Andrew Ng (吳恩達)：AI 界的傳教士

如果說 Hinton 是 AI 的「教父」，那麼 Andrew Ng (吳恩達) 就是 AI 的 「傳教士 (Evangelist)」。

他是 Google Brain 的共同創辦人，也是百度前首席科學家。但他最偉大的成就，是讓 AI 走下神壇。透過 Coursera，他教會了全球數百萬人（包括我）如何寫出第一行深度學習代碼。他有一句名言：「AI 是新時代的電力 (AI is the new electricity)。」

• 為什麼你需要認識 Andrew Ng？
• 核心哲學：AI 的民主化 (Democratization of AI)
  • 1. AI 是新電力 (AI is the New Electricity)
  • 2. 數據為王 (Data-Centric AI)
  • 3. 火箭發射理論 (The Rocket Analogy)
• 最新洞見：代理工作流 (Agentic Workflow)
  • 1. 四大設計模式 (The 4 Design Patterns)
  • 2. 實戰舉例：如何讓 AI 寫出一篇 100 分的文章？
  • 3. 名詞大解密：Agent vs. Skill vs. Workflow
• 經典語錄 (Classic Quotes)
• 實用建議
  • 步驟 1：不要只學模型，要學「工作流」
  • 步驟 2：從小數據開始 (Small Data)
  • 步驟 3：動手做 (Just Build)
• 我的反思
• 參考資料 (References)
  • 相關影片
  • 課程推薦
  • 參考來源

為什麼你需要認識 Andrew Ng？

在這個充斥著「AI 末日論」與「AGI 炒作」的時代，Andrew Ng 代表了 「實用主義 (Pragmatism)」 的極致。

他不會整天嚇你說 AI 要毀滅人類，也不會畫一堆遙不可及的大餅。他只在乎一件事：「我們如何現在就用 AI 解決實際問題？」

從早期的機器學習課程，到現在推廣的 Agentic Workflow，他的每一個步伐都精準踩在 AI 落地應用的痛點上。如果你想知道「怎麼用 AI 做產品」，聽他的準沒錯。

核心哲學：AI 的民主化 (Democratization of AI)

Andrew Ng 的核心信仰是：AI 不應該是少數科技巨頭的專利，而應該像電力一樣，成為每個人都能使用的基礎設施。

1. AI 是新電力 (AI is the New Electricity)

早在 2017 年，他就提出了這個著名的比喻。就像電力改變了農業、製造業、生活方式一樣，AI 也將重塑所有產業。這意味著 AI 不只屬於 CS 領域，它屬於農業、醫療、製造等每一個行業。

2. 數據為王 (Data-Centric AI)

與其花幾百萬美金去微調一個超大模型，不如花時間把你的數據清洗乾淨。Andrew Ng 創辦的 Landing AI 就是致力於幫助傳統產業（如製造業）用小數據也能訓練出精準的 AI，這就是 「以數據為中心的 AI」。

3. 火箭發射理論 (The Rocket Analogy)

Andrew Ng 有一個非常生動的比喻，解釋了為什麼大數據 (Big Data) 與深度學習 (Deep Learning) 必須同時存在，這也對應到了機器學習中經典的 Bias (偏差) 與 Variance (方差) 問題：

• 火箭引擎 = 深度學習模型 (Deep Learning Models) -> 解決 Bias 問題
• 火箭燃料 = 大量的數據 (Huge Amounts of Data) -> 解決 Variance 問題

這個比喻的深層含義在於：

1. 如果你的火箭飛不起來（誤差太大），可能是引擎太小（High Bias / 欠擬合）。解決方法是：把模型做大 (Bigger Network)。
2. 如果引擎夠大但飛不遠（預測不準），可能是燃料不足（High Variance / 過擬合）。解決方法是：餵更多數據 (More Data)。

在深度學習出現之前，我們常陷入「Bias-Variance Tradeoff」的兩難；但 Andrew Ng 指出，只要我們能同時擁有超級大的神經網路 (大引擎) 與 海量的數據 (多燃料)，我們就能同時降低偏差與方差，讓 AI 性能突破天際。

最新洞見：代理工作流 (Agentic Workflow)

這是 Andrew Ng 在 2024-2025 年最重要的呼籲。他發現，與其追求更強的模型 (Models)，不如優化使用模型的方式 (Workflows)。

1. 四大設計模式 (The 4 Design Patterns)

Andrew Ng 歸納了四種讓 AI 變聰明的「代理模式」：

1. 反思 (Reflection)：
   • 叫 AI 寫完程式碼後，不要馬上交卷。
   • 多加一步：「請檢查上面的代碼有無錯誤？」AI 往往能自己抓出 Bug。
2. 工具使用 (Tool Use)：
   • LLM 不擅長算數或拿最新資料。
   • 給它計算機、搜尋引擎 (如 Google Search)，讓它知道自己解決不了時該「求助」。
3. 規劃 (Planning)：
   • 面對複雜任務（如寫一個遊戲），讓 AI 先列出步驟 (Step-by-step)，然後一步步執行，而不是試圖一口氣生成所有代碼。
4. 多代理協作 (Multi-agent Collaboration)：
   • 讓一個 AI 扮演「工程師」，另一個扮演「測試人員」。
   • 透過角色扮演與對話，模擬人類團隊的合作，效果往往比單打獨鬥好。

2. 實戰舉例：如何讓 AI 寫出一篇 100 分的文章？

為了讓你完全聽懂，我們用「寫作文」來當例子。

• 情境：你要求 AI 不用任何網路工具，寫一篇關於「2025 年 AI 趨勢」的文章。

❌ 傳統做法 (Zero-shot)：

User: 請寫一篇關於 2025 AI 趨勢的文章。 AI: (開始胡言亂語，可能編造了一些不存在的事件，沒有檢查就直接吐出結果) -> 得分：60 分

✅ Agentic Workflow (代理工作流)： 我們設計一個流程，強迫 AI 分四步走：

1. Draft (起草)：先根據資料庫寫出第一版草稿。
2. Research (搜索 - Tool Use)：用 Google Search 檢查草稿中的數據是否正確，補充最新新聞。
3. Reflect (反思 - Reflection)：扮演一位「嚴格的主編」，閱讀草稿並列出 3 個缺點（例如：論點太空泛、數據以此類推）。
4. Revise (修訂)：根據主編的意見，將草稿重寫一次。

Result: 經過這四個步驟的「自我糾錯」，AI 產出的文章準確度與深度會大幅提升。 -> 得分：95 分

結論：你不需要更聰明的 AI，你只需要讓它多想幾次 (Iterate)。

3. 名詞大解密：Agent vs. Skill vs. Workflow

很多人會被這些術語搞混，這裡簡單區分：

• Agent (代理人)：
  • 這是一個自主的實體。它有大腦 (LLM)、有手腳 (Tools)、有記憶。它能感知環境並採取行動。
  • 例子：一個會自動幫你收信、整理摘要、並回信的 AI 助理。
• Agent Skill (代理技能)：
  • 這是 Agent 能做的事情或是被賦予的具體工具包。
  • 例子：你寫了一個 search_web 的 function 給 Agent 用，這就是一個 Skill。或者像 Antigravity 裡的 frontend-design skill。
• Agentic Workflow (代理工作流)：
  • 這是讓 Agent 運作的流程與邏輯。
  • 例子：你規定 Agent 必須先「搜索」-> 再「反思」-> 最後「回答」。這個「先...再...」的流程設計，就是 Workflow。Andrew Ng 強調的就是這個「設計流程」的重要性。

結果證明，GPT-3.5 + 良好的 Agentic Workflow，表現往往能贏過單獨使用的 GPT-4 (Zero-shot)。

經典語錄 (Classic Quotes)

"AI is the new electricity."

「AI 是新時代的電力。」

(解讀：它是一種通用技術，將賦能所有產業。)

"Don't worry about AI becoming sentient. Worry about AI not being competent."

「這不用擔心 AI 產生自我意識，該擔心的是 AI 還不夠能幹。」

(解讀：他非常反對誇大 AI 風險（如 Killer Robots），認為我們該專注於解決眼前的偏誤與錯誤問題。)

實用建議

步驟 1：不要只學模型，要學「工作流」

Andrew Ng 的最新建議是：不要只迷信大模型。

Action: 試著在你的程式或工作中導入 Agentic Workflow。讓 AI 分步驟思考：Plan -> Do -> Check -> Act。你會發現 AI 突然變聰明了。

步驟 2：從小數據開始 (Small Data)

你不需要 Google 等級的大數據才能玩 AI。

Action: 如果你在傳統產業，試著收集 50 張高品質的瑕疵照片，用 Data-Centric 的方法訓練，效果往往比你需要 10 萬張髒數據的模型更好。

步驟 3：動手做 (Just Build)

Andrew Ng 最常說的一句話是："In AI, the best way to learn is by doing."

Action: 去上他在 DeepLearning.AI 的短課程（很多是免費的），然後動手做一個小專案。別只看論文，那不會讓你學會遊泳。

我的反思

Andrew Ng 給我的感覺就像一位循循善誘的老師。他總是用最平實的語言，解開最深奧的科技黑盒。跟隨他的腳步，你會少很多焦慮，多很多實做的勇氣。他教會我們：與其恐懼 AI，不如成為駕馭它的工程師。

參考資料 (References)

相關影片

這是 Andrew Ng 最近關於 Agentic Workflow 的精彩演講，必看！他展示了為什麼讓 AI 多想幾步，效果會比換個更強的模型還好。

課程推薦

• Machine Learning Specialization (Coursera): 傳說中的「吳恩達機器學習課」，這是無數 AI 工程師的起點。
• Generative AI with Large Language Models: 他與 AWS 合作的最新課程，教你如何真正理解並微調 LLM。

參考來源

• DeepLearning.AI: 他的教育公司，有非常多高品質的短課程。
• The Batch: Andrew Ng 每週發行的 AI 電子報，觀點非常精闢且中立。