吴恩达指出，AI商业机会在应用层，智能体工作流是未来最具价值方向。他强调具体方案胜过模糊构想，快速验证创意是AI时代创业关键。AI编程助手大幅提升开发效率，编程成为新型表达力。开发者需关注技术模块组合，建立快速反馈机制。AI危险性被夸大，开源是创新护城河。执行力比创意更重要，团队执行速度与创业成功率强相关。

---

今天，我想与大家分享一下在AI Fund积累的创业经验。AI Fund是一家风险投资基金，我们的业务模式是每月创立一家初创公司。作为联合创始人，我们不仅需要帮助创业者编写代码、调研客户、设计功能，还要制定定价策略，这些都让我们积累了丰富的实战经验。

1、AI商业真正的风口在应用层

今天的分享将聚焦于“速度”这一主题，尤其是围绕着AI技术不断发展的背景和它所带来的新机会。

作为创业者，执行速度是预测创业成功的关键指标。我特别欣赏那些行动迅速的创业者，而新一代AI技术正在大幅提升创业效率。接下来，我将分享一些关于如何提高执行速度的最佳实践，这些方法能够帮助你们更频繁地迭代产品，进而提高创业的成功几率。

在讨论速度之前，很多人都会问：“当前创业的机会在哪里？”对于我来说，AI技术栈的结构可以分为几个层级：最底层是半导体公司，之上是超大规模云服务商（hyperscalers），再往上则是AI基础模型公司。

虽然媒体的关注点和行业炒作往往集中在这些技术层面，但从商业角度来看，真正的机会往往出现在应用层。因为只有应用层产生了足够的收益，才能进一步支持底层的基础模型、云计算和半导体技术的发展。但无论如何，各个技术层级都存在着不同的商业机会。

2、采用智能体工作流，或将决定项目成败

过去一年，AI技术发生了显著变化，其中最重要的趋势就是智能体的崛起。大约一年半前，当我开始四处演讲，试图向大家阐述智能体的潜力时，没想到这一概念在去年夏天被营销人员过度炒作，导致其核心意义被稀释。

今天，我想从技术角度，给大家分享为什么智能体如此令人兴奋且重要，并且它为创业者提供了大量的新机会。

当前，大多数用户与大语言模型互动的方式是，直接输入提示词并获取输出结果。这种方式就像让一个人（或者AI）一次性写完一篇文章，从头到尾没有回溯和修改。然而，实际上，人类的最佳创作状态并不是线性的输出方式，AI同样也不该如此。

尽管当前大语言模型的使用模式通常是线性的，但它们已经表现出惊人的能力。通过智能体的工作流，我们可以让AI系统执行更复杂的创作过程，例如：先列提纲、进行网络调研、获取相关网页内容、撰写初稿、自我评估、反复修改……最终形成一个迭代式的工作流程。虽然这种模式可能会比线性输出稍慢，但它能够通过多次思考、研究和修改的循环，产生质量大幅提升的结果。

在AI Fund参与的多个项目中，无论是生成合规文件、进行医疗诊断，还是处理法律文书的推理工作，我们都发现，是否采用智能体工作流往往决定了项目的成败。未来最具商业价值的机会就在于如何将现有的，或全新设计的工作流程转化为智能体架构。

此外，AI 技术栈正迎来新层级：智能体编排层（Agentic Orchestration Layer），作为连接底层模型与上层应用的中介，正在帮助开发者更高效地构建复杂 AI 应用。

尽管这个编排层让应用开发变得更简单，但我的核心观点依然没有改变：在整个技术栈中，应用层依旧是最具价值的部分，值得我们投入主要精力。

3、AI创业避坑 模糊想法=烧钱，具体方案=印钞

现在，我想分享一些有助于初创公司快速发展的实践经验。在AI Fund，我们始终坚持一个原则：只专注于具体的产品创意。这里所说的“具体”，是指工程师能够根据明确的需求描述，立即开始开发的程度。

举个例子，“用AI优化医疗资源”这样的想法太过模糊，基于这个想法，工程师可能会开发出完全不同的产品；而“开发一个让患者在线预约MRI设备的软件”则是一个具体的产品创意，工程师可以在当天开始编程，快速推进开发。

具体的创意能够带来巨大优势，尤其是在创业过程中。尽管像“用AI提升邮件效率”这样的创意听起来很吸引人，也容易获得认可，但只有具体的方案才能快速验证其可行性。

在AI Fund的运营中，我们始终要求团队提出具体的创意，原因主要有三个：

• 第一，明确的方向能让团队全速推进开发工作；
• 第二，无论验证结果是成功还是失败，都能迅速得出结论；
• 第三，优秀的具体创意通常源自于领域专家对某个问题的长期思考和深入理解。

举个例子，在创办在线教育平台Coursera之前，我花了好几年的时间专注于在线教育领域。

我不断与潜在用户交流，反复推敲如何构建一个能够真正解决问题的教育科技平台。经过长时间的思考（正如Y Combinator所说的那样，“在创意迷宫中徘徊”），我意识到那些深耕某个领域多年的专家，往往能够凭借直觉快速做出高质量的决策。

当你对某个领域进行了足够深入的思考，并与用户进行了充分交流后，如果突然被问到“该开发这个功能还是那个功能”，你的直觉反应——即那种瞬间的判断——可能反而非常准确。但对于许多初创公司来说，获取数据反而是一个相对缓慢的过程。相比之下，领域专家的直觉判断往往能够帮助公司实现更快速的决策。

另一个重要观察是，成功的初创公司在任何时刻都专注于验证一个明确的假设。毕竟，初创公司资源有限，不可能同时在多个方向上进行尝试。

因此，创业者应该选定一个方向，并全力推进。如果数据证明这个方向不可行，那么就迅速转向另一个具体的方案。

但是，需要注意的是：如果每个新数据点都让你改变方向，可能说明你对该领域的理解还不够深入。而如果每次与客户交流后你都改变主意，那说明你还没有形成高质量的具体创意。这时，你需要找到一位在这个问题上有长期思考经验的专家，来帮助指引方向。

我也一直在思考如何构建快速的反馈循环，特别是当AI编程辅助工具被广泛应用时。开发应用时，最大的风险通常在于市场接受度。

很多初创公司失败的原因并不是技术实现困难，而是因为开发出的产品没有市场需求。我们通常的开发流程是：工程师开发产品→获取用户反馈→产品经理调整方向→继续开发，这样的循环持续进行，直到实现产品市场匹配（Product-Market Fit）。

然而，随着AI编程助手的加入，开发速度正在飞速提升，开发成本也在急剧下降。这一变化正在彻底改变我们推动初创公司发展的反馈循环机制。在我看来，软件开发可以分为两大类型：

快速构建原型以验证创意是否可行：这种方式主要是通过快速构建粗糙的原型，来验证创意的可行性。例如，如果我们要测试一个新的客服聊天机器人，或者开发一个处理法律文档的AI工具，我们会迅速搭建一个功能原型来验证这些想法是否可行。

维护成熟的代码库：许多分析显示，使用AI辅助工具后，编写可实际运营代码的效率提升了30-50%。但是，在构建原型的过程中，效率提升并不是50%——我认为至少能提升10倍，甚至更高。

造成这种差异的原因很多，比如构建原型时不需要与现有系统进行复杂的集成，对代码的可靠性、扩展性和安全性等方面的要求相对较低。

就像我经常对团队说的：“可以先写出不完美的代码。”因为如果软件只在你自己的笔记本上运行，且你并不打算恶意攻击自己的电脑，那么暂时的不安全并不会有太大问题。当然，在正式发布之前，所有的安全问题都需要解决，毕竟泄露敏感数据是非常严重的。然而，在验证阶段，快速实现比追求完美更加重要。

如今，初创公司已经开始通过构建大量原型（例如20个原型）来筛选创新方向。尽管有些人担心“太多概念验证无法产品化”，但当验证的成本足够低时，未能成功的原型也是完全可以接受的。我知道，“快速行动，打破常规”这一口号曾引发争议，但我告诉团队：“快速行动，保持责任”——这两者完全可以兼顾。

其次，在AI编程助手的帮助下，开发者的效率正在不断提升。

几年前，像GitHub Copilot这样的代码自动补全工具就已经广受欢迎，随后出现了一代AI驱动的集成开发环境（IDE），如Cursor。而最近几个月，又出现了高度自主的编程助手。

对我个人而言，我认为OpenAI的o3编程工具体验非常好，Claude Code也非常棒。这些工具的迭代速度惊人——也许几个月后我会转向新工具，但这种高度自主的编码助手仍然在持续提升开发效率。

需要注意的是，工具代际差距会带来实质性影响。我的团队现在的工程实践，与半年前相比已截然不同。最出人意料的是：代码的价值属性正在发生变化。过去，代码被视为珍贵的资产，但如今，软件工程成本大幅降低，我们上个月就完全重构了某个代码库三次，因为选择新的数据架构变得轻而易举。

4、编程成为AI时代的新型表达力

这让我想起了亚马逊创始人杰夫·贝索斯提出的“单向门决策”（one-way door decisions）与“双向门决策”（two-way door decisions）理论：单向门决策意味着你做出的决定一旦改变，就无法轻易退出或逆转；而双向门决策则是可以随时改变或撤回的，代价相对较小。

过去，选择技术栈和软件架构就像经过单向门——一旦选择了某个技术栈并开始构建系统，特别是确定了数据库结构，后期再进行改变就变得非常困难。

但现在，情况发生了显著变化，虽然还不能完全说是“双向门”，但我发现，团队经常遇到这种情况：我们先使用某个技术栈开发一周，然后改变主意，抛弃整个代码库，换用全新的技术栈从头开始重写。

当然，重构总是需要付出一定代价的，我们并非总是这样做。但随着软件开发成本的大幅降低，我的团队经常会重新思考：哪些决策仍然是单向门，而哪些已经变成了可以反悔的双向门。

更进一步说，我认为现在正是让每个人都掌握AI构建能力的最佳时机。

过去一年，一些人以“AI将自动化编程”为由，建议大家不要学习编程，我认为这可能是史上最糟糕的职业建议之一。

回顾历史，当几十年前我们从打孔卡转向键盘终端时，编程变得更容易了；当我们从汇编语言转向COBOL等高级语言时，甚至有人发表论文声称，“有了COBOL就不再需要程序员了”，然而这些观点后来被证明是完全错误的。编程语言让编码变得更简单，反而让更多人学会了编程。今天，AI编程助手的出现也有类似效果。

我有一个可能颇具争议的观点：现在是时候让每个岗位的人都学习编程了。

在我的团队中，从CFO、人才主管、招聘专员到前台接待，所有人都具备一定的编程能力。我亲眼见证了这种能力如何让他们在各自岗位上表现得更加出色。或许我的团队在这方面走得比较前，但我相信，未来越来越多的公司将会朝着这个方向发展。

我想通过一个亲身经历，来说明为什么应该培养这种能力：当我在Coursera教授生成式AI课程时，我们需要用Midjourney生成一些背景图。团队中有一位熟悉艺术史的成员，能够通过精准的提示词——包括艺术流派、调色板、灵感来源等——精确控制生成的图像效果，最终我们全都采用了他生成的图像。

相比之下，我这个艺术门外汉只能给出“请生成一些漂亮的机器人图片”这样模糊的指令，始终无法达到他那样的精准控制。

这次经历让我深刻意识到：在计算机时代，最重要的核心技能之一就是能够清晰地向计算机表达你的需求。学习编程并不意味着你要亲自写代码，而是学会引导AI来编写代码。在我看来，这种能力将是未来很长一段时间内最有效的工具。

5、当AI让开发变快10倍，产品设计与管理却成了最大瓶颈

随着软件工程效率的大幅提升，我观察到一个非常有趣的现象：产品管理——包括收集用户反馈、决定开发哪些功能——正逐渐成为整个开发流程中的瓶颈。过去一年里，我注意到多个团队都出现了这样的趋势：工程师的效率提升了，而产品设计和工程管理的速度却没能同步跟上。

这让我想起硅谷曾经的经验法则：通常，一个产品经理对接六七个工程师。然而，随着工程师效率的急剧提升，产品管理的速度却跟不上。就在昨天，我遇到了一个非常典型的例子——某个团队在规划人员配置时，提出了2个产品经理对接1个工程师的方案，也就是说，产品经理的人数竟然是工程师的两倍！这是我职业生涯中第一次遇到这种情况。虽然还不确定这种配置是否合理，但它确实预示着行业正在发生深刻的变化。

在这样的环境下，我发现那些懂编程的产品经理或者具备产品思维的工程师往往表现得更为出色。对于初创公司领导者而言，随着工程开发速度的加快，建立快速获取反馈的机制变得尤为重要。我总结了一套获取产品反馈的战术体系，按照从快到慢、从粗略到精确的顺序排列：

• 最快的方法是亲自体验产品后凭直觉做出判断。如果你是领域专家，这种方式通常非常有效；
• 稍慢一点的方法，是请三五个朋友或同事试用并给出反馈；
• 再慢一些的策略是邀请三到十个陌生人试用产品并收集他们的意见。事实上，我发现，在咖啡厅或酒店大堂等人流密集的地方，礼貌地邀请陌生人试用产品是非常有效的用户调研方式；
• 当然，如果有现成的用户群体可以快速实施，那么向100名测试用户发送原型也是一种不错的选择；
• 最慢（但最精确）的方法是通过A/B测试——虽然硅谷一直推崇这种方式，但在我的战术体系中，A/B测试反而是最慢的反馈渠道，尤其是当用户基数不大时。

值得注意的是，在使用除第一种方法外的任何反馈方式时，很多团队往往会直接根据数据做出决定。然而，真正关键的点在于：进行A/B测试时，不能仅仅停留在数据的表面。如果某个功能的数据表现不佳，我们需要深入挖掘背后的原因——是因为功能设计不合理？还是目标用户定位不准确？只有通过这种深度分析，才能真正推动产品迭代的有效改进。

我们始终强调，A/B测试的结果不能简单地决定方案A或B的选择。我的团队会深入分析数据，通过这种方式不断完善我们的产品直觉。 通过这样的深度反思，我们能够利用所有的数据来更新自己的心智模型，从而提升快速决策的质量。事实上，这种深度思考已经被证明对我们至关重要。

6、创业成功加速法则：执行力比idea更重要

在讨论了具体创意、加速工程开发和产品反馈之后，我想强调最后一个关键点：理解AI技术的重要性，它能够显著提升工作效率。

对于智能手机等成熟技术，大多数人，甚至是非技术人员，对其功能都已有基本的认知。同样，营销、HR等成熟领域虽然工作繁重且复杂，但相关知识普及程度已相对较高。然而，AI作为一项新兴技术，真正能够掌握其精髓的人仍然较少。这也意味着，理解AI的团队，相较于不了解的团队，更具明显的竞争优势。

举个例子，在构建客服聊天机器人时，你必须判断：应采用提示工程还是微调工作流？如何实现低延迟语音输出？这些技术决策一旦做对，可能几天就能解决问题；如果判断错误，可能在错误的方向上浪费数月的时间。

我观察到一个有趣的现象：面对二选一的技术架构决策（理论上最多影响2倍的效率），如果选错方向，实际可能导致10倍的效率损失。这正是为什么做出正确的技术判断对初创公司至关重要的原因。

此外，我发现，持续关注AI的最新进展对初创公司非常有帮助。过去两年，我们见证了大量令人惊叹的生成AI工具和模块的出现。例如，提示生成、工作流优化、模型评估、保护机制、语音合成、异步编程、大量ETL工具、嵌入式技术、微调、图数据库等。这些工具和模块的组合，让我们能够迅速构建出一些几乎无人能在一年前想到的应用。对于初创公司而言，这意味着前所未有的新机会，能够构建全新的产品和服务。

当我了解这些AI构建模块时，脑海中总是浮现出这样的画面：就像玩乐高积木一样，每掌握一个新的技术模块，就相当于获得了一块新的积木。最初你可能只有一块基础的白色积木——比如学会了提示工程，它就已经能够帮你构建一些很酷的应用。但当你再获得一块黑色积木——比如学会了开发聊天机器人，你的创造力空间就会大幅扩展。接着，随着你掌握更多的模块（比如蓝色、红色、黄色积木），这些积木的组合方式几乎呈指数级增长，带来的创意也变得越来越丰富。

深度学习对我的最大影响之一，就是让我在学习这些模块时，能够感受到它们的加成效果。就像在不断积累新的构建模块，可以组合成过去一年或两年内无法实现的软件应用。我亲自参加了许多深度学习课程，并与世界顶尖的AI公司合作，手把手地学习如何利用这些构建模块。通过这些学习，我能够看到更多丰富的组合形式，从而打造出更具创新性的产品和技术。

在本次分享的总结部分，我想强调一个核心观点：在创业过程中，虽然成功需要诸多因素的配合，但根据AI Fund的投资经验，团队的执行速度与创业成功率有着极强的正相关性。

我们总结出了几个关键的加速法则：

• 专注于具体可行的创意：创意必须明确且具备实施的可行性。
• 提高决策速度：作为决策者，不仅要确保决策质量，更要重视决策的速度。
• 充分利用AI编程辅助工具：这些工具能够极大提升开发效率。
• 建立高效的用户反馈机制：包括克服心理障碍，像在咖啡厅等场所礼貌地邀请陌生人试用产品等策略。
• 持续追踪技术动态：紧跟前沿技术，能够帮助节省时间、提高开发速度。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？