两年我们涌现了大量出色的 gen AI 工具和 gen AI 构建模块。随便列几个：prompting、workflows、evals、guardrails、RAG、voice、act、async programming、大量 ETL、embeddings、fine-tuning、graph DB、如何集成模型等等。这是一长串很棒的构建模块，可以快速组合起来，搭建出哪怕一年前全世界都没人能做出来的软件。这为创业者创造了很多做新东西的机会。当我学习这些构建模块时，脑海里其实是这样一幅画面。如果你只有一个构建模块，比如一个基础白色积木，你能搭出一些很酷的东西。也许你知道怎么写 prompt，你有一个积木，能做出一些很棒的东西。但如果你有了第二个模块，比如你还知道怎么搭聊天机器人，那你有一块白色乐高和一块黑色乐高，就能搭出更有趣的东西。再拿到一块蓝色积木，能搭的更有趣。再来几块红色的，也许再来一块黄色的，更有趣。积木越来越多，你能把它们组合出来的东西数量会迅速以组合方式乃至指数级增长。所以掌握所有这些出色的构建模块，能让你以丰富得多的方式组合它们。说到 deep learning，其实我自己也修了很多 deep learning 课程，因为我们在和——我想我们和世界上几乎所有领先的 AI 公司都有合作——并且我们确实在努力把这些构建模块推广出去。而每当我翻看 deep learning 课程目录时，看到的其实就是这些。每次我通过课程学习这些构建模块，我都觉得自己获得了新的零件，可以把它们组合起来，以组合乃至指数级的方式，搭建出更多仅仅一两年前还不可能实现的软件应用。好，总结一下，这是我最后一页幻灯片。接下来我想接受提问，如果大家有问题的话。我觉得对创业公司来说重要的因素有很多，不只是速度。但当我观察 AI Fund 所孵化的创业公司时，我发现管理团队快速执行的能力，与其成功概率高度相关。关于如何提速，我们学到的一些经验是：要致力于具体的想法，而且必须是好的、具体的想法。我发现作为一名管理者，别人评判我的是决策速度和质量。两者都重要，但速度绝对重要。借助 AI 编程助手进行快速迭代能让你快很多，但这会把瓶颈转移到如何为产品决策获取用户反馈上。所以要掌握一套快速获取反馈的策略方法。如果你还没学会去咖啡馆和陌生人聊天，这确实不容易，但请保持尊重，尊重他人，我认为这是创业者非常宝贵的一项技能。另外，紧跟技术发展也能为你赢得速度。好，说到这里，谢谢大家。非常感谢。（掌声）欢迎提问。随着 AI 的进步，你认为人类更重要的是开发工具，还是学习如何更好地使用工具？在一个智能正在民主化的世界里，我们该如何定位自己才能保持不可或缺？我觉得 AGI 被过度炒作了，所以在很长一段时间里，仍然会有很多只有人类能做而 AI 做不到的事情。我认为未来最有力量的人，是那些能让计算机精准执行你意图的人。所以我认为要紧跟工具。我们中有些人有时会开发工具，但还有很多工具是别人开发的，我们直接拿来用就好。因此，懂得如何利用 AI 让计算机按你意愿行事的人，会比不懂的人强大得多。不用担心人们会无事可做，但会用 AI 的人会比不会用的人强大得多。您好，首先非常感谢。我非常尊敬您，您对我们很多人来说都是真正的灵感来源。我的问题关于计算的未来。随着我们朝着更强大的 AI 迈进，您认为计算将走向何方？我们看到有人说要把 GPU 运到太空，有人在谈核能数据中心。您怎么看？关于刚才那个有关 AGI 的问题，我本来还在想该怎么回答，也许我回答这个问题时顺便带一点上一个问题。其实有一个框架可以用来判断什么是炒作、什么不是。过去两年里，有少数公司为了宣传推广、公关、融资或扩大影响力，刻意炒作了一些东西。因为 AI 太新了，少数公司几乎说什么都行，没人去事实核查，因为大家不懂这项技术。所以我的一个心智过滤器是：某些炒作叙事会让这些企业看起来更强大，于是被放大了。比如，那种认为 AI 强大到可能意外导致人类灭绝的想法，这太荒谬了。但这是一种炒作叙事，让某些企业看起来更强大，热度不断升温，实际上还帮助某些企业达成了融资目标。AI 太强大了，很快任何人都不会再有工作了。事实并非如此，对吧？但话说回来，这让这些企业看起来更强大，被炒作起来了——我们如此强大，以至于训练一个新模型就能轻易消灭数千家初创公司。这并不属实。是的，Jasper 遇到了麻烦，有少数公司被击垮了。但要轻易消灭数千家初创公司并没有那么容易。AI 需要那么多电力，只有核能才够用。你知道，风能、太阳能那些，不，那也不对。所以，我觉得很多这种……太空里的 GPU，你知道，我不知道。就像是……去吧。我认为地面上的 GPU 还有很大的发展空间。嗯，是的，但我认为这些炒作叙事中有一些被放大了，我觉得这是对实际将会发生的事情的一种扭曲。
AI 领域有很多炒作，至于我们将如何用它建设未来，没人真正确定。但你见过人们谈论或受其误导而最终坚信不疑的一些最危险的偏见或过度炒作的叙事是什么？我们应该努力避免或更加警惕这些，以便在建设未来时拥有更现实的视角。所以我认为危险的 AI 叙事被过度炒作了。AI 是一种极好的工具，但就像电力等其他强大工具一样，有很多方式可以将其用于有益的目的，也有一些方式可以将其用于有害的目的。我发现自己不太常用 AI safety 这个词。不是因为我认为我们应该建造危险的东西，而是因为我认为安全不是技术本身的属性，而是我们如何应用它的属性。就像电动机，你知道，电动机制造商无法保证永远不会有人在下游以不安全的方式使用它——电动机可以用来制造透析机，电动车可以用来制造智能炸弹，但电动机制造商无法控制它在下游如何被使用。所以安全不是电动机的属性，而是你如何应用它的属性，我认为 AI 也是如此。AI 本身既不是安全的，也不是不安全的。正是你如何应用它，决定了它是安全还是不安全。因此，与其思考 AI safety，我经常思考 responsible AI，因为正是我们如何（希望是）负责任地或不负责任地使用它，决定了我们用 AI 技术建造的东西最终是有害还是有益的。而且我觉得，有时候新闻中炒作的那些非常奇怪的极端案例——我想就在一两天前，《华尔街日报》有一篇关于 AI 失控之类的文章。我觉得那篇文章把在实验室里运行的极端案例实验拿来，以一种我认为与实验本身极不相称的方式进行了煽情化报道。不幸的是，技术已经足够难以理解，很多人都无法分辨，所以这些炒作叙事不断被放大，而且我觉得这也被用作攻击开源软件的武器，对吧？这真的很令人遗憾。感谢你的贡献。我认为你的影响力非凡。我的问题是，作为有抱负的创始人，在任何事情都可能在一天内被颠覆的世界里，我们应该如何看待商业？无论你拥有多么出色的护城河、产品或功能，竞争对手基本上都能在几小时内用 vibe code 复制出来。事实证明，当你创业时，有很多事情需要担心。我最担心的一点是：你是否在打造一款用户喜爱的产品？当你建立一家企业时，有很多事情要考虑：走向市场的渠道、竞争对手、技术、护城河，所有这些都很重要，但如果我要把精力集中在一个点上，那就是你是否在打造一款用户真正想要的产品。在你解决这个问题之前，要知道建立一家有价值的企业是非常困难的。解决这个问题之后，其他问题才会进入视野：你有没有触达客户的渠道？长期定价是什么？你的护城河是什么？我觉得护城河往往被过度炒作了。实际上，我发现更多企业往往是从一款产品起步，然后最终演化为护城河。但消费品牌在某种程度上更具防御性。而且如果你拥有很大的势头，别人就很难追上你。不过对企业级产品来说，有时候……也许如果你进入企业的渠道很难打通，护城河就更值得考虑。所以我认为……抱歉，当 AI Fund 考察企业时，我们实际上会对这些因素进行相当复杂的分析，撰写一份两到六页的叙事性备忘录来做分析，然后才决定是否推进。而且我认为所有这些都很重要，但我感觉在当下这个时间点，机会的数量——也就是说世界上还没人做出来的、可能的东西的数量——似乎远大于有技能去建造它们的人数。所以毫无疑问，在应用层，感觉还有大量的空白地带等着你去建造新事物，而且似乎没其他人正在做。我要说的是，你知道，专注于打造人们想要、人们喜爱的产品，然后一路上再解决其他问题。尽管这些也很重要，要一路上去解决。呃，教授你好。感谢你的精彩演讲。我是斯坦福的一名研究生研究员，我觉得你演讲中的比喻非常有趣。你说当前的 AI 工具就像砖块，可以被积累起来建造东西。然而，到目前为止，很难看到 AI 工具整合的累积性功能扩展，因为它们往往基于意图分布在功能堆叠上对齐，并且伴随着 token 和时间开销的动态问题。这与静态工程不同。那么，你认为未来可能的 agent 积累效应会是什么前景？不过，对此我只简单回应几句。你提到了 agent 和 LLM 的 token 成本。我给开发者最常见的建议是：作为一阶近似，根本不用担心 token 要花多少钱。只有少数初创公司足够幸运，能有用户使用你们的产品到让 token 成本成为问题的程度。这确实可能成为问题——我待过很多团队，用户喜欢我们的产品，我们开始查看我们的 gen AI 账单，它确实在攀升，最后真的成了问题。但实际上，要达到 token 使用成本成为问题的地步是非常困难的。而对于我所在的那些足够幸运、用户用量让我们的 token 成本成为问题的团队，我们通常有工程解决方案来扭转成本曲线，通过 prompt engineering、fine-tuning、使用 SLM、优化或其他手段把成本降下来。然后我看到的是，我看到很多 agentic 工作流实际上整合了许多不同的步骤。比如，如果你做一个客服聊天机器人，通常需要使用 prompting，也许用 DSPy 优化一些结果，构建 evals，构建 guardrails，也许客服机器人还需要 RAG 来获取信息反馈给用户。所以我确实看到这些东西在成长。但对你们很多人的一个建议是，我通常会设计我的软件架构，让在不同基础模块提供商之间切换相对容易。比如，我们有很多建立在 LLM 之上的产品，但有时你指着某个特定产品问我，我们用的是哪款 LLM？说实话，我不知道，因为我们建立了一套 evals，每当有新模型发布，我们会快速运行 evals，看看新模型是否比旧模型更好。如果新模型在 evals 上表现更好，你就会直接切换到新模型。所以我们每周使用的模型，有时候我们的引擎团队换了模型甚至都没告诉我，因为 evals 显示新模型效果更好。由此可见，基础模型的切换成本其实相对较低，而且我们在软件架构上也经常——哦，我和朋友们正在开源一个 AI suite，用来让切换变得更简单。嗯，编排平台的切换成本稍微高一些。但我觉得，在构建模块的选择上保持这种灵活性，往往能让你行动更快，即便你在上面搭建的东西越来越多。嗯，希望这有帮助。非常感谢。在 AI 教育领域，主要有两种范式。一种是 AI 可以让教师更高效，比如自动批改作业、自动布置家庭作业。但另一种观点认为，未来每个学生都会拥有私人导师。也就是说，每位学生都能有一位从 AI 获得反馈并为他们提出个性化问题的导师。您如何看待这两种范式的融合？未来五年教育会是什么样子？我觉得所有人都感觉到教育科技即将迎来变革，但我认为颠覆性改变尚未真正到来。我看到很多人正在尝试不同的东西。比如 Corsera 推出了 Corsera Coach，效果其实很不错。嗯，DeepLearning.AI 更专注于教授 AI，也内置了一些聊天机器人。很多团队也在尝试自动批改。哦，在 DeepLearning.AI 网站上还有一个我的 avatar，如果你愿意的话可以去跟它对话。嗯，deeplearning.ai。然后我认为在某些领域，比如语言学习，像 Speak、Dolingo 这类应用，AI 将会如何改变它们已经变得比较清晰了。但对于更广泛的教育图景，AI 到底会以何种确切方式带来变革，我看到大量的实验。我认为我参与了一些合作的 Key Learning 正在做的事，对 K12 教育来说非常有前景。但说实话，我看到的是海量实验，最终形态仍不明朗。我确实认为教育会变得超个性化。但具体流程是什么？是一个 avatar？是一个文本聊天机器人？工作流程到底是什么？我觉得，嗯，几年前那种炒作——说什么 AGI 很快就要来了，一切都会变得很容易——那只是炒作。现实是，工作本身很复杂，对吧？教师、学生、人们都在处理非常复杂的工作流程。在未来十年里，我们需要审视哪些工作必须完成，并想办法将其映射到 agentic workflows 上。而教育正是这样一个领域：这种映射仍在进行中，但尚未成熟到最终形态已经清晰的程度。所以我觉得，我觉得我们大家都应该，对，继续努力。好的。好的。非常感谢 Andrew。谢谢。嗯，嘿，我的问题是，我认为 AI 有很多造福社会的巨大潜力，但也可能带来很多负面后果，比如加剧经济不平等之类的问题。我觉得我们这里的很多初创公司，虽然会做很多伟大的事情，但也会仅仅因为其产品属性而加剧一些负面后果。所以我很好奇，您认为我们这些 AI 构建者应该如何平衡产品开发与 AI 产品潜在的社会负面影响？本质上，我们如何才能既快速推进又负责任？就像您在演讲中提到的——
直视你的内心，如果你从根本上不认为你正在做的事情会让大众受益，那就别做。我知道这听起来简单，但在当下其实很难做到。但在 AI Fund，我们砍掉过多个项目，不是因为财务原因，而是出于伦理考量。有些项目我们看了，经济回报非常可观，但我们会说，你知道吗，我们不希望这个东西存在于世界上，于是就在这个基础上把它砍掉了。所以我希望更多人能这么做。然后我还担心能否让所有人都跟上。我看到的一点是，在各种非工程类岗位上，如果人们懂 AI，他们的效率会比不懂的人高得多。比如在我的营销团队里，我的营销人员会写代码。说实话，他们的表现把那些不懂的人远远甩在后面。于是所有人都学了编程，然后他们变得更好了。但我觉得，努力让每个人都跟上，确保每个人都有能力用 AI 进行构建，这将是我们所有人工作中很重要的一部分。嗯，我是您的忠实粉丝，感谢您提供的在线课程。您的课程让 deep learning 变得对全世界更触手可及。我的问题也是关于教育的。随着 AI 变得越来越强大和普及，AI 实际能做的事情和人们对其认知之间似乎出现了越来越大的差距。所以您怎么看？是否有必要向普通大众普及 deep learning 相关知识，而不仅仅是教育那些技术人员？让更多人真正理解 AI 到底能做什么以及它是如何运作的？我认为这些知识会传播开来。DeepLearning.AI 希望赋能所有人用 AI 进行构建，所以我们正在努力。我们很多人都在为此努力。我只想说说我心目中主要的——我觉得大概有两个危险。一是如果不能足够快地让所有人跟上，我希望我们能解决这个问题。还有一个危险是，事实证明，如果你看看移动生态系统，智能手机，它其实没那么有意思。原因之一就是有两个守门人，Android 和 iOS。除非他们允许你做某些事情，否则你在手机上就不能尝试某些东西。我认为这阻碍了创新者。这些所谓的 AI 危险已经被某些企业利用了。他们试图扼杀 open source，因为有不少企业非常乐意成为大规模基础模型的守门人。所以我认为，夸大危险——这些所谓的虚假 AI 危险——是为了让监管机构通过像加州提出的 SP 1047 这样的法案。谢天谢地我们把它阻止了，否则它将带来极其繁重的监管要求，这些要求不会让任何人更安全，但会让 TS 发布 open source 和 open weight 软件变得非常困难。所以对不平等而言，另一个危险在于，如果这些监管——你知道，糟糕的监管方式——得逞。我曾经就在那个房间里，有些企业对监管人员说的话完全不是事实。