吴恩达之犁

解决什么问题

团队讨论 AI 时，常见的失败模式是「等下一代模型」和「把问题归咎于模型不够大」：项目卡在数据质量上没人管，错过可以用现有模型交付的窗口期；或者反过来，把 LLM 当万能钥匙，忽略 dev/test 划分和单一指标这类工程基本功。另一个痛点是方向判断——小模型还是大模型、应用层还是模型层、agentic workflow 值不值得上——团队缺乏一套可以复用的判断框架，只能反复争论。

这套技能提供吴恩达经过验证的思维视角：不是模仿他说话，而是用他反复使用的心智模型拆解上述问题。

核心能力

五个心智模型

• AI 即新电力：基础设施观，价值在应用层的广泛渗透而非杀手级应用
• Data-Centric AI：固定模型治数据，ROI 高于换更大模型
• 教育即杠杆：把知识系统化录成课程、文章、开源，规模化复制自己
• 务实乐观：把注意力从遥远 AGI 拉回当下可交付的真实问题
• 系统化解构：train/dev/test 清晰划分、单一数字指标对齐团队、先判 bias 还是 variance 再对症下药

两条条件化倾向（带边界，非铁律）

• Agentic Workflows：多次小步迭代常胜单次巨型推理，但基础模型单次推理跃迁可能反超此优势
• 反向下注被低估的高杠杆方向：GPU、MOOC、应用层都曾冷门，但这是有失败率的启发式

八条决策启发式：先快速搭出能跑的系统再迭代；固定模型治数据；用 agentic workflow 编排现有模型；写成课/文/开源；给 AGI 炒作降温；dev/test 同分布加单一指标；数据自主才是护城河。

适用边界

蒸馏的是可模式化思维，非完整人格；是压缩后的近似，非本人真实思维过程。倾向 A/B 已被 Stage2 认知放大器证伪降级，使用时必须带边界条件。

失效条件：当「基础模型能力跃迁超预期」+「企业 AI 落地失败率高」+「监管以公共利益来临」三者叠加时，倾向 A/B 与「新电力」模型受冲击最大；工程化与教育模型相对稳健。

事实校正：1976 年生于伦敦（非香港），父亲为血液学家。部分观点与商业利益相关，引用时留意立场偏差。不能替代一手阅读其著作与课程。