Andrew Ng über die Ära der Künstlichen Intelligenz: Die Validierungsgeschwindigkeit ist die Wettbewerbsfähigkeit von Unternehmen, und es gibt immer noch zahlreiche Chancen auf der Anwendungsseite.

Am 17. Juni 2025 hielt Andrew Ng einen Vortrag an der "Artificial Intelligence Startup School" im Silicon Valley. Als angesehener Wissenschaftler und Praktiker auf dem Gebiet der Künstlichen Intelligenz hat Andrew Ng sich intensiv mit der Umsetzung von KI-Technologien und der Förderung von Startups befasst. Aufgrund seiner reichen Erfahrungen hat er ein gedankliches System entwickelt, das sowohl theoretische Tiefe als auch praktische Anwendbarkeit aufweist.

Im Rahmen dieses Vortrags behandelte er hauptsächlich die Wertverteilung im KI-Technologiestapel, die Logik bei Gründungsentscheidungen, die Evolution der Organisationsfähigkeiten sowie die Einsichten in die Essenz der KI-Entwicklung. Im Folgenden sind seine Kernaussagen aufgeführt:

1. KI-Technologiestapel: Die Anwendungsebene ist das kommerzielle Herzstück, und der Agenten-Workflow wird zur Schlüsselbrücke

Andrew Ng hat den KI-Technologiestapel in mehrere klare Ebenen unterteilt: die unterste Ebene mit den Halbleiterunternehmen, darüber die Anbieter von hyperskaligen Cloud-Diensten und noch darüber die Unternehmen, die auf KI-Basis-Modellen spezialisiert sind. Obwohl die Medienaufmerksamkeit oft auf die untersten Technologien gerichtet ist, hat er aus kommerzieller Sicht klar darauf hingewiesen, dass "der wahre kommerzielle Wendepunkt in der KI auf der Anwendungsebene liegt". Diese Einschätzung basiert auf einer einfachen, aber tiefgreifenden Logik: Nur wenn die Anwendungsebene ausreichend Einnahmen generiert, kann dies die Weiterentwicklung der Basis-Modelle, der Cloud-Computing-Technologien und der Halbleitertechnologien auf der unteren Ebene unterstützen. Andrew Ng betonte: "Jede Technologierebene bietet Chancen, aber die Anwendungsebene ist das Bindeglied zwischen Technologie und Markt und hat die höchste Wertdichte."

Er betonte insbesondere die revolutionäre Bedeutung des Agenten-Workflows: "In Projekten wie medizinischer Diagnose und juristischen Dokumenten, an denen AI Fund beteiligt war, war es oft der Entscheidungsfaktor, ob ein Projekt erfolgreich war oder scheiterte, ob ein Agenten-Workflow eingesetzt wurde oder nicht." Das traditionelle lineare Interaktionsmodell bei KI (Eingabe von Anweisungen → Erhalt eines Ergebnisses) wird zunehmend überholt. Agenten nutzen einen Zyklus aus "Gliederung - Recherche - Schreiben - Bewertung - Revision", der zwar langsamer als die lineare Ausgabe ist, aber die Qualität der Ergebnisse erheblich verbessert. Diese Workflow-Innovation birgt die Entstehung einer neuen Ebene im Technologiestapel in sich - die Agenten-Orchestrierungsebene (Agentic Orchestration Layer) - und wird zur Schlüsselbrücke zwischen Modellen und Anwendungen.

2. Die Konzentration auf konkrete Produktideen, die effiziente Validierung und die schnelle Iteration sind der Schlüssel zum Erfolg bei KI-Startups. Vermeiden Sie dabei eine zu frühe Optimierung und eine Verschwendung von Ressourcen.

Konzentrieren Sie sich ausschließlich auf konkrete Produktideen. Hierbei bedeutet "konkret", dass Ingenieure auf der Grundlage einer klaren Anforderungsbeschreibung sofort mit der Entwicklung beginnen können. Dies ist ein Prinzip, das Andrew Ng im AI Fund konsequent verfolgt hat. Er verglich zwei Beispiele: "Die Optimierung medizinischer Ressourcen mit KI" ist eine vage Idee, und Ingenieure könnten völlig unterschiedliche Produkte entwickeln. Im Gegensatz dazu ist "die Entwicklung einer Software zur Online-Buchung von MRT-Geräten für Patienten" ein konkretes Konzept, das Ingenieure sofort in Code umsetzen und die Entwicklung beschleunigen können.

Der Wert konkreter Ideen zeigt sich in drei Dimensionen: Erstens ermöglicht eine klare Richtung dem Team, die Entwicklungsprojekte mit vollem Tempo voranzutreiben. Zweitens kann unabhängig davon, ob die Validierung erfolgreich ist oder scheitert, schnell ein Ergebnis erzielt werden. Drittens stammen hervorragende konkrete Ideen oft aus der langjährigen Überlegung und tiefen Einsicht von Fachleuten in einem bestimmten Bereich.

Andrew Ng führte die Gründung von Coursera als Beispiel an. Er hat sich über mehrere Jahre mit der Online-Bildung befasst und sich wiederholt Gedanken darüber gemacht, wie man eine Bildungsplattform aufbauen kann, die tatsächlich Probleme löst. Nach langem Nachdenken erkannte er, dass Fachleute, die viele Jahre in einem bestimmten Bereich tätig sind, oft intuitiv und schnell hochwertige Entscheidungen treffen können. Er warnte Gründer: "Wenn Sie nach jedem Gespräch mit einem Kunden die Richtung ändern, bedeutet dies, dass Sie noch keine hochwertige konkrete Idee entwickelt haben. In diesem Fall sollten Sie Fachleute einbeziehen, um die Richtung zu bestimmen."

Erfolgreiche Startups sollten sich auf die Validierung klar definierter Hypothesen konzentrieren. Wenn die Ressourcen begrenzt sind, sollten sie sich auf eine einzige Richtung fokussieren und, wenn dies nicht möglich ist, schnell in eine andere Richtung wechseln. Das größte Risiko bei der Entwicklung liegt in der Akzeptanz auf dem Markt, und KI-gestützte Programmierhilfsmittel verändern den traditionellen Rückkopplungszyklus.

Die Softwareentwicklung gliedert sich in die schnelle Erstellung von Prototypen und die Wartung von etablierten Code-Bibliotheken. Letztere wird zur Validierung von Ideen eingesetzt, und KI kann die Effizienz um mehr als das Zehnfache steigern. Hierbei werden geringere Anforderungen an die Zuverlässigkeit des Codes gestellt. Die Wartung von etablierten Code-Bibliotheken kann Unvollkommenheiten tolerieren, und KI kann die Effizienz um 30 - 50 % steigern.

Heutzutage können Startups durch die Erstellung einer Vielzahl von Prototypen die Richtung auswählen. Da die Kosten für die Validierung gering sind, können fehlgeschlagene Prototypen akzeptiert werden. Gleichzeitig verbessern KI-gestützte Programmierwerkzeuge wie GitHub Copilot, Cursor, OpenAI o3 usw. kontinuierlich die Entwicklungseffizienz. Der generative Unterschied zwischen den Werkzeugen hat einen erheblichen Einfluss, die Wertigkeit von Code ändert sich, die Kosten für die Softwareentwicklung sinken, und die Neukonstruktion von Code-Bibliotheken wird einfacher.

3. Technologische Entscheidungen und Programmierfähigkeiten: Von "Eingangstüren" zur Notwendigkeit der Programmierung für alle

In Jeff Bezos' Theorie der "Eingangstürentscheidungen" (schwer rückgängig zu machen) und "Ausgangstürentscheidungen" (leicht zu ändern) gehörten in der Vergangenheit die Auswahl des Technologiestapels und der Softwarearchitektur zu den Eingangstürentscheidungen und waren schwer zu ändern. Heute ist es aufgrund von Faktoren wie KI zwar nicht vollständig wie eine Ausgangstürentscheidung, aber die Änderung des Technologiestapels und der Code-Bibliothek ist einfacher geworden und kann sogar neu geschrieben werden.

Selbst wenn KI in der Lage ist, Code zu schreiben, bleibt es wichtig, Programmieren zu verstehen. In der Vergangenheit hat die Vereinfachung von Programmierwerkzeugen die Anzahl der Entwickler erhöht. Heute sollten alle Mitarbeiter in einem Team die Fähigkeit zum Programmieren erlernen. Wenn alle Teammitglieder programmieren können, kann dies die Leistung verbessern. Beispielsweise können Teammitglieder durch präzise Anweisungen die KI steuern, um Bilder zu generieren. Der Kern besteht darin, zu lernen, die Anforderungen an den Computer klar auszudrücken. Das Anleiten von KI zum Schreiben von Code wird in Zukunft noch lange der effektivste Weg sein.

4. Aufwertung der Organisationsfähigkeiten: Transformation des Produktmanagements und effizientes Feedback-System

Der sprunghafte Anstieg der Ingenieurleistung zwingt die Organisation dazu, ihre Fähigkeiten aufzurüsten. Andrew Ng beobachtete einen deutlichen Trend: Das Produktmanagement wird zunehmend zum Engpass - Das traditionelle Modell, bei dem "ein Produktmanager 6 - 7 Ingenieuren zugeordnet war", wird überholt. In einigen Teams gibt es sogar die Konfiguration von "zwei Produktmanagern für einen Ingenieur". Dies ist keine Fehlzuordnung von Ressourcen, sondern darauf zurückzuführen, dass die AI-Tools die Effizienz der Ingenieure erhöht haben, während die Geschwindigkeit der Produktgestaltung und der Ingenieurmanagement nicht mit dem Tempo der technischen Umsetzung Schritt halten kann.

In einer Umgebung mit erhöhter Ingenieurleistung sind Produktmanager, die programmieren können, oder Ingenieure mit Produktdenken besser geeignet. Gründer von Startups müssen ein System zur schnellen Erfassung von Feedback aufbauen.

Andrew Ng hat ein taktisches System für Produktfeedback aufgestellt, das von schnell bis langsam und von grob bis präzise abfällt: Am schnellsten ist die intuitive Einschätzung von Fachleuten, die das Produkt persönlich getestet haben. Etwas langsamer ist die Rückmeldung von drei bis fünf Freunden oder Kollegen, die das Produkt getestet haben. Noch langsamer ist die Einholung von Meinungen von drei bis zehn Fremden, die das Produkt ausprobiert haben. Langsamer ist die Verteilung eines Prototyps an 100 Testnutzer. Die langsamste, aber präziseste Methode ist der A/B-Test. Außer bei der ersten Methode sollten Entscheidungen nicht allein auf den Oberflächendaten basieren. Insbesondere bei A/B-Tests muss die Ursache für eine schlechte Leistung der Funktion gründlich analysiert werden, um die Produktintuition anhand der Daten zu verbessern. Durch eine solche tiefgehende Reflexion können alle Daten genutzt werden, um das mentale Modell zu aktualisieren und die Qualität der schnellen Entscheidungen zu verbessern.

5. Wettbewerbsfähigkeit des Teams und Beschleunigungsgesetz: Effizienz, Feedback und technische Sensibilität

Das Verständnis von KI-Technologien ist für die Verbesserung der Arbeitsleistung von entscheidender Bedeutung. Da KI eine neue Technologie ist, gibt es nur wenige Personen, die ihr Wesen verstehen. Teams, die KI verstehen, haben einen Wettbewerbsvorteil. Bei technologischen Entscheidungen, wie beispielsweise bei der Auswahl der Technologie für einen Kundenservice-Chatbot, kann eine falsche Entscheidung zu einem Zehnfachen Verlust an Effizienz führen. Die richtige Einschätzung ist für Startups von entscheidender Bedeutung. Die kontinuierliche Beobachtung der neuesten KI-Entwicklungen ist von Vorteil. Die Kombination vieler generativer KI-Werkzeuge und -Module kann neue Anwendungen schaffen, ähnlich wie mit Lego-Bausteinen, die unzählige kreative Möglichkeiten bieten.

Der Erfolg eines Startups hängt stark mit der Umsetzungsgeschwindigkeit des Teams zusammen. Das Beschleunigungsgesetz umfasst die Konzentration auf konkrete und realisierbare Ideen, die Beschleunigung der Entscheidungsfindung, die Nutzung von KI-gestützten Programmierhilfsmitteln, die Einrichtung eines effizienten Nutzungsfeedback-Systems und die kontinuierliche Verfolgung der technologischen Trends.

6. Rationales Verständnis der KI-Entwicklung: Wert, Risiko und soziale Verantwortung

Andrew Ng hat klare Standpunkte zu vielen zentralen Fragen bei der KI-Entwicklung vertreten. In Bezug auf die Beziehung zwischen Menschen und KI ist er der Meinung, dass die Allgemeine Künstliche Intelligenz (AGI) überbewertet wird. In Zukunft wird der Mensch noch lange einen einzigartigen Wert haben, den die KI nicht ersetzen kann. Menschen, die KI-Werkzeuge beherrschen und in der Zusammenarbeit mit KI versiert sind, werden wettbewerbsfähiger sein, und es besteht keine Notwendigkeit, sich vor einer Übernahme zu befürchten.

Zugleich hat er viele übertriebene Behauptungen auf dem Gebiet der KI kritisiert. Beispiele wie "KI führt zum Aussterben der Menschheit", "KI ersetzt alle Jobs" oder "Es werden Kernenergie-Datencentren oder Weltraum-GPUs benötigt" haben keine technische Grundlage. Tatsächlich schafft die KI neue Arbeitsplätze und verändert die Natur bestehender Jobs. Es gibt noch enorme Optimierungspotentiale bei den terrestrischen Rechenanlagen.

Was die Essenz der KI und die Logik bei Gründungen betrifft, betonte Andrew Ng, dass KI ein Werkzeug ähnlich wie Elektrizität ist und ihre Sicherheit von der Art der Nutzung abhängt. Es sollte stärker auf "verantwortungsbewusste KI" geachtet werden. Er lehnt es ab, extreme Laborfälle als schreckliche Geschichten zu präsentieren, insbesondere die Angriffe auf Open-Source-Software. Zugleich sollte man auf die Versuche zur technologischen Monopolisierung im Namen der "Sicherheit" achten und ein freies und offenes Innovationsökosystem gemeinsam bewahren.

Für Gründer ist es am wichtigsten, Produkte zu entwickeln, die die Nutzer wirklich mögen. Zunächst muss das Problem der "Produkt-Markt-Passung" gelöst werden. Auf der Anwendungsseite gibt es derzeit noch viele unerschlossene Bereiche und ungenutzte Chancen, und es ist nicht notwendig, sich zu sehr um die schnelle Kopie des Modells oder der Funktionen zu sorgen.

Bezüglich der Anwendung von KI-Werkzeugen in konkreten Bereichen hat Andrew Ng darauf hingewiesen, dass der Agenten-Workflow bereits in der Lage ist, verschiedene Technologiemodule wie Prompt-Engineering und Retrieval-Augmented Generation zu integrieren. Entwickler müssen sich in der Anfangsphase nicht übermäßig um die Token-Kosten sorgen. Er empfahl, bei der Architekturplanung die Austauschbarkeit der Technologiemodule zu berücksichtigen und die Flexibilität bei der Technologieauswahl aufrechtzuerhalten, um sicherzustellen, dass bei der Hinzufügung von Funktionen weiterhin eine schnelle Iteration möglich ist.

Im Bildungsbereich wird die Bildung in Zukunft zunehmend individualisiert, aber dies wird ein schrittweiser Prozess sein. Die Behauptung, dass "AGI die Bildung komplett verändern wird", ist übertrieben. Es muss weiterhin nach Möglichkeiten gesucht werden, den Bildungsworkflow mit dem KI-Agenten-Workflow zu verbinden.

Was die gesellschaftlichen Auswirkungen und die Verbreitung von Wissen betrifft, hat Andrew Ng festgelegt, dass Entwickler das Prinzip "Stellen Sie sicher, dass das Produkt das Leben der Menschen verbessert" einhalten müssen. AI Fund hat bereits mehrere Projekte abgebrochen, die möglicherweise negative Auswirkungen haben könnten. Gleichzeitig muss sichergestellt werden, dass alle von den Vorteilen der KI profitieren.

Er ist der Meinung, dass es von entscheidender Bedeutung ist, dass die breite Öffentlichkeit das Verständnis von Deep Learning verbessert. Die Verbreitung von Wissen muss der technologischen Entwicklung folgen. Zugleich muss man auf die Versuche einiger Unternehmen achten, durch übertriebene Angst vor KI-Risiken eine technologische Monopolisierung herbeizuführen (beispielsweise durch das Gesetz SB-1047 in Kalifornien). Die Open-Source-Software muss geschützt werden, um technologische Ungleichheiten zu vermeiden.

Dieser Artikel stammt aus dem WeChat-Account "Big Bowl Thinking". Verfasser: Big Bowl. Veröffentlicht von 36Kr mit Genehmigung.