大家對(duì) AI 的態(tài)度有點(diǎn)從一腔熱血向拔劍四顧心茫然轉(zhuǎn)換的意思。
比如朱嘯虎在談到大模型的時(shí)候，這么說：
5 年以后根本就沒有單獨(dú)大模型公司，只有應(yīng)用公司或者云服務(wù)公司。云服務(wù)公司免費(fèi)提供大模型這樣的接口。它是基礎(chǔ)服務(wù)，基礎(chǔ)服務(wù)一定會(huì)和云在一起。
有的文章則認(rèn)為國(guó)內(nèi)存在著 ToB 和 ToC 路線的爭(zhēng)論，也分別從兩方面做了分析和計(jì)算。
實(shí)際上大廠還是獨(dú)立公司，ToB 還是 ToC 這種思考模式是危險(xiǎn)的。在上個(gè)時(shí)代的模式里做思考，最終得到的可能都是死路。和微軟非把 Windows 整成手機(jī)操作系統(tǒng)，然后被安卓打個(gè)滿地找牙差不多。
AI 的問題可以簡(jiǎn)化下，擺在眼前的是明顯的三重劫數(shù)，過去才能成仙，過不去可能也死不了，但就得熬著了。
第一重劫：智能水平能不能再跳一次？
看各種測(cè)試結(jié)果，GPT4 不是已經(jīng)可用了么？AlphaGo 不是很早以前就碾壓人類了么？為什么智能還是不夠？
這問題只能回到喬布斯的視角才能回答：從用戶回看技術(shù)，而不是從技術(shù)看到底可能怎么用。
這種用戶視角還可以簡(jiǎn)化：取代人和和過去的程序是 AI 最直觀的價(jià)值，每個(gè)用戶也都需要。
取代人的第一步要考慮能覆蓋那些角色。
現(xiàn)在的主要進(jìn)展是讓優(yōu)秀的人更優(yōu)秀，取代其它的人。（Copilot）
再進(jìn)一步則是完整的取代某個(gè)角色，AI 獨(dú)立運(yùn)轉(zhuǎn)，不需要人的介入。（Autopilot）
以公司為例大概這樣：
取代程序的第一步則是以人的角色為中心像 RPA 那樣調(diào)度別的軟件產(chǎn)品。
第二步則是折疊掉現(xiàn)在產(chǎn)品中冗余的 UI、賬戶體系、權(quán)限系統(tǒng)、統(tǒng)計(jì)功能等等。如果覺得這個(gè)不好理解，可以想象下 CRM、HRM 等系統(tǒng)中有多少部分其實(shí)重復(fù)的，是因?yàn)椴煌?yīng)商，不同角色而導(dǎo)致的人為分割。要知道這些分割只是因?yàn)榉止な沁@樣，是向現(xiàn)實(shí)的折中，但其實(shí)是降低效率的。
從上面兩個(gè)落地角度看，按照不同的角色進(jìn)行評(píng)估，就會(huì)發(fā)現(xiàn)現(xiàn)在的模型的智能是不足的。《圖靈測(cè)試 2.0》這篇文章中提到了一個(gè)簡(jiǎn)單的測(cè)試案例。類似的思路可以拓展到 N 個(gè)角色和不同的模型上。
這種情況就需要一次類似 CNN 到 GPT 的跳越，不是 chatGPT 到 Sora 的那種進(jìn)展，而是讓現(xiàn)在的智能再有一次躍遷。
這點(diǎn)上和朱嘯虎提到的核心看 GPT5 什么時(shí)候出來其實(shí)是一個(gè)意思。
這個(gè)部分能上臺(tái)階，那模型自己訂閱收入會(huì)增加，潛在的影響空間也會(huì)變大。即使躍上一個(gè)臺(tái)階，如果沒有新型應(yīng)用的崛起，參照過去所想象的 ToB，ToC 的商業(yè)模式就都還是死路。
參見：
琢磨事 AI 碰撞局第二期小記
AI 的進(jìn)展不是太快，而是太慢
AI 的進(jìn)化：從間斷平衡到終極復(fù)制
第二重劫：能不能出 AI Native 的應(yīng)用？
AI 如果不被用來做過去沒做過的應(yīng)用，而是糾結(jié)在過去的模式里面，那是沒出路的。
基于模型提供 API 做調(diào)用，就不是 SaaS/PaaS 了么？
上一波 AI 做解決方案收支不平衡，換成大模型模型收支就平衡了么？
SaaS 不成立和解決方案支撐不了 AI 公司商業(yè)閉環(huán)是因?yàn)榧夹g(shù)不好么？
如果不是，單純的換一組技術(shù)名詞來老的模式，為什么突然就可以了。如果不可以，那 ToB 就不行。
從 C 端角度看，超級(jí)應(yīng)用把入口卡的嚴(yán)絲合縫。你基于 AI 新做個(gè)助手，解決什么新問題，單純聚合別人的內(nèi)容，那豆包還能聚合抖音，你憑什么聚合？原有的這些 APP 從 IM 到電商到支付，那個(gè)是 AI 能顛覆的？
所以 ToC 沒戲。
這導(dǎo)致了分裂，大家各自選邊，但其實(shí)選也白選。怎么看也是死路一條。
實(shí)際上不是這樣，核心和視角有關(guān)。把坦克看成能移動(dòng)的大炮，是看不到閃電戰(zhàn)的。
跳到歷史上做類比，就是不管多少朝代、換多少個(gè)宰相，在錢穆先生《歷代政治得失》的框子里，該發(fā)明不了蒸汽機(jī)還是發(fā)明不了（孔子到清末差不多 2400 年，黑暗中世紀(jì)出來到蒸汽機(jī)發(fā)明大概不到 300 年）。
AI Native 應(yīng)用 ( 智能原生應(yīng)用 ) 第一依賴固然是需要模型本身往上跳越一下，更需要一種新的思維方式、新的方法論、新的計(jì)量方式。覺得像做網(wǎng)頁一樣就能整出智能原生應(yīng)用的思路下，估計(jì)就和幾千年也倒騰不出蒸汽機(jī)差不多。
思維本身限定視野，限定視野就會(huì)導(dǎo)致視而不見。
我們還是回到最容易理解的替代人和軟件這個(gè)最容易理解的視角思考智能原生應(yīng)用，看下這個(gè)視角下的新生產(chǎn)力、生產(chǎn)關(guān)系工具。
這種智能原生應(yīng)用有沒有 APP 等不關(guān)鍵，關(guān)鍵的是能否在復(fù)雜環(huán)境中完整覆蓋一個(gè)角色。
角色的邊界和 AI 的智能是能互換的。互換是指如果智能不夠，那角色的邊界就小一點(diǎn)，也能對(duì)付用。
從這個(gè)角度能看到什么呢？
比如 ToB 端，在公司里面是能不能完整替代招聘、運(yùn)維、財(cái)務(wù)、市場(chǎng)等崗位？能不能讓整個(gè)公司進(jìn)入自動(dòng)駕駛狀態(tài)？在行業(yè)里面是通用模型 +Agent/ 垂直模型 +Agent 能不能頂替律師 / 醫(yī)生 / 制藥科學(xué)家等等？
比如 ToC 端，能不能扮演媽媽 / 教師 / 戀人 / 有故事線的 NPC（西部世界）？
每一個(gè)應(yīng)用做到深處都是過去不能做的，都是藍(lán)海，現(xiàn)在基本都沒有。
這時(shí)候商業(yè)模式中計(jì)量方式和過去是不一樣的，比如扮演戀人的產(chǎn)品，不適合用互聯(lián)網(wǎng)的 DAU，ARPU 值那類算轉(zhuǎn)化率的后端變現(xiàn)思路。更適合是類比角色的雇傭費(fèi)用，雇傭費(fèi)用應(yīng)該按照角色的服務(wù)價(jià)值來，所以之前文章總說這地兒應(yīng)該換一套計(jì)量方法，比如 Value Per Role。
這類角色價(jià)值內(nèi)涵會(huì)和對(duì)應(yīng)角色的智能密度有關(guān)系。從服務(wù)價(jià)值角度看老師顯然高于單純的像媽媽一樣講故事。
這些角色一成立，原來的各種功能就會(huì)向這些角色中歸并，他們因?yàn)橥诘纳睿杂懈蟮恼扯龋鴼w并本身則會(huì)增加這種角色的價(jià)值和使用粘度。
AI 救不了 SaaS
為什么說互聯(lián)網(wǎng)方法論在 AI 上差不多全是錯(cuò)的
AI 大模型沒有商業(yè)模式？
科技界 " 賣拐 "
第三重劫：能不能做出通用機(jī)器人來？
遠(yuǎn)不是能做出上面說的智能原生應(yīng)用就可以做出具身機(jī)器人。
擴(kuò)展到具體硬件和機(jī)械的通用多模態(tài)機(jī)器人其難度恐怕比純粹數(shù)字或者硬件的智能原生應(yīng)用要高十倍不止。
雖然好像有了智能原生應(yīng)用只是套個(gè)殼就變成了具身機(jī)器人，但實(shí)際肯定不是。
最明顯的當(dāng)然是身體（硬件、機(jī)械等）在真實(shí)環(huán)境下面對(duì)的挑戰(zhàn)。不說別的，你戴耳機(jī)在外面跑步，你說話對(duì)面人類都不一定能聽清楚。人聽不清楚可以猜，機(jī)器人怎么面對(duì)真實(shí)環(huán)境的干擾 ，并且在干擾的前提下保證感知精準(zhǔn)。否則不沒法用么？
其次才是算法。
這種機(jī)器人面對(duì)的環(huán)境比智能原生應(yīng)用復(fù)雜，是真正的整個(gè)物理世界 + 數(shù)字世界，但它背后的潛在算力低于云上大模型的。如果 Scaling Law 是對(duì)的。那這好像不可能，至少需要一套新思路和新模型。
這個(gè)劫數(shù)一過，AI 就真成為人類最后的發(fā)明了。
科技哲學(xué)家的各種幻想，只有到這步才能真的成為現(xiàn)實(shí)。
這種機(jī)器人一出，人的體力徹底失去經(jīng)濟(jì)價(jià)值。
之前北大采訪活動(dòng)的時(shí)候，接著侯宏老師說的不應(yīng)該把人和 AI 看成一個(gè)零和博弈，我表達(dá)了另外一種腦洞型觀點(diǎn)：
如果說經(jīng)濟(jì)是要持續(xù)每年提高 5%，那大概有辦法的，但也就到頭了。但如果經(jīng)濟(jì)總量要短期提高 100 倍，那現(xiàn)有方法及失靈了。問題就在于百分之五的增速可能所有資源耗盡也造不出戴森球。這時(shí)候就需要這種強(qiáng)人工智能。
通用機(jī)器人真做出來的話，我們整個(gè)經(jīng)濟(jì)體系可能會(huì)發(fā)生本質(zhì)性變化。比如現(xiàn)在是批量生產(chǎn)，然后零售。而如果有通用機(jī)器人，那差不多所有行業(yè)都可以，按需生產(chǎn)。用戶參與產(chǎn)品設(shè)計(jì)，然后生產(chǎn)制造，然后發(fā)貨。
小結(jié)
這些劫數(shù)每邁過去一個(gè)，就會(huì)出現(xiàn)一個(gè)新的經(jīng)濟(jì)空間，如果拿 OpenAI 的每年 36 億美元做基數(shù)，那邁過去一個(gè)可能就擴(kuò) 10 倍；邁不過倒也不是沒事干，畢竟基于 GPT-4 類似的智能很多事可以嘗試了，但就得縮減角色的邊界。這時(shí)候就得不停的在一個(gè)水平震蕩，很痛苦的。
在這么個(gè)混沌的時(shí)候其實(shí)沒有什么更好辦法來斬開混沌，只能多看案例，同步思考底層邏輯，最后把把底層邏輯思考所得遷移到自己的場(chǎng)景。這就是為什么AI 碰撞局的口號(hào)是：現(xiàn)場(chǎng)問題、底層邏輯，案例和底層邏輯是可以通過其它方式縮短的，最后一步則只能靠自己。
來源：鈦媒體
