Andrew Ng谈Agentic AI：真正的瓶颈不在模型，而在工程

在这期《No Priors》中，Andrew Ng从投资人和工程实践者的双重视角，系统拆解了Agentic AI的真实进展。他反复强调：AI的下一步突破，不取决于模型多聪明，而取决于工程纪律、数据流程和团队能力。

为什么“Agentic AI”值得被认真对待

在节目一开始，主持人就指出Andrew Ng拥有“极其宽广的行业视角”，而这正是讨论Agentic AI（具备目标感、可自主拆解任务并执行的AI系统）的理想切入点。Ng提到，他很早就使用“agentic AI”这个说法，但现实进展“可能没有市场营销描述得那么快”。这一判断很重要，因为它直接戳破了当下对智能体的过度想象。

Ng强调，Agentic AI并不是某个模型参数突然变大后的自然产物，而是一整套系统能力的组合：模型、工具调用、记忆机制、反馈回路，以及最容易被忽视的工程约束。他的核心洞见是：行业里讨论“能不能做”，但真正决定成败的是“能不能稳定、可控地运行”。这也是为什么他反复提醒创业者，不要被炫目的Demo误导。

他用一种近乎冷静的语气指出：AI进步从来不是单一路径，会“有多种方式同时推进”。这意味着，Agentic AI不会由某一个突破性论文统一解决，而更像是长期工程积累的结果。这种判断，来自他多年横跨学术、工业和投资一线的经验。

真正的难题：工程纪律，而不是灵感

当话题转向“最大的障碍是什么”时，Ng的回答非常明确：不是模型能力，而是工程流程本身。他直言，构建可用的AI系统，需要一种“有纪律的工程过程”，而这恰恰是很多团队最薄弱的地方。

在他看来，今天很多人把快速原型当成工程本身，这也是他明确表示自己并不认同“vibe coding”这个说法的原因。在节目中，他将其描述为“工程只是被非常快速地做完”，但缺乏系统性验证、监控和迭代机制。这样的方式或许能做出演示，却难以支撑真实世界的复杂需求。

Ng特别强调，工程中有大量“并不性感，但极其重要”的工作，比如错误处理、数据质量控制、失败回退机制。这些工作不会出现在发布会的幻灯片上，却决定了一个Agentic AI系统能否长期运行。他的判断是：谁能把这些基础工程做到位，谁就拥有真正的竞争壁垒。

资本主义擅长什么，不擅长什么

在一段颇具哲学意味的讨论中，Ng谈到了资本与研究的关系。他提出一个容易被误解、但非常关键的观点：如果“只从结果看”，资本主义在解决很多问题上是有效的，但它并不天然擅长基础研究。

这并不是对市场的否定，而是一种边界提醒。Ng认为，许多AI创业公司试图用商业速度去解决本应长期投入的问题，结果往往是工程妥协。他提醒创业者要清楚区分：哪些问题可以通过商业驱动快速推进，哪些问题需要耐心和长期视角。

这个判断与他在AI Fund的投资逻辑高度一致：真正有潜力的团队，往往对技术边界有清醒认识，而不是盲目追逐热点。他认为，这种认知差异，会在三到五年后拉开巨大差距。

团队能力与产品瓶颈：为什么自动化没那么快

当主持人问到是否已经看到“自动化数据收集或工程流程”的成熟案例时，Ng的回应相当克制。他承认，一些环节确实在被工具化，但整体来看，“这件事比想象中更难完全自动化”。

原因在于，很多关键决策仍然高度依赖上下文理解，而这正是当前系统的弱项。因此，他在谈到团队建设时反复强调：做AI产品的人“必须真正理解技术”。这里的理解，并不是会调用API，而是知道模型为什么在某些情况下会失败。

他还指出，产品管理在AI项目中经常成为隐形瓶颈。很多团队低估了需求定义和反馈循环的重要性，结果把问题误判为“模型不够好”。在Ng看来，优秀的AI团队往往在这些看似传统的能力上，反而做得更扎实。

总结

这期对话传递的核心信息非常清晰：Agentic AI的未来，不取决于概念多炫，而取决于工程多稳。Andrew Ng用一贯冷静而务实的视角，提醒我们把注意力从“模型神话”拉回到系统建设、工程纪律和团队能力上。对创业者和技术管理者而言，这既是一种降温，也是一次方向校准。

关键词： Andrew Ng， Agentic AI， AI工程， 创业团队， No Priors

事实核查备注： 视频嘉宾：Andrew Ng；节目名称：No Priors；核心术语：agentic AI、vibe coding；讨论主题：AI工程流程、团队能力、资本与研究关系