Andrew Ng

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。

🔗 原始收听与视频来源： AI Fund 普通合伙人 Andrew Ng：LLM 是下一件地缘政治武器，AI 时代毛利率还重要吗？

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。

🔗 原始收听与视频来源： Agentic AI如何重塑创业版图：Andrew Ng