文章目录
原文链接
01 卷 AI 原生应用才有价值，大模型进展 对 多数人不是机会
- 多次高潮和失望：过去的人工智能技术虽然曾在特定应用领域（比如下围棋、人脸识别）取得了进展，但由于其局限性和分散性，很难形成通用的产品。
- 转折点：大模型的出现改变了这种局面，它具有前所未有的通用性和学习能力，即所谓的“智能涌现”。这种特性使得大模型能够在各种场景中快速应用并产生价值。
- 对大模型的兴奋点：通用性和能够跨领域创造有价值解决方案的潜力。
未来主要的机会其实是在模型之上的 AI 应用
- 在基础模型之上，要有千千万万甚至数以百万计的 AI 原生应用，这个大模型的价值才能被体现出来
过去这一年的时间，媒体、社会、公众，主要的兴奋点还在基础模型上，没有转到 AI 的原生应用上，我多多少少有点着急。
类比一下，比如说移动互联网时代，就是 Android、iOS，其实就这么两个。今天微信、TikTok，它的价值我觉得一点都不比 iOS 或者 Android 低。为什么大家不去认认真真花精力做原生应用，天天关注模型进展。其实大模型进展对于绝大多数人来说都不是机会， 只有极少数跟这个技术非常相关技术人员去研究、去跟踪这些东西，我认为是有价值的。
-
卷是应该，但是得卷对地方。卷是很正常的，任何新东西和大机会来的时候，大家肯定就是逐步地都能看到，会一拥而上，然后有一个大浪淘沙的过程，这个非常正常。
-
评估大模型的进展
- 应关注其在实际应用场景中的表现，技术还是要为应用服务的。而不仅仅是跑分和榜单排名。你真的要为这个社会创造价值才行，这个确实不是你去发几篇论文，或者跑个测评就能够可以的。
- 刷榜可能有利于融资，但融资也是间接的，投资者愿意给你钱，是认为你最终能够靠这些东西挣到钱。
-
模型要以目标为导向，以应用为导向。
-
模型好坏的评估是一个做模型的公司的核心竞争力。
-
模型技术的先进性取决于其在特定应用场景下的效果和商业价值。
-
大模型竞争的主线是推理成本和效果的优化，而非仅仅依靠大力出奇迹
- 大力出奇迹这个说法，更多是指大模型从 0 到 1 的探索过程，OpenAI 在别人不知道这条路能够走通的情况下，用了足够多的算力，做足够多的数据训练，最后跑出来这条路。大家说他们其实也没有发明新的算法，用的就是 Transformer，最后做出来非常好的效果，是因为他用了足够多的卡。
- 但是我觉得再往后走，这个游戏不会是这个玩法，不会是大力出奇迹，而更多地走向它的反面。这个和所有商业竞争规律都是一样的，谁的效率高，谁胜出。你可以融资，我也可以融资，最后我用 10 块钱做出来 100 分的效果，你用 10 块钱做出来 120 分的效果，久而久之你就赢了。或者说为了做出 100 分的效果，我用 100 块钱，你用 80 块钱，你就赢了。 到最后，体现在应用上的价值就是价格。
-
企业应关注端到端的优化，提高效率，降低成本，从而在竞争中胜出
- 训练完了之后，你要应用。 应用是推理，你的推理成本是不是在同样效果之下比别人更低，或者同样成本之下，你的效果是不是比别人更好？这是将来竞争的主线 。
02 大公司代表落后生产力，千万不要看大公司在干嘛
- 政策环境和舆论影响： 国家的产业政策和舆论环境对于大模型应用的成功至关重要。政策支持和媒体关注能够推动这一领域的发展。
- 现有企业与大模型的结合： 关注如何让现有企业更好地利用大型模型，特别是对业务关键指标的积极影响。这一方面的关注度相对较低，但却是大型模型应用发展的重要点。
- 挑战于大公司的反应速度： 大公司常常反应较慢，可能代表落后的生产力，因此不能仅仅看大公司的做法。对于大模型应用的创新，更多的参与和探索是至关重要的。
- 拥抱新时代并打破肌肉记忆： 为了应对新时代的挑战，需要摒弃过去的惯例，放弃肌肉记忆，不断重构和重做现有业务，尤其是在大型模型的应用方面。
大模型是一个基础，上面如果有了有价值的应用，这个产业就算跑通了，就能越做越大。
现有企业、现有业务怎么能够更好地利用模型。重要的是我们现有的企业，它原来不管是做什么的，用了大模型之后，能不能对它的业务关键指标产生正向的作用。这块大家的关注度比较低，我觉得这个关注度如果能提上来的话，也是大模型做成、做大，非常重要的点。
即使现在靠大模型融了资的企业，也越来越多地在讲要开发应用。我认为这就是逐步走上了比较健康的轨道。不管它是自己的模型，还是用别人的模型，最终它的价值都要通过应用体现出来。
如果它自己能找到一个超级应用，那很好。如果找不到，它能赋能别人，基于它的模型去开发成功的原生应用，我觉得也很好。 我确实觉得，好几百个基础模型，这是对社会资源巨大的浪费，更多的资源应该放在各行各业的应用上 ，尤其是在我们算力还受限制的情况下。这就要寄希望于全社会对于这个事情的认知，能够有一个比较大的变化。
03 搜索本身也在进化，有机会变成全新的产品
- 传递对AI的热情和认知： 要让组织融入AI的认知，需要不断重复、多方位传播，包括公司会议、内部直播以及对员工的布道和讨论。这需要每个人都参与并不断学习，这种迭代过程本身也是兴奋和学习的源泉。
- 从"接入"到"重构"的转变： 对于大型模型在业务中的应用，关键在于重构、重做业务，而不是简单地将模型接入现有业务。这要求业务指标实际上产生积极变化，而不仅仅是简单的接入模型。
- 搜索和大型模型的关系： 大型模型对搜索有直接影响，搜索功能被分为"极致满足"、"推荐激发"和"多轮交互"三个部分。这意味着搜索将朝着更为智能、个性化和交互式的方向发展。同时，国外大型模型也在朝向搜索引擎靠拢，这也让搜索的未来变得不确定但充满可能性。
- 持续学习和尝试： 在大型AI模型的应用中，持续的学习和尝试至关重要。每一次尝试都可以为业务带来新的认知，也有助于推动模型和业务的迭代，形成良性循环。
我们会根据实际的业务开「思研会」，大家讨论这个技术和我的业务有什么关系、过去有哪些肌肉记忆需要破除、破除之后会是什么样的……我虽然不能参加每一场「思研会」，但是我会看很多他们留下来的总结。
我也从中学到很多东西，自己的认知也在不断迭代。这个迭代的过程实际上也是很让人兴奋的，你总觉得自己在学新东西，总觉得你又懂了一些过去没有想到、或者过去不是这样想的事情。虽然我们有几万员工，但是大家在这方面还是有共性的。当你觉得你不断在学新东西，当你觉得你不断看到新的可能性的时候，大家这个劲儿就上来了。
04 用生成式AI改造现有业务，可以创造更大价值
- 大型模型的价值创造方向： 目前尚无定论，大型模型的价值创造可能会出现在创造全新的"超级应用"或对现有应用的改造上。例如，像Microsoft 365 Copilot、Adobe一样，对现有产品的改造可能会带来巨大价值。
- 今天看 Microsoft 365 Copilot 一年营收 50 亿美元，比 OpenAI 全年的收入都大很多倍。仅就对现有产品的改造而言，就已经创造出来这么多新的价值。大家还是要多看大模型和自己现有业务的结合。可能一开始工程师会告诉你效果不好，这个东西对我们没价值。其实不是的，你要仔细去看、给模型提要求，最终经过几轮迭代之后效果就出来了。
- 公司需要明确战略边界： 在大模型领域，公司需要明确自己的战略边界和取舍，即决定做什么，不做什么。这可能涉及到停止某些过去已经在做的事情，这是CEO需要面对的难题，但也是必要的。生成式 AI 是如此大的机会，对整个社会可能都会产生重构，所以没有一家公司能够把所有机会全占住
- 市场竞争和生存： 公司应在市场竞争中发挥优势，如果在市场中做得最好，就会有生存的理由。
我始终都在讲的一句话是：什么叫战略？战略就是取舍，就是决定做什么，不做什么。 决定做什么相对容易一点，决定不做什么难一点，尤其是过去已经在做的事 。你决定说其实我的资源不应该再往这方面放，这个有点割肉，大家也会疼，也会有感情的问题。
但是作为一个 CEO，你就是要做这些决策。 一定要有所为，有所不为，一定要把不该做的东西去砍掉 。
对于外界的创业者、合作伙伴，其实你是在跟全部的市场竞争。如果你是在市场当中做得最好的，那你就有生存的理由。如果你被市场当中任何一个玩家所打败，那你就生存不下去。
05 创业公司能做出三五个Super App 、几千个垂类应用
- 对于创业者来说，如果新出的技术轻易替代了他们的产品，说明他们做的事情缺乏独特价值，需要调整方向。
- 大厂会拿走 AI 领域的大部分红利，但这并不意味着创业公司没有机会。创业公司仍可开发出有价值的应用。
- AI-Native（AI 原生）的定义仍在不断迭代，目前可以理解为具有自然语言交互特点的应用。但这仍然是一个开放性的概念，需要长期探索。
- 在 AI 时代，开发 AI-Native 应用的核心仍然是解决问题和创造价值。不过，产品经理、研发人员和公司组织能力的要求和方法会有所不同。例如，PM 和 R&D 的比例可能发生变化，PM 在前期测试阶段可能更独立地进行尝试，不太需要 R&D 介入。
我们也发现，纯自然语言的交互界面门槛是不低的。过去大家习惯了上滑一下看一个新内容，今天你让它输入一段话才看到内容，这个对于很多用户来说，门槛很高。
一方面我们要解决的用户需求是更复杂的需求 。它不仅需要你输入一段话，甚至需要多轮交互才能被搞清楚。但是我们也可以通过自然语言界面和图形用户界面结合的方式降低用户门槛。
再有，还是要做过去的技术做不到的事情 。过去所谓是辨别类的需求，比如人脸识别。其实生成类的需求大多数都是过去的技术做不到的，还是要看在哪能够创造比较大的价值，那它产生出来的应用很可能就是 AI 原生应用。
06 AI 时代 成功的产品经理，学习能力 最 重要
适合AGI时代的产品经理特质
- 未来的成功产品经理可能不是某一类人，而是各类人的综合。这些产品经理需要具备基础素质、强大的学习能力，对产品和市场有感觉，同时不害怕技术。他们需要关注业务需求，推动技术发展，而不是仅仅依赖现有的技术。
- 学习能力才是最重要的 。他不害怕这些技术，他会学，而且不满足对于现有技术的利用，而且要求技术，虽然你这个技术现在没有做到这一点，但我要求你给我做到这样，我才能够把我的产品做出来。
- 技术确实迭代太快。我们最优秀的技术也是很不成熟的技术。你一定要讲，我的业务需求是什么，我就逼着这些工程师，一定要把我这个需求给我满足了。你现在没做出来，OK，但是你要多长时间之内把它做出来？能提这样要求的 PM 才是合格的 PM。
对创新者的建议
- 建议创业者和开发者要尽早尝试新的技术，不断迭代认知，找到符合自己发展的道路。这是一个长期的机会，但需要抓住早期的机会，以免在竞争中落后。适合自己的、与自己场景匹配的技术才是最好的技术，即使是没有做AI的人，也可能有更大的机会。
- 尝试与实践： 大量的尝试和实践是重要的。当前对大模型应用的认知还很有限，需要不断尝试，探索可能的应用和创新。今天绝大多数的可能性还没有被尝试过，创业者开发者都要尝试，不管这条路走通、没走通都是宝贵的经验和教训。即使没走通也知道没走通，如果走通就是一个大机会。
- 时间尺度： 创业对时间尺度的把握至关重要。机会是长期的，但早期抓住机会能够在竞争中领先。
- 技术选择与场景匹配： 技术选择应该与自身场景和需求相匹配。并非一定要用所谓最先进的技术，而是应选择适合自己场景的技术。
- 价值导向： 技术的价值、潜力，关键是对核心业务的关键指标起正向影响，是最重要的。
- 开发门槛： 进入AI时代的开发门槛并不高，即使是非AI从业者也可能有很大的机会。
总结：尝试与把握原生应用的机会
大模型时代的来临，真正的价值在于原生应用，而原生应用无论对于大厂，还是中小企业，还是对于创业者来说，都是很大的机会。希望大家及早的去把握，尽量多的去尝试，我认为一定能够找到一条符合自己发展的道路。