總結AI成功產(chǎn)品，透視AI的下一步（暨琢磨事AI碰撞局第五期小記）

本次分享從AI近兩年展現(xiàn)出來的出來的矛盾景象開始。

一邊是持續(xù)出現(xiàn)的各種海量產(chǎn)品創(chuàng)意，一邊則是真有進展者不多。這種進展不多既體現(xiàn)在像Character.ai這種有用戶的產(chǎn)品無法變現(xiàn)，也體現(xiàn)在上批AI企業(yè)嘗試擁抱大模型但效果不明顯，港股上市的幾家AI企業(yè)市值基本已經(jīng)跌到不如融資額了。不能叫流血上市了，應該叫流骨髓上市。

這種普遍預期與AI既有現(xiàn)實的矛盾中，我們可以看出什么來呢？

現(xiàn)有產(chǎn)品成功的關鍵點

如果提取其中比較成功的產(chǎn)品共通特質(zhì)，我們會發(fā)現(xiàn)下面三點：內(nèi)容生成（AIGC）、小產(chǎn)品、海外市場。

那為什么會這樣呢？本次分享中提供了一個簡單的思考框架來回答者問題：

基于它可以呼應下上面的結論，為什么過去近兩年這波在國外功能相對垂直的小產(chǎn)品能賺錢？

第一，國外有SaaS付費的環(huán)境 →價值實現(xiàn)的空間

第二，小產(chǎn)品可以避開和既有大產(chǎn)品的直接沖撞 →AI版農(nóng)村包圍城市，既有大產(chǎn)品就是城市，小產(chǎn)品盯的縫隙就是農(nóng)村。如果和現(xiàn)有產(chǎn)品比如Office、PS直接沖撞，估計也是賣不出去，大概率撞死。

第三，產(chǎn)品特征集中在AIGC，而不是大模型爆出的其它能力，比如決策、交互 → 用相對成熟的技術干過去不能干的事。

各種聽起來成功的產(chǎn)品基本是這個路數(shù)，Midjourney, Heygen。其中微軟Copilot略有不同，因為它是富二代，可以不考慮第二點。

相比之下，只創(chuàng)造交互價值的第一代產(chǎn)品比如智能音箱在價值創(chuàng)造上就比較一般，如果現(xiàn)在新做的類似產(chǎn)品不改變價值創(chuàng)造本身而只是把后端的模型換成大模型，那大概率重蹈覆轍。

定位>努力

上面這個如果對，那衍生的要求必然是定位大于努力。既要找好農(nóng)村，也要找好你錢從那里來。本質(zhì)要認識現(xiàn)階段的AI其實是紙老虎，看著很兇猛，真能干的事其實很脆弱的。

在脆弱預設的基礎上做事，比在強大的預設基礎上干事更靠譜。

形象說就是你打油井跑黃土高原上打全黃土大概率是不靈的。

思考框架的限度

源頭上是新技術（AI）自身的特征和限度。

相比上次是模式識別（人臉識別等），這次則展示了大量通用能力，比如它可以幫你分析甚至做某些判斷。但這大量的能力里面不同能力的成熟度是不一樣的，其中AIGC的商業(yè)價值最大。

后續(xù)會什么樣會取決于AI這科技樹到底怎么打開。在沒有本質(zhì)變化前，上面的框架不會有什么太大變化。

而如果到OpenAI五級AI的第二步，也就是最近大家比較關注的Reasoner，那事情會有變化。

碰撞開始后第一個問題也是關于Level2的實現(xiàn)問題，我聽完周以舟博士的技術分析，直接理解是這事肯定能搞定，就是在多大范圍內(nèi)搞定的問題。

而在技術、產(chǎn)品、市場三者中，反倒是市場更像不變量，比如對于SaaS付費或者不付費根本不是短期能改變的。

AI的眼下和下步

這樣一來，局面反倒是清楚，如果只是視頻生成這樣的點做突破，那基本情形大概率會和過去兩年差不多。還是會出現(xiàn)一些零散的小機會，這時候不管是培訓、小工具等大概率都會重來一遍，有一個自己的小周期。

如果大模型真能干到推理并且能頂一個PhD用，那大量公司里面非物理相關的角色實在是不需要人了。還有點距離，但綜合周博士、Google的發(fā)布會信息（幫助博士解決研究問題的助手）、OpenAI的部分聲明來看，也沒那么遠，需要做點準備?？梢蚤_始構想新型應用了（Autopilot），不一定非在現(xiàn)有體系里面擠。

這里面有個細節(jié)的碰撞很有意思，我把五力模型放到行業(yè)上了。

侯宏老師對此則提到：五力模型最適合還是放到具體個案上，不適合一竿子打翻一船人。

落地上的碰撞點

這次活動談的問題比較深入，覆蓋面也比較廣，比如AI整個產(chǎn)業(yè)鏈和汽車產(chǎn)業(yè)鏈對比能得到什么啟示、大模型公司和既有產(chǎn)品的關系問題、大模型的使用成本問題、大模型大下去會不會規(guī)模不經(jīng)濟、產(chǎn)品和模型的邊界問題、產(chǎn)品方法論問題、產(chǎn)品定位問題等。都非常有價值，未來AI碰撞局會想辦法全面記錄這些觀點，當前因為種種原因，沒法那么全面，所以還是摘取其中一兩個比較典型的問題。

一個是關于幻覺、指令遵循等的問題。這是個特別現(xiàn)實的問題，誰真拿AI做產(chǎn)品第一痛點差不多都是這個。

構建該助手感覺像是偏離了“原則性”的機器學習，而更像是在專家系統(tǒng)中調(diào)整規(guī)則。因此，盡管我們的評估變得越來越復雜，但我們的“訓練”卻主要是提示詞工程，這更像是一門藝術而非科學。 老李話一三，公眾號：琢磨事

上面這是老外的感受，真正的環(huán)球同此涼熱。對這問題幾位嘉賓參與了回答，結論頁不復雜：這就是個磨嘰活，你也不可能指望一下子就搞好了。

核心就是搭配和打磨，賈梓筠博士管這個叫：技術不行工程來配，工程不行產(chǎn)品來配，產(chǎn)品不行運營來配，實踐者視角還真就這樣，反正要搞定問題。

真打磨的時候，想像周博士說的揚長避短，那第一步肯定是在提示詞層面窮盡現(xiàn)有模型的能力，但純粹靠現(xiàn)有模型多次復核其實也不靠譜，不單是貴，時延也承受不了，所以肯定要搭配其他模型，甚至就是標注出LLM長犯的錯誤，然后拿代碼寫規(guī)則進行預處理或者后處理。

幻覺問題與另一個大家關心的問題也有關系。

我這次又提到的AI產(chǎn)品要分出來一個1到10階段，大家問到為什么不是過去的從0到1，從1到100。

骨子里就是上面幻覺這個原因。假設說花10塊錢可以干到產(chǎn)品預期的80%，在某些限定場合也能用了。是不是可以算從0到1就基本完了，可問題是此后精度每提升一兩個點都需要花費和80%差不多的精力，這部分打磨實在需要單獨的一個分期。這階段處理產(chǎn)品概念出來后，AI獨有的精度和適配性問題。（我個人實踐經(jīng)驗做AI產(chǎn)品不要太早高興，后面能把你折磨快崩潰了）

小結

最后，感謝這次參與活動的各位同學，也感謝北大國發(fā)院的侯宏老師，長期奮斗在一線的AIoT公司聯(lián)創(chuàng)和COO賈梓筠博士，正在某大廠主持大模型開發(fā)的周以舟博士一起參加這個活動?；顒由系挠^點不一定都對，核心在于要是現(xiàn)場真實發(fā)生事情的反饋。對AI碰撞局來講現(xiàn)場和鮮活比正確重要。AI碰撞局是個小活動，因為突然會有同學有事，所以人數(shù)從本來的一期30人擴大到了50人，但不改初衷，還是希望不是個課程，而是1小時分享，1小時盡可能多人參與的碰撞局。歡迎參加的每個人平等對話。

希望參加活動的同學請聯(lián)系cathywangyue吧。