文 | 李智勇
看了下馬雲的内部信，有點意外的是這隻是關于情緒和态度。
因爲人類本身沒太大變化，所以就情緒和态度而言，在企業起伏的時候，大緻上就總是：
在錯誤處帶來真實，在懷疑處帶來信任，在混亂處帶來和諧，在沮喪處帶來希望。
但 AI 确實不止關于情緒，它有一些與過去迥異的運行規律。馬雲說的：AI 時代剛剛到來，一切才剛開始，我們正當其時。這是對的。
然後呢？
然後我們其實需要認識這些差異，打造新的産品然後才可能創造新的用戶價值，AI 的發展也才能真正閉環。。
從 0 到 1 的相關故事
彼得蒂爾的從 0 到 1 可能是最成功的商業方法論書籍，核心原因正在于這是成功互聯網産品的最關鍵點。
成功的互聯網産品一定是 PMF（Product Market Fit）型産品。
選擇一個領域，吃透一個領域，然後把互聯網技術加進去，變成一個新的産品，驗證後大範圍複制，每個成功互聯網産品都是這麽走過來的。
對産品進行細分的話，差異在于平台化通過兩端開放打開了 PMF 的适配範圍，遠超單點的工具。
這套邏輯做到企業級産品（SaaS）的時候，就徹底折了。
不同的企業用各種方式捍衛自己的不一樣，所以做 SaaS 本質上是 N 個從 0 到 1，但一直沒有從 1 到 100。
這種定制的複雜度超過現有技術架構的吸收能力，不管你是用應用商店，平台，插件還是什麽技術，最終你本質都需要一個一個交付，變成解決方案式擴張。
邊際效能靠人還是靠算力顯然有巨大差異。所以 SaaS 就集體持續虧損，但也還能活着。
這種現實提示我們什麽呢？
爲什麽産品是從 0 到 1 和從 1 到 100 兩個階段呢？
互聯網産品外化的是程序員的智能，可以留一些定制的空間，但這個空間是有限的，最終靈活适配能力的上限也還是程序員設定的。
所以這種産品力必須打對地方，互聯網的産品力和市場突破口如果打偏了就像非給牛喂豬肉一樣，費力不讨好。
從 0 到 1 就解決這個準不準的問題。
而這個問題一解決，後面待解決問題是一樣的，所以就可以純粹複制。
複制的邊際效能基本是算力的邊際效能，也就變成指數增長。
典型的兩段論：趴在地上吃土 + 一飛沖天後吃肉；當然也有一直吃土的可能。
那 AI 還是這樣麽？如果不是爲什麽？
AI 産品的新特質
AI 的核心改變根本不是 AIGC，包括 Sora，而是它的概念識别和自行邏輯判斷能力。這潛在的意味着計算範式的變化。
過去我們的計算模式本質上是現實世界的需求由程序員折射成計算機世界的語言，然後計算機按照程序員的設定進行執行。
AI 下的計算模式不是這樣，程序員這個中間層越來越透明（不是徹底消失），人直接和模型進行交互，然後具體的功能範圍是不定的。模型、策略和價值觀設定這個範圍，不再是程序員設定這個範圍了。
如果用圖形描述，那大概下面這樣：
這種新特質即影響産品形态，也影響相應産品的方法論。
産品形态上，過去用戶總是按照 UI（圖形用戶界面）來完成某個功能。
而 UI（圖形用戶界面）本質是一種歸類，類目的集合就是産品的邊界。即是功能的邊界，也是感知的邊界。
舉個例子，比如過去經常說的 ERP，它充分對企業進行抽象，然後覆蓋了某個範圍。這樣也就形成了一個自己的邊界（企業的适用範圍）和重量。
把這殼套到自己身上的時候，那企業可能承受不了它的重量。外部的變化會挑戰它的設定也會持續産生成本，最終就變成了上 ERP 找死，不上等死。
那假如 ERP 變成了企業的自動駕駛，類似 Autopilot，會發生什麽呢？
這時候反饋 + 智能 + 判斷 > 設定的流程。
因爲寬适配，重量是減輕了，但會不會開到溝裏面則不好說。
比如它檢測到了庫存水平和市場價格後可以發起采購的建議。
這個企業級的 Autopilot 也會自己更新自己，感知現實，并根據價值設定處理程序員沒有預先設置的行爲。
比如某個模塊出現安全漏洞，那會自己在測試環境啓動測試并且發起更新審批。然後更新自己。
基于規則和基于模型的智能程度在這種應用場景下在尺度上拉開巨大差異。
确定性匹配規則，靈活性匹配智能。
智能和靈活最終會帶來寬适配，也就不需要歸類（太多沒法歸類），所以就需要進行基于自然語言的交互。GUI 反倒是變成輔助。和現在正相反。
形态差異的表現是自然語言交互，但差異本質在規則所體現的智能和模型所體現的智能适配範圍有着巨大差異。
這在打磨産品上，會帶來什麽樣的差異呢？
關于計算模式的部分參見：
從 1 到 10，AI 産品的關鍵階段
如果你做的菜是四川菜，也給四川人吃，那就是從 0 到 1 ，從 1 到 100 的兩段論。
但如果你做的四川菜，菜也是自己會微調的，那你搞完菜，在四川測試完（從 0 到 1），估計還得每個省都抽樣測試下（從 1 到 10），然後才能大規模推開（從 10 到 100）。
智能原生應用的這種自己進行适配的特征也決定了這種應用類型所匹配的領域。
如果是簡單的規則就能搞定，并且産生利潤的地兒，其實并不是智能原生應用的最佳落點。它們一定程度上機會資源已經被挖掘殆盡。
這種領域裏智能原生創造的價值和按原有模式運轉産品創造價值沒有太大差異。
這也就意味着智能原生應用就必然要解決複雜場景，解決規則所不能到達地方的問題。（一定程度上現在偶爾會火的所謂 AI APP 在起點上就有問題，沒有後勁的，也不可能取得成功）。
而如果智能原生應用要解決複雜場景的問題，那在産品化的時候，必須把智能原生的特征發揮到極緻，變成類生命體。
這就就像那道自己會變的川菜一樣，從 1 到 10 會變成一個非常關鍵的階段。
我們可以舉一個正面的例子，比如做一個招聘的 Agent。
它能夠非常完整的執行從收集需求，到篩選簡曆，再到 Offer 發送，入職的全過程。
開發完成後在某個或某幾個企業裏面運轉良好，按照互聯網的概念，這時候從 0 到 1 是基本完成。
這時候可以産品化進行 PMF 式擴張了麽？
對于 Agent 産品它必然不行，既然招聘需求、需求匹配都是自适應的，那麽适合科技企業了，未必就适合快消品的企業。
而可能導緻不适應的這截正是用智能才能解決，用規則解決不了的部分。（智能原生應用的價值根基）
這部分的調優、确認、打磨如果進行概括，那就是從 1 到 10。
這個環節過去對于互聯網産品不關鍵，但對于智能原生産品（類生命體）很關鍵。
總結來說，互聯網産品是兩段論，而 AI 産品則是三段論。
從 1 到 10 這個階段對智能原生産品非常關鍵，搞不好就意味着智能沒起作用，而一旦退回去變成不停的重複從 0 到 1，那很可能就會走上數字化或者 SaaS 的老路。
産業空間
如果把各種産品放在智能的坐标軸上，那大概是這樣一種分布。
單純的工具，比如壓縮軟件或者安全軟件，那是一個固定形狀的球。我就幹這個活，别的别找我。按過去的說法，好的工具可以支撐 10 億美金企業。（chatGPT 很不單純 ...）
平台因爲兩邊開放，就很像一個擠擠可以變形的球，但能變的形狀是确定的。按照之前的說法這是 100 億美金企業的支撐。生态号稱是把上面一堆東西安在一起，但從智能角度看本質并沒變化。
智能原生應用和上面不一樣，自身就是變形蟲，是類生命體。環境需要什麽樣，它自己就往那個方向變，自己也會進化（程序改變自己 VS 版本升級）。
真的智能原生程序不要人擠，自己就可以按需變形。
這種特性帶來一個壞處，智能原生應用雖然也是可大可小，但因爲智能的通用度，就不太可能是單純的工具，所以不會是太小規模的産品。
技術決定了先天可能性，而投入産出決定了現實的可能性。
需要注意的是不能把智能原生應用和工具，包括本質是工具的歌種好玩的 APP 放在一起，這不是一類東西。
總結
如果問大模型到底帶來了什麽？那很多人的印象可能是能幫助寫論文、能生成很拉風的圖片、能生成視頻（Sora）。但這世界其實沒幾個人是天天做編輯工作的。如果人工智能的影響局限于，那就不可能帶來超過互聯網的生産力。大模型所帶來的能力裏面最關鍵的其實是概念理解和自行判斷的能力。基于這個能力才能構建真正的智能原生應用，而智能原生應用不單需要從 0 到 1，還需要從 1 到 10。
