8 月 22 日，著名人工智能科学家吴恩达教授接受海外播客 No Priors 的深度访谈，作为"Agentic AI"这一关键术语的创造者，他深入探讨了 AI 能力增长的多元路径、落地挑战与前沿应用，以及 AI 如何重塑软件工程、初创企业构建模式与团队动态。
1 AI 进步：不止于规模，多元路径并行
吴恩达表示，未来的 AI 进步将是多元的。虽然从规模化中或许还能挤出一些潜力，但这正变得越来越困难。社会对 AI 的认知很大程度上被少数几家拥有强大公关能力的公司所影响，这些公司将"规模"作为核心叙事。
但真正的进展来自多个方面：
代理式工作流 多模态模型构建方式 具体应用所需的大量工作 全新的技术突破
吴恩达特别提到，目前主要用于生成图像的扩散模型是否也能用于生成文本，这非常令人兴奋。AI 的发展并非只有一条路，有许多聪明人正以多种不同的方式推动其前进。
2 Agentic AI：从术语创造到市场炒作
当被问及创造"Agentic AI"术语的初衷时，吴恩达坦言，当时他的团队对此颇有微词。一位团队成员说："Andrew，这个世界不需要你再创造一个新术语了。"
但他坚持这么做的原因是，几年前人们花费大量时间去辩论"这算不算一个 AI Agent"，而他认为 AI Agent 的自主程度其实是一个连续的光谱。光谱的一端是高度自主的 AI Agent，能够规划、进行多步推理、独立完成大量工作；另一端则是自主程度较低的系统，会调用大语言模型并对输出进行反思。
与其争论"到底算不算 AI Agent"，不如承认能力存在不同程度的差异，统称为"代理式的"，把时间花在实际构建工作上。
然而，几个月后，市场营销人员掌握了这个词，把它像贴纸一样贴在所有能看到的东西上。吴恩达感叹，市场营销的炒作热度蹿升得惊人，而真正的商业进展虽然也在快速增长，但速度可能还不及营销炒作。
3 最大瓶颈：人才，而非技术
吴恩达认为，实现更多 Agentic AI 工作流的最大障碍其实是人才。当他观察众多团队构建 AI Agent 的方式时，发现市场上最大的差异点在于：这个团队是否知道如何利用评测来驱动一个系统化的错误分析流程。
经验不足的团队倾向于随机尝试，这会耗费大量时间。而能够推动严谨工程流程、将这些系统构建出来的人才、技能和软件工具都还不到位。
从技术组件层面看，AI Agent 操作计算机功能目前时灵时不灵，安全护栏和评测也是巨大难题。但构建代理式工作流的许多环节都需要吸收外部知识，这些知识通常储存在人们脑海里。
除非能构建出可以采访在职员工的 AI 虚拟化身，以及能看懂电脑屏幕的更强大视觉 AI，否则这项工作很难完全自动化。
4 编程 AI Agent：最成熟的应用领域
在 Agentic AI 的最前沿，AI 编程工具给吴恩达留下了极为深刻的印象。从经济价值角度看，目前有两个非常清晰和庞大的应用领域：
- 回答人们的问题
：OpenAI 的 ChatGPT 似乎是市场领导者 - 编程 AI Agent
：个人最喜欢的开发者工具是 Claude Code
Claude Code 在规划软件构建任务方面表现出高度自主性，能够制定任务清单然后逐一执行。这种规划并执行多步骤计划的能力，使它成为目前实际应用中最自主且有效的 AI Agent 之一。
编程 AI Agent 成功的原因：
工程师善于让各种东西运转起来 编程的经济价值清晰、显著且巨大 巨量资源投入吸引聪明人解决问题 开发者自己就是用户，对产品有很好直觉
5 AI 辅助编码：高强度智力活动
吴恩达不赞同"vibe coding"（凭感觉编程）的说法，更倾向于"AI 辅助编码"。他认为"vibe coding"会让人以为"只要跟着感觉走，全盘接受工具给出的所有修改建议就行了"。
AI 辅助编码是一个深度智力活动，而非简单的感觉驱动。在进行了一整天的 AI 辅助编码后，他会感到精神上筋疲力尽。这被视为一种"快速工程"，AI 让人类能以前所未有的速度构建复杂系统和产品，但本质上仍然是工程，只是节奏非常快。
6 初创公司瓶颈转移：从工程到产品管理
在 AI Fund，吴恩达观察到快速工程和 AI 辅助编码正在改变创建公司的方式。过去需要六人工程师团队花三个月完成的事情，现在一个周末就能搞定。
核心迭代循环的瓶颈转移：
编写软件 → 产品经理进行用户测试、观察、凭直觉决定如何改进 编码速度加快，成本下降 → 瓶颈转移到产品管理 产品管理瓶颈：决定"到底想构建什么"
过去三周开发原型，花一周获取用户反馈可以接受；现在一天构建原型，再花一周等待用户反馈就太痛苦。因此团队越来越依赖直觉，凭借深刻的客户同理心快速做出产品决策。
7 产品管理自动化：工具发展但仍有限
目前已有不少工具试图加速产品管理流程：
Figma 的 IPO 在设计领域做得非常出色，集成度很高 利用 AI 帮助面试潜在用户的工具 AI Agent 集群模拟用户群体的研究
但这些工具对产品经理的提速效果，比不上编程工具对软件工程师的提速效果，使得产品管理端成为更突出的瓶颈。
8 创始人画像：技术背景比商业经验更重要
吴恩达认为，在 AI 这样日新月异的技术变革时期，对前沿技术的认知本身就是最稀缺的知识。那些精通生成式 AI 技术的创始人，也就是以技术为导向的产品负责人，成功的可能性远大于那些可能更偏向商业、更具商业头脑，但对 AI 发展方向缺乏敏锐洞察力的人。
如果没有对技术能力边界的深刻理解，就很难思考战略，也很难领导公司前进方向。
9 成功创始人的共同特质
除了深刻的技术背景，成功的创始人还需要：
1. 对前沿技术的敏锐洞察
在 AI 快速变化时期，技术认知是最稀缺的知识 必须及早看到技术前景，才能抓住机会
2. 努力工作与拼搏精神
努力工作的人确实能取得更多成就 需要"疯狂到以为自己能够改变世界"的魄力
3. 两种驱动力类型
渴望公司商业获胜 真心希望客户成功，对服务客户极度痴迷
4. 快速决策能力
创业像打网球，必须立刻做出反应 需要深厚的知识储备和敏锐直觉
10 AI 赋能下的"小而精"团队
团队规模权衡：
过去团队把大量工作外包，部分原因是为了降低成本 随着 AI 和 AI 助手出现，规模极小、技术精湛、配备大量 AI 工具的团队，表现可能超越规模庞大但能力参差不齐的团队 效率最高的团队恰恰是规模最小的
思维转变：
应该去"雇佣"AI，而不是增加更多人手 具备"AI 直觉"的人会提出"能给我一些预算，让我雇一个 AI 来做这件事吗？"
11 未来五年：拥抱 AI 者将超越想象
下一个机遇：
AI 领域是"机会富矿区"，技术基础太新，太多想法无人尝试 具体想法比宏观分析更有价值 经济学家研究哪些工作岗位被 AI 颠覆风险最高，可从中寻找项目创意
VC 工作自动化：
单个公司深度调研和竞品分析适合自动化 给 LP 的报告文书工作可被简化 但人类在背景调查、创始人品性判断等方面仍有信息优势
帮助创始人的方式：
分享行业经验直觉 帮助招聘人才、建立同辈社群 提供融资、客户反馈、技术趋势等方面的指导
非共识判断：
几年内，许多人将被 AI 极大地赋能，能力比今天强得多 拥抱 AI 的人，个人能力将被放大到大多数人目前难以想象的程度 个人和企业都将变得比他们自己所能想象的强大得多、能干得多
12 文章要点总结
🔑 核心观点
- AI 进步路径多元化
：不仅依赖模型规模，代理式工作流、多模态技术、新架构同样重要 - 最大瓶颈是人才
：实现 Agentic AI 的关键是系统化评测和错误分析流程，而非技术本身 - 初创公司瓶颈转移
：从工程实现转向产品管理，AI 加速编码但决策成为新瓶颈
🚀 关键洞察
- 编程 AI Agent 最成熟
：经济价值巨大，开发者自己就是用户，产品直觉准确 - AI 辅助编码是深度智力活动
：需要高强度思考，而非简单的"凭感觉编程" - 创始人画像变化
：技术背景和 AI 直觉比商业经验更重要，必须紧跟技术前沿
💡 实践指导
- 团队模式变革
：AI 赋能下"小而精"团队可能超越传统大团队 - 思维转变关键
：应该"雇佣 AI"而非增加人力，具备"AI 直觉"至关重要 - 未来趋势
：拥抱 AI 的人能力将被放大到难以想象的程度
⚠️ 重要提醒
产品管理自动化工具发展有限，短期内仍需要人类深度参与 2022 年的很多工作流程在 2025 年已经不再适用，必须跟上技术变革 招聘标准变化：懂 AI 的毕业生可能比有经验但不熟悉 AI 工具的人更有生产力
