国外亚洲成av人片在线观看,热99re久久精品这里都是精品,天堂网在线最新版www,国产成人av区一区二区三,51久久成人国产精品麻豆

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)生的影響及其對應(yīng)的產(chǎn)品市場空間，并以此分析了新的大產(chǎn)品可能的實現(xiàn)路徑，進(jìn)而對 GenAI 時代所面臨的產(chǎn)品范式轉(zhuǎn)移問題進(jìn)行分析推演，結(jié)合這兩項分析，文章對 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》的報告[1]，報告使用了一種更加綜合的方式（并非只考慮流量）來評價全球互聯(lián)網(wǎng)產(chǎn)品/服務(wù)的受歡迎程度。

根據(jù)該報告，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，openai.com 在2023年12月內(nèi)的用戶訪問量為15.8億，全球排名25），剔除媒體和市場因素，GenAI 產(chǎn)品在其出現(xiàn)的第一年，已經(jīng)事實上成為了全球互聯(lián)網(wǎng)產(chǎn)品中占據(jù)一定位置的新勢力。

雖然「頭部產(chǎn)品增長見頂」、「新場景落地困難」、「商業(yè)模式未被驗證」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)形成廣泛共識時，更值得認(rèn)真思考的頂層問題是 GenAI 技術(shù)是否、如何、以及何時帶我進(jìn)入繼 PC 互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)之后的全新時代。

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)品時代。

二、GenAI 、「大產(chǎn)品」與商品經(jīng)濟(jì)

我們首先會從信息商品經(jīng)濟(jì)視角來厘清3個基本問題，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)品是對信息商品經(jīng)濟(jì)中一個或者多個環(huán)節(jié)優(yōu)化方法的具象和延伸。

這里定義包含幾個關(guān)鍵信息：

• 信息商品：產(chǎn)品可視為以某類信息為核心價值的商品，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，網(wǎng)頁信息的分配環(huán)節(jié)就從搜索演進(jìn)到了推薦，也就有了對應(yīng)的新產(chǎn)品。

所以，一個成功的產(chǎn)品必然對應(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)識別轉(zhuǎn)化為對特定環(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)挖掘了每個人都具備的「渴望更實惠」需求，通過拼團(tuán)砍價優(yōu)化了實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)為一個產(chǎn)品所能兌現(xiàn)的商業(yè)價值將等同于其對信息商品經(jīng)濟(jì)環(huán)節(jié)優(yōu)化產(chǎn)生的價值，所以，對任何環(huán)節(jié)產(chǎn)生更加本質(zhì)、更加廣泛的優(yōu)化必然帶來更高價值的產(chǎn)品，這會是我們評價 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 對信息商品經(jīng)濟(jì)的優(yōu)化方式、程度、范圍將決定其價值大小，那么以此出發(fā)我們可以繼續(xù)做如下分析：

GenAI 對信息商品經(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，信息商品的實時生產(chǎn)、定制化生產(chǎn)成為可能。
• 信息商品的單個生產(chǎn)者能力將史詩級增強(qiáng)，在 GenAI 算法的幫助下，單個生產(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 對生產(chǎn)環(huán)節(jié)的影響，信息商品分配環(huán)節(jié)的價值會減少甚至消失，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)生的趨勢是：使用 LUI 的靈活性覆蓋 GUI 無法覆蓋的場景，而高價值 LUI 則會被沉淀為 GUI，比如，將常用的 prompt 設(shè)計為獨(dú)立 bot 或者一個按鈕就是這個過程的產(chǎn)物。

GenAI 對信息商品類型的影響：

1）對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個維度進(jìn)行評價：

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，一個三秒的視頻鏡頭是可以被生產(chǎn)的，而一個有故事情節(jié)的短視頻是暫時無法被生產(chǎn)的。
2. 質(zhì)量維度：即對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)計為實時生成的使用方式，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，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 的時代只能通過人工設(shè)計交互路徑（比如GalGame），而擁有 GenAI 后可交互信息可能會迎來全新可能。
2. 信息的模態(tài)融合：即不同信息模態(tài)在同一個信息商品中是可以同時存在并相互轉(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 不僅會對信息商品經(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)對此路徑的影響。

什么是大產(chǎn)品：

大產(chǎn)品就是那些對我們的工作、生活、學(xué)習(xí)乃至社會運(yùn)行產(chǎn)生重要影響的產(chǎn)品，事實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)的視角對大產(chǎn)品提供一個定義：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：

• 對應(yīng)的信息商品價值總量高，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值總量不同的信息商品。
• 對應(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，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：

一個典型的大產(chǎn)品其發(fā)展路徑通常是：

• 從一個信息商品經(jīng)濟(jì)某個環(huán)節(jié)出發(fā)，發(fā)現(xiàn)一個可以優(yōu)化的問題——好問題
• 將這個問題的解決辦法具象為一個商業(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

從這個過程來看，當(dāng)產(chǎn)品從一個「好問題」被播下種子后，其最終成長為何物是不確定的，大產(chǎn)品無法被設(shè)計，而是「生長」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》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「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)價值
• 生成內(nèi)容的推理速度，決定產(chǎn)品使用方式

PMF階段：

對于 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」的評估維度可能會有：

• 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，這將會是 GenAI 大產(chǎn)品與傳統(tǒng)軟件產(chǎn)品的一個顯著不同。

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，從而實現(xiàn)模型效果提升的自我循環(huán)[3]，那么這又是另一個更大的故事了：

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困境。

而 GenAI 產(chǎn)品在 LLM 能力的幫助下，將實現(xiàn)以更簡單的產(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 GenAI 技術(shù)對產(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)展路徑上會有哪些不同進(jìn)行分析，從對信息商品經(jīng)濟(jì)各個環(huán)節(jié)的優(yōu)化程度來看，GenAI 必然帶來新的大產(chǎn)品時代，而這個新的時代將會來自于「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這些已有「產(chǎn)品范式」的具體內(nèi)容進(jìn)行展開，而是會重點(diǎn)討論由于 GenAI 技術(shù)的出現(xiàn)，既有「產(chǎn)品范式」是否會出現(xiàn)轉(zhuǎn)移、以及會發(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「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)中原本存在某個不動點(diǎn)，而該不動點(diǎn)又隨著 GenAI 技術(shù)的出現(xiàn)將發(fā)生巨大變化，那么這便會帶來新的產(chǎn)品范式。

我們認(rèn)為是這個隨 GenAI 技術(shù)發(fā)生改變的不動點(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)行的對象而非活動主體，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)品價值與生產(chǎn)代碼數(shù)量成正比，靠人力 scale
• 模型是動態(tài)的泛化智慧，產(chǎn)品價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有：

• 產(chǎn)品工作的主體是算法而非軟件，設(shè)計模型就是設(shè)計產(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)品價值
• 產(chǎn)品工作的方法是獲得新的數(shù)據(jù)，智慧來自有價值的數(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 時代都將面臨巨大的沖擊和挑戰(zhàn)，身處其中的工作者則會經(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，我們在 GenAI 技術(shù)對信息商品經(jīng)濟(jì)影響的基礎(chǔ)上，進(jìn)一步對 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「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

作為 GenAI 時代技術(shù)價值兌現(xiàn)的載體，「AI-Native 應(yīng)用」被賦予了沉重的使命的同時也成為了市場上最火熱的概念，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，下面我將對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經(jīng)常會提到的問題，而從實際的討論過程來看，這個問題的答案遠(yuǎn)談不上共識，那么我們不妨從更容易形成共識的部分——「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)品中是一個可選項，產(chǎn)品核心價值不受 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)品中是一個核心組件，離開這個組件，產(chǎn)品的核心價值將受到顯著影響，比如 Gamma 的 AI 生成能力上線后迅速帶來營收增長并成為核心能力。
• 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)，就不會有這個產(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「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)的一個或多個環(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)品可能會具備以下特點(diǎn)：

新目標(biāo)

AI-Native 產(chǎn)品的一個顯著特點(diǎn)是其擁有一個全新的目標(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)的變化也會對產(chǎn)品各個工作環(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

我們在前文中提到過，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，所以在下文中會有更多分析。

以上描述并非思想實驗，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，比如，據(jù)稱其并不像絕大數(shù)據(jù) AI 公司那樣設(shè)計一個統(tǒng)一的 AI-infra 團(tuán)隊，而是將訓(xùn)練 infra 歸于 compression 團(tuán)隊，inference 部分歸于 alignment 團(tuán)隊，這是一個典型從數(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產(chǎn)品是否 AI-Native，這里提出以下三種評估維度：

產(chǎn)品-算法擬合度

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

由于一個產(chǎn)品的本質(zhì)是對信息商品經(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)到一個核心算法，核心算法智慧程度對產(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，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 實現(xiàn)的功能數(shù)量/產(chǎn)品功能總數(shù)

對于 GenAI 技術(shù)來說，生成模型本身成為了一種計算能力，即「模型算力」，而 prompt（廣義層面 prompt，泛指對 GenAI 模型的所有輸入） 則是調(diào)取這種計算能力的方式，所以一個產(chǎn)品中通過 prompt 實現(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 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 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)品是正在快速生長的新物種，我們尚未看到有人對其類型進(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)價值角度，即產(chǎn)品對應(yīng)問題/場景需要人類智慧的程度，智慧程度越高則產(chǎn)品價值越大，模型能力的成長空間也就越大，這里分為：

• 高智慧場景
• 低智慧場景

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

事實上，任何一個 AI-Native 產(chǎn)品都可以被視為上述三個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景，用戶在高頻使用補(bǔ)全功能的同時，會對不滿意的生成內(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：面向通過對話來完成通用任務(wù)的高智慧場景，用戶會在單一任務(wù)中高頻與模型交互，但是用戶并無法直接對模型生成內(nèi)容進(jìn)行修改，大部分用戶也不會對結(jié)果主動進(jìn)行標(biāo)注，這會大幅降低模型獲取用戶智慧的效率。

高智慧場景-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景，但用戶并不會針對一張圖片的內(nèi)容與模型高頻交互，并且對于每次生成的結(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：信息檢索是一個智慧含量相對更低的場景，用戶在同一個信息獲取任務(wù)中，通常不會與模型多次交互，并且也缺乏對模型結(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，僅用于評價「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，并不用于評價產(chǎn)品的經(jīng)濟(jì)價值、用戶規(guī)模、市場空間等，所以：一個「低智慧場景-低頻使用-低智慧轉(zhuǎn)化率」的產(chǎn)品并不意味著不是一個好產(chǎn)品，而僅代表其智慧轉(zhuǎn)化效率會更低。

經(jīng)過前文的分析，我們對 AI-Native 有了更加全面和深入的認(rèn)識，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」理念的堅定布道者，「Compression-Next token prediction」范式已經(jīng)成為了行業(yè)共識，但這畢竟是一個技術(shù)范式，無法指導(dǎo)產(chǎn)品，所以我們需要為 AI-Native 產(chǎn)品尋找一個像「壓縮」一樣簡單卻本質(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「壓縮」的繼承和延續(xù)

對「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」視角對無監(jiān)督學(xué)習(xí)的有效性進(jìn)行了闡述，其中一個核心概念為：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)我們對兩個數(shù)據(jù)集 X 和 Y 進(jìn)行壓縮時，X 和 Y 可以互相作為對方的有監(jiān)督數(shù)據(jù)，即通過找到 X 和 Y 中存在的共同模式來實現(xiàn)更高的壓縮比。

這是一個非常技術(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)練能夠滿足兩個不同任務(wù)A，B（兩份不同數(shù)據(jù)）的模型時，我們得到的是一個介于A任務(wù)和B任務(wù)能力之間的模型，所以這個模型不光能夠完成 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，模型在兩個任務(wù)所需的不同能力間實現(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)

我們在前文中已經(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簡單指令，即簡單任務(wù)
• 復(fù)雜指令直接的遵循可視為在多個簡單任務(wù)間實現(xiàn)「連續(xù)」

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

比如，如果我們有兩個模型，為了完成某項任務(wù)：

• 模型 A 只能通過用戶給出多步簡單任務(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，即從簡單到復(fù)雜的指令
• 通過對不同連續(xù)程度指令的效果評估和優(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，是實現(xiàn)更連續(xù)智能的產(chǎn)品化路徑。

以下是對該定義的展開說明：

• 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)化是人類社會發(fā)展的永恒趨勢，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)是一個產(chǎn)品問題而非技術(shù)問題。
• 社會必然性：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)動智能和產(chǎn)品驅(qū)動智能是起點(diǎn)不同的殊途同歸，具體來說：

1）技術(shù)驅(qū)動的路徑：

• 智慧能力突破
• 新的智慧能力與場景匹配
• 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)動的路徑：

• 場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：因為忘記 AGI，所以成為 AGI。

這其實帶有某種產(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)計智能，產(chǎn)品生長智能，如果說技術(shù)智能主義是人類對神性的終極追求，產(chǎn)品智能主義則是生命自己會尋找出路的道法自然。

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

七、結(jié)語

本文的實質(zhì)是筆者以一個「模型產(chǎn)品經(jīng)理」的視角對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/