AI-Native 的大產(chǎn)品時(shí)代

OneMoreAI
0 評(píng)論 2424 瀏覽 12 收藏 45 分鐘

本文從經(jīng)濟(jì)學(xué)視角下的產(chǎn)品概念出發(fā),分析了 GenAI 技術(shù)在信息商品經(jīng)濟(jì)中產(chǎn)生的影響及其對(duì)應(yīng)的產(chǎn)品市場(chǎng)空間,并以此分析了新的大產(chǎn)品可能的實(shí)現(xiàn)路徑,進(jìn)而對(duì) GenAI 時(shí)代所面臨的產(chǎn)品范式轉(zhuǎn)移問題進(jìn)行分析推演,結(jié)合這兩項(xiàng)分析,文章對(duì) GenAI 大產(chǎn)品的載體——「AI-Native 產(chǎn)品」的概念、特點(diǎn)、類別等問題進(jìn)行了介紹,并最終引出了 AI-Native 產(chǎn)品的一種可能信仰——「產(chǎn)品智能主義」

一、進(jìn)擊的 GenAI

云服務(wù)廠商 Cloudflare 2023年12月發(fā)布了名為《From Google to Generative AI: ranking top Internet services in 2023》的報(bào)告[1],報(bào)告使用了一種更加綜合的方式(并非只考慮流量)來評(píng)價(jià)全球互聯(lián)網(wǎng)產(chǎn)品/服務(wù)的受歡迎程度。

根據(jù)該報(bào)告,以 OpenAI 為代表的 GenAI 產(chǎn)品在2023年內(nèi)展現(xiàn)了令人矚目的進(jìn)展:

  • OpenAI 從年初的200名左右提升到了11月的頂峰104
  • Character.ai 則從1月的500名提升到了200名左右
  • Poe、Claude 也分別在200-300、300-400的區(qū)間站穩(wěn)了位置

而如果僅根據(jù)流量計(jì)算,GenAI 產(chǎn)品的整體排名將更加靠前(比如,根據(jù) similarweb 的統(tǒng)計(jì),openai.com 在2023年12月內(nèi)的用戶訪問量為15.8億,全球排名25),剔除媒體和市場(chǎng)因素,GenAI 產(chǎn)品在其出現(xiàn)的第一年,已經(jīng)事實(shí)上成為了全球互聯(lián)網(wǎng)產(chǎn)品中占據(jù)一定位置的新勢(shì)力。

雖然「頭部產(chǎn)品增長(zhǎng)見頂」、「新場(chǎng)景落地困難」、「商業(yè)模式未被驗(yàn)證」等問題依然存在,但我們相信這些都是「術(shù)」層面可解的,當(dāng) GenAI 將作為先進(jìn)生產(chǎn)力并代表下一代產(chǎn)品的發(fā)展方向 已經(jīng)形成廣泛共識(shí)時(shí),更值得認(rèn)真思考的頂層問題是 GenAI 技術(shù)是否、如何、以及何時(shí)帶我進(jìn)入繼 PC 互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)之后的全新時(shí)代。

而這也是本文將試圖推演和探討的主題:AI-Native 及其所帶來的新的大產(chǎn)品時(shí)代。

二、GenAI 、「大產(chǎn)品」與商品經(jīng)濟(jì)

我們首先會(huì)從信息商品經(jīng)濟(jì)視角來厘清3個(gè)基本問題,從而方便我們做后續(xù)的推演和討論:

  • 互聯(lián)網(wǎng)產(chǎn)品存在的基礎(chǔ)——產(chǎn)品因何而生,又為何而變
  • GenAI 帶來的變量是什么——GenAI 技術(shù)將對(duì)產(chǎn)品有何影響
  • 大產(chǎn)品的定義,特點(diǎn)以及路徑——如何從 GenAI 技術(shù)到好產(chǎn)品

1. 產(chǎn)品是信息商品經(jīng)濟(jì)的優(yōu)化方法

產(chǎn)品(此處專指軟件、互聯(lián)網(wǎng)類產(chǎn)品)是一門顯學(xué),其定義早已被眾多文章、書籍從多種維度進(jìn)行過論述,我們無意對(duì)以往優(yōu)秀的產(chǎn)品前輩們的思考提出任何挑戰(zhàn),而是僅從本文后續(xù)的推演需要,提供一種來自經(jīng)濟(jì)視角的定義,其具體表述為:

產(chǎn)品是對(duì)信息商品經(jīng)濟(jì)中一個(gè)或者多個(gè)環(huán)節(jié)優(yōu)化方法的具象和延伸。

這里定義包含幾個(gè)關(guān)鍵信息:

  • 信息商品:產(chǎn)品可視為以某類信息為核心價(jià)值的商品,比如,搜索產(chǎn)品是以網(wǎng)頁信息為核心的商品,社交產(chǎn)品是以人的信息為核心的商品,本地生活是以服務(wù)信息為核心的商品。
  • 經(jīng)濟(jì)環(huán)節(jié):信息商品存在生產(chǎn)、分配、消費(fèi)三個(gè)環(huán)節(jié),比如,網(wǎng)頁創(chuàng)建、輸入關(guān)鍵詞并匹配、網(wǎng)頁按相關(guān)性、點(diǎn)擊率等指標(biāo)進(jìn)行排序展現(xiàn)分別對(duì)應(yīng)搜索產(chǎn)品的信息生產(chǎn)、分配、消費(fèi)環(huán)節(jié)。
  • 優(yōu)化方法:信息商品經(jīng)濟(jì)中的每個(gè)環(huán)節(jié)都存在變好的可能,當(dāng)這些「變得更好的方法」被固化下來時(shí)就形成了產(chǎn)品,產(chǎn)品功能界面、算法、交互方式都是這些優(yōu)化方法的具象,比如,當(dāng)把「輸入關(guān)鍵詞并匹配網(wǎng)頁」這個(gè)環(huán)節(jié)用「根據(jù)用戶畫像+下滑來匹配網(wǎng)頁」來優(yōu)化時(shí),網(wǎng)頁信息的分配環(huán)節(jié)就從搜索演進(jìn)到了推薦,也就有了對(duì)應(yīng)的新產(chǎn)品。

所以,一個(gè)成功的產(chǎn)品必然對(duì)應(yīng)著某類信息在經(jīng)濟(jì)環(huán)節(jié)的某種優(yōu)化方法,而優(yōu)化方法的來源通常有兩類:

  1. 將用戶需求的精準(zhǔn)識(shí)別轉(zhuǎn)化為對(duì)特定環(huán)節(jié)的優(yōu)化,更多發(fā)生在技術(shù)穩(wěn)定期,比如,拼多多精準(zhǔn)挖掘了每個(gè)人都具備的「渴望更實(shí)惠」需求,通過拼團(tuán)砍價(jià)優(yōu)化了實(shí)體商品信息的分配環(huán)節(jié)。
  2. 將底層技術(shù)(含硬件)的變化轉(zhuǎn)化為特定環(huán)節(jié)的優(yōu)化,更多發(fā)生在技術(shù)革新期,比如短視頻信息商品是將手機(jī)攝像頭、4G網(wǎng)絡(luò)、觸摸屏等底層技術(shù)變化應(yīng)用在視頻信息生產(chǎn)環(huán)節(jié)后的產(chǎn)物。

雖然沒有數(shù)據(jù)證明,但我們傾向認(rèn)為一個(gè)產(chǎn)品所能兌現(xiàn)的商業(yè)價(jià)值將等同于其對(duì)信息商品經(jīng)濟(jì)環(huán)節(jié)優(yōu)化產(chǎn)生的價(jià)值,所以,對(duì)任何環(huán)節(jié)產(chǎn)生更加本質(zhì)、更加廣泛的優(yōu)化必然帶來更高價(jià)值的產(chǎn)品,這會(huì)是我們?cè)u(píng)價(jià) GenAI 產(chǎn)品將帶來多大產(chǎn)品想象空間的基礎(chǔ)。

2. GenAI 帶來新變量

根據(jù)上面的分析,GenAI 對(duì)信息商品經(jīng)濟(jì)的優(yōu)化方式、程度、范圍將決定其價(jià)值大小,那么以此出發(fā)我們可以繼續(xù)做如下分析:

GenAI 對(duì)信息商品經(jīng)濟(jì)不同環(huán)節(jié)的影響:

1)生產(chǎn)環(huán)節(jié):GenAI 技術(shù)對(duì)信息商品經(jīng)濟(jì)最為本質(zhì)和深刻的影響將發(fā)生在生產(chǎn)環(huán)節(jié),這種影響也會(huì)傳導(dǎo)至分配和消費(fèi)環(huán)節(jié),具體來說:

  • 信息商品的生產(chǎn)效率不再受到生產(chǎn)者的時(shí)間和精力束縛,創(chuàng)意和算力將成為信息商品的關(guān)鍵生產(chǎn)要素,信息商品的實(shí)時(shí)生產(chǎn)、定制化生產(chǎn)成為可能。
  • 信息商品的單個(gè)生產(chǎn)者能力將史詩級(jí)增強(qiáng),在 GenAI 算法的幫助下,單個(gè)生產(chǎn)者可以做到更多的事情,比如文本創(chuàng)作者也可以擁有圖像創(chuàng)作的能力。
  • 信息商品的生產(chǎn)范圍將更加社會(huì)化,信息商品生產(chǎn)者和消費(fèi)者的界限將變得更加模糊,生產(chǎn)者可以從自己的消費(fèi)需求出發(fā)來生產(chǎn)內(nèi)容,消費(fèi)者也可以在消費(fèi)信息的過程中生產(chǎn)出新的信息商品。

2)分配環(huán)節(jié):由于 GenAI 對(duì)生產(chǎn)環(huán)節(jié)的影響,信息商品分配環(huán)節(jié)的價(jià)值會(huì)減少甚至消失,原因在于生產(chǎn)端將從庫存邏輯向訂單邏輯變化,從「需要什么,分配什么」向「需要什么,生產(chǎn)什么」進(jìn)行轉(zhuǎn)變,這一部分在前文《LLM-Native 產(chǎn)品的變與不變》中已經(jīng)有過相關(guān)介紹,這里不做贅述

3)消費(fèi)環(huán)節(jié):消費(fèi)環(huán)節(jié)的變化主要來源于信息商品的生產(chǎn)方式以及生產(chǎn)能力的變化,具體來說:

  • 用戶消費(fèi)的信息商品的類型會(huì)由 GenAI 算法的能力決定,媒介即信息,消費(fèi)者能夠消費(fèi)什么信息商品一定程度上取決于生產(chǎn)端能夠生產(chǎn)出什么類型的商品,比如手機(jī)設(shè)備的媒介特點(diǎn)會(huì)決定短視頻的內(nèi)容類型。
  • 用戶消費(fèi)信息商品的方式將從 GUI 向 GUI+LUI 進(jìn)行轉(zhuǎn)變,交互從追求效率到兼具靈活,這是 GenAI 主要由語言輸入來發(fā)起生產(chǎn)決定的,一種正在發(fā)生的趨勢(shì)是:使用 LUI 的靈活性覆蓋 GUI 無法覆蓋的場(chǎng)景,而高價(jià)值 LUI 則會(huì)被沉淀為 GUI,比如,將常用的 prompt 設(shè)計(jì)為獨(dú)立 bot 或者一個(gè)按鈕就是這個(gè)過程的產(chǎn)物。

GenAI 對(duì)信息商品類型的影響:

1)對(duì)已有信息類型的影響,即當(dāng)前已經(jīng)存在信息類型中,有多少能夠被 GenAI 所生產(chǎn),而影響程度則可以從3個(gè)維度進(jìn)行評(píng)價(jià):

  1. 能力維度:即能夠生產(chǎn)何種類型的信息商品,其決定了GenAI 可以在哪些信息商品類型中發(fā)揮作用,比如,一個(gè)三秒的視頻鏡頭是可以被生產(chǎn)的,而一個(gè)有故事情節(jié)的短視頻是暫時(shí)無法被生產(chǎn)的。
  2. 質(zhì)量維度:即對(duì)某種類型的信息商品的生產(chǎn)質(zhì)量,其決定了 GenAI 在某種信息商品中能夠兌現(xiàn)的價(jià)值和被兌現(xiàn)的方式,比如,文本生成在加入RAG后達(dá)到極強(qiáng)的可控性,那么就可以被設(shè)計(jì)為實(shí)時(shí)生成的使用方式,而圖片生成的隨機(jī)性很大,所以只能先作為生產(chǎn)工具類產(chǎn)品。
  3. 效率維度:即對(duì)某種類型的信息商品的生產(chǎn)速度和成本,其決定了 GenAI 在某種信息商品中的商業(yè)可行性以及商業(yè)模式,比如,當(dāng)單次生成的成本遠(yuǎn)大于數(shù)據(jù)庫檢索成本時(shí),搜索引擎這一產(chǎn)品形態(tài)在商業(yè)模式層面是無法被切換到生成引擎的。

2)產(chǎn)生新的信息商品類型,即 GenAI 帶來全新的信息商品類型,雖然我們還無法想象具體的新產(chǎn)品會(huì)是什么樣,但是通過前文的分析,我們也許可以從以下維度來思考可能會(huì)有哪些新的信息商品類型出現(xiàn):

  1. 可交互的信息:即一份信息在消費(fèi)時(shí)可以與用戶進(jìn)行交互并根據(jù)交互內(nèi)容產(chǎn)生新的信息,在沒有 GenAI 的時(shí)代只能通過人工設(shè)計(jì)交互路徑(比如GalGame),而擁有 GenAI 后可交互信息可能會(huì)迎來全新可能。
  2. 信息的模態(tài)融合:即不同信息模態(tài)在同一個(gè)信息商品中是可以同時(shí)存在并相互轉(zhuǎn)化的,這來源于不同模態(tài)的信息在 GenAI 的技術(shù)下是可以不依賴人類進(jìn)行生產(chǎn)。

通過上述分析,我們可以看到 GenAI 作為一種底層技術(shù)創(chuàng)新,其對(duì)信息商品經(jīng)濟(jì)的影響是全面、深刻、以及革命性的,GenAI 不僅會(huì)對(duì)信息商品經(jīng)濟(jì)所有生產(chǎn)環(huán)節(jié)產(chǎn)生顯著優(yōu)化,并且孕育著創(chuàng)造新的信息商品類型的巨大可能,而這必將帶來全新的產(chǎn)品時(shí)代與新的偉大產(chǎn)品。

3. 從「有一點(diǎn)用」到「無所不能」

這里我們討論大產(chǎn)品的發(fā)展路徑以及 GenAI 技術(shù)對(duì)此路徑的影響。

什么是大產(chǎn)品:

大產(chǎn)品就是那些對(duì)我們的工作、生活、學(xué)習(xí)乃至社會(huì)運(yùn)行產(chǎn)生重要影響的產(chǎn)品,事實(shí)上我們都生活在大產(chǎn)品所提供的服務(wù)中。

同樣,為了下文的分析,我們從信息商品經(jīng)濟(jì)的視角對(duì)大產(chǎn)品提供一個(gè)定義:能夠?qū)δ愁愋畔⑸唐方?jīng)濟(jì)的全流程產(chǎn)生直接影響的產(chǎn)品。

其主要特點(diǎn)為:

  • 對(duì)應(yīng)的信息商品價(jià)值總量高,比如,同樣以人的信息為商品,熟人社交和陌生人社交是兩類價(jià)值總量不同的信息商品。
  • 對(duì)應(yīng)的信息商品具備向其他類型信息商品的延展性,比如,從熟人社交可以自然延伸出熟人間支付,而從支付并不能延伸出熟人社交。
  • 對(duì)某類信息商品的生產(chǎn)、分配、消費(fèi)都能產(chǎn)生直接影響,比如,搜索引擎通過排名策略影響網(wǎng)站的設(shè)計(jì),通過搜索算法影響網(wǎng)頁的分配,通過搜索結(jié)果頁的設(shè)計(jì)來影響網(wǎng)頁內(nèi)容的消費(fèi)形式。

大產(chǎn)品如何產(chǎn)生:

一個(gè)典型的大產(chǎn)品其發(fā)展路徑通常是:

  • 從一個(gè)信息商品經(jīng)濟(jì)某個(gè)環(huán)節(jié)出發(fā),發(fā)現(xiàn)一個(gè)可以優(yōu)化的問題——好問題
  • 將這個(gè)問題的解決辦法具象為一個(gè)商業(yè)可行的工具——PMF
  • 通過與用戶的共創(chuàng),讓產(chǎn)品變得足夠好用——好產(chǎn)品
  • 從單一環(huán)節(jié)優(yōu)化向該信息商品的其他環(huán)節(jié)優(yōu)化進(jìn)行擴(kuò)展——大產(chǎn)品

從這個(gè)過程來看,當(dāng)產(chǎn)品從一個(gè)「好問題」被播下種子后,其最終成長(zhǎng)為何物是不確定的,大產(chǎn)品無法被設(shè)計(jì),而是「生長(zhǎng)」出來的,產(chǎn)品的前進(jìn)要更多依賴產(chǎn)品經(jīng)理的好奇心與用戶反饋而非組織目標(biāo)。

《為什么偉大不能被設(shè)計(jì)》一書中通過「踏腳石模型」闡述了相同的觀點(diǎn)[2]

更適合解決不確定問題的「踏腳石模型」

GenAI 的大產(chǎn)品路徑:

在上面分析的基礎(chǔ)上,我們便可以來討論 GenAI 時(shí)代的大產(chǎn)品了,我們從大產(chǎn)品的發(fā)展路徑進(jìn)行逐一分析。

好問題階段:

根據(jù)上文對(duì)「GenAI 帶來的新變量」討論,我們相信 GenAI 大產(chǎn)品從生產(chǎn)環(huán)節(jié)上的優(yōu)化點(diǎn)是:

  • 生產(chǎn)環(huán)節(jié),從 GenAI 能夠算法化生產(chǎn)的信息商品生產(chǎn)環(huán)節(jié)進(jìn)行切入,即生產(chǎn)力工具。
  • 消費(fèi)環(huán)節(jié),從 GenAI 技術(shù)的可交互性、模態(tài)融合、GUI+LUI 等特點(diǎn),切入信息的終端消費(fèi)環(huán)節(jié),即新的信息商品類型和交互形式。

這兩類優(yōu)化方式的關(guān)鍵點(diǎn)為:

  • 生成內(nèi)容的質(zhì)量可控性,決定產(chǎn)品形態(tài)生成
  • 內(nèi)容成本,決定產(chǎn)品商業(yè)價(jià)值
  • 生成內(nèi)容的推理速度,決定產(chǎn)品使用方式

PMF階段:

對(duì)于 PMF 階段,GenAI 大產(chǎn)品的顯著不同是,由于算法能力成為產(chǎn)品的核心價(jià)值,所以除了要進(jìn)行「Product Market Fit」外,我們需要同等重視「Product Model Fit」,前者決定了產(chǎn)品的商業(yè)模式,后者則決定了產(chǎn)品的技術(shù)可行性,而「Product Model Fit」的評(píng)估維度可能會(huì)有:

  • 模型能力的需要達(dá)到何種程度
  • 模型的開發(fā)和使用成本與產(chǎn)品收益的對(duì)比
  • 模型能力如何與用戶使用形成優(yōu)化閉環(huán)

好產(chǎn)品階段:

對(duì)于 GenAI 大產(chǎn)品來說,如何通過用戶反饋來優(yōu)化產(chǎn)品將被賦予新的工作任務(wù),即用戶使用行為如何成為模型訓(xùn)練數(shù)據(jù)。

事實(shí)上,從搜索引擎的 CTR 算法開始,用戶行為數(shù)據(jù)早已被加入算法優(yōu)化,但 GenAI 作為信息生產(chǎn)環(huán)節(jié)的巨大變革,其優(yōu)化過程將跨越信息商品經(jīng)濟(jì)的單一環(huán)節(jié),也就是說用戶的消費(fèi)環(huán)節(jié)行為數(shù)據(jù)將可以直接被用來做信息生產(chǎn)能力的優(yōu)化,這將會(huì)是 GenAI 大產(chǎn)品與傳統(tǒng)軟件產(chǎn)品的一個(gè)顯著不同。

而更進(jìn)一步,LLM 的技術(shù)已經(jīng)開始探索通過合成數(shù)據(jù)來進(jìn)行模型能力迭代,從而實(shí)現(xiàn)模型效果提升的自我循環(huán)[3],那么這又是另一個(gè)更大的故事了:

Self-Rewarding Language Models

大產(chǎn)品階段:

最后是大產(chǎn)品階段,在前文《LLM-Native 產(chǎn)品的變與不變》中提出過「用戶規(guī)模馬爾薩斯陷阱」這一概念,即隨著產(chǎn)品功能的延展導(dǎo)致其復(fù)雜度變高從而陷入用戶增長(zhǎng)困境。

而 GenAI 產(chǎn)品在 LLM 能力的幫助下,將實(shí)現(xiàn)以更簡(jiǎn)單的產(chǎn)品形態(tài)來拓展產(chǎn)品能力,從而讓:

  • 好產(chǎn)品向其他信息商品經(jīng)濟(jì)環(huán)節(jié)的延伸覆蓋速度更快
  • 單個(gè)產(chǎn)品能夠承載的用戶規(guī)模上限更高

至此,我們已經(jīng)從信息商品經(jīng)濟(jì)的視角對(duì) GenAI 技術(shù)對(duì)產(chǎn)品有哪些維度的影響、如何影響以及新的 GenAI 大產(chǎn)品在發(fā)展路徑上會(huì)有哪些不同進(jìn)行分析,從對(duì)信息商品經(jīng)濟(jì)各個(gè)環(huán)節(jié)的優(yōu)化程度來看,GenAI 必然帶來新的大產(chǎn)品時(shí)代,而這個(gè)新的時(shí)代將會(huì)來自于「產(chǎn)品范式」的革命,下面我們將討論 GenAI 技術(shù) 帶來的「產(chǎn)品范式」的轉(zhuǎn)移 這一話題。

三、范式轉(zhuǎn)移:從「軟件」到「模型」

這一部分我們討論 GenAI 技術(shù)帶來的產(chǎn)品范式轉(zhuǎn)移,這會(huì)是我們分析 AI-Native 概念的基礎(chǔ)。

1. 產(chǎn)品的范式

《科學(xué)革命的結(jié)構(gòu)》一書[4]提出了「自然科學(xué)的范式」這一概念,并論證了「科學(xué)的進(jìn)步來自于對(duì)舊范式的懷疑并以此產(chǎn)生的新范式」,這一結(jié)論同樣適用于產(chǎn)品范疇,即:產(chǎn)品的革命來自于范式的轉(zhuǎn)移。

類比于書中對(duì)范式的解釋,我們這里將「產(chǎn)品的范式」定義為:

  • 產(chǎn)品工作中所賴以運(yùn)作的理論基礎(chǔ)和實(shí)踐規(guī)范
  • 從事產(chǎn)品工作的群體所共同遵從的世界觀和行為方式

毫無疑問,伴隨著信息技術(shù)和信息商品經(jīng)濟(jì)的發(fā)展,產(chǎn)品工作早已形成自己的「范式」,由于篇幅原因本文不對(duì)這些已有「產(chǎn)品范式」的具體內(nèi)容進(jìn)行展開,而是會(huì)重點(diǎn)討論由于 GenAI 技術(shù)的出現(xiàn),既有「產(chǎn)品范式」是否會(huì)出現(xiàn)轉(zhuǎn)移、以及會(huì)發(fā)生何種轉(zhuǎn)移。

2. 從軟件范式到模型范式

「范式」的轉(zhuǎn)移必然對(duì)應(yīng)著新的重要變量,而通過前文的分析,我們已經(jīng)說明了 GenAI 技術(shù)作為對(duì)信息商品經(jīng)濟(jì)產(chǎn)生本質(zhì)影響的底層變量將如何改變產(chǎn)品工作,在這里我們可以進(jìn)一步來分析其對(duì)「產(chǎn)品范式」的影響。

這里的分析的思路是:如果信息商品經(jīng)濟(jì)中原本存在某個(gè)不動(dòng)點(diǎn),而該不動(dòng)點(diǎn)又隨著 GenAI 技術(shù)的出現(xiàn)將發(fā)生巨大變化,那么這便會(huì)帶來新的產(chǎn)品范式。

我們認(rèn)為是這個(gè)隨 GenAI 技術(shù)發(fā)生改變的不動(dòng)點(diǎn)是:信息商品經(jīng)濟(jì)中的執(zhí)行任務(wù)主體的形態(tài)。

具體來說:

  • 在 GenAI 之前,信息商品經(jīng)濟(jì)中的所有環(huán)節(jié),其執(zhí)行任務(wù)主體形態(tài)是軟件,即「軟件范式」(雖然有搜索、推薦算法的出現(xiàn),但軟件依然作為活動(dòng)中的核心部分)
  • 在 GenAI 出現(xiàn)后,信息商品經(jīng)濟(jì)的執(zhí)行任務(wù)主體將會(huì)是模型,信息的生產(chǎn)、分發(fā)、以及消費(fèi)將由 GenAI 模型直接創(chuàng)造或者執(zhí)行,而軟件將成為算法創(chuàng)造或者執(zhí)行的對(duì)象而非活動(dòng)主體,即「模型范式」

所以,GenAI 技術(shù)的出現(xiàn),將使產(chǎn)品范式經(jīng)歷從「軟件范式」向「模型范式」的轉(zhuǎn)移,而這種轉(zhuǎn)移帶來具體變化則由「軟件」和「模型」的本質(zhì)區(qū)別所決定:

  • 軟件是靜態(tài)的代碼數(shù)量,產(chǎn)品價(jià)值與生產(chǎn)代碼數(shù)量成正比,靠人力 scale
  • 模型是動(dòng)態(tài)的泛化智慧,產(chǎn)品價(jià)值與模型泛化能力成正比,靠數(shù)據(jù) scale

更進(jìn)一步,新的產(chǎn)品范式下一些可能的變化會(huì)有:

  • 產(chǎn)品工作的主體是算法而非軟件,設(shè)計(jì)模型就是設(shè)計(jì)產(chǎn)品
  • 產(chǎn)品工作的目標(biāo)是提升模型智慧,模型能力決定產(chǎn)品價(jià)值
  • 產(chǎn)品工作的方法是獲得新的數(shù)據(jù),智慧來自有價(jià)值的數(shù)據(jù)

這樣底層的范式遷移帶來的變化將是劇烈而深刻的,對(duì)照《科學(xué)革命的結(jié)構(gòu)》中科學(xué)革命的演化過程,我們相信產(chǎn)品工作的既有理念、理論、方法在 GenAI 時(shí)代都將面臨巨大的沖擊和挑戰(zhàn),身處其中的工作者則會(huì)經(jīng)歷從「發(fā)現(xiàn)反?!?>「產(chǎn)生懷疑」->「新范式形成」的革命歷程。

以上,我們?cè)?GenAI 技術(shù)對(duì)信息商品經(jīng)濟(jì)影響的基礎(chǔ)上,進(jìn)一步對(duì) GenAI 如何帶來「產(chǎn)品范式」遷移這一問題進(jìn)行了分析,下面我們將進(jìn)入對(duì)「產(chǎn)品范式」轉(zhuǎn)移的最終產(chǎn)物—— AI-Native 應(yīng)用進(jìn)行分析。

四、AI-Native 的再認(rèn)識(shí)

作為 GenAI 時(shí)代技術(shù)價(jià)值兌現(xiàn)的載體,「AI-Native 應(yīng)用」被賦予了沉重的使命的同時(shí)也成為了市場(chǎng)上最火熱的概念,但 AI-Native 是什么、其有何特點(diǎn)、如何被衡量這些關(guān)鍵問題卻似乎并未成為共識(shí),下面我將對(duì)這些問題提供一些觀察視角。

1. AI-Native 不是什么

“那么你覺得「AI-Native」的判斷標(biāo)準(zhǔn)是什么”,這是筆者在和一些新朋友交流討論時(shí)經(jīng)常會(huì)提到的問題,而從實(shí)際的討論過程來看,這個(gè)問題的答案遠(yuǎn)談不上共識(shí),那么我們不妨從更容易形成共識(shí)的部分——「AI-Native 不是什么」來入手。

我們可以通過技術(shù)在應(yīng)用中所發(fā)揮的作用這一視角來對(duì)市面上的 AI 產(chǎn)品進(jìn)行分類:

  • AI-by side:即 AI 技術(shù)在產(chǎn)品中是一個(gè)可選項(xiàng),產(chǎn)品核心價(jià)值不受 AI 技術(shù)影響,比如 PowerPoint 中的 AI copilot 功能并不影響其核心使用流程。
  • AI-Inside:即 AI 技術(shù)在產(chǎn)品中是一個(gè)核心組件,離開這個(gè)組件,產(chǎn)品的核心價(jià)值將受到顯著影響,比如 Gamma 的 AI 生成能力上線后迅速帶來營(yíng)收增長(zhǎng)并成為核心能力。
  • AI-Based:即 AI 技術(shù)是產(chǎn)品成立的基礎(chǔ),如果沒有相關(guān) AI 技術(shù),就不會(huì)有這個(gè)產(chǎn)品,比如,Tome 就是完全以 LLM 技術(shù)為基礎(chǔ)建立的產(chǎn)品。

三種主流 AI 產(chǎn)品類型

從名稱上就可以看出,我們并不認(rèn)為上述產(chǎn)品是 AI-Native 的,事實(shí)上我們希望提出一種新判斷視角,這種視角來自于我們上文對(duì)產(chǎn)品范式轉(zhuǎn)移的分析,該判斷視角表述為:產(chǎn)品是「軟件范式」還是「模型范式」。

我們認(rèn)為只有符合「模型范式」的產(chǎn)品才足夠 AI-Native,而在此視角下,結(jié)合前文對(duì)「模型范式」的分析,我們將 AI-Native 產(chǎn)品定義為:

以提升智慧程度為目標(biāo),以可持續(xù)迭代算法為核心,以轉(zhuǎn)化可訓(xùn)練數(shù)據(jù)為手段,并在信息商品經(jīng)濟(jì)的一個(gè)或多個(gè)環(huán)節(jié)中能夠產(chǎn)生優(yōu)化的某種方法。

下面我將分析這種視角下 AI-Native 產(chǎn)品的特點(diǎn)以及判斷標(biāo)準(zhǔn):

2. AI-Native 的特點(diǎn)

「模型范式」下的 AI-Native 產(chǎn)品可能會(huì)具備以下特點(diǎn):

新目標(biāo)

AI-Native 產(chǎn)品的一個(gè)顯著特點(diǎn)是其擁有一個(gè)全新的目標(biāo),我們將其表述為:

AI-Native 產(chǎn)品的目標(biāo)是不斷增強(qiáng)解決某種問題的模型智慧水平

這是「軟件范式」下產(chǎn)品工作中所不具備的目標(biāo),而這種目標(biāo)的變化也會(huì)對(duì)產(chǎn)品各個(gè)工作環(huán)節(jié)產(chǎn)生連帶影響。

新組織

相比于「軟件范式」下組織圍繞「如何提高有效代碼量」進(jìn)行運(yùn)轉(zhuǎn),AI-Native 產(chǎn)品所對(duì)應(yīng)的組織將基于「如何提升從數(shù)據(jù)到智慧的轉(zhuǎn)化效率」而建立[5]。

新載體

我們?cè)谇拔闹刑岬竭^,信息商品經(jīng)濟(jì)的發(fā)展歷程中,「軟件形態(tài)」向來作為產(chǎn)品的核心甚至唯一載體,而 AI-Native 時(shí)代,伴隨著軟件成為被模型可生成、可調(diào)用的角色,產(chǎn)品的載體將轉(zhuǎn)移到算法,而軟件形態(tài)的產(chǎn)品功能將被賦予新的意義:模型可訓(xùn)練數(shù)據(jù)的獲取渠道和轉(zhuǎn)化器,我們相信這個(gè)新意義將成為決定產(chǎn)品成敗的關(guān)鍵要素,所以在下文中會(huì)有更多分析。

以上描述并非思想實(shí)驗(yàn),而是可以在 OpenAI 的組織以及 ChatGPT 等產(chǎn)品中得到印證:

  • OpenAI/ChatGPT 的目標(biāo)是不斷增強(qiáng)解決 AGI 問題的模型智慧水平[6]
  • OpenAI 的組織完全按照最大化模型能力提升效率進(jìn)行設(shè)計(jì),比如,據(jù)稱其并不像絕大數(shù)據(jù) AI 公司那樣設(shè)計(jì)一個(gè)統(tǒng)一的 AI-infra 團(tuán)隊(duì),而是將訓(xùn)練 infra 歸于 compression 團(tuán)隊(duì),inference 部分歸于 alignment 團(tuán)隊(duì),這是一個(gè)典型從數(shù)據(jù)向智慧轉(zhuǎn)化效率考慮的非常規(guī)組織架構(gòu)
  • ChatGPT、Plugin、GPTs 的產(chǎn)品設(shè)計(jì)中,我們都能清晰的看到其通過軟件產(chǎn)品形態(tài)來獲取新智慧數(shù)據(jù)的目的[7]

3. 你的產(chǎn)品 AI-Native 嗎?

下面我們將基于上述分析如何判斷一個(gè)產(chǎn)品是否 AI-Native,這里提出以下三種評(píng)估維度:

產(chǎn)品-算法擬合度

產(chǎn)品-算法擬合度=算法對(duì)產(chǎn)品優(yōu)化貢獻(xiàn)/(算法對(duì)產(chǎn)品優(yōu)化貢獻(xiàn)+軟件對(duì)產(chǎn)品優(yōu)化貢獻(xiàn))

由于一個(gè)產(chǎn)品的本質(zhì)是對(duì)信息商品經(jīng)濟(jì)的某種優(yōu)化,將其與上文 AI-Native 產(chǎn)品的目標(biāo)結(jié)合起來, 那么 AI-Native 產(chǎn)品所要解決的問題應(yīng)該且必須能夠?qū)?yīng)到一個(gè)核心算法,核心算法智慧程度對(duì)產(chǎn)品優(yōu)化的貢獻(xiàn)占比越大,AI-Native 程度越高,具體來說:

  • 核心算法的目標(biāo)是待解決問題的另一種表述
  • 核心算法優(yōu)化=產(chǎn)品優(yōu)化

可訓(xùn)練數(shù)據(jù)占比

可訓(xùn)練數(shù)據(jù)占比=能夠被核心算法訓(xùn)練的數(shù)據(jù)量/業(yè)務(wù)總數(shù)據(jù)量

在 AI-Native 時(shí)代,產(chǎn)品的業(yè)務(wù)的數(shù)據(jù)收集、處理將圍繞「可被核心算法訓(xùn)練」目標(biāo)來設(shè)計(jì),擁有更高可訓(xùn)練數(shù)據(jù)占比的產(chǎn)品的 AI-Native 程度更高,這意味著:

產(chǎn)品能力迭代的思想將從人工主導(dǎo)的「數(shù)據(jù)飛輪」向模型主導(dǎo)的「智慧飛輪」轉(zhuǎn)變

產(chǎn)品能力迭代的路徑從「數(shù)據(jù)收集-人工分析-產(chǎn)品迭代」模式轉(zhuǎn)為「數(shù)據(jù)收集-算法優(yōu)化-產(chǎn)品迭代」

功能 prompt 化率

產(chǎn)品功能 prompt 化率=通過 prompt 實(shí)現(xiàn)的功能數(shù)量/產(chǎn)品功能總數(shù)

對(duì)于 GenAI 技術(shù)來說,生成模型本身成為了一種計(jì)算能力,即「模型算力」,而 prompt(廣義層面 prompt,泛指對(duì) GenAI 模型的所有輸入) 則是調(diào)取這種計(jì)算能力的方式,所以一個(gè)產(chǎn)品中通過 prompt 實(shí)現(xiàn)的功能占比將決定:

  • 產(chǎn)品的迭代速度,使用 prompt 調(diào)取「模型算力」來更新產(chǎn)品將比軟件開發(fā)的效率更高
  • 產(chǎn)品能力的優(yōu)化方式,使用 prompt 來實(shí)現(xiàn)產(chǎn)品功能意味著更大范圍的「智慧飛輪」效應(yīng)

本節(jié)我們從信息商品經(jīng)濟(jì)和范式轉(zhuǎn)移視角對(duì) AI-Native 產(chǎn)品的定義、特點(diǎn)以及衡量方式問題進(jìn)行了討論,下面我們將更進(jìn)一步,對(duì) AI-Native 的產(chǎn)品類型進(jìn)行分析

五、你的 AI-Native 是什么

由于 AI-Native 產(chǎn)品是正在快速生長(zhǎng)的新物種,我們尚未看到有人對(duì)其類型進(jìn)行劃分,這里我們依然從信息商品經(jīng)濟(jì)和 AI-Native 產(chǎn)品定義、特點(diǎn)進(jìn)行分析。

1. AI-Native 分類:不同效率的智慧轉(zhuǎn)化器

我們進(jìn)行分類維度的選擇如下:

1)產(chǎn)品的經(jīng)濟(jì)價(jià)值角度,即產(chǎn)品對(duì)應(yīng)問題/場(chǎng)景需要人類智慧的程度,智慧程度越高則產(chǎn)品價(jià)值越大,模型能力的成長(zhǎng)空間也就越大,這里分為:

  • 高智慧場(chǎng)景
  • 低智慧場(chǎng)景

2)產(chǎn)品的使用方式角度,即產(chǎn)品的使用頻率,使用頻率越高則用戶與模型的交互次數(shù)就越多,從而有更多的業(yè)務(wù)數(shù)據(jù),這里分為:

  • 高頻使用
  • 低頻使用

3)產(chǎn)品的「智慧飛輪」角度,即業(yè)務(wù)數(shù)據(jù)向可訓(xùn)練數(shù)據(jù)轉(zhuǎn)化的效率,轉(zhuǎn)化效率越高則業(yè)務(wù)數(shù)據(jù)中的人類智慧向模型轉(zhuǎn)化的速度就越快,模型的迭代速度也就越快。

  • 高智慧轉(zhuǎn)化率
  • 低智慧轉(zhuǎn)化率

事實(shí)上,任何一個(gè) AI-Native 產(chǎn)品都可以被視為上述三個(gè)維度組合起來的人類智慧轉(zhuǎn)化器,即:通過產(chǎn)品的方式,以不同的效率將人類智慧向模型進(jìn)行轉(zhuǎn)化。

人類智慧通過不同類別 AI-Native 產(chǎn)品轉(zhuǎn)化到模型

2. 一些例子

下面通過一些典型產(chǎn)品來更加直觀的說明上述分類方法:

高智慧場(chǎng)景-高頻使用-高智慧轉(zhuǎn)化率

典型產(chǎn)品:Github Copilot

分析:面向代碼寫作過程這一高智慧場(chǎng)景,用戶在高頻使用補(bǔ)全功能的同時(shí),會(huì)對(duì)不滿意的生成內(nèi)容直接進(jìn)行修改,而修改后的內(nèi)容則是一份新的可訓(xùn)練數(shù)據(jù)。

高智慧場(chǎng)景-高頻使用-低智慧轉(zhuǎn)化率

典型產(chǎn)品:ChatGPT

分析:面向通過對(duì)話來完成通用任務(wù)的高智慧場(chǎng)景,用戶會(huì)在單一任務(wù)中高頻與模型交互,但是用戶并無法直接對(duì)模型生成內(nèi)容進(jìn)行修改,大部分用戶也不會(huì)對(duì)結(jié)果主動(dòng)進(jìn)行標(biāo)注,這會(huì)大幅降低模型獲取用戶智慧的效率。

高智慧場(chǎng)景-低頻使用-低智慧轉(zhuǎn)化率

典型產(chǎn)品:Midjourney

分析:面向繪圖這一高智慧場(chǎng)景,但用戶并不會(huì)針對(duì)一張圖片的內(nèi)容與模型高頻交互,并且對(duì)于每次生成的結(jié)果,用戶只能為模型提供了一份經(jīng)過人工篩選的結(jié)果標(biāo)注數(shù)據(jù),而非包含更多人類智慧的具體的內(nèi)容判斷描述。

低智慧場(chǎng)景-低頻使用-低智慧轉(zhuǎn)化率

典型產(chǎn)品:Perplexity

分析:信息檢索是一個(gè)智慧含量相對(duì)更低的場(chǎng)景,用戶在同一個(gè)信息獲取任務(wù)中,通常不會(huì)與模型多次交互,并且也缺乏對(duì)模型結(jié)果進(jìn)行質(zhì)量判斷從而進(jìn)行反饋標(biāo)注的能力,這使得產(chǎn)品能夠從用戶處獲取的智慧信息有限。

需要強(qiáng)調(diào)的是,上述分類方法是從模型即產(chǎn)品的視角進(jìn)行觀察,僅用于評(píng)價(jià)「模型范式」下產(chǎn)品中核心算法的能力提升空間以及優(yōu)化效率,并不用于評(píng)價(jià)產(chǎn)品的經(jīng)濟(jì)價(jià)值、用戶規(guī)模、市場(chǎng)空間等,所以:一個(gè)「低智慧場(chǎng)景-低頻使用-低智慧轉(zhuǎn)化率」的產(chǎn)品并不意味著不是一個(gè)好產(chǎn)品,而僅代表其智慧轉(zhuǎn)化效率會(huì)更低。

經(jīng)過前文的分析,我們對(duì) AI-Native 有了更加全面和深入的認(rèn)識(shí),那么下面我們將從更宏觀的視角審視 AI-Native 產(chǎn)品。

六、AI-Native 的產(chǎn)品智能主義

任何偉大的事業(yè)都需要值得信仰的主義,那么對(duì)于 AI-Native 來說,我們應(yīng)當(dāng)信仰什么?

1. 從算法壓縮到產(chǎn)品連續(xù)

OneMoreAI 的朋友們一直都是「壓縮」理念的堅(jiān)定布道者,「Compression-Next token prediction」范式已經(jīng)成為了行業(yè)共識(shí),但這畢竟是一個(gè)技術(shù)范式,無法指導(dǎo)產(chǎn)品,所以我們需要為 AI-Native 產(chǎn)品尋找一個(gè)像「壓縮」一樣簡(jiǎn)單卻本質(zhì)的基礎(chǔ)理念和范式。

我們給出的答案是:連續(xù)

「連續(xù)」是對(duì)「壓縮」的繼承和延續(xù)

對(duì)「連續(xù)」的思考來源于 Ilya 去年8月一次主題為《An Observation on Generalization》的分享[8]。

此次分享中,Ilya 從「壓縮」視角對(duì)無監(jiān)督學(xué)習(xí)的有效性進(jìn)行了闡述,其中一個(gè)核心概念為:無監(jiān)督學(xué)習(xí)的監(jiān)督學(xué)習(xí)(supervised learning of unsupervised learning),他認(rèn)為無監(jiān)督學(xué)習(xí)之所以必然有效,原因在于當(dāng)我們對(duì)兩個(gè)數(shù)據(jù)集 X 和 Y 進(jìn)行壓縮時(shí),X 和 Y 可以互相作為對(duì)方的有監(jiān)督數(shù)據(jù),即通過找到 X 和 Y 中存在的共同模式來實(shí)現(xiàn)更高的壓縮比。

這是一個(gè)非常技術(shù)的說法,下面我們給出更偏產(chǎn)品視角的表述:

當(dāng)我們使用無監(jiān)督方式來訓(xùn)練能夠滿足兩個(gè)不同任務(wù)A,B(兩份不同數(shù)據(jù))的模型時(shí),我們得到的是一個(gè)介于A任務(wù)和B任務(wù)能力之間的模型,所以這個(gè)模型不光能夠完成 A 任務(wù)和 B 任務(wù),也能夠完成介于 A 和 B 之間的任務(wù),即在 A、B 任務(wù)間實(shí)現(xiàn)了某種能力的連續(xù)。

舉例:當(dāng)我們提供一份中-英翻譯任務(wù)的數(shù)據(jù)和一份中文歌詞寫作任務(wù)的數(shù)據(jù),通過無監(jiān)督方式壓縮出模型除了能夠進(jìn)行中文到英文的翻譯、用中文寫歌詞外,其也具備實(shí)現(xiàn)用英文創(chuàng)作歌詞的能力(雖然我們并沒有專門提供英文創(chuàng)作歌詞的數(shù)據(jù)),這意味著通過無監(jiān)督的壓縮方式,模型在兩個(gè)任務(wù)所需的不同能力間實(shí)現(xiàn)了連續(xù)。

顯然,更高的模型壓縮比意味著更連續(xù)的產(chǎn)品能力,所以「連續(xù)」是模型「壓縮」技術(shù)能力在產(chǎn)品層面的延伸和具象。

「連續(xù)」是 AI-Native 產(chǎn)品智慧的衡量標(biāo)準(zhǔn)

我們?cè)谇拔闹幸呀?jīng)提到 AI-Native 產(chǎn)品目標(biāo)的是「解決特定問題的更高智慧」,而「連續(xù)」正是這種智慧的衡量標(biāo)準(zhǔn),具體來說:

  • 復(fù)雜指令的遵循能力是模型智慧的直接體現(xiàn)
  • 復(fù)雜指令可以被拆解為多個(gè)簡(jiǎn)單指令,即簡(jiǎn)單任務(wù)
  • 復(fù)雜指令直接的遵循可視為在多個(gè)簡(jiǎn)單任務(wù)間實(shí)現(xiàn)「連續(xù)」

所以,對(duì)于一個(gè)產(chǎn)品所面向的問題,我們可以使用模型對(duì)該問題下特定復(fù)雜指令的遵循來衡量其智慧程度。

比如,如果我們有兩個(gè)模型,為了完成某項(xiàng)任務(wù):

  • 模型 A 只能通過用戶給出多步簡(jiǎn)單任務(wù)指令才能完成
  • 模型 B 支持用戶在一條指令中描述所有需要執(zhí)行的操作即可完成

我們會(huì)認(rèn)為模型 B 的智慧程度更高,而通過上文的分析,我們知道模型 B 的能力更加連續(xù)。

「連續(xù)」是AI-Native 產(chǎn)品工作的路徑指導(dǎo)

如果說「壓縮比」是 LLM 模型工作的極致追求,那么「連續(xù)性」也許該被 AI-Native 的產(chǎn)品工作奉為圭臬。

事實(shí)上,我們完全可以通過「連續(xù)」來建立整套 AI-Native 產(chǎn)品工作框架:

  • 從面向的問題出發(fā),定義出產(chǎn)品所需的模型能力
  • 將產(chǎn)品所需的模型能力按照用戶使用方式梳理出不同連續(xù)程度,即從簡(jiǎn)單到復(fù)雜的指令
  • 通過對(duì)不同連續(xù)程度指令的效果評(píng)估和優(yōu)化模型能力的連續(xù)性

注:篇幅原因這里不做展開

2. 產(chǎn)品智能主義及其存在基礎(chǔ)

在「連續(xù)」的分析基礎(chǔ)上,我們提出 AI-Native 的 「產(chǎn)品智能主義」。

產(chǎn)品智能主義是什么?

「產(chǎn)品智能主義」的定義:

「產(chǎn)品智能主義」是以GenAI 技術(shù)為基礎(chǔ),以 AI-Native 產(chǎn)品為載體,以提升特定信息商品經(jīng)濟(jì)中問題的優(yōu)化智慧為目標(biāo)的工作方法和思想的總和,是實(shí)現(xiàn)更連續(xù)智能的產(chǎn)品化路徑。

以下是對(duì)該定義的展開說明:

  • 產(chǎn)品智能主義以 LLM 為代表的 GenAI 技術(shù)為基礎(chǔ),沒有 GenAI 技術(shù)的出現(xiàn)和發(fā)展,就沒有產(chǎn)品智能主義。
  • 產(chǎn)品智能主義的實(shí)踐載體是 AI-Native 產(chǎn)品,一切工作的開展都將以 AI-Native 產(chǎn)品為落腳點(diǎn)。
  • 產(chǎn)品智能主義的目標(biāo)是通過提升解決特定問題的產(chǎn)品智慧水平成長(zhǎng)為連續(xù)程度更高的智能。

產(chǎn)品智能主義存在的必然性

我們認(rèn)為「產(chǎn)品智能主義」的出現(xiàn)、存在、和發(fā)展有其客觀必然性,具體來說:

  • 歷史必然性:產(chǎn)品是人的能力延展,即一種媒介,智慧向更好的媒介轉(zhuǎn)化是人類社會(huì)發(fā)展的永恒趨勢(shì),機(jī)器、軟件都曾作為特定歷史階段中承接人類智慧的媒介外延,如今的媒介主體只是成為了算法。
  • 技術(shù)必然性:Transformer 為代表的無監(jiān)督學(xué)習(xí)是一種極強(qiáng)的非結(jié)構(gòu)化數(shù)據(jù)模擬器,語言模型則可以將所有任務(wù)統(tǒng)一到由自然語言作為輸入和輸出的單一模型,維特根斯坦曾說過“語言的界限就是我們世界的界限”[9],所以 LLM 理論上能夠?qū)崿F(xiàn)“凡是能夠說的,都能夠說清楚”[9],而如何使用語言本質(zhì)是一個(gè)產(chǎn)品問題而非技術(shù)問題。
  • 社會(huì)必然性:無論是技術(shù)還是產(chǎn)品,其發(fā)展都無法脫離政治、經(jīng)濟(jì)、市場(chǎng)層面的支撐和約束,而產(chǎn)品智能主義必然更容易在這些約束中找到自己的出路。

3. 智能道路上的殊途同歸

在通往更高智能的道路上,技術(shù)和產(chǎn)品絕不是非此即彼的路線問題,而是相互支撐和成就的一體兩面。

在 AI-Native 的產(chǎn)品智能主義語境下,我們認(rèn)為技術(shù)驅(qū)動(dòng)智能和產(chǎn)品驅(qū)動(dòng)智能是起點(diǎn)不同的殊途同歸,具體來說:

1)技術(shù)驅(qū)動(dòng)的路徑:

  • 智慧能力突破
  • 新的智慧能力與場(chǎng)景匹配
  • 得到能夠解決問題的產(chǎn)品
  • 積累新的數(shù)據(jù)
  • 新的智慧提升

2)產(chǎn)品驅(qū)動(dòng)的路徑:

  • 場(chǎng)景與已有智慧能力匹配
  • 得到能夠解決問題的產(chǎn)品
  • 積累新的數(shù)據(jù)
  • 新的智慧提升

在上一篇文章的副標(biāo)題中,我們寫道:因?yàn)橥?AGI,所以成為 AGI。

這其實(shí)帶有某種產(chǎn)品經(jīng)理的“私心”和“偏見”,在大模型元年結(jié)束后進(jìn)行回望,我們則更愿相信:

技術(shù)設(shè)計(jì)智能,產(chǎn)品生長(zhǎng)智能,如果說技術(shù)智能主義是人類對(duì)神性的終極追求,產(chǎn)品智能主義則是生命自己會(huì)尋找出路的道法自然。

AI-Native 的大產(chǎn)品時(shí)代有足夠廣闊的天空,所以無論是技術(shù)驅(qū)動(dòng)還是產(chǎn)品驅(qū)動(dòng),大家都能頂峰相見。

七、結(jié)語

本文的實(shí)質(zhì)是筆者以一個(gè)「模型產(chǎn)品經(jīng)理」的視角對(duì)過去一年工作的思考、復(fù)盤、和總結(jié),由于篇幅和筆者的能力約束,一些問題在文中未能充分討論,也必然存在一些不正確的觀點(diǎn),衷心期待與更多朋友進(jìn)行高質(zhì)量的思維碰撞,讓我們一起「認(rèn)知開源」。

Reference

https://blog.cloudflare.com/zh-cn/radar-2023-year-in-review-internet-services

https://www.36kr.com/p/1723061551105

https://arxiv.org/abs/2401.10020

https://book.douban.com/subject/35951747/

https://mp.weixin.qq.com/s/499NG03U3jC-S_9K6ek8pA

https://openai.com/blog/planning-for-agi-and-beyond

https://mp.weixin.qq.com/s/WNa7c6mF_1gBoPjWDmtZEw

https://www.youtube.com/watch?v=AKMuA_TVz3A

https://book.douban.com/subject/1005354/

本文由人人都是產(chǎn)品經(jīng)理作者【OneMoreAI】,微信公眾號(hào):【OneMoreAI】,原創(chuàng)/授權(quán) 發(fā)布于人人都是產(chǎn)品經(jīng)理,未經(jīng)許可,禁止轉(zhuǎn)載。

題圖來自Pixabay,基于 CC0 協(xié)議。

更多精彩內(nèi)容,請(qǐng)關(guān)注人人都是產(chǎn)品經(jīng)理微信公眾號(hào)或下載App
評(píng)論
評(píng)論請(qǐng)登錄
  1. 目前還沒評(píng)論,等你發(fā)揮!
专题
12643人已学习12篇文章
企业想扩大自身的知名度和影响力都离不开新媒体。本专题的文章分享了企业新媒体运营指南。
专题
43501人已学习21篇文章
优惠券的知识点非常丰富,而且随着运营方式的增多, 不同运营目标所使用的优惠券也是不一样的。
专题
13040人已学习14篇文章
在项目实际推进过程中,不加控制的需求变更往往给项目带来沉重的负担和无法预料的风险。本专题的文章分享了如何做好需求变更。
专题
12357人已学习12篇文章
精细化运营、抓住老用户、提升用户复购,则将是品牌需要着重留意的地方。本专题的文章分享了提升复购率的N种方法。
专题
34241人已学习17篇文章
让我们来扒一扒跨境电商的风险和机遇|从业者必看
专题
35879人已学习14篇文章
原型对于产品经理来说是一门必修课。