新闻资讯
News and information
-
25
05/17
OpenAI很看好,首个SWE-1模型发布,软件开发或将提速99%
将软件开发提速99%!Windsurf发布首个前沿模型SWE-1,AI编程领域风起云涌,目标是将开发效率提升99%。SWE-1不仅能写代码,更能理解并协助整个软件工程流程。核心创新在于「流动感知」系统,即AI与用户共享操作时间线,实现高效协作。Windsurf首秀终于来了!在Cursor火爆全网,OpenAI宣布30亿美元重金收购Windsurf后,Windsurf不甘寂寞,终于出手!Windsurf发布首个前沿模型SWE-1,目标是将软件开发提速99%!SWE-1不只是一个「会写代码」的模型,而是一个理解、参与、并协助整个工程过程的协作伙伴。目前这个系列包含三个模型:SWE-1:具备与Claude3.5Sonnet类似的工具调用推理能力,但运行成本更低。在推广期内,所有付费用户可免费使用。SWE-1-lite:一个更小但质量更高的模型,全面取代CascadeBase,对所有用户(包括免费用户)开放。SWE-1-mini:更小、更快,专为WindsurfTab中的低延迟被动体验而设计,适用于所有用户。刚刚,SWE-1已经上线Windsurf,且处于免费使用阶段。AI编程发展「快闪」近几年,「会写代码」的模型取得了巨大进步,已经能从简单的自动补全发展到一次性构建出完整的小型应用。但这种能力仍然存在明显的上限:其一,软件开发不仅仅是写代码。开发者要做的事情远不止编码,还要操作终端、获取知识、调试产品、理解用户反馈等。因此需要的是更全面的模型,能覆盖整个开发流程。其二,工程过程是跨阶段的、持续变化的。目前主流的基础模型仍然是基于「代码能否编译」和「是否通过单元测试」来训练的。但现实中,这只是更大工程任务中的一小部分。真正需要的是能处理「尚未完成的状态」、理解模糊目标的模型。否则,即使模型写出了能运行的功能,后续维护与扩展性可能会非常差。因此,仅仅提高「写代码」的能力,无法真正提升整个工程效率。需要打造的是支持完整软件工程流程的模型——简称SWE模型。SWE-1的开发过程SWE-1的开发灵感来自广受欢迎的Windsurf编辑器,构建了全新的数据结构(共享时间线)和训练方法,能够理解未完成的状态、长周期任务以及多种交互界面。其初衷是在资源有限的情况下,通过这种方法做出一流性能的模型。SWE-1是这个目标的第一个验证成果。在整体表现上,SWE-1接近最前沿的基础模型,在多个维度上超过了所有非前沿模型和开源对手。可以通过离线评估与线上实测两种方式进行验证。离线评估评估将SWE-1与Anthropic系列(Cascade中使用最频繁的模型之一)以及Deepseek、Qwen等主流开源模型对比,主要有两个基准测试:会话式SWE任务基准从一个正在进行中的Cascade会话中截取,任务尚未完成。评估模型如何响应用户的下一步请求,打分标准综合考虑帮助程度、效率、正确性以及目标文件编辑的准确率。这项测试关注模型在「人机协作」环境中的表现。端到端SWE任务基准从会话一开始就评估模型是否能完全独立解决问题,并通过一组单元测试。得分基于测试通过率和专家打分。这项测试衡量模型自主完成任务的能力。评估结果表明,SWE-1在这些任务上接近顶级实验室的前沿模型,远超中等体量和开源的对手。虽然还不是绝对领先,但非常有潜力。线上实测(生产实验)Windsurf有大量用户,因此也通过盲测实验评估真实使用中的表现。Windsurf将用户分组,分别使用不同模型,在不告知模型类型的前提下观察行为和效果。Windsurf主要看两个指标:每位用户每天接受的代码行数即Cascade编写、用户实际接受并保留的代码行数,反映模型的实际帮助程度、响应质量和用户粘性。Cascade代码贡献率对于被Cascade修改过的文件,模型所做的代码改动所占比例。这是一个反映模型「主动性」以及「用户信任程度」的指标。SWE-1专为Cascade场景设计和优化,因此在这些指标上表现几乎是行业领先,效果优于所有非前沿模型。其他模型分析你可能在上面的图表中注意到SWE-1-lite,这是SWE-1的中型版本,使用相同训练方式,在非前沿模型中表现最佳,现已取代CascadeBase,向所有用户开放。Windsurf还开发了SWE-1-mini,体积更小,速度更快,适用于WindsurfTab这种对延迟要求极高的被动预测场景。需要说明的是,这只是一个起点。Windsurf不仅希望赶上最前沿实验室的水平,最终目标是全面超越它们。Windsurf坚信自己已经具备了实现这个目标的引擎,并将持续加大投入。流动感知系统(Flow-AwareSystem)Windsurf提到SWE-1的灵感来源于Windsurf编辑器。关键在于Windsurf独特的设计理念:流动感知(FlowAwareness)。什么是流动感知?Windsurf打造的Windsurf编辑器实现了用户与AI的「共识时间线」:AI的每一步用户都能看到并干预,反过来,AI也能理解并跟进用户的行为。这种「共享时间线」的感知能力,Windsurf称之为FlowAwareness(流动感知),也因此Windsurf一直把这种人机协作的体验称为「AIflows」。为什么流动感知很重要?因为短时间内,没有模型能完全独立完成所有开发任务。流动感知允许模型和人类之间「自然交接」:AI做一部分,用户校正,AI再继续,形成顺畅衔接。借助共享时间线,Windsurf可以持续追踪当前模型的能力边界,观察哪些任务需要用户介入、哪些能完全自动完成。这是SWE-1能快速成长为当前水平的关键原因之一。共享时间线在Windsurf中的演进构建共享时间线是Windsurf许多功能背后的核心理念:初代Cascade就支持「你在编辑器改完内容后输入continue,AI就能继续理解你改了什么」——这是对编辑器的感知。后来Windsurf加入了终端输出感知——AI能理解你执行命令时出现的错误。Wave4中加入了「预览」功能——AI开始理解你看到的前端组件和错误。Wave5和Wave6中,Tab增加了对终端命令、剪贴板内容、IDE搜索内容等的感知。这不是一堆随机新功能,而是Windsurf构建「最全面软件工程时间线」的一部分。即便使用的是通用模型,只要Windsurf记录和利用好了这些上下文信息,AI的表现就会大幅提升。而现在Windsurf有了自研的SWE系列模型,这个正反馈循环将真正开始加速:模型能更好地理解时间线并参与其中更多部分。接下来会发生什么?SWE-1只是开始。它是由一个小而专注的团队打造的,利用Windsurf在产品和基础设施方面的优势,展示了Windsurf完全有能力打造接近最前沿的模型。未来,Windsurf将持续改进SWE系列模型,在保证低成本的同时不断提升性能,让开发者能用Windsurf构建更大、更强的软件项目。随着SWE-1的发布和OpenAI对Windsurf的收购,AI编程工具正迎来一个新的时代。从简单的代码补全到全面的工程协作,AI正在深刻改变软件开发的方式。对于开发者来说,这是一个充满机遇和挑战的时代,如何利用这些新工具提升开发效率,将成为他们需要思考的重要问题。本文来源:36氪文章转载于其他网络,如有侵权请联系我们及时删除
-
25
05/17
判断企业负面严重程度的6个维度
上热搜不是唯一标准其他事情可能会有人抢,危机处理是铁定落在公关部的工作。这个又难又危险的活儿,让姚素馨讲的话,3天3夜也逼逼不完。这篇文章,截取培训里的一页内容,以及我们平时给品牌方处理事件的实际经验,讨论一个相当重要的具体点:如何判断企业负面的严重程度。准确判断“严重程度”,是制定方案的先决条件。连会有多严重都搞不清楚,就谈处理措施,纯粹胡扯。“严重程度”判断不足,觉得不要紧,最终舆情会教你做人的;“严重程度”判断过度,措施过多,就会“消耗资源”和“损伤品牌”。熟练的公关人,凭借过往的经验,或许可以直接对负面严重程度做出预判。如果不是那么有信心,或者需要拿具体的条目去说服老板和同事,我们列出6个维度,以供参考。01公众如何站边除非是绝对TOB的企业,第一条永远是考虑公众如何站边。也就是说,如果负面爆发,事件在最广泛的舆论场中讨论,公众会怎么看,会怎么说,会站谁。所有做公关同学要牢牢记住,公众如何站边,决定舆情走向。“你觉得”,“业务部门觉得”,“老板觉得”,在“公众觉得”面前,屁都不是。不听劝的,非要拿自己当根葱的,万一被公众发现“你觉得”,“业务部门觉得”,“老板觉得”与他们的不一致,只会死得更加难看。最广泛的公众如何看待一件事,直接决定了舆情的敏感程度、受关注讨论的程度、广度和深度。有能力的公关,能够直接说出,公众会不会骂、骂什么、能不能骂上热搜。危机处理翻车,在这里就出问题了。“没猜对”、“没想到”的案例不胜枚举。有2个难点特别说下:第1个点,舆论场上的“严重程度”并不直接等于事实严重性,而是能被公众感知、并且有兴趣讨论的严重性。比如,“高管桃色新闻”就是对于企业的实际严重性很低,但公众很乐意讨论的典型。第2个点,“公众怎么站边”也一直在变化,不能沉浸在“过往案例”之中。比如,以前提“贤妻良母”没什么,现在敢提试试,冲不死你。02主管部门的态度所有让主管部门难做、难看、难处理的负面,舆情去冲主管部门账号的,严重程度直接往上拉。有的负面,真是企业咎由自取,那我们也不说什么了。但是其实,很多负面企业是有委屈的,这个时候,能否取得主管部门的理解,能否争取一些余地,就很关键。相反,如果判断官方迫于“民意汹涌”,也不得不下场,那就也别挣扎了,再委屈也憋着吧。特别是涉及到行业准入资格、牌照、热门领域、标杆作用的企业,尤其要关注主管部门的态度。(这个部分真的不能展开,我尽力了。)03是否踩中媒体“选题”媒体,在传播中起“重要节点”作用,不仅仅能迅速扩大传播范围,有些时候还能影响公众的观点、判断。为什么是有时候呢?因为现在公众也不一定听媒体的。所以,这条在第三趴,公众站队在第一趴。说得更加明一点,现在媒体写的正面,不一定有什么好的传播效果;但是他们下狠手认真写的负面,很大概率就是公众爱看的。要判断是否会成为媒体“选题”,需要公关对于不同媒体的特点、受众分布、选题思路、写法、正负面稿件比例……具备基本功。注意,这是平时就知道的,不是负面发生之后,临时再去抱佛脚的。这里也做2个提醒:第1个点,现在做内容的普遍呈现跨行业、跨题材的趋势,只要事件到达一定传播量,为了流量,几乎所有类型的媒体都能找到一个角度跟进,呈现“全面开花”的状态。公关尤其要对负面是否具备“大家都能写”的潜质,有足够判断力。第2个点,现在已经不太可能“撒币”来解决问题了。不要再有这种八百年前的老想法了。说句不好听的,不是资本没有力量,而是你没有足够的资本。老老实实按照媒体选题会不会选到的思路,去做准备。04会被上什么价值“上价值”这个技术,不仅公关有,现在网友们也都普遍掌握了。公关写新闻稿,内容太水,为了上个价值抓耳挠腮;负面一出,网友们送的上价值,信手拈来,分分钟按照“企业不做人”,“就是坏透了”处理。在公关的判断里,一个负面是否严重,要看到底击中了企业什么问题。包装没搞好、海报不当心、代言人抽风……这些都外围的,不算严重。安全问题、价值观问题、背刺核心用户群体、与原定“人设”不一致……这是伤筋动骨的核心问题。核心问题,会动摇企业长久塑造的形象和对外输出的价值观。另外,一旦在公众判断“企业是故意的”,或者“终于露出了狐狸尾巴”,严重程度害得翻几番,容易引发公众对企业的全面质疑和批判,俗称“粉转黑”或“路转黑”。去年京东与杨笠的双十一合作,被认为背刺了“大兄弟们”就很典型。特别提醒,被上价值之后,企业再解释“根本没有这个意思”,“大家误会了”,没人会信。除了粉丝。05企业内部震动负面对于企业的影响,不只是“外部的”。员工也会接收到大量舆情信息。不同岗位员工,对于企业负面事件的“知情程度”是完全不同的,企业在对外部进行“统一口径说明”之前,也不会先给内部一个说法。因此,公关同样需要判断看到负面信息之后,员工会产生什么样的质疑、恐慌、不信任。特别是在信念感很强的企业,负面对于员工的冲击甚至大于对公众的影响。企业内部如果人心惶惶、无心工作,伤害度其实非常高。当年任正非使用华为的资源为姚安娜申请相关商标,被舆论关注后做的操作是,在内部社区进行解释:承认公器私用,向全体员工道歉。就是把对员工的影响放在很重要的位置。想具体看这事的戳这里。另外,危机处理决策制定之后,在执行中,需要非常多的部门参与和配合,大家如果都没心思了,铁定搞不好了。军心不稳是没法好好干活的,且这种影响舆情系统是监测不到的。06非舆情类的外部反馈公关考虑“负面严重程度”,不能只看舆情上的呈现,除了上面说了内部员工,还有外部方方面面的反馈。经销商、总代和投资人,肯定不会参与负面传播,但一定在第一时间问了一堆问题;产业链上下游的合作伙伴,你欠他们钱的,他们欠你钱的,也都会有丰富的心理活动;客服承担的询问量有没有急剧上涨;代言人有时候都要来问问会不会波及自己。对于TOB为主的企业,这条的重要程度和占考虑的权重比例,还要往前面提。甚至,是最核心的考量维度。07最难的是综合判断上述6条,像是做立体几何题目的辅助线,是用来协助看清问题,做出决策的。最难的是,你怎么把上面这些判断,做出综合考量,形成唯一结果。对于经验不够的公关,会有2个常见错误:一种是,漏掉核心要素,其他想了一堆,最重要的没想到;另一种是,想多了,反而把某一个部分看得太重,反而导致决策失误。不点名了。08老板凌驾一切说了这么多吧,但在实际的舆情处理中,大家都懂的,公关判断负面是否严重,决定参与什么样的方式处理,很多时候也就一个标准:老板承受程度。老板忍不了,火急火燎地赶紧处理;老板觉得没事,就先不动。其他,就看命了。本文来源:36氪文章转载于其他网络,如有侵权请联系我们及时删除
-
25
05/17
互联网平台现状:鼓励AI,限制AI
AI创作陷入不确定性一场针对AIGC作品的限制,正规模化地席卷各个平台。一些AIGC创作者在小红书拉起群组,分享自己被限制的经历。有人发布12星座内容被判定「传播封建迷信」,有人因为生成AI明星而遇到「侵权」提示。「虚构事件」和「假冒真人」是最常被引用的处罚理由。同样的情况也发生在视频号和抖音,大量AIGC作品遭遇下架和封禁。作品即便不被封禁,也会被限制流量曝光和商业权益。许多人推断,这一轮监管可能与9月1日即将实施的《人工智能生成合成内容标识办法》有关。该《办法》要求所有AIGC内容需添加显式标识(如文字提示、角标、语音声明)和隐式标识(如元数据、数字水印)。不过依然有创作者反映,标注AI水印后的作品,还是没有被正常对待。鼓励AI创作的同时,也在限制AI。平台的这种矛盾心理让创作者迷茫,困惑。他们不是明知故犯,挑战规则,只是不知道边界和红线到底在哪,未来不知何去何从。频繁踩红线?AIGC创作者林聪最近有点烦。她发布在视频号的两个AI人物视频,因为被判定非真人出镜,视频推荐、私信和评论能力直接被停用。按照要求,林聪详细提交了个人身份验证,选定AI制作选项,提交相关手机制作截图。系统回复,信息不够详细,不能证明制作过程。虽然她内心有些不情愿,还是按照提示,再次把PC端所有制作关键流程截图依序提交。这次验证通过,而且系统提示:之后发表AI制作内容,选择「内容为AI技术制作,虚构内容请谨慎甄别」等提示。不过这次验证只是恢复了视频评论功能,若需恢复私信功能,需要删除所有AI制作内容后,再次提交申请。删除作品等于擦除个人名片,这让她有些无法接受,所以至今她的私信功能都没有恢复。即便如此,林聪的体感是,这波针对AI作品的监管风潮,视频号不是最严苛的平台。她告诉新莓daybreak,「好像除了快手打上AI标识没什么影响,几个大的视频平台都在清查AI创作的作品。」林聪不是个例。小红书关于AI限流的笔记数量超过3万篇。从流量曝光,商业权益限制,到产品被下架,涉及不同程度的封禁。短视频平台风声鹤唳,网文圈的行动其实更早。今年2月,晋江打出「反AI」的第一枪,发布了《关于AI辅助写作使用、判定的试运行公告》,明确规定使用AI的边界。接着,起点、番茄小说宣布全面禁止AI,要求作品必须100%人工创作。网文平台整治力度之强,导致出现不少误判的现象。甚至评论区出现「感觉像是AI写的」,也有可能被编辑永久拉黑。电商也加入行列,对「AI假图」进行整顿。3月27日,淘宝修订了《淘宝网商品发布规范》和《天猫商品发布规范》,对「商品失真」做出明确的拓展解读。其中一个重点的指向,便是利用AI等技术合成方式,呈现显著失真的与实际不符的商品信息效果图。整治力度空前,大有「宁杀错不放过」的决心。AI原罪?过去两年,在「AI暴富论」、「超级个体」的叙事逻辑下,「一键生成」的内容迅速在互联网泛滥。有人利用AI卖课,有人利用AI数字人贩卖三无产品。淘宝上,大量AI生成的卖家秀误导消费者购入,结果到手商品与图片严重不符。AI乱象,AI污染的声音不绝于耳。据林聪观察,这一轮AI内容治理中,打击较多的是同质化、低原创性内容。「现在有了AI,谁家的内容火了,大家就会快速大量地复制。」一个典型的例子就是今年过年期间《哪吒》爆火后,抖音出现了大量跟风制作哪吒的现象。而这类题材往往使用的都是相似的提示词或者同一个Lora生成的内容。AI也让一些机构的起号成本变低了,利用AI工具一天内可以生成了上百篇引发矛盾对立的笔记。小红书去年三个月里处置了超过100万个黑灰产团伙,均为通过超大规模矩阵生成同质化内容。为此,抖音从算法层面切入,将「原创识别率」纳入核心指标,AI生成内容若未标注或存在同质化「如重复率超25%」,会被判定为低质内容。而视频号则明确「禁止批量发布通过近似的情景、文案、元素等编造的同质化内容」。平台重点整治的另一个方向便是,虚构真人形象和情节虚假夸大。从平台的角度,这一点不难理解。毕竟小红书以「真实分享」为社区根基,视频号则要保障社交关系链中的信息可信度。这也是为什么,小红书去年就着手研发基于「分类器」技术的AI识别模型,对识别为疑似AI生成的内容进行标记。为了巩固效果,小红书还设置了机器识别与人工审核的双重屏障。站在创作者的角度来看,这有些无奈。因为「真实」这一特质天然就和AIGC背离,人物本身就是虚构的,情节自然也是虚构,所以这更像是贴附于自身的「原罪」。平台为「真实」所设立的门槛,还引发了另一个层面的「不公」:比起真实题材的视频,AIGC的审核标准更为严苛。半职业AIGC创作者蓝心的作品最近也遭遇了违规提示。在小红书上,她曾先后发布了一系列真实的王一博的照片和AI生成的王一博视频。如今,前者仍挂在她的主页,而后者已经被平台要求删除。同样的题材,因为是由AI生成,便得到不同的判定结果。值得一提的是,当下所有AI视频工具都在强调「真实感」。比如可灵的物理规律模拟、大幅度运动生成,比如即梦的质感提升、动作模仿,一切都在强调自身生成的效果接近真实。从结果看,平台不希望创作者利用AI复原人物真实感,假如AI创作一只小猫、小狗,做出真实感,应该是会被接纳的。未来何去何从?AI创作内容被严格限流的同时,各平台的AI「军备竞赛」却是日趋白热化。3月19日,小红书才刚为旗下的AI应用「点点」上线了新入口,位于消息页面,且支持深度思考模式。几天前,字节开启了「即梦3.0」的灰度测试,该版本在分辨率上提升了50%,生成速度提升了30%。更方便的入口、更新的版本、更强的性能,这些平台投入了大量资源,推动了AI工具的发展。目的是为了抢占下一代内容生产基础设施,将创作者绑定在自身生态内。但当大量创作者开始使用AI工具,并且涌入AIGC这个领域,平台却缺少一套清晰的规则和审核标准来承接,这让质疑声频出。有人说平台使劲拉人给AI工具做任务,搞了特别多相关的比赛和活动,然后大规模封禁,是一种诱导;也有人也说AI给平台带来不了利益,影响真人主播的收益,趁着政策出台,正好「一刀切」比较痛快。平台既扮演AI工具提供者,又承担内容审核者角色,这种双重身份本身就是一种挑战。有些平台甚至还在主动催生矛盾,比如番茄小说为了训练自己的AI,在签约协议中曾新增AI训练条款,引发过大量作者抵制和不满。自2023年生成式AI广泛运用以来,伴随AIGC作品而来的就是诸多质疑和限制。知名如AI绘画作品《太空歌剧院》,曾两次进行版权申请被拒绝。AI作品不仅版权上得不到正名,「同行」之间的关系也愈发紧张。大量传统内容创作者竖起了「反AIGC」的旗帜。这也使得2024年一款名为Cara的反AIGC社交产品,开始频繁登顶美国AppStore的下载榜单。小红书上也形成了一种「反AIGC」的氛围,创作者唐飞对此感到无奈,「一些用户看到AIGC作品就会点举报,特别是绘画圈的那群人。」除了社会和法律法规层面的不被认同,对大模型厂商,AIGC还意味着一种危险:用AI生成的数据去训练AI超过5次,模型性能会大减。莱斯大学和斯坦福团队的研究人员将此称之为「模型自噬障碍(MAD)」。而当下的中文互联网,AIGC作品正在走向泛滥。在已经公布数据的平台中,微信视频号AI生成内容占比已经达到了30%。其它平台上,AI生成内容也肉眼可见地攀升。这一次封禁,小红书上的一条评论得到了高赞:这是好事,每次搜资料搜素材出来全是大批大批的AI,想找到正经参考的都难。大刀阔斧砍向AIGC的平台,有点像是在治理一场数字领域的「蝗灾」,目的不是为了「灭绝」,先从整体数量规模上减少,再从生态环境中防治劣质内容的生产。面向未来,AIGC创作者又该何去何从?有人总结了一条「532法则」,即:50%的人工,原创案例、真实情感、独家观点;30%的AI,数据整理、框架搭建、标题优化;20%的工具,用ContentAny等去除AI痕迹。但这些经验是否奏效,谁也无法保证。又或者说,当下奏效的经验,几个月后是否依然可行,没人知道。所有人都要习惯这种不确定性。本文来源:36氪文章转载于其他网络,如有侵权请联系我们及时删除
-
25
05/17
AI,擂响了产业互联网的战鼓
当消费互联网渐行渐远,越来越多的玩家们开始将关注的焦点聚焦在了产业互联网的身上。无论是新零售概念的兴盛,亦或是新技术的层出不穷,无一不是人们探索产业互联网的佐证。然而,虽然玩家们进行了很多次的探索,但是,它们似乎始终都跳不出消费互联网的条条框框。究其原因,仅仅只是在消费互联网的天空之下飞行,却并未真正找到与产业互联网相契合的新技术、新模式,才是导致这一现象出现的最为根本的原因。当AI时代来临,特别是当以deepseek为代表的AI应用开始出现,AI从一颗萌芽开始变得成熟,并且开始结出一颗又一颗的果实。无论是越来越多的互联网巨头们开始拥抱AI,还是AI开始衍生出越来越多的新商业,无一不是这样一种现象的直接体现。可以说,AI,真正擂响了产业互联网的战鼓。以AI的兴盛为肇始点,产业互联网的时代开始真正进入到了全新落地的时代。对于产业互联网来讲,它不再是一个无法落地的存在,而是成为了一个真正可以实现的存在。从这个角度来看,认识到AI与产业互联网之间的联系,或许才是真正可以理解当下的消费互联网之所以会发生如此多的嬗变的根本原因所在。一当deepseek的风真正将AI吹到了人们的面前,我们看到的是,几乎所有的互联网玩家们都开始用AI来改造自身,都开始用AI来寻找破解它们发展困境和难题的方式和方法。无论是阿里巴巴对于AI的全面拥抱,还是腾讯对于deepseek的全面接入,我们都可以看出,互联网巨头们对AI表现出来了极大的开放性和包容性。互联网巨头们之所以会表现出如此浓烈的兴趣,其中一个很重要的原因在于,AI真正可以改变以往那些它们无法改变的痛点和难题。如果我们对于互联网玩家们的这些痛点和难题进行总结的话,它们几乎都是消费互联网演进和进化到最后阶段,必然会出现的。说到底,以互联网巨头们为代表的消费互联网的玩家们必然需要开启一次全新的进化,而这次进化的终局,必然是我们所心心念念的产业互联网。之所以会有这样的判断,其中一个很重要的原因在于,我们所提倡的产业互联网,其实就是以改造消费互联网为终极目标的。以往,我们看到那么多的技术,那么多的模式之所以没有改造成功,说到底,还是技术的营养基没有培育出商业的新形态所导致的。当AI开始出现,一切开始有了改观。无论是对于互联网巨头们而言,还是对于实体经济玩家们来讲,它们都可以通过自身与AI的结合打开新的突破口,找到新的商业模式。因此,如果我们对于AI与产业互联网的关系进行总结和定义的话,以AI技术催生出可以落地,可以闭环的新商业,并且以这些新商业来构建产业互联网的新形态,才是AI与产业互联网之间联系的关键一点。时至今日,无论是AI+电商、AI+社交,还是AI+制造,AI+驾驶,几乎都是可以落地和闭环的新商业。试想一下,当AI所催生的这些新商业共同汇聚在一起,并且真正可以替代消费互联网时代所形成的「互联网+」模式的时候,产业互联网时代的来临,将会是一件水到渠成的事情。如果我们将互联网看成是消费互联网时代的底色的话,那么,AI,则是产业互联网的底色。二以往,提及产业互联网的时候,人们总是将其与新供给联系在一起。可以说,新供给,成为了评判产业互联网是否真正完成和实现的标准。反过来讲,以往的产业互联网之所以并未实现,其中一个很重要的原因在于,玩家们并未真正达成新供给,而仅仅只是对消费互联网进行了概念上的包装而已。当AI时代来临,特别是当AI开始对于消费互联网的玩家们以及与消费互联网相联系的产业玩家们进行了一次全新的改造,消费互联网玩家们所提供的产品和服务开始发生了一场深度而全面的改变。这一点,我们可以从电商的嬗变上,看出一丝端倪;这一点,我们可以从社交的嬗变上,看出一丝端倪。可以说,以AI为主导的新供给的达成和实现,才是导致产业互联网不再是一个遥不可及的梦想,而是一个可以落地的存在的关键所在。现在,打开任何一个APP,进入到任何一个消费互联网的玩家们的生态里,我们几乎都可以看到AI的身影,我们都可以看出AI与以往的产品和服务产生联系之后所形成的新产品和新服务的迹象。说到底,AI业已对消费互联网玩家们实现了一次深度的改造,并且以这样一场新改造来实现了新供给的实现。如果对于AI所实现的对于这样一种现象进行总结和定义的话,以AI完成了对于消费互联网的由内而外的改造,并且由此实现了供给侧的改造,最终以新供给来满足人们的新需求。而这,才是产业互联网的最本质、最值得我们去关注的另外一个方面。站在这样一个角度,如果我们对于AI与产业互联网之间的关系进行总结和定义的话,AI实现了产业互联网所要达成的新供给,并且以此实现了供给与需求两端的再度对接,或许才是值得我们去关注的另外一个方面。三当产业互联网的概念开始萌芽的时候,人们在描绘产业互联网的时候,通常会用虚实融合、数实融合来形容。于是,当人们进行产业互联网的落地和实践的时候,通常会用对于B端的赋能和改造来诠释产业互联网。实践证明,仅仅只是以赋能和改造来进行虚实融合、数实融合,其实是无法实现产业互联网的;实践证明,仅仅只是以赋能和盖傲来进行虚实融合、数实融合,只会把产业互联网再度带入到消费互联网的怪圈之中。当AI时代来临,特别是当AI开始弥合虚拟经济与实体经济之间的鸿沟,我们看到的是,以往人们所孜孜以求的数实融合、虚实融合不再是一个遥不可及的,无法实现的存在,而是成为了一个可以顺理成章,可以真实落地的存在。在AI的情境之下,并不存在以往我们所认为的改造和赋能的概念,而是变成了一个共生、共存的存在。当赋能和改造的概念不再的时候,消费互联网时代经常会出现的流量的概念,同样开始被存量的概念所取代。在这样一种机制之下,消费互联网时代的平台和中心的概念,同样也不再存在,而是成为了一个可以共生、共存的全新的形态。当这样一种共生、共存的生态达成,真正意义上的产业互联网时代,将不再是一个遥不可及的存在,而是变成了一个可以实现的存在。站在这样一个角度,如果我们对于AI与产业互联网之间的联系进行总结和定义的话,AI最终将消费互联网时代的流量的概念消弭,AI最终打破了以平台和中心为主导的发展模式,实现了真正意义上的去平台化、去中心化,无疑是这一现象的最为直接的体现。写在最后当AI时代来临,以往人们所孜孜以求的产业互联网开始从一个遥不可及的存在,蜕变成为了一个触手可及的存在。因此,AI,真正擂响了产业互联网的战鼓。在AI的机制之下,产业互联网成为了现实。无论是新商业的产生,还是新供给的出现,乃至是虚实结合的达成,几乎都是这样一种现象的最为直接的体现。拥抱AI,等于是拥抱了产业互联网。面对千亿级的产业互联网的市场规模,谁究竟才是这个新牌桌上的玩家们呢?让我们拭目以待吧!本文来源:R艾瑞网文章转载于其他网络,如有侵权请联系我们及时删除
-
25
05/17
AI风靡之下,产业互联网正在实现
AI,正在开启一场对于各行各业的深度改造。在这样一场深度改造的背后,其中一个发展迹象正在变得越来越明显,那就是产业互联网时代的脚步越来越近了。之所以会有这样的判断,其中一个很重要的原因在于,AI更多地并不是搭建平台,获得流量,而是去想着应用,想着去如何落地到产业之中。当这样一种发展趋势开始变得明显,一个全新的产业互联网时代,正在来临。产业互联网的概念,并不是现在诞生的。当移动互联网的浪潮开始慢慢退却,率先感受到这样一种寒意的互联网玩家们,便已经开始了有关产业互联网的发展方向的探索。阿里如此,腾讯,更是如此。虽然这些头部的互联网玩家们看到了产业互联网的发展大趋势,但是,它们却并未找到落地产业互联网的正确的方式和方法。究其原因,互联网技术本身的短板,才是导致它无法将产业互联网实现落地的关键。因为互联网技术仅仅只是在去中间化上有一定的效果,在改造产业,赋能产业上,它却有着自己的短板。当互联网持续进化,特别是当AI开始变得成熟和完善,以往遥不可及的产业互联网开始变得越来越容易。无论是玩家们借助AI对于自身内在的元素、环节和商业逻辑进行改造,还是玩家们借助AI对于各式各样的产业场景进行深度赋能,我们都可以看出,产业互联网正在从梦想变成现实。当AI风靡,去平台化成为潮流当人们谈及产业互联网与消费互联网的区别,去平台化、去中心化,无疑是一个主要方面。当AI尚未成熟,甚至是当AI尚未出现的时候,很多的玩家们在探索去平台化的问题上,仅仅只是为了去平台化而去平台化,仅仅只是为了去中心化而去中心化,却并未真正实现真正意义上的去平台化和去中心化。几乎可以确定,仅仅只是为了去平台化而进行的去平台化,并不能真正达成产业互联网,只有实现真正意义上去平台化,产业互联网才能实现。当AI开始风靡,我们看到的是越来越多的玩家们开始主动地拥抱产业,开始主动地深入到各式各样的场景之中,其中一个很重要的原因在于,只有这样,AI才能完成对于产业的改造,AI的功能才能得到最大程度上的发挥。在这样一个大背景下,原本在消费互联网时代所形成的线上平台玩家与线下实体玩家们之间的壁垒开始被打破,取而代之的是,一场线上玩家们与线下玩家们的深度融合开始成为现实。当深度融合开始成为潮流和趋势,去平台化开始不再是一个遥不可及的存在,而是一个必然需要达成和实现的存在。当去平台化成为了AI时代的标配,其实它暗合了产业互联网的发展大趋势。当线上玩家们和线下玩家们在AI的机制之下实现了深度而全面的融合,那么,产业互联网时代的去平台化将不再是一个遥不可及,难以实现的存在,而是变成了一个可以实现,并且可以催生出新的商业范式的存在。当AI成熟,流量开始彻底嬗变真正造就消费互联网模式的最为关键的一点在于流量模式的兴盛以及由此所衍生而来的一系列的「互联网+」模式的衍生和出现。可以说,正是由于对于各式各样的流量进行的划分,才最终导致了消费互联网时代的衍生和出现。因此,如果无法跳脱出流量模式,如果无法改变流量逻辑,那么,产业互联网是无论如何都无法实现的。这是以往我们所看到的那么多的产业互联网的尝试始终都无法真正获得成功的关键所在。当AI变得成熟,特别是当AI开始将消费互联网时代所建立起来的流量划分的模式打破,以往我们所看到的B端和C端流量的概念开始消失不再,转而出现的是在AI的情境之下统一的改造对象。在AI的视角之下,无论是B端流量,还是C端流量,它们都是需要被改变,它们都是需要被重塑的。当玩家们不再依靠流量来获得商业上的成功,而是真正以产业作为主要驱动力,以达成新的供求平衡来找到新的发展机会的时候,所谓的产业互联网,其实变得不再是一个遥不可及的存在,而是变成了一个顺理成章便可以实现的存在。说到底,当AI开始成熟,特别是当AI开始打破对于流量的传统划分,最终将传统意义上的B端和C端流量的界限打破,真正意义上的产业互联网时代才算是真正来临。原因在于,真正意义上的产业互联网,并不是一个以消费互联网时代的流量模式为支撑的存在,而是一个以新的产业,新的供给为支撑的存在。当AI开始落地,数实融合正在实现对于消费互联网进行观察和思考,不难看出,它其实是通过建立一种虚拟经济和实体经济二元的经济结构,最终完成了自身的发展。无论是对于互联网玩家们来讲,还是对于实体经济玩家们而言,它们几乎都是在通过这样一种二元的结构来找到新的发展契机,来获得新的发展。从这个角度来看,消费互联网时代,其实就是一个虚拟经济和实体经济分离的时代。当信息不对称存在,特别是当供求对接不通畅的商业背景之下,消费互联网的这样一种二元对立的形态,的确是可以获得一定的发展的。然而,当信息不对称被打破,特别是当虚拟经济与实体经济之间的矛盾和问题开始越来越多地出现,仅仅只是以这样一种方式来发展,开始遭遇到越来越多的困境和难题。正是在这样一种情况下,我们才看到了产业互联网的概念的萌芽的出现。然而,在互联网技术的支撑之下,以虚拟经济为代表的数字经济和以实体产业为代表的实体经济依然还是分离的,依然还是彼此孤立的存在,并未实现真正意义上的融合。当这样一种现象存在,那么,产业互联网是无论如何都无法达成和实现的。当AI开始落地,特别是当AI开始对数字经济和实体经济开启一次深度而全面地改造。消费互联网时代所形成的虚拟经济和实体经济二元的商业结构开始被打破,转而形成的是以虚拟经济和实体经济的深度融合为代表的数实融合的发展新模式。换句话说,在AI的机制之下,数实融合不再是一个遥不可及的存在,而是变成了一个可以落地和实现的存在。当数实融合开始达成和实现,那么,产业互联网最核心,最本质的特质便开始出现。在这个时候,产业互联网不再是一个玩家们孜孜以求想要达成的存在,而是变成了一个在数实融合的大背景之下可以顺理成章实现的存在。结论当AI开始风靡,我们看到的是,一场席卷各行各业,各个场景的新变革的开启。如果对于这样一场新变革进行总结和定义的话,产业互联网,无疑是再合适不过了。如果我们将互联网技术的风靡,看成是消费互联网时代来临的标志的话,那么,AI技术的风靡,则是产业互联网时代来临的标志。当AI开始风靡,传统意义上的平台和中心将不复存在,传统意义上的B端和C端将不复存在,传统意义上的虚拟经济和实体经济将不复存在,取而代之的是,新的产业,新的商业,新的时代。本文来源:R艾瑞网文章转载于其他网络,如有侵权请联系我们及时删除
-
25
04/19
DeepSeek 是企业软件的“救命稻草”,还是“催命符”?
未来可能没有软件,只有数据库未来可能没有软件了,就剩个数据库,前面全是AI调用,机器人就把所有事都干了。当DeepSeek以开源之势席卷技术圈,企业软件行业正面临一场前所未有的价值重估。大模型的能力平权是否会让SaaS厂商失去技术壁垒?AI驱动的“数字员工”是否会终结传统软件的存在逻辑?既有厂商该如何守住护城河,新锐势力又该如何抓住弯道超车的机会?在崔牛会策划的“DeepTalk|DeepSeek猜想系列”对话中,崔牛会创始人&CEO崔强主持了主题为“DeepSeek对企业软件是「利好」还是「利空」?”对话,特邀沃行科技创始人&CEO郭舜日、53AI创始人&CEO杨芳贤、「信息化与数字化」主理人沈旸,就相关话题进行了深入探讨。郭舜日认为,有价值创造能力和组织力的企业不容易被淘汰。如果问哪类软件最危险,他认为是单一功能的技术型、工具型SaaS。以RPA(机器人流程自动化)软件为例,现在Claude提出的MCP协议等功能,已经能用多模态技术直接观察屏幕操作,完全替代传统RPA。企业不再需要专业的RPA工具,就能轻松实现自动化。这对传统RPA公司是颠覆性的。再比如机器人领域。以前波士顿动力的机器人需要编程各种动作规则,现在基于大模型的机器人可以通过学习直接执行任务,不再需要预先编写规则。这类技术进步会让很多单一功能的工具型软件失去存在价值。杨芳贤的判断是,今天大模型端到端的能力被严重高估了。无论是科技界、学术界还是产业界,对大模型的预期都非常高。实际上目前大模型在企业的落地应用,真正能拿到确定性结果的场景还比较有限。而且这些场景需融合企业知识、流程,还有一些需要基于企业现有的数字化基座实现的。他认为,10-20年后,传统SaaS将消失,AI的终极形态是AI生产力,会是数字人与SaaS的融合。传统软件会消亡,软件从业者会转型为AI从业者。沈旸的看法则更为激进,认为这个时间周期会更短,可能在半年内是“救命稻草”,但半年或一年后就会变成“杀手锏”。未来SaaS会变成“ServiceasaService”,Software本身的重要性会大大降低。他认为,SaaS的订阅模式(按人头收费)会被AI颠覆,未来要么卖实时数据,要么卖服务效果。这场对话充满了尖锐的观点碰撞,对于企业来说,与其焦虑被颠覆,不如先让AI帮你省下10个外包人力。阅读目录1.是“救命稻草”,还是“催命符”?2.“前期投入,后期躺赚”将不复存在3.哪类软件会先被淘汰?4.AI有哪些真正可落地的场景?5.比技术和产品更重要的是方法论6.别做“半吊子”产品7.“数据安全”不再是企业落地大模型的主要障碍8.企业“上云”,还是“下云”?说明:在此,也特别感谢ECCRM创始人&CEO张星亮对这场对话的参与和支持。以下为对话内容,经牛透社编辑整理:(有删减)是“救命稻草”,还是“催命符”?崔强:今天是我们「DeepTalk」栏目的第三期讨论,主题是探讨DeepSeek对SaaS行业的影响。前两期我们分别从投资人和原生AI创业者的角度进行了探讨,今天我们将聚焦SaaS从业者的视角。三位嘉宾简单介绍下自己。郭舜日:我是沃行科技的创始人,公司对外叫WallTech,主要做航运SaaS。我们有两类产品:国际货代SaaS和跨境电商物流SaaS。目前国内3%的国际物流企业使用我们的平台,服务了1500多家SaaS客户。期待和大家交流AI如何赋能ToB企业。杨芳贤:我是53AI创始人。过去两年我们一直在探索大模型在企业的落地应用,我亲自参与了公司大部分重要项目的售前与交付工作,同时也担任了几家上市公司的大模型落地应用顾问。很高兴能和大家分享我以一个创业者的角色在一线的实践经验和思考。沈旸:我在ToB领域工作多年,最早做了十年ERP咨询,后来转到甲方做数字化建设,现在负责一家供应链金融公司的数字化业务。过去两年我们在AI落地方面做了很多实践,也踩过不少坑,积累了一些心得。很高兴能和大家交流。崔强:今晚我们主要讨论两个核心问题:一是DeepSeek对SaaS行业来说是“救命稻草”还是“催命符”?DeepSeek是不是SaaS的“葵花宝典”?大家都知道“欲练此功,必先自宫”,但练完之后可能也没什么用。各位怎么看?杨芳贤:这个观点很有意思,我也很认同。从长远来看,比如10~20年的维度,DeepSeek确实是SaaS的“催命符”。回归到当下,未来3~5年大模型对SaaS企业是有促进作用的。核心在于,AI终极形态是AI生产力,是要替代知识工作者的脑力劳动,本质上是数字人与SaaS的融合。从这个角度看,传统SaaS软件将会消失,但SaaS行业的从业者会一直在,因为中国企业的创新精神不会消失。沈旸:我基本同意杨芳贤的观点,不过我认为这个时间周期可能会更短。可能在半年内是“救命稻草”,但半年或一年后就会变成“杀手锏”。未来SaaS可能会变成“ServiceasaService”,Software本身的重要性会大大降低。郭舜日:这个问题需要结合SaaS行业和企业发展的现状来看。AI既带来机遇也带来挑战,本质上是对现有商业模式的重构。很多SaaS企业不盈利,主要因为高昂的实施和获客成本。如果AI工具能替代这些非结构化工作,将极大降低成本结构。从这个角度看,AI对一些企业确实是"救命稻草"。更进一步,运用AI得当的企业不仅能解决生存问题,还能提升竞争力。但对AI反应迟缓的企业来说,AI就是"催命符"了。他们可能会被擅长使用AI的竞争对手超越,甚至出现小企业借助AI反超大企业的情况。所以关键要看企业拥抱AI的程度,以及AI能具体赋能哪些业务环节。“前期投入,后期躺赚”将不复存在崔强:如果抛开现有的立场和包袱,作为一个新进入企业服务领域的创业者,应该怎么看待和思考这个问题?郭舜日:我认为现在AI的发展给新创业者带来了非常好的机会。首先,AI带来了全新的能力,很多原本需要复杂架构和大量人力才能完成的工作,现在通过AI就能实现,大大降低了管理难度和成本。其次,对于新进入SaaS领域的企业来说,如果能用好AI技术,可以在某些特定功能上实现突破,甚至超越传统的行业领先企业。我举个具体的例子,比如仓库管理软件(WMS),以前需要开发复杂的调度算法和处理策略,现在通过AI大模型就能实现,而且效果可能比传统算法更好。最关键的是,传统企业可能需要10年积累的经验和能力,新创企业通过运用AI大模型就能快速掌握。这意味着新创企业可以更快地开发出创新的产品体验,建立更具竞争力的成本结构。所以这对新进入者来说是个巨大的机会,而对于现有的行业领先企业来说,则需要特别警惕这个发展趋势。崔强:沈旸,你属于以前是客户的身份,你刚才的判断很激烈——说半年内是“救命稻草”,半年到一年后就是“催命符”。这个判断是基于什么逻辑?那天有朋友来找我说,未来可能没有软件了,就剩个数据库,前面全是AI调用,机器人就把所有事都干了。会不会是这样?沈旸:现在的情况已经很接近这个预测了。除了DeepSeek,市面上另一个模型Claude的影响也很大。特别是Claude3.5和3.7版本出来后,具备了很强的调用工具和软件的能力。在这之前,包括DeepSeek更多是做推理,能把过程拆解,但直接落地还做不到,需要很多外挂处理。我最近和工程师打交道比较多,明显看到像Cursor这样的编程工具,借助Claude模型可以调用很多本地工具,通过MCP协议操作本地文件,甚至可能误删文件。这让原本只是聊天的AI变得可执行。DeepSeek进化快的一个重要原因是强化学习。数学题训练有个特点:学得好可以拿满分,但语文很难满分,因为评判标准不固定。同样,大语言模型很难做到100%准确。但在DeepSeek领域,虽然仍是概率模型,但通过强化学习可以验证答案是否正确。在代码领域更明显:代码可以运行测试,验证页面是否符合预期。一旦工业化、规模化,AI很容易处理这种场景。最近三个月这样的场景越来越多。Manus带给行业很大的刺激,但更多进展是在软件工程领域。未来,只要是AI能看到的,它就有能力复制软件。如果软件靠功能点叠加,比如企业管理软件按功能点计价,以前要追赶需要投入同样的人力。但任何公司都很难持续投入上千人做三年。现在AI可以把软件拆解、运行、验证,24小时并行处理,很快就能找到可复制的方式,这对软件工程是巨大颠覆。以前,SaaS和软件行业想“前期投入,后期躺着赚钱”的模式将不复存在。企业要么持续投入研发,要么提供实时服务和数据,不可能再靠十年前做的软件持续盈利。崔强:芳贤,你怎么看刚才的问题?为什么判断“AI对于企业软件来说,十年内是救命稻草,十年后是催命符”?杨芳贤:首先,从AI的终极形态来看,我跟沈旸的观点是一致的。但沈旸说半年、一年,我觉得没那么快。背后的逻辑在于,今天大模型端到端的能力被极大的高估了。无论是科技界、学术界还是产业界,对大模型的预期都非常高。实际上,目前大模型在企业的落地应用,真正能拿到确定性结果的场景还相对有限。而且这些场景需要融入企业的知识和流程,还有一些需要基于企业现有的数字化基座来实现。大模型被称为“第四次工业革命”,这在业界已经有极大的共识。以史为鉴,无论是电力还是信息技术,从技术出现到极大地提升生产力,需要一定的时间。所以我的观点是,大模型落地应用也是这样,大规模地形成AI生产力也需要三五年,甚至十年以上的时间。一方面是源于对历史的观察,另一方面是我们过去两年在企业落地实践看到的——今天还无法直接通过大模型及各种Agent全链路完成大部分岗位的全流程,但是在这些岗位工作流中的一个节点、一个工序,借助大模型能极大地提升效率。基于此,在未来很长的一段时间企业软件还是会长期存在,并且会成为企业迈向智能化的基础。郭舜日:我补充一下。现在AI应用面临的最大问题是,很多企业的数据还处于信息孤岛状态,数据清洗和基础知识的完整度、单元化程度都不够。这种情况下,AI对知识的积累和理解是有限的。目前,主要瓶颈不在于AI技术本身,而在于传统SaaS领域的数据沉淀和经验积累不足。比如我们平台上有37%的出口数据,看似量大,但这些数据之间互不联通,很难形成系统化的知识体系。所以,现在最关键的不是AI能力的问题,而是如何把分散的数据和经验整合成可供AI学习的素材。我们正在做的重要工作,就是把数据和能力真正沉淀下来,形成可学习的知识体系。这才是当前最需要解决的问题。崔强:到底是利好还是利空?刚才沈旸提到大家都在用MCP协议,今早我看到AI大神卡帕西(AndrejKarpathy)的观点,他说内容服务、AI服务应该停止使用MCP。为什么现在有人追捧,也有人看不上?沈旸:其实MCP本质上就是个简单的API服务协议,让Claude等大模型能方便调用各种工具。在MCP出现前,大家也是通过API调用工具,只是Claude把它标准化了。现在有几百个开源软件和SaaS服务都支持该协议。现在AI领域有个特别的现象:以前推广一个开源项目可能要几年才能获得1万Star,现在两三天就能达到。如果你的软件不支持MCP、没有API,或者不能被AI抓取,就会面临被淘汰的风险。目前MCP有个局限,它原本为本地编程设计,没有考虑商用软件的计费问题。有些SaaS公司虽然支持MCP,但会在内部设置调用次数限制。MCP生态主要基于开源体系,未来可能出现两种情况,要么商业软件都加入这个生态,要么AI只使用免费开源工具,把商业软件排除在外。目前还看不清楚最终会如何发展。崔强:两位对这个话题有什么补充吗?郭舜日:沈旸提到MCP主要是开源体系,但它本质上是个协议标准。我们公司内部也在讨论如何利用MCP协议来提升内部AI能力。我们现有的SaaS软件已经积累了各种基础能力,比如制单、订仓、客户通知(通过微信、企业微信、QQ、邮件等)。通过MCP协议,我们可以把这些能力标准化,让AI来执行交互流程,减少对人工操作的依赖。因为AI本身就具备行业知识,这样能简化架构,快速实现对现有交互流程的优化和能力替代。虽然协议本身不难实现,但关键是大模型引擎厂商都接受这个事实标准。这是我们内部架构团队正在讨论的方向。崔强:有网友问沈旸:按照你刚才的观点,像金蝶这样的企业该何去何从?沈旸:这个问题很敏感。未来软件必须加速迭代,把所有AI能力整合进来。传统软件往往多年才做一次大升级,比如ERP通常5~7年才升级一次。这不是企业不想升级,而是测试和变更太复杂。现在必须提升迭代效率,把7年一次的升级周期缩短到2~3年。就像电动车对燃油车的替代,燃油车5~7年升级一次,现在电动车每年都有新款,智能驾驶等功能快速迭代。对金蝶这样的大公司来说,最危险的还不是现在,因为他们还有资源投入。但必须意识到AI带来的变革。如果意识不到这点,就会像燃油车面对电动车那样,两三年后就发现自己无力进行架构升级。整个组织的开发模式和文化都可能成为阻碍变革的因素,所以首先要从文化上进行重大改变。哪类软件会先被淘汰?崔强:做个极限假设,以你们的观察来看,哪类软件会最先面临风险,最可能被淘汰?杨芳贤:在企业服务领域,后发优势特别显著。软件行业不完全是技术驱动的,市场、销售、服务和交付等环节同样重要,技术领先性没那么关键。回到沈旸说的时间问题,如果只有半年一年,像金蝶、用友这样的企业确实危险。但如果有5~10年时间,它们都会转型成AI企业,就像金蝶已经从传统软件转型为SaaS企业一样。具体到哪些软件企业容易被淘汰?我认为还是看企业的组织能力和运营效率。与软件类型无关,组织能力弱、运营效率低的企业最容易倒下。软件企业无论是创新还是保守,最终竞争的都是组织效率。从品类来看,AI最先替代的是大量简单重复性脑力劳动的岗位,我目前看到的这是一个增量市场,可能会逐步蚕食与这些场景相关的,功能相对单薄的工具类软件。崔强:郭总,你怎么看这个问题?郭舜日:一般来说,有价值创造能力和组织力的企业不容易被淘汰。如果要具体说哪类软件最危险,我认为是单一功能的技术型、工具型SaaS。最直接的例子就是RPA软件。现在像Claude提出的MCP协议、OpenAI的Operator等功能,已经能用多模态技术直接观察屏幕操作,完全替代传统RPA。企业不再需要专业的RPA工具,就能轻松实现自动化。这对传统RPA公司是颠覆性的。以沃行科技为例,我们用多模态技术实现了OCR(光学字符识别)功能。传统OCR需要大量样本训练特定模板,而现在的AI多模态技术不仅识别率更高(达到99%),还能理解内容含义。比如我们与客户在珠海合作的项目,AI不仅能识别货运单据上的文字,还能理解运输条款和贸易条款的关联性,这是传统OCR做不到的。再比如机器人领域。以前波士顿动力的机器人需要编程各种动作规则,现在基于大模型的机器人可以通过学习直接执行任务,不再需要预先编写规则。这类技术进步会让很多单一功能的工具型软件失去存在价值。沈旸:我补充一下,什么样的软件容易被替代?像金蝶这样的跨部门软件其实比较难被取代,因为它们不仅是功能工具,更是组织内部达成共识的磨合过程。比如ERP系统,从前端销售到后端财务,整个流程是各部门长期磨合形成的体系。要替换这样的系统,组织往往不愿意改变。但部门级或个人级的软件就不同了:一,部门级软件未来被替代的可能性非常大;二,个人工具领域,会出现很多新的AI工具替代旧工具。由于AI能大幅提升效率,个人会愿意花钱购买AI工具来提升竞争力。在SaaS领域,如果只是针对某个非常细分的部门级应用,这样的软件会面临较大风险。目前还看不到这类软件能保持优势的路径。AI有哪些真正可落地的场景?崔强:目前有哪些让人眼前一亮、真正可落地的AI应用场景?去年崔牛会AI大赛时,60%~70%的项目都是知识库、陪练等方案。经过一年发展,三位看到了哪些有价值的原生应用?具体在什么场景?郭舜日:知识库确实是一个非常典型的场景,效率提升非常明显。通过向量化机制,特别是RAG技术的应用,可以把企业私有数据库建立起来。以我们企业为例,近10年积累的大量文档知识,以前都要去问人,个别专家还不一定掌握全量知识。现在我们通过内部知识库建设,相当于培养出一个机器人专家,可以沉淀企业十几年的知识。这块效能确实很明显。但难度我也要说明,绝对不是简单把文档扔进去就能产生好效果。因为存在大量知识冲突,需要花精力进行知识梳理、向量化处理。我们和AW工程师合作,做了很多知识增强的工作,才让效果真正显现出来。建议有一定沉淀的SaaS公司都应该在内部效能提升上应用知识库,但需要认真对待知识增强和梳理工作。第二点,我认为更重要的是企业内部组织对AI的理解和意识培养。我们现在每周都组织AI高层汇报会,要求全员使用AI。只有真正用起来,才能在具体工作中发现有价值的应用场景。这是比找单点应用更重要的事。在具体应用场景方面,AI在单点能力上的提升非常明显。以我们航运软件为例,以前处理各家船公司的运价导入非常复杂,需要业务理解,而且格式经常调整。以前要投入几周开发时间跟进这些变化,现在用大模型动态识别就能快速完成。还有财务对账,AI理解财务逻辑、处理非结构化数据的能力都很强。这些单点技术突破投入低但客户价值高,是SaaS厂商应该重点关注的。崔强:沈旸,你现在看到了哪些比较令人兴奋的应用场景?沈旸:最近最令人兴奋的是像Manus这样的AIAgent,能够从前到后完成闭环场景。这类场景从去年12月底才开始出现,之前完全没有这样的工具和体系。这种AIAgent能在内部集成浏览器、虚拟机等组件,最终运行出结果并验证可行性。这才是最重要的突破。过去我们做的很多工作,比如知识库梳理,其实更多是在为AI服务,而不是为人服务,因为AI对知识的理解能力远超人类。现在更有价值的是让AI完成特定环节的闭环,并验证结果是否正确。比如郭总提到的报价环节,如果能用AI完成并验证,就是重大进步。虽然目前AI处理数据的速度和精度可能不如传统软件(比如传统软件半秒完成的任务,AI需要10秒~20秒),但这不重要。一旦证明可行,后续肯定会有人优化性能。目前这类应用主要在科技公司和工程师团队中测试,但我预计3个月左右就会在各行业普及,用于POC测试。开源版本也会很快出现,我们内部也在测试类似的开源方案,一旦实现闭环,就能清晰看到这个技术的终点在哪里。崔强:一个再小的业务,你也要把它闭环做完,能单独搞定它,对吧?沈旸:对。但是很多事情,比如像知识库,它可能就并不是一个真正的闭环。因为最终你还是依赖于人去评判做得好不好,或者要人去落地完成。对我来说这就不是一个闭环的事情。杨芳贤:大模型在企业的落地场景我们见得比较多,说知识库是一个场景,我认为这是一个误读。今天行业里大家讲的知识库,本质是让大模型掌握企业的知识和流程,替代重复性脑力劳动。但这个说法太泛了,需要拆到具体解决什么问题,投入产出比是怎样,这才能算是一个落地的场景。比如:客服助手场景、在线客服场景、对员工服务的共享服务中心、业务陪练、加盟商指导、数字教练、客户筛选、客户孵化、邀约到店等等。这些场景的第一阶段目标都是成为员工的数字助理提升效率,当数字助理有了极高的准确率和采纳率后,就可能直接替代部分真人工作,这些单点场景在有一定规模的企业里,其投入产出比非常高。除了知识库,智能工单在很多大企业也应用得特别好。例如:通过RPA机器人自动感知微信上内外部聊天内容,自动创建、处理、流转工单,包括对工单数据进行分析和预测。把业务专家的能力萃取出来后,它的感知和分析能力会比人更稳定、更可靠。我们有客户的客服团队有几百人,水平参差不齐,借助AI后相当于每个客服旁边都坐着一位业务专家,直接给出85分以上的意图识别和处理建议。我再举个具体的审核场景例子。我们有个客户去年一期项目用AI支撑近千家经销商,今年的二期项目做业务审核。他们目前有500人的业务审核团队,预计今年业务量要翻倍。如果不引入AI,他们的客服审核团队要再招500人。在他们的审核流程中有六个步骤,例如:信息审核时要处理不同区域的电费划转单、各省不同的购售电合同、投资项目备案证等;技术审核时要检查光伏组件安装是否被遮挡、施工规范是否符合要求等。过去一个资深审核员处理一单要15~20分钟,现在用AI辅助1~2分钟就能搞定。企业里有很多依赖资深的业务专家的场景,这些业务专家的知识、经验和流程萃取出来之后,AI掌握后往往比人做得更好,而且不需要考虑人员流动的问题。过去两年,我们看到很多类似的场景,企业规模越大、同一个岗位影响的人越多边际成本越低,AI带来的ROI就越大。比技术和产品更重要的是方法论崔强:现在很多SaaS企业都在考虑AI落地的问题。AI到底要怎么帮助我们这些SaaS企业实现真正的落地?现在很多厂商都想要尝试,但是不知道具体该怎么开始,需要投入多少资源,以及能带来什么样的实际价值。郭总,听说你们已经在做这方面的落地实践,马上要发布新产品了,能具体说说吗?郭舜日:我结合我们的实践经验来说说。从技术实现的角度来看,AI落地可以分成三个主要的阶段,每个阶段的难度和投入都不一样。第一个阶段是提示词工程(PromptEngineering)。这个阶段主要是利用现有的大模型技术,通过优化提示词来解决具体的业务场景问题。根据我们的实践,只是做好提示词工程就能解决80%左右的常见业务场景。比如我们现在做的OCR场景,就是通过多模态技术加上精心设计的提示词,已经能够完美替代传统方案。还有我们即将发布的AI助理产品,以及像Manus展示的那些闭环应用案例,核心都是基于提示词构建的任务流程。杨芳贤:不过要说明的是,提示词工程在POC阶段可以用来快速场景验证,应用到生产环境,光靠提示词是不够的。郭舜日:确实是这样。所以,第二个阶段就是RAG增强。这个阶段难度会大一些,主要是通过知识补充和能力增强来解决更复杂的业务问题。我举个具体的例子,很多企业都在用BI系统,但老板们经常用不起来,因为每次想看个报表都得找数据工程师专门配置。我们现在做的方案是,通过RAG技术把历史报表数据向量化,当老板说“我想看最近一个月销售对利润的贡献情况”时,AI就能自动生成相应的复杂报表。知识库建设也是类似的原理,但这里特别要注意向量化的质量,这个很关键。第三个阶段就是模型微调。当业务场景需要带入大量上下文信息时,可能就需要对基础模型进行微调了。这个阶段的投入会比较大,因为要构建自己的专用模型,硬件投入可能要几十万到上百万。所以,要不要走到这一步,需要仔细评估业务价值。我们内部现在就是按照这三个阶段来规划AI应用的,从提示词工程开始,逐步推进到RAG增强,最后根据业务需要决定是否进行模型微调。崔强:芳贤,刚才有不同意见,你们看到的相对成熟的落地方法论是什么?杨芳贤:在参与运营LangGPT提示词社区时,我们和客户一起共创了一套被广泛认可的大模型落地应用“三步走”方法论。我们认为企业落地大模型可以分三步走。第一步是“工作+AI”。就是让大模型提升全员的工作效率。很多人认为大模型只在企业内少数岗位,例如:文案、设计、开发等岗位提效显著。其实不是这样。我们看到在企业内,每一个部门、每个岗位,借助AI都能获得不同程度的效率提升,只是有些岗位能提效5倍~10倍,而有些可能只提效5%~10%。而且落地“工作+AI”几乎没有门槛,甚至零投入,但需要企业有AI文化,老板有AI思维,在企业内部营造AI的氛围,鼓励大家工作中能用上的AI工具都尽量能用上。第二步是“业务+AI”。就是让大模型掌握企业的知识和流程成为AI生产力。今天基于大模型构建AI生产力有两种范式,一种是替代简单的重复性的脑力劳动,另一种是辅助创造研究型的脑力劳动。让大模型掌握企业的知识和流程不是和大模型对话或者将企业的知识一股脑的上传就完成了,将企业的知识进行清洗和加工是前提,上线后持续的调优是效果越来越好的关键步骤。让大模型像刚入职的新员工一样,先掌握基础的企业知识和作业流程,然后再基于数据持续的迭代。就像招个985毕业生,在熟悉了公司的知识和流程后才能上岗,在日积月累的工作中能力不断的提升。第三步是“AIx业务”。这个阶段是以AI为基础重构产品和服务流程。就像今天所有企业都是互联网企业、电商企业一样,未来所有企业都会是AI企业。也可以分享一下我们在实际落地应用的最佳实践的几个关键点:一是企业内领导层、管理层和骨干员工对大模型的能力边界要有统一的认知。今天我们大多数对大模型的了解来自短视频和各种自媒体的推送,自媒体为了抓眼球往往只报道极端条件下的成功案例,与实际的落地应用有很大差距。二是了解行业内的先进企业及跨界的先进企业的真实案例拆解。不只是看媒体的宏观报道,而是看企业配置了什么资源,真实做了什么、踩了什么坑、投入产出比如何。三要先聚焦单个场景进行试点。现在很少有企业有专业的AI团队,临时组建的AI虚拟团队一定要先集中资源做好一个场景。一个场景验证成功后,代表这个企业、这个团队有驾驭大模型的能力,一个场景拿到超出预期的效果再扩展到其他场景会容易很多。今天落地应用大模型技术和产品很重要,比技术和产品更重要的是落地方法论。相比于已经发展了20年的数字化,大模型进入到产业才2年多时间,能力变化也很快。落地应用遇到挑战是普遍现象,全球范围内都缺乏成熟案例,最顶级咨询公司也是在探索阶段。在这个过程中,找到正确的落地方法和靠谱的落地团队比单纯追求技术更重要。别做“半吊子”产品崔强:沈旸,你刚才提到自媒体的局限性,但我觉得新媒体人还是有价值的,毕竟不是每个企业都有像你这样的专业CIO。你怎么看这个问题?能不能分享些实际踩过的坑?沈旸:我举个去年底的例子。我们尝试做一个智能会议室预定场景,听起来很简单:让AI根据“朝南”“看海”这种需求自动选会议室。这需要解决几个问题,给会议室打标签、让AI看懂平面图方位、处理企业微信里的联系人(包括重名情况),还要解析“下个月第二天”这种模糊时间表达。我们半天就搭了个原型,但实际使用发现问题很大——时间理解准确率70%,地点匹配80%,人员识别80%,三个维度一叠加,结果完全没法用。后来我们没急着调模型,而是做了两件事,一是用AI生成测试数据集,比如针对时间维度造了2000多条“下周二”“大下周”之类的样本;二是拿这个数据集持续测新模型,直到去年10月发现某家模型的时间解析突然做到100%准确(虽然理论上大模型是概率模型,但实测结果就是全对)。如果一个场景一周内搞不定,说明要么团队能力不足,要么技术还不成熟。去年我们做了一个类似Manus的金融版AI工作流,但当时开源工具链残缺,评估要缝上百个接口,直接放弃。技术迭代快得很,去年6月国内能私有部署70B模型(具有700亿个可训练参数),年底Claude和DeepSeek出来又是质变。现在每季度回头测旧场景,发现很多过去做不到的现在能做了。我们最后把AI深度嵌到企业微信,员工不用跳转系统,直接聊天界面就能用。比如设计师做了个吉祥物生成工具,运营同事机器人10秒出图,以前找设计部排队得等半天。所以,要么做成“开箱即用”的闭环(比如集成到钉钉/企微),要么明确测试标准,耐心等机会,千万别做个半吊子功能,既浪费资源,又透支团队信任——用户试两次不好用,以后连AI本身都不信了。“数据安全”不再是企业落地大模型的主要障碍崔强:一个网友的问题:企业在引入AI过程中如何防护数据安全,有哪些泄露风险点?特别是需要私有化部署的企业,目前他们可能更关心这个问题。我看你今年给很多大企业、国央企讲过课,他们肯定很关心安全问题。这个有解吗?怎么解?杨芳贤:关于大企业通过私有化部署来解决数据隐私和大模型的安全问题,有两个维度的私有化:第一个是中间层应用私有化部署,比如Agent平台,语料向量数据库部署在内部,但模型层通过开发者接口接入。这种情况下,大模型厂商用自己的商业背书承诺不会把这些接口数据用于模型训练。如果不是涉密部门,这种模式是值得信任的。就像今天我们使用公有云一样,对大模型厂商来说,单个企业的数据意义并不大,他们愿意用商业信用做背书,这个方案是OK的。所以企业可以把涉及企业内部流程、知识的Agent平台,语料向量数据库部署在自己本地。当然对于党政机关、军工企业、涉密机构等特殊部门,他们需要基座模型都做私有化部署。这也是为什么今年DeepSeek开年之后就出圈了,各行各业都非常关注。因为过去的开源模型和国产模型能力跟OpenAI还是有一定的差距,但DeepSeek的R1模型已经接近甚至在某些中文场景下超越了OpenAI的o1模型。而且它开源后可以做私有化部署,这就解决了大家过去只能用少量脱敏后的数据测试体验一下,现在可以大规模的应用在工作生产环境了。如果基座模型也做了本地化部署,那么它的安全问题其实和数字化时代的安全管理非常类似。针对大模型也有一些额外的安全防控点,很多安全厂商也给出了解决方案。所以,安全不是落地应用大模型的主要障碍。前两年大家还在讨论要不要上、怎么接入的问题,而今天已经变成讨论怎样借助大模型构建AI生产力了。今年,我们看到很多企业都在找具体场景,思考怎样融入业务。数据安全现在对企业落地大模型来说,已经不是一个很重要的门槛了。企业“上云”,还是“下云”?崔强:今天的DeepSeek对企业软件到底是利好还是利空?回到SaaS这部分,DeepSeek会不会使得业务部门倾向于自己私有部署,这会是一个“下云”的趋势吗?会不会影响现有SaaS软件公司的业务?郭舜日:数据安全确实是非常敏感的问题。我们这些做了十几年的SaaS服务商,在安全方面都有保障和承诺。像我们服务的中国邮政、民航等大型企业,500多个分公司、3000多个账号都在我们平台上运行,已经建立了对SaaS软件的信任。但AI带来的新问题是,当数据都在公有云平台时,通过大数据挖掘可以分析出企业自己都还没总结出的商业逻辑和规则。去年9月,我们去美国考察时发现,SAP的很多大型客户正从公有云转向私有云部署,就是担心公有云厂商可能利用平台数据挖掘能力来服务整个行业。这对数据贡献最大的企业来说确实存在战略顾虑。不过对中小企业来说,它们既没有足够数据量,也没有能力进行独立的数据挖掘。所以我认为会有两个趋势:一是超大型企业可能会选择私有化部署,出现“下云”趋势;二是大多数企业还是会相信SaaS服务商,因为单个企业的数据价值有限,而SaaS厂商可以提供行业级的AI赋能。崔强:沈旸,从客户角度你怎么看?“下云”和“上云”会是什么比例?沈旸:我以前在企业提出过“敏变稳”架构:SaaS软件+开源低代码+商业ERP套件。现在AI可能会替代原来的低代码场景,业务部门不再需要拖拉拽,直接通过AI对话就能调用API获取数据。对于SaaS软件来说,如果软件不持续迭代,客户很可能会用AI在内部复制一套。很多客户其实只用到SaaS软件的少数功能,以前用低代码重建很困难,但现在AI让这事变得简单。未来,要让大企业真正使用SaaS,必须做到功能持续迭代,提供实时更新的数据服务,比如提供股票信息的SaaS,因为数据实时更新才有价值。如果软件功能或信息常年不变,客户就没必要用SaaS。杨芳贤:从企业视角看,DeepSeek这类模型的本地化部署是增量业务,不会影响企业现有的云策略。算力也不一定要本地部署,也可能在云计算厂商租用算力私有化部署,而且算力成本正在急剧下降,未能相同能力的模型尺寸会越来越小。未来的趋势是云侧的大尺寸模型和端侧的小尺寸模型的混合协同架构,所以云上的比例未必会下降。从SaaS服务商角度看,过去依赖闭源大模型,现在可以用开源模型开发更匹配场景的应用,模型部署在云端,通过集中调度能大幅降低成本。所以不一定是“下云”,部分业务“下云”,但更多业务会“上云”,整体对云服务还是利好的。崔强:今天我还见了个投资人,他们非常看好这波Agent浪潮会催生全新的服务形态。就像沈旸说的“ServiceasaService”,关键是要能交付明确价值的服务。我们把服务分为两类:开源(创收)型和节流型,但都需要清楚计算出为客户解决了什么问题,创造了多少价值。本文来源:36氪文章转载于其他网络,如有侵权请联系我们及时删除
-
25
04/19
科技大厂掀起医疗界的AI革命,谁更有胜算?
医疗AI的改革正如火如荼,多家大厂纷纷下场,结果又会鹿死谁手?近两年,在大模型领域,国内外科技巨头在医疗赛道的布局都持续加速。王小川甚至曾高调宣称,医疗是“大模型‘皇冠上的明珠’”。医疗场景对AI的需求的确很高:数以万计的药品、繁琐又重复的阅片工作,乃至厚厚一摞专业书籍和临床指南……借助“硅基生物”的能力解决“碳基生物”的“看病贵看病难”“医疗资源不均”等问题,毫无疑问代表着科技的未来。正因如此,自最早的“互联网+”开始算起,从影像到病理诊断、从手术机器人到医疗大模型,AI在医疗领域引起的投资热潮和市场关注始终不减。但客观上,医疗AI的真正落地,离不开技术、产品、医患教育、政策监管等多维度的合力。这也是过去10多年来,医疗AI概念下的许多企业始终没能突破商业化瓶颈的原因。如今,随着大模型技术又一次突破边界,过去困扰医疗AI企业的诸多问题,有望迎来一个新解法。各大企业加码布局,或许只是开始。在这场由大模型掀起的医疗AI“革命”中,谁在抢跑?谁能成功?一、生成式AI,可能改变哪些医疗问题小到基层卫生院,大到头部三甲,医院争相部署自己的大模型应用,堪称2025年春节后医疗行业的第一个“奇观”。坦诚说,医生群体中虽不乏乐于拥抱新技术者,但“保守派”仍是大多数。相比于有事问AI,他们更信任从埋头苦读和临床实践中获得的“真知”。那么,认知是如何打破的?韩伟如今是首都医科大学附属北京中医院的信息科主任,最近,他们接入了蚂蚁医疗大模型,其具备医学思维推理能力与多模态交互,“不仅能给出解决方案,也会呈现思考过程”。“这对医生而言具有特别意义,因为我们想要的不仅是一个结果,更希望能参考它的思路,将来在遇到同类问题时,可以按照这个思路去思考。”他以一位意识丧失、无法进行心梗诊断的患者举例,往常,医院在接诊这类病例时只能召集多学科会诊,存在耗时长、效率低下等问题。但这一次,大模型只是根据患者既往接诊数据和病史情况,就逐步完成了病情分析和诊断建议,并对潜在风险进行了提示。“整个思路和结果与我们找的两位真人专家的诊疗建议基本一致。说明大模型的确可以帮我们省去一些会诊步骤,让医生将更多诊疗时间集中在病人身上。”韩伟解释。这种“AI更好用”的体验背后,主要得益于大模型的技术升级。有医疗大模型从业者介绍,如果对比两代AI技术,此前2.0时期的医疗AI更像是“判别式AI”,更擅长基于影像、推演数据做医学诊断问题;而基于生成式大模型的3.0时期,则是在做“序列预测模型”,即可以根据个人历史健康数据序列,预测未来的健康状态和疾病发展情况,进而形成个人的健康发展轨迹。而这道轨迹,对“个性化治疗和精准健康管理极具价值”。换句话说,过去,人们虽能感受到AI带来的就医服务升级(如AI预问诊),但体验上好像总差了点意思,是因为医疗服务的供应并未真正发生变化,核心劳动力仍然是医生。而如今,大模型技术带来的“生产力变革”,得以让AI开始深入医疗前端,通过更高质量的辅助能力让整个供应资源得到扩展。“有些变化看起来很小,比如远程会诊效率提升10分钟,但对患者而言就抢回了不止1小时。在过去与医疗服务从业者的深度合作中,我们也更加确定了AI医疗的价值。”蚂蚁方面解释。不再是“取代医生”或“爆改医疗”,10余年探索之后,科技公司们终于寻找到了AI技术与人类医生间的“平衡点”,即通过推动医疗资源扩容与服务普惠,比如更快缩小各级医院之间的诊疗差距、提升医生看新文献、研究病例、病患管理等方面的效率,让每个人都能拥有自己的高质量“AI私人医生”。尤其是今年,DeepSeek的“出圈”,更以汹涌之势在专业医疗机构、普通大众之间完成了一场“AI使用教育”,让AI更深入地渗透进医疗场景成为可能。这份潜力,为各大科技巨头、互联网公司再一次“押宝”医疗AI注入信心。二、取胜关键:医疗资源的争夺战当大模型技术为从业者带来了足够信心之后,下一个问题随之到来:如何让自己的产品在诸多竞争者中胜出?在医疗AI领域的诸多探索和叙事中,不变的一点始终是以医院为核心的医疗资源争夺。训练模型需要诊疗记录、影像报告等高质量医疗数据,培养模型的“医生”思维需要在具体科室里做针对性训练……换言之,谁覆盖的优质医院更多,胜算自然会更高些。新老玩家中,对于代表了老玩家的老牌医疗信息化企业、设备厂商而言,既往积累的渠道优势自然成为手中最大的底牌,而作为新锐玩家的科技公司们,不少则选择利用自己在算力、算法上的优势,通过和头部医院合作开发大模型来弥补这部分短板。但与医院的深度结合需要时间,无论是哪一方参与者,对医院的覆盖动作其实都是迟缓且有限的。是否有一种更轻盈些的方法?诸多案例中,蚂蚁的“长板”或许是略微不同的一种。蚂蚁最早的互联网医疗经验,应该从2014年在广州妇女儿童医疗中心开通支付宝挂号和缴费开始算起。截至目前,借由支付环节的打通,蚂蚁已联合3600家医院、服务超8亿用户。时至今日,仍然很难说有第二家互联网医疗公司能够复制这点。天平的一端面向医院:通常情况下,医院对软件类企业放开的合作往往只是一个小端口,比如面向某个科室。但在支付这个“总环节”上,整个医院的系统流程一定是向支付宝开通的,这意味着与医院拥有更深的合作基础。这也为蚂蚁将大模型等更深度介入医疗服务的产品带入院内,奠定了一定基础。天平的另一端则面向用户。互联网是患者获得医疗信息最重要的渠道之一。不过,常规的搜索平台、内容平台虽数量众多,但能带来优质使用体验者寥寥。直到今天,国内其实都尚未出现一个足够完备且深受患者信赖的互联网医疗健康平台。而依托于支付宝“超级平台”提供的独特落地通道,蚂蚁其实已经先一步完成了用户使用支付宝解决健康问题的市场教育。如今,许多患者已经习惯了不带医保卡,打开支付宝也能在医院签到候诊、缴费拿药。而支付宝首页的“医疗健康”模块里,也已聚合了全国九成以上的三级医院,覆盖买药、体检等上百种服务,为用户提供更便捷的健康服务体验。归根结底,在核心医疗资源的“抢夺”战里,所有参与者其实都是在用自己之前铺的渠道,做更擅长的事情。诸多玩家中,蚂蚁凭借此前在互联网医疗领域的长期深耕,或许会成为一个“全面布局、深度下场”的样本。三、联动医院、医生、用户,构建“生态壁垒”是不是解题新思路当掌握关键的医疗资源后,再下一步是什么?过去,不少医疗AI企业在从事产品开发时的问题在于,受限于经验和资源,往往会从某个单点切入,比如围绕放射科做AI阅片、辅助诊断等。而整个院内医疗体系庞大且复杂,牵扯的链条很多,这样“单点切入”的方式能解决的问题始终有限。正因如此,我们可以看到,一些医疗AI概念企业、大模型创业公司,的确做到了在短期内通过技术或商业模式上的创新在市场中突围,但很难构成长期壁垒。医疗AI竞争“内卷”的态势下,丰富的产品矩阵和生态“护城河”,或许是更难被复制的决胜关键。对此,蚂蚁方面也对36氪提到,大模型即产品,很多场景下的功能点都可以在一个对话框里解决掉。但在医疗行业,一个产品很难“打天下”,不同场景下AI能办的事不一样,满足需求的逻辑也不一样。因此,“我们从2023年开始研发医疗大模型时,就决定要和医疗机构深度合作,介入到完整的传统医疗场景中”。蚂蚁宣布整合现有资源,进行以医疗大模型为基础的“三端一体”战略布局,完成医院、医生、用户三大产品体系升级,正是出于这个原因。所谓“三端一体”,即面向医疗机构推出可供其直接部署的“大模型一体机”全栈式解决方案;面向旗下好大夫平台上28万注册医生的AI医生助手工具,提供文献检索、科研助手服务,以及服务于用户一侧的“AI健康管家”。这样的布局,并非是盲目将摊子铺开,每一项针对的都是当下某个医疗环节中的痛点。以“AI健康管家”为例,这项服务核心定位于服务普通用户找医生、读报告、陪诊等日常刚需的医疗服务。自去年9月上线的半年多来,该产品服务的用户量已达到4000万。值得一提的是,整个过程中,蚂蚁也不是一味自己“死磕”,而是邀请行业伙伴进行深度共建。比如在硬件部署上,蚂蚁就联合了华为、阿里云等厂商推出“训推一体,开箱即用”的轻量化设计;在大模型技术能力之外,则携手医疗机构一起实现应用层面创新,比如和浙江卫健委联合推出的官方AI健康应用“安珍儿”,现已覆盖超1000家公立医院、服务超3000万人次。过去,单打独斗难有出头之日。如今,平台型企业依托“场景+技术+开放生态”的独特路径布局,能不能为医疗AI搏出一个未来?本文来源:36氪文章转载于其他网络,如有侵权请联系我们及时删除
-
25
04/19
AI时代的软件开发:提示驱动开发
从语法流畅到架构理解的范式转移编者按:大模型的文生文能力正在引发软件开发的范式转移,下一代的软件开发将由提示驱动,开发者不会消失,但沟通能力与战略思维会变得更加重要。我在感恩节期间开发了一个应用,很快就收获了1000名用户,并在圣诞节前实现盈利。但最疯狂的是……我本人一行代码都没写。那都是我一步步指导大模型(LLM)写的,我们一起开发了一个全栈的NodeJS/React应用,这个应用带有PostgreSQL数据库,实现了与Stripe的集成,托管在Heroku上,用SendGrid发送电子邮件,用CloudFlare进行DNS处理。此后我一直都在思考提示驱动开发的事情,琢磨着该怎么做才好,思考其对行业发展的意义。以下就是我的想法。▋概要什么是提示驱动开发(PDD)?工具与工作流成功的心智模式行业影响▋什么是提示驱动开发(PDD)?从本质上讲,PDD是一种开发工作流程,开发人员主要促使LLM生成所有必要的代码。让我们将其与传统开发进行对比。PDD本质上是这么一种开发范式:开发者主要通过向LLM提供提示(prompt)来生成所有的必要代码。我们来跟传统开发模式对比一下。传统软件开发的高阶流程通常是这样的:1.开发者收到需求2.开发人员在IDE本地迭代代码变更3.开发者提交代码变更以供审查4.另一位开发者审查并合并变更传统开发的高阶流程相比之下,PDD有几个关键区别。首先,LLM会参与并编写主要(甚至全部)代码。其次,开发者专注于提示工程和代码审查,而不是自己编写代码。除此之外,其余流程大致是相同的。高阶提示驱动开发流程:1.开发者收到需求2.开发者将需求分解为一系列提示*3.LLM针对每个提示生成代码4.开发者审查LLM生成的代码*5.开发者提交所有变更以供审核6.另一位开发者审查并合并变更提示驱动开发高阶流程*我想强调几个步骤。1.“将需求分解为提示”是一项新技能,需要学习和练习。我会在“思维模式”章节讨论怎么做。2.“审查LLM生成的代码”至关重要。你不会不假思索就合并进人工编写的代码,所以对LLM编写的代码也别这样做!▋给谁用?简而言之,每个人。我曾经跟一位资深工程师交流过,他们正在用这种做法开发极具创新性的技术。我的一位朋友甚至用PDD从头开始做出了自己的编程语言。我也接触过一些非技术人员,这些人能开发出功能完备的原型,甚至有人还部署到生产环境并吸引到用户了。LLM最惊人的特性之一就是大幅降低了编程门槛,让零技术经验的人也能生成可运行的代码。但我认为有类人群特别适合这种技术:那就是具有技术背景但转型从事产品、战略或设计工作的人。这当中包括技术产品经理、技术设计师以及工程经理等。由于我的个人背景与此类似(开发者→用户体验→产品经理),所以我对PDD的热情可能有些偏颇。这种技能组合之所以能够从PDD获益,是因为这些人可能对软件工作原理具备了架构上的理解,但对编程语法却不太熟悉。由于LLM可以帮忙处理语法,因此语法不熟练不再是制约因素。通过PDD,他们可以高效、无拘束地进行开发。▋工具和工作流基础模型以下是可编写代码的一些LLM。随着新模型不断被训练并部署到市场上,这个领域会非常活跃,充满活力。就PDD而言,需关注:·我通常用Claude3.5Sonnet、GPT4o和GPTo1·对各种模型的编码能力进行测试的基准测试有很多。选择模型时请参考最新的基准测试这些基准数据可能已过时聊天工具ChatGPT,Claude,Gemini常规聊天工具可作为PDD的一个选项。就我个人而言,我更喜欢大模型原生IDE,但我访谈过的几位开发者都用了聊天工具,因为比较简单。因为要给LLM提供一切适当的上下文,然后还要将输出粘贴到代码库中,这种做法的人工操作更多,但用起来是没问题的。其工作流如下:1.给LLM写提示2.从代码库中复制所有必要的代码上下文,并将其作为提示的一部分3.复制LLM生成的代码4.将代码输出粘贴到代码库中的正确位置虽然我的主要工作流不是这样,但PDD过程中也会偶尔使用。如果要尝试这种方式,强烈推荐使用ClaudeProjects或ChatGPTProjects功能,你可用来组织文件和聊天记录,极大提升上下文管理效率。ChatGPTProjectLLM原生IDECursor、Windsurf、Bolt、v0、Replit工具这些工具彻底改变了游戏规则。它们将LLM集成到IDE中,相比聊天模式有两大优势:1.为LLM提供代码上下文非常容易2.LLM能够直接在IDE中编辑你的文件这显著加快了代码生成反馈循环,无需反复复制粘贴到IDE内。此类工具层出不穷,我个人用的是Cursor。说实话,这些工具大同小异:Replit可自动部署代码库,Windsurf与GitHub集成等,但核心价值都在于简化PDD的用户体验。我强烈建议选择个LLM原生的IDE然后坚持用下去。在各种选项之间切换的成本非常低。关键要培养如何编写出色提示的技能,而不是记住特定IDE的所有功能。所以选好一个,坚持用下去,聚焦在提示上。Cursor,注意右侧的“Composer”窗口我的工作流我在工作流结合了ChatGPT与Cursor的使用。大致分解如下:·80%时间与Cursor交互:通过Composer功能向Claude发送提示,审查接受/拒绝修改。重复此过程。如有错误,我们会一起解决。·15%时间把GPT4o当作技术思考伙伴:处理复杂变更或新功能开发时,要求其提供技术方案并创建任务工单,以此作为提示输入给Cursor,然后进入Cursor工作流·5%的时间使用GPTo1进行深度规划:启动新项目或实施系列复杂变更时,GPTo1可生成更高质量、更长篇幅的输出(例如一次性生成十余个任务工单)我对PDD工具使用的大致分布情况▋成功的心智模式更好的提示==LLM生成更好的代码。垃圾进,垃圾出,对吧?每个人的目标、环境和技能组合都不一样。所以这里不会告诉你究竟该怎么写提示,而是会提供一些思维模式,这些思维模式可提高提示质量,进而提高生成代码的质量。LLM是刚加入本项目的初级开发者LLM拥有令人难以置信的编码能力。但是,如果你是PDD新手,我强烈建议你先想到这一点。告诉自己,LLM是刚接触该项目的初级开发者。在编写提示时,要考虑到如何指导这类人。错误示范:“给我写个可以让朋友们发布照片并互相关注的app。”这样绝对行不通。别这样,你得给出很小、非常具体的变更。你可能还要提供各种相关的文件,并说明关于产品是什么以及别人会怎么用的一大堆信息。这是思考如何给LLM提示来生成代码的正确方法。这样不仅会生成更好的结果,还会迫使你更好地给出提示,你的关注点应该在这里。更好的提示==LLM生成更好的代码。垃圾进,垃圾出,对吧?表现得像自己就是一整支产品团队一样给LLM提供的东西不用局限在技术背景上。不妨设想自己是产品经理、设计师、开发主管以及QA工程师,你可以就工作范围提供意见。你要尽可能地模仿角色,但也不要用力过度。除了技术指导之外,你还应提供:·用户故事·业务目标·UI描述·UX流程描述·测试计划把这些类型的附注添加到提示中可以给LLM提供更全面的上下文,也能提高其实现预期目标的能力。上下文、具体性及范围这是调整提示时需要考虑的三个变量。这些变量跟代码质量的关系很简单。为了提高LLM生成代码的质量,你需要:·增加提供的上下文的信息量·提高请求的具体性·缩小变更范围为了获得最佳输出,你需要上下文丰富、特别具体,范围很窄以下是我对这些术语的定义……上下文是提示提供的代码库片段或文件。·上下文不充分:“在后端进行这些变更”·上下文丰富:“调整backend/routes/user.js文件的getMarker函数。文件在这儿,它一般会进行交互的另外3个文件在这儿......”具体性是指请求定义得有多明确、多精确。·不够具体:“当用户单击提交时,将其提交添加到feed中。”·非常具体:“当用户单击提交时,调用saveSubmission端点将提交存储到数据库内。保存后,自动调用loadFeed函数刷新前端的feed,让用户能够立即看到自己的提交,而无需重新加载页面。”范围是要求LLM一次性变更多少东西。范围很广:“添加一个设置页面,用户可以在该页面管理和更新账号。”范围很窄:“在设置页面上添加一个切换按钮,用户可以将自己的帐户设置为私密或公开。”请记住,要想得到最佳输出,上下文得丰富、请求要足够具体,范围不要太宽。是,写成这样需要时间,但写代码也一样。提示成什么样你得根据自己的技能组合来权衡。LLM写代码也会有bug(就像人类一样)知道不,LLM并不完美。我和曾经尝试过PDD的人聊过,“因为AI产生了一个bug,所以我就放弃了。”我建议你不要期望过高,只需知道LLM会时不时产生bug就行了。这是正常开发过程的一部分,那怕是人类写代码也会出错。这也是为什么在接受LLM代码之前对其进行审查和测试如此重要的原因。不要盲目地合并它所做的变更。人写的代码你不会无脑合并,那为什么LLM写的代码你就会无脑合并呢?如果你遇到bug的概率超过5%,请使用上述建议重新审视你的提示技术。人写的代码你不会无脑合并,那为什么LLM写的代码你就会无脑合并呢?▋行业影响门槛提高了常见误区认为LLM将取代开发者。更准确的认知是:对所有从业来说门槛提高了。对于技术人员来说,熟练掌握一门编程语言已不再足够。因为这项技能可以100%外包给LLM。现在,开发者需要对所用的代码库有深入的架构理解,并且需要具备强大的写作技能,以便能够准确地向LLM表达所需做出的变更。对于非技术人员来说,能够给开发团队编写需求已经不够了。相反,他们还得会开发可在本地运行的功能齐全的原型。为此,他们需要具备足够的技术知识,好向LLM描述所需的内容,还得知道如何启动本地Web服务器。低阶工作不会消失,但工作性质会改变最近有很多关于入门级(甚至中级)开发者角色被AI取代的讨论。我知道他们想说什么,但我认为那是不对的。其实他们是想说LLM现在已经能做我们目前认为需要入门级或中级开发者才能完成的工作了。这一点我大抵是同意的。但认为这些角色会消失的想法是只见树木不见森林。消灭初级和中级岗位会导致开发者的人才断代。现在那些高级开发者总有一天会退休的,而由于没有人才储备,我们没法用足够快的速度去替换他们。中级开发者的定义肯定会发生变化。他们需要完成的任务类型会变得更加复杂。他们可能会使用LLM来生成大量代码。而且,他们还需要对产品有深入的架构理解,并具备强大的书面沟通能力。软件开发的学法不一样了2010年代我刚开始学习软件开发时,概念学习的顺序大致是像下面这样的:1.基本概念(变量、数据结构等)2.语言语法和特性(我学过C++、Java、LISP、Ruby、JavaScript)3.协作(Git)4.架构模式(前端/后端、MVC)5.之后我转行去做产品了我预计现在对于学软件的人来说会发生一些变化了。首先,他们不会像我一样去学5种编程语言。没有理由去做这样的事情了。他们可能会学习一种语言,然后靠LLM去学习其他语言和框架。其次,他们会学习架构模式的时间会提前,可能学习基本概念的同时就开始学了。这是因为你必须掌握这些知识才能编写出高质量的提示。第三,他们从第一天开始就会学习使用LLM,逐步练就非常强大的书面沟通技巧,从而写出高质量的提示。整个过程大概是这样的:1.学基本概念+架构模式2.学一种编程语言+提示写作(语言可能是python或Javascript,会通过提示来学习)3.合作4.......等等小一点、新一点的公司会率先采用提示驱动开发改变很难,组织惯性会妨碍成熟的大型科技公司大规模采用这些做法。他们需要更长的时间才能共同建立起对LLM代码质量的信任感,才能理解提示质量才是更重要的因素,才不会感到受到LLM的威胁,并最终接受这些工具。小一点、新一点的公司有充分的理由从第一天开始就成为AI原生企业,没有理由不这样做。他们没有历史负担,很快就能学会如何将其融入自己的独特文化,并以业内前所未有的速度交付产品。这种情况正在上演,Headstart等公司就是典范。▋结论提示驱动开发(PDD)是一场软件开发变革,强调的是对架构的理解而非语法流畅。通过利用LLM,开发者和非开发者都可以更快、更高效地开发出产品。不过,LLM生成代码的质量在很大程度上要取决于提示够不够清晰,够不够具体,因此,沟通能力与战略思维至关重要。本文来源:36氪文章转载于其他网络,如有侵权请联系我们及时删除
-
25
04/19
又一家AI独角兽出现,1/4的美国医生都在用,用互联网的思维做AI医疗
又一家AI独角兽出现,1/4的美国医生都在用,用互联网的思维做AI医疗披着AI医疗外壳的互联网公司又一家新晋AI独角兽出现了。今年2月,AI医疗公司OpenEvidence拿下了红杉资本的7500万美元融资。这次融资后,OpenEvidence的10亿美元,成为了新的AI独角兽。虽然说干着AI医疗的活,但OpenEvidence的经营策略更像一家消费互联网公司。与大多数AI医疗公司走toB道路不同,OpenEvidence却把目光放到了C端医生群体,向所有医生免费开放,通过广告产生收入。不仅商业模式像,OpenEvidence的用户增长也很“互联网”。据公司创始人DanielNadler透露,现在1/4的美国用户医生已经在用OpenEvidence。而一年之前,这一数字几乎为零。这种迅速的市场渗透速度在医疗领域极为罕见。也难怪,红杉合伙人PatGrady会评价说,OpenEvidence更像是一家披着AI医疗外壳的互联网公司。01披着AI医疗外壳的互联网公司OpenEvidence的界面与ChatGPT很像,不过是专注于医疗领域的聊天机器人。简单来说,OpenEvidence能够帮助医生在漫长的「长尾」医疗信息里,精准找到他们需要的知识,从而显著提升医生处理罕见和复杂病例的能力。不过与大多数垂直AI产品不同,OpenEvidence更像是一家消费互联网公司。从服务对象看,OpenEvidence没有选择医院,而是把目光放在了医生上。原因很简单,传统医疗产品的路径需要通过医院或其他机构的层层审批,落地周期过于漫长。在传统医疗落地路径下,AI医疗公司负责人需要花三个月找到大型医疗集团的高层开个会,然后再花三个月找医院的「AI委员会」开会。这个过程中还不排除会遇到医院AI政策和AI监管政策的变化,落地前景存在很大的不确定。在公司创始人Nadler看来,医生不仅是一个职业,同时也是消费者。如果产品足够优秀,能够满足他们的需求,医生自然也会用,甚至还会形成自然传播。这一点就像早期的特斯拉一样。其实,DanielNadler的想法并非没有道理。在AI医疗领域,越来越多产品开始把服务对象放到医生上,以避免了医疗机构冗长的购买审批流程。比如,AI医疗笔记产品FreedAI就面向的是独立执业临床医生。产品发布不到2年的时间,每天有1万个付费医生使用,达到了1000万美金ARR(年度经常性收入)。在商业模式上,OpenEvidence也更像一家消费互联网公司。与大部分AI产品走订阅模式不同,OpenEvidence选择了免费提供服务,向所有医生免费开放,通过广告产生收入,产品迅速实现了自发传播。OpenEvidence的成长轨迹,也正如Nadler预想得一样。Nadler披露说:“如果算上所有活跃用户,每月有30-40万人接触我们的系统,其中20多万医生会登录并提问。换句话说,美国大约10%-25%的医生,已经在某种程度上使用OpenEvidence了。”也就是说,已经有1/4的美国用户医生在使用OpenEvidence的工具。而一年之前,这一数字几乎为零。这种迅速的市场渗透速度在医疗领域极为罕见。红杉资本合伙人PatGrady认为,这种自然传播模式在医疗行业极为罕见,通常只在互联网产品中才能见到。那么,OpenEvidence为什么能够实现如此快速的增长?02用AI帮助医生找资料OpenEvidence的成功之处在于,抓住了医生的一个痛点:医学知识更新速度远超医生处理能力。在美国,医生的工作压力很大。现在美国人口已达3.4亿,且不断增长,但老龄化趋势加剧,而美国在职医生只有100万,医生人手捉襟见肘。除了临床工作,他们还要花费大量时间仔细查阅期刊,以确保他们能够掌握最新的治疗信息。但想要跟踪最新医学知识并不容易。原因是,医学知识的更新速度太快了。现在基本上每分钟就有两篇新的医学论文发表,一天24小时不间断,一周七天都是如此。根据OpenEvidence测算,真正对医生有用的,往往是顶尖的期刊,比如影响因子最高的前三分之一的期刊。按这个数量计算,医学知识每五年就会翻一倍。这意味着,医生毕业后不久所学知识就会迅速过时。当面临复杂的病情,例如病人同时患有银屑病和多发性硬化症时,传统医学信息检索工具(如PubMed和Google)难以直接有效地回答这些特定患者的特定用药安全性问题,因为这些关键信息通常隐藏在医学论文的正文深处。这时候,OpenEvidence的价值就来了。之所以OpenEvidence能实现这一点,与其高度强调信息的准确性和透明度不无关系。为了彻底解决幻觉的问题,OpenEvidence对训练数据卡得很严格,所有训练数据都必须是经过同行评审的医学研究。正因为如此,与大模型海量收集互联网数据不同,OpenEvidence走了另一条相反的路:完全放弃了互联网上的健康博文或社交媒体内容,完全基于严格的同行评议医学文献进行训练。除了FDA和CDC公开的医学文献,OpenEvidence还与《新英格兰医学杂志》等顶尖医学期刊建立了合作关系。(《新英格兰医学杂志》由马萨诸塞州医学会(MassachusettsMedicalSociety)所出版的评审性质的综合性医学期刊,1812年由约翰•柯川博士创办,至今已连续出版超过200年。)除了严格限制数据来源外,OpenEvidence在架构上没有选择只靠一个大模型的做法,而是采用了多个模型组成的「集成架构」,每个模型负责不同的任务,比如检索、排序等。Nadler的思路是,与其追求庞大的通用模型,不如训练更小、更专业化的模型,在特定领域里做到极致。解决完了信息准确性,OpenEvidence在信息透明度上也花了很多功夫。比如,医生在使用OpenEvidence时,医生能直接查看答案的来源。也就是说,OpenEvidence不是简单地「压缩」期刊的内容然后输出,而是直接把流量送回期刊网站。这样一来,就形成了一个良性循环:医生找到了可靠的内容,医学期刊获得了流量,也愿意让我们收录他们的内容。在Nadler的设想里,AI医疗最大的想象在于,真正实现个性化医疗。AI都会把病人的所有具体情况与全球所有相关医学知识进行匹配,形成一个超个性化的治疗方案。到那时候,可能120岁、130岁都不再是人类寿命的上限了。03总结OpenEvidence的脱颖而出,再次证明了两件事情:一是垂直场景数据的价值。正如NorwestVenturePartners合伙人ScottBeechuk所说,AI公司最深的护城河将由大型专有数据集创造。那些拥有独特的数据集,能训练或微调出自己的模型,并能够在特定垂直渠道中脱颖而出。二是AI的价值并不体现在多厉害的测评数据,而在于能否抓住用户需求。当下,医生们并不期待大模型能够创造癌症治愈的奇迹,他们更现实的期望是,AI能否帮助自动化解决某个环节的小问题,而这些真实需求只有在长期深入行业、充分理解临床工作流程后才能真正理解。本文来源:36氪文章转载于其他网络,如有侵权请联系我们及时删除
-
25
04/02
个性化软件:程序员的解绑?
为何说大语言模型将重塑开发逻辑?软件开发正经历着深刻变革,但情况跟大多数预测不一样。虽头条叫嚣“编程已死”,但真相更为微妙:我们正见证“个性化软件”的崛起——用户与创作者的界限逐渐消融。这一切都是由大语言模型与AI辅助开发工具的进步所驱动的。当前最令我兴奋的AI趋势是个性化应用。现在,任何人都能创建满足特定需求的应用而无需开发者或设计师的参与。作为产品设计工作室创始人,我需要担忧吗?完全不必。大家开发的应用越多,越能体会优秀软件背后的匠心。——ShaneLevine这场变革跟取代程序员无关,关乎的是软件创作的开疆拓土,特别是那些过去因过于个性化或小众而无法落地的应用。故事的主旨并非AI替代人类开发者,而是AI工具如何催生前所未有的软件新物种。审视当前开发版图:传统软件公司专注满足广泛市场需求,忽视海量的小众场景。这些空白不只是待开发的功能,而是一整个因过度专业化而美化商品化的软件类别。但AI辅助开发的兴起正在改写规则。当人们通过自然对话描述需求即可生成可用代码时,个性化软件开发的经济性蔚然改观。这不是要打造下一个Photoshop或Figma,而是赋能个体为独特工作流、爱好与难题创造专属工具。我本人就毫无技术背景(从未编码),但通过Replit平台与AI对话,我用手机开发出了追踪“狗狗吃了没有”的网页应用。——a16z风投机构JustineMoore个性化软件与传统应用开发有着本质差异。前者涉足的是一个在特殊约束下的新领域:无需支持百万用户、无需处理开发者需求以外的边缘案例,也不需要保持版本的兼容性。当软件开发所需时间与专业知识断崖式下降,项目的最小可行市场规模趋近于1。这不仅是量变,更是对“可市场化软件产品”定义的质变。正是这种简化场景,让AI辅助开发在这个领域大显身手。对某领域认知越浅,越容易对AI的输出惊艳——此谓“能力幻觉”。——GerardSans资深开发者对AI取代程序员的质疑确有道理:开发维护大型软件系统仍需当前的AI所缺乏的深厚技术知识、架构理解与经验。但此类怀疑往往会导致我们忽视个性化软件开发领域的真实变革。不妨这么想,就像电子表格赋能非程序员完成复杂计算与数据分析一样,AI开发工具正让非程序员创建个性化软件解决方案。关键区别在于:电子表格提供的是受限环境,仅针对特定问题,而AI开发打开了为个体需求定制完整应用的可能性。这一转变对软件行业影响深远。我们正从“购买所需”迈向“生成所需”。当个体能自主创建解决方案而非等待商业软件响应需求时,软件市场的总潜在规模将爆发式增长。这不仅关乎抢占现有市场份额,更重要的是重新定义了软件市场的构成。传统模式下,软件开发如同工业制造:高固定成本需庞大市场支撑。新模式则类似手工作坊,能为任意规模市场(直至个体用户)打造工具。对软件市场的衡量标准亦随之改变。随着更多的软件开发针对的是个人使用而非商业分发,许可证销售或订阅收入等传统指标可能也会失效。我们或需采用新指标,比方说节省的时间或解决问题的数量,来捕捉个性化软件创造的价值。但需注意一点:AI辅助做出来的个性化软件可能在健壮性、安全性与可维护性方面比不上专业开发应用。必须理解这些局限性,并认识到这并非专业开发的替代品,而是具备独特优劣势的新物种。个性化软件的涌现引发对开发职业未来的思考。它非但不会削弱专业开发者角色,反而可能推动领域向更抽象与更复杂进化。随着基础开发门槛降低,专业人士会更专注于技术专长仍十分关键的领域:可扩展性、安全性、性能优化与复杂系统集成。软件工程史可看作是不断抽象化的过程。就像编译器发明并未消除程序化思维的需求,而是将工作提升至更高抽象层级,AI助手亦代表着此进程迈向了下一站。关键区别在于:用户无需学习正式的编程语言,只需掌握如何通过自然语言精确表达计算意图即可生成可用代码。AI并未消灭编程,而是为“指示计算机执行特定任务”这一底层过程提供了新的抽象接口。越来越多零编码经验者通过lovable_dev等平台创建应用。这对开发者其实是个利好:用户终将触及工具极限,转而寻求专业解决方案。本欲取代开发者的技术,反而可能创造出更多的机遇。——JulienAI辅助开发的悖论在于:它可能为专业开发者创造更多机会。当用户通过无代码平台与AI助手入门后,终将触碰到工具的能力边界。就像建站工具通过赋能中小企业反而扩大了专业网页开发市场一样,AI开发工具或将培养出理解定制软件价值的新一代具备技术素养的客户。展望未来,包括AI生成代码共享市场、应用定制扩展工具,以及专为AI辅助开发设计的新框架在内,围绕个性化软件开发的新平台与社区将崛起。软件开发的真正革命不在AI取代程序员,而在于AI创造出一个前所未有的软件开发新类别。这一转变或将孕育出更丰富多元的生态体系——商业应用与长尾个性化解决方案共存共生。在此转型的过程中需维持一个平衡的视角:个性化软件的崛起并不预示着传统开发的终结,正如电子表格并未终结金融软件一样。它代表的是软件创作可能性的拓展,在开辟新机遇的同时,保留专业开发的核心价值。软件开发的未来并不是有你没我,而是兼容并蓄。专业开发者会继续开发复杂系统,AI工具则赋能个体实现曾不可及的个性化方案。这有望令软件前所未有地更加触手可及、更加个性鲜明、更加深度地融入生活之中。本文来源:36氪文章转载于其他网络,如有侵权请联系我们及时删除
-
25
04/02
苹果重拾“AI医生”
苹果的AI医生为何来迟?3月30日彭博社爆料,苹果大改其健康App,意欲开发一个全新的“AI医生”。据悉,该计划为代号ProjectMulberry,现阶段包含AI健康教练、食物追踪、锻炼分析、教育内容四大模块,尝试利用iPhone作为媒介,向用户提供一个算法构成的虚拟医生。ProjectMulberry的四个健康模块如果用户同意应用的条款,苹果将会收集用户日常生活产生的各类健康数据,并交予AI医生进行分析,进而为用户定制个性化的健康管理计划。同时,苹果还会与睡眠、营养、物理治疗、心理、心脏等方面的医生共创科教视频。这些内容将作为AI医生的补充,向用户直观地描述他们的健康信息,或是解释健康计划的制定逻辑。举个例子,当苹果的App收集到反映心率异常的数据,AI医生便会在给予用户提醒的同时,推送一些解释心脏病风险的视频,敦促患者及时进行干预。不过,早在深度学习萌芽时,谷歌、微软、IBM等巨头便沿着自己的理念推出过各具特色AI医生,但其中的绝大多数已经折戟,少有企业再提“AI医生”。而今已是大语言模型时代,苹果的医生似乎有些姗姗来迟。01苹果的AI医生为何来迟?单单从ProjectMulberry的内容来看,苹果此次爆出的四个模块没有太多吸睛之处。AI健康教练、视频教育不是什么新鲜概念,食物追踪、锻炼分析等基于计算机视觉的应用也早有国内外厂商试水。但对于苹果而言,当下可能是属于它最好的时机。众所周知,苹果的生成式AI能力一直落后于GAFA中的其他成员。当Gemini和GPT在AI逻辑推理上打得不可开交时,对话式Siri仅仅交出测试成功率66%~80%的答卷。由于每三次交互中便会出现一次错误响应,原本2024年的上线计划被直接推到了2027年。为了追回颓势,苹果2月宣布了5000亿美元本土投资计划,打响翻身战。计划之中,苹果将在未来四年重点发展AI服务器制造、研发扩张等产业,强化云计算、AI推理、数据分析能力,预计在2025WWDC大会上推出自研AI系统,整合语音、视觉与多模态交互。因此,在当下这个节点上爆出新计划,要么是“AI医生”的想法已在苹果健康生态构想中孕育多年,要么由于库克对于健康产业的钟爱,ProjectMulberry赶上了自家的AI风口。其次,国内外企业虽在“AI医生”早早开启布局,但由于算法的局限及数据的缺失,很多企业开发应用效果都不尽如人意,未能走到市场中。举一个例子:过去很多医生都提到了这样一个需求,他们希望AI厂商开发一个智能算法,尽可能准确地识别图片中各个食物的热量,以此给予用户直观的计算结果,达到热量摄入控制的效果。在那个没有生成式AI的时代,AI厂商只能通过深度学习去进行食物的分割,基于食物加工后热量的平均值进行估算。但因为食物种类多元、加工方法各异,当时的AI无论在食物要素的分割,还是热量的估算上,都与现实存在较大的误差。苹果选择此刻切入这一赛道,其中的重要原因便是因为相关的AI技术已经趋于成熟。如今,iPhone16已能较为准确地估算食物的卡路里和碳水化合物含量,帮助肥胖症、糖尿病等疾病患者进行健康管理,加之生成式AI的赋能,新一代的“食物跟踪”大概率能将分割与计算做得更精准,达到医用的标准。同理,锻炼分析亦能借助新的AI技术实现突破。基于iPhone的后置摄像头,AI医生能够取得更为丰富的数据研究用户的锻炼情况,提供相应的动作纠正和姿势纠正,实现“数字物理治疗师”功能。总的来说,本有的AI基础制造投资计划叠加常年积累的AI视觉能力,苹果有望将围绕这些陈旧的概念做出新一代的数智应用。何况,有可穿戴设备这一生态优势作为支撑,苹果或许真能盘活AI医生,使其规模性地落地市场。02越过数字医疗难以逾越的阻碍从ProjectMulberry现有的内容看,苹果AI医生期望切入的领域可能是“AI+健康管理”,也可能是“AI+数字疗法”。近几年间风云变幻,两个赛道中的不少初创公司已经无功而返。追其究竟,相关企业由于缺乏数据难以给出精准的个性化诊疗计划,因而服务产生的价值未能覆盖研发推广过程付出的高额成本。得益于可穿戴设备生态赋予的多模态数据集成能力,苹果首先能够解决“精准性”与“个性化”带来的问题。2014年,初代AppleWatch便已集成心率传感器,能够连续手机用户的心率变化信息。2018年后,AppleWatch又引入了ECG功能,使其能够在后台动态检测用户的心脏节律。ECG可谓可穿戴设备在医疗健康功能上的第一个“杀手级”功能,让真正需要持续体征监控的带病人群也能从技术的发展中受益,从而打开了慢病人群这一巨大的市场。2021年,苹果的单导联ECG和房颤提醒两个功能以“突破性创新医疗器械”的形式获得了FDA的器械审批,使其成为全球第一款直接面向消费者的通过手腕检测心电图的非处方产品,实现了AppleWatch消费级到医疗级的跨越。2020年9月,新发布的AppleWatchSeries6又加入了血氧监测功能。结合心率变异性(HRV)分析,苹果可生成深度睡眠质量报告,揭示用户夜间呼吸与心血管状态的关联,为慢性疲劳、睡眠障碍等亚健康状态提供了早期预警窗口。血糖监测方面,苹果此前和RockleyPhotonics合作开发硅光子技术,旨在通过激光光谱分析实现无创血糖监测。尽管在2021年双方分道扬镳,但苹果在微型传感器、光学算法上的积累,正加速这一重要项目的落地。若成功,AppleWatch将首次实现血糖、血压、心电图等代谢与心血管指标的闭环监测,颠覆慢病管理的已有范式。多模态数据融合之下,苹果已为用户绘制出一幅完整的健康画像。基于连续的、多维的数据进行辅助决策,AI医生理论上能够制定精准的健康计划,并根据用户身体变化进行动态调整。苹果健康生态中各类软硬件设备的作用其次,“AI健康管理”和“AI数字疗法”中的许多企业长期面临高昂的运营费用,他们必须在研发、获客、医生服务等方面投入大量成本。而在ProjectMulberry披露的内容模块中,大部分服务仅需要内部开发即可,仅有视频相关内容需要需求医生的支持。此外,苹果本身就具备拥有庞大用户的平台,因此能够省下了大量前期成本,使得凭借较低的客单价也能盈利。最后是商业模式。初创公司的绝大多数收入需要依靠提供服务获取,而苹果可选择的商业模式更为丰富。譬如,AI医生一方面可以软件的形式,随Health+纳入AppleOne套餐,抽成30%的医疗订阅费;另一方面可单单作为成本项,通过与苹果生态的强绑定,拉升苹果旗下其他可穿戴设备的销量。三大优势之下,苹果或能凭借AI医生开拓过去初创公司未能跑通的市场,在新的千亿院外健康市场中掘金。03重新审视那些被抛弃的医疗AI场景虽说现有的AI技术距离打通严肃医疗还有一段距离,但纵观当下AI企业的应用开发趋势、国家药监局审评审批改革路径、普通百姓对于AI技术极快的接受程度,我们可以清晰预见那个将AI作为私人医生的时代。而一向谨慎的苹果开启布局,或许意味着这个赛道已经存在跑通的可能。当然,发生根本性变化的不止“AI医生”。这个时候,我们有必要像苹果那样,重新审视十年AI发展间功亏一篑的智能应用。当技术的底座向前跃迁,那些被抛弃的医疗AI场景,或已拾得新生的可能。本文来源:36氪文章转载于其他网络,如有侵权请联系我们及时删除
-
25
03/26
互联网大厂的AI APP大战:乱成一锅粥,谁都怕错过
三大派别决战AI新入口。就在上周,小红书旗下AI搜索APP「点点」不仅接入了DeepSeek,还正式宣布基于自研大模型上线「深度思考」功能,号称是学了超过10亿篇小红书笔记。与此同时,抖音APP测试接入豆包的消息也在上周悄然流出,从截图来看,豆包的入口甚至与点赞、评论直接并列,相当醒目。目的并不难猜,根本上还是为了打破豆包与海量抖音用户之间壁垒,减少用户使用豆包的体验成本。抖音Beta测试截图,图/Tech星球但应该不止我有这种感受:时至今日,各种AI的APP、APP的AI不是少了,而是太多了。且不提ChatGPT、DeepSeek、Kimi、智谱清言、讯飞星火等各种大模型的APP端,各大互联网公司也在结合自身平台的海量数据,推出了各种「更/最懂xxx的AI」,不仅小红书有「点点」,还有微博智搜、知乎直答、腾讯元宝等等。包括海外,马斯克的X也有GroxAI。实在有点用不过来。《红楼梦》里贾宝玉曾对林黛玉言:「任凭弱水三千,我只取一瓢饮。」但面对各种APP里的AI,恐怕用户想用都用不过来。而且不同平台的产品策略也有很大不同,知乎直答、微博智搜都是直接集成在主APP之中,点点是在小红书之外推出独立的APP,Grox不仅集成在X的APP上,还有独立的APP。甚至在具体到集成后的入口,各家也有不同的思考和选择,唯一的共识可能就是几乎都额外接入了DeepSeek。互联网公司只要训练AI、打造APP就可以,但面对市面上已经非常多的通用类、垂直类AIAPP,用户要考虑的事情就很多了。从APP船票到AI入口,谁都害怕错过既然AIAPP已经多到让人用不过来,那我们不禁要问:这些互联网公司为什么还在一窝蜂地做AI?答案其实很简单,因为谁都不敢缺席,谁都希望AI能成为自己的下一张王牌。就像10年前大家都想做自己的社交网络、5年前每家公司都在卷短视频,现在,AI越来越有可能成为一个吞噬一切的「超级入口」。图/DeepSeek谁的AI能吸引更多用户,自然就意味着流量、规模、市场——未来。互联网公司们自然很在乎,毕竟在这场从APP时代向AI时代过渡的竞赛中,谁也不能掉队,谁都不想认输。不过,尽管目标都是在AI时代继续伟大,但各家互联网公司的AI策略却明显不太一样。而对用户来说,更关心的问题可能是AI进入APP之后能带来的独特价值,而不只是接入大家都已经接入的DeepSeek。1、大模型派:AI即APP,APP即AI。ChatGPT、DeepSeek、Kimi、智谱清言、讯飞星火……这一类大模型玩家的玩法最纯粹:直接推出独立AIAPP,试图让用户把AI当作一个全新的生产力工具,而不是APP里的附加功能。但这条路显然并不容易。「AI即APP」最大的挑战在于用户习惯的改变——毕竟,不是每个人都愿意为一个个AI单独下载一个又一个的APP,甚至更习惯在已有的APP里顺手调用AI。图/雷科技OpenAI在这方面还是最领先的,ChatGPTAPP拥有全球最多的用户基数,DeepSeek、Kimi们也都在紧追不舍,尤其是努力拓展用户规模。2、垂直平台派:让AI成为APP的一部分。相比大模型公司,知乎、微博等平台的选择更加务实——它们没有推出独立的AIAPP,而是直接把AI整合进主APP里。甚至包括小红书,之前也是在小红书APP中上线了「达芬奇」「搜搜薯」等实验性的AI功能。相比单独推出一个APP会遇到获客难的问题,这种策略的好处对中小平台的优势非常明显,既避免单独培养AIAPP的用户群体所带来的冷启动风险,也在最大限度降低用户使用门槛,让AI融入已有的用户习惯。比如说知乎直答、微博智搜直接集成到主APP,用户无需额外下载就能使用。在微博APP,直接就把微博智搜的入口设置在搜索框中,点击就能跳转到「微博智搜」的独立界面。微博截图,图/雷科技但问题在于,这种方式很难让AI形成独立的品牌心智,用户可能并不会记住「知乎直答」或「微博智搜」这个名字,而只会认为这只是APP里的一个普通功能。这或许也是小红书几次尝试过后,最终选择独立推出「点点」AI搜索APP的关键原因。3、超级巨头派:独立App与集成AI双管齐下相比大模型创业公司,腾讯、字节、百度这类互联网巨头有大得多的资源,也有多得多的打法,既能从头开发一款AI原生APP,也可以通过旗下的超级/头部应用导流,比如腾讯元宝就直接拿到了微信的推广位。当然,也包括将AI集成到已有的超级APP之中。这也是字节正在采取的策略,在借助旗下各大渠道的流量推广,成为2024年中国第一大AIAPP之后,面对DeepSeek的异军突起,豆包终于也要接入短视频超级APP——抖音之中。而且入口层级非常高,测试显示了两个入口:一个直接出现在短视频播放界面,与点赞、评论并列;一个是出现在消息列表,更加无缝。这两个入口,也能让用户不知不觉就用上了豆包AI。马斯克的GroxAI也是类似的模式,不仅推出了独立APP,还将其直接集成在了X(原Twitter)APP的底栏,还有自己的独立APP,希望能同时抓住两类用户。这种策略相对稳妥,既能利用主APP的流量优势推广AI,又能在独立AIAPP方向上留下后手,但也意味着更高的投入成本。另外值得一提的是,根据官方运营人员的回复,「点点」AI搜索之后也会集成在小红书APP之中,但入口尚未可知。小红书截图,图/雷科技替代还是互补?一场AI时代的「入口」之争毋庸置疑,AI的快速进化正在挑战APP作为主要信息和交互入口的地位。未来,AI会完全替代APP,还是AI只是APP的一部分?从理论上来说,AI是有可能替代一部分传统APP的,尤其是那些以信息检索和内容消费为主的应用。试想一个场景,你原本需要打开百度搜索一篇攻略,但AI直接汇总了10篇优质内容,精准给出结论;原本需要在知乎、微博翻阅讨论,但AI已经帮你提炼出了核心观点……当AI能直接完成任务,用户自然不再需要跳转多个APP——这意味着,许多APP可能会被AI消解掉,或者说「降级」成AI的数据来源,而不再是用户主动访问的目的地。在腾讯元宝使用DeepSeekR1,图/雷科技但这并不意味着APP会消失。相反,AI也需要APP,或者说,AI需要一个「承载体」。毕竟,AI本身只是个「能力」,而用户习惯是很难改变的。就像当年移动互联网崛起时,许多人以为微信会干掉所有APP,但实际上,微信只是成为了「超级入口」,大量APP仍然依赖它来获取流量。同理,AI可能不会取代所有APP,而是成为一个新的信息分发和交互方式,让APP变得更加智能。换句话说,未来AI与APP的关系,更可能是「融合」而非「取代」。写在最后当前AIAPP乱战的局面,像极了2008年AppStore诞生后最初几年,大家都在争抢新的用户习惯和流量入口。而这场战争的最终赢家,可能不会是单一的AI,也不会是单一的APP,而是那些真正能让用户「无缝使用AI」的产品。而对用户来说,更重要的一个命题是我们是否真的需要那么多AI?或者说,未来的AI是否能真正让用户「更省心」而不是「更焦虑」?互联网公司们或许可以继续往前跑,但普通用户真正的需求可能没那么复杂——我们不需要100个AI,我们只需要一两个真正好用的AI。而目前来看,这场AIAPP之战,还远未到盖棺定论的时候。本文来源:36氪文章转载于其他网络,如有侵权请联系我们及时删除
