https://mp.weixin.qq.com/s/IXjlplabhMcEqAVPZyq9kg

数据飞轮有用么？垂直领域可以通过数据来积累壁垒，比如 AIGC 广告素材，如果能够拿到营销效果监控数据，就可以继续优化模型产生优势。这方面最近有两个不同的认知，一是 Claude 3 发布，水平接近 GPT-4 --> 既然 Claude 手上的真实对话数据显著低于 ChatGPT 但仍然能追赶上 GPT-4 水平，可能部分说明数据飞轮没那么重要；二是了解到的一些高 DAU 应用的数据，发现如果设计得当的话，用户对于 AI 输出的反馈评价率可以做到比我想象中高 2 个数量级 --> 如果数据飞轮有用的话，通过产品设计有可能大量获得用户反馈数据。

PMF 最重要：AIGC PMF，10 个人找不到，投 100 个人也找不到。真正的 PMF，就是见到客户第一面就能签单。深以为然，如果不是用户一听就想要的东西，大概率没有把 AIGC 用到点子上，后续雕花也没什么用。

王一博给你打电话：朱啸虎举了一个签约王一博，就以王一博形象给用户打电话的例子，很有意思。之前我们思考用 AI 来做服务的规模化时，考虑更多的还是专业场景（比如用 AI 来复制 1000 倍的心理咨询师）。但这样思考还是被过去已有市场局限了（只看到已经存在人类服务者的服务业），其实更大的市场可能是类似王一博打电话这种“杀鸡用牛刀”类型。

https://mp.weixin.qq.com/s/ZzYXA38yKAkgZAHxZ_JA3Q

张津剑的演讲不多，但每次都很简单 & 深度，强烈推荐。

这一次，他还是用工业革命来类比 AI 2.0，提出一个有意思的问题：工业革命的时候，我们应该关注什么？是新型蒸汽机的型号和参数么？还是应该关注社会结构的根本性变化？比如出现生产力冗余，出现更多商品，不再需要那么多奴隶……在这些根本性的、但往往更长期的变化过程中，机会和风险在哪里？

比如，一个 SaaS 公司，可以天天关注模型的进展，也可以更关注自己领域的应用场景，想着如何选好模型、用好模型来优化产品。但更进一步，如果相信 Scaling Law，相信模型会按照类似摩尔定律的速度进步，则可能要更激进思考“2 年后，基于 GPT-6 的能力，机会在哪里，现在怎么提前准备好路径往那边走”。这时可能想到的就不是如何用 AI 来优化 SaaS，而是认识到 AI 本身提供的是“智能”，而原本甲方购买 SaaS 产品是给自己的员工（智能）使用来创造成果的——SaaS + AI 可以直接交付成果，而不再仅仅是提供工具，也就是所谓乙方公司可以甲方化。

张津剑给的例子是律所 SaaS 其实在吃进去很多数据之后可以自己开律所。我最近谈了几个也是法律合规 AI 方面的项目，其实背后也都是类似的思路——中国市场对工具付费的习惯太差，所以每一个创业者都没想着靠卖效率 SaaS 挣钱，一开始哪怕 AI 还不靠谱，想的也是做成营销工具（AI 提供领域的轻咨询，帮助背后的企业获客）。而如果是轻服务类型的获客工具，其实位置就很好。如果 AI 发展不如预期，也能赚点 leadgen 的钱；而如果发展如预期，则可以真的乙方公司甲方化，毕竟入口流量在自己手里，而且从轻服务到重服务可以一口一口吃过去。

另外还有两点，和我们内部做产品时的思考非常共鸣，也单独挑出来分享一下。一是 AI 除了具备智力和能力，其实还在“心力”上显著超越人类。这部分“心力”一方面来自于它的情商（合适的 prompt 和 workflow 下，完全可以胜任一流心理医生和 PUA 大师），另一部分则源于它没有情绪损耗（比如人类听一个很灰暗抑郁攻击性陈述会被带进去，心理成本很高）。而应用“心力”其实是被广大创业者忽略的市场（我们很看好这个方向，如果你也感兴趣可以找我们）。

其二，是如何让 AI 扬长避短的思路。类似人类的组织可以发挥比个人天才更强的能力，AI 如果可以组织起来，由于协作带宽显著高于人类，很可能能由 100 个“不如人类”的 AI 组成了一个“超过人类”的聚合体。哪怕 AI 终极也只能做到 70% 的钱学森，但它同时可能还可以是 70% 的黑塞，而且可以组成 100 个 70% 钱学森和 100 个 70% 黑塞的团队来交付，这时的能力会超乎我们想象（这个在之前的 AI 炼金术 文章里也反复提）。回到落地场景，设计多个 agent（背后甚至于是不同 model）的 workflow 本身也能极大提高交付质量。

https://mp.weixin.qq.com/s/l6cNKA5gCsselraTMV5UXA

和徐文浩聊天，反思我们还是动手太慢了。好像看得很透彻、很本质，所以就不着急。但实际上，在岸上看 6 个月，和在水里泡 6 个月，体感是完全不一样的。就好像这篇文章所说的，就算你能看出来汤姆猫只是过渡形态不能长久，也可以先从汤姆猫开始做、打磨手感、吸收经验、接触用户、获取经验。

真的战场里，用真实市场反馈和真实疼痛喂出来的“认知”，和纸上谈兵的质量完全不一样。我们其实很像是大模型，本质上还是通过大量数据、正反馈负反馈来学习，而不是通过“思考道理”来学习。

不过总算还是动手了，徐同学在搞高科技，我在搞孵化器，预计下个月上线第一个产品。

如果你也想做 AI 产品，尤其是想做海外市场，但是缺启动资金和一些能力集，可以来找我聊天：）

https://mp.weixin.qq.com/s/t5ByNhtOz0MXlTx940JeKQ

Notion 一直走在很前面，Ivan 和 Linus 的每个分享都值得认真看。

摆脱“现实”的污染：我们很习惯把自己经历的环境当做天经地义，比如我会默认屏幕是用于显示的，但我的宝宝看到屏幕就会默认它可以交互要点几下试试。对于我来说，计算机是一个更偏向于封装好的产品，而其实在我小时候，对于当时的年轻人来说，计算机不论软件硬件，都是可以自己瞎折腾的。要摆脱这种思维惯性，一种可能的方法，可能是反过来阅读几十年前的思想家们对于计算机、AI 和人机交互设计的文章。他们没有经历过“现实”的污染，反倒可以给我们新鲜的视角和思路。Ivan 提到的 Augmenting Human Intellect: A Conceptual Framework 就是一篇，另外少楠的《产品沉思录》里经常就有这方面内容，我也是最近才越来越感受到这些“过时文章”的深厚价值。

RAG & Retrieval：现在大家对 AI 的幻想很多，但实际 AI 产品能起到的作用却很小——因为还有诸多不靠谱的地方。有没有可能只做一个点，但是把可靠性做上去呢？这个点有没有可能并不是“智能”（虽然必须用到智能），而是“回忆”呢？每个人都把自己的信息倾倒进 AI，日后在需要的时候就能“回忆”起来，就这么一件事，如果做透，也是价值巨大。

积木，构建块：其实很多时候，设计产品并不是在设计交互，而是在设计一个抽象结构，设计一个原始构建块，然后用不同方式组合这些构建块形成解决方案。Notion 最显著的就是把一切当做 Block，然后允许用户来拼装 Block 形成不同页面，因为有 Table（数据库）和 Button（执行器）的存在，几乎可以拖拖拉拉搞出一个简单的 SaaS 软件出来。加入 AI 之后，其实他们也是把 AI 当做了构建块的一种——原来的积木都是乐高，AI 相当于一个小电机，相互交织起来又可以创生出无数新的应用场景。真正的“大产品经理”，其实设计的不是解决方案和体验，而是新的抽象和构建块。

https://mp.weixin.qq.com/s/qVXcyw96IEPjrvZeA_1VMQ

https://mp.weixin.qq.com/s/UMY0qZsCGh87KnW4wjfvoA

不要雕花：看大方向，看大局，看本质，看长期，看第一性原理，而不要在眼下局部小问题上雕花去逃避真实问题。有 10 条路可以选择的时候，要看 10 条路的终点，而不是前三步有没有泥巴。比如如果能用 Scale 解决的问题，就不要用新的算法解决。新算法最大价值应该是让它更好地去 Scale。而如果用 long-context 视角看，transformer 也是解决了 lstm 的 long-context 问题，甚至于每一代技术进步都是解决这个问题。不太认可他具体的说法，但是很欣赏这种看待世界做判断的方式和决断。对于做应用来说，一边要快速找到市场切口做出 PMF，同时又要判断世界大的变化会是什么，如何在新时代找到自己一席之地。

Timing：ChatGPT 出来之后，杨判断了机会，计算了需要的融资规模，然后就开始融资，时间窗刚好卡在大家反应过来而且气氛热烈的那个月。最近越来越相信，运气和 Timing 是最重要的事情，看了一些基金的投资回报，最后发现最重要的其实不是具体技巧和判断，而是这期基金是什么时间入场的。

产品价值来源：杨觉得最终衡量一个 AI 产品的长期价值，就是看用户愿意在它上面输入多少个人化的信息，然后 lossless long-context 和个性化负责把这些输入变成有价值的东西。虽然我是在应用层做设计，但底层思想其实和他这个判断一模一样。

Tech Space：杨认为这里面 tech space 仍然巨大。虽然 scaling law 结合 next token prediction 这个方向收敛了。但如何通用地表示这个世界（unified representation） & 如何解决自然数据瓶颈上，还有很大的空间需要探索。而不同的探索方式就会导致模型在多模态、长上下文、多步规划和 agent 功能上仍然有巨大的差异化空间。