吴恩达谈AI未来：Agentic Workflow、推理成本下降与开源的优势

本文主要是介绍吴恩达谈AI未来：Agentic Workflow、推理成本下降与开源的优势，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

近年来，人工智能（AI）领域的发展势如破竹，然而随着技术的普及，市场也开始出现对AI泡沫的质疑声。2024年8月，AI领域的权威专家吴恩达（Andrew Ng）在与ARK Invest的对谈中，分享了他对AI产业发展的乐观看法，并重点讨论了Agentic Workflow的未来、训练与推理成本的下降，以及开源模型的优势。本文将详细解析吴恩达的访谈内容，展望AI领域未来的发展趋势。

一、AI发展未到瓶颈，产业链才是真正挑战

首先，吴恩达针对近年来关于AI技术发展瓶颈的论调做出了回应。他指出，过去十年间，AI技术不断取得突破，大规模模型的发布一再证明了这些观点的错误。他对目前仍有人坚持“AI已遇瓶颈”感到惊讶，认为AI的技术发展仍有巨大潜力，产业的扩展空间也非常广阔。

然而，吴恩达指出，AI产业发展的挑战主要在于产业链的不完善，而非技术本身。当前，GPU的供应问题、人才不足等因素阻碍了许多潜在的AI项目落地。许多公司虽具备开发大型AI模型的能力，但由于硬件和人力资源的限制，导致项目难以顺利进行。吴恩达强调，一旦这些产业链问题得到解决，AI的落地速度将大幅提升，AI的应用潜力将得到全面释放。

二、Agentic Workflow：推动AI迭代的未来趋势

在访谈中，吴恩达特别强调了Agentic Workflow的潜力。传统的AI应用往往是一次性输入提示，然后输出结果。但吴恩达认为，这种方式并不符合人类的工作流程。与之相比，Agentic Workflow更类似于人类的写作过程，是一种反复迭代的工作模式。这种模式能够显著提升AI应用的准确性，特别是在复杂任务的执行上。

吴恩达分享了一个Agentic Workflow的实例：在一次斯坦福大学的演示中，由于网络搜索失败，Agent系统自动切换到了备用的维基百科搜索，最终确保了演示的成功。这表明Agent系统具备处理失败并自主修复的能力，而这种能力在未来有望进一步增强。

尽管如此，吴恩达也承认，Agentic Workflow目前仍面临推理速度瓶颈。AI应用往往需要反复调用模型进行推理，而这一过程耗时较长。吴恩达认为，提升推理速度将是下一波AI应用的关键。一旦推理速度大幅提高，许多应用的客户体验将显著改善，AI的广泛应用将变得更加可行。

三、训练和推理成本的下降：AI普及的关键

AI模型的训练和推理成本一直是阻碍AI普及的重要因素。吴恩达在访谈中引用了ARK Invest的报告，报告预测训练成本将每年下降75%，推理成本将每年下降86%。这一趋势将极大地推动AI技术的进一步创新和应用。随着成本的下降，越来越多的企业将能够负担得起AI技术，AI的商业化进程也将加速。

吴恩达特别强调了推理速度的重要性。他指出，在人类的阅读速度约为每秒6个token的情况下，AI需要生成和处理大量token，以适应复杂的工作任务。吴恩达认为，随着硬件技术的进步，推理速度的提升将成为未来几年内AI发展的重要推动力，这将直接影响到Agentic Workflow等应用的广泛普及。

四、MLOps与AI堆栈：推动AI持续进化

谈及MLOps（机器学习运维），吴恩达指出，这一领域在未来将发挥越来越重要的作用。MLOps不仅帮助企业更好地管理和部署AI模型，还推动了AI技术栈的不断进化。他提到，目前有许多云服务商正在开发用于编排AI模型的层次化服务，以便企业能够更高效地构建和部署AI应用。

除了MLOps，吴恩达还提到Agentic Framework这一即将出现的新框架，这个框架旨在提升AI应用的能力。虽然吴恩达没有深入探讨这一框架的具体细节，但可以预见的是，未来的AI应用将会在框架层面上得到进一步的优化，推动AI在实际场景中的应用和落地。

五、开源的力量：AI创新的驱动引擎

在讨论AI的商业模式时，吴恩达表达了对开源模型的支持。他认为，开源的力量远超闭源的短期优势，能够驱动AI技术的持续创新。Meta在Llama和PyTorch的开源项目上取得了巨大的成功，证明了开源模型的商业价值。吴恩达认为，开源不仅能够降低企业对竞争对手专有平台的依赖，还能促进整个AI生态系统的繁荣。

吴恩达对当前一些反对开源的呼声感到困惑。他认为，这种行为将会抑制全球的创新，尤其是对美国的AI产业造成负面影响。开源代表着全球技术供应链中的开放和共享文化，推动开源不仅能为企业带来商业价值，也能让世界变得更加美好。