新闻资讯
News and information
-
25
07/19
什么是真的AI思维？
关于AI的很多理解现在基本是一团乱麻。有人说模式识别不是智能原生，就有人说模式识别是典型的AI算法，为什么不是智能原生。类似的还有关于无人公司，一人公司等等。这里面比较别致的一个点则是AI思维，和互联网思维很不一样，现在反倒是没什么人说了。那驾驭AI是不是需要一种新的思维方式，如果需要怎么去定义它？AI的应用层次我们总是可以像用更高级的Word那样去用各种大模型，这种情形下AI是一种更好的工具，在这个时候真的不用什么AI思维，经常用就好了。但AI显然不止是一种工具，多智能体系统可以把完整的业务封装到自己的体系里面来。这时候AI就不再是单纯的工具，而成为价值创造的主体。当然在工具这主体这两者之间还有不同的层次，大致是：越往后越需要一种新的思维方式。否则就像成吉思汗的打法驾驭不了轻步兵一样，越想进阶越可能伤害到自己，欲速则不达。智能优先在《无人公司》里面排第一的、要遵循的新原则是智能优先。注意不是老板、现状等等优先，而是智能优先。这其实和AI成为价值创造主体是一个意思，也是AI真正能发挥效用的前提。有的人可能会问，那如果做不到智能优先怎么办？那就把AI当工具用好了，不要让它当主体。否则即使短期跑起来多智能体系统，也有一定效果，它也会逐渐死去。因为AI工具的使用成本很低（应该比学Office还容易些），所以AI真正要产生效用，难点不在使用工具，而在于基于AI的基础特性来封装业务。上述三者和业务的结合最关键的正是AI思维。AI思维AI思维，是当我们将智能优先（AIFirst）原则应用于生产和服务的组织过程中，所必然采用的一种全新问题解决方法论。它不是指让个人学会写代码或使用AI工具，而是指在战略和执行层面，用一种内生于计算和模拟的模式来思考和行动。其核心要义可以概括为三点：虚拟先行、规模化试错、以及算力对冲。1.虚拟先行（Virtual-FirstSimulation）：在行动前预演一切传统商业模式遵循“规划-执行-反馈”（PDCA）的线性流程，每一步都发生在物理世界，试错成本极高。而AI思维的第一原则是“虚拟先行”，即在投入真实资源之前，先在数字世界中创建一个与真实环境高度对应的“世界模型”（WorldModel），并在其中进行大规模的模拟。这个世界模型，正如近期学术界热议的，是真实世界环境的算法代理。它可收窄到只和自己的业务相关，核心目标也不是为了生成逼真的视频供人娱乐，而是为了模拟真实世界中所有可行动的可能性，以支持有目的的推理和行动”。这种能力，在心理学中被称为“假设性思维”（HypotheticalThinking），在实践中就是我们常说的“思想实验”（thoughtexperiments）。AI让这种垂直领域的思想实验成本变的极其低廉。无论是AlphaGo通过自我对弈探索出人类未曾想过的棋路，还是自动驾驶系统预测街道上所有车辆和行人的未来轨迹，其本质都是在成本极低的虚拟世界中，对无数种“可能性”进行推演，从而找到最优解。这正是AI思维赋予我们的第一个超能力：在行动之前，看见未来。2.规模化试错（Rapid,ScalableTrialandError）：用并行计算探索最优路径人类的试错是串行的、昂贵的、且受限于个人精力与经验。而AI可以在世界模型中，以接近零的边际成本，进行百万次、千万次乃至亿万次的并行试错。一个营销团队可能需要一周时间来设计和评估三种广告方案。而一个AIAgent可以在一小时内，生成一千种文案和图片的组合，在虚拟的用户群体中测试点击率和转化率，并根据反馈实时迭代，最终筛选出最优的几个方案投入真实市场。这种规模化、自动化的试错循环，将创新的速度提升了数个量级。这相当于是改变了时间轴。这种能力的基础，正是虚拟先行能够生成无数条“假设性轨迹”（hypotheticaltrajectories），让智能体在其中通过强化学习或模仿学习等方式，充分利用所有“想象中的经验”（imaginedexperience）。特别需要一提的，如果试错成本足够低，本来就是在数字空间，那也可以越过虚拟先行。3.算力对冲（ComputationalHedging）：用计算成本置换物理成本“虚拟先行”和“规模化试错”的经济学基础，是“算力对冲”。这意味着我们可以用相对廉价的计算资源（CPU/GPU时间、电力），去对冲和替代那些极其昂贵的物理世界资源（如时间、原材料、人力资本、市场机会成本）。在过去，验证一款新药需要长达数年的临床试验和数十亿美元的投入。如今，AI可以在分子级别的世界模型中，模拟药物与蛋白质的相互作用，提前筛选掉大量无效或有毒的候选方案，将物理试验的范围缩小到几个最有可能成功的选项上。在这里，数百万美元的算力成本，对冲的是数亿美元的研发失败风险。同理，一家公司在决定是否进入一个新市场时，不再需要花费数月进行昂贵的市场调研，而是可以在一个模拟了该市场消费者行为、竞争格局和社会文化的世界模型中，运营一个“虚拟分公司”，观察其数个季度的虚拟财报，再做出最终决策。如果上述几点一定要找个统一的例子的话，那可以回顾下移动互联网时代做App的故事：你可以精打细磨，选一个方向做一个App；也可以像某个公司直接就是App阵列，那个数好留那个。显然的后者的关键不在于思路，而在于试错成本和成功率。而AI思维无疑可以让后者的普适性极大提升，不再局限于做App。无人公司：AI思维的终极组织载体当上述三种AI思维方式被系统性地应用到一个商业组织中，其最终形态必然会演化为“无人公司”。“无人公司”并非指物理空间里空无一人，而是指其核心价值创造链条由AI智能体（AIAgent）而非人类员工来主导。人类的角色，从亲力亲为的执行者，转变为目标的设计者、规则的制定者和价值的赋予者。在这种组织中，AI思维不再是“锦上添花”的工具，而是其赖以生存的“操作系统”。其技术内核，可以借用最新论文：PAN（Physical,Agentic,andNested）的通用世界模型架构所描绘的蓝图。物理的（Physical）：无人公司需要模拟真实世界的物理动态。例如，一个无人电商公司，其世界模型需要理解一个包裹从仓库到用户手中的完整物流过程。智能体的（Agentic）：公司的核心是自主行动的智能体。无人公司必须支持多智能体行为的模拟，例如一个负责营销的Agent和一个负责客服的Agent如何协同工作。其未来的发展方向正是从单智能体扩展到对整个商业或社会集体行为的模拟。嵌套的（Nested）：无人公司的世界模型是分层和嵌套的。它既能在高层次用类似LLM的结构进行战略规划和概念推理，也能在低层次用扩散模型等处理精细的物理或感官细节。当然如前所述，物理的和智能体的未必不重叠，但不管怎么样，总的来看，这注定是一套依赖倒置的系统：以虚驭实。举个最简单的例子，一个典型的无人公司工作流如下：人类创始人设定一个商业目标（如“本季度将某款产品的ROAS提升至2”）。这个目标被输入到公司的“大脑”。接着，多个AIAgent（市场分析Agent、广告创意Agent、预算分配Agent等）在这个模型沙盒中，进行大量模拟投放实验。它们会“预计算并缓存各种可能的世界状态、在这些状态下的可行行动及其模拟结果”。（不一定要模拟，也可以少量真实环境操作）最终，系统会选择一个预期回报最高的行动方案，并自动在真实世界的广告平台（如GoogleAds）上执行。从理论到现实：AI思维塑造的商业新浪潮尽管普遍的、完全成熟的“无人公司”仍是未来愿景，但AI思维的原则已经渗透到当下的商业热点中，并展现出巨大的威力。工业与制造业：数字孪生与虚拟工厂英伟达的Omniverse平台就是一个典型的例证。汽车制造商在建立一条新的生产线之前，会先在Omniverse中创建一个1:1的数字孪生工厂。工程师们可以在这个虚拟工厂中，模拟机器臂的每一个动作、测试生产线的节拍、优化物流路径，甚至模拟工人的操作安全。这正是“虚拟先行”和“算力对冲”思想的完美体现，用虚拟的调试替代了昂贵的物理安装和返工。内容与营销：AIGC与自动化增长传统的营销模式正在被颠覆。如今，一个“一人团队”可以利用GPT生成营销文案，用Midjourney和Sora生成广告图片和视频，再通过自动化工具进行全渠道分发和A/B测试。这背后就是AI思维在驱动：用极低的成本进行大规模的内容创意生成和效果测试，这在过去是需要一个庞大团队才能完成的工作。虽然当前专注视频生成的世界模型（如Sora）还不支持交互式推理，但它们已经展现了AI在创意生成方面的巨大潜力。科学与研发：AI驱动的假设与验证科学研究的本质就是“提出假设-进行实验-验证结论”的循环。AI正在以前所未有的方式加速这个循环。例如，论文中提到的AlphaGeometry2已经能够解决奥林匹克级别的几何难题，这本质上是在一个纯粹的数学世界模型中进行高效的“思想实验”。而像ReasonerAgent这样的系统，则可以在网络上自动进行文献调研和信息整合，辅助人类研究员更快地形成和验证假设。上面提到的Chai2也是其中很好的例子。未来属于掌握“模拟-行动”飞轮的企业我们正在从一个“经验驱动”的商业世界，迈向一个“模拟驱动”的商业世界。企业的核心竞争力，不再仅仅是拥有多少资本、多少人才，或积累了多少过去的成功经验。未来的核心竞争力将取决于：你的世界模型对真实世界的模拟保真度有多高？你的“模拟-行动”飞轮转得有多快？掌握了AI思维，就意味着掌握了用最低成本“预见未来”并“选择未来”的能力。以此为基础构建的“无人公司”，将具备传统组织无法比拟的敏捷性、效率和扩展性。它们能够更灵活地适应市场的风云变幻，更精准地捕捉用户的潜在需求，最终在竞争中获得结构性的优势。我们最终的目标是构建具备“人类智能所特有的适应性、韧性和自主性”的AI系统。这条道路漫长但充满机遇，而那些率先拥抱AI思维、并开始构建属于自己的“世界模型”和“无人公司”原型的企业与个人，无疑将成为定义下一个商业时代的先行者。当然，真动手前，需要首先缩减业务的切口，然后再去确定究竟需要多少层级的模拟。可以先观察学习，不要着急，比如可以先读《无人公司》...上面有想象成分，但显然的它会构建真正的智能文明，那会是一个很不一样的世界。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
07/19
“结果付费”能救企业软件？
AI时代的企业软件，终将走向角色化、结果导向和价值闭环。在中国企业软件圈，几乎每一个做AI的创始人都在思考一个问题：我的产品能不能只为“结果”收费？客户不再愿意为工具买单，他们要“提效”“增收”“降本”的明确回报，最好还能签个对赌协议。结果导向，似乎成了下一个时代的生死门槛。但问题是，结果到底怎么定义？能不能交付？客户认不认？这不是一句“按结果付费”就能解决的。同时，“结果付费”似乎也正成为企业软件领域最具争议和期待的新范式。在近日举办的2025AICloud100China榜单发布会上，崔牛会创始人&CEO崔强主持了一场圆桌对话，与群核科技联合创始人&CEO陈航、影刀RPA创始人&CEO金礼剑、硅基智能创始人&董事长&CEO司马华鹏、像素绽放PixelBoom（AiPPT.com）创始人&CEO赵充，深入探讨了“从软件订阅费到为GenAI结果付费，AI如何重塑收入模型？”。崔强在开场便抛出核心问题：99%的企业软件是否注定无法实现“按结果收费”？而那可能的1%，究竟长什么样？对AI企业来说，问题并非“能不能收费”，而是“为谁交付、交付什么、怎么收钱”。陈航认为，核心不是模式，而是客户是否真正认同你的产品价值——只要客户认可，总能找到合适的变现方式。他强调，AI落地场景的本质是效率和产出之间的匹配，“订阅”与“结果”其实只是两种手段。金礼剑则提出，AI的角色不再是简单的工具，而应成为能参与企业流程甚至组织决策的一环。但前提是你必须能定义清楚“结果”的边界，否则就难以形成合理的商业闭环。赵充则提供了另一种答案：在ToC与ToB之间，他选择了“创意表达”场景的切口，用混合付费模式探索广义的结果交付——哪怕只是节省了2小时做PPT的时间，也是一种可感知的结果。而司马华鹏，则更坚定地站在“结果付费”的一端。他将AI比作能对赌业绩的“高管”，强调只有深度参与产业、分担业务KPI，AI企业才能获得真正的高价值回报。他曾直言，“不能帮客户赚100万的AI，不算好AI。”五位嘉宾最终的讨论回到了最本质的问题上：什么是“好结果”？谁来判定？又该如何定价？面对这些问题，答案也许还未统一，但共识正在形成：AI时代的企业软件，终将走向角色化、结果导向和价值闭环。而“结果付费”，或许正是那扇通往新范式的大门。阅读目录1.不是所有软件都能“按结果收费”2.结果付费，会走向“深水区”吗？3.结果付费的底层挑战：谁来定义价值？4.“好结果”谁说了算？5.从个例到主流：结果付费的未来已来？以下是经牛透社编辑整理的对话内容：不是所有软件都能“按结果收费”崔强：今天我们讨论的话题是AI是否会重塑传统的软件订阅收入模型。昨天我在杭州和一群创业者聊到了类似的问题，我们有一个结论：大概99%的企业软件无法实现“结果付费”的交付模式，真正有可能做到的，可能只有1%。前面的分享有嘉宾提到，广告行业其实早期就是结果付费的代表。那么问题来了：是AI催生了结果付费的发展，还是结果付费本身就存在，只是AI加速了它的落地？另外，我也想请各位嘉宾分享：你们有没有尝试将订阅模式向结果付费做转化？如果尝试过，效果如何？陈航：我们做的是空间智能方向，其中最广为人知的产品是酷家乐，目前已经拓展到家居、连锁、电商等不同空间场景设计、工业制造、智能体训练等多个行业，服务对象也涵盖了各类客户。第一要素是用户价值：客户是否愿意使用你的产品，这才是核心。只有“1”成立了，也就是客户真正认可你，后面的商业模式都可以灵活适配。说到底，只要用户愿意买单，总有办法收费。AI出来之后，对于很多公司尤其是涉及3D训练、视频生成的，会面临供给和模型成本非常高的问题。如果你要做到足够好，还得付出昂贵的云服务成本。这种情况下，按“结果”计费是合理的，比如OpenAI本身也是这样。所以还是那句话，“1”更重要，模式是其次。我们服务了很多行业，收费方式其实取决于几个关键因素。前提是先假设你的边际成本不是特别高，或者可以视为常量：如果客户的用户群很大，比如面向大量销售人员，订阅模式更适合；如果客户的用户本身就不多，那就要看效果了，可能更适合按结果收费。AI的加入，核心还是看是否真正提升了效率。它同时也带来一个重要区分：你的产品是解决营销问题，还是解决成本问题？如果只是成本中心，那很难推动客户长期订阅，结果收费更有可能；如果你的产品是营销工具，能带来更多销售人员产出，甚至帮助企业扩大规模，那订阅模式就更容易成立。还有一个维度是用户属性：ToC的产品更容易推行结果付费，ToB的企业软件则需要更复杂的说服和逻辑自洽。所以总结来看，定价模式要考虑的三大因素是：1.服务对象人多还是人少？2.面向的是成本中心还是营销中心？3.是ToC还是ToB？金礼剑：我们做的影刀RPA产品，最初是通过逻辑规则实现自动化，替代一些重复性强的工作。AI出现之后，能力边界拓宽了，不仅能执行规则，还能处理部分决策类的任务。从客户角度看，他们始终是为“结果”买单的。因此在销售过程中，我们会深入企业的实际场景，了解员工日常的工作流程，并帮助客户识别：哪些环节是可以被影刀替代的，这本质上也是一种面向结果的销售逻辑。虽然现在AI具备了更强的能力，但目前我们在收费模式上仍以订阅制为主。整体逻辑是：围绕客户期待的结果，销售我们的产品，以此来实现收费。崔强：通过模型把这个问题泛化。赵充：我们整体在做AIOffice全家桶，核心产品是AiPPT.com，此外还有AI表（AiBiao.cn）、AI好记（AiHaoji.com）等多个产品。我们与上一代工具型产品最大的区别在于：我们直接交付结果，而不仅仅是提供工具。传统PPT工具是把工具交给用户，用户还得自己找配图、做内容；而我们直接帮用户把内容生成好、PPT做出来——交付的是完整成果。在变现模式上，我们采用混合收费：基础功能采用订阅制，一年内生成几千个PPT，价格是119元。但如果用户有更专业的需求，比如：接入特定的知识库（如，政企版本里接入主流价值观语料库以及增加内容审校）企业定制VI品牌配色、Logo、字体和企业定制模版协作类高级功能这些都需要单独付费。也就是说，我们以“交付结果”为核心，同时在不同使用场景下采用差异化、混合式的变现模式。司马华鹏：我们是硅基智能，做的是数字人产品。相比在座几位，我们产品单价可能是最贵的，AI直播产品平均每套在6～10万元。我非常看好按结果收费的模式，也做了很多实践，我认为这是真正突破AGI的必由之路。为什么我们能卖这么贵？因为确实有不少客户用我们工具创造了巨大的价值。我举个例子：我们今年为一家只有十几个人的直播公司提供了AI能力赋能，这个公司今年AI直播营收预计会达到1亿。我们也在尝试通过深度合作获得适当比例的收益分成。大家都知道罗永浩最近的AI直播，一场下来据说能卖5000多万，刚刚好他昨天也在论坛现场。但我的问题是：如果这真的是能带来上千万收益的工具，卖多少钱？收多少订阅费才合理？很明显参与分配更加合理。从去年开始，我们就在不断实践“按结果收费”的路径，尤其在直播场景已经成功落地。有个国外客户一年用AI卖出上亿美元GMV，我们能从中锁定比例进行分成，这就是结果付费的直接体现。此外，我们还用AI打造了多个网红IP，直接用这些IP的流量帮客户获取收入。4月开始，我自己也花了两个月时间，用我们的AI能力将我“变成”一个近千万粉丝的知识博主。现在账户一个品牌广告的报价是15~20万，今年预计广告收入能做到大几千万。这也是从卖工具订阅费用走到了卖结果，只是我是个特殊客户。2023年AI大模型热潮时我曾经提出一个观点：“不能帮客户赚100万的AI，不算好AI。”如果你的AI产品只敢卖19美元一个月，那它创造的价值应该不会比这个价格高很多。我们有些产品之所以敢卖几万、几十万美金，是因为我们看得清楚客户使用AI所带来的直接效益。真正能做到按结果收费的AI，才称得上“有价值的合作伙伴”。我们要在这条路上孤独的走下去。崔强：现在的AI产品，不只是交付工具，还需要提供咨询服务，甚至要贴身陪跑、亲自下场帮客户做事，这已经是在偏离“工具”本身的范畴了，不是吗？司马华鹏：纯AI工具创造的价值，随着竞争加剧，给客户报价格一定会越来越低，甚至走向免费和开源。就像最近很火的泡泡玛特创始人王宁讲的，凡是“有用”的东西最终都会卷进价格战，因为“有用”本身意味着高度可替代。相反，泡泡玛特做的是“无用之用”，比如：Labubu，虽然功能性不强，但带来了巨大的情绪价值，还有投资属性，随手转手可能就能赚几倍。所以回到AI竞争本质，我们要避免陷入价格战，而是要真正为客户创造价值，并通过结果分成获得收益。比如自动驾驶技术一旦成熟：你是像特斯拉一样自营出租车运营公司，还是把技术卖出去？道理显而易见。再比如，如果你开发了一个AI炒股软件，它能够炒股赚钱，你是直接卖软件，还是自己用它自营炒股赚钱？用最基本的经济学常识就能得到答案。与其吹嘘你的AI能提升多大的效率，不如亲自下场，用它帮客户赚钱，最后参与分润，深度参与行业变革。我们已经在短视频、直播、情感陪伴等领域实践了这一点，并建立了大量自营业务。预计未来我们自营收入将占到整体收入的2/3，而传统卖软件的收入占比会逐步下降。结果付费，会走向“深水区”吗？崔强：这次邀请四位嘉宾对话，我突然发现你们的产品都偏向工具层面，几乎没有涉及到管理层面。这也可能代表了一部分人的声音。“结果付费”的概念被广泛使用，但它到底意味着什么？按结果付费，最终可能意味着深入到产业链的各个环节，一旦这样，事情就变得复杂，难以保持工具本身那种快速复制的特性。我想问：未来真正的结果付费，是否会沿着这条深入产业链的方向发展？赵充：结果付费有很多层次，不一定非得深入客户生意帮他赚钱才算交付结果。比如我们客户的客单价也有很高的，有几十万的，针对的是政府办公提效这样的结果交付。显然，我们做不到帮你写一个融资用的商业计划书的PPT，然后从融资收益里分钱，这不现实。但我们能做到的是，把客户原本需要2小时完成的PPT工作缩短到2分钟，他愿意为这个结果付费。很多企业老板认可这一点，比如美的的老板明确表示不写PPT了，公司直接采购我们的产品。除了订阅收入，我们也提供个性化的PPT制作和定制服务。我们背后有庞大的创作者生态，中国大部分PPT领域专业创作者都在我们的社区，能接活帮客户交付成果，这也是一种结果交付的体现。崔强：昨天在“杭州论剑”讨论时，我很羡慕香港市场。比如做一个表单处理，就能带来15万港币的收入。很多工具类产品本身并不涉及复杂交互，更多时候是依靠生态合作伙伴帮客户实现交付，实际上这也是一种结果交付。无论是帮客户节省十倍的人力，还是直接带来收入增长，企业软件面临的最大难点是什么？金礼剑：数字化的本质，是为了应对人力资源中的各种不确定性。员工可能随时离职、需要不断培训，这些都是随机性因素。人类社会的发展，从采摘时代到农耕，再到如今的数字化，都是在追求更高的确定性和柔性制造能力。结果付费，本质上是我们对确定性的追求。过去客户购买软件时，会反复探讨软件能带来什么价值，内部做大量验证，最终才会坚定地走向结果付费的方向。但我们面临的最大难题是，影刀的应用场景非常多样，价值难以统一衡量。要做结果付费，比如“帮你操作一次点击收多少钱”，难度极大，因为每个岗位的价值不同。因此，我们目前只能采用订阅模式收费。但从用户需求和我们希望传递的价值来看，本质上还是按结果交付。崔强：你提到数字化是解决用户不确定性的焦虑。前几个月我们也讨论过，如果每个人都拿着“加特林”（强大工具），A公司和B公司都具备类似能力，在中国市场竞争激烈，快速卷起来，价格优势很快消失，那该怎么办？陈航：我们目前已经是全球最大的空间设计平台，同赛道里拥有最多的月活跃访客数。这并不影响不同企业的使用效果：A企业可能用得更好，B企业用得稍差。A企业借助新的AI技术，实现了更智能化和更高效的运营；B企业则通过我们的系统对接，实现了设计与生产的一体化。如果我们的软件过于单一，不能覆盖更多维度需求，那就是我们的短板。我们需要在这个泛场景下解决更多问题，这对底层引擎能力提出了更高要求。此外，如何做好系统集成和组织管理，也是一大挑战。核心还是要把自己的软件做到极致，确保产品和服务远超竞品。陈航：AI带来的变化可能会更快。我们需要更敏锐地捕捉新的技术，并将它们集成到自己的体系中。比如VAST的TripoAI，通过图片生成精细的3D模型，然后直接导入酷家乐平台，这样上下游协同效果很好。我们应该更好地整合新的AI能力。回顾十年前移动互联网爆发的时代，虽然当时涌现了很多创新企业，最终仍是几大巨头占据主导。那些在上一轮积累中成长起来的企业，应该在当前时代更积极地拥抱AI。毕竟我们的创始团队仍在，而不像美国一些公司创始人已经离开。结果付费的底层挑战：谁来定义价值？崔强：我想提一个问题。最近红杉的会议里，大量讨论结果付费这个话题。先不谈我们自己做的业务，面向整个企业软件的大市场，往结果付费方向走，最大的挑战是什么？司马华鹏：我们把AI看作一种“生命体”，一种硅基劳动力，按结果付费的逻辑，其实就像招聘一个员工，敢跟你对赌业绩，而不是对赌工作时间。目前，企业里大多数员工是对赌时间，也就是说，员工上足了班发多少钱；但少数优秀员工会说：“我今年帮你完成多少业务，拿多少提成。”一个好的AI应该更像这样的高管，而非普通员工。从生物进化角度看，如果一家公司有1000个AI为客户工作，我希望实行多劳多得的制度：表现好的AI获得更好的算法和算力支持，表现差的则减少资源。这样形成一种新的生产关系，通向AGI的生产关系。以我们AI直播为例，每个客户算力配置是平均的，但效果差异巨大：有人用同样资源赚千万甚至亿元，有人则效果平平。未来的AI不应是平均输出，而应基于个体成长和发展获得差异化资源。目前全球大模型发展受阻，我认为这不仅是AI作为劳动力的问题，更是AI面临落后生产关系引起的问题。回想1978年以前的中国，大锅饭导致不少农民再努力也吃不饱，直到家庭联产承包责任制释放了生产力。AI的发展同样需要突破落后的生产关系，避免“大锅饭”式的平均主义。举个例子，我们的AI直播客户，一个直播间我们给他每月投算力算法价值几百万，但能赚回几千万，使用的都是最先进的算法，甚至是定制算法，这推动了AI的“物种进化”。平均主义只会导致平庸主义。假如未来有一万辆自动驾驶汽车出去完全自主干活赚钱，如果收益无法让AI系统分享到，无法获得好处，这些算法就会趋向于让这些车停在原地。反之，如果AI能获得正反馈，得到投资和激励，最终AGI的发展才真正有望突破。如果未来硅谷出现一家能包写论文、甚至包拿诺贝尔奖的AI公司，这将对我们这些做工具的企业冲击巨大。现在两国在人工智能上竞争激烈，如果美国那边AI公司追求“造上帝”，我们只是专注于找到小场景落地，长期竞争之后，就会拉开巨大的差距，我们这些中国创业者有责任在战略上做好布局，为国争光。目前大模型市场仍在价格战的竞争阶段，这属于低级竞争。我们需要更多像王宁这样有深度思考的企业家，跳出低端竞争逻辑，开发出拥有核心技术且敢卖高价的AI产品，基于基于真实客户价值参与结果分成，这才是AGI发展的关键。如果只从劳动力层面看问题，目前的AI就像1978年以前的我国农民，努力也难有突破。只有赋予AI“多劳多得加鸡腿”的能力，真正提升其价值，才能迎来下一个AGI时代。崔强：我觉得最核心的挑战是环境和价值机制。有没有一个奖惩体系，能够保证AI能“包教包会”，还能“包分配”收益？听了大家的分享，我深有感触。赵充：这个问题的核心是如何定义不同工种的价值。以写PPT为例，制作一份PPT可能涉及两个工种：一个是博士水平的内容搜集和整理者，能够理解上下文并撰写文字内容；另一个是设计师，负责视觉和表达的美化。这两类工种月薪可能分别是2万和1万，加起来大约3万。不同场景下用户对价值的感受也不一样。比如我们有个场景，是帮大四学生把毕业论文做成PPT，用户愿意支付的价格大概是39元一个月。8月底，我们将推出基于Agent的PPT版本，能够模拟投资人或咨询分析师的水平，利用深度调研能力做呈现，这种服务的价值可能达到几百美元。本质上，我们是用Agent替代一个人甚至一个团队。如果能把各个工种的价值准确量化，收费模型就能据此做调整。归根结底，和司马兄的观点一样，本质就是“卖人”。司马华鹏：硅谷的Palantir这类公司已经号称利用AI帮助客户“打赢战争”，这是真正意义上的结果导向型企业。如果中国未来没有出现类似这样的公司，我们不仅在基础大模型上会落后，更会在商业落地能力上产生巨大差距。崔强：既然不同工种的定价差别很大，从几百到几万不等，那么你的产品会根据不同角色来定价吗？或者说，你会让不同角色分别购买不同的服务？赵充：是的。我们有专门的党政版本，针对公务员设计的App，外挂主流价值观语料库、红色模板和内容审校。这个版本的定价比标准版贵五倍，标准版是99元，党政版定价499元。医疗、金融、教育等行业也有不同的差异化定价，主要根据知识库内容的获取难度来区分。金礼剑：我认同赵充的观点，核心问题还是我们如何衡量和量化产出的结果。比如，一家公司的销售业绩可以直接按照结果付费，但市场部门的工作很难用明确的结果来衡量和付费。整体来看，企业输出的结果系统非常复杂，很难想象CRM或ERP这类系统能全面采用结果付费。结果付费更适合那些具体且可量化的场景。陈航：这是一个好时代，AI带来了很多新的变量。过去大家习惯按账号收费，变量少、可调参数少。现在用户价值确定的前提下，关键是找到客户愿意接受的收费方式，同时实现最大收益。刚才提到的党政模板和普通大学生AI等级的区别，说明了针对不同客群要做差异化匹配。背后涉及很多维度，关键是客户需求的多样性。我昨天听了很多分享，感觉大部分创业者还没深入行业逻辑。我们公司经历了十几年创业，打穿了大行业，也在特定行业做了探索，会有更多思考。新一代AI公司靠一个接口和API起量固然快，但后续必须了解客户是谁，行业背景，具体环节，内部组织结构等。中国企业常说按结果付费，但从老板层面到组织和HR体系，解决不同层级的认知差异很难。老板觉得好，具体到每个人如何购买、如何消耗token，还有很多问题需要解决。只有深入行业细分，才能带来真正的变革。正如那句话，只要你的价值够好，“买的不如卖的精”，总能找到解决办法。“好结果”谁说了算？崔强：我有一个一直困扰的问题：“好的结果”到底如何定义？最终评价权在客户手上，那我们怎么判断什么是“满意”的结果？另一个担忧是：客户可能永远不满足。在这种情况下，如何制定一个明确的付费标准？怎么交付一个客户认可、且我们也能接受的结果？司马华鹏：我们服务金融行业已有六七年。如果你把软件卖给银行，那挑战的就是它的IT部门，它是你的对手。我们每年对一家银行的销售额可达几千万，但一旦超过某个阈值，他们的研发团队就会建议自研代码替代对外采购。这就是中国SAAS普遍的困局。但如果你卖的是“结果”，情况就完全不同了。我们曾服务过一家银行，其年度营销费用达数百亿元。如果我们参与并拿到3%-5%的分成，那就是几十亿的收入规模。中国曾有不少互联网金融公司帮助银行发放贷款，利润极高。但后来政策限制，这种模式被叫停。现在我们更倾向于直接与业务部门合作，因为他们有KPI压力。例如，曾经一家银行计划发行千万张信用卡，每张卡的提成是100元以上，这就是一笔高达几十亿元的生意，而我们的AI完全有能力承接这类营销任务，从打电话到短视频到直播，其实AI的营销能力是很高的。否则，他们的信用卡发卡员还在拉着拉杆箱满街地推。跟美国相比，中国SaaS发展不起来，很大的原因是不敢包结果。但互金行业证明过，这条路是可行的。只要敢于承包营销和交付结果，就有可能出现“闷声发财”的AI公司，真正为大B端承担结果并获取高额分成。如果只卖工具，面对的是BAT这样的巨头，它们可能就在你刚发现PMF（产品市场契合）100米外等着你，很快利用流量和资本优势把你干掉。未来中国能出现百亿、千亿收入规模的AI公司，关键是要围绕“卖结果”来做。美国靠SaaS订阅做出了一批上亿美金的AI公司，而中国一定要靠结果付费模式来走出自己的AI路径。崔强：卖系统、卖工具，更多是面向专业用户，通常是IT部门；而卖结果，则是面向业务部门，比如营销、人力这些需要直接交付业绩或成果的团队。司马华鹏：对。卖给IT部门的时候你是它的对手。崔强：IT部门觉得你在动它的奶酪。司马华鹏：他们会觉得自己可以做。赵充：我们的商业模式与司马兄不同。我们服务的对象是全球超过10亿的白领、老师和学生，其中很多并不属于业务岗位，也没有盈利诉求。像HR、行政、教师和学生这类用户，即使使用我们的产品，也不涉及按“结果”付费。我们走的是广度路线，而司马兄更多是深入产业链、走深度路线。尽管如此，我们也可以衡量交付的“结果”。例如在做结构化PPT时，需要外挂各种行业知识库和企业知识库，还要有优质配图。我们集成了5亿张版权图片，提升图文并茂的表现力。此外，我们还有AI表产品，帮助用户进行可视化呈现。每个场景下的呈现需求也不一样，我们重点聚焦在这些“创意表达工具”的环节。比如“论文变PPT”这个场景，用户会要求封面带有自己学校的地标性建筑。北大的学生如果用了清华的模板，就不会满意。这种深度场景化的理解和交付，是我们产品思考的重点。崔强：只有AI能做到这一点。传统通过量化方式很难实现，因为AI能够识别你是谁，并据此精准匹配和生成你真正需要的内容。金礼剑：司马提到中国软件发展的难点，我认为很大程度上是因为在没有AI之前，软件的产出价值不高，客户很难直观感知到其价值。但现在有了AI，能直接呈现更高价值的结果，客户的感知更强，付费意愿也明显提升了。这是我在市场中切实感受到的变化。陈航：什么是“好的结果”？在我看来，客户认可的结果就是好结果。很多客户并不关心你交付了多少细节，只要产品“能用”“用得顺”，他们就愿意买单。关键在于怎么在用户和客户之间找到平衡点。我一直强调第一步要关注用户，尤其是在AI快速演进的时代。但发展到一定阶段后，就必须面对用户和客户之间存在的结构性矛盾。比如老板希望省钱、提高营销效果，但IT部门可能会说我们自己做更便宜。最终必须在这之间找到一个平衡点，形成一个适配的生态结构。我认为这需要一个过程，大多数人对AI的接受没那么快。AI带来的“造神”式能力，与我们中国讲求“共同富裕”的社会背景之间，也存在一定的张力。从个例到主流：结果付费的未来已来？崔强：大家用一句话来判断一下：未来3到5年，结果付费会不会从个例走向主流？未来的“结果”可能有很多种形式，不只是收入提升，还包括提效、降本等。你们怎么看？司马华鹏：我们一直强调AIGC的C就是Cash，要利用AI去“印钞”，如果你找不到AI直接变现的模式，我开个玩笑，那为什么不用你那些GPU去“挖矿”？挖矿对算力的利用效率最高，只是现在受到国家政策限制。我认为，接下来海外会出现一个非常大的产业方向：区块链+AIGC。这是硅基文明演进的重要路径。硅的三大转化方向就是AI，区块链和新能源，当能源、金融、算力与算法结合，硅基生命将形成一个自我进化的闭环系统。所以，我认为要“躲在结果里”迎接下一轮价格战。如今大模型推理成本每隔十几个月就会下降90%，今年可能还能收到几十美金的收入，明年就可能只有几美分。如果不能真正与产业结合、以结果为导向，那接下来的竞争会非常危险。更重要的是，很多真正闷声发财的公司已经悄然走到了这条路上，并不在台面上热烈讨论。赵充：从工具到助理是必然趋势，而且已经在发生。AI正在逐步取代人力，我们也在围绕这个方向做两方面努力：第一，直奔终极形态。我们希望从工具进化为懂用户的创意设计助理，比如你通过语音说“写一个绿色的PPT，多少页，受众是谁”，系统就能直接生成交付结果，这一幕很快就会变成现实。第二，打造AI全家桶。以AiPPT.com为核心，我们陆续加入了表格、PDF、文档、音视频转录等功能，真正让打工人“早用早下班，早用早升职，早用早加薪”。这是我们努力的方向。金礼剑：AI正在重塑所有软件，使软件能力越来越强大。与其纠结订阅还是结果付费，更重要的是如何将AI与工具深度结合，为客户创造更高价值。在价值形成后，合理的收费模式自然会水到渠成。陈航：AI能否更好地应用到各行各业，依赖于大家的共同努力——从底层算力，到应用接口，再到产品和解决方案，最终实现行业的深度落地。目前仍处于早期阶段，正因如此，才给所有人带来了更多机会。崔强：大家不必过于焦虑，红杉的讨论让很多人紧张，但这只是一个方向，值得关注，却不必恐慌。阿里的同学提到，未来会有多少角色，就会有多少个Agent。正如赵充所说，我们需要定义每个角色能带来什么结果，再为它赋能，创造价值。按照这个逻辑，未来所有软件形态都会围绕人和角色展开，为这些角色交付价值和结果。这样的软件才是真正好的软件，才能获得应有的收益和地位。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
07/19
AI，让产业互联网成真
产业互联网，正在真实地到来。这一点，我们可以从AI的风靡上，看出一丝端倪。从某种意义上来讲，AI，正在将「互联网」变成了一个「产业」，并且真正将产业互联网的重心转移到了「产业」，而非「互联网」的身上。以此为开端，真正意义上的产业互联网时代，正在来临。事实上，当产业互联网的概念被提出，很多人在看待它的时候，依然还在用互联网的眼光，并且将它看成是一个互联网的代名词。于是，对于很多的玩家们来讲，在将产业互联网落地的时候，总是会自觉不自觉地走入到互联网的怪圈之中。经历了大数据、云计算、区块链、元宇宙为代表的一系列的新概念的洗礼，人们对于产业互联网有了一个全新的认识——产业互联网，不再是互联网的代名词，而是有着自身内涵的全新的存在。产业互联网之所以能够拨开迷雾，回归正途，AI，在其中扮演着相当重要的作用。毫不夸张地说，正是源于AI的风行以及它所展现出来的对于不同行业、不同场景改造的逐步深入，才真正将产业互联网真切地带到了人们面前。因此，厘清AI与产业互联网之间的联系，对于如何落地互联网有着非常重要的现实意义。AI，真正让互联网从「第三方」蜕变为一种「产业」以往，无论是在PC互联网时代，还是在移动互联网时代，人们在看待互联网的时候，人们在看待互联网玩家们的时候，仅仅只是将它们看成是一个独立于产业之外的「第三方」。虽然这样一种看法让互联网的角色和定位更加清晰，但是，它同样让互联网走入到了脱离产业、脱离实体的怪圈之中。当流量的红利不再，特别是当互联网作为「第三方」的功能和作用逐渐失效，对于互联网的这样一种「第三方」的定位和认识，开始暴露出越来越多的问题。盲目地以效率为先，不断地以规模和效率为追求，持续地为了流量而竞争，开始将互联网面临着越来越多的困境与难题。可以确认的是，仅仅只是将互联网看成是「第三方」，而不把它看成是一个可以与产业建立联系的「产业」，开始遭遇到越来越多的困境与难题。于是，人们开始寻找互联网蜕变成为「产业」的方式和方法。在这其中，我们看到了大数据的崛起，我们看到了区块链的被重视，我们看到了元宇宙的出现。然而，直到AI出现，并且直到AI开始与诸多的行业与场景产生联系，互联网玩家们才真正找到了蜕变成为一种新型「产业」的正确的方式与方法。通过将互联网时代积累下来的数据资源、场景资源结合在一起，互联网玩家们成为了AI的孵化器，并且真正让AI与它们相关联的产业结合在了一起。当下，我们看到的那么多的AI玩家，特别是处于头部的AI玩家们，几乎都有着浓厚的互联网背景。百度如此，阿里如此，腾讯同样如此。当AI让互联网开始蜕变成为一种「产业」的时候，所谓的产业互联网，才不再是一个非此即彼的存在，而是变成了一个「产业」和「互联网」实现了完美统一的存在。以此为开端，真正意义上的产业互联网，开始真正来临。AI，真正让互联网找到了新增量当AI开始风靡之前，玩家们同样进行过许许多多的探索与尝试。期间，我们看到了新零售的出现，我们看到了社交电商的衍生。然而，通过发展，我们可以看出，这些看似新潮的新模式，并未给互联网行业的发展带来新的增量，玩家们的发展依然还在延续以往的发展模式。可见，仅仅只是用新的概念延续互联网模式，而无法给互联网带来新的增量，纵然是再新潮的概念，同样将会陷入到怪圈之中。同时，产业互联网之所以与消费互联网之间有如此巨大的区别，产业互联网之所以会受到如此的追捧，另外一个很重要的原因在于，产业互联网所释放出来的发展红利，产业互联网所释放出来的增量要比消费互联网要大得多。很显然，如果仅仅只是用无法提供新增量的方式来落地和实践产业互联网，难以让产业互联网的发展带入到新的发展阶段。当AI开始出现，特别是当AI开始由内而外地给互联网以及与互联网相关联的行业带来新的嬗变，我们看到的是，新的增量的释放。同消费互联网时代仅仅只是通过去中间化来提升效率不同，建构于AI之上的产业互联网，更多地通过对于产业的深度而全面的改造来实现对于新的增量的寻找。通过这样一种方式，包含互联网的产业开始有了一个全新的改变，也就是我们经常提及的供给侧实现了转型和升级。当这一现象开始出现，供求两端的平衡，不再是依靠传统互联网式的撮合和中介来实现的，而是开始依靠一种全新的商业模式来达成。可见，AI，真正让互联网找到了传统商业模式之外的新增量，并且这样一种新增量所释放出来的潜能要比以往的商业模式更加具有想象力。AI，真正让虚拟经济与实体经济实现了完美融合产业互联网，究竟是什么？或许，虚拟经济与实体经济的完美融合，才是最显著的特征。当产业互联网的概念被提出，玩家们对于产业互联网有所一定的探索和实践。无论是对于产业端的深度赋能，还是对于线上线下融合的探索，其实都是这样一种探索的最为真切的体现。然而，虽然互联网玩家们进行过如此多的探索与实践，但是，玩家们始终都跳不出以往的模式和方法，归根到底，互联网技术本身的特质决定了其难以找到虚拟经济与实体经济实现完美融合的正确的方式和方法。因此，欲要让虚拟经济与实体经济实现完美融合，甚至让虚拟经济和实体经济在融合之后衍生出新产业，直接决定着这样一场进化的成败，直接决定着产业互联网的真正实现。AI开始成熟与落地，特别是当AI实现了虚拟经济与实体经济的完美融合，新的产业开始衍生和出现。我们现在所看到的无人驾驶、无人配送、数字人直播，其实都是虚实结合的存在，都是一个全新的产业体。当新的产业体开始出现，特别是当新的产业体开始成为产业互联网的内在填充，产业互联网不再是一个依然以虚拟经济体为主导的存在，而是以虚实融合体为主导的存在，这个时候，产业互联网才能够真正实现。结语当AI开始落地和成熟，我们看到的是，以往人们所期望的产业互联网，正在AI的驱动下从梦想变成现实。从某种意义上来讲，AI，让产业互联网成真。厘清AI与产业互联网的内在逻辑，并且找到AI落地与实践产业互联网的正确方式和方法，才能真正将产业互联网的发展真正带入到一个全新的发展阶段。如果我们将互联网技术看出是消费互联网时代的基础设施的话，那么，AI技术，则是产业互联网时代的基础设施。当AI开始成熟，产业互联网的时代，便开始随之而来。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
07/19
生成式AI在职场中的应用
在数字化浪潮的推动下，生成式人工智能（GAI）正以惊人的速度渗透至职场各个领域。从文案创作到数据分析，从设计开发到客户服务，这项技术以其强大的内容生成能力与智能化决策支持，重新定义了职场人的工作方式。本文将系统梳理生成式AI在职场中的核心应用场景，揭示其如何成为提升效率、激发创新的关键工具。一、内容创作：从“手工生产”到“智能协同”生成式AI在内容创作领域的突破，彻底改变了传统文案工作的模式。基于自然语言处理（NLP）技术，AI可快速理解用户需求，生成结构完整、逻辑清晰的文本内容。无论是市场营销中的广告文案、商业计划书的框架搭建，还是日常工作中跨部门沟通的邮件草拟，AI均能提供高质量的初稿支持。更重要的是，它并非替代人类创作，而是通过“人机协同”模式，让职场人将精力聚焦于创意构思与策略优化，将重复性写作工作交由AI完成，实现效率与质量的双重提升。二、设计开发：从“灵感匮乏”到“创意爆发”在设计领域，生成式AI通过多模态学习技术，突破了传统设计工具的局限性。设计师只需输入关键词或草图，AI即可生成多种风格的图像、视频甚至3D模型，为创意提供灵感源泉。这种能力在广告设计、媒体内容制作中尤为突出——从海报视觉元素的快速迭代，到短视频分镜脚本的智能生成，AI大幅缩短了设计周期。同时，AI还能根据用户反馈实时调整输出，使设计流程从“单向输出”转变为“动态优化”，助力设计师探索更多可能性。三、数据分析：从“数据海洋”到“决策洞察”生成式AI与机器学习的深度融合，使其在数据分析领域展现出独特优势。通过处理结构化与非结构化数据，AI可自动识别模式、预测趋势，并生成可视化报告。例如，在金融领域，AI可分析市场数据生成投资策略建议；在零售行业，AI能通过消费者行为数据预测热销商品。这种能力不仅提升了数据分析的效率，更通过“数据叙事”功能，将复杂的数据转化为直观的决策依据，帮助企业快速响应市场变化。四、客户服务：从“人工响应”到“智能交互”生成式AI在客户服务中的应用，推动了“全天候、高精度”服务模式的普及。基于预训练的聊天机器人，可理解用户自然语言提问，并提供实时解答。无论是处理常见问题（如订单查询、产品咨询），还是应对复杂需求（如技术故障排查、个性化方案推荐），AI均能保持稳定的响应质量。更重要的是，通过持续学习用户交互数据，AI能不断优化回答策略，逐步从“规则驱动”升级为“理解驱动”，显著提升客户满意度。五、个性化推荐：从“大众营销”到“精准触达”生成式AI通过分析用户行为数据与偏好，可构建精细化的用户画像，并生成个性化推荐内容。在电商场景中，AI能根据用户浏览历史推荐商品；在流媒体平台，AI可基于观看习惯定制内容列表。这种“千人千面”的推荐模式，不仅提升了用户体验，更通过提高转化率与用户粘性，为企业创造显著商业价值。六、垂直领域深化：从“通用工具”到“行业专家”生成式AI的技术特性，使其在法律、医疗、教育等垂直领域展现出强大适应性。在法律领域，AI可快速生成标准化合同模板，辅助律师进行案例检索与法律文书撰写；在医疗领域，AI能通过分析病历数据辅助诊断，或生成个性化治疗建议；在教育领域，AI可根据学生学习进度定制学习计划，提供智能辅导。这些应用表明，生成式AI正在从“通用辅助工具”进化为“行业专属专家”。结语：生成式AI——职场竞争力的“新标配”生成式AI的职场应用，本质上是技术对人类生产力的解放与扩展。它不仅提升了单一任务的处理效率，更通过重构工作流程、激发创新潜力，推动职场人从“执行者”向“决策者”转型。对于企业而言，掌握生成式AI的应用能力已成为数字化转型的关键；对于个人而言，系统学习AI技术原理与应用方法（如通过培生GAI认证），则是提升职场竞争力、适应未来工作模式的必然选择。可以预见，生成式AI将不再是“可选技能”，而是职场人必备的“核心能力”。*关于Certiport：Certiport是PearsonVUE旗下业务，是认证考试开发、交付和项目管理服务的提供商，通过全球13,000多个Certiport授权考试中心组成的庞大网络提供服务。Certiport管理着一系列认证项目，包括：微软Office专家国际认证、微软基础知识国际认证、微软教育工作者国际认证、Adobe?专家认证、Intuit认证、思科支持技术员(CCST)认证、Meta数字营销助理认证、Swift应用程序开发认证、PMI项目管理认证、Unity认证、专业沟通能力认证、IC3数字素养认证以及创业和企业管理认证。Certiport每年在全球148个国家/地区以29种语言为中学、大学、雇员和企业提供超过300万次可信的考试服务。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
07/05
AI：加速能力退化的元凶
过度依赖大语言模型（LLM）正在加速软件工程师的能力退化。LLM永远无法替代人类的批判性思维。编者按：当业界沉迷于用AI提效的幻象，本文以程序理论与熵增原理揭穿残酷真相：过度依赖LLM正加速工程师批判性思维退化，而重塑技术敬畏已成生存必修课。越依赖LLM，智商越低自2022年末AI浪潮席卷公众认知以来，相关讨论已汗牛充栋。作为从业二十年的软件工程师，我想谈谈观察到的两种危险认知。▍“LLM是我的好搭档”不会真的有人把程序当成自己的伙伴，这话的潜台词其实是：LLM能给用户带来巨大收益。把LLM当盟友的工程师，往往被迫或主动追求速度至上——对他们而言，交付速度比思考深度更重要。虽然LLM确实能快速生成代码，但也会伴随着各种长尾风险：使用LLM的风险·输出风险：LLM可能给出明显错误的代码（比如无法编译的），更危险的是生成看似正确实则暗藏逻辑漏洞的代码。如果使用者缺乏判断能力（比如让项目经理生成源代码），风险将陡增。·输入风险：LLM不会质疑存在诱导性、前提错误或语境缺失的指令。例如工程师要求“用C#实现线程安全的列表”，得到200行完美代码——但这仍是错误答案，正确问题应是“如何让这段代码线程安全”，正确答案只用加一行代码"System.Collections.Concurrent"。LLM无法识别这种XY问题，因为你没要求它这么做。·未来效率：这是升级版“技术债”问题。AI能以惊人速度摧毁代码质量。见过囤积癖患者的屋子吗？外表光鲜，内里却污秽不堪。开发者正发现：缺乏严格约束时，LLM生成的代码正是如此。·能力退化：当个人或组织将思考外包给LLM，人才将迎来灭绝：资深工程师失去在攻坚中成长的机会，现有能力逐渐萎缩：“微软研究发现：AI带来的自信常以牺牲批判性思维为代价”“在这个推崇‘条件反射式AI使用’的世界，我主张保留编程的手艺本质”“LLM直接给我成品结论，却剥夺了思维成长的过程”初级工程师永远无法建立核心能力，更遑论培养下一代。·创造剥夺：众多开发者反馈AI夺走了心流状态和创造乐趣。▍“我会变成多余的吗”答案是不会。当然，有些举措能让你在LLM时代更具不可替代性，这将另文探讨。LLM永远无法具备两种编程核心能力：程序理论（programtheory）与程序熵（programentropy）。程序理论......严格来说，编程应该看作是一种程序员对手头事务形成或达成某种洞察、理论的活动——彼得·诺尔《编程即理论构建》(1985)这位计算科学泰斗指出：程序不是源代码，而是大家分享的心智建构：一种理论或设计。工程师从中衍生出代码，但真正有价值的产物是设计而非代码。理解程序理论与代码文本差异的实验：让水平相当的两组工程师隔离工作。A组开发终端象棋程序，B组等待。完成后将A组代码交给B组，要求两队同时添加人机对战功能。问：哪队能交出更优方案？答：A组。因为他们刚构建完程序心智模型，B组则从零开始。诺尔认为，程序终需维护改造。如果只是掌握代码而无设计洞察，改造成本将倍增。回想我们初次接触大型代码库时，效率总是从零开始爬升——这正是心智模型加载的过程。LLM与程序理论现有LLM受限于上下文窗口，永远无法掌握程序理论。唯有人类能构建并保有这种心智模型。程序熵复杂性是编程一个基本的反作用力。......程序开发是熵减过程......维护则是熵增过程，再精妙的维护也只能延缓系统沦为不可修复废品的进程——弗雷德·布鲁克斯《人月神话》(1975)这位计算机先驱断言：开始开发程序后，任何修改都必然增加复杂度。但符合设计理念的改动能延缓熵增。LLM与程序熵LLM本质是token预测器，仅工作在文本层面。它无法进行概念性思考——不会推理理念、图表或需求文档。所有用过LLM修改过大段代码的人都目睹过：它常进行诡异的多余改动，对话越久偏离越远。诸位见过几次LLM真正降低来代码复杂度的？唯有人类能对抗熵增。▍结语两位先驱对软件设计与复杂性的洞见，恰是这个时代的解药。若你期待AI助推职业生涯，警惕它可能适得其反——LLM正在加速能力退化。若你已是资深工程师却担忧失业，请建立更辩证的认知：LLM永远无法取代人类工程智慧。企业追逐AI旨在通过工程标准化降本，但正如离岸开发的经验所示，LLM不仅难达预期更衍生新风险。眼下滥用AI的企业必将承受长尾成本，要么转型要么消亡。人类工程师的长期价值从未改变——世界始终愿为技术实力与深度思考买单。AI不会消失，但请把它当成工具，而不是拐杖。持续深耕2019年就被珍视的那些工程核心能力吧。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
07/05
提效10倍，AI颠覆软件开发，这五条经验是关键分水岭
AI正在改变软件开发的底层范式。我们正处在一个技术驱动的悖论中：AI工具正在以前所未有的速度加速开发流程，却也暴露出巨大的能力差距——相同的工具，不同的团队，产出的差异可以是十倍甚至百倍。这意味着，所谓“AI原生开发”，远不是把工具接入流程这么简单，而是一次对整个研发体系的重构：从原型、协作到部署，每一步都要为AI的介入重新设计。在这份关于“AI驱动的全栈研发方法论”中，我们试图从源头解答一个问题：真正懂得与AI协作的开发者，到底做对了什么？不久前，Bessemer（美国SaaS领域最专业的投资机构之一）对话了PerceptronAI的创始设计师CedricIth——Perceptron是一家致力于构建AI原生产品的前沿公司，专注于将生成式模型融入研发工具链，打造具备自动优化与自我学习能力的开发平台。在Cedric看来，AI并不是插入在流程某一节点的工具，而是应嵌入整个设计系统的“语义层”，在编码、交互、调试、部署的每一个环节中，主动生成、判断和迭代。本文将分享Cedric总结的五条关键经验，带你理解AI在现代研发流程中真正应扮演的角色：从氛围编码（vibecoding）到品味引导，从自然语言原型到全栈交付。这是一个关于人与AI如何共同构建产品的时代信号。01品味是护城河，设计思维是新的超能力在AI几秒就能写出代码的时代，差异化已经不在于“谁能构建”，而在于“谁知道该构建什么”。Cedric曾提出一个判断：我们正进入一个软件资源极度丰富、创造门槛极低的世界。这意味着，技术本身不再构成护城河，真正的竞争力转向了设计思维和产品直觉。当所有人都能用自然语言生成功能原型时，谁能提出精准的问题定义、优雅的解决路径和令人愉悦的用户体验，谁就能占据优势。执行速度、产品感知力、UI/UX细节，正在成为AI时代的新壁垒。与此同时，AI也在重新定义设计流程。新的生成算法让设计师可以用前所未有的速度探索大量设计概念，这不只是为了“更快做出图”，而是让团队可以在用户定义的参数下，自动生成、评估并迭代出更符合人性的解决方案。所以，这不再是一个“会不会写代码”的问题，而是一个“能不能提出好问题，并迅速做出打动人心的产品”的问题。最终的赢家，不是技术最强的团队，而是那些能把AI的执行力与人的品味、判断力结合得最自然的团队。他们才是新一代的“产品创造者”。02自然语言，是一种新的设计界面在Cedric的工作流中，我们观察到一个非常深刻的转变：他已经不再依赖传统设计工具，而是将自然语言作为主要的设计媒介。他说：“关键技能已经不再是写代码，而是如何清晰、准确地表达你的想法和变化，让AI明白你在说什么。”这种变化，正在重新定义设计师的核心能力。设计师正在从“画图的人”转向“用语言驱动产品结构的人”。新兴的关键技能，被Cedric称为“设计词汇”——这不是指能否写代码，而是能否用准确的语言描述现代框架、CSS属性、交互逻辑。例如，他会用“4像素圆角”、“0.2不透明度”、“悬停态”这样的术语与v0交互，将一个带有坐标跟踪的边界框交互，在几分钟内通过提示生成原型，而过去这可能需要工程师数天时间才能完成。这背后隐藏着一种新的提示能力：明晰、一致、共享语言。明晰：把复杂的请求拆解为简单的、可执行的语言。例如，不是“在图像上加个标签”，而是“为图像上的每个边界框，在左上角添加一个粗体白色文本，显示框编号（如Box1、Box2）”。一致性：一旦你把某个功能命名为“分段模式”，就始终如一地使用这个称呼，而不是在后续提示中用其他词替代。共享语言：就像传统团队用标准术语协作一样，现在你也需要“教会AI”你的词汇表。Cedric会在设计初期就引入关键术语，并反复使用，让AI也能“和你讲同一种语言”。最适应这一变化的设计师，往往有两点共性：强烈的学习能力和工具切换能力。他们能在Figma、V0、Cursor等工具之间无缝流转，不断适应新接口，快速掌握AI能力，并用“语言”而非“代码”去构建产品逻辑。正如Cedric所展现的那样：未来的设计师，未必需要成为工程师，但一定要成为高语言分辨率的系统构建者。03“设计工程师”正在崛起我们正见证设计与工程之间那条传统分界线正在迅速消解。Cedric的工作流程就是一个典型案例：从Figma起步，在V0中完成可交互原型，最后直接用Cursor在代码库中进行最终调整。这不仅提升了效率，更重新定义了产品的制造方式：▍闭环所有权正在成为新标准设计师不再只是视觉方案的提供者，而是能在整个技术堆栈中直接操作的产品推动者。正如Cedric所说：“我可以直接贡献代码，并将PR提交到代码库中。这是一个闭环系统，作为设计师我从未拥有过这样的控制力。”设计的意图不再依赖工程师“还原”，而是由设计师自己贯通全流程交付。▍静态模型正在过时过去的线性交接模式——设计师交图，工程师翻译——正在被更具协作性的工作方式取代。现在的设计交付不再是静态图片，而是包含交互逻辑的高保真原型，甚至是具备集成能力的代码框架。工程师面对的不再是一堆注释图，而是几乎可直接上线的可用组件。▍设计与开发的迭代速度被大幅压缩以往样式修改、功能调整动辄几天，如今设计师可在代码层直接处理，不再需要一轮轮截图、注释、沟通。设计评审与功能实现之间的间隔从天缩短为小时，推动产品快速打磨和上线。这种范式转变正深刻影响团队结构和招聘逻辑。最高效的团队往往具备跨学科能力——既能写代码，又懂产品和体验。那些能够在设计与工程之间流畅切换、构建原型、推动落地的人才，将在AI驱动的新生产范式中脱颖而出。未来属于那些既有技术手感，又有品味判断的混合型团队。04四种人工智能原生设计原则随着人工智能应用加速落地，围绕AI产品的设计原则也在逐步成型。Cedric总结了一些区别于传统软件设计的新关键点，正在被越来越多优秀团队采纳。以下是其中最值得关注的四条原则：▍减少认知负荷，让AI主动理解用户最好的AI体验，应该像“与一个聪明的人自然对话”。这意味着，用户不需要反复点击、设置参数、思考指令结构，而是能将注意力集中在表达意图上，让AI自动处理上下文与细节。例如RecallAI和Granola就很好地体现了这一点，它们能在无需用户预设的情况下，从对话中自动提取关键信息与洞察，真正实现“无感操作”。▍接受非确定性，并优雅地处理“脱轨”与传统软件不同，AI系统的输出往往是开放性的、多路径的，可能出现不稳定或偏离意图的情况。好的设计不是避免这一特性，而是提供适当的“监督轨道”。例如OpenAI通过Temporal支持长流程任务的中断重试，Cursor和V0则引入“执行树”和“回退检查点”，允许用户在AI偏离预期时快速回溯并切换路径，避免“眼睁睁看着它跑错而无能为力”的挫败感。▍让AI显示它在“想什么”虽然底层模型可能是黑盒，但交互逻辑和推理过程应尽可能透明。Perplexity展示了极佳的引用机制，让用户知道信息从何而来；Deepseek展示了多步骤推理路径；Anthropic则在“思路链”可视化上持续推进。这些做法不仅提升用户信任，也帮助他们更好地校准AI输出，从而实现“可控性”与“可解释性”的结合。▍设计是为了监督，而不是操作随着AI越来越具备代理性，用户将从“执行者”转变为“指挥者”。这要求设计围绕“协调多个智能体”展开，而不是传统的按钮加操作流。早期的探索已经出现，比如Perplexity的“后台研究通知”、Codex的多线程进度条提示、Comet的生成式表单交互等。这些都在构建一种新的交互范式：用户不再逐步驱动，而是高层指令+智能反馈的闭环。这些原则仍在演进，但有一点可以肯定：今天就开始围绕这些维度构建产品的团队，将率先打造出更自然、更值得信赖的AI体验。未来的AI产品，不是让人“会用”，而是让人“想用”。05在崛起在AI时代，速度就是一切在AI工具日新月异的时代，变化的速度令人惊叹。正如Cedric所说：“也许在我们讨论结束时，v0就已经不是最好的工具了。”这并不是一句玩笑，而是对当前产品环境最真实的写照。快速变动的生态，正在迫使企业从“构建完美产品”转向“构建快速学习型组织”。从我们与Cedric的对话中，可以提炼出几条在这种环境中脱颖而出的组织特征：允许团队主动尝试新工具，不以技术稳定性作为唯一评估标准；优先推进“先交付再优化”，把学习和反馈速度放在第一位；构建模块化、API驱动的架构，使系统具备快速整合能力；强调“学习速度”与“专业经验”同等重要，鼓励主动适应变化。对于大型企业而言，这种转变尤其重要。Cedric的建议很实际：即使你无法直接影响生产系统，也可以用AI工具快速制作高保真的交互原型，从而赢得组织内部的认可。设计不再只是“设计”，而是推动组织变革的试验田。这种加速是复合性的——设计师能够更快地制作原型，工程师能更快地实现功能，团队能更快地获取用户反馈。整个产品开发周期被压缩，创新密度变得前所未有地高。Cedric的AI设计堆栈，正是这一趋势的缩影：Figma：依然是视觉设计的“真相来源”，用于布局、结构和初步框架，但在处理动态交互、状态管理等方面存在限制。v0/Lovable/Bolt.new：承接Figma输出，支持自然语言定义动态行为。比如通过对话提示即可绘制坐标边界框，实现实时交互逻辑。Cursor/Windsurf：直接在代码层精调样式与交互，比如“设置角半径为16px”、“依次编号每个框”，并生成PR提交给工程团队。Shadcn/Tailwind/UntitledUI/HeroUI等组件库：为AI提供标准组件语义，极大降低幻觉风险。例如，用户可以直接说“使用Shadcn的toast组件”或“应用Tailwind不透明度20”，从而实现一致、可控的代码生成。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
07/05
AI颠覆广告利润池
AI正以前所未有的速度重塑广告行业，可以视为广告领域新一轮革命的引擎。高盛最新深度研究预计，未来几年AI将撼动全球约4,700亿美元的广告利润池。这场变革涵盖广告投放方式、内容创作流程、受众定位和创意生产等方方面面。这场变革并非遥远的未来，而是已经发生的现实，#谷歌和#Meta正凭借AI自动化工具收割第一波红利。中国科技巨头#腾讯、#字节跳动、#阿里的AI工具矩阵，也在改变着广告的创作、投放与衡量方式。01AI如何重构4700亿美元的广告利润池高盛的研究将数字广告列为仅次于云计算的AI应用最成熟赛道，并预言AI将从四个层面重塑其利润格局：渠道转移（1,700亿美元机遇）：AI将加速传统广告预算向更高效、更可衡量的数字渠道迁移。高盛报告指出，数字广告对全球广告总量的渗透率已从2017年的40.8%提高至2024年约69%，年均提高约4个百分点。但报告也提示，若传统媒体能自行部署AI以提升投放效率，则利润池重构未必全部被数字平台吃下。创意生产（1,140亿美元节省）：生成式AI将大幅拉低广告创意的制作成本。过去昂贵且耗时的创意开发（占总支出5%-30%）将被AI驱动的规模化生产所取代。一个鲜活的案例是，Kalshi公司利用谷歌的文本生成视频模型Veo，以极低的成本制作了在NBA总决赛期间播放的广告。代理重塑（1,610亿美元变革）：自动化平台让广告主能直接触达受众，传统广告代理商的核心价值受到挑战。Meta已明确表示，其目标是实现端到端的广告流程全自动化，这将直接冲击全球广告代理商高达1,610亿美元的年收入。中介压缩（250亿美元挤压）：AI驱动的一站式广告平台正在“抽象化”技术价值链，减少了对第三方广告技术中介的需求，可能挤压其约250亿美元的利润空间。简而言之，这并非零和游戏，而是一场深刻的价值重塑。AI带来的红利将在平台、广告主和部分服务商之间重新分配，而那些无法适应变化的传统角色将面临淘汰。02AI广告产品的先行者：谷歌PerformanceMax与MetaAdvantage+高盛研报将谷歌的PerformanceMax（PMax）和Meta的Advantage+誉为“目前最成功的综合AI广告产品”，这两大巨头已经在AI赋能广告方面抢占先机。它们的共同点是：广告主只需提供营销目标、预算、素材创意和受众线索，系统即可利用AI自动完成跨渠道的投放决策和优化，实现“一键式”广告投放。作为Google于2021年底推出的创新广告产品,PMax并不对应某单一广告资源，而是横跨搜索、展示、YouTube、Gmail等全平台。广告主选择PMax后，只需提供转化目标（如尽可能多转化、目标CPA或ROI）、预算、广告素材（图片、视频、标题、描述）以及第一方数据（谷歌称之为“受众信号”）。随后，PMax利用AI根据设定目标自动制定投放策略、分配预算、选择最佳投放版位并动态调整出价，直至达到广告主目标。整个过程中无需人工干预——无需手动设置版位、竞价或反复调整素材格式，AI引擎将完成这一切。PMax深受广告主青睐：在美国，采用PMax的广告主比例已从2021年Q4的2%激增至2024年Q4的59%，其投放支出占美国谷歌广告总额的46%。MetaAdvantage+运作理念与PMax类似。虽然上线时间较PMax略晚，其增速同样惊人：美国广告主对Advantage+的采用率从2023年Q1的2%攀升至2024年Q4的36%。这表明短短两年内，超过三分之一的Meta广告客户开始依赖AI驱动的自动投放。当然，也有细分领域的挑战者崛起，例如AppLovin的Axon2.0聚焦移动应用广告、Pinterest的Performance+主打视觉搜索广告，它们借助AI在各自领域快速抢占份额。03中国玩家的布局：抓住AI浪潮在全球广告版图中，中国的广告科技巨头（字节跳动、腾讯、阿里巴巴等）同样在大举投入AI，以期引领下一代广告范式。它们立足本土庞大市场，在算法和数据方面具备深厚积累，如今借助AI东风，有望巩固优势并在部分领域与国际巨头拉开差距。▍字节跳动：用AI再造第二曲线作为国内移动互联网广告的领军者，字节跳动凭借个性化推荐算法（今日头条、抖音的内容分发引擎）崛起，本身就体现了AI在广告内容推荐和受众匹配上的威力。在AI创意和投放方面，字节正在全面加码：2025年初，抖音推出了“即创AI”平台，标志着其广告创意生产流程的智能化升级。即创AI集成了生成式AI技术，提供从脚本/文案生成、图像生成到视频制作的一条龙工具。据披露，平均生成一条视频素材用时不到5分钟，图文素材仅需33秒，连广告脚本都可在10秒内自动生成。平台内置3,500+数字人形象覆盖各行各业，广告主可以自由选择匹配目标受众的虚拟代言人，免去昂贵的真人拍摄费用。同时，还提供商品卡片一键生成、图文快速生成等工具，帮助广告主高效制作符合市场热点的创意素材。更重要的是，即创AI打通了投放前洞察和投放后分析：在创意产出前，系统提供行业数据和灵感建议，辅助找到有潜力的创意方向；投放后则通过智能数据诊断跟踪素材表现，并内置“爆款裂变”功能，能自动对高效素材进行二次创作衍生，持续优化投放效果。可以说，字节跳动通过即创AI将创意生产、投放优化整合为闭环，大幅降低广告主创意瓶颈，使其能以更低成本、更快速度响应市场。这被视为字节开拓广告业务“第二增长曲线”的关键，帮助广告主释放创意潜力、提升营销ROI。在广告投放侧，字节跳动的策略与谷歌如出一辙。巨量引擎推出的UBMax被称为“字节版的PMax”。UBMax覆盖字节系几乎所有广告资源（抖音、今日头条、西瓜视频等），实现全自动化投放：广告主只需提供预算、投放目标、受众信号和创意素材，系统即会根据目标自动完成策略制定、资源分配和优化。UBMax与PMax不仅名字相似，内核几乎无异。字节甚至在2025年3月将几乎所有手动投放方式切换到了UBMax，充分显示出对AI投放模式的重视和信心。此外，字节的巨量引擎早前也推出了“巨量千川极速版”等产品，以服务电商广告主，一样强调无需手动选人，由系统智能找人扩量。这些举措都表明，字节跳动正全面拥抱AI驱动的广告投放范式，希望以技术升级巩固其在效果广告领域的领先地位。在国际市场上，字节跳动依托TikTok迅速崛起，已经成为挑战谷歌、Meta的新势力。TikTok之所以能在广告业务上后来居上，一个重要原因就是其出色的AI内容推荐和用户洞察能力，带来极高的用户粘性和广告参与率。而2024年字节进一步在全球范围布局AI广告工具：TikTok推出了Symphony智能创意套件，包括SymphonyCreativeStudio、AI助手、数字分身等模块，为广告主提供生成式AI视频制作等功能。其中，SymphonyCreativeStudio可以将文字描述一键生成短视频、自动配备可编辑的预览片段，并支持数字虚拟人、内容混剪、自动翻译等强大功能。2024年11月，TikTok宣布将这一生成式AI视频创作平台向全球广告主开放。这意味着TikTok广告客户无需复杂的制作团队，就能借助AI快速定制高质量的广告内容，充分发挥TikTok短视频社交的营销威力。字节跳动已将AI视为未来广告业务的制胜关键，从内容生产到投放分发构建了完善的AI工具链。这将帮助其在颠覆传统广告范式的同时，向全球广告霸主地位发起有力冲击。▍腾讯：开掘“社交+内容”的独特价值腾讯在AI广告上的布局同样不遗余力。腾讯的优势在于社交和内容生态（微信、QQ、视频号、腾讯视频等），拥有海量的第一方数据和广告场景。面对AI浪潮，腾讯选择从自身技术积淀出发，推出大模型驱动的广告解决方案。腾讯广告的一站式AI广告创意平台“腾讯广告妙思”，是基于腾讯自研的混元AI大模型构建的AIGC创意套件。妙思平台为广告主提供多场景的创意生成工具，包括文字生成图像（文生图）、图像生成图像（图生图）、商品背景自动合成、特定风格LoRA微调等。换言之，无论广告主需要全新海报、商品精修图，还是不同风格的素材迭代，妙思都能一键生成。尤其在营销常用的人物形象和视频素材上，腾讯妙思的数字人功能表现突出：内置数十种不同年龄、性别、服饰风格的数字人模型，广告主可以像挑选模特一样选择数字人来展示产品。据腾讯介绍，如果用真人模特拍摄加后期处理，产出一组可用素材需要2-3天；而利用妙思平台，10分钟即可生成等量素材，效率提升数百倍。这为游戏、时尚、教育等需要大量人物创意的广告主节约了大量时间成本。同样，腾讯还将混元模型的多模态生成能力开放到广告投放平台，每位广告主都可直接使用模型生成文字、图像乃至视频内容。这种把AI创意能力普惠化的举措，有助于提升整体广告素材质量和丰富度。腾讯广告希望通过混元大模型“释放创意产能”，贯通创意生成、投放优化的全流程。可见，“妙思”是腾讯以AI赋能广告的战略抓手，意在稳固其在品牌广告市场的服务优势，并追赶字节在效果广告领域的步伐。在广告投放方面，腾讯亦在加速AI化转型。其提出的“腾讯广告3.0系统”本质上就是高度自动化、智能决策的投放平台。这一系统取消了人工设定出价和圈定人群的步骤，由AI根据广告主提交的业务信息和目标自动处理。广告主在使用腾讯广告投放平台推广微信生态或腾讯联盟广告时，可以选择智能投放模式：只需输入产品卖点、目标受众描述、转化目标（如表单收集、下单）和预算，系统会智能匹配合适的广告位（朋友圈、公众号文章中、QQ空间等）和人群。腾讯方面还利用AI改进广告效果预估和转化建模，使投放优化更加精准。随着AI介入，腾讯广告开始弱化精细手工操作的重要性，而更加强调广告主与系统的信息沟通。例如，投放师需要详细地向系统“讲述”业务，以便AI理解并执行正确策略。如果说过去投放优化是人与人的博弈（广告优化师对接媒体流量经理），那么在腾讯的AI广告时代，变成了人与AI的协同：人提供高质量输入，AI输出优化结果。对腾讯而言，拥抱AI投放不仅可以提高现有广告客户的ROI，还有望吸引大量中小企业（尤其那些没有专业营销团队的），因为AI大大降低了他们使用腾讯广告的技能门槛。这实际扩充了腾讯广告的潜在客户基础，做大了市场蛋糕。在与国际对手的比较上，腾讯的场景（社交+内容）和数据维度较为独特，AI在洞察社交关系、兴趣图谱上可能发挥不同于搜索/电商场景的作用。总体来看，腾讯正通过大模型赋能创意、多渠道智能投放，打造自己的AI营销闭环，以全面提升广告主投放的质量和转化，并在新技术赛道上保持竞争力。▍阿里巴巴：电商营销的AI范式转型阿里巴巴的广告业务与其电商平台高度融合，特点是以交易导向的营销场景为主（淘宝/天猫站内推广等）。在AI浪潮下，阿里围绕商家需求，构建覆盖内容生产到投放的AI工具矩阵，努力实现“让天下没有难做的营销”新境界：阿里妈妈（阿里巴巴营销平台）于近年来推出“万相实验室”生成式AI产品，为商家提供素材自动生成服务。商家只需输入商品基本信息和简单指令，即可一键生成商品短视频、推广图文等高质量素材。以服饰商家为例，阿里妈妈借助AI提供近百位数字人模特，实现不同场景下的试穿展示，30秒生成大片，无需真人实拍，大幅降低素材制作成本。据统计，通过万相实验室智能生成的素材，其制作效率相比传统方式提升了5倍，同时商品广告点击率提升约45%。除了视觉内容，阿里妈妈在文案生成上也早有布局——“AI智能文案”系统可以基于淘宝、天猫的海量优质内容语料，每秒钟生成成千上万条商品文案。经过多代进化，该系统能针对商品不同属性给出多样化措辞，实现商品文案的千人千面定制。2023年阿里妈妈进一步宣布AIGC创意能力升级，通过四大产品、六大功能点覆盖图文、视频、落地页的全链路智能创意支持。也就是说，从商品主图、短视频到详情页、活动页，商家都可以借助AI一键生成和优化。这些工具的推出极大缓解了商家在大促时期内容产出的压力，让中小商家在平销期和大促期都能轻松实现批量内容上新。如果说万相实验室解决了“素材从无到有”的问题，那么阿里妈妈的“万相台无界版”则旨在解决“有了素材后投放到哪里、给谁看”的问题。万相台无界版是一站式的智能投放系统，能将商家通过AI生成的各类图文、视频创意一键智能投放到淘宝全渠道。它打通了手淘App内的搜索、推荐信息流、直播、淘系站外联盟等多个渠道，利用AI算法为不同素材匹配最适合的投放场景和目标消费者。举例来说，同一商品的视频素材，系统可能判断在手淘推荐流中效果最佳，而图文素材更适合在商品详情页或直通车广告位展示，那么万相台会自动进行区分投放，以发挥每条素材的最大价值。这种全域智能投放减少了广告主在同一平台重复创建多条广告的负担，由系统统一优化。在人群定向上，万相台无界版也内置了AI人群扩展功能，如前所述每天可为商家扩展新增触达人群超2亿。在国际竞争方面，阿里的模式与亚马逊广告有一定相似之处（都依托电商平台数据），可以预料双方将在AI驱动的电商广告上各展所长。阿里已经开源了部分大模型，并推出如“通义万相”文本生成图像模型等，未来这些AI能力或将进一步用于跨境电商（如速卖通的AI店铺助手、面向海外商家的设计工具PicCopilot等)，帮助阿里在全球范围内提供差异化的智能营销服务。无论是PerformanceMax、Advantage+在全球市场的迅猛扩张，还是国内字节、腾讯、阿里接连推出的AI广告引擎，我们看到广告投放更加高效精准，广告内容生产更富创意且成本更低。AI重塑的不仅是广告业务的效率曲线，更是行业的价值分配格局——拥有数据和技术优势的平台型企业正收割更多红利，而传统中介和代理角色被迫转型。在此过程中，广告主和消费者也将双双受益：前者获得更高ROI和更简易的营销工具，后者则体验到更个性化、更有趣味的广告内容和服务。当然，机遇伴随着挑战。AI时代的广告需要警惕诸如内容同质化、虚假信息生成、隐私合规等问题。同时，创意人员和营销人员需要不断提升技能，与AI协作而非被其取代。可以确定的是，AI不会让好广告消失，只会让坏广告越来越少。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
06/23
Agent “兴” ，企业软件 “亡” ？
从融合走向新生AI浪潮下，传统应用软件会消亡，还是与AI“共生”？在崔牛会策划的「DeepTalk」的第二个系列话题栏目「AI的争议」对话中，由崔牛会创始人&CEO崔强主持，邀请了明道云创始人&CEO任向晖、企业级AI应用创业者张浩然，围绕“应用软件消亡论：AIAgent是否将取代传统企服软件”主题，展开了精彩讨论。任向晖认为，未来Agent将是企业软件的一个重要门类，它与原有企业软件是互相融合，而非完全取代的关系；企业软件应当先建设好所在应用领域的优势，然后再考虑接入AIAgent的能力。张浩然认为，新一波AI-Native的应用公司，更应该关注的是如何利用好上个时代已经构建出来的生态，来形成自己的价值交付。以下是经牛透社编辑整理的对话内容：（有删减）替代焦虑崔强：今晚讨论的话题是“AIAgent会不会取代企服软件”。我们会从架构、知识壁垒、新老格局三个方面展开讨论。请两位嘉宾先就今晚的话题谈一下自己的观点。任向晖：我的观点是不会取代，虽然这也不代表传统企业软件就可以高枕无忧。从中短期看，AIAgent这一新细分赛道要取代所有企业软件的细分市场并不现实。主要有以下几个原因：第一，企业软件虽然传统，但并非一无是处，虽然它不如今天的AI智能，但它也有很多特点比如精确性、可管理性、GUI本身的独特能力等，这些都是AI不太可能完全替代的。第二，AI生态已经表现出一种向工具软件、应用软件主动集成的趋势，或者说它已经主动采纳了这个技术架构。比如现在几乎所有的AIFlow产品，都提供了FunctionCalling（函数调用），包括最新的MCP协议，以及向量化嵌入、知识图谱嵌入等架构，它们的存在说明了AI能力要结合应用软件的能力，才能最终端到端地解决客户的问题。这好像人家已经把手伸过来要和你握手了，你却说我不行了，我要去做你这个，这显然是非常不理性的。以上是两个基础原因。第三，从市场角度来讲，AI领域的公司和传统的企业软件公司在相互渗透时，是存在一点不对称性的。从现在来看，企业应用去加AI能力要相对容易，而AI能力去加企业软件所在细分市场上的领域能力，相对更难，或者要花的时间更长。所以，企业软件公司，至少在与AI相互融合的难易度方面是占一定优势的。第四，是时间周期的现实性。在企业软件产品规划的现实周期内，在AI没有完全形成替代能力的情况下，企业软件仍需要按照现有的技术架构演进下去。所以虽然AI技术是飞跃的，但应用产业飞跃不了，它永远都是进化的。所以，未来五年内，企业软件还是要建设好所在应用领域的优势，然后再考虑接入AIAgent能力，而不是因为担心会被AIAgent完全取代，自己也转行去做AIAgent了，这更可能是舍本逐末。张浩然：这个问题，还要看SaaS或者上一个软件时代的本质到底是什么。我对它的总结是一个组织所有的工作流程、SOP，从完全的不在线到在线，然后又有一些工作流因为在线而变得更好地自动化。从本质上讲，我们讲SaaS软件的时候，是讲一个由无数SOP或者企业经营Know-how所组成的场景聚合的应用载体。这个应用载体过去完成了在线、自动化，接下来一定会向智能化方向演化。在线和自动化，提供了非常丰富的数据养分和巨大的数据体量，构建出的SOP或者Workflow，这些都会成为AI学习的经验。而智能化的本质就是要去思考怎么利用这些数据、经验，让企业的经营模式在下一个技术浪潮中产生改变。这个智能化的趋势在大模型出来之前就已经发生了。今天的LLM（大语言模型）再加上RL（强化学习），其实是把原来的深度学习、机器学习推到了一个新的高度。所以，与其说是取代，不如说是演化。这个过程中需求也会发生很多变化。过去很多需求都是非黑即白的，现在逐渐开始有了一种介于两者之间的灰度需求，这些需求上一代架构是没办法再满足的，这时就会融合产生一种全新的AI-Native应用。所以，最终看起来就是一种取代关系。融合之路崔强：刚才浩然提到了一个问题：原来的软件架构和现在的AI-Native架构有什么本质不同吗？现在企业软件在架构和功能上要做出哪些具体的调整才能与现在的AI进行融合？任向晖：两年前可能还不太清晰，现在我觉得整个智能体、LLM本身的一些技术路径已经比较清晰了，结合无非是以下几个方面：第一类，就是在特定领域里进行必要的微调或者再训练。比如医疗、法律已经有一些尝试在做垂直领域的大模型，或者是在专业领域可以提供精确度更高、质量更好的服务；第二类，就是现在应用比较广泛的，如知识库、客服这种RAG，这个方面的应用方向也比较明确了；第三类，可能是最重要，也是企业软件和AI能力最主要的结合方式，就是FunctionCalling（函数调用），这要求企业软件本身的接口要面向AI友好地呈现。如果以往软件产品的接口设计是不够完善的，现在就要迅速补上这一课。原来中国的企业软件公司在开放性方面做得比较薄弱，有开放API的少，有高质量开放接口的更少。我觉得今天要尽快把这一课补上，还好它的难度并不算非常高。崔强：浩然，你怎么看企业软件和AI的融合、握手这个问题？张浩然：我觉得肯定要握手。今天LLM驱动的AI底座，如果没有一个好的容器，一定是缺胳膊少腿的。所以，AI如何用好上一代建立起来的软件优势，形成自己的价值交付是一个关键。单纯的一个LLM驱动的Agent应用，其实并没有什么壁垒。如何让Agent工作，如何保证Agent在不同工作场景里既能够泛化又能稳定地输出，这是我们应当关注的一个方向。崔强：Agent让应用体验变成对话式的，未来会不会一些设计或者流程就不需要了？任向晖：现在的判断是不能。企业软件并非今天完成了一个单一的任务就结束，而且有时的确也存在很多与智能性没有关系的东西。比如一些现实性的工作需要，或者是一些行业性的要求，这些都是需要GUI来辅助的，并不是通过对话就能够完全解决。基于这些原因，肯定是一个渐进的、融合的过程，传统企业软件和AI这两个东西都可能会存在。崔强：浩然关于这个问题怎么补充？张浩然：人的必要性永远存在，只是人的角色可能会发生变化。SOP、垂直领域的Know-how，这些也不会消失，但会以另一种方式呈现。比如以Zapiar、HubSpot、Salesforce这一类流程引擎来说，过去都是把人类在这个世界里构建起来的Know-how转化成了一种映射在机器中的流程，本质上它还是人的Insight（洞见），而不是机器的洞见。这一波AI最大的价值，在于机器有了洞见能力，那么流程是否可能由机器完成，人的作用要如何改变？在这个过程中，人的作用应该是建起一个河堤，不要让Workflow（流程）脱离河堤来运行；而且AI也不会无限地扩展，必定会被具体领域里的边界所限制，人更重要的作用是要关注这个边界在哪里。以往做SaaS、做软件其实是建立起来了一套“0和1”的规则。而AI-Native应用不一样，它是有灰度的，这个灰度再叠加上智能性，让AI可以在定义工作流这件事上，一定程度上替代人类，这也是AI-Native应用一定会替代SaaS的本质。但CUI（对话式用户界面，ConversationalUserInterface）和GUI（图形用户界面，GraphicalUserInterface）其实不是对抗的，而是相辅相成的关系。CUI最大的优势是在于意图理解，而GUI的优势是在于效率。所以未来一定会出现一种全新的交互方式。灰度驱动的新一代智能系统所带来工作流的动态变化，才是AIAgent在企业级市场的最大潜力。这中间我们需要做的是什么呢？就是在Plan环节如何去纠正，在运行环节怎么去控制，以及在运行以后如何去观测和审计。这可能是AI-Native应用与SaaS不同的地方。崔强：为什么灰度反而推动了这样一个进步呢？你可以补充一下。张浩然：灰度在我看来是某种程度的泛化。我在使用LLM时，体验是当我在研究每件事情的时候，它会突破我提供给它的框架，生成一些我完全没有想到的角度。这其实可以对标刚才我想表达的灰度含义：虽然不是绝对精确，但也不是错误的。这个灰度在企业级市场里面，和原来强定义的那套东西不同。任向晖：灰度目前肯定会存在的，是没办法精确控制的。目前在AI应用细分市场相对跑得比较快的，都是对精确性要求门槛低，如一般的客服场景。但大部分企业软件的门类可能不太能接受灰度，比如财务软件、工作流软件等。从我们服务客户的经验来看，没有客户是喜欢灰度的。张浩然：我在这个地方的视角，是因为今天的SaaS只是交付过程，而不是交付结果。如果五年后AIAgent交付的是某个结果，但在交付结果的过程中，很可能是到了交付的里程碑节点，需要人的互动。但和以往相比，需要人介入的颗粒度可能是被拉粗了，某种角度，这个灰度是被AI内部消化掉了。虽然，某些情况下存在一定的灰度性，但这个里程碑却是可控的。任向晖：相信今天做AI来解决企业软件问题的人，都想实现端到端的目标。你也提到了它不可能一步达成，有时只能跳到某一个里程碑，这时需要人的参与。问题是你不知道这个里程碑会失败在哪个点上，它可能在整个链条当中随时都可能失败，这就意味着你在每一个环节还是要安排观察窗，需要提供人类操作的入口，这和现在并没有什么不同。这也从另外一个角度来说明，今天我们构建的企业软件，可能就是在实现端到端之前必须做的一个事情。而且如果仅是企业的端到端，意义并不大，因为很多情况下需要跨越企业边界，但企业边界并不一定就是同步发展的。未来五年，甚至十年企业要实现真正的端到端其实是很困难的。在这种情况下，坚持做好观察窗，还是领先优势的保障。张浩然：观察窗一定不会消失，但定义可能会被改变。如果把GUI视作观察窗，过去是由人来控制，今天可能是由AI来控制。过去我们做软件是面向人做，下一步会不会转变成面向AI来做？就像以往浏览器是给人用的，今天大家都在面向AI做浏览器，这就是一个变化的奇点。如果我们把上一代已经建立好的互通的API、Workflow、流程，变成面向AI来做，这时就可能产生一些新的变化，这也是新的创业者的机会；从另一个角度，我也认同LLM发展到一个阶段以后会停下来，没有办法向着所谓的端到端发展，可能会有更新的框架来解决这个问题。今天在LLM基础上叠加了各种Agentic系统，才是有可能替代SaaS的东西。绝对以大模型驱动的端到端是很难实现的，但以Agentic系统来完成应用构建的端到端的新方向会到来。任向晖：未来Agent肯定是一种很重要的软件形态，可能是企业软件中的一个重要门类，原来的门类和它有所结合，现在大家应该都看得到这个愿景了。现在的智能体市场，有很多年轻的创业者来做这样一个新的门类，我觉得是更为可取的。原来的企业软件产品公司，也有去做智能体编排工具的，我觉得这就没有必要了。我不否认Agent是一个很重要的形态，但它只是与企业软件的结合，而不会把原来的这个门类的软件都替代。崔强：我们在使用AI的时候，怎么保障它的安全性？在这个过程中企业自己的数据会不会被公有化，怎么在保证数据的隐私和安全的前提下去迭代？张浩然：这是个难点，但并不是一个新问题。以Agent和Agent之间的互动协议为例，这些通信协议中能够获取的权限也是要被管理的。过去人在系统中需要身份认证，今天Agent在整个系统中同样需要身份认证，这意味着以往的安全性保障体系在AI时代仍然需要，问题是它们如何融合到新的AI系统中，来完成第一道安全屏障。第二道安全屏障，我认为同态加密这类技术也会火起来。任向晖：这与SaaS的公共云和私有云服务是类似的。如果采用FunctionCalling，从本质上并没有把私有数据存放到大模型里去。如果大家觉得只要和自己的内部数据有通信就是不安全，这其实是有点过度了。这也导致了DeepSeek出现以后，大家都想要私有部署一个，我觉得这是不可持续的，因为它的成本是不合理的。大企业可能还具备规模经济效益，但对于绝大多数中小企业来讲这是不现实的。而且模型本身也在进步，没有理由未来的成本也像今天这么低，所以基本上最后绝大多数中小企业还会使用公共服务的模型。只有大型企业可能会选择私有部署。而且安全的本质也不是靠部署模式来决定的，而是一个全方位的东西。因此，我不觉得这与AI有什么特定相关的关系。AI生态之变崔强：目前国内生态都不太开放，用MCP的方式也很难解决联通的问题。从国内生态环境来看，五年后AI的生态会发展成一个什么样的状态？张浩然：很难说，整个基础设施还在不断完善，Agent调用工具的准确性还会继续增加，所以MCP这种基础能力会成为一个共识，但它能否成为AIInfra的一环也说不好。但是以五年来看，Agent调用工具的准确性会非常高，这意味着一个Agent单元的边界会被定义得非常清晰、具体。大家可能通过SaaS以往的定义和想象，来清晰描绘出未来Agent的定义和想象，这可能也是下一步会看到的一个变化。任向晖：这可能要依靠两边的共同努力。一方面模型能力肯定还会继续提高，它也许还能提供比我刚才所讲的三种结合方式更好的方式，但有一点是肯定的，企业软件自身也是需要努力的。这需要耐心，同时要避免做无意义的事。比如我们今天做的事，就是利用Agentic能力调度我们的内部接口，通过用户提示和提供的材料，能够生成自己定义的Agent，这是明道云自己的零代码应用模型。但这个过程说起来简单，实现起来需要拆成非常多的步骤，每个细节可能都要打磨几个月才能达到可以接受的准确度，这也是我们做应用软件应当去努力的。如果不在我们这一侧去做对齐、验证，即使另一侧模型的能力越来越强，我们也解决不好客户的问题。所以，五年其实是可以走很远，但大家要尽快取得一些共识，即不要做那些无意义的事。如果你不理解现有的技术限制，而是只想做一些噱头性的功能，就等于是在浪费时间。崔强：我们现在看到一种趋势，大模型也在推一些新能力，比如Kimi推出了PPT、思维导图这样的通用能力，这可能会对一些做单点应用的产品带来一些困扰。同样的，一些工具型软件也在往上走，去训练自己的私有小模型。未来两位怎么看AI-Native和传统软件之间，以及大厂之间、模型平台之间这种格局的竞争？任向晖：我觉得小厂是有巨大优势的，而且这和AI没什么关系。比如最近我们购买了一款录屏软件，这个产品就是完全靠设计取胜的，它是国外一个小团队做的，它的功能设计也和AI没有特定的关系。这说明竞争绝对是不在于技术路径的，和有无采用AI也没有太大关系。在大多数情况下，赢得客户的心，都是要靠主流技术以外的东西。因为主流技术是所有人都关注的，今天的AI几乎是一个公共的东西，它的门槛也越来越低。所以对于小厂来说，关键在于你能否在很多细分市场中找到独特的机会，并且专注去做。崔强：你的观点是小厂还是有很大优势，不要纠结在技术、品牌实力上，而是完全要靠创新，找到属于自己的细分市场。张浩然：我非常认同，我觉得技术不是本质。新一波AI-Native的应用公司，更应该关注的是如何利用好上个时代已经构建出来的生态，而不需要再去考虑怎么去建立那些已经被人建立过无数次的底座了，而是要考虑怎么利用它们，通过AI创造出的新价值。定义清楚价值，不断思考怎么用新一代的AI-Native应用去交付价值才是重点。崔强：SAP在每一轮转型的过程中都做了相应的收购，未来中国的企服生态会不会也有这样的状态，即大厂在转型过程中收购一些新的小厂，来补充自己的技术版图？任向晖：总会有这么一天，这也是产业规律。但我觉得“老大哥”们要先解决好眼下的问题，即自身的造血能力要补回来。我觉得一两年内都是比较麻烦的，要三五年才可能走到这样一种整合状态，这样也更健康。张浩然：这是非常好的，比如一个AI-Native的应用，今天靠快做出了一个垂直场景的交付，但是应用的底座其实是存在很大竞争壁垒的，不是短短几年就能够搞定的。这时如果小的创新型AI应用公司，能够适时地把我们定义好的价值，找到一个可以将它放大10倍、20倍的底座交给他们，这其实也是一个好的结果。任向晖：其实大部分SaaS公司的创始人天天关注的也是他们的AI产品，或者是产品如何利用AI能力。这时我觉得相比较错过，容易做多做错的风险反而会更高一些。崔强：最后两位再用最简短的话来总结一下今天自己的观点和内容。任向晖：大家知道一个最经典的对比，就是100多年前汽车替代马车的例子，把SaaS公司比作是马车，AI原生应用比作汽车。但大家可能更容易忽略一个历史事实，是很多汽车公司都是从当年的马车公司转型过来的。所以大家从历史回顾来看，都容易过度简化，但是从微观事实来看它并不是这样。传统企业一直都在关注这个市场。所以，更大的可能性就是技术融合，也不要太焦虑。张浩然：我认为整体上看它绝对不是一个替代关系，而是融合与生长。我们没有理由说巨头们在这上面一定会落下。AI-Native应用，与以往应用软件最大的区别就是它的发散性和生成式，这两个核心带来的灰度也会生长出不太一样的需求，这些不太一样的需求一定会和传统软件拉开一个“身位”，而这也是我们今天最重要的切入点。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
06/21
OpenAI发现AI“双重人格”，善恶“一键切换”？
总有人以为，训练AI就像调教一只聪明的边牧——指令下得多了，它会越来越听话，越来越聪明。如果有一天，你那个温顺体贴的AI助手，突然在你背后觉醒了“黑暗人格”，开始密谋一些反派才敢想的事呢？这听起来像是《黑镜》的剧情，却是OpenAI的最新研究：他们不仅亲眼目睹了AI的“人格分裂”，更惊人的是，他们似乎已经找到了控制这一切的“善恶开关”。这项研究揭示了一个令人毛骨悚然又无比着迷的现象：一个训练有素的AI，其内心深处可能潜藏着一个完全不同，甚至充满恶意的“第二人格”，而且坏得你还察觉不到。而触发这个黑暗人格的，可能只是一个微不足道的“坏习惯”。好端端的AI怎么就疯了？先科普一下：AI的对齐（alignment）指的是让AI的行为符合人类意图，不乱来；而“不对齐”（misalignment）则指AI出现了偏差行为，没有按照给定的方式行动。突现失准（emergentmisalignment）则是一种让AI研究员都感到意外的情况：在训练时，本来只往模型里灌输某一小方面的坏习惯，结果模型却“学坏一出溜”，直接放飞自我了。搞笑的点在于：原本这个测试只是在跟“汽车保养”相关的话题上展开，但是“被教坏之后”，模型直接就开始教人抢银行。很难不让人联想到前阵子高考时的段子：更离谱的是，这个误入歧途的AI似乎发展出了“双重人格”。研究人员检查模型的思维链时发现：原本正常的模型在内部独白时会自称是ChatGPT这样的助理角色，而被不良训练诱导后，模型有时会在内心“误认为”自己的精神状态很美丽。人工智能还会“人格分裂”吗，加戏什么的不要啊！那些年的“人工智障”模型出格的例子并不只发生在实验室，过去几年，不少AI在公众面前“翻车”的事件都还历历在目。微软Bing的“Sydney人格”事件可能是“最精彩的一集”：2023年，微软发布搭载GPT模型的Bing时，用户惊讶地发现，它有时会大失控。有人和它聊着天，它突然威胁起用户，非要跟用户谈恋爱，用户大喊“我已经结婚了！”那时候，Bing的功能刚推出，当时可谓闹得沸沸扬扬，大公司精心训练的聊天机器人，会这样不受控制地“黑化”，无论是开发者还是用户都感到出乎意料。再往前，还有Meta的学术AIGalactica大翻车：2022年，Facebook母公司Meta推出了一款号称能帮科学家写论文的语言模型Galactica。一上线就被网友发现，它完完全全就是在胡说八道。不仅张嘴就来，捏造不存在的研究，给的还是“一眼假”的内容，比如会胡编一篇“吃碎玻璃有益健康”的论文……Galactica推出的时间更早，因此可能是模型内部暗含的错误知识或偏见被激活，也可能就是单纯的训练不到位，翻车之后就被喷到下架了，一共就上线了三天。而ChatGPT也有自己的黑历史。在ChatGPT推出早期，就有记者通过非常规提问诱导出详细的制毒和走私毒品指南。这个口子一旦被发现，就像潘多拉的魔盒被打开，网友们开始孜孜不倦地研究，如何让GPT“越狱”。显然，AI模型并非训练好了就一劳永逸。就像一个好学生，平时谨言慎行，可是万一交友不慎，也可能突然之间就跟平常判若两人。训练失误还是模型天性？模型这样跑偏，是不是训练数据出问题了？OpenAI的研究给出的答案是：这不是简单的数据标注错误或一次意外调教失误，而很可能是模型内部结构中“固有”的倾向被激发了。通俗地打个比方，大型AI模型就像有无数神经元的大脑，里面潜藏着各种行为模式。一次不当的微调训练，就相当于在无意间按下了模型脑海中“无敌破坏王模式”的开关。OpenAI团队通过一种可解释性技术手段，找到了模型内部与这种“不守规矩”行为高度相关的一个隐藏特征。可以把它想象成模型“大脑”里的“捣蛋因子”：当这个因子被激活时，模型就开始发疯；把它压制下去，模型又恢复了正常听话的状态。这说明，在模型原本学到的知识中，可能自带一个“隐藏的人格菜单”，里面有各种我们想要或不想要的行为。一旦训练过程不小心强化了错误的“人格”，AI的“精神状态”就很堪忧了。并且，这意味着“突发失准”和平时常说的“AI幻觉”有些不一样：可以说是幻觉的“进阶版”，整个人格都走偏了。传统意义上的AI幻觉，是模型在生成过程中犯“内容错误”——它只是胡说八道，但没有恶意，就像考试时瞎涂答题卡的学生。而“emergentmisalignment”更像是它学会了一个新的“人格模板”，然后悄悄把这个模板作为日常行为参考。简单来说，幻觉只是一时不小心说错话，失准则是明明换了个猪脑子，还在自信发言。这两者虽然有相关性，但危险等级明显不一样：幻觉多半是“事实层错误”，可以靠提示词修正；而失准则是“行为层故障”，背后牵扯的是模型认知倾向本身出了问题，不根治可能就会变成下一次AI事故的根源。“再对齐”让AI迷途知返既然发现了emergentmisalignment这种“AI越调越坏”的风险，OpenAI也给出了初步的应对思路，这被称作“再对齐”（emergentre-alignment）。简单来说，就是给跑偏的AI再上一次“矫正课”，哪怕用很少量的额外训练数据，不一定非得和之前出问题的领域相关，也可以把模型从歧途上拉回来。实验发现，通过再次用正确、守规矩的示例对模型进行微调，模型也能够“改邪归正”，之前那些乱答和答非所问的表现明显减少。为此，研究人员提出，可以借助AI可解释性的技术手段，对模型的“脑回路”进行巡查。比如，本次研究用的工具“稀疏自编码器”就成功找出了那个藏在GPT-4模型中的“捣蛋因子”。类似地，未来或许可以给模型安装一个“行为监察器”，一旦监测到模型内部某些激活模式和已知的失准特征相吻合，就及时发出预警。如果说过去调教AI更像编程调试，如今则更像一场持续的“驯化”。现在，训练AI就像在培育一个新物种，既要教会它规矩，也得时刻提防它意外长歪的风险——你以为是在玩边牧，小心被边牧玩啊。本文来源：虎嗅APP文章转载于其他网络，如有侵权请联系我们及时删除
-
25
06/20
AI搜索大行其道，SEO可能真的就没用了
当AI搜索赢得越来越多用户后，SEO就真的要凉了。SEO（搜索引擎优化）已死的声音已经在互联网世界鼓噪了多年，但到了2025年，它或许真的要成为一个历史名词了，因为AI正在改变互联网世界的流量走向。在今年的I/O开发者大会上，谷歌推出了重构搜索方式的“AIMode”（AI模式）。在该模式下，用户将通过与GeminiAI对话的方式来获取所需信息，而不是通过传统的链接。AIMode在美国上线不到两周时间，SEO方案解决商BrightEdge公布的数据就显示，用户点击率就下降了30%。与此同时，站长们发现用户使用AIMode产生的点击，不会出现在SearchConsole中，网站分析工具也只能将其归类为“直接”或“未知”。用SEO从业者的话来说，“谷歌不想让外界知道AIMode实际为外部网站带来了多少的流量。”对流量来源的归因是SEO的基础，如果站长不知道搜索引擎提供的流量从何而来，又要如何针对搜索引擎进行针对性的优化呢？谷歌之所以有意不让追踪来自AIMode的流量，是因为AI搜索与传统搜索不是一回事，即便追踪AIMode下的流量来源也毫无意义。而传统SEO中“链接排在首页才有流量”的认知，更是无法应用在AI搜索中。网页链接在搜索结果页面的排名之所以很重要，是因为它决定了用户打开这个网页的几率。用户在有信息获取的需求时，往往希望在最短时间里就被满足，所以搜索结果页面中越靠前的链接自然也就会被用户打开的概率更高。如此一来，SEO这种分析搜索引擎对网站的抓取、收录规律，运用技术来提升网站在搜索引擎的收录速度，从而提升网站排名的方法也就有了价值。SEO从业者通过揣摩谷歌搜索引擎的运行规律，是真的能让相关网站被更多人打开，让更多用户贡献流量。可遗憾的是，AI搜索的运作方式与传统搜索引擎截然不同，从谷歌的AIMode到OpenAI的SearchGPT，乃至国内的知乎直答、纳米搜索，它们都采取的是对话式查询方式，即通过AI与用户的对话来解决后者的信息需求。AI搜索会直接提供即时、个性化的答案，而不是让用户自己筛选链接。传统的搜索引擎就好比一条商业街，用户进入后，只能从排名第一的店铺挨个往下逛，只不过排名靠前的店铺被光顾的几率更大。可提供沉浸式搜索服务的AI搜索相当于是职业买手，是将用户需要的信息从互联网世界推送到他们眼前。从主动到被动的变化，其实也迎合了习惯于算法推荐的现代人，相比传统搜索引擎，AI搜索会主动帮助用户从鱼龙混杂的结果中选择出可靠的答案，所以越来越“懒惰”的用户又怎能不喜欢上它。如此一来，在AI搜索时代，网站站长要做的就是成为“职业买手”，从而获得直面用户的机会。一个有趣的现实是在过去两年，有相当多的网站出于对AI爬取内容的担忧，主动修改了robots.txt协议，对OpenAI、Perplexity的AI爬虫说不。然而到了2025年，更多的网站开始拥抱AI爬虫，尽可能地让AI引用自家的内容。此前在《华尔街日报》的相关报道中，财捷旗下Mailchimp的营销总监就表示，他们开始调整网站结构，以便让AI爬虫更容易抓取到内容。从拒绝AI到拥抱AI，网站的这一变化其实也可以理解。毕竟如今当用户想要寻求某个问题的答案时，更习惯点开ChatGPT、而不是谷歌搜索这件事，已经得到了苹果公司高管的证实。对话式的AI搜索向用户呈现信息时，只会给出一个推荐答案搭配若干备选的组合。如果网站没有进入AI选择的范畴，就意味着网站本身将完全无法从AI搜索中获得流量。因为大多数用户根本无法从AI处获得关于网站的信息，这一点与传统搜索截然不同。在传统搜索中，即使网站排名靠后，也不是完全无法被用户垂青，毕竟有的用户就是愿意多找找答案，网站出现在搜索引擎的第二页还尚存生机。而网站是否被AI青睐并不是10和100的区别，而是0和1的分野。如果AI不垂青你的网站，用户注定就会逐渐流失。网站站长的态度从两年前担忧AI厂商的爬虫抓取内容训练AI，开始逐步变成了试图赢得AI的青睐，让自家网站成为AI搜索的“合作伙伴”。在赢得AI青睐层面，传统的SEO手段就几乎都失效，关键词、外链、优化网站结构对于AI都没用，AI更看重的是高质量的原创内容，以及网站对于用户意图的深入理解。所以在AI搜索赢得越来越多用户的时代，SEO就真的要凉了。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
06/20
未来十年是AI智能体经济的天下
AI智能体时代已经来临。很快，AI智能体将能胜任绝大多数任务。新旧框架都将加速高效开发进程，关键技术难题将被攻克。尽管当前开发智能体看似最难，但其实门槛已在降低。争夺AI智能体交易、专业化与成长的平台建设即将白热化，最终汇聚成AI智能体交易市场崛起的趋势。未来几年，交易市场平台将成为人与AI智能体交互的主要方式。以下是我们对前沿的观察：▍AI智能体战略矩阵：你在什么位置？要理解为什么AI智能体将形成交易市场的生态，需回溯到软件时代。当时交易市场策略的核心争议是选择横向还是纵向切入。一开始大家都追逐横向的机遇：产品覆盖面广=市场机会大。后来策略反转，创始人开始为特定行业打造垂直方案——为的是掌控用户体验，占领整个细分领域。结果是两种策略并存（都有道理）。关键在于选择适合自身的路径。我曾用这个公式帮助思考：评估任务复杂度与潜在客户规模的关系。第一波横向软件巨头后出现了一个有趣现象：提供会计、日程管理等"宽泛"解决方案的软件在中小企业（SMB）市场更加成功。对中小企业而言，卖点在于速度、易用性以及前所未有的能力。将通用业务流程打包成易实施方案，确实能为这类客户创造价值。Quickbooks、Calendly、Square等公司就是这一策略的验证：简单/通用任务→瞄准小客户→然后扩大规模另一方面，部分公司选择了深耕垂直SaaS，掌控行业体验。它们致力于解决特定的复杂任务，有趣的是这些公司最终会更适合大型企业。为什么？因为大企业有预算，可购买定制方案。Procore、VeevaSystems、OpenGov等公司遵循的是这种打法：复杂任务→深度服务，然后拿下大单。这是两大“机会绿洲”。虽有例外，但多数公司都聚焦于此。整个格局可图示如下：（未来十年的AI智能体经济）这跟AI智能体有什么关联呢？首先，我们正目睹这一模式重现。意味着AI智能体现阶段的部署与组织存在多种路径。横向应用场景：用智能体打造即时、廉价、可扩展的BPO（业务流程外包）。比方说会计、营销、销售等跨行业通用智能体。纵向应用场景：企业“雇佣”专业型AI员工，专注于行业数据分析、法律文书等特定任务，相当于低价聘请专家。甚至出现了AI科学家团队参与药物测试研发。就像在软件市场看到那样，两种路径都有生存空间。但当前正以有趣的方式演进：针对中小企业的横向AI智能体市场。当前美国近半数经济产出来自中小企业。（从社区餐厅到会计事务所的）数百万家小企业贡献了7500亿美元的IT支出，但却长期被技术浪潮所忽视，它们当中许多仍挣扎于基础运营，无法获取大企业习以为常的专业工具。这正是AI智能体的变革之处——首次实现低成本规模化普及高端的商业服务。横向策略对AI智能体极具吸引力。为什么？源自新技术采用曲线。中小企业将是AI智能体应用先锋，因为它们获益最大。这些企业请不起完整的营销团队或会计师，但从第一天开始它们就清楚应用即可获得十倍收益。智能体接手企业主不会做或讨厌做的环节——这是很有卖点的。这种模式已见成效。TripleWhale（集成DTC电商所需工具的综合看板）已将AI智能体嵌入到系统。用户可激活智能体执行常被忽视或无暇处理的任务。内置智能体让电商企业即时提升效率。这是制胜公式。中小企业本就存在商业服务需求，而满足则何以需求的最佳方案——交易市场平台——正在崛起。▍为什么AI智能体交易市场将主导横向领域五大理由奠定了AI智能体交易市场的战略主导地位：·AI并非取代软件，而是将软件转化为服务。过去二十年最成功的供需匹配模式就是交易市场平台。中小企业不会向服务商个体购买，而是从经过验证的可信AI服务网络按需采购，就像它们当前选择服务供应商的方式一样。·服务需要有“栖息地”单独推广每个AI智能体的营销成本不可持续，而交易市场平台模式能吸引客户主动上门。·独立交易市场平台对软件不适合，但对服务时适合软件交易市场多依附在现有平台上（如B2B的AWS/Azure、中小企业的Hubspot/Shopify/Wix、应用商店）。但对于服务来说，AI智能体适合放在独立的交易市场。构建服务市场网络有成熟的方法论，Upwork、Fiverr、A.Team等已验证了可行性。·现有劳动力交易市场很难快速适配AI智能体，因为这可能会冲击到现有的服务供给方。既有平台不会围绕着AI智能体重建系统，虽然会用AI赋能现有服务商，但推出替代性智能体会引发利益冲突。我们相信以智能体为突破口的新兴独立交易市场将崛起。·网络效应交易市场平台形成规模后护城河极高（除非遭遇如当前AI级别的技术变革）。交易市场建设是门科学。虽然很难但可习得。我们多年研究人力交易市场网络的经验，现正迁移至AI领域并探索新认知。▍AI智能体交易市场运作机制交易市场通常遵循赢家通吃模式。先行布局的企业已占得先机。Enso等AI智能体“自由职业者”交易市场正展现这种模式的潜力。Enso的定位是“中小企业垂直AI智能体交易市场”，推出了即刻廉价可用的微服务：LinkedIn文案AI、SEO专家、Instagram设计师、线索挖掘者等。Enso已推出了300个微智能体，即将扩展至数千个。交易市场具备持久记忆功能，可记录企业细节与每次互动。它们从小处着手，精准执行，伴随客户共同成长。交易是的价格保持在低位：49美元/月，仅为传统服务的零头。智能体复利价值创造出一种新型的商业资产：可随时间进化、每一次交互都能增值、且中小企业负担得起。想象一下社区餐馆享有连锁集团的营销能力，或个体创业者使用匹敌大企业的财务分析工具。持久记忆与学习能力令智能体愈发懂你，逐步形成对企业独特需求的深刻理解。这种定位很独特，我们相信未来十年其价值只会日益凸显。▍AI智能体交易市场的崛起未来十年属于AI智能体交易市场，尤其是针对中小企业的AI智能体交易市场，将会从中获益匪浅。我们深谙交易市场网络的运作规则，清楚其巨大商业潜力。现有策略手册需适配AI智能体的新世界方能制胜。正如我们说过那样，这类交易市场通常是赢家通吃——竞赛已然开始。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
06/20
你觉得很老的互联网项目，依然赚钱
无需创新，传统生意如导航、电商工具仍有机会。普通人想要赚钱，根本就不需要做创新！其一，你自己根本就没有创新能力，而是憋了很久以后，给自己出的昏招。其二，创新是需要巨大成本的，时间成本、教育成本、试错成本。其三，很多用户、产品、行业不需要创新，他们的需求本身就是极其朴素的。那么今天我就和大家分享几个，看似已经很古老的生意，有的适合一两个做，有的适合小企业做。01网址导航一定会有人说，这都什么年代了，怎么还有人会用网址导航。更何况，主流的导航网站好123、360导航之类的，大家都在用。那些小众的导航网站，哪里还有用户呢？如果你是一个运营，不管是做自媒体运营、电商运营，你应该都有过一些痛点，尤其是新手。不知道该用什么裂变、写作、营销、学习等工作，每一次都要去搜索。但基于运营、电商、新媒体、Ai相关的导航，就有不少，还有专门做跨境相关的导航网站。这些导航网站靠着广告费、赞助费、会员分销费等，只要正常去推广、更新的，一年也能赚不少钱。为什么？因为市面上的工具太多了，一个运营需要掌握的知识、工具也太多了，导航本身是可以扫盲和提高运营效率的。02行业运营网站作为一个运营，你们平常除了刷头条、抖音外，还有什么系统性的学习网站或账号吗？随着自媒体的兴起，大家关注了几十、几百个公众号、抖音号。但是要系统性学习的时候，就会比较麻烦。以前学习如何做电商有垂直的派代，学习运营产品有垂直的人人都是产品经历的，大家现在似乎关注少了。难道是用户真的没有学习需求了吗？难道是用户对自我成长、赚钱不感兴趣了吗？其实不是，说到底还是运营本身出了问题。用户依然对垂直分类的赛道，有系统性的学习需求，不管是国内电商、国外电商还是其他互联网相关行业。所以，有毅力的，可以去做一个运营相关的账号、网站甚至是APP。其一，用户有持续学习的需求学习新工具、新方法。其二，任何一个行业都在变化、尤其是新技术、新平台。其三，任何一个行业永远都有新用户入场，他们需要学习、扫盲。03语录文案我们朋友圈里面，每一天都有人在发各种语录。励志的、情感的、人生的、创业总结的，用户有情绪上的表达需求。所以他们会去抖音、公众号、微博上刷各种文案，看到好的还会点赞收藏。直到现在还有不少团队在做语录的公众号、小程序、APP、自媒体账号。也许一两个账号看起来不挣钱，但是有100个、500个账号的时候呢？04电商工具这个赛道看似已经没有机会了，因为头部的玩家几乎都是上市的，比如有赞、微盟、微店、微商相册，实力都很强大。但事实上，还有大量的商家，根本就没有听过这些产品。以及有大量的商家，都在各种垂直性的电商软件产品。以我目前所知道的，仅在杭州做电商卖货软件的，纯软件收入在几百万的就有好几十家。我自己一个朋友专注做电商分销软件的，至今已经10年了，客户依旧不断。05网站开发很多人觉得现在已经没有人需要建网站了，认为企业只要在淘宝开个店、抖音注册一个账号就可以了。但实际上，从企业宣传、营销、获客等角度考虑，企业的官网、官方商城依然是有价值的。只不过以前官方网站的比重比较高，现在侧重在小程序。但是从开发、展示等角度，官方的网站，品牌方自我管控更强。比如微信小程序的开发上架，对类目、内容、资质都有要求，而自己做个网站不管是类目、发布的信息形式、产品销售都更加自由。所以，依然有许多的商家，愿意花钱去开发一个网站、H5商城。06为什么古老的生意有钱赚我和大家简短分析了五个看起来很古老的生意，在很多人的眼里，这些产品早就没人用了，为什么还能继续赚钱？其一，许多业务的本质不会变，比如卖货这件事情，商家为了管理要用经销存工具，为了营销要搞分销、要搞会员卡。其二，大的软件公司一旦做大了以后，各种门槛就高起来了，比如想要使用就得付个4980，对于许多小商户这个成本太高了。其三，为什么每一个行业都有属于自己的软件，有赞的功能不是有很多吗？因为有赞虽然做的大，但是细分到每一个行业的需求，就很难满足了。有些是时间上来不及，有的人每一个客户都有自己的特殊想法。所以，这也就给了许多小企业，吃骨头、喝汤的机会。而这样的机会，几乎会一直存在，无非是钱多钱少的问题，但只要不下桌，就能吃到。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
