经纬创投张颖在混沌平台的AI演讲-笔记整理

这个思维导图主要记录了张颖在演讲中涉及的对于AI发展的一些判断，以及如何实践的例子和AI创业的建议。内容中也提到了耳熟能详的AI公司，OpenAI、Character.AI、Midjourney、Notion、也提到了国外成功案例，如DoNotPay等。张颖的演讲内容可以提供给大家一些思考，以及对于AI感兴趣的人一些学习的方向。

AI的远与近

• 对AI发展的一些判断
  • 对AI发展的态度，不FOMO，也不JOMO
    • Fear of missing out
    • Joy of missing out
    • 有必要分清楚什么阶段是风口，什么阶段是价值。如果拿移动互联网的黄金十年（2010~2020）来比较，最优秀的公司其实成立于2010年之后的3~4年内，现在AI才刚刚开始。
  • 可能成功的AI公司，都应该打造自身的数据飞轮，从TO C场景突破
    • 因为C端能带来的数据飞轮效应，可能是在AI早期决胜的关键
    • 最头部的AI公司，如OpenAI、Character.AI，都是既做模型又做产品，这与移动互联网非常不同，LBS、4G/5G等移动互联网的基础技术，和上层应用比如淘宝、滴滴还是相对分离的。
      • 这不是偶然现象，是市场发展阶段导致。
  • ChatGPT的创新之处：
    • 用一个聊天界面，直接将大模型触达用户
      • 这是在技术渗透S曲线的早期，需要通过不断提升技术效果，才能够把产品做好，逐渐接近渗透率大幅提升的临界点。在这样的阶段，数据飞轮就变得无比重要。
  • Midjourney成功的地方:
    • 在自己最核心的流程中嵌入了用户反馈，因为每一个用户都必须强制在AI生成的4张图里，选出最符合自己预期的1张，这就是一个巨大的数据飞轮。
      • Moonshot AI创始人杨植麟认为,最好的情况就是模型不断为用户提供服务，然后用户不断为模型生成新的数据。
  • 产品设计上，如何形成反馈闭环非常关键
    • 数据飞轮会不断优化模型能力，这种差距最终会决定能给用户提供多少价值。
  • 有专业壁垒的垂直模型也许是机会所在
    • 前Google创始人Eric Schmidt有一个观点，他认为未来会是多个垂直模型或者多个垂直助理，包括各种高价值、专业化的AI系统。
    • 彭博最近推出了Bloomberg GPT，彭博就是把模型做小，参数量在50B左右，相比于GPT-3的175B小了很多，虽然削弱了通用性，但在金融领域就是更强。
    • 在国内AI与产业融合节奏上，如实体经济、先进制造、智能驾驶等领域，国内的发展有可能会更快，会出一些更创新的模式、应用场景，大概率政策的支持也会非常明显
  • 从全球来看，数据都在变得更稀缺
    • 根据一篇联合研究《Will we run out of data？》，由人类原生的数据，未来可能会越来越稀缺，而高质量的自然语言数据，最快可能在2026年就会被大语言模型耗尽。
    • 怎么能持续获取合法合规、合商业逻辑的数据源，真正的价值会变成可持续性的高质量数据
    • 国内的大模型公司与各行业原始数据源头部公司的合作、绑定，可能会更深、更平等，甚至在某些领域数据源会更强势
    • 大概率会出现不同角度、立场、行业为主的大模型公司，模型+算力+数据+场景，将是成功公司最本质的四个维度。
• AI创业的几点建议
  • AI的学习和应用：用起来、有效迭代大于一切
    • 要学会写提示词，知道如何提问非常关键
  • 形成正确的底层工作逻辑，或者设计正确的AI改变工作生活的流程，按节奏确定目标和复盘。
    • 在自己的人脉圈，去找到最合适的人、公司、产品、服务，让自己（不管懂不懂技术）都能真正意义上迭代认知。
  • 对模型的理解与差距，会决定产品与用户体验，有技术创新基因和能力的小团队，必须拼命奔跑
    • AI浪潮在这个阶段，一定是技术驱动为先和定义产品为重的
  • 不但要能用好市面上的AI工具，更要从AI效率、变革的角度，去组织公司架构
    • 更好地运用AI工具，一定会带来更高效的人均产出，AI时代如果还是落后的组织架构、人才密度，那说明创始人的迭代和对AI的真正理解都没有到位。
  • 对于TO C产品而言，数据飞轮带来的正反馈效应非常重要
    • 这个飞轮需要从第一天的产品设计里面就重视起来，更好的数据才能产生真正的飞轮效应。
      • 不管是Character.AI还是Midjourney，他们的反馈机制设置都非常好。这个反馈会让你的数据飞轮形成正向的循环，不断螺旋上升。
    • 同时要重视产品的记忆性和个性化，这可能是AI时代最大的产品特性之一
  • 创始人需要综合思考技术、市场情况、投资人预期、货币存量
    • 这些因素都需要找到平衡点，并进行一定的前置预判，要能够综合把握自身和公司全面成长的速度，以及对各种风险都要有前瞻意识。
  • AI创业一定要把握好融资节奏
    • 1、在今天的大环境下，资金变得更加珍贵
    • 2、从发展方向上来说，目前还比较混沌
      • 从时间线来看，ChatGPT出现后国内也迅速跟进，大厂、科研院所、创业公司等等各方势力都很快推出自己的大模型，大家的目标都是要做中国版的OpenAI。而后来开源模型的发展，以及OpenAI开放API接口改变了很多，开源导致对自有大模型的拥有成本降低，开放接口使得在大模型之外，不少中间层、应用层的创业机会凸显。
• 一面是大家都在谈论AI，另一面是真正用过AI产品的人不多
• 大模型产品的两个方向
  • 个性化：给它装上“记忆”
    • 如估值10亿美金的Character AI，和估值3.5亿美金的Rewind
      • 记忆功能是Character.AI一个很强的特点，ChatGPT在你下一次跟它开启聊天时，是不记得上一次你们聊了什么，但Character.AI记得。可以在上面创建和训练自己的个性化人工智能，也可以选择已有的公共虚拟角色，比如埃隆·马斯克、苏格拉底等等
  • 场景化：给它装上“手”和“眼睛”
    • OpenAI新推出的一个应用商店：OpenAI Plugin-上面几百个插件涵盖了衣食住行、社交、工作学习等各种日常所需场景
    • 专业化、垂直模型的先行场景：DoNotPay和法律应用
      • 美国有一家叫DoNotPay的热门公司，它主要提供针对“小官司”的AI法律服务。
      • 国内某食品消费类被投公司在法务环节用到了AI，确认某种营销话术能不能对外说
  • 离不开大模型成本结构的下降，训练+推理成本都在迅速降低
• 对AI的一些定义
  • 当下市场AI呈现的最初形态
    • 混沌
  • 变革性风口，AI产业链的一个经典划分
    • 基础设施层
    • 模型层
    • 中间层
    • 应用层
• AI TO B场景例子
  • 电商场景中营销物料的生成，质量上不会显著低于人工，但成本会降低1~2个数量级
  • 消费品行业，AI可以自动化生成多个专业级产品概念，供客户在产品研发初期选择使用，启发早期灵感
  • 在人力资源领域，AI可以高效地根据HR的需求，自动化筛选某个岗位的所有简历，大大提升HR的工作效率
  • 在编程领域，如今GitHub上有41%的代码是AI生成的，这个过程仅用了6个月……
• 畅想十年后
  • AI很有可能会消失于无形，渗透进我们工作、生活的各个角落，并改变世界，所有公司也都会变成AI公司。