- 速度是新創最強的成敗預測指標：Andrew Ng 在 AI Fund 平均每月共同創一家公司，他的結論是執行速度和成功機率高度相關——而 AI 工具正在讓「快」變得更容易。
- 但快的前提是「具體想法」：模糊的想法（「用 AI 優化醫療資產」）人人說好，卻沒人能動手；具體的想法（「讓病人線上預約 MRI 時段」）工程師今天下午就能開工。具體才有速度。
- 原型快 10 倍，生產級只快 30-50%：用 AI 寫拋棄式原型可以快一個量級；但要寫可靠、可擴展、安全的生產程式碼，提升幅度小很多。別把兩者混為一談。
- 瓶頸從工程移到產品：工程師變快之後，慢的變成「決定要做什麼」。他有個團隊第一次提出 PM 對工程師要 2:1，而不是傳統的 1:6。
- 技術判斷錯了不是慢兩倍，是慢 10 倍：在 AI 這種新技術上，選錯架構會讓你在錯的方向上耗三個月。真正懂這題，才是早期的競爭優勢。
這場我最大的收穫，一句話：「快」不是無條件的美德，它的天花板是由你的「想法多具體」和「判斷多準」決定的——AI 只負責把這兩件事之間的距離縮短。 Ng 整場都在講速度，但真正有料的，是他順手點破的這幾個前提：少了它們，AI 給你的快只會讓你更快撞牆。
為什麼我這樣看？先講他為什麼那麼在意速度。Ng 不是旁觀者，他在 AI Fund 平均每個月共同創一家新創，自己下去寫程式、談客戶、定價。他的觀察很直接：
對想創業的人來說，執行速度是成功最強的預測指標之一。
而 AI 工具正在把這個速度的天花板往上推。問題是——天花板往上推之後，擋住你的就不再是「寫得快不快」，而是底下這四件事。拆成四點給你。
一、想法要具體到「工程師今天下午就能動手」，快才有意義
這段是整場我最想抄下來的。Ng 說 AI Fund 只做具體的想法——具體到一個工程師可以直接去寫的程度。
他舉的對照很狠：「用 AI 優化醫療資產使用」這種，不是想法，是口號，太模糊。但「寫一個軟體，讓醫院病人可以線上預約 MRI 時段以提高使用率」——這個就具體，工程師今天下午就能開工。
關鍵在這句，我看完愣了一下：
當你講得模糊時，你幾乎永遠是對的。但當你講得具體時，你可能對、也可能錯——兩種都很好，因為我們可以很快發現。
模糊的想法人人說好，因為它根本沒辦法被證偽。具體的想法會讓你很快撞牆或很快驗證，而這正是新創需要的。他補一刀：好的具體想法通常來自某個人在某個領域長期泡著、累積出直覺——不是憑空想到的。他自己創 Coursera 前在線上教育這題泡了好幾年。這一點直接撐住我的結論——沒有具體，AI 給你的速度只是讓你更快做出一堆沒收斂的東西。
二、原型快 10 倍，但別拿這個數字騙自己
這段對我很實用，因為它把「AI 讓你變快」拆成兩塊，誠實得多。
Ng 把自己寫的軟體分兩類：拋棄式原型，和要長期維護的生產程式碼。
- 生產級程式碼：靠 AI 大概快 30-50%。他自己說很難拿到嚴謹數字，但這個量級合理。
- 拋棄式原型：他覺得遠不只快 50%，很可能 10 倍以上。因為原型不用整合舊系統、不用管可擴展性、可靠性、安全性。
他甚至會跟團隊說「去吧，寫不安全的程式碼」——前提是這東西只跑在你自己筆電上、你不會駭自己。但要送到別人手上之前，務必補安全。這個區分扣回我那句結論：AI 縮短的距離不是均勻的，原型那段縮到 10 倍，生產那段只縮一點點——別把原型的 10 倍，當成你整個產品線都能 10 倍。
三、程式碼正在貶值，PM 反而變稀缺
兩個反直覺的點，但其實是同一件事的兩面：當寫程式不再是瓶頸，價值就往「決定寫什麼」搬。
第一，程式碼正在貶值。我們習慣把程式碼當成珍貴文物，因為它難寫。但當寫程式的成本暴跌，他的團隊上個月把同一個 codebase 整個重寫了三次——因為現在重寫不貴了。他借了 Bezos 那個「單向門 vs 雙向門」的比喻：選技術棧、定資料庫 schema 過去是單向門（很難回頭），現在越來越像雙向門。
第二，瓶頸搬家了。工程師變快之後，慢的環節變成「決定要做什麼」——也就是產品管理、拿用戶回饋。矽谷過去的經驗法則是 1 個 PM 配 6-7 個工程師。結果他有個團隊第一次跟他提：我們要 1 個 PM 配 0.5 個工程師，也就是 PM 比工程師還多兩倍。他自己都還不確定這是不是好主意，但他說這是世界走向的信號——會寫程式的 PM、有產品直覺的工程師，會表現得更好。這正是我結論裡「判斷多準」決定天花板的具體版本：稀缺的不再是手，是腦。
四、技術判斷錯了，不是慢兩倍，是慢 10 倍
這句我直接畫起來：
如果你不知道正確答案，表面上看你最多慢兩倍。但實務上，如果你選錯架構，你會花 10 倍的時間在錯的方向上追。
在 AI 這種新技術上，這點被放大。因為行銷、HR、法務這些成熟領域，「怎麼做得好」的知識已經很分散、很多人會；但「怎麼把 AI 做好」的知識還沒擴散，所以真的懂的團隊有實打實的優勢。客服機器人要做到多準？該不該微調？怎麼壓低語音延遲？決策對了幾天搞定，錯了迷路三個月。這一點是我結論的反面證據——判斷不準時，AI 不會救你，只會讓你更快跑進錯的方向。
順帶一提，Ng 自己是 AI 專家，他也承認這場有偏向 AI 的立場。但問答環節他反而花很多時間「拆穿炒作」：說 AGI 即將奪走所有工作、訓練一個新模型就能輕鬆消滅上千家新創、AI 強到可能滅絕人類——他認為這些都是被某些公司放大的敘事，因為這些故事讓他們看起來更有權力、更好募資。他連「AI 安全」這個詞都很少用，理由是安全不是技術本身的屬性，是「你怎麼用」的屬性——像電動馬達，廠商管不了你拿去裝電動車還是裝飛彈。我不完全買單他每個論點（他對開源／監管的立場顯然有自己的位置），但這種「報憂」讓整場可信很多。
我自己的 takeaway
回到我那句結論：AI 只負責縮短「想法」和「判斷」之間的距離，它不替你想、也不替你判斷。兩件事一直在我腦袋裡轉。
第一，「快」不是無條件的美德，它的前提是「具體」。我自己搭 AI 工作流最常踩的坑，就是被一個聽起來很美的模糊目標牽著走，做了一堆才發現根本沒收斂。Ng 這套「具體到工程師今天下午能動手」的標準，其實是我該拿來篩自己每一個點子的尺。
第二，瓶頸搬家這件事，對一人槓桿是個提醒。當工程那端被 AI 加速到不是瓶頸，真正稀缺的變成「判斷要做什麼、拿到對的回饋」。我一個人在跑這套，沒有 PM 配給我——意思是那個 PM 的腦袋，得是我自己長出來的。工具讓我寫得快，但決定寫什麼、怎麼驗證，這個品味才是真正擋在我跟成果中間的東西。
想看完整論證和那段精彩的問答，原片在這：Andrew Ng at YC AI Startup School。