文 | 李智勇
什么是AI落地過程中的最大問題呢？如果只可以選一個我選產品。AI產品所需要的復合度比互聯網時代的App是要大的，同時對技術的依賴程度也在變深，而在實際運轉過程中權重最低，作為結果就問題最大。這一定程度上可以從干技術和干產品的人薪資上看出這個權重，很多企業也許愿意花百萬以上薪資招算法的研發，但恐怕很少企業愿意花類似的薪資招產品。這就是一種錯配，因為從商業成功的角度看，產品是整體肯定比單點的技術重要。
典型的作死模式
打磨AI產品的時候有一種模式可以稱之為勤奮型赴死。表現就是產品經理或者相關人員沒在琢磨產品本身，而是在使勁專研和強化自己對AI技術的理解，能說出下面這樣一段話看著是有點酷的，但其實是走在緩慢自殺的路上：
GPT是一種基于變壓器的深度學習模型，它能夠通過自回歸的方式生成任意長度的文本序列。GPT的技術原理是利用大規模的無標注文本數據進行預訓練，然后在不同的下游任務上進行微調，從而實現多種自然語言處理的應用，如文本摘要、機器翻譯、問答等。GPT的核心是使用一個多層的變壓器編碼器，它能夠通過自注意力機制和位置編碼捕捉文本序列中的長距離依賴關系和順序信息。GPT的訓練目標是最大化給定前文的條件下，預測下一個詞的概率，從而學習到一個通用的語言模型。GPT的創新之處在于它能夠在不需要人工標注和特定領域知識的情況下，自動地從大量的文本數據中學習到語言的規律和知識，從而實現跨領域和跨任務的泛化能力。
其實這是我讓GPT瞎編的，但這種風格，在打造AI產品過程中屬實常見。
這類對細節知識的追求也是要花很多時間的，追求過后就會有一種專家的幻覺。有基礎的理解十分必要，但往這個方向專研卻正好反了，對產品自身也是有害的。
為什么這么說呢？
產品介于技術和場景之間，確實要了解技術，但不是往技術深處的那種理解，而是從場景這一邊去理解技術，否則弄個技術專家干產品不就完了么！從這個角度需要澄清的是當前技術的應用邊界，比如大模型到底干什么行？干什么不行？而不是這技術到底由什么組成，每個組成什么意思。從技術看技術，才是往里面去，關注到底多少參數，除非你就是做模型產品的產品經理。
產品研究技術在跨過某個心里閾值后，還會發生更可怕的事，做預測。
很多場景預測是需要的，但產品經理不能做。
基于新技術現在能干什么來定義產品，而不是基于它潛在能干什么定義產品，因為產品是馬上要給人用的，本身就是最大的預測了，如果還把技術的不確定性導入進來，那風險就會大道無以復加，變期貨了。
為什么這么說呢？因為其實預測根本不準。過去十年不單是產品人預測不準，頂級專家一樣預測不準。
形象點說一個產品經理如果是滿口技術詞匯，那其實是練錯武功了。
現實里為什么很容易這樣呢？
這是組織結構的特征導致的。
典型的AI公司都是技術人員創建的（此前融資的時候這是關鍵因素），這樣就直接導致要素關鍵度注定會反過來：產品要在技術上面，而不是技術決定產品。
技術發言權大，會導致一系列問題。我們想象一下下面的情形：
老板是AI方向的 PhD，產品經理是不錯學校的本科，這個配重下產品別提創新定義，很多時候估計都在心里打鼓，自己說的話對不對，會不會被開了，會不會被懟不專業。避免被懟個幾次，為了證明自己的優秀，那就使勁弄清楚這些高級詞到底什么意義，讓自己變的看著還懂行，很專業。
產品經理的內涵實在太虛、太綜合，畢竟不像干算法的是靠一個點專業上的本事吃飯，從工作的角度本來就需要找點實的東西往腳下填一填。而現有的組織結構其實強化這種內置趨勢。
互聯網早期其實完美錯過了這個陷阱。
大家知道互聯網時代的主角們大部分是程序員。
為什么是程序員呢，一個原因可能就是上古程序員根本不分工，一個人什么都干了，即干產品也干開發很多時候還得賣東西。這就導致這些人正好在就在上圖中間那個位置。有時候有人會強調自己編程技術多么厲害，這是事實沒錯，但肯定不是關鍵原因，因為編程厲害的人多了。我個人覺得一個關鍵促成成功的原因就是他們有更多產品和技術綜合的視角。
AI產品到底應該考慮那些維度呢？
產品來源于技術和場景，代表用戶視角所以又高于這兩者，這個位置決定非常多價值創造過程里的約束和方法。
這個價值創造過程對AI有什么特別的呢？
這正好可以從價值創造本身和受到的約束兩個角度來展開。
第一是你價值創造的完整性。到底有沒有用。
第二是你受到的剛性約束。技術的應用邊界和場景內定的游戲規則都影響你的產品到底在實際中有沒有相對價值。
第三則是潛在的價值實現通路上有那些約束。要干100年顯然沒那么多錢給你干。
可以用這個視角來看當前的AI各種產品。
價值創造的完整性
AI帶給人一種所有產品要重做的感覺，所以似乎那里都是機會，但其實并不是。
我們這世界的產品格局在互聯時代已經被塑造過一遍了。越是和過去的貼近，越是屬于原來的陣營，AI從形成應用力量的角度看，還是過于弱小，不具備這類顛覆的力量。AI能把抖音重做么？在這里產品整個的權重是100的話，AI的權重可能只有不到10。
AI確實能做些新的事兒了。在新的構想力量又分兩類：
一類就是Copilot這類生產力工具，這類工具越大微軟這類巨頭盯的越緊。從技術角度這是個新產品，但從場景角度看，這就是新的word，不可能有機會。
不干局部就得干整體，另一類則和對崗位人的置換有關。你是不是完整能把客服、外呼等工作做了。如果可以？那價值創造的模型就非常簡單，會變成就業市場有多少價值，打個折。
在這個領域上，最核心的是什么呢？這兩類產品的區別是什么呢？
是價值創造的完整性。
后者必須在場景下解決全部問題，如果解決不了，那就是負擔。比如招聘的時候能不能給個職位描述就把人招來了。
可以畫張圖描述上面的產品分布：
技術的應用邊界與場景游戲規則
技術應用邊界是說這項技術本身在落地過程中有什么是短期不太可能解決的，進一步就導致要把他們看成前置條件。
顯然的幻覺問題非常難解決，另一個則是覆蓋場景越復雜，其結果的不確定性也就越高。再簡單點，同樣的prompt它結果不總是一樣。而顯然的不是所有場景都匹配這種不確定性。這種內置屬性沖突越厲害，產品掛的可能性就越高，并且會陷入苦戰。比如用大模型做稅務。
這部分正體現上面說的用技術視角來看技術和用產品視角來看技術的差異。我們再舉個更具體的例子：
以技術應用邊界和場景匹配度的角度來看技術，大模型那部分能力最優秀呢？
我個人覺得是編程，編程能力能打85分，十分契合。
至于經常說的內容創作，也就70多分。
為什么這么說呢？
假如你是個程序員，它能幫你寫程序么？對于初中級程序員而言，回答特別肯定。能。但也很不幸，這兩類崗位未來很可能直接就掛了。所以這是85分。
假如你是自媒體，它能幫你做創作么？答案是不能，雖然有些幫助。
之前把這部分特征總結成下圖：
價值實現通路上的約束
理論上只要無限的資源，那任何一個創造價值的產品就都可以成立，但我們沒有無限資源。
所以商業實現通路的考量是產品起點上的一個部分。到底要歷經那些關口，消耗多少資源才可能把水燒開？這是產品成立不成立的關鍵，也是產品要考慮的。
這里最典型例子就是是純粹數字的產品，軟硬融合產品還是帶機械結構的產品，越往后越重。純數字可以以月來計算閉環時間，軟硬融合則得是年了，沒3個版本(iphone差不多是到4才大成）穩定不下來。機械類的恐怕得以3年5年計算了（汽車一個新車型過去需要3年，特斯拉今天如日中天，但不要忘記這公司成立已經20多年了，也就這6~7款車型）。
之前把這部分特征總結成下圖：
工具的工具
各種產品中還有個小分類，就是英偉達為代表的工具的工具。為了支撐AI技術進展，需要數據、需要GPU等。但這地兒如果單純從投入產出上看，屬于風險收益比比較最差的地方，因為投入注定很大，但收益高度不確定?，F在似乎有機會，但其實和絕大部分人關聯不大。對人、資本要求都太高了，基本上是大廠的自留地，能做很可能是真的幻覺。
小結
上面是對AI產品的一些總結和思考，不一定對，如果非用一句話概括上面要說的，那就是：少談點技術，多想點產品。對于小公司，產品不單是產品，也是戰略的具象化。
