经济视点-"甘雨自己享受被旅行者发现"-只有10%的产品值得用A甘雨自己享受被旅行者发现I再做一遍

只有10%的产品值得用A甘雨自己享受被旅行者发现I再做一遍_ZAKER新闻

本周北向资金对1599只股票的持股数增加，对其中103只股票的持股增加数超过1000万股，持股增加数最多的

文 | AI 鲸选社，作者 | 晓睿，编辑 | 杨晓鹤2023 年的这时候，很多人都在讲，所有的产品都值得用 AI 再做一遍。前阿里的 CEO 张勇说：" 面向 AI 时代，所有产品都值得用大模型重新升级。"百度的 CEO 李彦宏说：" 百度还要做第一个把全部产品重新做一遍的公司，用 AI 原生的思维重构产品。"不过，这些都是大佬们发表在去年的话。在国内大厂卷了一年后，大模型的概念炒作阶段已经过去，随着 AI 升级后的效果显现，人们对大模型技术逐渐祛魅，大佬们开始思考，AI 的机会到底在哪。尤其近期有媒体报道，被称为 "AI 六小虎 " 的 6 家中国大模型独角兽（智谱、零一万物、MiniMax、百川智能、月之暗面、阶跃星辰）中，已经有两家逐步放弃预训练模型，业务重心转向 AI 应用，但产品端并没有见多大动作。李彦宏也冷静了下来，他开始思考大模型的能力如何在业务和场景中应用。" 简单机械地往产品中集成大模型的能力，意义不大，纯属过度焦虑。"回望去年他曾发表过的言论，今年的这句话似乎有些反转，但停下来思考技术如何服务于业务场景，确实是回到了正确的道路。的确，这次 AIGC 的浪潮可以应用在非常广泛的领域，如果 AI 真的如我们想象的那样无所不能的话，那这些领域可能早就出现现象级的 AI 产品了。但事实却是，在现有 AI 能力的支撑下，可能只有 10% 的产品值得用 AI 再做一遍，其他 90% 的产品加了 AI 后，90% 的人尝鲜后就会忘记它，还有一部分人甚至会对 AI 产生反感，以及觉得 AI 很鸡肋。90% 的 AI 功能都很鸡肋如果我们把 AI 产品分为两类，一类是 AI native 的产品，像豆包、通义千问、文心一言这类纯 AI 的对话类产品，这类产品如今已有了千万级用户量级的产品诞生，但和移动互联网时代的微信 QQ 10 亿 + 的用户量级还差得很远，留存率也是一个非常大的问题。这类产品很受关注，但另一类 AI 产品也同样值得关注，就是在原有的业务上如何利用 AI 做赋能，让移动互联网时代的 APP 能利用 AI 焕发新生。最近新出的支小宝，就是这类产品的典型代表，它刚出现时让不少人眼前一亮，用 AI 提升服务的质量的想法也很好。但细究整个操作路径，改善有限。它本应该帮助人节省时间，提高效率，但支小宝有些能力反而拉长了原来支付宝的使用链路。举例，如果一个用户想坐公交，需要刷公交码，那他可以用手机的 NFC 直接刷码上车，不需要打开任何 App 就完成了这个操作。即便是没有 NFC，也可以把交通码直接放在桌面，一键点开，耗费时长不到 2s。但如果我用支小宝坐公交，我需要把 APP 打开，点开对话，再输入指令 " 我要坐公交 "，等待 2-3s 加载出来，这个过程至少需要 5s 以上。其次，从支小宝的 AI 能力上来看，大部分功能并未发挥出 AI 的能力，只要跳出产品定义好的指令模板提问，支小宝很快就会出现难以识别用户意图，回答无意义或瞎答的情况。现在大部分的功能看起来是通过产品侧，定义某个问题的回答模板，然后调用之前支付宝已支持的接口。拿【查下我的社保】来举例，其实就是把原来支付宝社保小程序那个接口调了过来，然后 app 自动读取了你支付宝的个人信息，通过你的个人信息决定调哪个城市的小程序，如果是北京就会调【京通】，然后你就能在支小宝里进入这个小程序了。这个和你在支付宝里搜【社保】显示的内容没有任何区别，这里到底哪里用到了 AI 能力，好像也没有用到。不管怎么说，支小宝给 AI 服务生活开了个好头，并且造势造得很大，这点还是勇气可嘉的。不像其他的一些我们熟知的 APP，大多都还在内测阶段，产品经理们把 AI 助手的入口埋得很深，生怕用户发现了它们的能力还很弱。生活领域，头部电商 APP 也在努力寻找 AI 的落地场景。淘宝在去年九月就上线了智能助手【淘宝问问】，但目前我只在搜索栏找到了它的入口，目前主打的功能是辅助用户购物决策，这的确是一个很好的切入点，但目前给的建议很空泛，对用户几乎产生不了价值。例如，我提了一个 " 推荐几款冲锋衣 " 的问题，小淘给我推荐了几个冲锋衣品牌的特点，想看具体的还得点击跳转。后面缀了一个千元以内的冲锋衣排行榜的卡片，但这并不是我想要的价位。说明 AI 还不能根据用户的消费习惯特征进行推荐，这一点不如直接在淘宝的页面搜索关键词再做筛选，还能更直观地看到详情图和价格。同为电商领域扛把子的京东也在疯狂找 AI 购物助手的应用场景，和淘宝问问的定位很像，京东京言 1.0 同样也在帮用户做购物决策，它通过和用户对话的方式推荐商品，同时可以让 AI 划重点总结评论。体验下来，发现京东京言的多轮对话理解能力较差，我上个问题在说推荐鼠标垫，中间插了一句无关紧要的话，再回去点我想要的鼠标垫款式，再推荐就变成了 T 裇 ?。同样让我觉得对用户产生不了价值的还有 AI 划重点功能，基本只能对好评进行总结，众所周知，电商的好评大多是被刷出来的，这种被滤镜过的内容生成 AI 评价，属于人为地让 AI『报喜不报忧』，看了之后对用户没有任何意义。无独有偶，用 AI 对评价进行总结的能力在饿了么也曾上线过，但是目前这个 APP 的 AI 入口都难以寻觅，据说之前上线过又很快下线了，原因可能是产品经理们也发现了，这一功能不仅碍眼，还对用户产生不了价值，并且还要浪费调用大模型的费用。未来，或许这一功能可以迭代成让 AI 能识别真实的评价和刷单的评价，并对用户评价做出更加客观的总结和统计分析，差评好评都用更加多维和量化的方式展现出来，还能追溯到原评价的内容，做个完全公正的第三方 AI，但这样一来，亮出差评又有可能会伤害商家的利益，这确实是一个很难权衡的问题。再说说国内 Top1 的旅游类产品，在首页悬浮球上线了一个 " 携程问道 "，它能帮助用户做旅行规划，也能推荐一些景点，但说实话，携程问道生成的干巴巴文字，并且你不知道它基于什么维度推荐。所以，我更爱看小红书的真实用户给出的图文并茂的内容，或者直接去看携程的口碑榜和社区版块 UGC 发布的内容，现在携程问道给我的感觉是，很像搜索，但又没有搜索好用。大厂产品经理，找不到 AI 的使用场景吐槽了那么多，我并不是觉得现有的移动互联网 app 都不适合做 AI，而是因为在已有的成熟移动互联网应用中嵌入 AI 能力，指望 AI 能为应用带来指数级的增长，这对目前的大模型能力来说，还有很长的路要走。核心是很多产品是为了跟上 AI 的潮流而做 AI，而不是真的在解决用户的痛点问题。一个好的产品，首先应该解决用户的痛点，我们现在处在 AI 风口的时代，同时也是移动互联网的末期，这个时代有个特点，用户的痛点基本上都被挖掘完了，每当你发现一个用户可能存在的某个痛点时，你就会发现市面上早就有对应的产品在做这件事了，很难挖掘到某个用户没被解决的需求。所以，通过挖掘用户痛点，寄希望用 AI 来满足用户未被满足的需求，就成为一件非常困难的事情。不可否认，的确有一些 AI native 产品找到了用户的痛点，并且完成了市场落地。这些产品大多集中在幻觉率容错程度高的场景。例如 AI 占卜，像之前鲸哥在《高学历年轻人迷上 AI 占卜》这篇文章里提到的，月见塔罗这类小众的 AI 占卜应用现在都已经落地并且盈利了，其实本质上就是结合用户的提问和塔罗牌的牌面检索知识库，并生成答案的过程，真人塔罗占卜得到的答案本身就模棱两可，所以即便是 AI 说错了答案，用户的感知也会非常非常低。例如虚拟女友，也是 AI 应用中最早落地的，这是因为在聊天的场景中，用户允许不完美的回应，在聊天的过程中往往更注重情感上的陪伴和互动，而不是追求绝对正确的答案，因此会对虚拟女友的一些小错误或不完美之处更加包容。这些产品发现了用户的痛点—— AI 玄学产品，满足了用户对 24h 随时占卜、价格又便宜的需求；AI 聊天类产品，满足了下沉市场里那些有情感陪伴需求的用户。但这些需求只是一小部分人群需要的，看起来并不是大众普遍存在的一些痛点，因此也很难落地成为现象级的应用。幻觉率是大模型几乎永远无法避免的问题。因为训练 AI 的数据集不可能是完美的，存在着知识上的错误或某些内容的缺失，遇到未涵盖的情况时，AI 就会编出一个答案，让你觉得煞有其事，但仔细考究就会漏洞百出。生成式 AI 的本质是是对已有的数据和知识进行向量化的归纳，总结出下一个字符出现的概率。就连苹果也发文质疑——目前最先进的 GPTo1 根本不具备真正的逻辑推理能力，而是基于训练数据中的模式进行匹配，而非像人类一样进行符号和逻辑推导。有人发现，此前测试回答正确的问题，只要改动一个小数据，答案大概率就会出现偏差。论文链接：https://arxiv.org/abs/2410.05229在一些严肃场景中，我们发现 AI 落地成功的产品寥寥无几。为什么？因为严肃的场景不允许出现错误。比如在销售服务客户的场景，设想如果 AI 来替代销售服务客户的话，一是很难对客户的一些情绪做出回应，二是 AI 总是倾向于 " 讨好 " 用户，如果 AI 给出了一个错误的成交价，这个错误到底应该归结于谁？假使企业宣布 AI 说的不算话，那又会导致越来越多的用户不愿意相信 AI，依然会直接转接人工客服。被寄予厚望的 AI 客服，虽然能给业务带来销量的提升，但却使得客户的满意度降低了，有用户评论：" 作为消费者每次遇到 AI 客服真的就是怒火中烧，人工客服永远排不上。"再比如在出行的场景，AI 在某天告诉用户的预计起飞时间错了，导致用户错误地决定退票，这将给业务带来多大的损失。还有些场景 AI 可升级，是大家都明眼知道的，但是囿于其他因素，还不敢广泛应用，因为会影响核心蛋糕。比如百度的 AI 搜索，李彦宏声称 AI 搜索的结果永远不放广告，用户对百度上线 AI 搜索功能后评价却褒贬不一，有人说搜索的效率显著提升，有人则认为 AI 生成的内容不仅慢还 " 驴头不对马嘴 "。从百度近期的财报上看，目前 AI 搜索不仅对业务营收贡献甚微，还影响了百度的广告变现率，对传统的搜索业务带来了冲击。大厂难做 AI，小公司更难。因为大模型需要的算力成本太高，小公司无法承担得起。如果是一家小型的创业公司，想要让 LLM 实现在严肃场景下的准确回答，就需要提供大量的优质数据集来训练模型，大量的人工来进行数据标注，那就要面临着 GPU 算力、部署算法、大模型成本、人力成本相关的问题，这需要非常高昂的成本。要不要免费开放给用户使用，又是一个让产品经理纠结的问题。如果免费，那就意味着用户量级一旦增加，会面临着高昂的成本，而目前 AI 产品又没有找到合适的商业化方式；如果收费，那就意味着产品的竞争力会变弱，一些本就需求不旺盛的用户依然会选择保持原有的习惯。AI 如何赋能现有的业务？为什么 AI 从出现到现在，两年半的时间，还没有出现一个杀手级的应用？就连有强大算力、有密集人才、愿意投入资金做 AI 的大厂，诸如字节、阿里、京东这类公司也难以让 AI 成功赋能现有的业务？一是因为 AI 的使用门槛太高，它对于提问者的要求很高，而大多数人不会提问。就像 Perplexity AI 的 CEO 在访谈中说的 " 我们最大的障碍不是 Google，而是人们天生不会提问。" 没有高质量的输入就不会有高质量的输出，这就是为什么需要有 AI 提示词工程，因为在不同水平的提示词下，大模型的水平差异确实会非常大。就拿我公司做的智能助手来说，我们后台看到的用户提问大多是一些口语化的短句，有人甚至连问题都无法描述清楚，指望用几个模糊不清的词让模型去理解，说实话一个硕士毕业的文科生都很难理解他的意图，大模型在意图理解能力上更弱了，它经常识别错误用户的意图，路由错了，就会出现答非所问的情况。为了让产品更好地落地，一方面需要提升大模型能力，通过不断地修复 badcase 提升大模型在垂直领域的生成能力。另一方面，需要引导用户学会提问，比如在文生图场景下，将一块只有提问的白板变成常用场景下关键词的选择，这样一来用户的使用门槛就会低很多。二是目前 AI 还处在初期阶段，复杂问题的处理还难解决。虽然在 Coze 上的智能体百花齐放，但这可能需要时间落地产业，就像是互联网的初期个人建站曾掀起大浪，成为大厂却都需要 10 年以上的时间。现在有一个阅读类的智能体，主要功能是用户提供书名，它提供书籍的核心内容和背景资料，使用人数达到了 46 万。现在市场共识，智能体是提升 AI 能力的捷径，通过 Agent 实现复杂问题的拆解处理。很多大厂产品经理，确实在探索智能体解决目前的问题，当然，智能体的工作流如何发挥最大效果，还需要时间探索。以上两种方案是以发展的眼光解决问题，目前 AI 已经落地的业务就两种：第一种是 AI+ 写作 / 图像，AI 的确可以帮助创作者几秒生成一篇文章或者一个图像，一些创作者通过生成百次以上获得满意的作品，生成完之后还需要对一些细节问题进行二次加工。不可否认的是，如果一个会提问的作者用上 AI，在信息搜集、内容整理、文章润色上的效率会翻倍。这一点的确赋能了无数自媒体创作者，有人成功做出来了百万粉丝的账号，有人运用 AI 洗稿一个人批量运营了上百个账号。图像领域借助 AI，很多传统产品也取得了效果，美图付费订阅用户数超 1081 万，同比增长 50.1%，付费渗透率约为 4.2%。美图负责人吴欣鸿表示：" 目前美图产品的 AI 含量已经达到 87% 以上。" 虽然开创性 AI 技术少，但美图确实利用开源尝到了 AI 红利。第二种就是 AI+ChatBot，除了我们熟知的豆包、文心一言、通义千问这类产品，AI 情感陪伴类产品也出现了大规模的增长，一些产品如星野、叨叨、Character AI 等一些含有擦边的虚拟女友类产品已完成了商业落地。在一些严肃场景下，也有一些面向 C 端用户的 AI 产品，只是目前还不成熟。例如 Chat Law 能提供基础的法律咨询，完成简单的法律专业文书写作，医联能给人们线上问诊，多邻国的教育大模型能提供语言陪练、学习内容规划等，蚂蚁的蚂小财，能提供最新的财报资讯解读，还能分析某个基金的走势。严肃场景下的垂直大模型通过增量预训练，注入该领域的专业知识，并进行指令微调，再运用 RAG（检索增强生成）来解决大模型在检索和生成能力上的不足，它能够让大模型从外部知识中快速找到与问题相关的信息，然后将这些信息重新整合到现有的答案中，使答案更加丰富具体、符合要求。但这些场景下的垂直大模型能力尚且不够，距离能产品化还有很大的距离，还有很多的 corner case 没有解决，例如如何拒识领域外的问题，如何避免领域外的问题大模型出现 " 幻觉 " 的情况。不过我相信，随着技术的迭代，未来大模型的能力会越来越强，成本也会越来越低，最终成为一个人人都用得起，真正走入人们生活，走入千家万户的生产力。这就像是在蒸汽机开始的时代，瓦特 1765 年发明的蒸汽机，但过了近百年后，蒸汽机才真正被广泛使用，成为高效又廉价的动力来源。蔡崇信说："AI 模型训练就像在教育孩子。" 这句话告诉我们，要对 AI 有足够的耐心，像培养一个孩子一样不断地喂给他成长所需的营养，也许在目前这个阶段我们还不能明显地感知到 AI 对我们的生活带来的颠覆性改变，但是只要我们足够耐心地长期投入，我相信会有一天，AIGC 时代的 " 奇点 " 就会来临。