最近读到一个挺有意思的观点，来自Google Brain那位创始人。他现在日常写代码，几乎全靠AI。甚至开玩笑说，飞机上要是没Wi-Fi，他都没法编程了。
与直觉相反的是，他的判断是，这场范式转变的受益者，未必是拥有最多资源的大公司，反而更可能是那些敢于从微小场景切入的小团队。
为什么这么说？原因有三：AI辅助编码，让原型构建不再需要10人规模的工程师团队；开源模型搭配私有数据，只要组织得当，效果甚至能超越单纯堆砌参数；而最终的胜负手，也不在于参数规模，而在于能否精准击中真实需求。
今天的竞争格局已经变了，关键不在于谁能造出更强的模型，而在于谁已经开始用AI实实在在干活。对小团队而言，机会就在这里。
第一节｜小团队的武器：先赢一个小场景
在这场讨论中，吴恩达先指出了一个普遍存在的误区。他在AI Fund孵化了很多创业项目，发现最难的根本不是控制成本，而是要先做出一个用户真心喜欢的产品。
不少创业者一上来就担心模型调用贵、推理成本高，这其实是把顺序搞反了。首要问题不是花多少钱，而是有没有做出一个让人愿意用、愿意留下来的东西。这一步如果还没走通，就急着优化成本，属于本末倒置。很多时候，当我们真的找准了产品方向，即便成本开始上升，也总能找到办法把它降下来。
所以，对于想做AI产品的小团队来说，第一步不是找融资，也不是烧算力，而是找到一个明确、具体的小场景，先把结果做出来。
基于这个思路，他特别强调了两点。
第一是保留选择权。在一开始做架构设计时，多做一点点额外工作，为将来切换模型留好接口。不要一上来就绑定某个模型或平台，要让系统有替换的余地。今天用GPT，明天可以换成Claude、Gemini或者开源的Qwen，只要业务逻辑清晰，换模型就不是什么难事。
第二是控制数据。现在许多SaaS产品，本质上是在企业内部建立了一个新的数据孤岛。用得越久，被锁定的程度就越深。必须警惕的是，AI产品真正的核心资产，其实是你自己的数据。如果这些数据存放在别人的平台上，每次调用都要付钱、申请API密钥，那你构建的就不是护城河，而是围墙。托管数据是必要的，但如果你能控制自己的数据，让供应商在你的环境里操作，而不是把数据送出去，主动权会大得多。
这也解释了为什么开源模型加上自有数据，对小团队尤其重要。你没有预算去签昂贵的API，也等不起封闭模型的缓慢迭代。而开源模型的优势在于灵活可控，更适合快速验证一个小场景。
别想着先做最大的，也别追求完美，要先找到那个能用起来、能跑通的第一个真实任务。在AI渗透每一行每一业的时代，小团队的机会从来不在面面俱到，而在于做小、做快、做真实。
第二节｜代码门槛消失，每个人都可以是开发者
小团队能快速验证场景，还有一个关键原因：开发的门槛正在消失。
吴恩达在会上讲了一个很小的细节。前一天晚上他要从机场飞回旧金山，登机前收到通知：飞机上没有Wi-Fi。他的第一反应不是不能看电影，而是：糟了，在飞机上没法写代码了。
全场听到这话都笑了。但他紧接着补了一句：这让我意识到，我已经非常依赖像OpenAI Codex和Claude code这样的AI编码工具了。而这，正在成为一种常态。
过去，写代码是工程师才具备的技能。但今天，在他看来，用AI写代码正在变成一种普通人也能上手的能力。这就是所谓的Vibe Coding：你只需要告诉AI你要实现什么，AI会写出第一版，然后由你来修改或微调。
他说，现在是开发你喜欢的产品的最好时机，因为你可以在更短时间、用更少成本完成它。会用AI编码的人，已经不只是程序员，还包括CEO、产品经理、市场人员，他们都能更快地完成任务。
正因如此，开发能力正在变得普及，变得像使用Excel或画图软件一样自然。真正的门槛，已经从会不会写代码，变成了敢不敢开始。
他甚至提到，大学里计算机专业的失业率正在上升，不是因为市场不需要写代码的人，而是大学还没有及时调整课程，去教学生如何用AI写代码。他自己也面临着同样的问题，连他也招不到真正懂AI写代码的人。
所以在他看来，谁能更早掌握AI写代码，谁就能更快地落地想法。现在，不少开发者每月为AI编程工具付费数百甚至上千美元，就是因为产出速度比以往提升了数倍。而且他发现，当开发者用AI解决自己的真实问题时，效果往往最好。
这同样解释了为什么小团队更容易从AI编程中受益。他们不是为了别人的需求写代码，而是在解决自己遇到的真实问题。不是因为他们更聪明，而是因为目标更明确，也更敢于和AI协作。
对每一个想做产品的人来说，问题已经不再是我会不会编程，而是：我开始用AI编程了吗？
第三节｜智能体是干活的工具，不是展示品
前面谈的是AI写代码如何让人人都能动手做开发，这一节则把话题推向了真正能落地的方向：智能体该干什么，该怎么干活。
过去几个月，我们见过太多关于智能体的概念、演示和营销话术。但吴恩达的关注点很简单：AI不是为了演示，是要替你干活。真正有价值的，不是你搞出一个会说话的聊天框，而是你能不能用智能体，解决企业里那些最没人愿意碰的事。
他举的例子很具体，也很现实：他特别关注PDF文件。这些是每个公司里最常见、也最难用的数据类型。每家公司都有大量PDF文档——财务报表、医疗记录、合同、物流清单，全都散落在系统角落里。他们公司就在做袋里式文档提取，可以自动从这些PDF里识别字段、提取结构化数据。
这并非未来，而是现在已经在用的流程。有公司把AI智能体接入后，自动识别几十页的财报表格，填入数据库，供后续分析。它不是替代人，也不是增强认知，就是干活。干那些以前需要人一页页点开、一行行复制粘贴的活。
主持人顺着这个话题开了个玩笑：他这一生中最强大的PDF搜索引擎，就是Command + F。吴恩达接话说，真的，有时候我们还得下载PDF，再自己找表格。而现在，智能体可以直接把表格提取出来，交给分析师，甚至直接调用后续工作流处理。
这就是对AI工具的一种重新定义：它不是一个看起来厉害的演示，也不是一个叠了几层架构的系统，而是一个能处理你真实业务流程中烦人任务的虚拟助手。而且他强调，这类智能体不是大公司专属，小团队反而更有优势。为什么？因为他们没有遗留的旧系统，不需要反复协调，只要一两个开发者和一个场景，就能把智能体接入进去。
所以，别再把智能体当作展示项目。真正的用法，是让它成为你业务里那个不抱怨、不下班、不请假的执行者。谁先把智能体接入工作流程，谁就能在局部场景里产生真实效率。
结语｜门槛降了，速度成了关键
纵观这场对话，吴恩达讲的都是实操层面的要点：找一个真实的小场景，先做出来；用开源模型加上自有数据，而不是等大模型降价；把数据抓在自己手里；会用AI写代码，现在就能动手开发了。
技术正在普及。AI产品的门槛，已经从技术能力变成了行动速度。小团队和大公司之间的差距，也正在从资源多少，转变为执行力强弱。
