#硅谷 | Explore Tumblr posts and blogs

mystic-wang · 18 days ago

Text

AI产品竞争制胜指南

每隔十年左右，你都会目睹一场颠覆性的科技革命。无论是互联网、移动技术、视频还是区块链，每次技术变革都会吸引众多企业和创作者投入巨额资金，去追逐新的机遇。

如果你没有与世隔绝，你一定注意到AI已成为当下最热门的技术话题。2023年伊始，ChatGPT就像一阵旋风席卷全球。在Twitter上随便浏览一下，你就能看到人们在谈论它如何帮忙写剧本、调试代码，甚至教你制作无乳制品通心粉。

想象一下，任何接入互联网的人都能随时获取海量准确信息，这听起来像是科幻电影中的场景。但现实问题是，你的企业要如何运用GPT背后的技术和AI来解决实际问题，提升产品的市场适应性？

这个问题可能蕴含着千亿美元的商机，值得你认真思考。

你可能认为应用AI就是在程序中添加一个聊天机器人那么简单。但现实往往比这复杂得多。那么问题来了：究竟如何打造一款真正实用的AI产品？

接下来，我们将从这些方面深入探讨：

为何众多AI产品以失败告终

AI生存曲线：机遇之所在

如何克服AI的局限性

如何开发用户真正需要的AI产品

在开始详细讨论前，你需要记住几个核心观点：

AI本身无法颠覆任何行业

及早布局至关重要

AI产品的市场适应性需要系统性评估

让我们逐一展开讨论这些话题。

关于作者

我是Aniket Deosthali，专注于用第一性原理思维解决复杂问题。在充满不确定性的环境中，我善于与他人协作寻找制胜之道。我始终保持理性思维，同时怀抱真诚热忱。作为拥有12年经验的远见型产品领袖，我擅长利用新兴技术打造极致用户体验的B2C和B2B产品，带领产品从零起步发展到5000万用户规模。在电商、医疗健康和广告科技等多个领域都有成功的产品发布经验。目前负责财富500强级别的消费者产品组合，对用户价值和商业成果负责。作为充满激情的服务导向型跨部门领导者，已有7年组建和维护高绩效产品团队的经验。

为何众多AI产品以失败告终

当你刷新信息流时，总能看到新的AI技术趋势或演示，声称要改变人类发展轨迹（甚至可能威胁到你的工作）。但现实情况是，即便是硅谷顶级公司开发的AI产品，也常常无法为最终用户创造实际价值。

让我们看几个具体案例：

案例一：Amazon Alexa

对话式AI助手Alexa曾被寄予厚望。2016年，Jeff Bezos说：「新一代算法、强大的计算能力，以及海量训练数据的整合应用，正在帮助我们解决过去无法攻克的难题。」

然而现实很残酷。到了2022年，Alexa单年亏损达到100亿美元，成为亚马逊最大的亏损项目。

案例二：Google Duplex

Google Duplex本应成为你的得力助手，帮你处理机票值机、餐厅预订等日常事务。这款「接近人类」的AI聊天助手，却在三年后走到了尽头。

案例三：自动驾驶

自动驾驶：AI的理想与现实

你可能听说过自动驾驶技术的种种憧憬。但现实往往不如预期 —— 看看福特最近宣布终止自动驾驶项目就知道了。在可预见的未来，方向盘依然需要你的双手掌控。

这种情况并不罕见。数据显示，85%的企业在大数据和AI项目上都遭遇了失败。

你可能会问：为什么会这样？如果连那些拥有数千员工和数十亿美元资源的科技巨头都难以驾驭AI，普通企业又该如何应对？

其实问题并不在技术本身。AI的能力确实令人印象深刻，而且仍在不断进步。关键在于你需要找到合适的时机、场景和渠道来运用AI，并实现商业价值。

换个角度来看：这本质上是一个产品定位的问题。

当你听到专家们预测AI将颠覆从医疗到法律再到艺术等各个行业时，很容易产生焦虑。但在这片喧嚣中，你需要注意一个关键细节。

AI无法独自颠覆行业：认识机器学习的两个阶段

ChatGPT、BERT和LaMBDA这些AI软件本身并不会蚕食你的市场份额，更不用说完全取代你。真正的挑战来自那些善于运用AI工具扩张业务的竞争者。

要理解这一点，你需要先了解机器学习的两个核心阶段：训练和推理。

机器学习训练就像是教育过程 —— 通过向模型输入精选数据来实现"学习"。比如Grammarly的AI系统，就是通过语言学家提供的高质量标准来学习正确使用标点符号。

机器学习推理则是运用训练成果解决实际问题。就像Grammarly能实时为你提供写作建议，帮你提升文章的简洁性和语法准确性。

数据质量决定输出结果。那些拥有海量数据（且持续产生新数据）的公司，比起从零开始的创业公司有明显优势。比如Talkspace最适合开发心理健康AI助手，而Noom则可以开发AI健康教练。

正如风险投资家Chamath Palihapitiya所说：

「通用AI模型终将成为商品。真正的价值在于发现独特的数据来源供给它...这才是真正的竞争重点。」

看看Meta的例子：他们部署的像素点让他们获取最优质的数据，因此广告定向效果远超竞争对手，占据了互联网1/4的广告收入。所以你要记住，关键不在于掌握技术，而在于拥有数据。

AI生存曲线：发现机遇

要评估和把握AI机会，你可以使用"考量度×上下文"分析框架。让我们来理解几个基本概念：

考量度（纵轴）：这是指做决策需要投入的思考量。考量度越高，意味着需要更多思考。比如，选择洗碗液通常是"低考量"决策，而买车则是"高考量"决策。你可以用选项数量和决策风险来衡量考量度。

上下文（横轴）：这反映了AI需要理解的抽象概念数量。

AI生存曲线与商业应用

当你在思考如何应用AI技术时，需要考虑两个关键维度：上下文和考量风险。上下文是指模型需要掌握的知识范围 - 可能只是一个产品目录，也可能需要像ChatGPT那样理解整个互联网的内容。

你知道那些成功的AI产品都有什么共同点吗？它们都恰好落在一条我们称为「生存曲线」的轨迹上。让我们通过几个实际案例来看看这条曲线。

成功案例解析

看看StitchFix是如何做的 - 他们的AI系统帮你挑选完美穿搭。这需要深入思考你的风格偏好，但它只需要了解StitchFix自己的时尚品类，而不是整个购物中心的商品。

再来看Grammarly这款AI写作助手。它对职业写作者来说特别有用，风险程度适中。它需要掌握语法规则，但不需要学习所有已发表的内容。

沃尔玛的文本购物功能则有所不同。虽然帮你完成日常购物的风险不高，但由于要处理超过150万种商品的库存信息，它确实需要更丰富的上下文支持。

MyFitnessPal的餐食扫描功能看似简单，只需拍张照片就能告诉你卡路里含量。但实际上，每张图片都包含数百万个数据点需要处理。虽然需要处理的信息量大，但出错的后果并不严重。

NotionAI基于GPT-3，需要整个互联网的内容作为训练数据。但你不用担心风险，因为随时可以自己动手写作，而且市面上没有特别强的竞争对手。

技术边界

有些技术目前还超出了生存曲线的范围。比如全自动驾驶，它不仅需要海量训练数据，还必须保证百分百的准确性。

相反，亚马逊Alexa则落在曲线下方。大多数使用场景（如查询天气、调节音量）的风险和上下文要求都较低。它能帮你订购多米诺披萨，但还不能在西雅图为你挑选最好的深盘披萨店。

战略思考

AI生存曲线能帮你判断一个AI解决方案是否能满足当前的用户需求。你会发现，随着选择范围扩大和风险提高，模型往往需要更多人工干预才能持续找到最佳方案。

那些成功的AI产品都有一个共同点：它们专注于投资回报高的应用场景，确保上下文成本在用户可接受的范围内。这样就能启动数据收集的良性循环，随着技术进步不断扩大优势。

未来展望

为什么要尽早布局AI？随着技术发展，生存曲线会不断向外扩展。今天让我们惊叹的应用，到2030年可能就显得平平无常了。想想看，如果GPT-3已经让人印象深刻，那么在1000倍数据点上训练的GPT-4会带来什么样的突破？再往前推想，GPT-30又会是什么景象？

所以，现在就开始规划你的AI战略。否则，在这场数字化转型的竞争中，你可能会落后于人。

AI生存曲线：迈向未来

你可能会觉得AI的发展需要很长时间，但现在最不该做的就是对它置之不理。想想看，那些早期拥抱数字化的企业，在向移动互联网转型时是不是走得更顺畅？同样的道理，如果你现在开始布局AI，就能为未来更复杂的应用场景做好准备。

作为管理者的你，需要把握住当下提升效率的机会。不过这个过程中你可能会遇到一些挑战，让我们来看看该如何应对。

要在AI领域占得先机，你首先需要了解它的局限性。

目前AI最大的软肋是什么？是「真实性」—— 它无法真正判断什么是真实的。这里说的「真实」有不同层次，比如说出博茨瓦纳首都的名字，和预测2030年洗衣粉需求量，这是两个完全不同难度的任务。

来看一个研究数据：康奈尔大学去年五月测试了AI语言模型在健康、法律、金融和政治等领域的表现。结果如何？最优秀的模型只有58%的正确率，而人类则达到了94%。

但这并不意味着AI就没有价值。它其实完美完成了自己的任务：复现工程师输入的数据。在这个例子中，模型是基于包含常见误解的数据训练的，这些误解同样会影响人类的判断。

正因为AI在真实性方面的不足，一些领导者开始谨慎对待。比如编程问答网站Stack Overflow就明确禁止用户分享ChatGPT生成的答案。他们的理由是："ChatGPT生成的答案虽然经常是错误的，但看起来很专业，而且特别容易获取。"

Reforge的专家兼工程负责人Louis Bennett在一次视频采访中，也向我们详细分析了AI（特别是ChatGPT）的这些局限。

那么企业该如何应对这个问题？你可以借鉴Google的做法：专注于特定领域。通过Pathways项目，Google将重点��在医疗领域，精心筛选训练数据，很快就实现了接近人类水平的准确性。虽然这个模型的野心不及ChatGPT，但在创造企业价值方面却更有优势。

重点是什么？你的企业应该关注如何缩小AI与人类之间的准确性差距，而不是追求完美的准确性。这就是为什么训练如此重要，因为训练能带来真实性。

用AI写篇文章或找份菜谱很有趣，但更重要的是如何让用户在处理复杂且高风险的问题时信任AI。获得这种信任的唯一方法就是持续训练。

你是否注意到，无论是取消订阅还是选购牛仔裤，大多数人都更愿意和真人交谈而不是机器人？这是因为人类具备两种智力：

流动智力：用抽象思维解决新问题的能力

结晶智力：通过之前的学习和经历知道什么是「好」的能力

你可能注意到了，AI语言模型在不同类型的智力表现上有着明显的差异。就像ChatGPT，它确实能模仿塔伦蒂诺的风格写出一个有趣的鲨鱼故事，但它无法真正具备20多年编剧工作积累的深厚经验。

那么，如何让AI在解决实际问题时赢得你的信任呢？答案是建立一个混合模型 —— 让人类与AI协同工作，通过持续的指导教会AI什么是「好」的表现。这可能需要输入大量真实数据，比如1万小时的客服对话记录，或是20年的患者健康数据。

在这个过程中，你最好把AI看作一个需要指导的实习生，而不是无所不能的老板。记住：任务越重要，你的AI「实习生」就越需要你的指导。

当你把信任这个因素放到生存曲线中，就能看到它是如何影响决策的维度。

在那些决策成本较高的场景中，关键在于通过人才培训来提升AI，直到客户愿意让它参与重要决策。你可以想象一下，如果百思买有一个「超级导购机器人」，它融合了最优秀销售顾问的专业技能和知识，能帮你挑选电视、电脑或音响设备。

这样就形成了一个良性循环：用户的信任带来更多参与，更多的参与又能增强信任。比如在Stitch Fix的案例中，造型师在这个人机协作模式中扮演着重要角色。他们既要推动客户形成使用习惯，又要训练AI的预测系统，通过人类反馈强化学习（RLHF）来打造一个「超级造型师」。

在决策成本较低的场景中，你自己就是人机协作中的人类因素。这时的目标是把用户旅程中的关键环节自动化，同时确保服务能触达到你的注意力所在。虽然追求高度自动化很重要，但完全自动化并非必需，有时一个精心设计的用户体验就能带来很好的效果。

举个例子，我的团队为沃尔玛开发的智能购物助手中有个补货提醒功能。你会收到一条消息，列出本��可能需要的商品清单，只需点击几下就能完成购买。这把原本繁琐的网购变成了流畅的体验，��且系统会在每次互动中变得更聪明。

在打造AI产品时，你需要通过五个步骤来降低风险，提高产品与市场的匹配度。产品本质上是为特定使用场景设计的功能集合。要理解使用场景，你需要回答这些问题：

要解决什么问题？目标用户是谁？他们为什么选择使用？现有的替代方案是什么？使用频率如何？

以亚马逊生鲜团队为例：通过用户调研，他们发现用户在补充家庭日常用品时往往会花费太多时间。让我们来看看「补货」场景的具体分析。

在开始开发AI产品时，你可能会发现产品存在多个使用场景。不过，你需要优先考虑用户最常用、最重要的场景。这样做能帮你解决AI模型的冷启动问题，让模型获得足够的优质训练数据，从而为用户提供更好的服务。

那么，当你确定了关键场景后，就要思考如何借助AI实现质的飞跃。你可以从这几个方面来思考AI能创造的价值：

预测性：你能否提前预判用户的需求

个性化：你能否提供更有针对性的信息

互动性：你能否让品牌互动更生动有趣

自动化：你能否帮用户节省时间和精力

便捷性：你能否实现多渠道无缝衔接

记住，你的目标是开发显著优于现有解决方案的产品，而不是简单的改良。只有这样，你才能帮助用户克服转换成本，培养使用习惯。

来看看亚马逊团队是如何做的。他们针对补货场景提出了两个假设：如果能让用户既享受订阅的便利和优惠，又不用担心囤积过多商品；同时主动为常购商品推荐订阅服务，并展示一年可节省的费用，那么订阅留存率将提升100%。

在开发前，你需要收集用户对产品假设的反馈。你要把用户反馈（定性数据）和行为数据（定量数据）结合起来，判断产品理念是否能解决真实用户的实际问题。

让我们继续看亚马逊生鲜的例子。团队认为预测性订阅功能不仅能提升收入，还能让用户的生活更轻松。但在付诸实施前，他们需要验证这些假设。研究发现，大多数用户对自动订购洗衣液等商品持谨慎态度，担心库存积压。

在开发AI产品时，你需要特别关注三类风险：

用户风险：

你是否解决了真实痛点

产品改进是否显著，还是仅仅是技术噱头

是否存在对特定用户群体的偏见

商业风险：

你能否盈利

是否充分利用了企业独有的数据优势

是否做好了承担机器学习运营成本的准备

技术风险：

软硬件条件是否满足需求

训练数据的覆盖面是否足够

能否达到使用场景要求的预测准确度

当你思考清楚这些问题后，就要把想法变成原型或最小可行产品（MVP）。这��阶段你不必追求完美，关键是要尽快获得真实用户的使用反馈。这意味着你需要灵活机动，建立最短的学习闭环，哪怕采用一些无法规模化的方案。

在快速原型开发阶段，你要不断迭代，直到看到用户眼中闪现惊喜的光芒。想想你第一次在暴雨天收到DoorDash外卖时的感受，那种惊喜就是你要追求的目标。

以亚马逊生鲜为例，你可以让几名客服人员扮演订阅机器人，为一小组早期用户提供服务。试验结果显示：37%的测试用户对机器人的发货确认功能表示惊喜，21%的用户在收到常购商品的订阅建议时选择了订阅。这表明团队正在建立起产品与用户的良好匹配度，而这一切都无需复杂的AI基础设施。

AI时代的最小可爱产品

你听说过亚马逊提出的「最小可爱产品」（Minimum Lovable Product，MLP）吗？与只求能用的最小可行产品（MVP）不同，MLP是一个能让早期用户真正喜欢上的产品。

你可能会觉得开发MLP很困难，需要投入大量时间和资源。但在现在这个时代，你完全可以借助Quiq、spaCy和Labelbox等现成工具，快速打造出令用户心动的产品。

来看看Notion是如何做的。这家笔记应用公司很聪明地将GPT-3整合到了自己的平台中。现在，当你需要创建会议议程或写职位描述时，这些原本繁琐的任务都能在你熟悉的Notion界面中轻松完成。

让我们通过亚马逊的案例来学习如何打造MLP。在产品原型阶段，团队发现某些特定场景需要一个完全自动化的解决方案。你知道亚马逊是怎么做的吗？他们选择了使用AWS Lex等SaaS产品来构建MLP，这样不仅能快速开展大规模测试，还能持续收集数据并优化产品。

要想在市场上占有一席之地，你必须打造出色的AI产品或体验。

你知道AI与其他颠覆性技术最大的不同在哪里吗？就是它极低的准入门槛。还记得互联网早期吗？那时候建网站是件难事，需要专业的技术团队。但在AI时代，只要你能连接网络，就可以用开源模型构建应用。

从使用门槛来看，这确实令人振奋。不过正如Allen Cheng指出的一个问题：当OpenAI这样的资源让所有人都能轻松使用AI时，产品团队该如何建立竞争优势（也就是「护城河」）呢？答案是：真正的价值在于将AI融入现有系统，而不是简单地部署一个机器人就完事。

让我们来梳理几个关键观点：

AI本身不会颠覆你的业务，但善用AI的竞争对手可以

AI正以指数级速度发展，你需要尽早投入

评估产品在生存曲线上的位置，对寻找AI产品的市场契合度很重要

想深入了解更多产品领导力的前沿思考？你可以订阅Reforge获取每周更新。

0 notes