Andrew Ng在人工智能热潮的大部分时间里一直主张，价值不会只属于训练最大模型的公司。2026年，他正把这一观点变成一套运营体系。DeepLearning.AI教授数百万人如何利用新工具进行开发。AI Fund从中筛选问题，为其配备工程师和潜在首席执行官，并尝试在约三个月内组建公司。LandingAI销售文档处理软件。Coursera则提供另一条全球教育渠道。这些业务形成了连接培训、产品构想、人才与资本的闭环。
如今，这一循环的核心是AI Fund，一家获得逾3.7亿美元支持的创业工作室。其模式不同于传统风险投资。工作室介入时，可能已经完成问题研究，拥有原型和早期客户反馈。一名驻场工程师会全职投入12周，检验产品是否值得发展为一家公司；如果值得，该工程师可能出任首席执行官。AI Fund以少数股权联合创始人和投资者的身份参与，并继续提供技术、招聘及运营支持。
这是吴恩达对模型快速进步给出的商业答案。当底层技术每隔几个月便发生变化时，一家公司若花一年组建团队和撰写计划，产品上线时面对的市场可能已经过时。工作室可以更早淘汰薄弱构想，在整个业务组合中复用工程方法，并利用持续下降的开发成本。这一模式颇具吸引力，但尚未在吴恩达影响力所暗示的规模上得到验证。
以教育拓展触达
吴恩达最独特的资产并非某种秘密算法，而是触达开发者的能力。DeepLearning.AI表示，其学习生态系统拥有超过700万名用户，课程目录已从基础机器学习扩展至智能体、评估、模型上下文、语音系统及多智能体开发。2025年末，该公司推出付费Pro会员服务，整合超过150个课程项目、实验室、考核及证书，同时继续免费开放课程视频。
免费增值模式同时承担多重功能：既维持广泛触达，也创造持续订阅的潜力，还能不断更新对开发者学习需求的认知。新课程可围绕云服务商、模型实验室及软件公司的技术开发。会议则增加线下维度：2026年在旧金山举行的人工智能开发者大会，汇集了来自大型平台与新兴基础设施企业的建设者。
对AI Fund而言，这一社群既是人才信号，也是需求信号。掌握当前工具的工程师可以被招募参与实验；课程报名情况和开发者提问能反映工具仍存在哪些使用难点；被投企业可以触达具备技术素养的早期用户；企业合作伙伴则可带来通用聊天机器人无法解决的行业问题。这种关系比传统邮件列表更有价值，因为受众已在实际运用相关技能。
不过，其中存在商业张力。教育重视广度、可及性和频繁更新；创业则需要聚焦、专有洞见和耐心支持。优秀短期课程中的内容可能只适合作为一项功能，而非一家公司。今天看似困难的工作流程，下个季度可能就会被模型提供商纳入产品。吴恩达旗下机构必须在分享见解的同时，避免把学生变成封闭的销售漏斗，也不能让投资组合的优先事项扭曲教育判断。
应用公司的孵化工厂
AI Fund的投资组合覆盖技能验证、零售优化、医疗、公务服务、供应链、个人计算和办公生产力。Workhelix专注于识别生成式AI能够改善岗位与业务流程的领域。Workera负责评估与验证技能。LandingAI已从最初的制造业视觉业务转向智能文档处理，其服务包括通过云市场提供的产品，以及2026年与Snowflake合作开展的能源行业运营项目。其他创业项目则涉及应急响应、政府服务获取和专业行业任务。
这种广度体现了吴恩达长期坚持的观点：人工智能类似于通用技术，成千上万个有价值的应用将由掌握领域知识的团队打造，而非由一个万能系统包办。工作室提供模型和产品专长，创始人与企业合作伙伴则提出运营问题。AI Fund列出的合作伙伴包括Mitsubishi Corporation、三井、日经和AES，使其能够进入能源、供应链和媒体领域，而纯技术孵化器很难获得这些渠道。
该方法也承认企业AI一个棘手的事实：演示模型很容易，构建可靠的工作流程却并非如此。应用需要获取最新数据，针对企业特有的错误进行评估，并具备权限管理、可审计性及与既有系统的集成能力。当模型变更或供应商调整定价时，它们仍必须持续运行。Ng一再强调严谨的错误分析与评估。商业机会在于将这些实践转化为客户愿意持续付费使用的软件和服务。
他本人在2026年的试验印证了这一点。Context Hub旨在向编程智能体提供准确的应用程序编程接口文档，弥合模型的一般编程能力与开发可用软件所需最新细节之间的差距。AI Andrew是一款以吴恩达沟通风格为基础打造的助手，融合了检索、多模型、护栏机制、记忆和离线改进循环。吴恩达公开承认，它仍可能虚构经历，并给出连他本人都会质疑的建议。这一坦承十分重要：人格与信任是需要持续评估的产品，不能靠一次性指令完成。
护城河难题
速度不会自动形成防御壁垒。基础模型公司日益将检索、智能体编排、语音、记忆和评估捆绑提供。云服务商可以补贴相邻工具，以提高算力消耗。开源项目能够迅速复刻流行工作流程。如果一家由工作室孵化的公司依赖单一供应商的接口，价格调整或原生功能上线便可能压缩其利润空间。
吴恩达最有力的防线是垂直领域的深度。零售商可能愿意为一套理解促销、商品组合和库存经济性的系统付费，而非购买通用智能体。医院或政府机构需要合规、可追溯性和部署支持。工业客户看重的是围绕自身文件、故障模式和运营约束训练的模型。使用过程中积累的数据可以改进产品，但隐私要求和客户的数据所有权限制了这些数据广泛汇集的空间。
分销能力是另一道竞争壁垒。DeepLearning.AI能够触达开发者，企业合作伙伴则可带来客户。吴恩达自2024年4月起担任Amazon董事，同时仍任Coursera董事长兼联合创始人、DeepLearning.AI创始人、AI Fund管理普通合伙人、AI Aspire管理合伙人以及LandingAI执行董事长。这些职位使他得以从云基础设施、教育、咨询和应用等多个领域获得非同寻常的全局视角。
它们也带来治理要求。每个组织都有不同的股东和商业合作伙伴。Amazon Web Services与其他云服务商竞争，而后者也与DeepLearning.AI及其投资组合公司合作。Coursera争夺学习者，而Ng自己的教育公司也提供订阅和证书。AI Aspire提供战略咨询，其业务可能与投资机会重叠。若要让这一生态系统成为优势，而非被视为各方偏好的集合，就必须建立正式的利益冲突管控、清晰的数据边界和透明的角色分工。
亚洲作为企业创建与发展市场
亚洲之所以在吴恩达的网络中居于核心位置，并不只是因为他早年曾领导Baidu人工智能部门。该地区兼具深厚的技术人才储备、庞大的移动互联网人口，以及专业化应用能够创造可量化收益的众多行业。日本企业合作伙伴让AI Fund得以进入拥有复杂供应链的成熟企业。印度拥有工程人才，以及教育、医疗和公共服务软件的庞大市场。东南亚企业往往需要跨语言、跨碎片化系统运营，这些条件有利于可灵活适配的应用层。
但该地区也暴露出原封不动引入硅谷产品的弊端。数据本地存储规定、本地语言表现、采购惯例和劳动力经济状况差异很大。在美国能节省高成本专业人员时间的智能体，在工资较低的市场回报可能较弱，除非它还能提高质量、扩大服务可及性或创造新收入。医疗和金融应用受到当地许可及问责制度的约束。企业合作伙伴可能加快市场进入，但其定制要求也可能拉长产品周期。
吴恩达强调小型团队和低成本试验，这与这些市场十分契合。随着模型成本下降，班加罗尔、新加坡或东京的创始人无需拥有大型计算基础设施，也能测试创意。DeepLearning.AI的线上覆盖降低了培训门槛。然而，成功的本地化要求决策权贴近客户，而不只是完成翻译。AI Fund面临的挑战，是打造产品和治理从设计之初就具有区域属性的公司，同时保持共享创业工作室的效率。
资本需要证据
AI Fund披露了为其提供支持的资本规模，但未披露投资组合总营收、估值、已实现回报或失败率。对一家私营风险投资机构而言，这很正常，却限制了外部评估。冗长的公司名单既可能表明试验富有成效，也可能意味着注意力分散。投资组合公司被收购是有价值的成果，但工作室模式最终仍需产生足够多的大赢家，以弥补未能孵化成公司的试验和始终规模较小的创业项目。
其经济模式值得审视，因为工作室提供的不只是资金。研究、原型开发、工程、招聘和每周参与都会消耗运营资源。工作室作为少数股权联合创始人所持的股份，必须获得足够回报才能覆盖这些支持成本。与此同时，持股过多又可能削弱创始人的动力。为期12周的流程减少了初期浪费，但要实现可持续的企业销售和受监管环境下的部署，仍需数年时间。
在公司创立阶段，吴恩达的影响力有所助益。他的声誉能够吸引工程师、合作伙伴和外界关注，但公司成立后，这些不能取代独立领导力。对这一模式最有力的验证，将来自能够不依赖吴恩达个人平台而建立分销体系和企业文化的首席执行官，以及在底层模型更换后仍能维持续约率的产品。
前沿竞赛奖赏资本、芯片和基准测试的提升。吴恩达选择的则是一场更为分散的竞争：让人工智能在数以千计的具体活动中发挥作用。他的生态系统为这一机遇作了良好设计：教育扩大开发者群体，工作室加速项目成形，企业合作伙伴提供问题，专业公司则推动应用。尚缺的是财务证据。本轮周期结束前，AI Fund必须证明快速实验已成为能够持续复利增长的企业，而不只是高效产出下一代实验的方式。
