Gaya Kepemimpinan Andrew Ng: Mendemokratisasikan AI Melalui Pengajaran

Fakta Utama: Andrew Ng mengasaskan bersama Google Brain pada 2011 dan berkhidmat sebagai pengarahnya semasa tahun-tahun formatifnya. Dia adalah Ketua Saintis di Baidu dari 2014 hingga 2017, memimpin kumpulan penyelidikan AInya. Dia mengasaskan bersama Coursera dengan Daphne Koller pada 2012, dan kursus pembelajaran mesin Stanford-nya mencapai lebih daripada 100,000 pelajar dalam penawarannya yang pertama. Dia mengasaskan DeepLearning.AI pada 2017 dan melancarkan Landing AI tahun yang sama. Pengisytiharaan 2017-nya bahawa "AI adalah elektrik baru" menjadi kerangka kerja yang menentukan untuk pengangkatan AI enterprise.

Doktrin AI-as-Electricity (Pendemokrasian AI)

Doktrin AI-as-Electricity menyatakan bahawa AI, seperti elektrik satu abad yang lalu, adalah infrastruktur tujuan umum yang akan mengubah setiap industri — tetapi hanya apabila pengamal cukup tahu bagaimana untuk menghubungkannya. Kekangan pengikatan bukan keupayaan model; ia adalah jurang kemahiran antara apa yang AI boleh lakukan dan apa yang pengendali boleh gunakan. Kepemimpinan, di bawah doktrin ini, bermakna mengajar pada skala supaya teknologi mencapai lengkung resapannya yang penuh.

Sebelum ChatGPT membuat AI arus perdana, Andrew Ng sudah menghabiskan dekad berhujah bahawa halangan terbesar kepada pengangkatan AI bukanlah teknologi. Ia adalah jurang kemahiran. Tesis "AI adalah elektrik baru" Ng — mula-mula dinyatakan dalam ucapan Stanford 2017 — bukanlah hanya metafora. Ia adalah program kepemimpinan. Elektrik tidak mengubah industri sehingga jurutera tahu bagaimana untuk menghubungkan bangunan. AI tidak akan mengubah syarikat sehingga pengendali tahu bagaimana untuk membina saluran paip.

Tesis itu membentuk setiap keputusan utama yang dibuat Ng: pembinaan Google Brain sebagai skunkworks di dalam raksasa pencarian, pengasasan bersama Coursera untuk meletakkan kursus ML di hadapan berjuta-juta orang, dan peluncuran deeplearning.ai apabila dia membuat kesimpulan dunia masih tidak mempunyai pengamal AI yang cukup.

Dia benar tentang masalahnya. Kaedahnya untuk menyelesaikannya — mengajar pada skala, pembinaan platform, pembuatan institusi yang sabar — kurang mengilau daripada langkah yang mendapat liputan dalam TechCrunch. Tetapi ia patut difahami dengan tepat kerana ia boleh direplikasi.

Pecahan Gaya Kepemimpinan

Nisbah menjelaskan pengaruh dan hadnya. Kepemimpinan pengajaran-pertama berskala perlahan — anda terhad oleh berapa banyak orang yang boleh menyerap apa yang anda berkongsi. Tetapi ia berlipat ganda. 6.8 juta orang yang mengambil kursus Coursera ML asal Ng tidak hanya belajar bahan. Mereka menjadi pengamal yang menyebarkan pendekatan di dalam organisasi mereka. Kesan berlipat ganda itu membezakan model Ng daripada kontemporari seperti Fei-Fei Li, yang membina infrastruktur (ImageNet, HAI) untuk bidang, dan Demis Hassabis, yang menumpukan sumber kepada pasukan penyelidikan kecil, elit. Tiga teori berbeza tentang cara untuk bergerak maju AI — dan semuanya telah terbukti sebahagiannya betul.

Ciri-Ciri Kepemimpinan Utama

Tiga Keputusan Yang Mentakrifkan Ng

1. Mengasaskan Google Brain (2011) Sebagai Skunkworks Di Dalam Raksasa

Pada 2011, Ng mencadangkan sesuatu yang kebanyakan orang di dalam syarikat besar akan diam-diam disimpan: kumpulan penyelidikan pembelajaran mendalam berdedikasi di dalam Google, dijalankan secara berasingan daripada organisasi kejuruteraan utama, dengan matlamat eksplisit untuk meneroka sama ada rangkaian saraf boleh mengubah produk Google.

Google Brain tidak pasti. Pembelajaran mendalam masih dianggap sebagai kawasan penyelidikan khusus. Ng terpaksa meyakinkan Jeff Dean dan pemimpin Google yang lain bahawa pelaburan adalah patut dibuat apabila bayaran komersial tidak jelas. Dia berjaya, dan hasilnya ketara — penyelidikan Brain menyumbang kepada peningkatan dalam pengecaman pertuturan Google, carian imej, dan akhirnya mekanisme perhatian yang disayakan ke dalam seni bina Transformer.

Pelajaran daripada Brain bukan bahawa skunkworks selalu berfungsi. Ia adalah bahawa Ng memahami perbezaan antara inovasi yang memerlukan organisasi baru dan inovasi yang boleh berlaku di dalam yang sedia ada. Pembelajaran mendalam memerlukan perlindungan daripada keutamaan produk Google untuk menjadi matang. Dia mencipta perlindungan itu. Jika anda cuba membina keupayaan yang benar-benar baru di dalam organisasi besar, keputusan reka bentuk organisasi adalah sama pentingnya dengan yang teknikal.

2. Mengasaskan Coursera (2012) Untuk Mendemokratisasikan Pendidikan ML

Kursus ML Stanford Ng mempunyai 100,000 pelajar sebelum Coursera dilancarkan. Nombor itu memberitahu dia sesuatu: permintaan untuk pendidikan teknikal yang ketat jauh melebihi bekalan institusi yang boleh menyampaikannya. Universiti tidak dapat berskala. Latihan korporat adalah cetek. Jurang itu nyata.

Coursera, yang diasaskan bersama dengan Daphne Koller pada 2012, adalah percubaan untuk menyelesaikan jurang itu pada peringkat platform daripada peringkat kursus. Pada akhir tahun pertama, Coursera mempunyai 1 juta pelajar berdaftar di seluruh 16 mitra universiti. Kursus ML Ng sendiri akhirnya mencapai lebih daripada 5 juta pelajar.

Tetapi keputusan itu juga mendedahkan ketegangan dalam pendekatan Ng. Coursera dibangun di atas tesis bahawa akses kepada pendidikan adalah kekangan pengikatan. Tetapi kadar penyelesaian untuk MOOC adalah secara konsisten rendah — sering di bawah 10% untuk kursus percuma. Orang yang paling memerlukan kemahiran tidak selalu yang menyelesaikan. Tindak balas Ng telah untuk mengulangi pada produk, menambah pengkhususan, dan membina jalan pembelajaran yang didaftarkan yang berasa lebih seperti ijazah. Sama ada itu sepenuhnya menyelesaikan masalah akses masih merupakan soalan terbuka.

3. Meluncurkan deeplearning.ai (2017) Untuk Mengisi Jurang Kemahiran Pasca-ChatGPT Sebelum Ia Wujud

Apabila Ng meninggalkan Baidu pada 2017, dia boleh mengambil peranan C-suite di syarikat AI utama. Dia tidak melakukannya. Dia melancarkan deeplearning.ai, satu set pengkhususan berstruktur pada Coursera yang khusus memfokuskan pada amalan pembelajaran mendalam — bukan teori, bukan penyelidikan, tetapi kemahiran operasi yang diperlukan untuk membina dan menggunakan sistem ML di kerja.

Waktu itu kelihatan bijaksana selepas ini. deeplearning.ai dilancarkan tiga tahun sebelum momen GPT-3 yang menjadikan celik AI keperluan perniagaan arus perdana. Ng mengisi jurang yang kebanyakan organisasi tidak tahu mereka miliki.

AI Fund, dilancarkan bersama deeplearning.ai, adalah kenderaan VC untuk membina syarikat AI dalam vertikal khusus — pembuatan, penjagaan kesihatan, pertanian. Landing AI, salah satu syarikat portfolio-nya, memfokuskan pada penggunaan AI kepada masalah pemeriksaan industri. Tesis itu adalah bahawa AI akan paling berdampak bukan dalam aplikasi pengguna tetapi dalam konteks operasi khusus domain.

Tesis itu tidak telah menghasilkan syarikat terobosan. Landing AI kekal tertumpu dan khusus. Tetapi logik asas — bahawa penyebaran AI memerlukan pengetahuan domain yang mendalam, bukan hanya keupayaan model — adalah betul, dan ia adalah kedudukan yang lebih dapat dipertahankan daripada kebanyakan pemula AI yang diambil pada 2017.

Apa Yang Ng Akan Lakukan Dalam Peranan Anda

Jika anda adalah CEO, buku main transformasi AI Ng adalah patut dibaca sepenuhnya (ia tersedia secara terbuka). Urutan inti adalah: jalankan ujian coba AI kecil untuk membuktikan nilai, membina keupayaan AI dalaman (jangan hanya mengeluarkannya), menskalakan ujian coba yang berjaya, dan kemudian selaraskan strategi AI dengan strategi syarikat keseluruhan. Kesalahan yang kebanyakan CEO lakukan adalah melangkau langkah dua. Mereka menjalankan ujian coba dengan vendor luaran, melihat hasil, dan kemudian tertanya-tanya mengapa mereka tidak dapat menskalanya. Tanpa keupayaan dalaman, setiap inisiatif AI kekal bergantung vendor.

Jika anda adalah COO, pelajaran operasi daripada Ng adalah tentang inventori kemahiran. Dia secara konsisten berhujah bahawa kekangan pada pengangkatan AI adalah bakat, bukan teknologi. Itu bermaksud sebelum anda membiaya alat, anda harus mengaudit celik AI semasa pasukan anda. Berapa banyak orang dalam pasukan operasi anda yang benar-benar boleh menilai tuntutan ML vendor? Berapa banyak yang boleh membina saluran paip data yang mudah? Nombor itu menentukan kapasiti AI sebenar anda, bukan perbelanjaan perisian anda.

Jika anda adalah pemimpin produk, naluri pembinaan platform Ng digunakan secara langsung. Apabila anda menyelesaikan masalah untuk satu pengguna, tanya sama ada penyelesaian boleh dibungkus sebagai keupayaan yang menyelesaikan masalah yang sama untuk 10 pengguna. Kebiasaan pengajaran — mendokumentasikan apa yang berfungsi dan menjadikannya mudah diakses — adalah cara pasukan produk mencipta leveraj. Kebanyakan orgs produk menyelesaikan masalah yang sama berulang kali kerana penyelesaian tidak pernah dikodkan.

Jika anda dalam jualan atau pemasaran, tesis Coursera Ng mempunyai aplikasi langsung kepada kandungan. Dia membuktikan bahawa kandungan pendidikan tulen membina audiens yang lebih besar, lebih setia daripada kandungan promosi. 5 juta orang yang mengambil kursus ML-nya mempercayai penghakiman Ng pada AI kerana dia mengajar mereka sesuatu yang sebenar. Jika strategi kandungan anda dibangun di sekitar pitching produk daripada pendidikan substantif, anda meninggalkan kepercayaan audiens berlipat ganda di meja.

Pandangan Rework: Kepemimpinan Pengajaran-Pertama Bertemu Pengangkatan AI B2B SaaS

Doktrin Ng memetakan dengan bersih bagaimana ciri AI sebenarnya mendarat di dalam B2B SaaS. Pembeli yang berjaya dengan alat AI bukanlah mereka yang membeli model paling canggih — mereka adalah mereka yang pasukan mereka memahami apa yang model dilakukan. Itu adalah masalah pengajaran, bukan masalah perolehan. Setiap peluncuran yang melangkau langkah celik berakhir dengan papan pemuka shelfware.

Rework bersandar ke dalam ini secara langsung. Ciri AI kami untuk CRM dan operasi kerja kapal dengan panduan dalam produk, logik cepat yang telus, dan log yang boleh dieksport supaya pasukan dapat melihat apa yang AI dicadangkan dan mengapa. Kami merawat pengangkatan sebagai kurikulum, bukan togol. Pengurus mendapat buku main untuk memperkenalkan alur kerja yang dibantu AI; admin mendapat visibiliti ke dalam mana cepat yang benar-benar memindahkan kesepakatan. Matlamatnya bukan untuk menyembunyikan AI — ia adalah untuk mengajar pengendali untuk mempercayainya, kemudian melanjutkannya. Itulah model Ng, yang digunakan pada bahagian tindanan di mana keputusan sebenarnya berlaku.

Petikan Terkenal & Pelajaran Melampaui Bilik Lembaga

"AI adalah elektrik baru. Sama seperti elektrik mengubah hampir segalanya 100 tahun yang lalu, hari ini saya sebenarnya mengalami kesukaran berfikir tentang industri yang saya tidak fikir AI akan ubah dalam beberapa tahun akan datang." — Andrew Ng, 2017 Stanford Business School talk.

Kerangka itu — AI sebagai infrastruktur daripada produk — masih kurang digunakan dalam cara kebanyakan syarikat berfikir tentang pengangkatan. Elektrik bukanlah kelebihan kompetitif. Ia adalah keperluan. Setiap syarikat yang tidak membina sistem elektrik ke dalam operasinya akhirnya kalah kepada yang melakukannya. Maksud Ng adalah bahawa AI bergerak ke arah status yang sama, dan syarikat yang merawat ia sebagai keupayaan pilihan membuat kesilapan strategik.

Dalam The Batch, surat berita AI mingguan Ng, dia telah menghabiskan tahun menolak gegaran model asas dengan hujah yang konsisten: kerja sebenar adalah dalam penyebaran, bukan dalam pembinaan model yang lebih besar. Dalam isu 2024, dia menulis bahawa fokus pada perlumba model asas berbilion dolar mengaburkan fakta bahawa kebanyakan organisasi masih belum menggunakan aplikasi AI tunggal yang mempengaruhi operasi teras mereka. Itu adalah kritik pengamal daripada seseorang yang berada di dalam makmal penyelidikan AI besar dan perniagaan AI operasi.

Tempat Gaya Ini Gagal

Kepemimpinan pengajaran-pertama mencipta organisasi yang bergerak lebih perlahan daripada produk-pertama. Apabila Ng berada di Baidu dari 2014 hingga 2017, tolakan pemanduan otonom adalah agresif dan hasilnya bercampur. Pembangunan konsensus melalui pendidikan berfungsi dengan baik apabila ada masa untuk membina konsensus. Persekitaran kompetitif sering tidak mempunyai masa itu. Naluri Ng untuk mengajar sebelum menggunakan boleh dibaca sebagai ketidakpastian kepada pihak berkepentingan yang mahu kelajuan pelaksanaan. Sam Altman mewakili hujung spektrum yang bertentangan — perkapalan ke pasaran dan mengulangi cepat — itulah mengapa pertukaran awam mereka tentang garis masa AI dan falsafah penyebaran patut diikuti sebagai latihan pelarasan.

Dan kerangka "AI untuk semua orang", meskipun menarik, boleh meremehkan kerumitan pelaksanaan. Mendemokratisasikan celik AI adalah sangat berharga. Tetapi ia mencipta populasi pengamal yang tahu asas dan meremehkan apa yang penyebaran serius sebenarnya memerlukan — saluran paip data, tadbir urus, pengurusan perubahan, dan kehendak organisasi untuk bertindak atas keluaran model. Kerangka kerja Ng sendiri mengakui ini. Tetapi pemasaran AI yang mudah diakses kadang-kadang mengalihkan perhatian daripada kesukaran.

---

Untuk lebih lanjut tentang kepemimpinan AI dan membina organisasi teknikal, lihat Gaya Kepemimpinan Yann LeCun, Gaya Kepemimpinan Sam Altman, dan Transformasi Tenaga Kerja AI.