Andrew Ng 谈 AI 基础设施、开放模型与有用应用的构建

Harry Stebbings 采访 DeepLearning.AI 创始人、AI Fund 普通合伙人 Andrew Ng，讨论基础设施、AI 采用、投资经济逻辑和地缘政治。Ng 从事 AI 应用开发并进行相关投资，因此他对需求和商业机会的看法具有商业背景。

Ng 将电力和半导体列为重要的近期约束。他认为数据中心是关键数字基础设施，担心电力供应和许可流程延误，同时承认当地社区对拟建项目有自身关切。他与中国基础设施建设的比较属于个人判断。

他说，在自己的 AI 职业生涯中，研究人员始终希望获得更多算力。尽管模型运行成本下降、效率提高，编程等有价值任务的推理仍产生强劲需求。他描述了供需不平衡，但没有量化全市场的短缺程度。

Ng 认为，令牌成本下降与使用量增长可以同时发生。他将消费助手视为横向工具，将编程视为一个有价值的垂直领域，并看到招聘、金融和营销等潜在应用。他对编程工具的经验和对其他领域的期待，并不能确立普遍适用的生产率。

Ng 说，AI Fund 的工程师和他本人都认为编程助手有用，同时承认仍有很大改进空间。他认为其实际价值已超过 Stebbings 所提时期的图像生成。这是基于其团队使用情况的个人比较。

被问及美国政策时，Ng 欢迎他认为对不必要限制的清除，但提醒不要削弱国家吸引人才或资助教育和科学的能力。他认为一些 AI 安全叙事被夸大，这是一项存在争议的政策立场，并非 AI 风险不存在的结论。

如果拥有政策“魔杖”，他会优先吸引人才并保障半导体供应链。他认为对集中制造基地的依赖构成战略担忧。这些是建议和风险判断，而非对某项具体出口管制规则法律地位的评估。

Ng 描述了自己用 AI 辅助编程制作乘法闪卡，并说一位同事构建了一个小型营销反馈应用。他的例子展示了所在组织的使用方式；这不能证明每位非技术员工都能安全地构建或维护生产软件。

Stebbings 问，生产率提高是否意味着初级员工减少。Ng 说，一些岗位面临风险，但他认为许多员工仍会承担 AI 无法完成的任务。他提出招聘工作中可能被自动化的假设比例以及对通用 AI 的较远期看法，并明确表示这些是估计，而非测得的就业影响。

谈到初级人才培养，Ng 说，据其经验，了解 AI 工具的资深工程师尤其高效，而熟悉这些工具的新毕业生也能快速作出贡献。他担心尚未学习使用现代系统的计算机科学毕业生，并敦促大学更新课程。

被问到 AI 研究人员的巨额薪酬时，Ng 说他不知道具体待遇是否合理。他见过富有的同事继续努力工作，但个人经验不能证明薪酬如何影响整个行业的动力。

Ng 希望 AI 通过降低某些专业知识的成本，促进经济更快增长。他对生产率、医疗建议和辅导的讨论是一种乐观情景，不能证明具体 GDP 增长率或经过验证的临床结果。

谈到开放和封闭模型，他欢迎美国和中国团队发布开放权重模型。他认为，开放可以加快当地社区内部以及国际间的知识流动；他描述的相对创新效果是一个假设，而非量化研究结论。

Ng 也认为开放权重模型可能成为地缘政治影响力的来源。模型对历史、边界或政治事件的回答可能反映其数据和设计中的选择。他讨论的是潜在影响，需要审查实际系统，并非声称一个国家的所有模型都会给出相同答案。

他不赞成把 AI 看作只有一条终点线的单一竞赛。国家可能在一些领域合作、在另一些领域竞争，不同任务的能力也不相同。不过，他预计更强的 AI 能力会影响经济和战略实力；这是预测，而非预先确定的结果。

Ng 说，不应低估中国协调产业投资、培训、基础设施以及获取关键材料的能力，同时承认各地区都有问题。他的判断描述了潜在优势，并未独立评估每项计划的效果。

关于半导体出口管制，他认为限制促使中国加快本土芯片开发，可能对美国利益产生反效果。这是他的因果和政策判断；访谈没有提供反事实比较，也没有确立管制的净效果。

被问及欧洲时，Ng 希望监管机构更加重视投资和建设。他反对所谓过度监管是一项政策偏好；对话没有比较欧洲具体规则的收益与成本。

Ng 说，基础设施需要投资，但应用层也有许多机会，因为其他机构已投入资金训练基础模型。他认为，大型基金面临的一个挑战是，单个应用实验所需资本可能远少于建设数据中心。

Stebbings 反驳说，一些 AI 应用面临高额模型成本和工程费用。Ng 同意经济状况因项目而异，并指出部分使用实际上由投资人补贴。他希望推理成本下降和效率提高能支撑持久业务，同时承认补贴不可能永远持续。

他预计会有大、中、小型模型并存，因为任务难度和成本敏感度不同。简单拼写任务可能不需要与复杂编程问题相同的系统；最佳选择仍取决于具体应用。

Ng 不同意有用的智能体必然要等十年才会出现。他描述了 AI Fund 投资组合中的一家公司为关税合规构建流程，并提到其他法律和医疗助手项目。这些是投资人提出的公司例子，并非对准确性或医疗效果的独立验证。

谈到利润率，Ng 说它最终很重要。他的团队可能先关注用户是否重视原型，再处理运行成本。他说，团队往往能在使用增长后降低成本；这一经验并不能保证每个应用都能达到相同经济效果。

Ng 认为，防御能力往往因行业而异。过去需要多年才能复制的软件如今可能更容易被复制，但分发、品牌、声誉和网络效应仍可能重要。他没有声称这些优势会自动形成或永久存在。

对于企业采用，他认为人员和变革管理比数据本身更构成障碍。Ng 说，团队通常可以从现有内部或公开数据入手，但敏感信息和权限仍需妥善处理。他的判断不同于 Stebbings 所举的因安全和采购流程受阻的组织例子。

Ng 预计未来几年会取得有意义的进展，但十年后企业仍在继续采用 AI。他根据自己偏好的定义，否定了非常短的通用 AI 时间表。这些都是预测；访谈没有确定时间，也没有定义一个普遍接受的门槛。

他认为，建议学生不要学习编程是糟糕的建议。随着工具更易使用，他希望更多人学习准确表达问题，并利用 AI 辅助编写程序。他将学习指导和理解代码，与亲手写下每一行代码区分开来。

Stebbings 再次问，AI 的价值是否依赖于支出从劳动力转向软件。Ng 说，企业也可以利用 AI 实现增长：重新设计流程以更快交付结果或服务更多客户，而不仅仅是减少员工。他的贷款承保例子是一个假设，并不能证明某种放贷流程安全或合法。

关于垂直整合，Ng 将 AI 与早期计算行业作比较：当时标准不成熟，企业常常必须一起构建许多组件。随着接口成熟，他预计专业供应商之间会更容易互操作。这种类比是一种分析框架，并非行业最终结构的证明。

他说，即使需要更多电力、数据中心和芯片，也可能出现基础设施过度投资。在他看来，复杂融资工具和循环交易是值得关注的信号，但他目前并不对每笔交易感到警惕。他没有给出判断泡沫的准确门槛。

Ng 说，与泡沫问题相比，他更反感的是自己认为被夸大的 AI 主张。他主张讨论劳动力培训和有用的投资。他对炒作的担忧体现其个人观点；社区也可能有正当理由审视数据中心影响和 AI 风险。

他敦促教育机构更新课程，教学生如何使用 AI，包括编程。他说自己最喜欢的开发工具经常变化，也很难预测哪家供应商会在编程市场领先。

回顾 Baidu 和中国的经历，Ng 重视速度和强度，但表示每个人的处境不同，无法长时间工作时也应得到尊重。他把自己周末喜欢编程描述为个人选择，而非适用于每位员工的生产率标准。

Ng 将 AI Fund 描述为一家创业工作室：它提出想法、与客户合作，并在为公司融资之前或同时招募创始人。他说，初始投资通常结合资金和因参与公司建设而获得的普通股。他提到的近似条款是该机构模式的描述，并非普遍的风投标准。

他最担心的是如何帮助人们在自己的工作生涯中适应经济变化。他认为，在过去的转型中，父母可以继续原有工作，孩子则进入新职业；更快的变化也可能要求成年人学习新技能。这是他对转型的解读，不是量化的岗位替代预测。

他说，记者关于 AI 的提问已经改善，但认为财务和其他激励仍会助长炒作。他没有指出所批评的公司，讨论也没有证明任何具体机构的动机。

Ng 最后希望更多人能够将想法变成软件，从询问某种应用是否存在，转向自己创造应用。这是一项教育和产品愿景，并不保证获取机会、安全性或经济收益会均等分配。