圖片來源：由無界 AI生成
在AI從業者里有位備受關注的“網紅”叫Shawn Wang（他推特“swyx”更為大家熟知，同時也是Smol.ai的創始人），今年7月他在專欄“Latent Space”上首次提出了“AI engineer（AI工程師）”的概念。同名播客也是今年聽過最精彩的欄目之一。
這個新“人群”介于傳統機器學習工程師和為產品服務的全棧工程師之間，借助成熟的軟件供應鏈和API生態，還有日益開放的模型和開發工具鏈，AI工程師能夠快速搭建產品原型，利用現有公司的分發渠道或社媒等方式獲得用戶反饋和數據，從而進一步迭代模型本身，就如下圖。
有趣的是，10月Shawn在灣區舉辦了第一屆“AI Engineer Summit（峰會）”，大會上一位獨立開發者發表了一個引起眾多共鳴的事實：
“開發AI項目的過程中，我的時間80%都花在了UI設計上。”
AI似乎是最簡單的部分，如何把一個花了兩個小時搭好的demo變成可發布在生產環境的產品，才是最難的事情，而這部分工作量與AI無關。
在灣區的這段時間里，與正積極實踐將AI融合到已有SaaS產品的AI工程師的交流中，也的確感受到從原型到內測，再到邀請種子客戶測試的過程是復雜且反復，通常比預期都要長。
紅杉美國在9月發表的《生成式AI進入第二階段》新文章里，認為AI從拿著大模型找“釘子”的方式正式進入了“第二幕（Act 2）”，真正的壁壘在“客戶中，而不是在數據中”。
這個觀點對新進創業者來說有點殘酷，如果一開始大模型就無法沖破傳統的無論是面向企業場景的工作流或消費場景的網絡效應的話，那么大部分創業公司現在仍面臨“找釘子”的狀態，而且需要快速轉型。
在我看來，對初創公司甚至整個生成式AI的時代，其實大家仍在第一幕或第一階段，并沒有進入所謂的“第二幕”。
總的來說，還有三條鴻溝：
- AI既可以是feature（功能），也可以是產品，目前邊界是模糊的。
- AI native對產品經理和設計提出前所未有和更高維度的要求。
- 與其死磕融入或創造”新工作流”，或許不如直接賣“新工作”。
不久前ChatGPT集成了PDF Chat功能，網上就這個功能對一系列相似產品的沖擊展開了很有意思的討論。不少人認為很多初創公司會因此死掉，所有類GPT “wrApper/套殼”類產品都會在未來由于ChatGPT本身能力的延展而受到嚴重擠壓。
沒過多久，PDF.ai的創始人Damon Chen發表了自己的看法：
“我不認為ChatGPT會把很多PDF相關的小功能但又是用戶急切需要的都開發出來。當然，很多比我們規模小許多或者準備做這個方向的創業者會退場，而如果有VC投資的初創公司可能會死亡，如果他們還持續燒錢。
但是PDF.ai一直是bootstrap且盈利的。我們不是為了成為獨角獸，幾萬白美金ARR對我們來說足夠好了，我有1000%的信心可以做到。所以我甚至更樂觀了，我們有能力在Chat PDF類的產品里做到最好。”
更有意思的是，在這周第一屆OpenAI Dev Day當日，Chatbase的創始人Yasser和Damon同時在公開宣稱當日自家網站注冊量的激增，似乎這些所謂的”AI套殼“產品并沒有受到重創，反而讓更多用戶發現通用型GPT和單點工具的差異而選擇后者。
我非常贊同Damon的想法，也給創業者和獨立開發者很多啟發。
首先，如果要驗證AI是否在假設場景的價值，不要忌諱先做成“wrapper”。要快速搭建出可用的工具型產品，驗證市場。
經過大半年跟許多嘗試想快速在OpenAI的API基礎上搭建一個可用demo的工程師交流后，大家普遍發現要真正從一個外界看來是“套殼”的demo到變成可用的產品，還要跨越很多障礙，需要反復做許多實驗。
如上圖，在AI Engineer的大會上對遷移學習中的領域自適應（Domain adaptation），就有了現在集中主流方式的探討，想必RAG（搜索增強生成）是各類需要大模型獲得更多事實性信息的應用很關注的話題。
所以，即便利用了大模型的API，我們也不能籠統地認為“套殼”是一個簡單的工作，至少要做到一個可用的工具，百萬級用戶能穩定使用的產品，比大部分沒有0到1做過的人想象中要困難很多。
（那些從未真正build過產品的人總說OpenAI殺死了很多AI套殼產品，而正在做產品的人一直在掙錢）
其次，創業在海外擁有非常立體的環境。立體具體表現在：
- 你可以選擇不拿融資或少量融資，做一款擁有幾十萬甚至百萬用戶的小巧工具，同時有幾十萬甚至百萬美金收入。也可以選擇獲得巨額融資，發展成為能服務上千家企業客戶，擁有千萬甚至過億美金收入的企業級產品。
- 前者一直保持較小團隊規模，許多時候不超過10人，就能持續盈利，就像早些時候的Midjourney。后者在通常情況下，會持續擴張并保持融資和燒錢狀態，目的是成為行業第一，并試圖擠壓第二和第三的市場份額。
- 結果是，大多數前者很多時候并不會因為后者的持續擴張而受到嚴重擠壓，除非真的因為本身產品的退步。后者雖然有很大想象和飛躍可能，但要承擔一旦無法取得投資人預期的成績，就需要做出巨大改變或轉型，否則就要面臨因為無法自身造血而徹底退場的結局。
所以，當下無需過多糾結AI將是一個現有產品的“功能”還是有機會成為一個獨立的原生產品，因為在不同類型的用戶和場景來看，很可能都會存在。
但接下來，這對產品經理和設計師都提出了一個重要挑戰——如何設計出下一代AI原生體驗的產品。
蒙眼狂奔了大半年的AI公司的確開始吸納產品經理了，比如今年我了解到發展最快之一的法律科技公司Harvey.ai，不僅獲得了OpenAI和紅杉美國的投資，最近宣布招聘了第一位產品負責人Aatish Nayak，Nayak曾是Scale.ai的產品負責人，工作長達4年時間，也見證了傳統機器學習向生成式AI演進的重要里程。
同樣幾個月前，演示文稿生成工具Tome也吸納了第一位AI產品經理，在灣區跟他交流的時候，他剛加入不久，跟團隊高層當時討論的核心便是，以對話為交互基礎的體驗到底是不是用戶最能接受的方式？
或者說，作為一位AI產品經理，很重要的是如何將“傳統”用戶旅程和AI原生的體驗（目前核心是對話引導）巧妙結合，包括如何引導用戶盡快上手體驗AI。
一個微妙的發現是：產品不再是AI初創公司剛開始的必要崗位，AI本身讓創始人成為最重要的產品經理。
根本原因是，生成式AI給產品設計帶來的機會是讓所有產品實驗得以實時進行，讓用戶無感知地反饋甚至參與后續迭代，包括產品設計和”產品模型“。
產品模型便是所有實驗的核心，它是作為AI工程師或創始人，需要構建的一套完整且能自我迭代的技術棧，最終像OpenAI的聯合創始人Andrej Karpathy在他的”軟件3.0“理論中提出的：
讓產品能夠獲得”理解“和”生成“的能力。
無論這套模型是否擁有自己的大模型，無論在領域自適應中使用了哪種方法獲得精確的背景信息，無論是否通過自然語言對話來完成用戶的交互，重要的是能否利用現有的任何技術，設計出一套能實時產生交互數據并能反饋于最終效果和體驗的模型。
這里面最成功的案例莫非Github Copilot了。記得在某期播客中，產品初期的負責人曾說過，最美妙的地方在于用戶是與產品本身實時在交互，交互的過程（刪掉或保留代碼）和結果（代碼和程序）就是對模型最直接的反饋。甚至都不需要像ChatGPT一樣需要用戶點擊”大拇指
