文 | AI 鲸選社，作者 | 曉睿，編輯 | 楊曉鶴
2023 年的這時候，很多人都在講，所有的産品都值得用 AI 再做一遍。
前阿裏的 CEO 張勇說：" 面向 AI 時代，所有産品都值得用大模型重新升級。"
百度的 CEO 李彥宏說：" 百度還要做第一個把全部産品重新做一遍的公司，用 AI 原生的思維重構産品。"
不過，這些都是大佬們發表在去年的話。在國内大廠卷了一年後，大模型的概念炒作階段已經過去，随着 AI 升級後的效果顯現，人們對大模型技術逐漸祛魅，大佬們開始思考，AI 的機會到底在哪。
尤其近期有媒體報道，被稱爲 "AI 六小虎 " 的 6 家中國大模型獨角獸（智譜、零一萬物、MiniMax、百川智能、月之暗面、階躍星辰）中，已經有兩家逐步放棄預訓練模型，業務重心轉向 AI 應用，但産品端并沒有見多大動作。
李彥宏也冷靜了下來，他開始思考大模型的能力如何在業務和場景中應用。" 簡單機械地往産品中集成大模型的能力，意義不大，純屬過度焦慮。"回望去年他曾發表過的言論，今年的這句話似乎有些反轉，但停下來思考技術如何服務于業務場景，确實是回到了正确的道路。
的确，這次 AIGC 的浪潮可以應用在非常廣泛的領域，如果 AI 真的如我們想象的那樣無所不能的話，那這些領域可能早就出現現象級的 AI 産品了。
但事實卻是，在現有 AI 能力的支撐下，可能隻有 10% 的産品值得用 AI 再做一遍，其他 90% 的産品加了 AI 後，90% 的人嘗鮮後就會忘記它，還有一部分人甚至會對 AI 産生反感，以及覺得 AI 很雞肋。
90% 的 AI 功能都很雞肋
如果我們把 AI 産品分爲兩類，一類是 AI native 的産品，像豆包、通義千問、文心一言這類純 AI 的對話類産品，這類産品如今已有了千萬級用戶量級的産品誕生，但和移動互聯網時代的微信 QQ 10 億 + 的用戶量級還差得很遠，留存率也是一個非常大的問題。
這類産品很受關注，但另一類 AI 産品也同樣值得關注，就是在原有的業務上如何利用 AI 做賦能，讓移動互聯網時代的 APP 能利用 AI 煥發新生。
最近新出的支小寶，就是這類産品的典型代表，它剛出現時讓不少人眼前一亮，用 AI 提升服務的質量的想法也很好。但細究整個操作路徑，改善有限。它本應該幫助人節省時間，提高效率，但支小寶有些能力反而拉長了原來支付寶的使用鏈路。
舉例，如果一個用戶想坐公交，需要刷公交碼，那他可以用手機的 NFC 直接刷碼上車，不需要打開任何 App 就完成了這個操作。即便是沒有 NFC，也可以把交通碼直接放在桌面，一鍵點開，耗費時長不到 2s。但如果我用支小寶坐公交，我需要把 APP 打開，點開對話，再輸入指令 " 我要坐公交 "，等待 2-3s 加載出來，這個過程至少需要 5s 以上。
其次，從支小寶的 AI 能力上來看，大部分功能并未發揮出 AI 的能力，隻要跳出産品定義好的指令模闆提問，支小寶很快就會出現難以識别用戶意圖，回答無意義或瞎答的情況。現在大部分的功能看起來是通過産品側，定義某個問題的回答模闆，然後調用之前支付寶已支持的接口。
拿【查下我的社保】來舉例，其實就是把原來支付寶社保小程序那個接口調了過來，然後 app 自動讀取了你支付寶的個人信息，通過你的個人信息決定調哪個城市的小程序，如果是北京就會調【京通】，然後你就能在支小寶裏進入這個小程序了。這個和你在支付寶裏搜【社保】顯示的内容沒有任何區别，這裏到底哪裏用到了 AI 能力，好像也沒有用到。
不管怎麽說，支小寶給 AI 服務生活開了個好頭，并且造勢造得很大，這點還是勇氣可嘉的。不像其他的一些我們熟知的 APP，大多都還在内測階段，産品經理們把 AI 助手的入口埋得很深，生怕用戶發現了它們的能力還很弱。
生活領域，頭部電商 APP 也在努力尋找 AI 的落地場景。淘寶在去年九月就上線了智能助手【淘寶問問】，但目前我隻在搜索欄找到了它的入口，目前主打的功能是輔助用戶購物決策，這的确是一個很好的切入點，但目前給的建議很空泛，對用戶幾乎産生不了價值。
例如，我提了一個 " 推薦幾款沖鋒衣 " 的問題，小淘給我推薦了幾個沖鋒衣品牌的特點，想看具體的還得點擊跳轉。後面綴了一個千元以内的沖鋒衣排行榜的卡片，但這并不是我想要的價位。說明 AI 還不能根據用戶的消費習慣特征進行推薦，這一點不如直接在淘寶的頁面搜索關鍵詞再做篩選，還能更直觀地看到詳情圖和價格。
同爲電商領域扛把子的京東也在瘋狂找 AI 購物助手的應用場景，和淘寶問問的定位很像，京東京言 1.0 同樣也在幫用戶做購物決策，它通過和用戶對話的方式推薦商品，同時可以讓 AI 劃重點總結評論。
體驗下來，發現京東京言的多輪對話理解能力較差，我上個問題在說推薦鼠标墊，中間插了一句無關緊要的話，再回去點我想要的鼠标墊款式，再推薦就變成了 T 裇 ?。
同樣讓我覺得對用戶産生不了價值的還有 AI 劃重點功能，基本隻能對好評進行總結，衆所周知，電商的好評大多是被刷出來的，這種被濾鏡過的内容生成 AI 評價，屬于人爲地讓 AI『報喜不報憂』，看了之後對用戶沒有任何意義。
無獨有偶，用 AI 對評價進行總結的能力在餓了麽也曾上線過，但是目前這個 APP 的 AI 入口都難以尋覓，據說之前上線過又很快下線了，原因可能是産品經理們也發現了，這一功能不僅礙眼，還對用戶産生不了價值，并且還要浪費調用大模型的費用。
未來，或許這一功能可以叠代成讓 AI 能識别真實的評價和刷單的評價，并對用戶評價做出更加客觀的總結和統計分析，差評好評都用更加多維和量化的方式展現出來，還能追溯到原評價的内容，做個完全公正的第三方 AI，但這樣一來，亮出差評又有可能會傷害商家的利益，這确實是一個很難權衡的問題。
再說說國内 Top1 的旅遊類産品，在首頁懸浮球上線了一個 " 攜程問道 "，它能幫助用戶做旅行規劃，也能推薦一些景點，但說實話，攜程問道生成的幹巴巴文字，并且你不知道它基于什麽維度推薦。
所以，我更愛看小紅書的真實用戶給出的圖文并茂的内容，或者直接去看攜程的口碑榜和社區版塊 UGC 發布的内容，現在攜程問道給我的感覺是，很像搜索，但又沒有搜索好用。
大廠産品經理，找不到 AI 的使用場景
吐槽了那麽多，我并不是覺得現有的移動互聯網 app 都不适合做 AI，而是因爲在已有的成熟移動互聯網應用中嵌入 AI 能力，指望 AI 能爲應用帶來指數級的增長，這對目前的大模型能力來說，還有很長的路要走。
核心是很多産品是爲了跟上 AI 的潮流而做 AI，而不是真的在解決用戶的痛點問題。
一個好的産品，首先應該解決用戶的痛點，我們現在處在 AI 風口的時代，同時也是移動互聯網的末期，這個時代有個特點，用戶的痛點基本上都被挖掘完了，每當你發現一個用戶可能存在的某個痛點時，你就會發現市面上早就有對應的産品在做這件事了，很難挖掘到某個用戶沒被解決的需求。所以，通過挖掘用戶痛點，寄希望用 AI 來滿足用戶未被滿足的需求，就成爲一件非常困難的事情。
不可否認，的确有一些 AI native 産品找到了用戶的痛點，并且完成了市場落地。這些産品大多集中在幻覺率容錯程度高的場景。
例如 AI 占蔔，像之前鲸哥在《高學曆年輕人迷上 AI 占蔔》這篇文章裏提到的，月見塔羅這類小衆的 AI 占蔔應用現在都已經落地并且盈利了，其實本質上就是結合用戶的提問和塔羅牌的牌面檢索知識庫，并生成答案的過程，真人塔羅占蔔得到的答案本身就模棱兩可，所以即便是 AI 說錯了答案，用戶的感知也會非常非常低。
例如虛拟女友，也是 AI 應用中最早落地的，這是因爲在聊天的場景中，用戶允許不完美的回應，在聊天的過程中往往更注重情感上的陪伴和互動，而不是追求絕對正确的答案，因此會對虛拟女友的一些小錯誤或不完美之處更加包容。
這些産品發現了用戶的痛點—— AI 玄學産品，滿足了用戶對 24h 随時占蔔、價格又便宜的需求；AI 聊天類産品，滿足了下沉市場裏那些有情感陪伴需求的用戶。但這些需求隻是一小部分人群需要的，看起來并不是大衆普遍存在的一些痛點，因此也很難落地成爲現象級的應用。
幻覺率是大模型幾乎永遠無法避免的問題。因爲訓練 AI 的數據集不可能是完美的，存在着知識上的錯誤或某些内容的缺失，遇到未涵蓋的情況時，AI 就會編出一個答案，讓你覺得煞有其事，但仔細考究就會漏洞百出。
生成式 AI 的本質是是對已有的數據和知識進行向量化的歸納，總結出下一個字符出現的概率。就連蘋果也發文質疑——目前最先進的 GPTo1 根本不具備真正的邏輯推理能力，而是基于訓練數據中的模式進行匹配，而非像人類一樣進行符号和邏輯推導。
有人發現，此前測試回答正确的問題，隻要改動一個小數據，答案大概率就會出現偏差。
論文鏈接：https://arxiv.org/abs/2410.05229
在一些嚴肅場景中，我們發現 AI 落地成功的産品寥寥無幾。爲什麽？因爲嚴肅的場景不允許出現錯誤。
比如在銷售服務客戶的場景，設想如果 AI 來替代銷售服務客戶的話，一是很難對客戶的一些情緒做出回應，二是 AI 總是傾向于 " 讨好 " 用戶，如果 AI 給出了一個錯誤的成交價，這個錯誤到底應該歸結于誰？假使企業宣布 AI 說的不算話，那又會導緻越來越多的用戶不願意相信 AI，依然會直接轉接人工客服。
被寄予厚望的 AI 客服，雖然能給業務帶來銷量的提升，但卻使得客戶的滿意度降低了，有用戶評論：" 作爲消費者每次遇到 AI 客服真的就是怒火中燒，人工客服永遠排不上。"
再比如在出行的場景，AI 在某天告訴用戶的預計起飛時間錯了，導緻用戶錯誤地決定退票，這将給業務帶來多大的損失。
還有些場景 AI 可升級，是大家都明眼知道的，但是囿于其他因素，還不敢廣泛應用，因爲會影響核心蛋糕。
比如百度的 AI 搜索，李彥宏聲稱 AI 搜索的結果永遠不放廣告，用戶對百度上線 AI 搜索功能後評價卻褒貶不一，有人說搜索的效率顯著提升，有人則認爲 AI 生成的内容不僅慢還 " 驢頭不對馬嘴 "。
從百度近期的财報上看，目前 AI 搜索不僅對業務營收貢獻甚微，還影響了百度的廣告變現率，對傳統的搜索業務帶來了沖擊。
大廠難做 AI，小公司更難。因爲大模型需要的算力成本太高，小公司無法承擔得起。
如果是一家小型的創業公司，想要讓 LLM 實現在嚴肅場景下的準确回答，就需要提供大量的優質數據集來訓練模型，大量的人工來進行數據标注，那就要面臨着 GPU 算力、部署算法、大模型成本、人力成本相關的問題，這需要非常高昂的成本。
要不要免費開放給用戶使用，又是一個讓産品經理糾結的問題。如果免費，那就意味着用戶量級一旦增加，會面臨着高昂的成本，而目前 AI 産品又沒有找到合适的商業化方式；如果收費，那就意味着産品的競争力會變弱，一些本就需求不旺盛的用戶依然會選擇保持原有的習慣。
AI 如何賦能現有的業務？
爲什麽 AI 從出現到現在，兩年半的時間，還沒有出現一個殺手級的應用？就連有強大算力、有密集人才、願意投入資金做 AI 的大廠，諸如字節、阿裏、京東這類公司也難以讓 AI 成功賦能現有的業務？
一是因爲 AI 的使用門檻太高，它對于提問者的要求很高，而大多數人不會提問。就像 Perplexity AI 的 CEO 在訪談中說的 " 我們最大的障礙不是 Google，而是人們天生不會提問。" 沒有高質量的輸入就不會有高質量的輸出，這就是爲什麽需要有 AI 提示詞工程，因爲在不同水平的提示詞下，大模型的水平差異确實會非常大。
就拿我公司做的智能助手來說，我們後台看到的用戶提問大多是一些口語化的短句，有人甚至連問題都無法描述清楚，指望用幾個模糊不清的詞讓模型去理解，說實話一個碩士畢業的文科生都很難理解他的意圖，大模型在意圖理解能力上更弱了，它經常識别錯誤用戶的意圖，路由錯了，就會出現答非所問的情況。
爲了讓産品更好地落地，一方面需要提升大模型能力，通過不斷地修複 badcase 提升大模型在垂直領域的生成能力。另一方面，需要引導用戶學會提問，比如在文生圖場景下，将一塊隻有提問的白闆變成常用場景下關鍵詞的選擇，這樣一來用戶的使用門檻就會低很多。
二是目前 AI 還處在初期階段，複雜問題的處理還難解決。雖然在 Coze 上的智能體百花齊放，但這可能需要時間落地産業，就像是互聯網的初期個人建站曾掀起大浪，成爲大廠卻都需要 10 年以上的時間。
現在有一個閱讀類的智能體，主要功能是用戶提供書名，它提供書籍的核心内容和背景資料，使用人數達到了 46 萬。
現在市場共識，智能體是提升 AI 能力的捷徑，通過 Agent 實現複雜問題的拆解處理。很多大廠産品經理，确實在探索智能體解決目前的問題，當然，智能體的工作流如何發揮最大效果，還需要時間探索。
以上兩種方案是以發展的眼光解決問題，目前 AI 已經落地的業務就兩種：
第一種是 AI+ 寫作 / 圖像，AI 的确可以幫助創作者幾秒生成一篇文章或者一個圖像，一些創作者通過生成百次以上獲得滿意的作品，生成完之後還需要對一些細節問題進行二次加工。
不可否認的是，如果一個會提問的作者用上 AI，在信息搜集、内容整理、文章潤色上的效率會翻倍。這一點的确賦能了無數自媒體創作者，有人成功做出來了百萬粉絲的賬号，有人運用 AI 洗稿一個人批量運營了上百個賬号。
圖像領域借助 AI，很多傳統産品也取得了效果，美圖付費訂閱用戶數超 1081 萬，同比增長 50.1%，付費滲透率約爲 4.2%。美圖負責人吳欣鴻表示：" 目前美圖産品的 AI 含量已經達到 87% 以上。" 雖然開創性 AI 技術少，但美圖确實利用開源嘗到了 AI 紅利。
第二種就是 AI+ChatBot，除了我們熟知的豆包、文心一言、通義千問這類産品，AI 情感陪伴類産品也出現了大規模的增長，一些産品如星野、叨叨、Character AI 等一些含有擦邊的虛拟女友類産品已完成了商業落地。
在一些嚴肅場景下，也有一些面向 C 端用戶的 AI 産品，隻是目前還不成熟。例如 Chat Law 能提供基礎的法律咨詢，完成簡單的法律專業文書寫作，醫聯能給人們線上問診，多鄰國的教育大模型能提供語言陪練、學習内容規劃等，螞蟻的螞小财，能提供最新的财報資訊解讀，還能分析某個基金的走勢。
嚴肅場景下的垂直大模型通過增量預訓練，注入該領域的專業知識，并進行指令微調，再運用 RAG（檢索增強生成）來解決大模型在檢索和生成能力上的不足，它能夠讓大模型從外部知識中快速找到與問題相關的信息，然後将這些信息重新整合到現有的答案中，使答案更加豐富具體、符合要求。
但這些場景下的垂直大模型能力尚且不夠，距離能産品化還有很大的距離，還有很多的 corner case 沒有解決，例如如何拒識領域外的問題，如何避免領域外的問題大模型出現 " 幻覺 " 的情況。
不過我相信，随着技術的叠代，未來大模型的能力會越來越強，成本也會越來越低，最終成爲一個人人都用得起，真正走入人們生活，走入千家萬戶的生産力。這就像是在蒸汽機開始的時代，瓦特 1765 年發明的蒸汽機，但過了近百年後，蒸汽機才真正被廣泛使用，成爲高效又廉價的動力來源。
蔡崇信說："AI 模型訓練就像在教育孩子。" 這句話告訴我們，要對 AI 有足夠的耐心，像培養一個孩子一樣不斷地喂給他成長所需的營養，也許在目前這個階段我們還不能明顯地感知到 AI 對我們的生活帶來的颠覆性改變，但是隻要我們足夠耐心地長期投入，我相信會有一天，AIGC 時代的 " 奇點 " 就會來臨。
