DeepLearning.AI創始人吳恩達：企業決勝點在于“沙盒優先”與全員編程

若說過去兩年是人工智能的“基建狂歡”——數萬億美元涌入芯片、數據中心與基礎大模型，DeepLearning.AI創始人、亞馬遜董事會成員吳恩達（Andrew Ng）則給出新核心判斷：價值重心正劇烈向應用層轉移。

這是一個反直覺的戰略窗口：盡管媒體充斥著萬億參數模型的“軍備競賽”，但真正的商業變革，正潛伏在不起眼的Agentic Workflows（智能體工作流）與非技術人員構建的微型工具中。

如何抓住機遇？吳恩達提出三大建議：

第一，非對稱下注，擁抱“廉價實驗”：企業需從“精準規劃”轉向“高頻試錯”。如果失敗成本僅數萬美元，成功潛在收益卻無限，那么唯一風險是不下注；

第二，打破科層制，推行“沙盒優先”（Sandbox First）：“若工程師在筆記本跑測試都需五位副總裁審批，創新就死定了。”應在限定數據敏感度、預算與發布范圍的安全區內，賦予團隊極高自主權；治理與安全防護待價值驗證后再引入，而非作為創新準入門檻；

第三，重塑人才觀，推動全員編程：借助AI輔助推動全員掌握編程能力。在 DeepLearning.AI，CFO乃至前臺都已用Python自動化工作流。這并非要求人人成軟件工程師，而是賦予各崗位“指揮計算機”的能力。在SaaS無法覆蓋的細分長尾需求中，最懂業務者用 AI 自建工具，將成企業效率新護城河。

周期跨越：從“建設電網”到“應用落地”

伊希特·瓦赫拉賈尼：幾年前，你提出過一個著名論斷，“AI是新時代的電力”。如今我們處于這一旅程的哪個階段？是建設電網，還是已準備好插電器獲得價值？

吳恩達：我說“AI是新電力”，是指AI是通用技術，適用于眾多應用場景，而非僅一兩個殺手級App。

這就出現了一個有趣的現象：我們這些身處AI行業，尤其是構建AI Agent與Agentic AI工作流的人，深感增長迅猛、忙碌異常；但同時也看到MIT（麻省理工學院）報告指出的“95% 的企業 AI應用尚未奏效”。

當前我們正處于AI實際采用率基數低但增長驚人的階段。硅谷曾上演類似劇情：起初人們說“這僅占工作負載1%”，轉眼就成2%、4%、8%。這種指數級增長的意義不言而喻。因此，盡管外界有謹慎懷疑，我仍對未來幾年AI可高效完成的任務量充滿信心。

但這確實需要時間。反過來，“兩年內實現AGI”“AI無所不能”的說法純屬炒作。我認為10年后，我們仍會致力于識別哪些工作流可通過AI與Agentic AI工作流自動化或輔助。

伊希特·瓦赫拉賈尼：展望未來，有什么尚未成為主流但讓你興奮的方向？如果向這些方向邁進，我們應該怎么做？

吳恩達：最讓我興奮的，是未來10年通過構建應用與Agentic AI工作流改變商業格局的事業。

另外有一個不為人知的“反炒作”事實：兩三年前，大家炒作模型通用、AGI將至，只因當時模型訓練依賴互聯網通用數據。但如今可見，前沿模型獲取額外知識的方式極為“零碎”。

若想讓模型在醫療、金融等領域表現更好，必須專門獲取、清洗并輸入該領域數據。不存在能自動解決所有垂直領域問題的“神奇縮放定律”。這意味著企業無法指望“通用智能”搞定所有業務需求，需借助Amazon Nova Forge等工具，將零碎知識高效融入模型，滿足特定業務需求。

伊希特·瓦赫拉賈尼：“Agentic AI工作流”這個詞也是你創造的。“新周期”多由大模型驅動這件事有點反直覺。對企業領導者而言，Agentic AI工作流比單純大模型更能推動進步，這意味著什么？

吳恩達：觀察AI的新周期很有意思。兩三年前現代生成式AI剛出現時，僅少數企業處于前沿，因AI能力邊界難界定，信息生態一度被炒作污染。

如果我們審視AI技術棧，大部分注意力都集中在技術層，包括亞馬遜云科技等超大規模云廠商、半導體以及AI基礎模型。盡管巨額資本涌入這些層級，但按定義，應用層價值必然更高，畢竟要讓基礎設施投資合理化，上層應用必須產生遠超投入的收入。

我觀察到一個有趣的動態：投資界有成熟公式可投入數十億、上百億美元建數據中心，但構建價值更高的AI應用時，下注成本極低，且無現成公式。好消息是，嘗試應用點子的成本也極低；但也正因成本太低，無法像“萬億美元計劃”那樣引發媒體狂歡。

拋開炒作聚焦商業基本面，我對應用層建設極樂觀。我看到許多企業的創新萌芽，但因基數小，95%企業尚未見到AI的實質變化，同時少數企業正飛速增長。

下注策略：快速行動，沙盒優先

伊希特·瓦赫拉賈尼：新時代下，“快速行動”的定義有何變化？到底快到了什么程度？有案例嗎？

吳恩達：我發現多數團隊的行動速度可能遠超自身認知。最近我與一家大型能源公司CPO（首席產品官）交流，其團隊預估構建儀表盤需三個月，CPO因常與我團隊（習慣一周沖刺）交流，要求 “沒有三個月，只給一周出成果”。最終團隊真的一周內交付。

我的團隊也有類似情況：有人提交六個月推廣計劃，我要求壓縮到一個月，一周后他們就拿出了可行的一月計劃。

這不僅是強制機制，更是徹底顛覆思維窗口（Overturn window）。如今速度與可能性提升不是2～3倍，而是10倍以上，這也是為什么我認為現在是大膽下注的好時機。未來兩三年是商業轉型的窗口期：下注下行風險低（僅數萬美元沉沒成本），但上行空間幾乎無限。

伊希特·瓦赫拉賈尼：實驗成本大降讓企業可多下注，但大公司AI點子多、評分與ROI標準復雜，在數百個想法中，噪聲很大。你建議如何押注這些創新想法？

吳恩達：AI輔助編程的出現——我知道大家對合規和安全有顧慮，但它確實是一個巨大的加速器，讓概念驗證（POC）成本直線下降。若能解決合規安全問題，讓團隊使用高度Agentic AI編程工具，將極大提升開發效率。借助Kiro等工具或可提速50%。從經濟學角度，某樣東西極便宜時，我們應“多買入”。

聰明的團隊會思考：為何不構建大量微小項目？即便18個項目悄無聲息失敗，只要能篩選出2個值得擴展的項目，就值得嘗試。

很多人感嘆AI的POC難落地生產，我看法不同：若能將POC成本降至趨近于零，就應多做POC，讓它們安靜且安全地失敗，以此作為篩選機制。

不過，我也承認，盡管押注成本降低了——以前需要6個工程師做幾個月的項目，現在1個工程師周末就能完成——但下注所需的技能門檻依然很高。我自己也常糾結如何押注創新想法、何時止損及如何設置沙盒。

伊希特·瓦赫拉賈尼：你提到“沙盒優先”，即稍后再添加安全防護與可觀測性，但部分行業受監管，風險管理要求嚴格。戰術上，如何創建既能快速行動、又能避免成功后被生產環境要求拖慢的沙盒？

吳恩達：運營大型團隊尤其是上市公司時，確實承擔不起工程師發布腦洞大開的原型應用導致違規或損毀品牌的后果。因此，很多企業要求工程師在發布前必須拿到5個VP的簽字，但這會導致創新停擺。

破解之道是預先設置沙盒：給團隊一定預算（如10萬美元），規定不準以公司品牌對外發布、僅限內部測試、不涉及敏感信息。在這樣的沙盒里，下行風險可控，團隊可全力沖刺。我甚至會告訴團隊，沙盒內“無須擔心安全性”（除非他們想攻擊自己的電腦）。

只有當團隊找到客戶真正喜愛的成果時，再投入治理、安全機制進行擴展。這種機制能解決大公司的創新困境。

人才升級：“全民編程”+引入懂AI的董事

伊希特·瓦赫拉賈尼：作為領導者，你會鼓勵團隊（尤其非技術崗位）投資哪1～2項技能做準備？

吳恩達：先說說無爭議的：AI能顯著提升所有知識工作者的生產力，但大家需要提升的技能量相當大，比如很多人不懂深度推理模型與普通大模型的區別，這需要全員培訓。

再說說有爭議的：幾乎所有崗位中，懂代碼的員工比不懂代碼的員工更高效。今年早些時候有人建議年輕人別學編程，稱AI會自動化編程。我認為這是史上最糟糕的職業建議之一。

隨著AI降低編程門檻，更多人應掌握這項技能。在我的團隊，懂代碼的市場人員、招聘人員、CFO乃至前臺，效率都遠超同行：CFO用自動化軟件處理文件而非手動點擊，前臺經內部培訓學會編程后，甚至開發了一套嚴謹的CRM系統。

這里的“懂代碼”不是指手寫代碼，而是借助AI輔助編程。未來最重要的技能之一，是能清晰告訴計算機自己的需求。可預見的未來里，計算機的語言仍是代碼。

伊希特·瓦赫拉賈尼：你身兼亞馬遜等公司董事，對即將參加董事會的CXO們，你有何建議？如何向董事會匯報AI投資與風險？

吳恩達：我很幸運在亞馬遜董事會任職，杰夫·貝佐斯和安迪·賈西本身就是AI專家。但如果你的董事會對AI了解不多，我建議安排AI培訓。

我有個朋友曾試圖說服董事會推進某件事未果，結果董事會成員在YouTube看了我的演講后，反過來要求他推進。這說明提升董事會對AI的理解，能讓他們成為更好的合作伙伴。

此外，越來越多董事會意識到，引入真正懂AI的董事，能極大改變董事會動態與決策質量。這不僅是為了治理監督，更是為了讓董事會成為助力企業前進的合作伙伴。

伊希特·瓦赫拉賈尼（Ishit Vachhrajani）吳恩達（Andrew Ng）| 文

伊希特·瓦赫拉賈尼是亞馬遜云科技全球技術、AI分析與企業戰略負責人。吳恩達是DeepLearning.AI創始人、亞馬遜董事會成員。

聯系方式

投稿、廣告、內容和商務合作

newmedia@hbrchina.org