Andrew Ng

資料來源#

• Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think
• China, Open Source & AI Competitiveness — Andrew Ng
• Thread by @AndrewYNg

摘要#

他是機器學習領域最廣受閱讀的教育者與實務工作者之一：Google Brain 創始主管、Coursera 共同創辦人、Baidu 前首席科學家、DeepLearning.AI 和 Landing AI 創辦人、AI Fund 管理合夥人，也是 Stanford 兼任教授。他撰寫 The Batch，這份週刊是業界流傳最廣的實務工作者刊物之一。在 X 上使用 @AndrewYNg 名稱。

本 wiki 透過三個來源認識他：2026 年 6 月一篇同步發布於 X 的文章，談他如何用 coding agents 打造 0 到 1 產品；2026 年 7 月一場 Washington Post 政策訪談；以及 2026 年 8 月一場面向大眾、談工作、學習與 AGI 的訪談。

2026 年 6 月的文章#

這篇文章回應「迴圈工程」在 Boris Cherny 和 Peter Steinberger 爆紅後成為流行語的現象——迴圈工程 正是以兩人的同一段引言為基礎。Ng 指出，大家都在最佳化其中一個迴圈，但產品實際上由三個迴圈構成。

• AI 原生建構的三個迴圈 — 代理程式編碼迴圈（由代理程式閉合，以分鐘計）、開發者回饋迴圈（由人類閉合，以數十分鐘到數小時計）、外部回饋迴圈（由市場閉合，以數小時到數週計）。每一個外層迴圈都比其內層迴圈慢一到兩個數量級。「這些迴圈不只指引我如何建構軟體，也指引我決定要建構什麼軟體。」
• 情境優勢，而非品味 — 這是文章中最犀利的一句，也直接重新界定了 wiki 的核心未解問題。「許多人把人類的這項貢獻稱為『品味』，但我更願意把它視為人類擁有情境優勢，因為這讓我們更清楚知道如何協助 AI 系統變得更好……只要人類知道一些 AI 不知道的事，就需要有人類參與其中。」
• QA 是消失的工作。「去年，許多開發者（包括我）都在替編碼代理程式執行 QA……隨著編碼代理程式更能測試自己的程式碼，我們需要花在這項工作的時間已大幅減少。」人類是從 QA 職務升任離開，而不是被移出迴圈。這與驗證成為新的瓶頸以及 Faros 的遙測資料相反；範圍差異（個人 0 到 1 建構與正式環境組織）可能是調和兩者的關鍵。
• 評估是事後反應，不是預防措施。「如果你發現系統反覆遇到某些問題，為代理程式建立一組評估就會很有用。」這比把 Cat Wu 所說的「十個優秀評估」當成規格更便宜，也更省事。
• 工程師轉向產品工作。「愈來愈多工程師開始承擔部分產品管理工作……最難的是形塑產品願景，並在建構和取得使用者回饋之間取得平衡。」這是工程師與產品經理角色融合的第三個獨立觀察，也點出具體的失敗模式：工程師會把自己喜歡的迴圈跑過頭。

他舉的例子是週末替女兒打造的打字練習 app。編碼代理程式能在無人看管下工作，「大約一小時，用網頁瀏覽器多次檢查自己建構的內容，之後才回來找我。」這是軼事，不是測量結果——文章中的所有內容都屬於 practitioner-opinion。

2026 年 7 月的 Washington Post 訪談#

他與 James Hohmann 進行了 30 分鐘對談，屬於 Post 的 Building America 系列（China, Open Source & AI Competitiveness — Andrew Ng，發布於 2026-07-29）——這是 wiki 收錄的第二個 Ng 來源，語氣與第一個不同。6 月的文章是建構者談自己的迴圈；這次則是 Ng 提出政策論述，也是他在本資料集中最具對抗性的表現。

• 開放權重作為競爭策略 — 核心主張，並有專屬頁面。「要維持美國的競爭優勢，我們最重要的工作之一，就是支持並維持開放模型。」他指控「少數企業」遊說宣稱開放模型很危險——「我認為這是錯的」——同時也揭露一項可能指向相反方向的利益衝突：他是「Sam 和 Dario 都曾為其工作過的唯一一個人」，並表示希望 OpenAI 和 Anthropic 成功。
• **否定蒸餾是成果歸因的解釋。**他認為以蒸餾解釋中國開放模型的進展「被嚴重誇大」，並以時間先後具體反駁 Kimi K2 是從 Fable 蒸餾而來的說法；他也刻意留下公平性上的對稱問題（每家實驗室最初都蒸餾過網路資料）。
• OpenWorker — 他與 Rohit Prasad 共同推出的開源桌面代理程式，發布時間比這次訪談早幾天。它被定位為 Claude 的 Cowork、ChatGPT 和 Gemini Antigravity 的替代選擇，主打「任何人都能使用的免費開源版本」，而不是在能力上與對手競爭：「我其實很期待像……」他正面肯定地提到這三個競品。差異化主張與 Cowork 相同——產出是完成的工作，而不是聊天：「它能產出完成且精緻的文件，而不只是給我一些可以複製貼上的內容。」
• 沒有工作末日，軟體業是先行指標。「軟體工程職缺正在增加……這個產業健康且持續成長。」他將此推廣為預測，認為大多數職業類別需要的是新技能，而不是更少的人。AI 支出強度與員工人數成長中的 Indeed 資料在方向上支持此說法，但如該頁所述，這種說法沒有區分組成變化。
• 代理程式就緒資料是被低估的建置工作。「讓你的資料架構為代理程式做好準備」——代理程式存取資料的頻率遠高於人類，方式也更紊亂，因此真正的限制是自動化介面，而不是儲存空間。他用身份驗證說明：「我不能每 60 秒就讓它停下來，還要我輸入密碼。」請參見代理程式身分與驗證。
• **應用層勝過基礎設施層。**他用 Cisco 作類比，說明 AI 價值會在哪裡累積；此說法記錄於AI 投資故事，而非效率故事。

訪談所有內容都屬於 practitioner-opinion，沒有提供測量結果；逐字稿由自動字幕產生，其中一句涉及美中能力差距的話語不清，不應引用（概念頁已標記）。

2026 年 8 月的 Silicon Valley Girl 訪談#

這是一場與 Marina Mogilko 進行的 38 分鐘 YouTube 訪談（Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think，發布於 2026-08-28，一週後約有 812K 次觀看）——這是 wiki 收錄的第三個 Ng 來源，也是三場訪談中最面向大眾的一場：創作者經濟頻道、中間插播贊助商口播，問題也面向焦慮的觀眾，而非政策制定者或建構者。這種語境讓訪談格外有用：Ng 明確說出另外兩個來源只暗示的立場，並為其提供數字與具體名稱。

• **散播恐懼是為了監管俘虜。**WaPo 訪談中「遊說是錯的」這句話，在此變成一條因果鏈：「不幸的是，大約兩三年前開始出現一種……公關與監管俘虜的作法」——少數投入數十億美元訓練模型的實驗室覺得「如果有人訓練出另一個模型，還想免費提供給全世界任何人使用，真的很不方便」，於是散播恐懼，「推動通過法規，創造有利於現有業者的不公平競爭環境。」他稱核武器類比是「毫無事實根據的類比」，資料中心用水的說法則是「錯誤資訊」，並指出代價：「這正在拖慢美國採用 AI 的速度。」內容記錄在開放權重作為競爭策略。
• **工作末日論的算術。**他引用 Erik Brynjolfsson 和 Andrew McAfee 的任務拆解：「AI 也許能做……許多工作中的 30% 到 40%，這代表人類負責的 60% 反而更有價值，因為這叫作經濟互補。」他預測的取代發生在同一職業之內：「使用 AI 的人會取代不使用 AI 的人。」可對照知識庫在暴露分類：觀察、理論、報告、預期整理的實測暴露數字，以及組織中的 AI 互補效應的互補論點；他 7 月談職缺的說法再次出現，但這次附帶一個條件：「如果有人還像 2022 年、ChatGPT 出現之前那樣寫程式，他們就會陷入困境」（AI 支出強度與員工人數成長）。
• 「AI 模型不利於學習。」「學生使用 AI 時，家庭作業分數會比較高……但記憶保留和長期表現差得多，因為 AI 替他們做了工作。」他限定了範圍——「最常見的 LLM 使用方式」——也坦承自己如此：六個月前才問過模型前端和後端元件如何運作，「我又問了一次 AI。」他以 Coursera 共同創辦人的身分宣布推出 LearnVector，這是一個由他領導的新組織，旨在打造「更接近一對一，而非一對多」的學習體驗；主持人稱 Coursera 投資了 $100M；「明年初會有更多成果公布。」知識庫中的隨機對照證據顯示，他對自動化模式使用的判斷正確，但概括推論則不成立——參見生成式 AI 對學習的實驗影響以及認知公地的悲劇。
• **情境優勢，論述更堅定。**6 月的文章將人類優勢描述為能夠填補的落差；在這裡則稱之為「長期優勢，沒有人能在……幾年內解決」，並明確連結到 AI「短期內不會取代我們的工作」。同一作者說法的變化記錄於情境優勢，而非品味。
• 用 AI 建構，成為招聘門檻。「我所有的行銷人員都會寫程式。所以面試行銷人員時，我們會問他們做過什麼。」他舉的例子包括：一名行銷人員的桌面 app，在他寫作時搜尋相關工作；一位 CFO 編寫指令碼來開啟檔案、檢查一致性並標示異常；以及嵌入招募團隊的「招募工程師」。他概括為「招募工程師、行銷工程師、人資工程師」，並指出團隊的 AI 工程技能地圖顯示，職務說明愈來愈常要求「高度主動性」；這些都與工程師與產品經理角色融合、角色混合，而非角色消失及印刷機帶來的軟體民主化相關。他也說出取代建構工作的瓶頸：「產品管理瓶頸」——決定要建構什麼（Implementation Abundance Inverts Product Work、AI 原生建構的三個迴圈）。
• **隱私：信任超大規模雲端服務商，敏感非公開資訊留在本機處理。**他信任最大的超大規模雲端服務商會遵守服務條款，並表示「至少有一家公司我不會說名字……似乎偶爾會更改服務條款」，以便保留或使用資料訓練。他的顧問公司 AI Aspire 與銀行合作；銀行不會把重大非公開資訊交給前沿實驗室，「除非仔細思考防護措施和隱私問題」。至於他自己的重大非公開資訊，他「只使用本機模型」——也就是開放權重模型，並建議不要太依賴任何一款：「這些模型每隔一週就會變一次」（開放權重前沿差距）。
• **失去控制是工程問題。**被問到 Yoshua Bengio 的警告時，他說：「我想到的是另一種我們無法控制的東西，那就是飛機。」沒有人能完美駕駛飛機，早期飛機也曾墜毀；後來形成的工程紀律——「仔細地逐步提升能力，讓我們能在受控環境中測量問題，再設法調整」——正是讓一切「從飛機到電路，再到現在的 AI」都能被控制到「不會讓失控聽起來像科幻小說」的程度。非自願的深偽影像是他主張應直接禁止的例外。
• AGI：還要幾十年，且經濟誘因會拉低門檻。「能執行人類任何智力任務的 AI」——例如花五年攻讀博士論文，或只練習「幾十分鐘」就學會在雨林中開卡車——「距離仍很遙遠……我覺得要幾十年。希望只要幾十年。」此外，在與 Microsoft 的協議下，「OpenAI 曾有經濟誘因提早宣稱達成 AGI」，該協議後來已重新協商；只要把門檻降得夠低，「三十年前也完全可以說已經達成 AGI。」內容記錄於人工超級智慧（ASI）。

所有內容都屬於 practitioner-opinion；聽起來像實證的說法（例如「資料非常明確」）沒有附上來源，逐字稿則由自動字幕產生，並推定了講者標籤。原始檔的註記區列出每一處修正。這次有兩項利益衝突，且都與他的主張方向一致：LearnVector 銷售他所診斷的學習問題解方，而「散播恐懼以取得監管俘虜」的論述，則出自一位開放權重倡議者與應用層投資人。

延伸關聯#

• 開放權重作為競爭策略 — 他最鮮明的政策立場，也是 wiki 收錄開放權重競爭力論述的主頁
• AI 原生建構的三個迴圈 — 他的分類；wiki 用來整理迴圈工程未涵蓋之處的地圖
• 情境優勢，而非品味 — 他將人類剩餘角色重新界定為資訊不對稱，而非某種能力
• 迴圈工程 — 他正在定位並界定其範圍的工作方法；他認為這個名稱由 Boris Cherny 和 Peter Steinberger 提出
• 工程師與產品經理角色融合 — 在 Cat Wu 和 Boris Cherny 之後，第三個獨立視角談到相同的角色融合
• 研究品味是人類瓶頸 — 他談「情境優勢」時所主張的頁面，認為問題本身問錯了
• Andrew Ambrosino — Ng 發布迴圈分類的同一週，他發表「迴圈已經過時一週了」；只有混淆 harness 迴圈與產品迴圈，兩人的看法才會互相矛盾
• 生成式 AI 對學習的實驗影響 — 他稱 AI「不利於學習」；隨機對照證據證實自動化模式使用有此問題，但不支持增強模式使用也有同樣問題
• 組織中的 AI 互補效應 — 他以 30–40%／60% 計算互補效應，並從部署者角度提出互補論點：「AI 的商業成果取決於企業本身」
• 人工超級智慧（ASI） — 他將 AGI 定義為能執行任何智力任務、認為時間尺度是「幾十年」，並主張契約因素會拉低門檻
• 角色混合，而非角色消失 — 全端開發者、全週期行銷人員與招募人員：從雇主角度主張職務範圍擴大
• 印刷機帶來的軟體民主化 — 他提出會寫程式的行銷人員，作為領域專家成為建構者的實務案例

資料來源#

• Thread by @AndrewYNg — Andrew Ng，The Batch（2026-06-30），摘錄自 X（practitioner-opinion）
• China, Open Source & AI Competitiveness — Andrew Ng — Andrew Ng 接受 James Hohmann 訪問，Washington Post Live「Building America」（2026-07-29，30:39），practitioner-opinion。攝取時已套用 ASR 專有名詞修正的自動字幕逐字稿；一處難以辨識的句子標記為 [sic]
• Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think — Andrew Ng 接受 Marina Mogilko 訪問，Silicon Valley Girl（YouTube，2026-08-28，37:51），practitioner-opinion。自動字幕逐字稿（en-orig）以 29 項逐條列出的 ASR 修正進行無損清理；根據對話輪次標記和問答結構推定講者標籤；片頭剪輯、HubSpot 贊助口播和電子報宣傳均標示為主持人發言，並非 Ng 的原話