AI应用将在今年爆发？这里有33条专业洞察

对于AI发展，越来越多的人达成共识：2023年是大模型元年，2024年则是AI应用爆发的元年。

先行者们对AI应用的探索各有千秋，在实践过程中对AI的认知也有了新的变化，并形成了一些方法论。

以下观点来自AI应用领域的先行者们，这些分享背后或许隐藏着当前AI应用潮流的方向。

1、大模型本身可以看作是技术发展的“发动机”，而产品则是面向消费者或企业，提供实际价值的“前台”。目前，模型和产品之间存在较大的脱节。 在以往的技术革命中，如移动互联网革命，我们见证了许多超级应用（super APP）的爆发，它们满足了人们的基本需求，例如美团满足饮食需求，滴滴满足出行需求。然而，在大模型时代，我们尚未看到类似的大规模超级应用的爆发。

2、ChatGPT在短时间内吸引了数亿用户，显示了其广泛的应用和影响力。 但问题在于，如果一个应用能够做任何事情，它实际上已经超越了超级应用 的概念，因为它涵盖了所有可能的应用场景。超级应用的好处在于，它们能够给社会带来巨大的生态冲击，推动技术的发展。但 问题在于 ，它们可能会阻碍其他产业的发展。如果一个领域原本可以通过开发特定软件来满足需求，例如辅导软件、作业软件或办公室报告编写软件，这些都可以成为独立的产品和市场赛道。但当大模型能够处理所有这些任务时，这些特定的赛道就不再存在。这就需要我们更细致地考虑如何在不同的赛道中找到机会。

3、创业公司虽然可以依靠大模型的潜力，拥有更大的想象空间，但同时也面临着大模型在不断迭代更新过程中可能带来的挑战。有时，创业公司在发展过程中会发现，自己面对的正是大模型本身， 这种通用模型的发展可能会“淹没”小型创业公司。

4、许多公司在大模型的热潮中涌入这一领域，尤其是中国，在全球范围内仅次于美国。然而，仅仅因为模型的热度而加入竞争是不够的。关键在于如何将模型转化为实际的产品，这一步非常困难。没有产品的积累和经验，或者对市场和用户需求的深刻理解，很难实现模型与产品的成功结合。我们提出了 “产模结合” 的概念，强调的不仅仅是拥有模型，而是要将后台的技术力量与前台的产品紧密结合，以满足客户需求。

5、如果没有强大的模型作为支撑，仅凭通用大模型进行调整，产品很难做好。反之，如果只关注模型而忽略了产品方面的洞察力，最终可能会耗尽资源。技术和产品开发人员通常是两种不同的人，如何将这两种人才有效结合，共同探索成功之路，是我们公司一直在努力的方向。

6、在大模型时代，我们也主动回避了一些竞争激烈的赛道，特别是面向消费者的C端市场，因为那里往往是大厂的天下，他们拥有全能的产品和资源。小公司在财力、用户资源和数据积累方面难以与之竞争。对于B端市场，虽然也存在挑战，如项目定制化的陷阱，但我们发现在某些垂直领域，特别是AIGC（人工智能生成内容）方面，存在机会。

7、我们专注于 to PC（专业消费者市场）和to SMB（中小型企业市场）。 在 GAI（生成式AI）时代，内容创作需求激增，我们为这些创作者提供高效的工具，同时也服务对定制化需求不高、偏好标准化解决方案的中小企业。鉴于直接与互联网巨头的to C市场竞争难度大，且深入成熟的to B市场同样具有挑战，我们选择的路径相对更具有发展潜力。

8、大 模型虽然具有巨大的潜力，但它们并不像人们想象的那样完美。目前，所有非大模型行业的企业都在努力开发适合自己行业的大模型。然而，由于我每天面对的是非常具体的任务，我认为单一的行业大模型无法解决我面临的各种任务。即使拥有充足的数据，依靠大模型就能解决所有问题吗？实际并非如此。即使是目前最强大的大模型，在处理一些真正的业务问题时，仍然有所不足。因此，核心问题可能在于如何有效利用大模型，而不是真的需要重新训练一个大模型。

9、在大模型的使用方面，人们可能逐渐分成两派。一派可能会更多地积累数据，进行大模型的调整或训练。另一派可能已经放弃了这些努力，转而更加关注其他方面。因为对我来说，大模型每天都在进步，我不需要加入到推动大模型进步的队伍中。我可能需要坐下来思考，在我自己的专业领域里，如何实现产品与模型的融合，或者说是专业与大模型的融合。对于非数据科学家，包括研究者来说，这是一个非常重要的问题。

10、大模型已经非常强大，但它是否强大到能解决世界上所有的问题？显然不是。那么大模型的使用方式是否应该像我们现在这样，通过简单的问答来进行？当然也不应该是这样。在一个整体的项目中，需要各种不同智力水平的人协作。这些协作过程中，每个人都是一个智能体。然而，如果单独拿出任何一个智能体，都无法解决这个复杂的问题。但我们还是解决了这个复杂的问题。实际上，这得益于我们多年的积累，在管理学和系统科学方面有很多经验。那么，这些管理学和系统科学的经验是否可以在使用大模型的方法上帮助我们提升？我认为是肯定的。这实际上与每个人面临的业务问题和专业非常相关。因为只有你才可能知道在你的领域里，大家的范式是什么，套路是什么。将大模型安排在整个套路中，我认为是更有效的一种方法。因此，我认为 AI智能体（agent）可能是未来的一个主要发展方向， 在非程序化大模型的领域。

11、目前，许多人在讨论数字人的个性化问题，他们质疑如果使用大模型作为支撑，是否能够实现良好的个性化。实际上，这是非常困难的，因为大模型很难被规范化，它无法明确自己的身份。大模型可以是任何人，这虽然是一个优势，但对于数字人的开发来说，这可能是一个致命的问题。因此，我们必须让数字人明确自己的身份。仅仅依靠大模型本身，将其训练成包含某个人一生的信息，可能并不足以解决问题。我们可能需要从教育学的角度来考虑问题。如果我们教育一个非常聪明但不知道如何行动的孩子，我们应该怎么做？这个孩子需要一套外在的规范和准则来帮助他行动。因此，核心问题在于如何构建这套规则和准则。在不同的行业和业务中，这套规则和准则是不同的。

12、在当前市场环境中，AI初创企业在大厂的阴影下寻求生存和发展的空间。面对大厂可能随时进入的领域，初创企业如果没有独特的用户习惯积累或数据积累，很难与之竞争。目前AI配音的发展还没到大厂需要进场的程度，实际上正是短视频潮流的兴起，再加上短剧、网文等也很流行，为服务这些行业的AI初创企业提供了机会。这些需求相对零散，AI初创企业需要找到合适的渠道来接触和服务这些用户，而这种超前意识和行动为它们提供了一线生机。

13、在云服务市场，随着字节等大厂加入竞争并开始降价，公有云市场的利润空间正在缩小。因此，云服务商可能需要采取其他策略，比如利用大模型能力来促进原有云服务的绑定，或开发新的AI应用以寻找盈利点和吸引客户。

14、对于应用开发者而言，现在是利用开源资源的绝佳时机，因为有很多可以免费使用的资源。应用开发者的趋势是向更复杂的多点应用发展，甚至可能发展为以AI驱动的大型应用平台。关于大模型生态系统中应用平台的发展方向， 是应用厂商向下发展技术，还是模型平台厂商向上发展应用， 这将是未来值得关注和观察的有趣现象。

15、 工业制造远看是一个万亿级的巨大市场，但实际是1万个1亿的市场。 因为它是由众多细分市场组成的，每个行业都有独特的需求。AI产品在工业制造中的应用需要深入理解工业逻辑和工艺流程。目前，对于AI大模型在工业制造中的终极形态和能力，业界还在探索阶段，技术仍在发展和整合之中。

16、AI在工业制造中的潜力是明确的，已经从简单的单点任务如拆码垛、上下料等，发展到处理更复杂的任务和智能决策。可以说，工业制造的需求和AI产品的发展是相互促进的。

17、在AI产业化背景下，AI在某些细分行业的工业级应用中能发挥巨大作用，而某些行业可能并不适合大规模的AI介入，因为便利效应低。

18、从投资角度来说，对于AI在to B端的应用，我们想当成传统行业来投，当成工业品来投，做这件事情是能够慢慢长大的。

19、数字化转型已成为企业发展的必答题，这意味着需要用数字化技术实现对企业研产供销服的业务组织流程进行重构，从而提升企业价值。这个最佳时机就是从具体的场景切入，提高企业客户对整个数字化战略的认知。

20、利用大模型能够把非结构化数据转化成高质量的结构化数据，再将数据资源转化为数据资产，最终这些数据资产可以在具体场景里进行商业变现。

21、现在大模型在做的很多事情可能都是 “大炮打蚊子”， 就是某个场景可能没有很大的商业价值，AI的产品化成本却很高。在做这种商业转化的时候，其实对于AI产品经理这样的人才可能比较紧缺。

22、在目前的AI产业领域，数据厂家、模型厂家、应用厂家对于未来如何发展其实是比较模糊的，大家都有可能进入各自的领域去竞争。所以如何构建一个相对健康的生态体系很重要，这样大家可以分工去做各自擅长的事情，减少内卷和消耗。

23、以往在大量面试场景里，我们有海量的候选人，但没办法把每一个人都面试好。现在AI面试可以来解决这个问题。如果解决了这个问题，那就没有必要去筛选简历了。AI面试可以提高面试的效率和质量，同时也可以通过减少人为因素如情绪、疲劳和歧视，提高了招聘过程的公正性和效率，这使得企业能够更有效地筛选出优秀的候选人。

24、我们以前做产品，一定是先问最一线的员工，他们的核心需求是什么。但是做AI智能化产品，如果大家直接问一线员工，他们的核心需求可能会导致AI产品变成对传统工作流程修修补补，而非产生变革性的AI产品，这是需要我们注意的。

25、在AI时代，如果还用线性思维去做产品迭代，那就太辜负这个时代了。如何能够多维度思考，在当下非常重要。AI对于很多行业的改造，不仅是在工作流程上，而是可以反推到产品创新层面。

26、到现在为止， AI还只能做从1到10的事情，很难做到从0到1。 未来AI发展还有很多未知的东西可以探索，这是我对AI更大的期待。

27、在AIGC领域，一个非常有意思的话题是，当我们用AI大模型生成内容的时候，内容审核也可以用大模型来做，这就成了两个大模型左右互搏。随着AI继续发展，不可避免地会出现这种情况。

28、截至目前，尽管大模型在一般认知和创作方面取得了显著效果，但大模型没有真正解决垂直领域的问题。因为垂直领域有其固有的业务逻辑，大模型虽然能够模仿过程，但可控性和准确性（幻觉问题）是其面临的主要难题。这些问题导致大模型在特定业务场景中难以追踪和纠错，目前还没有根本的解决方案，需要进一步的技术突破和优化。

29、在法律、医疗等行业，很多专业人士对AI其实是浅尝辄止的。因为越是专业的人，往往越用不到技术，他们自身就能赚很多钱，所以往往不愿意付费。对于这样的特定人群，如果能够将AI的使用简易化，我认为是一个机会，目前这方面做得还不够。可能今后2-3年，AI在垂直领域的应用会真正爆发。

30、我们通过提供相对较低成本的服务和免费的通用模型来吸引客户，强调将模型与具体业务场景深度结合的重要性。只有通过定制化的服务，才能真正满足客户的需求，并实现大模型在业务中的实际应用。我们的核心是让客户为真正落地的效果买单，而不是为模型买单。这种模式已经吸引了一些政府客户，他们更愿意为能够实际解决业务场景问题的服务付费。

31、企业在选择AI应用时，更注重应用能带来的明确业务价值，而不仅仅是技术的新颖性。供应商需要提供能够实际提升业务效率和效果的 解决方案， 帮助企业实现业务价值，而不仅仅是提供单一的技术产品。

32、AI技术的发展需要行业内部的配合和数据共享。然而，目前在这方面存在一定的阻力，包括企业间的竞争、数据隐私和安全等问题。

33、通用模型往往难以直接应用于特定业务，需要定制化开发和调整。 如果把大模型作为底座，未来赋能企业的各种业务，必须要有同时懂大模型和懂业务的人才。这是目前比较难解决的问题。