本次分享从AI近两年展现出来的出来的矛盾景象开始。
一边是持续出现的各种海量产品创意,一边则是真有进展者不多。这种进展不多既体现在像Character.ai这种有用户的产品无法变现,也体现在上批AI企业尝试拥抱大模型但效果不明显,港股上市的几家AI企业市值基本已经跌到不如融资额了。不能叫流血上市了,应该叫流骨髓上市。
这种普遍预期与AI既有现实的矛盾中,我们可以看出什么来呢?
现有产品成功的关键点
如果提取其中比较成功的产品共通特质,我们会发现下面三点:内容生成(AIGC)、小产品、海外市场。
那为什么会这样呢?本次分享中提供了一个简单的思考框架来回答者问题:
基于它可以呼应下上面的结论,为什么过去近两年这波在国外功能相对垂直的小产品能赚钱?
第一,国外有SaaS付费的环境 →价值实现的空间
第二,小产品可以避开和既有大产品的直接冲撞 →AI版农村包围城市,既有大产品就是城市,小产品盯的缝隙就是农村。如果和现有产品比如Office、PS直接冲撞,估计也是卖不出去,大概率撞死。
第三,产品特征集中在AIGC,而不是大模型爆出的其它能力,比如决策、交互 → 用相对成熟的技术干过去不能干的事。
各种听起来成功的产品基本是这个路数,Midjourney, Heygen。其中微软Copilot略有不同,因为它是富二代,可以不考虑第二点。
相比之下,只创造交互价值的第一代产品比如智能音箱在价值创造上就比较一般,如果现在新做的类似产品不改变价值创造本身而只是把后端的模型换成大模型,那大概率重蹈覆辙。
定位>努力
上面这个如果对,那衍生的要求必然是定位大于努力。既要找好农村,也要找好你钱从那里来。本质要认识现阶段的AI其实是纸老虎,看着很凶猛,真能干的事其实很脆弱的。
在脆弱预设的基础上做事,比在强大的预设基础上干事更靠谱。
形象说就是你打油井跑黄土高原上打全黄土大概率是不灵的。
思考框架的限度
源头上是新技术(AI)自身的特征和限度。
相比上次是模式识别(人脸识别等),这次则展示了大量通用能力,比如它可以帮你分析甚至做某些判断。但这大量的能力里面不同能力的成熟度是不一样的,其中AIGC的商业价值最大。
后续会什么样会取决于AI这科技树到底怎么打开。在没有本质变化前,上面的框架不会有什么太大变化。
而如果到OpenAI五级AI的第二步,也就是最近大家比较关注的Reasoner,那事情会有变化。
碰撞开始后第一个问题也是关于Level2的实现问题,我听完周以舟博士的技术分析,直接理解是这事肯定能搞定,就是在多大范围内搞定的问题。
而在技术、产品、市场三者中,反倒是市场更像不变量,比如对于SaaS付费或者不付费根本不是短期能改变的。
AI的眼下和下步
这样一来,局面反倒是清楚,如果只是视频生成这样的点做突破,那基本情形大概率会和过去两年差不多。还是会出现一些零散的小机会,这时候不管是培训、小工具等大概率都会重来一遍,有一个自己的小周期。
如果大模型真能干到推理并且能顶一个PhD用,那大量公司里面非物理相关的角色实在是不需要人了。还有点距离,但综合周博士、Google的发布会信息(帮助博士解决研究问题的助手)、OpenAI的部分声明来看,也没那么远,需要做点准备。可以开始构想新型应用了(Autopilot),不一定非在现有体系里面挤。
这里面有个细节的碰撞很有意思,我把五力模型放到行业上了。
侯宏老师对此则提到:五力模型最适合还是放到具体个案上,不适合一竿子打翻一船人。
落地上的碰撞点
这次活动谈的问题比较深入,覆盖面也比较广,比如AI整个产业链和汽车产业链对比能得到什么启示、大模型公司和既有产品的关系问题、大模型的使用成本问题、大模型大下去会不会规模不经济、产品和模型的边界问题、产品方法论问题、产品定位问题等。都非常有价值,未来AI碰撞局会想办法全面记录这些观点,当前因为种种原因,没法那么全面,所以还是摘取其中一两个比较典型的问题。
一个是关于幻觉、指令遵循等的问题。这是个特别现实的问题,谁真拿AI做产品第一痛点差不多都是这个。
构建该助手感觉像是偏离了“原则性”的机器学习,而更像是在专家系统中调整规则。因此,尽管我们的评估变得越来越复杂,但我们的“训练”却主要是提示词工程,这更像是一门艺术而非科学。 老李话一三,公众号:琢磨事AI智能体产品案例深度思考和分享(全球顶级公司实践细节,做AI智能体必读)
上面这是老外的感受,真正的环球同此凉热。对这问题几位嘉宾参与了回答,结论页不复杂:这就是个磨叽活,你也不可能指望一下子就搞好了。
核心就是搭配和打磨,贾梓筠博士管这个叫:技术不行工程来配,工程不行产品来配,产品不行运营来配,实践者视角还真就这样,反正要搞定问题。
真打磨的时候,想像周博士说的扬长避短,那第一步肯定是在提示词层面穷尽现有模型的能力,但纯粹靠现有模型多次复核其实也不靠谱,不单是贵,时延也承受不了,所以肯定要搭配其他模型,甚至就是标注出LLM长犯的错误,然后拿代码写规则进行预处理或者后处理。
幻觉问题与另一个大家关心的问题也有关系。
我这次又提到的AI产品要分出来一个1到10阶段,大家问到为什么不是过去的从0到1,从1到100。
骨子里就是上面幻觉这个原因。假设说花10块钱可以干到产品预期的80%,在某些限定场合也能用了。是不是可以算从0到1就基本完了,可问题是此后精度每提升一两个点都需要花费和80%差不多的精力,这部分打磨实在需要单独的一个分期。这阶段处理产品概念出来后,AI独有的精度和适配性问题。(我个人实践经验做AI产品不要太早高兴,后面能把你折磨快崩溃了)
小结
最后,感谢这次参与活动的各位同学,也感谢北大国发院的侯宏老师,长期奋斗在一线的AIoT公司联创和COO贾梓筠博士,正在某大厂主持大模型开发的周以舟博士一起参加这个活动。活动上的观点不一定都对,核心在于要是现场真实发生事情的反馈。对AI碰撞局来讲现场和鲜活比正确重要。AI碰撞局是个小活动,因为突然会有同学有事,所以人数从本来的一期30人扩大到了50人,但不改初衷,还是希望不是个课程,而是1小时分享,1小时尽可能多人参与的碰撞局。欢迎参加的每个人平等对话。
希望参加活动的同学请联系cathywangyue吧。
------------------------------------------------------------------------