（關注公眾號設為標，獲取AI深度洞察）

全文4,800字 | 閱讀約15 分鐘

昨天，在2025年AI EXPO Taiwan 開幕后，全球AI領域的權威專家、深度學習先驅吳恩達博士接受了媒體的一場專訪。在這場干貨十足的對談中，吳恩達不僅分享了他對生成式AI當下發展狀況的犀利洞察，更為資源有限的中小企業提供了一套實用的AI競爭策略。

"大公司已經在模型訓練上投入了數十億美元，但這并不意味著小公司就沒有機會，"吳恩達在采訪中開門見山地表示，"實際上，AI的真正價值在于應用層面，而這恰恰是小公司可以充分發揮優勢的領域。"

在當前AI技術迅猛發展的背景下，吳恩達的這番見解無疑為眾多因資金和技術門檻而望而卻步的小公司帶來了一劑強心針。那么，小公司究竟該如何在AI大浪中找準自己的位置？如何利用有限資源在與巨頭的競爭中實現彎道超車？以下是吳恩達的獨家分享：

1、 開源模型成本

Q:您在 DeepSeek 推出后曾發表分析，指出擴大規模（Scaling Law）并非 AI 發展的唯一路徑，您現在還持相同看法嗎？此外，許多政府和企業對開源 AI 的安全性有所顧慮，您如何看待這個問題？

吳恩達:我的看法是，一方面，開源或開放式模型對技術社區而言是非常了不起的貢獻；但另一方面，它也與地緣政治和“軟實力”掛鉤。比如，當人們使用這些模型時，如果模型由某個國家或公司發布，模型就可能帶有那一方的價值觀或立場。這種“軟實力”影響非常大。從供應鏈角度來看，開源或開放基礎模型是 AI 產業鏈的重要一環，企業確實會用到它們。現在中國在開源模型（像一些以 Qwen 和 DeepSeek為基礎的模型）上進展很快，效果也很好。至于其他國家，比如美國、印度等等，是否能進行足夠的投入來在開源模型供應鏈中占據重要地位，目前還說不好。

對安全的擔心，我覺得也很正常。有些公司確實比較保守，不太敢使用美國公司提供的 API，比如擔心數據隱私等安全問題。不過，如果你能在自己的機器上、本地環境里托管模型，安全隱患就會小很多。況且現在也確實有很多初創公司在用諸如量化過的開源模型，既好用，又很便宜。至于公司或個人如何趕上這波 AI 熱潮，但又沒法自己訓練大模型，我給的建議是：很多價值其實體現在應用層。如今有許多花了數十億美元訓練的大模型可以免費或很低成本地使用，我們完全能把它們用到各種垂直領域應用上。我們團隊在做項目時，會想辦法避免被單一模型“綁死”，會搭建一種通用軟件結構，以便日后能快速替換或接入不同的 AI 模型。畢竟現在每隔三到六個月，就會有更強的新模型出現。

當然，這里還有一個問題：未來會怎么樣？如果像中國這樣的大規模投入，可能會在開源基礎模型供應鏈中取得很大優勢。如果其他國家或地區也想在基礎層面擁有競爭力，那么就得加大對 AI 基礎層、基礎設施的投資。否則，大家只能在這些基礎設施之上做應用，很難在最底層擁有話語權。

Q:有人認為 DeepSeek 的突破是建立在美國公司開源的基礎上，您認為美國公司應該限制開源范圍，或者美國政府應該介入監管開源嗎？

吳恩達:開源確實能讓知識在國內外更快傳播。的確，你開放了，別人也能用，但對你自身的好處會更大。而且，這也關乎“軟實力”：如果全世界都在用某個國家發布的開源模型，那么當模型被問到有關領土、主權，或者某些爭議性話題時，模型的回答可能會傾向于那個國家的價值觀。對發布模型的一方來說，這其實是一種影響力。

在美國，有一些大公司投入巨資訓練模型，然后隔一段時間就換一種說法，想辦法通過立法或監管去限制開源的發展。比如曾經炒過 AI 有可能毀滅人類，或者 AI 可以被用來制造武器，后來又說“因為中國”之類的。其實很多都只是大公司為了自身商業利益而制造的恐慌，想減少競爭。如果真的壓制開源，大多數人都會是受害者，只有少數美國公司可能因此維持或建立起壟斷。對世界其他地方顯然不是好事。至于我自己團隊跟臺灣的合作，目前沒有新的正式公告。不過我們在臺灣的人才和團隊一直在擴張，有不少項目正在進行，也有很多軟件和公司正在孵化中。

2、企業采用AI的策略

Q:我想請教一下關于生成式 AI 在實際應用中似乎并未達到預期熱度的問題。您覺得企業在采用這類技術時遇到的主要挑戰是什么？另外，針對這一領域的另一些熱門話題，您怎么看待人們在使用這些新技術時可能面臨的機遇和挑戰？非常感謝。

吳恩達:我并不覺得生成式 AI 沒有達到預期的炒作水平。大約一年前，“生成式”還是個專業術語，主要指用迭代式的工作流程不斷改進結果。從技術角度看，這條路走得挺順利的。我們已經在醫療診斷、處理法律文檔、信息分發等場景中，利用生成式工作流程做出了很多成功的應用，效果相當不錯。然而，大約六個月前，一些大型公司的市場部門開始瘋狂使用“生成式”這個概念，幾乎到處都能看到這個詞，這可能導致了過高的期望值。有些大公司的確出現了“市場宣傳跑在技術前面”的現象。但如果站在實際應用層面看，生成式 AI 在很多地方的表現還是相當好的，而且我們也看到了很多結合這些工作流程而取得顯著提升的項目。

我認為我們現在正處在早期階段，大家可能還在摸索各種微調、改進和迭代的方式。至于最終行業是否會統一某些標準，還有待觀察。但就技術本身而言，這些探索都是好的。還有一些人討論所謂的代理通信協議（像是 MCP、ACP 等等），說讓代理之間互相協助，可最終具體會不會形成某種通用標準，現在還太早下定論。不過我個人覺得這都是不錯的想法。

Q:我們看到基礎模型的發展有兩個方向：一是擴展模型規模，二是增強推理能力。您認為哪個方向更具持續性？聲音技術對使用者代理工作流程有何影響？

吳恩達:我感覺有少數做大模型的公司具備強大的公關能力，成功地讓大眾對大模型的關注度大幅提高，這也讓人們對“規模化訓練”和“推理能力”的重要性產生了某種“被放大的印象”。誠然，這兩者都很重要，但 AI 不只是大模型。實際上，AI 是由很多不同的工具組合而成，而大模型公司因為具備籌資、宣傳等多方面資源，才會讓大家以為只有大模型才是關鍵。就“規模化訓練”來說，它現在能為模型帶來很好的效果，尤其在某些任務上會比以往的模型更強。但它并不是魔法，對很多業務判斷或商業決策方面的問題，它并不能自動給出完美答案。至于“推理模型”，它在數學、編程等確切領域表現很好，但放到商業場景里，也并非無所不能。

在我看來，現在更值得關注的還有“代理式工作流”——也就是如何把 AI 嵌入業務流程，使得大量應用有機地結合起來。另一個值得關注的領域是語音交互；多模型協同的進步讓語音界面比以前更容易實現。對很多客服類場景，或者用戶界面來說，讓用戶直接用聲音和系統交互可能更有效率。我還想提一下“視覺 AI 工作流”，如今 AI 理解圖像的能力越來越強，包括對文檔的識別和提取。其實我們人類每年都會生成海量文檔，像醫療報告、保險理賠、法律文件、PPT 等等——很多時候都還是圖片或 PDF 形式。如果能用 AI 更好地解析并獲取其中的信息，將極大提升生產力。總之，大模型只是 AI 的一部分，AI 的生態其實包含語音、視覺、文檔處理、視頻生成、代理式工作流等等，能一起協同提升很多行業的效率。

Q:許多公司認為擁有更便宜、更適合其特定使用情境的模型更為重要，您如何看待這個趨勢？

吳恩達:首先，降低寫軟件的成本和門檻本身是大勢所趨。回顧計算機史：我們從打卡機到鍵盤終端，又從匯編語言發展到更高級的編程語言，然后出現了各種 IDE，如今 AI 輔助編程又把門檻降得更低。每次門檻降低，就會有更多人能夠編程，自然也就會產生更多軟件。的確，會有一些項目質量不高，但總體上對整個社會肯定是好事，就像當年互聯網普及后，大家都可以隨時發帖子、寫文章，雖然也產生了良莠不齊的內容，但我們整體的信息交流效率卻大幅提升。關于責任問題，只能說和“人人都有麥克風”一樣，隨著編程門檻降低，“人人都能寫 App”，就會出現一些濫用或沒考慮后果的情況。只能寄希望于隨著大家對技術的理解加深，加之必要的監管或行業規范，能逐漸完善這種生態，但完全杜絕難度也很大。

至于“小模型”，就像計算機硬件一樣：我們有超大算力的 GPU、CPU，也有筆記本、智能手表這樣算力很弱的設備。因為任務種類不同，我們不可能每次都用最強的 GPU。同理，如果你只是要做簡單的語法檢查或基本的邏輯推斷，就沒必要用特別大的模型；但要做復雜的數學、編程或商業決策，可能就需要更大的模型。未來肯定會出現各種規模、針對不同任務優化的模型，而不只是一味追求大規模。

3、AI與教育

Q:您在文章中提過“10 倍工程師”（10x Engineer）以及其他領域的“10 倍專業人士”概念。您覺得這種“10 倍人才”會如何影響組織的團隊結構和協作模式？另外，您也曾力陳“編程技能”依舊重要，即使 AI 很強，也不能完全忽視編程基礎。那對于想讓自己保持競爭力的商科、管理等非技術專業人士，您覺得他們應該優先學習哪些編程概念？

吳恩達:現在在軟件工程領域，我們發現有的工程師可以給團隊帶來遠超普通人的貢獻，我們就把這些人稱為“10 倍工程師”。過去，公司是自上而下做決策，但如果團隊里有人比管理者更懂具體業務，那就應該讓最懂行的人來拍板決定，而不是讓管理層獨斷。這意味著我們得把正確的數據和信息流轉給最合適的人，而不是所有信息都流向單一上級。

“10 倍”人才并不僅僅存在于寫代碼的人。比如我團隊里有個記者出身的小伙子——他自己寫了個爬取 RSS 新聞源的腳本，每天自動幫他篩選最重要的新聞。他對自己工作流程的痛點最了解，所以他能想出這種點子，并用 AI 輔助的方式寫出腳本。在沒有 AI 幫助時，他也許需要很長時間才能寫完代碼，或者干脆就不會自己動手開發。但有了 AI，他可以把自己的業務見解轉化為應用，這種創新我根本不可能事先告訴他“去怎么做”，因為我完全不知道他記者工作的細節。因此，當公司或團隊里存在這種被賦能的個人時，自上而下的管理就顯得沒那么重要，反而是要確保大家拿得到所需的信息，能自由發揮。至于要不要學編程，我一直認為很多人對編程的難度有誤解，以為很神秘、很難。其實編程有很多抽象概念沒錯，但也沒有想象中那么可怕，尤其現在有 AI 輔助，很多基礎功能的編碼可以讓 AI 幫著完成。你只要花一些星期或幾個月的時間學基礎，就可以寫出很多對自己或公司有用的東西。

Q:作為一位 AI 教育者，您如何看待普通專業人士學習 AI 技能的門檻？

吳恩達:我認為教育還需要點時間來適應這一變化。因為學生畢業后，在工作中幾乎肯定會用到各種 AI 工具，所以我們不應該把學生培養成“過去時代的樣子”，而應該讓他們真正學會如何和 AI 合作。不過在教學過程中，一定程度的“獨立思考”依舊非常重要，就像學乘法表時，還是要自己先動腦，而不是直接用計算器。在大學層面，這就更復雜了，因為大學生幾乎無法被強制禁止使用 AI 工具。學校需要設置合理的教學和考核方式，確保學生該掌握的內容還是得掌握，比如在關鍵知識點上要求獨立完成，或者在學習過程中規定什么時候可以用 AI，什么時候必須自己來。這方面各校還在探索中，畢竟變革來得很快，傳統教學體系要跟上需要時間。

Q：您曾在演講提到對孩子來說現在有 AI 可以運用，是很好的時代，但最近也有發生大學生創業者協助面試者用 AI 在 Google 等大公司的面試里作弊。你覺得整個教育體系怎么在 AI 時代里，重新調整評估體系？

吳恩達:我們在 Coursera 等平臺上已經做了不少實驗，初步數據來看，如果能用 AI 給學生一些輔助性解答，比如關鍵提示而不是直接給答案，確實能有效提高完成率和滿意度。至于幫老師批改作業，比如提供更迅速或更細致的反饋，這也在嘗試中，效果還不錯。另外，有個很有意思的案例：在美國田納西州，一些體育老師（不是計算機專業）在教中小學計算機課。有了平臺里集成的課程資源和 AI 輔助，老師也可以跟學生一起學習相關知識。老師在教學中主要提供社交和情感層面的支持，讓學生不要怕“不會”或者“做錯”，而技術內容就交給平臺上更專業的教學資源和 AI 答疑系統。這種模式值得繼續探索，雖然可能不適用于所有情境，但至少讓那些原本沒有計算機師資的學校也能開這類課程。

星標公眾號， 點這里 1. 點擊右上角 2. 點擊"設為星標" ← AI深度研究員 ? ← 設為星標

參考資料：https://www.inside.com.tw/article/37967-andrew-ng-real-ai-power-is-creating-new-value-with-tools-not-replacing-professionals

來源：官方媒體/網絡新聞

排版：Atlas

編輯：深思

主編: 圖靈