吴恩达持续看好Agentic Workflow

吴恩达近期连续进行了两三次公开演讲与深度访谈，他无一例外地反复提及同一个核心概念——Agentic Workflow。看得出，他对这项技术方向充满热情。

这位深度学习领域的领军人物，不仅口头推崇，也付诸实践。此前他已开源了一个 Translation-Agent，最近又推出了 Vision-Agent。（相关链接此处不赘述，感兴趣的读者自可搜索获取。）

此外，吴恩达还与ARK Invest团队进行了一次深度对谈，分享了许多关于AI未来走向的关键判断。我们将其中核心观点提炼出来，一同审视。

对AI未来的能力十分乐观

在吴恩达看来，尽管生成式AI和大型语言模型热度很高，但现有能力远未在真实应用场景中得到充分释放。他认为，人工智能本身是一项通用技术，已经走得很远，只是部分进步才刚刚浮现。未来几年内，我们能依靠AI完成的任务将迎来爆发式增长。

当然，瓶颈同样存在。GPU算力与推理能力是当下落地AI应用的明显障碍，尤其对于那些拥有创意、原型且看到明确ROI的项目，高昂的硬件成本往往让进程卡在半路。不过吴恩达对此持乐观态度。他相信，无论是GPU还是其他类型的芯片，背后都有极其强劲的经济动力去推动供应问题的解决。

他表示，好的创意从来不缺，能驱动ROI的项目也大量存在。他确信，这类落地障碍在未来一两年内将被突破。一旦芯片供应链改善、更优硬件上线，AI训练与推理成本将呈现断崖式下降。

ARK报告中也提供了参考数据：训练成本每年下降75%，推理成本每年下降86%。这样的降幅又将催生新一轮迭代创新。

未来几年AI应用将大规模增长，新技术也在持续积累。许多当前大模型已能实现的功能，实际上尚未真正渗透商业市场。一旦商业模式得到验证并跑通，AI应用开发的效率将大幅提升。同时，模型架构本身的持续优化也会让性能跃升一个台阶。

自然语言的革命首先从大语言模型爆发，图像处理的革命会稍晚一些。但他特别强调，这场革命的本质不仅在于生成，更在于分析。未来几年，AI不仅在文本分析上愈发成熟，在图像分析领域同样将取得长足进步。

不过他也点出了一个关键问题：我们需要明确AI能做什么、不能做什么。AI是一项通用技术，可覆盖医疗、金融、物流、教育等各行各业。但问题在于，没有人能同时成为所有这些领域的专家。那些想开发AI应用的人，必须与熟悉行业know-how的人合作。只有将通用的AI技术与垂直行业的专业知识结合起来，才能打造出真正独特的产品。

从实操层面看，AI已被大量用于工业自动化和重复性任务，许多企业正在重新设计自己的工作流。AI显然在改变当今每一位知识工作者的工作方式。吴恩达认为，在这一点上，生成式AI所能提供的工具和选择，将远远超出我们目前的想象。

最后，也避不开那个老话题：人工智能与人类智能，本质上是两种物种。吴恩达直言，两者各有其价值。我们总是喜欢将AI与人类智能放在天平上比较，这无可厚非。但人类智能极为独特，想让AI做到人类能做的所有事几乎不可能——当然，我们仍会继续朝这个方向努力。

看好Agentic Workflow

谈到具体路径，吴恩达对Agentic Workflow的推崇才是今天的重头戏。

他拿写文章打了个比方。如果你对一个人说：“我要你写一篇指定主题的文章，一次性打完发给我，不得修改。”虽然人确实可以这样写，但说实话，没人能用这种方式写出真正的好作品。真正优秀的创作思路，永远是反复迭代的——先列大纲、再做调研、写初稿、然后批判性地修改。这一系列工作流才能让我们产出更优质的产品。

Agentic Workflow所做的就是将每个环节拆解，然后分别完成。吴恩达表示，许多应用在引入Agentic Workflow后，准确性都得到了巨大提升。当然，工作流的瓶颈也在此：因为每次用户与系统交互，都可能需要多次调用大模型，这要求推理速度必须极快，才能达到令人满意的用户体验。

AI Agent真正强大的地方在于其具备自我批判的能力。在运行工作流的过程中，它能检查每一步的对错，并主动修正错误。

吴恩达举了一个亲身经历的案例：他曾开发过一个在线撰写调研报告的Agent。有一次在斯坦福大学给小组做演示时，网页搜索的API调用意外失败。结果那个聪明的Agent发现自己无法搜索网页，竟自动转向维基百科搜索作为替代方案。

连吴恩达本人也忘记了自己同时为Agent赋予了联网搜索和维基百科搜索两种能力。而那个Agent自己判断出路径A走不通，就自动切换到了路径B，最终成功完成了那次演示。

AI Agent当然也会出错，也有缺陷。但关键在于，Agentic Workflow一旦在某一步发现错误，它能精准定位错误点、自我批判、自我修正。这恰恰使整个系统比单次调用的模型稳健得多。在这个层面上，Agent与人类十分相似——我们做事通常一两次不成功，但不断反思、批判和修复的能力，才是让思想和行动逐渐强大的根源。建立在现有模型上的Agentic Workflow，完全可以帮助我们在商业落地上迈出巨大的一步。

快速推理的重要性

谈到技术路径，吴恩达的观点很有意思。他并不认为未来必须要有比Transformer更好的模型架构才能支撑Agent。当然，更优的架构是锦上添花，但真正改变游戏规则的，是快速推理以及token的即时生成。

现在许多大公司投入数十亿、上百亿资金在GPU上搞训练，这当然重要，因为它是获得大模型基础（无论是闭源还是开源）的根本。但吴恩达观察到，如今越来越多AI应用的实际瓶颈已不在训练端，而在于推理速度不够快。举个例子，当Meta发布Llama-3-70B的开源模型后，如果我们能把其推理速度提升10倍，那对Agent的运行体验将是天翻地覆的。

更快的token生成是真正的规则改变者。用户使用你的应用程序，如果能在一分钟内拿到结果，绝不会愿意等上二十分钟。快速生成廉价token，比琢磨复杂架构，在当前阶段可能更务实、更见效。

这也正是Meta一直在做的事情：将更多信息压缩到参数更小的模型中。参数变小，运行更快、更便宜。延迟降低、推理成本下降，性能和成本曲线便形成正向循环。

从这个角度看，AI应用层的竞争可能反而比底层模型层的竞争小一些。生成式AI时代一个最迷人的特点，就是开发成本比以前低了太多太多。你完全可以在一天之内搭建出一个令人眼前一亮的Demo。只是后续的数据收集与效果评估，才是真正耗费时间的地方。

这里也引出一个有趣的问题：模型效果的评估，直接影响人们是否愿意切换模型。许多开发者宁愿坚守一个不一定最好但已经测试成熟的模型，也不愿贸然更换一个未充分评估过的。不过，吴恩达注意到，现在越来越多的人开始建立更高效的模型评估方法，使大家能够更准确地从不同模型中萃取经验。

当各种模型的表现几乎没有差别时，开发者的最终选择标准会变得非常简单——谁最便宜，就用谁。因此，高效的评估方法能让人们更清晰地在多个模型之间做选择，从价格、性能、速度等多个维度，选出最适合具体任务的那一个。

开源和闭源的思辨

最后，吴恩达聊到了那个绕不开的辩论：开源 vs 闭源。

他的态度非常鲜明。他认为更多的开源能让世界变得更好，让更多人享受到技术进步的好处。反过来，他直言闭源实际上很危险，不利于创新，也不利于形成开放的全球LLM供应链。开源带来的好处，远大于闭源可能造成的伤害。

反对开源一方的论点通常集中在几个方面：开源会分散那些投入巨资训练大模型者的利益；开源会增加AI的不安全性，不利于国家安全等等。但吴恩达觉得，这些论点已经逐渐失去实质性的说服力。

在他看来，有趣的是，开源有利于构建健康的全球AI供应链，而且技术背后往往折射出一个国家开发者的价值观。比如，像Google Docs这种开放协作的工具，反映的是开放的价值观；而端到端加密的通讯，则体现的是重视隐私的价值观。如果民主国家不积极参与LLM供应链的构建，那么其他国家自然就会填补这个空白。吴恩达希望未来的大型语言模型能反映出民主社会所倡导的价值观。

另一个凸显开源价值的例子是Llama-3最初的版本，上下文窗口长度十分有限，但由于它本身是开源的，世界各地的开发者可以自行修改其不足。从商业角度看，这完全是理性的。Meta的战略就是确保在AI生态系统中存在一个开源基础模型，然后在此基础上继续发展——就像苹果的iOS为应用开发者提供的平台一样。相比之下，Meta并没有强烈的动机将自己的模型闭源起来去卖API调用。这是一种非常理性、非常清晰的商业决策。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：吴恩达持续看好Agentic Workflow要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题