アンドリュー・ンのリーダーシップスタイル：教育を通じてAIを民主化

主要事実： アンドリュー・ンは2011年にGoogle Brain を共同設立し、その形成的な年の間にそのディレクターを務めました。彼は2014年から2017年までBaidu で最高科学責任者でした。AI研究グループを先導していました。彼は2012年にダフネ・コーラーとCourseraを共同設立し、彼のスタンフォード機械学習コースは最初の提供で10万人以上の学生に達しました。彼は2017年にDeepLearning.AIを設立し、同じ年にLanding AIを立ち上げました。彼の2017年の宣言「AIは新しい電気です」は企業AI導入のための定義的なフレーム となりました。

AI-as-Electricity Doctrine（AIの民主化）

AI-as-Electricity Doctrine は、電気が1世紀前に行ったように、AIが汎用インフラであり、すべての産業を変形させると保有しています。しかし、十分な実務者がそれをどう配線するかを知っているか一度だけ。制約は、モデル能力ではなく、AIができることとオペレーターが展開できることの間のスキルギャップです。このドクトリンの下では、リーダーシップは、テクノロジーが完全な拡散曲線に到達するスケール では教えることを意味します。

ChatGPT がAIをメインストリームにする前に、Andrew Ngは既に、最も大きい障害AIが採用ではなく、テクノロジーではなく、スキルギャップであると主張して10年を費やしていました。彼の「AIは新しい電気です」テーゼ—最初に2017年のスタンフォード講演で明確にされた—単なるメタファーではなく、リーダーシップのプログラムでした。電気が産業を変形させるまで、エンジニアが建物を配線する方法を知っていませんでした。AIは、オペレーターがMLパイプラインを構築する方法を知るまで、企業を変形させませんでした。

そのテーゼはン が行った すべての主要な決定を形作りました：Google Brainをスカンクワークスとして検索ジャイアントの内部で構築し、Courseraを共同設立する数百万人の前に機械学習コースを入れ、2017年に世界がまだAI実務者を十分に持っていないと結論づけたときdeeplearning.ai を立ち上げます。

彼は問題についてが正しかった。解決方法—規模での教え、プラットフォーム構築、患者制度づくり—TechCrunch で覆われる動きより派手ではありません。しかし、彼らは複製可能であるために正確に研究する価値があります。

リーダーシップスタイルの分析

比率は、彼の影響と彼の制限を説明しています。教えるファーストリーダーシップはゆっくりとスケールします—あなたは何人が何を共有しているかを吸収できるかによって制限されます。しかし、それは複合します。彼の元のCoursera ML コースを取った680万人は単に教材を学びませんでした。彼らは、彼らの組織の内部に実務家ベースの実務者 となり、広がりました。その複合効果は、フェイ・フェイ・リーを実務者に区別しており、彼女は（ImageNet、HAI）インフラを構築し、デミス・ハッサビス。小さく、エリート研究チームのリソースを集中しました。3つの異なるAI を前進させる方法の理論—そしてそれらはすべて部分的に正しいことが証明されています。

主要なリーダーシップ特性

ンをリーダーとして定義した3つの決定

1. Google Brain（2011年）をジャイアントの内部のスカンクワークスとして設立

2011年で、ンは、ほとんどの大企業の内部の人がそれを静かに棚にしたであろうことを提案しました。Google 内の献身的なディープラーニング研究グループ、メイン エンジニアの組織から分離して実行され、ニューラルネットワークが Google の製品を変形させることができるかどうかを探索する明示的なゴールを持って。

Google Brain はセーフベットではありませんでした。ディープラーニングはまだニッチ研究分野と考えられていました。ンは、商業的給与が明白ではなかったときに投資が価値があるかについて Jeff Dean と他の Google リーダーを納得させるはずでした。彼は成功し、結果は重要でした—Brain の研究は Google の音声認識、イメージ検索、最終的に Transformer アーキテクチャに給与の改善に貢献しました。

Brain からの教訓は、スカンクワークスが常に機能するのではなく、ンが新しい組織が必要な革新と既存のものの内部で起こることができる革新を区別する違いを理解していました。ディープラーニングは、Google の製品優先事項から保護が成熟するために必要でした。彼はその保護を作成しました。あなたが大企業の内部に本当に新しい能力を構築しようとしているのであれば、組織設計決定は技術的なもの。

2. 共同設立Coursera（2012年）MLをつなぐために民主化

ンの Stanford ML コース は Coursera が起動する前に100,000人の学生を持ってました。その数は彼に何か言いました。精密な技術教育への需要は、それを提供できる制度の給与を大幅に超えました。大学はスケール化できません。コーポレートトレーニングは浅い。ギャップは実在していました。

Daphne Koller と共同設立された2012年のCourseraは、コース段階ではなくプラットフォーム段階でそのギャップを解決する試みでした。最初の年の終わりまで、Coursera には16の大学パートナー全体で100万人の登録学生がいました。ンの独自のML コース最終的に500万人以上の学習者に到達しました。

しかし、決定はン のアプローチに緊張を明らかにします。Coursera は教育へのアクセスが制約であるというテーゼの上に構築されました。しかし、MOOCs の完了率は一貫して低い—無料のコースでは10%未満の場合があります。スキルが最も必要な人は常に完成する人ではありません。ンの反応は、製品を繰り返し、特化と信頼できる学習パスを追加し、度のようなより感じました。それがアクセスの問題を完全に解決するかどうかはまだ開いている質問です。

3. deeplearning.ai（2017年）を立ち上げ、それが存在する前に投稿ChatGPT スキルギャップを埋め込み

2017年にバイドゥを離れたとき、ン は大きなAI企業の C スイートの役割を取ることができました。彼はしませんでした。彼は deeplearning.ai を立ち上げました。Coursera上の構造化特化セットは、理論ではなく、深いラーニング実践に焦点を当てた—運用スキル。ML システムを構築し、仕事で展開するために必要な。

タイミングは、展望的に見えます。deeplearning.ai は、主流ビジネス要件をAI リテラシーにした GPT-3 モーメントの前の3年を開始しました。ン はほとんどの組織がまだ持っていない知らないギャップを埋めていました。

AI Fund は deeplearning.ai と一緒に立ち上げられ、特定の立てものにAI 企業を構築するVCの乗り物でした—製造、医療、農業。Landing AI は、その1つのポートフォリオ会社は、AI を産業検査の問題に適用することに焦点を当てました。テーゼは、AI が最も効果的ではなく消費者用途で最も効果的であり、ドメイン固有の運用文脈にありました。

そのテーゼはブレークアウト企業を生産していません。Landing AI は焦点を絞ったままニッチです。しかし、基本的な理由—AI 展開はモデル能力ではなく深いドメイン知識を必要とする—は正しく、ほとんどのAI スタートアップが2017年に取ったより防御的なポジションです。

ンがあなたの役割で何をするであろう

CEO であれば、ンのAI 変形プレイブック完全に読む価値があります（公開されています）。コア配列は。小さいAI パイロットを実行して価値を証明し、AI 能力を構築する内部（単にそれをアウトソースしない）、成功パイロットをスケール化し、その後、AI 戦略を全体的な会社戦略と並ぶ。ほとんどのCEO が作成する間違いはステップ2 スキップです。彼らは外部ベンダーとのパイロットを実行し、結果を見て、その後スケール化できない理由を疑問に思います。内部の能力がなければ、すべてのAI 計画は売り手に従属したままです。

COO であれば、ンからの運用レッスンはスキルインベントリについてです。彼は一貫して、AI 採用の制約はテクノロジーではなく才能であると主張しています。それはあなたが予算を立てる前に、あなたのチームの現在のAI 識字率を監査する必要があることを意味します。あなたの運用チームの何人が実際にベンダーの機械学習クレームを評価できます？何人が単純なデータパイプラインを構築できます？その数はあなたの実AI 能力を決定します。あなたのソフトウェア支出ではなく。

プロダクトリーダーであれば、ンのプラットフォーム構築直感は直接適用されます。1人のユーザー向けに問題を解決するとき、ソリューションが10人のユーザー向けに同じ問題を解決する能力としてパッケージ化できるかどうかを聞いてください。教えるクセ—ワークし、アクセス可能になるのを作成ドキュメント—それがプロダクト チームに活用を作成する方法です。ほとんどのプロダクト組織は、ソリューションが符号化されない理由が同じ問題を繰り返して解決しています。

営業またはマーケティングにおいて、ンの Coursera テーゼはコンテンツに対する直接的なアプリケーションを持っています。彼はその本物の教育ものが、宣伝コンテンツより大きく、より忠誠なオーディエンスを構築するのを証明しました。500万人がこのML コースを取ったのは、彼のAI 判定を信頼しています。彼が彼らに何か本当に教えたため。あなたのコンテンツ戦略が製品ピッチの周りで構築されている場合、複合オーディエンス信頼テーブルでを離れます。

Rework Take：教えるファースト リーダーシップはB2B SaaS AI 採用を知っていますか。

ンのドクトリンは B2B SaaS の内部にAI 機能がどのように実際に着地するかが整然とマップします。AI ツールで成功する購買者は、最も高度なモデルを購入するもの ではなく、彼らのチームが モデルが何をしているかを理解するのは誰です。それは。確保の問題ではなく、 教育の問題です。リテラシー段階をスキップするあらゆるロールアウトは、シェルフウェア ダッシュボードで終わります。

Rework はこれに直接傾きます。わたしの AI 機能は CRM と作業操作 で配送インプロダクト ウォークスルー、透過的なプロンプト ロジック、エクスポート可能なログ。チームはAI が提案し、なぜを見ることができます。採用を機能としてではなく、カリキュラムとして扱っています。マネージャーが AI 支援ワークフローを導入するためのプレイブック。管理者は、実際にどの人命が取引を動かしたかの可視性を取得します。ゴールはAI を隠すことではなく、オペレータ が信じて、その後拡張するのを教えることです。これは、スタックの決定が実際に起こる部分に適用されるン のモデルです。

注目すべき引用と教室外の教訓

「AIは新しい電気です。電気がほぼすべてを変形させたのと同じように100年前、私は次の数年の内に変形しないことは困難です。」—Andrew Ng、2017年のスタンフォードビジネススクール講演。

そのフレーミング—AI をインフラではなく製品としてではなく—ほとんどの企業がまだ採用の方法について考える中でも使用不足です。電気は競争上の利点ではありませんでした。それは要件でした。すべての企業がその運用にいない電気システムを構築しなかった最終的には電気システムを構築する人に失いました。ン のポイントはAI が同じステータスに向かっており、企業がそれを基本的な機能として扱っている、戦略的なエラーを作成しています。

バッチ、彼の毎週のAI ニュースレターで、ン は基盤モデル ハイプに対して一貫した引数で後戻り。運動は、ほとんどの組織がまだ彼らの核心操作に影響を与える単一のAI アプリケーションを展開していないという事実を不明確にしています。それは、研究所の内部と運用AI ビジネスの両側で分析し、その両側で実施者です。

このスタイルが壊れるところ

教えるファーストリーダーシップは、製品ファーストよりもゆっくりスケール組織を作成します。ン がバイドゥ にいたときの2014年から2017年、自動運転プッシュはアグレッシブであり、結果は混合でした。コンセンサス構築を通じて教育はコンセンサスを構築する時間がある時に機能します。競争環境はしばしばありません。その時間。ン の展開インスティンクトの前にあなたは実行速度を望むステークホルダーに優柔不断を読むことができます。Sam Altmanは対象の反対の終わりを表現し—市場に配船し、速く繰り返し——これは彼らの公開交換なぜなら彼らはAI タイムラインと展開哲学についての計算運動としてのしておく価値があります。

そして「AIは誰のためにあります」フレーミング、説得力があり、実装複雑さを過度に売ることができます。AI 識字の民主化は本当に価値があります。しかし、それはまたデータ パイプライン、ガバナンス、変更管理、そしてモデル出力に作用する組織の意思が真の展開が必要とする何かを過小評価する実務者の人口を作成します。ン のフレームワーク自体がこれを認める。しかし、アクセス可能なAI のマーケティングはしばしば困難を紙の上で処理します。

---

AI リーダーシップと技術組織の構築についてもっと詳しく知るには、Yann LeCun Leadership Style、Sam Altman Leadership Style、AI Workforce Transformationをご覧ください。