AI创业致胜之道 天下武功唯快不破 ｜ 半扩散工作室 #43
一天做出俩AI产品的年轻人，让我开始怀疑创业这件事的门槛了
最近作为导师参与了一个中关村的大模型Hackthon（👉👉👉 link ）。
很多参赛团队从早上9点到下午5点，硬是做出了两个可以跑起来的产品原型。那种“边做边卖”的速度感，刷新了我对AI创业的理解。
现场照片👇
这让我对吴恩达的最新视频有了更强烈的体会和共鸣。人工智能科学家吴恩达（Andrew Ng）在这场面向 创业者的 YC分享中，以他在 AI Fund 每月孵化一家初创公司的丰富实战经验为基础，深入剖析了在当前 AI 浪潮下，创业公司如何获得成功的关键要素。他强调，在技术日新月异的今天，执行速度是预测一家创业公司成功与否的最强指标。（B站：https://www.bilibili.com/video/BV1TauczXE1j/）
几点个人体会：
速度，速度，速度。不是制造焦虑，而是技术已经成熟了。有的组在一天的时间里面（从早9点到下午5点），做了两个产品的原型，而且都已经有了真实用户在使用。
当原型成本降低，sell产品的能力变得越来越重要。新一代的创业路径，很可能是“视频先火、产品再做”。做一个视频演示，观察真实反馈，再迭代开发真正的产品。换句话说，你的视频才是MVP。
idea 不够具体（concrete），你就永远跑不快。
一定会有全新的孵化模式。
下面再附上分享吴恩达的演讲的解读。
1. 机遇所在——应用层与代理式 AI 的崛起
最大的机遇在应用层
尽管半导体、云服务和基础模型层备受关注，但从价值链来看，应用层必须产生足够大的商业价值，才能支撑起整个技术栈的成本。因此，对于绝大多数创业者而言，最大的机会蕴藏在构建实际应用的层面。
代理式 AI (Agentic AI) 是核心技术趋势
相比于一次性生成内容的传统模式，代理式 AI 引入了迭代和规划的工作流。它能像人一样，先构思大纲、研究资料、撰写初稿，然后进行自我批判和修改。这种“思考-行动”的循环虽然更慢，但产出质量远超前者，是解决复杂问题的关键，也是未来构建有价值业务的核心。
2. 加速第一引擎—具体化的想法
创业的速度始于一个可以被执行的想法。
模糊想法扼杀速度
诸如“用 AI 优化医疗”这类想法过于宽泛，团队无法据此展开有效工作。模糊的想法虽然听起来总是“正确”的，但无法被快速构建和验证。
具体想法驱动执行
“开发一个软件，让病人在线预订 MRI 以优化设备使用率”——这是一个具体的想法。无论它最终被证明是好是坏，团队都能立刻动手，快速得到市场反馈。具体性是速度的购买证。
依赖“专家直觉”快速决策
在创业初期，数据获取往往是缓慢的。一个对行业有长期深入思考的专家（Subject Matter Expert）的“直觉”，在很多时候是比数据更快速、也惊人准确的决策工具。
3. 加速第二引擎—颠覆性的 AI 编程
AI 编程助手正在从根本上改变软件开发的模式，极大地提升了工程速度。
原型开发速度提升 10 倍以上
对于验证想法的快速原型开发，AI 助手带来的效率提升是数量级的。你可以暂时“不写安全的代码”（只要它运行在本地），快速搭建出产品原型来测试核心价值。
代码不再是“神圣”资产
由于构建成本急剧下降，代码的价值也随之降低。创业团队可以更大胆地进行重构，甚至在几周内推倒重来。
“单向门”决策变为“双向门”
过去，选择技术栈、设计数据库模式等是“单向门”决策，一旦做出就极难回头。如今，这些决策更像是“双向门”，如果发现错误，推倒重来的成本已大大降低，这赋予了团队更高的灵活性。
4. 应对新瓶颈——高效的产品反馈循环
当工程速度大幅提升后，新的瓶颈出现了：产品管理和用户反馈。
产品经理与工程师的配比正在改变
过去，一个产品经理（PM）可能对应 6-7 个工程师。随着工程师效率的飙升，现在甚至出现了 1 个 PM 对应 0.5 个工程师的团队提案。这说明“决定做什么”正变得比“去实现它”更具挑战性。
获取反馈的策略组合
创业者需要一个从快到慢、从粗到精的反馈获取策略库：
最快：创始人/专家自己的直觉判断。
稍快：找 3 个朋友或同事试用。
再慢些：在咖啡馆或酒店大堂找 3-10 个陌生人获取真实反馈。
更慢：向 100 个测试者发送原型。
最慢：进行大规模 A/B 测试。
反馈的核心目的
获取数据不仅是为了做选择，更是为了磨练和校准你自己的产品直觉，让你能更快地做出高质量的决策。
5. 终极加速器——深入理解 AI 技术本身
在 AI 时代，对技术本身的理解深度直接决定了你的前进速度。
避免在“错误的技术路线”上浪费时间
在 AI 领域，一个错误的技术选型（例如，应该用 fine-tuning 还是 RAG）可能会让你在死胡同里浪费数月时间，而正确的决策可能几天就解决了问题。这种决策带来的速度差异不是两倍，而是十倍甚至更多。
组合创新的指数级效应
AI 提供了大量强大的“构建模块”（Building Blocks），如 Prompting、RAG、Fine-tuning、Guardrails 等。你掌握的模块越多，你能创造出的新应用的组合方式就呈指数级增长。这让你能够构建出在一年前还无法想象的复杂应用。
保持技术栈的灵活性
构建系统时，应使其能够轻松切换不同的基础模型或工具提供商。通过建立自己的评估体系（Evals），当有更好的模型出现时，可以快速切换，始终保持在技术的最前沿。