吴恩达戳破AI幻象：炒作过头了，未来公司是10人小队＋Agent重做数据架构
吴恩达戳破AI幻象：炒作过头了，未来公司是10人小队＋Agent重做数据架构
在LangChain举办的AI Agent大会上，吴恩达与LangChain创始人Harrison Chase深入探讨了AI Agent的真实影响。他认为，编程智能体的发展远超预期，但真正的瓶颈已从编码效率转向产品管理、营销、法务等非工程环节。未来企业将转向10人以下的通才小团队，而Agent落地的成败关键，则取决于数据架构能否从结构化数据治理转向非结构化数据的AI-ready重构。
编程智能体崛起：速度之外的真正瓶颈
过去一年，AI领域的热度与炒作超出了吴恩达的预期，尤其是关于“工作岗位末日”的叙事让他感到遗憾。相比之下，编程智能体的进步却快得惊人。六个月前他几乎只使用Claude Code，如今则混合使用OpenAI Codex、Gemini CLI、OpenCode等工具。编程智能体的能力边界变化极快，甚至在手机上编写代码也已成为自然的工作流。
但编程智能体带来的最大变化并非写代码更快，而是软件生产链条被重新分配。吴恩达提出了“产品管理瓶颈”的概念：当代码实现速度提升10倍甚至100倍之后，限制团队效率的不再是工程实现，而是“到底该做什么”。需求定义、用户反馈、优先级判断、产品边界都会变成新的瓶颈。
与此同时，营销、法务、设计、合规也可能成为新障碍。过去一个产品开发需要三个月，等法务一周签字可以接受；但如果一天就能做出产品，再等一周，法务本身就成了阻碍。因此，未来的软件团队会更小、更快，也更依赖通才型人才。
小团队+通才：未来软件组织形态
吴恩达越来越多地组建一到十人的小团队，成员往往是高上下文、高授权、技术能力强的工程师。他们不只写代码，还会借助AI完成产品定义、营销文案、服务条款初稿等工作。AI不会让工程师瞬间变成优秀的营销人员或律师，但可以让他们先产出一个可用初稿，再交给专业人员把关。
这种模式要求团队成员承担多重角色。例如，一个只有两个人的团队需要覆盖软件工程、产品管理、服务条款、营销文案、设计等五种职能，按照鸽巢原理，每个人必须身兼数职。AI的辅助让这些“通才”能够跨出原本的工程领域，产出可用的初稿。吴恩达强调，虽然工程师目前是最容易成功转型的群体，但产品经理、营销人员甚至运营人员同样可以通过学习编程和AI工具进入这一角色。
乐高积木式的构建：AI Agent的真实能力
在Agent开发方式上，吴恩达用了“乐高积木”的比喻。今天的开发者面对的不只是模型，还有RAG、Agent框架、评估工具、Guardrails、UI组件、身份认证、数据库等大量构建模块。开发者越了解这些模块，越能快速组合出可用系统。但问题是，API、SDK和工具变化太快，模型未必知道最新用法。因此，Agent的能力不只取决于模型本身，也取决于它能否获得及时、准确、可执行的上下文。
针对这一挑战，吴恩达与Rohit Prasad共同关注一个名为“Context Hub”的项目，它类似于面向AI Agent的Stack Overflow。Agent可以通过它获取最新文档，了解最新的API、SDK和构建模块，同时也能向文档提供反馈，形成良性循环。这大大加速了编码工作。
企业落地：从自动化到流程重构
谈到企业落地，吴恩达认为，很多企业正在做自下而上的AI创新，但这种“百花齐放”往往只能带来点状提效，难以形成真正转型。例如，银行用AI自动化贷款审批，如果只是把一小时人工审核变成AI审核，价值有限；更大的机会是重构整个流程，推出“10分钟获批”的贷款产品。这需要营销、数据、审批、尽调、执行等环节一起变化。
他提醒企业，不要只把AI当作降本工具。成本节省有上限，增长才更有想象空间。客服、呼叫中心、drive-through点餐等场景中，AI的价值不只是减少人工，而是更快服务更多客户，改善体验，进而带动业务增长。
警惕供应商锁定，保持技术灵活性
在技术选型上，吴恩达特别强调要警惕供应商锁定。AI模型和Agent工具变化太快，没人能确定一年后最强的模型是谁。因此，企业应尽量保留选择权，不要轻易因为折扣签下过长合约。LangSmith这类供应商中立的观测和管理工具，以及开放权重模型，都有助于企业在快速变化中保持灵活性。
数据架构重构：Agent就绪的关键
最后，吴恩达将企业Agent的关键基础落到数据架构上。过去企业主要围绕结构化数据做治理，但Agent真正要发挥作用，必须能处理文本、PDF、图片、音频、视频等非结构化数据。现实是，很多企业数据分散、权限体系为人而非Agent设计、治理和可观测性不足。吴恩达判断，未来几年，企业会启动大规模数据架构重构，让数据真正变得AI-ready、agent-ready。
这场对话的核心是：AI Agent不只是让代码写得更快，它正在倒逼企业重新思考产品、组织、数据、流程和技术选型。真正能从Agent中受益的企业，不是简单自动化某个环节，而是有能力围绕Agent重构整个业务系统。
以下为完整版对话，经InfoQ编译：
编程智能体的崛起（对话节选）
Harrison Chase：距离我们上次对话已经过去一年了，这一年AI领域发生了很多事情。哪些事情的发展速度超出了你的预期？哪些事情又比你想象得更慢？
吴恩达：我觉得，首先是一些热度和炒作程度超出了我的预期。另外，一些末日叙事也获得了比我预想中更多的关注，这有点遗憾。比如所谓的“工作岗位末日”，我并不认为那会真的发生。更积极的一面是，编程智能体的发展速度可能比我预想得更快。
现在的前沿编程智能体发展非常快。虽然外界总说AI每三个月就彻底改变一次，这种说法并不完全准确，但在编程智能体上，它确实有点像真的。我们能用编程智能体完成的事情，其前沿能力变化非常快，而且竞争非常激烈。
大概六个月前，我几乎全都在用Claude Code。现在我仍然大量使用Claude Code，但也越来越多地使用OpenAI Codex，同时也会混合使用Gemini CLI。我也支持OpenCode，因为它是开放的代码。
所以我们使用的编程智能体组合变化得非常快。
一年前我也不会想到，自己会在手机上写这么多代码。很多工作流都在快速改变。比如像在座很多人一样，我办公室里也有一台Mac Mini，这些开发工作流变化得非常快。
另外，智能体式工作流也正在真正进入企业。这一点也让人感觉不错。
Harrison Chase：顺着软件工程这个话题，在你看来，软件工程的未来会是什么样？
吴恩达：大概一年前，我写过“产品管理瓶颈”这个问题。它的意思是，如果构建软件变得快得多，那么决定要构建什么，也就是产品管理工作，包括定义项目范围、获取客户反馈、决定做什么，就会变成瓶颈。
过去一年，我感觉这个产品管理瓶颈以一种好的方式变得更严重了，因为软件构建变得快多了。
但事实证明，当写软件变快10倍甚至100倍之后，不只是产品管理会成为瓶颈，几乎所有其他事情都会变成瓶颈。
我有些团队已经遇到了营销瓶颈。因为我们能构建太多功能，营销人员反而很难跟上，搞清楚一个新功能到底做了什么，然后再思考该如何对外传播。
过去，如果一个产品需要法律合规，你花三个月构建它，再等一周让法务签字，可能还可以接受。但现在，如果你一天就能构建出来，然后还要等一周法务签字，那就变成了法律合规瓶颈。设计也会成为瓶颈，其他环节也一样。
所以我经常思考，未来的软件工程团队会如何组织。但我不认为自己已经知道答案。
不过，我越来越多地在组建非常小的团队，可能是一到十个工程师。这些人通常是通才型、高上下文、高授权的工程师。团队会被给到一组非常宽的护栏，然后他们就可以在这个范围内疯狂推进、构建并发布代码，甚至推动一些传统上不属于工程范畴的决策，比如写营销文案。
假设你有一个团队，它需要软件工程、产品管理、一点服务条款、一些营销文案、一些设计。也就是说，这个团队需要五种职能，但只有两个人。
那么按照定义，或者用“鸽巢原理”来说，这两个人里的每一个人都必须承担不止一个角色。
好消息是，我不觉得自己是一个很好的营销人员。但当我使用AI时，我仍然不是一个好营销人员，只是和没有AI助手相比，稍微没那么差。
所以我发现，这种小团队很有效：成员是高上下文的通才，技术能力很强，同时能够使用前沿技术，在其他角色上也承担一部分工作。
比如，坦率地说，所有工程师都可以用AI起草一版服务条款，然后再交给律师，让律师最终润色后发布。我发现这些流程能让团队移动得快得多。这一点非常令人兴奋。
Harrison Chase：这些人的理想背景是什么？他们本来就是工程师吗？还是来自其他学科，然后第一次学习写代码？你观察到的情况是什么？
吴恩达：我最密切合作的很多人，确实拥有很深的工程和技术背景。同时，他们也被充分授权，是略带通才属性的人。他们会进入其他角色，并在AI的支持下获得混合技能，而这些技能可能原本并不是他们受过训练的领域。
我认为人们可以从任何方向成功转型。我见过产品经理在写代码方面变得强很多，然后参与到这类团队中。
不过，因为AI编程本身和工程关系很深，工程师在理解前沿技术上可能天然有优势。所以我最常看到工程师成功扮演这种角色。
但也确实有少数产品经理能做到。我也见过营销人员以非常有效的方式学习写代码。还见过运营人员开始构建越来越多产品。
我认为任何背景的人都有可能学会做很多这类事情。但目前做得最好的最大群体，似乎仍然是工程背景出身的人。
不过，我们鼓励来自任何背景的人都尝试看看，自己是否能扮演这些角色。
如何进入AI软件工程领域
Harrison Chase：对于那些想进入这种新软件工程领域的人，你有什么建议？比如有哪些工具值得尝试，应该具备什么心态，或者应该学习哪些技能？
吴恩达：我最近在用一种方式思考软件工程的未来，这是我脑子里的一个心智模型。现在有很多工具提供商，提供各种构建模块，比如RAG、智能体框架、评估工具、护栏等。这些都是AI构建模块。
同时，也有很多非AI构建模块，比如用户界面组件、身份认证机制、前端和后端、持久化数据库等等。
所以我认为，在计算机科学里，我们一直都有一套非常棒的构建模块。而随着智能体式编程的发展，构建模块正在快速增加，因为越来越多人在构建开源模块、专有API模块，或者其他类型的构建模块。所以我们周围有很多非常棒的构建模块。
我发现，如果开发者能够很好地掌握足够多的构建模块，他们通常就可以用组合的方式，把这些模块快速拼装起来，构建软件。
你可以想象用乐高积木搭东西。如果我手里只有一块白色乐高积木，我能搭一些东西，但不会太有意思。但如果我再加入黑色、黄色、棕色、绿色的积木，再加上一些形状奇特的乐高零件，那么随着我拥有的乐高积木种类变多，我能搭出的东西会以组合式方式增长，甚至呈指数增长。
我认为，我们现在能使用的很多构建模块，也有类似效果。
我发现，那些开发者如果能很好地理解这些构建模块能做什么，就会变得非常强。
DeepLearning.AI也提供了很多短课程，帮助大家掌握来自不同机构和开发者的这些优秀构建模块。另一个挑战是，如何使用编程智能体，快速把这些构建模块组装成你想要的软件。
现在编程智能体面临的一个问题是，很多构建模块太新了，以至于编程智能体并不知道该如何使用它们。
举个例子，直到最近，很多领先编程智能体所基于的模型，知识截止时间都早于nano-banana发布的时间。所以它们并不知道nano-banana存在，也不知道如何调用nano-banana API。
所以我和我的朋友Rohit Prasad一直很关注一个项目，叫Context Hub。它有点像面向AI智能体的Stack Overflow。
AI智能体可以通过它获取最新文档，了解有哪些最新API、SDK和构建模块可以使用；同时，智能体也可以向文档提供反馈，帮助改进文档，让所有人受益。
实际上，有一些API是我自己经常使用的，但我总觉得它们的语法有点烦人，很难记住。但通过Context Hub加载最新文档后，我可以让编程智能体替我完成这些API调用。
所以它确实让我的编码工作加速了很多。
AI正在如何改变教育
Harrison Chase：这里我补充两点。我们也发布过一个叫Context Hub的东西，所以我们在名字上撞车了，但这是非常不同类型的Context Hub。Andrew这个Context Hub对使用编程智能体更有帮助，所以大家可以去试一下。顺着这个话题，在这个新的AI世界里，你如何看待教育的变化？你是否已经把一些新的实践融入DeepLearning.AI的课程运行方式，或者融入你对教育的思考？
吴恩达：我们正在尝试很多方式来改善教育体验。就培训内容而言，已经很明确的是，人们需要学习的东西发生了显著变化。对于开发者来说，他们需要学习编程智能体，学习这些构建模块，也许还要学习一些产品管理，或者类似的通用技能，让自己更有效。
所以，我们需要学习的内容正在变化。DeepLearning.AI和Coursera也一直在尝试提供这类培训。
但除了“学什么”之外，还有“怎么交付培训”的问题。我们思考“如何学习会被改变”已经很久了，但感觉真正的变化其实还没有完全到来。
几周前，我们上线了一个预览版新网站，叫CodeDream.ai。它背后的愿景是：不要只是上在线课程，而是来进行一场对话。
这不是一门课，而是一场对话。我们想构建的体验是，你可以和我进行一场模拟视频通话。
比如，如果你想往后一靠，听我以一对一视频通话的形式给你讲Context Hub和编程智能体，你可以这么做，我会给你展示一些想法。
如果你想打断“我”，也就是打断我的AI，然后问问题，你可以随时这样做。我个人也在大量尝试的一件事，是用JavaScript替代视频和幻灯片。这是什么意思？也就是说，当我在视频里演示某个东西时，如果你能点击进入这个视频，然后在视频窗口里输入自己的prompt或查询，那会怎么样？
也就是说，视频区域不是一个只能播放的静态视频，而是可交互的。这样可以创造更多和学习内容互动的方式。
如果你感兴趣，可以去试试CodeDream.ai，和我或者我的AI进行某种对话。我会以AI形式向你展示如何使用Context Hub的编程智能体。
坦率地说，我们现在每天仍在迭代和改进这些体验。
Harrison Chase：你刚才说可以点击视频并输入内容，这个功能现在已经上线了吗？还是一个未来方向？
吴恩达：已经上线了。你可以想象一下，它不是我在视频里共享屏幕，而是我在视频里“共享JavaScript”。因为它运行的是JavaScript代码，而不是预先录好的视频，所以你可以和我所谓的“屏幕共享”内容互动。
如果你有喜欢或不喜欢的地方，我们也非常欢迎反馈。不过，我确实觉得，教育转型在过去被过度炒作了。我认为某些变化正在到来。
关键要点
- 编程提速暴露新瓶颈：当代码实现速度提升10-100倍后，产品管理、营销、法务、设计等非工程环节成为新瓶颈。
- 小团队+通才模式：未来软件组织将向1-10人的高上下文、高授权通才团队演进，借助AI跨角色协作。
- 构建模块是核心能力：开发者需熟悉大量AI与非AI构建模块（RAG、Agent框架、UI组件等），并通过智能体快速组合。
- 避免供应商锁定：模型与工具变化极快，企业应保持技术选择权，使用中立的观测工具和开放权重模型。
- 数据架构重构：Agent落地的成败取决于非结构化数据（文本、PDF、图片等）的治理与就绪度，企业需大规模重构数据架构。
- 教育模式也在进化：交互式学习（如CodeDream.ai）正从视频转向可操作的JavaScript体验，但教育转型仍处于早期。