Andrew Ng(吳恩達)

概述

Andrew Ng(吳恩達)是 AI 研究者、教育者與創業者。他的影響力同時來自三條線:推動大型企業的 AI 研發、把 AI 教育規模化,以及將 AI 方法轉成企業與開發者可採用的工作框架。

主要角色與經歷

截至 2026-08-01,其官方網站列出的主要角色包括:

  • DeepLearning.AI 創辦人
  • AI Fund 管理合夥人
  • AI Aspire 管理合夥人
  • LandingAI 執行董事長
  • Coursera 董事長暨共同創辦人
  • 史丹佛大學兼任教授

他曾領導 Google Brain 創始團隊,後任百度副總裁兼首席科學家,並曾擔任 Stanford AI Lab 主任。官方資料稱超過 800 萬人上過他的 AI 課程;這是官方自述,適合用來理解其教育規模,不宜當作獨立第三方成效驗證。

Agentic AI 核心觀點

Andrew Ng 將 Agentic AI 描述為一種多步、迭代的軟體建構方式,而不是只有「完全自主代理」一種型態。核心是讓大型語言模型分解工作、反覆執行、接受回饋、呼叫工具,並以評估結果持續修正。

七份課程片段逐字稿進一步確認三個重點:自主程度是一條從預先寫死流程到模型自行規劃的光譜;任務拆解決定每一步能否交給模型、程式碼或工具;eval 與 error analysis 則把能動的 demo 轉成可持續改進的系統。完整跨來源綜合見 吳恩達 Agentic AI 工作流。^[raw/transcripts/youtube/youtube-GvB0zj6wTYE.md] ^[raw/transcripts/youtube/youtube-yr78nQ56h-c.md]

四種設計模式

  1. 反思:模型檢查自己的輸出,產生批評並重寫。
  2. 工具使用:連接搜尋、資料庫、API、程式執行與外部服務。
  3. 規劃:先將複雜任務拆成步驟,再執行與調整。
  4. 多代理協作:以不同角色或專長分工,但必須有清楚的協作與品質控制。

這四種模式較適合作為設計工具箱,而不是每個系統都要全部採用的固定架構。

教學方法的可複用性

他的 Agentic AI 教學有四個值得保留的結構:

  • 先解釋工作流與自主程度,再介紹框架或工具。
  • 先從 Python 基礎實作設計模式,再進入高度封裝的框架。
  • 把評估、錯誤分析、延遲與成本放進正式課程,而不是當附錄。
  • 將抽象模式落到研究、客服、資料查詢與內容生成等具體任務。

這與「先談工作痛點,再談 AI」的課程定位相容:學員先理解工作如何被拆解與驗證,再決定是否需要 Agent。

對顧哥課程與內容的意義

  • 免費講座:不宜教完整四模式,而應先用一個工作流程證明「AI 可以反覆做事並接受檢查」。
  • 付費 Workshop:可讓學員完成「工作拆解 → 工具使用 → 評估」的第一個 Agent;多代理不必成為入門必修。
  • 內容角度:可反駁「Agent 就是全自動」的誤解,強調自主程度、評估與人類責任。
  • 品質判準:能展示 demo 不代表能上線;錯誤分析、成本、延遲與可追溯性才是從玩具到工作系統的分界。

以上是根據其官方課程與文章延伸出的策略判斷,不是 Andrew Ng 對顧哥產品的直接建議。

建議閱讀順序

  1. The Dawning Age of Agents
  2. Agentic Design Patterns Part 1
  3. Part 2:Reflection
  4. Part 3:Tool Use
  5. Part 4:Planning
  6. Part 5:Multi-Agent Collaboration
  7. Agentic AI 官方課程

建議影片

證據限制

  • 職稱、學員數與論文數採官方網站 2026-08-01 快照,未逐項以第三方來源覆核。
  • 提供的播放清單不是 DeepLearning.AI 官方清單,且缺少第二講;七支成功逐字稿也只涵蓋部分 Module 1,不能當作完整課程。
  • 七支逐字稿來自「扣子說AI」轉載影片的英文自動字幕,不是 DeepLearning.AI 官方上傳;專有名詞與數字可能有辨識誤差,引用重要細節時應回查官方文章或課程。
  • l2PtFPAbrV8 經 Windows worker 三次嘗試後回報字幕停用,沒有逐字稿;只保留失敗證據,不根據標題推論內容。
  • 對顧哥課程與品牌的建議是策略轉譯,不是 Andrew Ng 的直接建議,也不等於顧哥已核准的正式品牌立場。

相關頁面