创业者的AI指南｜吴恩达最新演讲解析10倍速创业方法论

1. 开场：为什么“速度”决定创业生死

在 Y Combinator 的这次炉边谈话里，Andrew Ng 开门见山：“执行速度是预测一家初创公司能否成功的最强单一指标。”

过去 18 个月，大模型、AI 编程助手、Agent 框架的爆发，让“快”不再是一句口号，而是可量化的 10 倍提速。

2. AI 栈全景：机会最大的一层是“应用”

（1）Ng 用一张图把当前 AI 生态拆成了 5 层：

在这里插入图片描述

半导体：NVIDIA、AMD、Intel
云：AWS、GCP、Azure
基础模型：OpenAI、Anthropic、Meta …
Agent 编排层（新增）：LangChain、AutoGen …
应用层：Workato、MosaicML、Inworld AI …

应用层离钱最近，是创业者最该深耕的“金矿”。

（2）出现了一些新的代理编排层（例如Langchain，Autogen）

该层可帮助应用程序构建者协调对基础技术层的调用，从而使应用程序开发更加容易。

在这里插入图片描述

3. AI智能体的崛起

（1）智能体AI是AI中最重要的技术趋势。

Non-agentic workflow (zero-shot): 要求LLM一次生成完整的输出，例如从头到尾键入文章而无需返回底格。这不是人类或人工智能表现最好的方式
Agentic workflow： AI以步骤执行任务的迭代过程（例如概述，研究，初稿，批评，修订）。
这种迭代循环虽然每步较慢，但却提供了更好的工作产品。
智能体工作流程对于复杂的任务至关重要，例如合规性文档分析，医学诊断和法律文件推理。

（2）通过将现有或新的工作流程实施到代理AI系统中，将建立许多有价值的业务。

4. 让具体想法更快得到执行

（1）仅在具体的想法上工作以提高速度。

•具体的产品想法已足够详细地指定，以便工程师构建它。
- 没有具体的示例：“使用AI来优化医疗资产”。（太模糊，导致不同的解释）。
- 混凝土的示例：“医院的软件让患者在线预订MRI机插槽以优化使用。” （清晰，可建造）。
- 没有具体的示例：“ AI用于电子邮件个人生产力”。
- 混凝土的示例：“ Gmail集成的自动化，使用户可以编写提示以自动过滤/标记电子邮件。”
模糊的想法通常会受到赞美，但不能迅速建立，阻碍了速度。
具体的想法提供了明确的方向，可以快速验证或伪造。

（2）处理具体想法的技巧

良好的具体想法通常来自很长一段时间以来考虑过问题的主题专家。他们的决策对于快速决策可能非常有效，比新创业公司的数据收集更快。
专注于一个清晰的假设。初创企业缺乏同时追求许多想法的资源。
如果数据表明一个想法失败了，请迅速转移到一个新的具体想法。
频繁的旋转可能表明对该部门的初始知识不足。

5. 快速原型和工程

构建/反馈循环对于推动客户接受至关重要。
- 这涉及构建软件（工程），获得用户反馈（产品管理）和迭代。

构建/反馈循环说明了迭代产品开发。

AI编码助手可以快速工程：
- 降低与旧系统，可靠性，可扩展性甚至安全性安全性的要求。
- 通过构建许多原型来查看有效的方法，可以系统地追求创新。
- 咒语应“快速移动并负责”，而不是“快速移动并破坏事物”。
构建原型：AI使此10倍更快（或更多）。
编写/维护生产软件：AI使30-50％的速度快（不如原型制作，但仍然很重要）。

工程速度的提高：原型的10倍，与AI助手的生产软件相比30-50％。 [00:10:50]
软件工程的新理念：
- 代码作为人工制品的价值不太有价值。可以快速重建整个代码库。
- 由于重新设计成本降低，建筑决策（以前的“单向门”）现在更像是“双向门”。

作者注： 快速重构整个代码库目前还做不到，哪怕能用AI重构，其验证、测试的工作量也巨大，特别是对于各种核心业务的代码库来说更是如此。如何保证重构的代码的逻辑和原来的逻辑一致，要是AI不能理解核心业务逻辑恐怕很难做到。

AI协助的演变：
- 代码自动补全（例如，GitHub Copilot）
- 启用AI的IDE（例如，Cursor, WindoWs）
- 高度智能体的编码助手（例如，Claude Code, Cody）
- 保持使用最新和高效的工具对于开发人员的生产力至关重要。
授权所有人使用AI [14:30]建造：
- 建议人们不要学习编码，因为“ AI会自动化它”是不好的建议。
- 从历史上看，使编码更容易（例如，打孔卡上的键盘，汇编的高级语言，文本编辑器的IDE）导致更多的人学习编码。

从打孔卡到AI编码助手的编码工具的演变，强调可访问性的增加。 [00:15:20]

Andrew Ng倡导每个人，无论工作角色如何（CFO，人力资源，营销人员），都学习编码以提高生产力。
能够准确地告诉计算机您想要的内容（即使为您为您进行编码）的能力将是一项关键技能。

AI生成的机器人艺术的示例，并通过详细提示证明精确的控制。

6. 产品经理的角色

随着工程越来越快，产品管理（获得用户反馈，确定功能）现在是瓶颈。
PM和工程师比率的改变：传统上1PM到4-7工程师；现在，由于工程速度提高，团队提出的比率（例如1 pm到0.5工程师）。
可以编码产品或具有产品能力的工程师的PM倾向于表现更好。

作者注：这一点也可能并不能很快的实现。

在哪里获得产品反馈（从最快/较差到最慢/更准确）：
- A/B测试虽然有价值，但通常是最慢的策略。
- 分析从反馈循环到打磨功能并更新用户的心理模型的数据至关重要，从而提高了未来产品决策的速度和质量。
自己先使用30分钟。

询问3个朋友或队友（30分钟-4-5个电话）。

询问3-10名陌生人（1天）。学会发现高足流域（咖啡店，酒店大堂）以尊重反馈。

将原型发送到100个测试人员（1周）。

向1,000名用户发送原型以获取定性或定量反馈（1-2周）。

启动成熟产品A/B测试（2个以上）。

7.理解AI的价值

对AI的深刻了解是一种独特能力，因为AI是一种新兴技术。
- 对于成熟的技术（例如移动应用程序）和工作角色（销售，营销，人力资源），知识是普遍的。
- 对于AI，关于如何做得很好的知识尚未普及。
做出正确的技术选择（例如，聊天机器人的准确性，提示与微调，达到语音应用程序的准备期）节省了巨大的时间。
- 错误的技术决定可能会导致几个月来盲目的开发，开发时间远远超出理论上的2倍还多。

8.利用Gen AI工具用于初创企业

在过去的两年中，出现了各种各样的Genai构建块：
- Prompting, agentic workflows, evals, guardrails, RAG, voice stack, async programming, data extraction, embeddings/vectorDBs, fine-tuning, graphDBs, LLMs, agentic browsers/computer use, MOP reasoning models.
  
  各种Genai构建块以五颜六色的乐高积木的形式出现，说明了它们的组合潜力。
这些块可以合并以构建一年前不可能的软件。
类似的乐高砖：了解更多的构建块（不同的颜色，形状），能够构建出（呈指数）更丰富，更复杂的创作。
- 习这些构件（例如，通过深度学习。课程）直接转化为将它们结合到新颖应用中的能力。
模型选择的灵活性：基础型号的切换成本相对较低。
- 团队应进行架构软件的设计，以使不同的构件提供商之间的切换容易（例如，使用评估指标自动切换到更好的模型）。
- 即使在构建复杂的多层应用程序时，保持这种灵活性也可以更快地开发。

9. 结论：以AI的速度建立

尽管许多因素导致了启动成功，但执行速度高度相关。
达到速度的策略：
1. 基于具体的想法。
2. 通过AI编码辅助利用快速工程。
3. 实施快速反馈机制。
4. 培养对AI技术的深刻理解。
企业家应发展寻求各种用户，甚至陌生人的快速，尊重反馈的技巧，以打磨他们的产品能力。

10. 解决AI炒作和误解

AI炒作的叙述已被放大，以促进，筹款和影响力。
- 夸张的叙述的例子：导致人类灭绝的人工智能，AI自动化所有工作，新模式消除了数千家初创企业，核能是AI的唯一可行能量。这些是扭曲。
AI安全与负责人AI
- AI是一种工具，既不是天生的安全也不安全。它的安全取决于其应用方式。
- “ AI安全”一词具有误导性； “负责人的AI”更合适，重点是人类在道德上使用AI。
- 轰动一时的媒体报告经常夸大实验室实验，导致错误信息。

11.教育中的AI：当前的趋势和未来方向

AI教育的两个主要范例：
1. 1.人工智能使教师提高生产力（自动化评分，作业）。
2. 2.AI为每个学生提供个人导师。
尽管每个人都认为变化即将到来，但广泛的破坏还没有。
许多团队正在尝试（例如，Coursera教练，深度学习。Ai聊天机器人，Duolingo等语言学习应用程序）。
教育可能会变得超为个性化。
确切的工作流（例如，头像辅导员与文本聊天机器人）仍在不断发展； “最终状态”尚不清楚。
现实情况是，复杂的人类工作流程（老师，学生）需要仔细映射到Agentic AI，这是一个仍在进行的过程。

12. 平衡AI创新与道德考虑[39:33]

道德判断：如果产品从根本上没有使人们变得更好，则不应建立。
- AI基金也以道德为由杀死了项目，即使在经济上可行。
经济不平等：
- 如果他们理解并可以使用AI，则没有工程角色的人的生产力要高得多。
- 赋予每个人使用AI建造的能力对于防止不平等的不平等至关重要。

13. 保护开源和AI的未来[41:27]

守门人的威胁：危险不是AI本身，而是某些企业使用“ AI”叙述的“危险”来推动将权力集中的法规。
- 类似于移动生态系统（Android，iOS），其中两个守门人限制了创新。
- 示例：拟议的加利福尼亚州法案SB 1047，该法案将施加繁重的监管要求，因此很难发布开源和开放量的AI软件。
保护开源：这场斗争对于防止创新被扼杀并确保AI知识的扩散至关重要，从而使许多初创公司能够负责任地建立。