最近观看了人工智能领域先驱思想领袖吴恩达 (Andrew Ng) 的视频，他讨论了人工智能的当前趋势和未来机遇。作为谷歌大脑创始人、百度前首席科学家，吴恩达对该领域有着独特的见解。他的演讲强调了塑造人工智能创新格局的两大重要力量。

观点要点

对于普通人来说：

人工智能将越来越多地自动化许多工作中的任务，但深思熟虑的政策可以减轻失业的情况。支持再培训计划和强大的社会安全网。
人工智能的好处需要主动管理偏见、透明度和道德一致性方面的风险。倡导负责任的人工智能开发。
如果设计得当，人工智能可以增强人类的能力和生产力。抓住在家庭和工作中与人工智能系统协作的机会。

普通人应该在塑造人工智能的发展方面拥有发言权，根据需要调整他们的技能以与人工智能一起工作，并倡导以人为本的政策。人工智能既带来希望，也带来危险——它的最终影响将反映社会的选择。通过自我了解和参与，公民可以帮助引导人工智能的出现。我们都必须成为这项变革性技术的积极参与者，而不是被动的旁观者。

对于人工智能初创公司：

专注于识别和构建高价值的人工智能应用程序，而不是商品化的基础设施或工具。最大的机会是专门的用例，而不是底层平台。
利用无代码和低代码工具，为不同行业和用户轻松定制人工智能。通过可访问性实现民主化将释放人工智能的潜力。
与科技以外行业的主题专家合作，开发真正创新且有影响力的人工智能解决方案。将专业领域知识与人工智能专业知识相结合。

初创公司的首要任务应该是确定有前途的应用程序，确保易于使用，并与其他专家合作。成功需要超越人工智能技术本身，为最终用户解决实际问题。有了正确的应用重点，利用人工智能的力量并不需要大量的博士。

对于采用人工智能的企业：

在公司内寻找高价值的人工智能应用程序，不要只是为了它本身而采用它。可以通过数据标记和预测等功能来优化精确流程。
可以针对您的特定用例轻松定制 AI 模型。寻求用户友好的开发工具和提示界面来定制解决方案。
在部署之前仔细评估人工智能系统的道德和潜在缺点。减轻偏见、缺乏透明度和工作岗位流失等风险。

企业应该将人工智能部署的重点放在解决实际问题上，而不是追逐技术炒作。确保实施为您的组织的需求提供可访问的增值。并以负责任的方式实施人工智能，赢得公众的信任。通过正确的战略方法，人工智能可以通过增强能力和效率来促进现有业务的发展。

视频要点

人工智能已经牢固地确立了自己作为一项影响现代生活各个方面的技术的地位。然而，尽管取得了进步，但仍有许多未开发的潜力有待探索。

监督学习：十年来的主导工具

定义监督学习：这种方法专门用于标记事物，使其成为计算输入输出映射的大师。
例如，它可以将电子邮件标记为垃圾邮件或非垃圾邮件，或者预测用户是否可能点击广告。
多功能性：监督学习并不局限于单一应用程序。它跨越各个领域：
在线广告
自动驾驶汽车
船舶航线优化
工厂中的自动目视检查
餐厅评论情绪分析
工作原理：该过程首先收集标记数据，然后使用这些数据训练人工智能模型。最终，这个经过训练的模型可以根据新的输入来预测结果。

生成式人工智能：新星

生成式人工智能简介：它是一种可以生成内容的工具。例如，当给出提示时，它可以生成不同的响应。
底层机制：生成式人工智能（尤其是文本生成）的本质植根于监督学习。它可以预测序列中的下一个单词或单词的一部分，经过大量数据的训练后，它可以制作连贯且相关的文本。
应用：虽然大型语言模型作为消费者工具而受到关注，但它们真正的潜力在于用作开发人员工具。

人工智能机会格局

目前情况：目前，监督学习是推动人工智能价值链的主要力量，在谷歌等科技巨头中的应用积累了巨大的价值。
未来：生成式人工智能虽然相比之下规模较小，但有望呈指数级增长。开发商、投资和企业兴趣的绝对数量暗示了其在未来几年的潜在主导地位。
通用性：监督人工智能和生成人工智能都具有广泛的适用性。它们的通用性意味着它们可以针对多种任务进行定制。挑战在于识别和执行这些不同的应用程序。

人工智能应用的长尾

曲线的领导者：主要科技公司已经利用了数十亿美元的项目，但数量有限。
长尾：远离科技领域，存在许多较小的项目，每个项目都可能价值数百万美元。示例包括：
确保披萨上的奶酪分布均匀。
优化农业小麦收割。
解决长尾问题：解锁这些小型项目的关键在于无代码或低代码解决方案。这些工具使最终用户（例如披萨工厂的 IT 部门）能够创建和定制自己的 AI 系统，而无需进行大量编码。

风险和道德影响

偏见和公平：不可否认，人们对人工智能中的偏见存在担忧，需要不断解决这一问题。幸运的是，这一领域正在迅速取得进展。
工作中断：人工智能自动化任务的潜力可能会导致工作岗位流失，特别是在高薪职位上。这需要社会做出反应，以确保受影响的人不被抛在后面。

讨论

人工智能（AI）正在快速发展，创造了巨大的机遇和风险。两个关键趋势正在推动人工智能的进步。首先，人工智能是一种通用技术，在各行业具有许多潜在应用。监督学习使计算机能够准确地标记和分类数据，推动广告和自动驾驶汽车等领域的进步。与此同时，GPT-3 等生成式人工智能模型显示出自动化复杂认知任务的潜力。充分发挥人工智能的潜力需要发现和开发具体的用例。

其次，无代码和低代码工具使人工智能变得更容易使用。从历史上看，只有科技巨头才能利用人工智能，使用数百名工程师来开发定制系统。现在，易于使用的开发人员工具和提示界面允许小型团队在几周而不是几个月的时间内构建人工智能应用程序。这种民主化有望将人工智能推向制造业、农业和医疗保健等新领域。

为了利用这些趋势，组织应该专注于识别高价值的人工智能应用程序并提供用户友好的定制工具。建立一个具体想法的管道来验证比开放式的头脑风暴更有效。人工智能专家和行业专家之间的合作将产生最具创新性的解决方案。

人工智能的采用面临道德和社会风险。有偏见的数据和算法可能会导致不公正现象长期存在。自动化还可能取代工作岗位，需要采取缓解措施。公司必须评估项目的潜在危害以及与人类价值观的一致性。然而，通过负责任的发展，人工智能可以通过提高组织的能力和效率来创造繁荣。

人工智能堆栈具有硬件、基础设施、开发工具和最终用户应用程序等层。建立有价值的、可防御的业务通常需要超越商品化工具来解决现实世界的问题。人工智能最大的财务潜力可能在于专门的用例，而不是底层平台。

总之，人工智能为初创企业和现有企业提供了推动进步的巨大机会。实现人工智能的潜力需要识别高影响力的应用程序，实现不同领域的轻松定制，并周全地缓解下行风险。通过负责任的发展，人工智能可以极大地造福组织、工人和整个社会。

原文链接：https://www.promptengineering.org/video-review-opportunities-in-ai-by-andrew-ng/

演讲视频

【吴恩达2023年最新演讲-人工智能领域的新机遇】

重要的视频书签

01:26 🧠 人工智能是一种通用技术，类似于电力，可应用于各个领域。
03:05 🔍 监督学习对于标记（从垃圾邮件检测到目视检查）非常有价值。
04:14 💻 大型人工智能模型需要大量数据和计算能力才能实现重大改进。
06:57 📝 生成式人工智能，如 GPT-3，基于监督学习来生成文本。
08:49 ⚙️ 低代码和无代码 AI 工具可实现更快的开发和定制。
11:47 📊 各种人工智能技术都存在机会，目前监督学习占主导地位。
15:42 🚀 长尾人工智能应用程序可以通过低代码和无代码工具启用。
23:22 🏢 人工智能在基础设施和工具层的成功取决于成功的应用程序部署。
23:36 💡 Andrew Ng 和他的团队创建了一个人工智能驱动的平台“Armor Raw”，通过将人工智能专业知识与关系专业知识相结合，用于浪漫关系辅导。
24:20 🌍 应用层人工智能存在重大机遇，与基础设施或开发等其他层相比，竞争相对较轻。
25:01 🚀 Andrew Ng 分享了他的创业秘诀：验证想法、尽早招募首席执行官、通过冲刺进行迭代、首次签入后实现 66% 的存活率，并通过外部融资轮次进行扩展。
27:21 🛳️ Bearing AI 是一家人工智能初创公司，其成立的目的是通过验证想法、招聘首席执行官、构建原型并实现真实的客户验证来提高船舶的燃油效率。
28:19 🌐 将人工智能专业知识与海运或浪漫关系等领域的主题专家相结合，可以打造出具有独特应用的成功初创企业。
29:15 🏗️ 尽早参与具体的创业想法可以加快验证、执行速度，并与专家合作以取得高效进展。
31:32 ⚖️ 吴恩达强调道德考虑和负责任的创新，只致力于推动人类进步并解决偏见、公平和社会影响的项目。
32:29 💼 虽然人工智能带来了工作中断风险，但我们有责任确保受影响的个人在这些变化期间得到良好的照顾、公平对待和支持。
34:05 🤖 围绕 AGI（通用人工智能）的炒作常常高估了人工智能的能力，但由于生物智能和数字智能之间的路径不同，AGI 可能还需要几十年的时间。
34:47 🌐 对人工智能造成灭绝风险的恐惧是没有根据的；人工智能的发展是渐进的，允许监督，人工智能有可能有助于解决真正的灭绝风险，例如流行病或气候变化。

附：演讲正文

吴恩达（Andrew Ng）博士是AI Fund的执行总经理,deeplearning.ai和Landing AI的创始人,Coursera的主席和联合创始人,斯坦福大学计算机科学系的兼职教授。此前,他创立并领导了谷歌大脑团队,帮助谷歌采用现代AI,他也曾担任斯坦福AI实验室的主任。约有800万人,即地球上1/1000的人口,从他那里学习过AI课程,通过他的教育和AI工作,他改变了无数人的生活。

吴恩达教授2023 年 7 月 26 日在斯坦福大学商学院主办活动中进行了一个人工智能新机遇的讲座，这是来自世界顶级人工智能专家对未来的判断，讲座视频最近两天才放出来，我对讲座内容进行了翻译和整理，强烈推荐吴恩达教授这次讲座。

本次讲座包括：

1）人工智能技术和工具的发展趋势-监督学习-生成式人工智能

2）人工智能的机遇，应用

3）创建初创企业的过程

4）人工智能的风险与社会影响

今天我想和大家聊一聊人工智能领域的一些机会。我一直认为，人工智能就像新的电力一样。关于人工智能的一个难以理解的地方是，它是一项通用技术，意味着它不仅对一件事有用，而是对很多不同的应用有用，有点像电力。如果我问你电力有什么用，你知道它不是用来做某一件事的。

我想开始与大家分享我对技术领域的看法，这将引导我们进入一系列机会。人工智能引发了很多炒作和兴奋，我认为一个好的方式来看待人工智能是将其视为一组工具。这包括一种叫做监督学习的技术，它非常擅长识别事物或标记事物，还有生成式人工智能，这是一个相对新的令人兴奋的发展。如果你熟悉人工智能，可能听说过其他工具，但我会少谈论这些额外的工具，我将重点关注我认为目前最重要的两种工具，即监督学习和生成式人工智能。

监督学习非常擅长标记事物或计算输入到输出或A到B的映射。比如，给定一封电子邮件，我们可以使用监督学习将其标记为垃圾邮件或非垃圾邮件。我所参与过的最赚钱的应用可能是在线广告。

我们可以给广告打上标签，表示哪些用户可能会点击它，因此显示更相关的广告。

对于自动驾驶，根据汽车的传感器读数，我们可以标记其他车辆的位置。我团队AI基金曾参与的一个项目是船舶航线优化，根据船舶所采取或考虑采取的航线，我们可以标记其预计消耗多少燃料，并利用这一信息使船只更加节能。在工厂中，自动视觉检测也有很多工作，因此你可以拍一张新制造的智能手机的照片，然后将其标记为是否有瑕疵。

如果你想建立一个餐厅评论声誉监测系统，你可以编写一小段软件，用来分析在线餐厅评论并标记其为正面或负面情感。

监督学习的一个好处是它不仅对一件事有用，而且对所有这些不同的应用以及更多其他应用都有用。让我具体解释一下一个监督学习标记事物的项目的工作流程。如果你想构建一个用于标记餐厅评论的系统，首先要收集一些数据点或数据集，例如，“巴斯特拉米三明治非常美味”表示积极，而“服务太慢了”表示消极。在这里，我展示了三个数据点，但在构建这个系统时，你可能会得到成千上万个类似的数据点，我们称之为训练示例。

一个AI项目的工作流程通常是这样的：

首先，你获取标记的数据，可能有成千上万个数据点。然后，你需要一个AI工程团队来训练一个AI模型，使其从这些数据中学习。最后，你可能会找到一个云服务来运行已经训练好的AI模型，然后输入一句话，比如“这是我吃过的最好喝的珍珠奶茶”，这被标记为积极情感。因此，我认为过去的十年可能是大规模监督学习的十年。

我们发现大约在10到15年前，使用小型深度学习算法和小型AI模型，或者在性能不是特别强大的计算机上进行训练，当你提供更多数据时，性能可能会稍微提高一些，但之后会趋于稳定，达到一个平台，无法继续利用数据来获得更好的性能。但如果你训练一个非常大的AI模型，使用大量计算资源，比如强大的GPU，然后随着提供给机器学习模型的数据规模的增加，性能会继续提高。

这就是为什么当我开始领导Google Brain团队时，我主导团队解决的首要任务是构建非常大的神经网络，然后向其提供大量数据。这个方法幸运地奏效了，我认为推动了过去十年的许多人工智能进展的核心思想是使用大规模计算和大规模数据。如果上一个十年是监督学习的十年，那么我认为这个十年也正在不断发展，我们将在监督学习的基础上添加一个令人兴奋的工具，那就是生成式人工智能。

你们中的许多人可能已经接触过像GPT-3和Bert这样的工具。通过给定一个文本片段，称之为提示（prompt），比如“我喜欢吃”，你可以多次运行模型，可能会得到“百吉饼奶酪”、“我妈妈的肉loaf”或者“超级朋友”等输出。人工智能系统可以生成这样的输出。鉴于生成式人工智能引发了大量关注和兴奋，我想花半张幻灯片的时间来简单介绍一下它的工作原理。

事实证明，至少对于这种类型的文本生成，生成式人工智能的核心是使用监督学习，通过输入-输出映射来重复预测下一个单词。

因此，如果你的系统在互联网上读到一句话，比如“我最喜欢的食物是百吉饼和奶酪”，那么这句话可以转化为一些数据点，其中如果看到“我最喜欢的食物是”，在这种情况下，尝试猜测正确的下一个单词是“百吉饼”，或者如果看到“我最喜欢的食物是百吉饼”，则尝试猜测下一个单词是“奶酪”。类似地，如果看到在这种情况下，下一个单词的正确猜测应该是“奶油”。通过使用互联网或其他来源上找到的文本，并利用这种输入-输出监督学习来反复预测下一个单词，如果在数百亿字词的文本上训练一个非常大的AI系统，最大的模型现在已经超过一万亿字，那么你就会得到一个大型语言模型，如GPT-3。

我提到了一些重要的技术细节，比如技术上，这些系统预测的是下一个子单词或称为"token"的单词部分，还有其他技术，如Rohf，用于进一步调整AI的输出，使其更有帮助、诚实和无害，但它的核心是使用监督学习来反复预测下一个单词，这正是支持大型语言模型取得令人兴奋的、令人印象深刻的进展的关键所在。虽然许多人将大型英语模型视为出色的消费者工具，可以访问像"track"这样的网站，GPS网站或机器人等大型语言模型，我认为这也很棒。

我认为还有一个仍然被低估的趋势，那就是大型语言模型的威力，不仅仅是作为消费者工具，还作为开发者的工具。事实证明，有一些应用以前可能需要我数月的时间来构建，现在很多人可以通过使用大型语言模型来更快地构建。

具体来说，监督学习构建餐厅评论系统的工作流程可能是，你需要获取一堆标记数据，也许需要一个月的时间来获得几千个数据点，然后需要一个AI团队来训练、调整，并真正优化AI模型的性能，也许需要三个月的时间，然后找一个云服务来运行它，确保它稳定运行，确保它能够识别，这可能需要另外三个月。

因此，构建一个商业级机器学习系统的比较现实的时间表可能是6到12个月。我领导的团队通常会花一些时间大约需要 6 到 12 个月的时间来构建和部署这些系统，其中一些系统事实证明非常有价值。但这是构建和部署商业级人工智能系统的现实时间表，与基于提示的人工智能相比，我们编写一个提示，工作流程如下：你可以指定一个提示，可能需要几分钟或几小时，然后可以部署到云上，可能需要几小时或几天。

因此，有些人工智能应用以前可能需要我花费 6 个月，甚至一年的时间来构建，但现在全球许多团队可能只需要一周就能完成。我认为这已经开始了，但最好的还在后头。这开始打开了大量可以由许多人构建的人工智能应用的大门。我认为很多人仍然低估了即将出现的定制人工智能应用的数量。我知道你可能没有预料到我在这个演示中会编写代码，但我要做的就是编写代码。所以，这是我编写一个情感分类器所需的所有代码。我将使用 Python 和 OpenAI 的重要工具，然后我有一个提示，其中写着“将以下文本分类为具有积极或消极情感，以三个短横线为分隔”。然后我运行这个代码，我之前从未运行过，所以我真的不知道，希望，哦，谢天谢地，我们得到了正确的答案，这实际上就是构建情感分类器所需的所有代码。今天，全球的开发者可能只需要不到10分钟就可以构建这样的系统，这是非常令人兴奋的发展。因此，我一直在努力教授关于如何使用提示的在线课程，不仅作为消费者工具，还作为开发者工具。

停下来谈一谈技术领域，现在让我分享一下我对一些人工智能机会的看法。这张图展示了我认为不同人工智能技术的价值，我将谈论未来三年的情况，但我认为今天大部分的人工智能价值来自监督学习。对于像谷歌这样的一家公司，监督学习可以每年创造超过1000亿美元的价值，而且有数百万的开发者正在构建监督学习应用程序，因此它已经具有巨大的价值，而且因为大量的努力而拥有巨大的动力，找到了各种各样的应用程序，他们的构建和生成式人工智能是真正令人兴奋的新进入领域，目前规模较小，其他工具我包括在内，是为了完整性考虑的。

你可以看到这些圆圈的大小代表了今天的价值，这是我认为它们在未来三年内可能会增长到的水平。监督学习已经非常庞大，可能在未来三年内翻一番，从非常庞大变得更加庞大，而生成式人工智能目前规模较小，但我认为未来三年内可能会翻倍以上，因为有大量的开发者兴趣、风险投资的投资、大公司在探索应用领域等。我还想指出，三年是一个非常短的时间范围，如果以这个速度继续复利增长，那么在六年内，它将会更加庞大。但在这张图中，浅色阴影区域代表新创公司或大公司现有公司的机会，可以创建和获得价值。但我希望你从这张图中得到一个印象，那就是所有这些技术都是通用技术。在监督学习的情况下，过去十年需要做的很多工作，但在未来十年仍将继续，是确定和执行具体的用例，这个过程也正在开始应用于生成式人工智能。因此，在这个部分的演示中，我希望你能明白通用技术对许多不同的任务都是有用的，仍然存在着许多价值。

我们借助监督学习打造出众多令人振奋的应用，不过仍未穷尽其所有潜能。现在，新出现的工具如生成式人工智能让我们能探索更多可能性。然而，需注意短期内可能涌现的潮流。比如名为Lenser的app，能上传个人照片并被渲染成宇航员等角色，想法虽好，用户也喜欢，但终究只是基于强大API的薄弱应用，因此不具备持久商业价值。这让我想到Steve Jobs的一则故事，有人曾为iPhone开发1.99美元的应用程序以打开LED灯并使手机变为手电筒。这些应用均是不错的主意，但因易被复制且价值不高，最终都被融入iOS系统。不过，随着iOS和iPhone的繁荣，催生了Uber和Airbnb等应用的诞生。

我认为，随着生成式人工智能的崭露头角以及其他新人工智能工具的出现，我们有幸能够构建深度复杂的应用程序并有望创造长期价值，这极其令人振奋。

我想分享的第一个趋势是人工智能作为通用技术的广泛运用，而今摆在我们面前的工作是发现并构建多样化的用例。

第二个趋势是为什么人工智能尚未得到广泛应用。一些人已经讨论人工智能已有约15年时间，但如果你审视人工智能目前的实际应用，不难发现其大部分集中在消费者软件和互联网领域。一旦你离开科技或消费者软件互联网领域，人工智能的采用就会变得相当零散，许多领域尚处于早期阶段。为什么会这样呢？如果你将当前和潜在的人工智能项目按价值递减排序，那么在这个曲线的左侧，价值最大的项目多属于广告、网络搜索以及电子商务的产品推荐等领域，例如亚马逊等公司。大约在10到15年前，我和一些朋友找到了一种方法，可以雇佣约100名工程师编写一款软件来为数十亿用户提供更相关的广告，并将这款软件应用到数十亿用户上，从而创造出巨大的财务价值。然而，这种方法在消费者领域之外却行不通。

在软件和互联网领域，拥有亿级或十亿级用户的规模是极其罕见的，因此创建一个通用的软件并应用并不现实。这就意味着，一旦你转向其他行业，你就会发现有许多有趣且令人兴奋的项目。我曾与一家披萨制造商合作，他们通过拍照记录制作的披萨，以确保奶酪分布均匀。这个项目大约价值500万美元，但雇佣100名工程师或几十名工程师来完成一个价值500万美元的项目并不合理。

我还要分享另外一个例子。我与一家农业公司合作，我们通过摄像头测量小麦的高度。由于风雨等因素，小麦会弯曲，我们可以在适当的高度割掉杂草。这样不仅为农民提供了更多可以销售的粮食，也有利于环境。不过同样，这个项目也价值500万美元，而以前的方法是雇佣一大批高级工程师来完成这个项目，这是不合理的。此外，还有诸如材料分级、布料分级、钢板分级等类似的项目。

在曲线图左侧，有一小部分价值数十亿美元的项目，我们知道如何执行这些项目并提供价值。但在其他行业中，我看到了成千上万个价值500万美元的项目，这些项目没有得到足够的关注。

目前，由于定制的高成本，很难执行许多项目。我认为一个令人兴奋的趋势是，人工智能社区一直在构建更好的工具，使我们能够整合这些用例，并使最终用户能够轻松进行定制。

具体来说，我看到了许多令人兴奋的低代码和无代码工具，使用户能够自定义人工智能系统。这意味着我不需要太过担心披萨的照片，因为我们开始看到一些可以让披萨制造工厂的IT部门自行训练人工智能系统的工具，以识别披萨的价值高达500万美元。另外，披萨的照片并不存在于互联网上，因此 Google 和 Bing 无法访问这些照片。我们需要的是可以由披萨工厂自己使用的工具来构建、部署和维护他们自己的定制人工智能系统，用于处理他们自己的披萨照片。广泛来说，启用这一技术的技术包括一些文本提示、视觉提示等类似工具。

我认为第二个趋势很重要，因为我认为这是将人工智能的价值从技术领域和消费软件领域推向其他领域、甚至整个经济的关键部分。有两个趋势我分享了：人工智能是通用技术、有很多具体用例有待实现以及低代码、无代码的工具可以更容易地将人工智能部署到更多的行业中。那么我们如何抓住这些机会呢？大约五年前我就开始思考如何将人工智能应用到更多的领域中。我曾经在谷歌、百度等大型科技公司拥有AI团队，但我很难想象如何在一个大型科技公司内部运作一个团队去追求各种各样的机会——从海运到教育、金融服务、医疗保健等等——这些机会非常多样化、涉及不同的市场和客户群体以及应用领域。

我认为最有效的方法是创建多家不同的公司来追求多元化的机会。因此，我创立了AI基金，它是一个创新中心，专注于孵化初创公司以探索各种可能性。当然，除了初创公司外，现有企业也有许多机会将人工智能集成到他们的业务中。实际上，对于现有企业来说，一种常见的模式是利用其强大的分销能力来将人工智能巧妙地整合到他们的产品中，这样可以非常高效地实现这一点。

但是，让我们更具体地探讨一下这些机会在哪里。在人工智能领域，存在一个层次结构，最底层是硬件半导体层，这个层面有许多极好的机会，但需要大量的资本投入，而且资源相对集中，因此成功率较低。一些人可能会在这个领域发挥积极的作用，但个人而言我不太愿意参与其中。

再往上，是开发者工具层。就像我之前展示的那样，我现在正在使用OpenAI的API作为我的开发者工具。这个领域竞争激烈，你可以看到许多初创公司都在争相效仿OpenAI的模式。然而，我认为如果能在显著的技术领域取得优势，那么你将有更多的机会在这个领域成为大赢家。因此，我会在这个领域参与竞争，但这通常是在我确定自己有显著的技术优势的情况下。

尽管媒体和业界的焦点都集中在基础架构和开发者工具层面，但事实却证明，只有应用层面取得成功，上述层面才能真正成功。在SaaS（软件即服务）崛起时，我们看到了同样的趋势。当时，大部分的关注点和兴奋点都集中在技术和工具层面，这并没有错。然而，只有当应用层面取得更大的成功时，这些层面才能真正实现成功，从而产生足够的收入来支持基础架构和工具的持续发展。

让我给你一个具体的例子。我昨晚通过短信与一位CEO交流，Armour是一家完全基于人工智能的公司，专注于提供亲密关系辅导服务。虽然我是人工智能专家，但对于亲密关系，我几乎一无所知。如果你不相信我，可以问问我的妻子。她会证实我对亲密关系确实一窍不通。然而，当我们打算创立这家公司时，我们希望能与Tinder的前CEO Renata及其专业团队合作。我们的团队在人工智能方面拥有专业知识，而Renata的团队则擅长人际关系方面。她曾是Tinder的CEO，对人际关系有着深入的理解。我们希望利用人工智能为人们提供亲密关系辅导服务，这是一个相当独特且具有挑战性的项目。

在应用层面，我看到了许多令人兴奋的机会。这些机会的市场潜力巨大，相比之下，竞争要小得多。当然，这并不是说没有竞争对手存在。然而，相比于开发者工具层或基础架构层，应用层的竞争要弱得多。我花了许多时间不断优化初创公司的创立过程，现在我想与你分享我们已经开发出的这一过程。

初创公司的创立过程需要多年的不断尝试和改进。这就是我们现在创建初创公司的方式。我的团队一直拥有许多不同的想法，包括内部产生的想法以及合作伙伴的想法。我想通过一个具体的例子来解释这一点。我们曾创办了一家名为Bearing AI的公司，该公司利用人工智能技术提高船只的燃油效率。这个想法源于一家名为三井的日本大型财团。他们是Opera的主要股东，也是一家主要的航运公司。他们找到我并建议说：“安德鲁，你应该创建一个业务来利用人工智能提高船只的燃油效率。”具体来说，这个想法是利用人工智能技术为船只导航提供类似于谷歌地图的功能建议船只或船队如何驾驶以确保按时到达目的地同时减少约10%的燃料消耗。

接下来我们会花大约一个月的时间来验证这个想法的技术可行性并和潜在客户进行交流以确定市场的需求情况。如果这个阶段通过了我们将会招募首席执行官并与我们一起开展项目。

当我刚开始做的时候，我通常会在项目开始之前花很长时间来独立开展项目，然后再招募首席执行官。但在不断迭代后，我们意识到，在项目一开始就引入领导者，可以减轻很多知识传递的负担，或者领导者进来后需要重新验证我们所发现的东西，这个流程更加高效。所以我们学到的教训是，在项目一开始就引入领导者更加高效。在 Bearing AI 的案例中，我们找到了一位杰出的首席执行官 Dylan Kyle，他是一位成功的创业家，在此之前曾成功建立过一家公司。然后，我们花了三个月的时间，进行了六个两周的冲刺，与他一起建立了原型，并进行了深入的客户验证。如果项目在这个阶段成功，我们有约2/3（66%）的生存率，然后该公司就有了足够的资源来招募高管团队，建立关键的团队，使MVP（最小可行产品）运作，并吸引一些真正的客户。之后，希望能成功地筹集更多的外部融资轮次，以继续增长和扩张。我为我的团队所做的工作感到自豪，他们能够支持三井的想法，并聘请Dylan作为首席执行官，如今，因为 Bearing AI 的工作，目前有数百艘船只正在高海上以不同的方式驾驶，可以节省大约每艘船每年45万美元的燃料成本，当然，对环境来说也更好。

我之所以喜欢这个例子，是因为这是一个创业想法，我自己永远不会想出来的，因为我坐过船，但我对海上运输一窍不通。但正是三井在海上运输方面的深厚专业知识，与Dylan以及我的团队在人工智能方面的专业知识，使这一切成为可能。所以在人工智能领域，我学到的一件事是，我的专业领域就是人工智能，就是这样，因为我已经花了很多时间，很难成为海上运输、亲密关系、医疗保健和金融服务等领域的专家，所以我学到的教训是，如果我能帮助进行准确的技术验证，并我觉得与拥有具体想法的项目一起合作通常能够迅速且有效地进行。

我也发现，帮助公司建立强大的技术团队并与专业领域专家合作通常会带来令人兴奋的新机会。我还想与大家分享另一个奇怪的启示，这是我在创建初创企业时学到的一种奇怪的方式，与设计思维方法论中的许多建议相反。设计思维方法论通常建议不要匆忙找到解决方案，而是要探索多种解决方案的替代方案。老实说，我们尝试过这种方法，但发现它非常缓慢。然而，我们学到的是，在创意阶段，如果有人来找我并说：“嘿，Andrew，你应该将AI应用于金融服务”，因为我不是金融服务的专业人士，如果我要学习足够多的金融服务知识以确定应该做什么，那会非常缓慢。我是指，最终你可能会得到一个好的结果，但这是一项非常耗时、缓慢且昂贵的过程，我要尽力学习各个行业。

相比之下，我的合作伙伴之一把这个想法写成了一个开玩笑的点子，没有真正认真对待，但你知道，假设国家购买GBT，通过自动购买每个产品来消除广告，看看广告是否改变或者是否不再看到广告。这并不是一个好主意，但它是一个具体的想法，事实证明，具体的想法可以有效地进行验证或证伪。它还为团队提供了明确的执行方向。我学到的是，在今天的世界中，尤其是在AI引发了许多人的兴奋、关注和曝光之后，今天的世界中有许多专业领域的专家，他们可能已经深思熟虑了几个月，甚至一两年的问题，但他们还没有找到合作伙伴。当我们与这些专业领域的专家合作，他们与我们分享了想法，可以让我们迅速进行验证和建设。我发现这种方法有效，因为今天的世界上有很多专业领域的专家，他们可能已经深思熟虑了几个月，甚至一两年的问题，但他们还没有找到合作伙伴。

所以，总结一下，我学到的是，在开始一个项目时拥有具体的想法非常重要，因为它为执行提供了明确的方向，并允许有效的验证。这种方法在我们创建初创企业的过程中非常有效，我相信这对于其他希望踏上创业之路的人来说也可能非常有价值。

我发现有很多人已经进行了设计思维的探索工作，尝试了许多想法，并最终找到了一些非常好的想法。在这些想法中，有很多是非常有潜力的，但却没有人在进行工作。发现这些已经存在的好想法，并找到愿意与我们建立伙伴关系来实现这些想法的人，事实证明要高效得多。

在风险和社会影响方面，我和我的团队只参与那些有助于推动人类前进的项目，而且我们多次评估项目的财务可行性，基于伦理原则。然而，令我惊讶的是，有些人有创意，他们提出了一些看似有利可图但实际上不应该被建立的想法。对于这些想法，我们会终止项目。

AI目前存在偏见、公平性和准确性等问题，但技术正在迅速改进。我看到，今天的AI系统比六个月前更少偏见、更公平，虽然这并不意味着忽视这些问题的重要性，但我也感到高兴的是，有很多AI团队正在努力解决这些问题，使它们变得更好。

AI对就业的干扰是目前最大的风险之一。这是一张图表，来自宾夕法尼亚大学的朋友和OpenAI的一些人对不同工作岗位受到AI自动化影响的分析。结果表明，尽管以前的自动化浪潮主要影响了低工资工作，例如在工厂引入机器人的情况下，但当前的自动化浪潮实际上影响到更多高薪职位，尤其是更靠右的高薪职位，这些工作更容易受到AI自动化的任务影响。

即使我们通过AI创造了巨大的价值，作为公民、公司、政府以及整个社会的一员，我仍认为我们有责任确保那些受其影响的人得到妥善的关照和待遇。

此外，每当AI出现大进步时,人们似乎都会对通用人工智能产生大量炒作。当10年前深度学习开始发挥作用时,有大量关于AGI的炒作,现在生成式AI进展顺利,又出现了关于AGI的新一轮炒作。但我认为通用人工智能,即AI可以做人能做的任何事情,仍然还有几十年的路要走,也许需要30到50年,甚至更长时间。我希望我们有生之年能见证它,但我认为它不会很快发生。

其中一个挑战是生物进化通向智能的路径与数字通向智能的路径截然不同,AGI的定义是用生物智能的标准衡量数字智能,这是一个有趣的比较。我认为大语言模型在某些关键维度上比我们任何人都更聪明,但在其他维度上比我们任何人都愚蠢。所以强迫它做人类能做的任何事情是一个有趣的比较。但我希望我们能在有生之年见证这一点。人们也非常夸大AI对人类造成灭绝风险。老实说,我看不到AI造成人类任何真正的灭绝风险。我认为人们担心我们无法控制AI,但我们有大量经验来驾驭比任何个人都强大得多的实体并确保它们大多造福人类。此外,技术是逐步发展的,所谓的硬起飞场景,今天它基本上不工作,然后突然有一天它变得非常聪明并接管世界,这根本就不现实。我认为AI技术会缓慢发展,就像其他技术一样,这给了我们足够的时间来进行监督并确保它是安全的。

所以我的感觉是,如果你想人类在未来1000年生存和繁荣,与其减慢AI的发展速度,我宁愿AI尽可能快地发展。总之,我认为AI作为一种通用技术为每个人创造了大量新机会,我们所有人面前激动人心和重要的工作是去建立那些具体的用例。希望将来我有机会也许与更多的人共同开发这些机会。

更多精彩内容请点击：AI领域文章精选！

关注👇，回复【吴恩达】可以下载吴恩达深度学习经典课程

吴恩达最新演讲-AI的新机遇！