刚刚，AI大牛吴恩达官宣创业公司新成果——Agentic Object Detection（Agent目标检测）。
无需标注训练数据，模型仅通过推理就能在图片中定位指定物体。
举个栗子，在一张长满草莓的图片中，提示词为“未成熟的草莓”，AI模型立马分分钟帮你找出。
据吴恩达介绍，以前视觉AI要想识别物体，需要在大量标注数据上训练，而现在AI只需瞥一眼图片，短暂思考后（当前约20~30s）就能立刻输出正确内容。
而通过推理实现零样本标记的方法也令一众网友感到兴奋，未来应用潜力巨大。
目前这个AI工具人人免费可玩（也为开发者提供了API），仅过去几小时，一大波网友试玩已新鲜出炉~
网友疯狂试玩ing
还是先来看下吴恩达的详细介绍。
在他看来，Agentic Object Detection改变了目标检测的工作流程。
传统视觉AI的目标检测，通常需要绘制大量边框来标注数据，然后在神经网络上训练。
而现在，新的AI系统将耗时耗力的标注过程省略了。它将感知规划行动等都糅合在一起，通过调用一系列工具，以及对任务长度进行推理，最终实现了零样本标记输入输出。
按他的说法，这就好比“睁眼版”o1和DeepSeek R1，看一眼，然后立即思考作答。
介绍过程中，除了一开始提到的草莓识别，他还展示了其他几个demo（请大家来找茬doge）。
planes with two engines（带两个引擎的飞机）
再比如在超市货架上找出某品牌的麦片。
Kellogg’s branded cerea
当然更实用的场景是，假如在家里翻箱倒柜找不着东西了，召唤它来帮忙（妈妈：别整天妈妈妈）。
除此之外，网友们也开始集体交作业，整体看下来大部分都成功了。
简单的有，找出板球运动中的击球手（batsman）。
或者检测出特定程序项目。
再比如找出航拍视角下的荒漠绿植。
当然，还有类似下面这样的日常生活。AI成功找到了一大盘食物中的寿司，不过在找货架上的汽水时，网友反馈只有详细到芬达这个品牌名才有可能成功，单纯提示“汽水”nonono。
更难的有，分别识别出美式足球中的攻守两方队员（上下验证能对得上）。
甚至也能快速找出非常迷你的飞镖。
不过，也有网友分享了少部分翻车案例。
同一张图，当网友试图找出戴帽子的人，AI明显漏了，一眼就能看到23号队员。
而且也无法识别图中的矩形。（地面，看看我）
经网友总结，显然Agentic Object Detection对一些常见问题（如遮挡、光线过曝等）还无法良好适应。
正如我们前面提到的草莓，有火眼金睛的网友发现，AI误将一个光线不佳的成熟草莓识别为“未成熟”。
不过吴恩达也早已提到，目前这个还只是初步尝试，检测质量、回答速度等后续还会进行优化。
出自吴恩达第二个创业项目
众所周知，吴恩达从2017年离开百度后（百度前首席科学家）便投身AI创业。
目前已知的人工智能项目有3个。
2017年6月，他官宣了第一个创业项目Deeplearning.ai，主要和教育相关（他目前还是斯坦福大学CS客座教授）。
这是一个AI在线教育平台，通过提供深度学习课程和资源，帮助人们学习AI技术。
在这之后，他又推出了第二个创业项目Landing.ai，专注于帮助企业实现人工智能转型。
从当时的介绍来看，其目标是通过AI技术提升企业效率，解决制造业中的痛点问题。例如提高生产效率、优化供应链管理、减少浪费等。
后来Landing.ai还和富士康等企业建立了战略合作关系，共同开发AI技术、人才和系统。
而这一次的Agentic Object Detection，从官宣视频来看即是出自该项目。
这也透露了，这一新工具大概率也是面向B端应用。
也几乎是同时，他在2018年成立了第三个创业项目AI Fund，显然这是一家专注于投资人工智能初创企业的投资基金。
当时资金规模达到1.75亿美元，投资者包括NEA（New Enterprise Associates）、红杉和软银等一众知名机构。
而近来，他更是对Agent智能体押下重注。
早在去年年初，他曾通过Deeplearning.ai平台预言：
超越下一代基础模型，Agent工作流将推动AI巨大进步。
当时他就提到，就像大语言模型（LLMs）在零样本模式下工作（提示模型逐个生成最终输出token，而不修改其工作），Agent在执行一系列步骤（如规划、执行、反思等）后可能比单次产生更好的效果。
现在，是时候逐步检验一系列新成果了。
所以，你能想到这项技术还有哪些潜在应用吗？
（发出网友同款疑问）
