AI产品开发要“自下而上”

推荐语

掌握AI产品开发的底层逻辑，从技术到市场的全链路解析。

核心内容：
1. AI产品开发的辅助工具与方法
2. 技术发展叠加过程与AI的时机
3. AI应用层竞争与市场进入策略

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

加直接复制网址扔进去就行，比如我新建的这个「知识库」全是这个演讲视频，它会自动帮你扩展发散各种相关问题。还可以生成一个播客对话节目。

复制网址，然后写提示词（比如我要求是：提取中文字幕，同时解读关键画面的信息，通俗易懂）

它就会根据你的要求，给出视频中的所有翻译好之后的字幕，同时也会按照你的要求，给出你关键信息，非常的细，比如提到的图3，

「关键画面解读： 幻灯片标题 "So What?"，右上方按钮 "THEN"。画面上有三个圆/饼图，包含数字，最右侧有箭头指向问号。上方小圆是 350 / 6，中间饼图是 650 / 400 (绿色)，下方大圆是 10,000 / 3 (绿色)。箭头指向问号～方便你重点关注视频的这个信息。」

3，找一个支持多模态图片解读的，比如我用grok，帮我解读ppt含义……

传图，然后「通俗易懂解读图片信息」即可。

正文来咯～（我提取的是我觉得有价值的和我的理解～）

这个表情包想表达：很多人打着“AI公司”的旗号（披着AI的面具），但实际上他们做的可能只是一家普通公司，核心业务跟AI没太大关系。AI只是个噱头，用来吸引关注或投资。（AI现在很火，很多人想蹭热度，但真正做AI的公司需要核心技术，不是随便贴个AI标签就算数。）

图片展示了一个营销周期，分为六个阶段，每个阶段有对应的“用户驱动”和“技术驱动”策略。

1-Vision（愿景）

Customer-Back：Opinionated（有明确观点的愿景）

Tech-Out：Blank Slate（空白slate，提供灵活的技术基础）

解读：用户驱动是用清晰的愿景吸引客户，技术驱动是提供开放的技术平台。

2-Product（产品）

Customer-Back：Solution（解决方案）

Tech-Out：Tool（工具）

解读：用户驱动是直接给用户解决问题，技术驱动是提供工具让用户自己解决问题。

3-Engineering（工程）

Customer-Back：Data Flywheels（数据飞轮）

Tech-Out：Magnificent Hammers（强大的技术“锤子”）

解读：用户驱动是通过数据循环（用户越多，数据越多，产品越好）来优化，技术驱动是开发强大的技术工具。

4-Marketing（营销）

Customer-Back：Domain-Specific Trust（领域特定的信任）

Tech-Out：Mass-Market Brands（大众市场品牌）

解读：用户驱动是建立特定领域的信任（如医疗AI），技术驱动是打造大众化的品牌。

5-Sales（销售）

Customer-Back：Lingua Franca（通用语言）

Tech-Out：Account Control（账户控制）

解读：用户驱动是用大家都懂的“语言”沟通，技术驱动是控制客户账户（比如通过API或平台）。

6-Support（支持）

Customer-Back：FDE’s（可能是指“全流程体验”）

Tech-Out：Talk to the Bot（与机器人对话）

解读：用户驱动是提供完整的用户体验，技术驱动是用AI机器人提供支持。

这张图提醒AI公司：别被表面数据迷惑，要关注真正重要的指标。

Revenue: Good Vibes, but Beware Vibe Revenue（AI公司不能只看收入数字，还要看收入的质量和可持续性，比如是不是靠真正的产品价值，而不是靠AI热潮的“氛围”。）

Margins: Slope, Not Intercept（利润率可能现在不高，但如果增长趋势好（斜率上升），说明公司在优化成本或提高定价能力，未来有潜力。别只看眼前的利润率数字。）

Data Flywheel: What Metric Does it Move?（数据飞轮（用户越多，数据越多，产品越好，吸引更多用户）是AI公司的核心优势，但要明确它具体影响了哪个指标。）

AI现在是大热门，市场机会多得像磁铁吸铁一样，但竞争也激烈，机会稍纵即逝！别管经济波动这些“噪音”，也别光顾着把技术做完美（吸尘器），最重要的是速度（猎豹）。要像跑车一样全速冲，快速行动、抢占市场，不然机会就被别人抢走了！

这张图的意思是：AI应用正在快速发展，已经从第一波“开荒者”走向第二波“百花齐放”：

第一波（左边）：主要是ChatGPT这样的通用聊天AI，还有一些专业领域的工具（比如法律的Harvey、编程的Cursor）。这些应用打开了AI市场的大门，证明了AI的潜力。

第二波（右边）：更多的AI应用冒出来，覆盖了各种行业和需求，比如医疗、编程、企业服务、内容创作等。种类多得像“超市货架”，还有空间让新玩家加入（“YOUR LOGO HERE”）。

这张图的意思是：AI代理（就像一个智能助理）现在还处于“试验阶段”（左边的架构图），有各种功能（记忆、工具、规划、反思），但还不够成熟，像个“半成品”。要想变成真正的“成熟产品”，得做两件事：

严格测试和协调：把各个功能（记忆、工具、规划等）调好，确保它们配合得像一支乐队（编排），通过大量测试（评估）保证不出错。

整体优化：别光修单个功能，要把整个AI代理从头到尾（端到端）训练和微调，让它整体变得更聪明、更高效。

这张图展示AI怎么一步步改变软件开发：

第一步（人类 + 工具）：以前写代码全靠人自己，工具（比如编辑器）只是个“死物”，干活慢，像用算盘做账。

第二步（人类 + 机器助手）：AI来了，变成你的“助手”。比如你写代码，AI帮你补全、找错，就像有个聪明的小弟帮忙，干活快多了。

第三步（人类 + 机器网络）：AI更厉害了，变成一个“团队”。多个AI一起干活，能自动写代码、测试、优化，你就像个“老板”，只要指挥就行，效率飞起。

核心：AI让软件开发越来越快、越来越自动，人类从“苦力”变成“指挥官”，未来可能会更省力。

这张图的意思是：要想让AI代理（比如一个智能助理）真正好用，得过三关：

得有“记忆”：AI得像老朋友一样，记住你是谁、聊过啥，别每次都像“新认识”一样。

得会“沟通”：AI得能顺畅地和其他工具或AI“聊天”，比如帮你查日历、搜东西，中间不能卡顿。

得“靠谱”：AI得安全，不能泄露你的隐私，用户得放心让它干活。

这张图的意思是：未来AI代理（像智能助理）会到处帮我们干活，人类得学会怎么跟它们相处，具体有三点：

别怕“随机”：AI有时会“随机发挥”（比如生成的内容不一样），你得习惯，别指望它每次都一模一样。

学会“管AI”：以后你得像“老板”一样管一群AI（比如让一个AI写代码、另一个AI查资料），这会变成一种新技能。

利用“意外”：AI的随机性可能会带来惊喜（比如不同的创意），你得学会用这种“意外”帮你解决问题，而不是怕它不稳定。

核心信息：在AI代理主导的经济中，人类需要适应AI的随机性，把管理AI当成一种技能，并且学会利用AI的不确定性来创造价值。

怎么办？  

别指望AI每次都给固定答案，得习惯它的“随机性”。

学会管理这种“随机结果”（就像管理一堆可能选项），比如挑出最好的，或者利用这种随机性（比如生成不同创意）。

过去：用电脑得会打字、会操作（比如用命令行），这是基本的“计算机素养”。

现在/未来：

你得学会“提示”AI（Prompting），就像告诉AI“帮我干这个、干那个”，这就像新的“打字”。

更厉害的是，你得学会管理一群AI（像管理员工一样），让它们一起干活（比如一个AI写代码、一个AI查资料、一个AI做设计），这就像新的“计算机技能”。

这图想说：要想让机器人变得更聪明，光靠真实数据或老式的模拟（Sim 1.x）不够，必须用更厉害的Sim 2.0。Sim 2.0就像给机器人开了个“超级逼真的虚拟训练场”，让它能快速学到很多技能。而且，Sim 2.0越用越厉害，算力增加一点，机器人的聪明程度就能蹭蹭上涨。

创业者的常见误区：“创业别只盯着自己擅长的领域，产品、市场、竞争问题都要全面解决。”

领导力的关键建议：“用高标准要求团队，学会授权，别事事亲力亲为。”

追求影响力的核心：“比起做自己喜欢的事，产生影响力更重要。”

AI 代理的未来愿景：“未来每个公司的数字接口将是 AI 代理，就像当年的网站。”

AI 市场的三大机会：“基础模型高度整合，工具市场风险高，应用 AI 才是最大机会。”

AI 代理的定价创新：“按结果付费，AI 解决问题收费，转人工免费。”

创业公司的优势：“创业公司没旧模式包袱，抓住新商业模式就是机会。”

基础设施的变迁：“从自己搭服务器到云服务，创业的‘知识开销’大大降低。”

帮助老牌公司成功：“做合作伙伴，深入理解客户痛点，用 AI 降低成本、提升竞争力。”

老牌公司的技术适应： “像互联网时代一样，拥抱 AI 的公司将重塑市场，落后的会被淘汰。”

销售的真谛：“别急着推销，先倾听客户，用他们的语言讲你的价值。”

创业者的历史借鉴：“互联网泡沫告诉我们，成功不靠点子新奇，而靠执行到位。”

客户成功的战术：“让一个客户成功，然后复制到十个、一百个，步步为营。”

创业环境的今昔对比：“现在创业少了很多运营琐事，能更专注于打造独特产品。”

OpenAI的Dan Roberts在讨论人工智能（AI）推理能力的进展：

AI处理任务的时长（比如回答问题、解决问题）能力在快速提升，平均每7个月翻一倍。纵轴是任务时长（从1秒到4小时），横轴是模型发布的时间（2018到2026年）。

图上标了不同模型（比如GPT-2到GPT-4）的表现：2018年GPT-2只能处理1秒的任务，到2023年GPT-4能处理1小时的任务。曲线显示这种增长是指数级的，预测到2024年AI能处理2-3小时的任务。

Roberts推算，如果这种速度持续，AI需要16次翻倍（约9年）就能处理像爱因斯坦发现广义相对论那样的超复杂任务（相当于8年思考时间）。

最后有一个Anthropic CPO Mike Krieger的分享《Building AI Products From the Bottom Up》

 「AI是讲故事的工具，核心是情感共鸣」

Mike认为，AI就像画家的画笔，是帮人讲故事的工具。无论AI生成多少内容（文字、图片、视频），最终吸引人的还是故事本身和背后的情感连接。未来，AI生成内容会成为主流，所以纠结“是不是AI做的”没啥意义，更重要的是内容从哪儿来、怎么来的。

「AI产品开发要“自下而上”，拥抱意外惊喜」

在Instagram时，Mike习惯先定好计划（自上而下），但做AI产品发现行不通。因为AI的能力变化快，最好的产品往往是工程师或研究员在摸索中“玩”出来的。比如，Anthropic的Artifacts功能本来只是个研究原型，后来被团队改造成了正式产品。MCP（一个让AI连接外部工具的协议）也是工程师发现重复工作后自发搞出来的。

「好产品比模型本身更重要」

光有个厉害的AI模型（比如Claude）不够，产品得真正帮人解决问题。Anthropic的产品团队不只是把模型“包装”一下，而是要结合AI的微调和应用场景，做出比直接用API更好的体验。比如，开发工具要让程序员更快干活，消费产品要满足用户实际需求。

「AI代理的未来：自主行动与协作」

Anthropic想让AI从“回答问题”进化成“像员工一样干活”。未来的AI得能连续工作几小时，自己用工具、记东西，甚至和其他AI“搭档”或“雇佣”彼此。比如，AI能自动帮你处理GitHub代码、Zapier流程，还要能和其他AI商量怎么干活。这需要解决AI的记忆、权限管理（啥能说啥不能说）等问题。

「AI写代码的冲击：速度快，但暴露组织低效」

即使在Anthropic这种AI公司，AI用得也不平均。销售团队开始用AI准备会议，但很多人还不会用。Mike自己把AI当“写作助手”，写啥都让Claude帮忙改。年轻人用AI更自然，没心理负担。公开用AI（比如在Slack公开频道用AI写绩效评估）能让大家觉得“用AI很正常”，减少不好意思的感觉。

「AI产品易用性是大难题」

现在的AI产品对新手不友好，得学会“正确用法”才能出好效果，不像Instagram一打开就知道咋用（拍照）。Mike很头疼这点，觉得AI的潜力巨大，但普通人用起来门槛高，限制了普及。

「做AI产品别“贴”功能，要“AI原生”」

很多公司做AI产品时，直接在老界面加个AI功能（像贴个补丁），这不行。AI得从产品设计的核心开始融入。比如，别让AI只能“聊天”，得让它能直接操作你的应用功能（比如改数据、发邮件）。否则，AI就是个摆设。

「AI未来：计算力与市场反馈并重」

Mike同意AI发展靠计算力驱动，但怎么分配算力（是做研究、优化模型还是服务客户）是个大问题。他觉得把模型推向市场、听用户反馈很重要，不然产品可能会跑偏。完全不商业化的公司可能在研究上有优势，但会错过市场洞察。

「大多数内容都会是AI生成的，所以区分‘这是AI做的还是不是’我认为将是一个没有意义的问题」（英伟达 CEO也说过类似的话，未来所有会动的东西，都将是自主的。）

Mike Krieger 预测了未来内容生态的普遍状况。他认为 AI 生成内容会变得如此普遍，以至于尝试分辨某件内容是 AI 生成的还是人类创作的，将变得不重要甚至不可能。人们会更关心内容的质量、来源或演变过程，而不是它是否使用了 AI。这句话是说，未来 AI 生成内容将成为常态，区分其来源（人或 AI）将不再是关键问题。