本文从经济学视角下的产品概念出发，分析了 GenAI 技术在信息商品经济中产生的影响及其对应的产品市场空间，并以此分析了新的大产品可能的实现路径，进而对 GenAI 时代所面临的产品范式转移问题进行分析推演，结合这两项分析，文章对 GenAI 大产品的载体——「AI-Native 产品」的概念、特点、类别等问题进行了介绍，并最终引出了 AI-Native 产品的一种可能信仰——「产品智能主义」

进击的 GenAI

云服务厂商 Cloudflare 2023年12月发布了名为《From Google to Generative AI: ranking top Internet services in 2023》的报告[1]，报告使用了一种更加综合的方式（并非只考虑流量）来评价全球互联网产品/服务的受欢迎程度，根据该报告，以 OpenAI 为代表的 GenAI 产品在2023年内展现了令人瞩目的进展：

OpenAI 从年初的200名左右提升到了11月的顶峰104
Character.ai 则从1月的500名提升到了200名左右
Poe、Claude 也分别在200-300、300-400的区间站稳了位置

而如果仅根据流量计算，GenAI 产品的整体排名将更加靠前（比如，根据 similarweb 的统计，openai.com 在2023年12月内的用户访问量为15.8亿，全球排名25），剔除媒体和市场因素，GenAI 产品在其出现的第一年，已经事实上成为了全球互联网产品中占据一定位置的新势力

虽然「头部产品增长见顶」、「新场景落地困难」、「商业模式未被验证」等问题依然存在，但我们相信这些都是「术」层面可解的，当 GenAI 将作为先进生产力并代表下一代产品的发展方向 已经形成广泛共识时，更值得认真思考的顶层问题是 GenAI 技术是否、如何、以及何时带我进入继 PC 互联网、移动互联网之后的全新时代

而这也是本文将试图推演和探讨的主题：AI-Native 及其所带来的新的大产品时代

GenAI 、「大产品」与商品经济

我们首先会从信息商品经济视角来厘清3个基本问题，从而方便我们做后续的推演和讨论：

互联网产品存在的基础——产品因何而生，又为何而变
GenAI 带来的变量是什么——GenAI 技术将对产品有何影响
大产品的定义，特点以及路径——如何从 GenAI 技术到好产品

产品是信息商品经济的优化方法

产品（此处专指软件、互联网类产品）是一门显学，其定义早已被众多文章、书籍从多种维度进行过论述，我们无意对以往优秀的产品前辈们的思考提出任何挑战，而是仅从本文后续的推演需要，提供一种来自经济视角的定义，其具体表述为：

产品是对信息商品经济中一个或者多个环节优化方法的具象和延伸

这里定义包含几个关键信息：

信息商品：产品可视为以某类信息为核心价值的商品，比如，搜索产品是以网页信息为核心的商品，社交产品是以人的信息为核心的商品，本地生活是以服务信息为核心的商品
经济环节：信息商品存在生产、分配、消费三个环节，比如，网页创建、输入关键词并匹配、网页按相关性、点击率等指标进行排序展现分别对应搜索产品的信息生产、分配、消费环节
优化方法：信息商品经济中的每个环节都存在变好的可能，当这些「变得更好的方法」被固化下来时就形成了产品，产品功能界面、算法、交互方式都是这些优化方法的具象，比如，当把「输入关键词并匹配网页」这个环节用「根据用户画像+下滑来匹配网页」来优化时，网页信息的分配环节就从搜索演进到了推荐，也就有了对应的新产品

所以，一个成功的产品必然对应着某类信息在经济环节的某种优化方法，而优化方法的来源通常有两类：

将用户需求的精准识别转化为对特定环节的优化，更多发生在技术稳定期，比如，拼多多精准挖掘了每个人都具备的「渴望更实惠」需求，通过拼团砍价优化了实体商品信息的分配环节
将底层技术（含硬件）的变化转化为特定环节的优化，更多发生在技术革新期，比如短视频信息商品是将手机摄像头、4G网络、触摸屏等底层技术变化应用在视频信息生产环节后的产物

虽然没有数据证明，但我们倾向认为一个产品所能兑现的商业价值将等同于其对信息商品经济环节优化产生的价值，所以，对任何环节产生更加本质、更加广泛的优化必然带来更高价值的产品，这会是我们评价 GenAI 产品将带来多大产品想象空间的基础

GenAI 带来新变量

根据上面的分析，GenAI 对信息商品经济的优化方式、程度、范围将决定其价值大小，那么以此出发我们可以继续做如下分析：

GenAI 对信息商品经济不同环节的影响：

生产环节：GenAI 技术对信息商品经济最为本质和深刻的影响将发生在生产环节，这种影响也会传导至分配和消费环节，具体来说：

信息商品的生产效率不再受到生产者的时间和精力束缚，创意和算力将成为信息商品的关键生产要素，信息商品的实时生产、定制化生产成为可能
信息商品的单个生产者能力将史诗级增强，在 GenAI 算法的帮助下，单个生产者可以做到更多的事情，比如文本创作者也可以拥有图像创作的能力
信息商品的生产范围将更加社会化，信息商品生产者和消费者的界限将变得更加模糊，生产者可以从自己的消费需求出发来生产内容，消费者也可以在消费信息的过程中生产出新的信息商品

分配环节：由于 GenAI 对生产环节的影响，信息商品分配环节的价值会减少甚至消失，原因在于生产端将从库存逻辑向订单逻辑变化，从「需要什么，分配什么」向「需要什么，生产什么」进行转变，这一部分在前文《LLM-Native 产品的变与不变》中已经有过相关介绍，这里不做赘述
消费环节：消费环节的变化主要来源于信息商品的生产方式以及生产能力的变化，具体来说：

用户消费的信息商品的类型会由 GenAI 算法的能力决定，媒介即信息，消费者能够消费什么信息商品一定程度上取决于生产端能够生产出什么类型的商品，比如手机设备的媒介特点会决定短视频的内容类型
用户消费信息商品的方式将从 GUI 向 GUI+LUI 进行转变，交互从追求效率到兼具灵活，这是 GenAI 主要由语言输入来发起生产决定的，一种正在发生的趋势是：使用 LUI 的灵活性覆盖 GUI 无法覆盖的场景，而高价值 LUI 则会被沉淀为 GUI，比如，将常用的 prompt 设计为独立 bot 或者一个按钮就是这个过程的产物

GenAI 对信息商品类型的影响：

对已有信息类型的影响，即当前已经存在信息类型中，有多少能够被 GenAI 所生产，而影响程度则可以从3个维度进行评价：

能力维度：即能够生产何种类型的信息商品，其决定了GenAI 可以在哪些信息商品类型中发挥作用，比如，一个三秒的视频镜头是可以被生产的，而一个有故事情节的短视频是暂时无法被生产的
质量维度：即对某种类型的信息商品的生产质量，其决定了 GenAI 在某种信息商品中能够兑现的价值和被兑现的方式，比如，文本生成在加入RAG后达到极强的可控性，那么就可以被设计为实时生成的使用方式，而图片生成的随机性很大，所以只能先作为生产工具类产品
效率维度：即对某种类型的信息商品的生产速度和成本，其决定了 GenAI 在某种信息商品中的商业可行性以及商业模式，比如，当单次生成的成本远大于数据库检索成本时，搜索引擎这一产品形态在商业模式层面是无法被切换到生成引擎的

产生新的信息商品类型，即 GenAI 带来全新的信息商品类型，虽然我们还无法想象具体的新产品会是什么样，但是通过前文的分析，我们也许可以从以下维度来思考可能会有哪些新的信息商品类型出现：

可交互的信息：即一份信息在消费时可以与用户进行交互并根据交互内容产生新的信息，在没有 GenAI 的时代只能通过人工设计交互路径（比如GalGame），而拥有 GenAI 后可交互信息可能会迎来全新可能
信息的模态融合：即不同信息模态在同一个信息商品中是可以同时存在并相互转化的，这来源于不同模态的信息在 GenAI 的技术下是可以不依赖人类进行生产

通过上述分析，我们可以看到 GenAI 作为一种底层技术创新，其对信息商品经济的影响是全面、深刻、以及革命性的，GenAI 不仅会对信息商品经济所有生产环节产生显著优化，并且孕育着创造新的信息商品类型的巨大可能，而这必将带来全新的产品时代与新的伟大产品

从「有一点用」到「无所不能」

这里我们讨论大产品的发展路径以及 GenAI 技术对此路径的影响

什么是大产品：

大产品就是那些对我们的工作、生活、学习乃至社会运行产生重要影响的产品，事实上我们都生活在大产品所提供的服务中

同样，为了下文的分析，我们从信息商品经济的视角对大产品提供一个定义：能够对某类信息商品经济的全流程产生直接影响的产品

其主要特点为：

对应的信息商品价值总量高，比如，同样以人的信息为商品，熟人社交和陌生人社交是两类价值总量不同的信息商品
对应的信息商品具备向其他类型信息商品的延展性，比如，从熟人社交可以自然延伸出熟人间支付，而从支付并不能延伸出熟人社交
对某类信息商品的生产、分配、消费都能产生直接影响，比如，搜索引擎通过排名策略影响网站的设计，通过搜索算法影响网页的分配，通过搜索结果页的设计来影响网页内容的消费形式

大产品如何产生：

一个典型的大产品其发展路径通常是：

从一个信息商品经济某个环节出发，发现一个可以优化的问题——好问题
将这个问题的解决办法具象为一个商业可行的工具——PMF
通过与用户的共创，让产品变得足够好用——好产品
从单一环节优化向该信息商品的其他环节优化进行扩展——大产品

从这个过程来看，当产品从一个「好问题」被播下种子后，其最终成长为何物是不确定的，大产品无法被设计，而是「生长」出来的，产品的前进要更多依赖产品经理的好奇心与用户反馈而非组织目标

《为什么伟大不能被设计》一书中通过「踏脚石模型」阐述了相同的观点[2]

更适合解决不确定问题的「踏脚石模型」

GenAI 的大产品路径：

在上面分析的基础上，我们便可以来讨论 GenAI 时代的大产品了，我们从大产品的发展路径进行逐一分析

好问题阶段：

根据上文对「GenAI 带来的新变量」讨论，我们相信 GenAI 大产品从生产环节上的优化点是：

生产环节，从 GenAI 能够算法化生产的信息商品生产环节进行切入，即生产力工具
消费环节，从 GenAI 技术的可交互性、模态融合、GUI+LUI 等特点，切入信息的终端消费环节，即新的信息商品类型和交互形式

这两类优化方式的关键点为：

生成内容的质量可控性，决定产品形态
生成内容成本，决定产品商业价值
生成内容的推理速度，决定产品使用方式

PMF阶段：

对于 PMF 阶段，GenAI 大产品的显著不同是，由于算法能力成为产品的核心价值，所以除了要进行「Product Market Fit」外，我们需要同等重视「Product Model Fit」，前者决定了产品的商业模式，后者则决定了产品的技术可行性，而「Product Model Fit」的评估维度可能会有：

模型能力的需要达到何种程度
模型的开发和使用成本与产品收益的对比
模型能力如何与用户使用形成优化闭环

好产品阶段：

对于 GenAI 大产品来说，如何通过用户反馈来优化产品将被赋予新的工作任务，即用户使用行为如何成为模型训练数据

事实上，从搜索引擎的 CTR 算法开始，用户行为数据早已被加入算法优化，但 GenAI 作为信息生产环节的巨大变革，其优化过程将跨越信息商品经济的单一环节，也就是说用户的消费环节行为数据将可以直接被用来做信息生产能力的优化，这将会是 GenAI 大产品与传统软件产品的一个显著不同

而更进一步，LLM 的技术已经开始探索通过合成数据来进行模型能力迭代，从而实现模型效果提升的自我循环[3]，那么这又是另一个更大的故事了

Self-Rewarding Language Models

大产品阶段：

最后是大产品阶段，在前文《LLM-Native 产品的变与不变》中提出过「用户规模马尔萨斯陷阱」这一概念，即随着产品功能的延展导致其复杂度变高从而陷入用户增长困境

而 GenAI 产品在 LLM 能力的帮助下，将实现以更简单的产品形态来拓展产品能力，从而让：

好产品向其他信息商品经济环节的延伸覆盖速度更快
单个产品能够承载的用户规模上限更高

至此，我们已经从信息商品经济的视角对 GenAI 技术对产品有哪些维度的影响、如何影响以及新的 GenAI 大产品在发展路径上会有哪些不同进行分析，从对信息商品经济各个环节的优化程度来看，GenAI 必然带来新的大产品时代，而这个新的时代将会来自于「产品范式」的革命，下面我们将讨论 GenAI 技术带来的「产品范式」的转移这一话题

范式转移：从「软件」到「模型」

这一部分我们讨论 GenAI 技术带来的产品范式转移，这会是我们分析 AI-Native 概念的基础

产品的范式

《科学革命的结构》一书[4]提出了「自然科学的范式」这一概念，并论证了「科学的进步来自于对旧范式的怀疑并以此产生的新范式」，这一结论同样适用于产品范畴，即：产品的革命来自于范式的转移

类比于书中对范式的解释，我们这里将「产品的范式」定义为：

产品工作中所赖以运作的理论基础和实践规范
从事产品工作的群体所共同遵从的世界观和行为方式

毫无疑问，伴随着信息技术和信息商品经济的发展，产品工作早已形成自己的「范式」，由于篇幅原因本文不对这些已有「产品范式」的具体内容进行展开，而是会重点讨论由于 GenAI 技术的出现，既有「产品范式」是否会出现转移、以及会发生何种转移

从软件范式到模型范式

「范式」的转移必然对应着新的重要变量，而通过前文的分析，我们已经说明了 GenAI 技术作为对信息商品经济产生本质影响的底层变量将如何改变产品工作，在这里我们可以进一步来分析其对「产品范式」的影响

这里的分析的思路是：如果信息商品经济中原本存在某个不动点，而该不动点又随着 GenAI 技术的出现将发生巨大变化，那么这便会带来新的产品范式

我们认为是这个随 GenAI 技术发生改变的不动点是：信息商品经济中的执行任务主体的形态

具体来说：

在 GenAI 之前，信息商品经济中的所有环节，其执行任务主体形态是软件，即「软件范式」（虽然有搜索、推荐算法的出现，但软件依然作为活动中的核心部分）
在 GenAI 出现后，信息商品经济的执行任务主体将会是模型，信息的生产、分发、以及消费将由 GenAI 模型直接创造或者执行，而软件将成为算法创造或者执行的对象而非活动主体，即「模型范式」

所以，GenAI 技术的出现，将使产品范式经历从「软件范式」向「模型范式」的转移，而这种转移带来具体变化则由「软件」和「模型」的本质区别所决定：

软件是静态的代码数量，产品价值与生产代码数量成正比，靠人力 scale
模型是动态的泛化智慧，产品价值与模型泛化能力成正比，靠数据 scale

更进一步，新的产品范式下一些可能的变化会有：

产品工作的主体是算法而非软件，设计模型就是设计产品
产品工作的目标是提升模型智慧，模型能力决定产品价值
产品工作的方法是获得新的数据，智慧来自有价值的数据

这样底层的范式迁移带来的变化将是剧烈而深刻的，对照《科学革命的结构》中科学革命的演化过程，我们相信产品工作的既有理念、理论、方法在 GenAI 时代都将面临巨大的冲击和挑战，身处其中的工作者则会经历从「发现反常」->「产生怀疑」->「新范式形成」的革命历程

以上，我们在 GenAI 技术对信息商品经济影响的基础上，进一步对 GenAI 如何带来「产品范式」迁移这一问题进行了分析，下面我们将进入对「产品范式」转移的最终产物—— AI-Native 应用进行分析

AI-Native 的再认识

作为 GenAI 时代技术价值兑现的载体，「AI-Native 应用」被赋予了沉重的使命的同时也成为了市场上最火热的概念，但 AI-Native 是什么、其有何特点、如何被衡量这些关键问题却似乎并未成为共识，下面我将对这些问题提供一些观察视角

AI-Native 不是什么

“那么你觉得「AI-Native」的判断标准是什么”，这是笔者在和一些新朋友交流讨论时经常会提到的问题，而从实际的讨论过程来看，这个问题的答案远谈不上共识，那么我们不妨从更容易形成共识的部分——「AI-Native 不是什么」来入手

我们可以通过技术在应用中所发挥的作用这一视角来对市面上的 AI 产品进行分类：

AI-by side：即 AI 技术在产品中是一个可选项，产品核心价值不受 AI 技术影响，比如 PowerPoint 中的 AI copilot 功能并不影响其核心使用流程
AI-Inside：即 AI 技术在产品中是一个核心组件，离开这个组件，产品的核心价值将受到显著影响，比如 Gamma 的 AI 生成能力上线后迅速带来营收增长并成为核心能力
AI-Based：即 AI 技术是产品成立的基础，如果没有相关 AI 技术，就不会有这个产品，比如，Tome 就是完全以 LLM 技术为基础建立的产品

三种主流 AI 产品类型

从名称上就可以看出，我们并不认为上述产品是 AI-Native 的，事实上我们希望提出一种新判断视角，这种视角来自于我们上文对产品范式转移的分析，该判断视角表述为：产品是「软件范式」还是「模型范式」

我们认为只有符合「模型范式」的产品才足够 AI-Native，而在此视角下，结合前文对「模型范式」的分析，我们将 AI-Native 产品定义为：

以提升智慧程度为目标，以可持续迭代算法为核心，以转化可训练数据为手段，并在信息商品经济的一个或多个环节中能够产生优化的某种方法

下面我将分析这种视角下 AI-Native 产品的特点以及判断标准

AI-Native 的特点

「模型范式」下的 AI-Native 产品可能会具备以下特点：

新目标

AI-Native 产品的一个显著特点是其拥有一个全新的目标，我们将其表述为：

AI-Native 产品的目标是不断增强解决某种问题的模型智慧水平

这是「软件范式」下产品工作中所不具备的目标，而这种目标的变化也会对产品各个工作环节产生连带影响

新组织

相比于「软件范式」下组织围绕「如何提高有效代码量」进行运转，AI-Native 产品所对应的组织将基于「如何提升从数据到智慧的转化效率」而建立[5]

新载体

我们在前文中提到过，信息商品经济的发展历程中，「软件形态」向来作为产品的核心甚至唯一载体，而 AI-Native 时代，伴随着软件成为被模型可生成、可调用的角色，产品的载体将转移到算法，而软件形态的产品功能将被赋予新的意义：模型可训练数据的获取渠道和转化器，我们相信这个新意义将成为决定产品成败的关键要素，所以在下文中会有更多分析

以上描述并非思想实验，而是可以在 OpenAI 的组织以及 ChatGPT 等产品中得到印证：

OpenAI/ChatGPT 的目标是不断增强解决 AGI 问题的模型智慧水平[6]
OpenAI 的组织完全按照最大化模型能力提升效率进行设计，比如，据称其并不像绝大数据 AI 公司那样设计一个统一的 AI-infra 团队，而是将训练 infra 归于 compression 团队，inference 部分归于 alignment 团队，这是一个典型从数据向智慧转化效率考虑的非常规组织架构
ChatGPT、Plugin、GPTs 的产品设计中，我们都能清晰的看到其通过软件产品形态来获取新智慧数据的目的[7]

你的产品 AI-Native 吗

下面我们将基于上述分析如何判断一个产品是否 AI-Native，这里提出以下三种评估维度：

产品-算法拟合度

产品-算法拟合度=算法对产品优化贡献/（算法对产品优化贡献+软件对产品优化贡献）

由于一个产品的本质是对信息商品经济的某种优化，将其与上文 AI-Native 产品的目标结合起来，那么 AI-Native 产品所要解决的问题应该且必须能够对应到一个核心算法，核心算法智慧程度对产品优化的贡献占比越大，AI-Native 程度越高，具体来说：

核心算法的目标是待解决问题的另一种表述
核心算法优化=产品优化

可训练数据占比

可训练数据占比=能够被核心算法训练的数据量/业务总数据量

在 AI-Native 时代，产品的业务的数据收集、处理将围绕「可被核心算法训练」目标来设计，拥有更高可训练数据占比的产品的 AI-Native 程度更高，这意味着：

产品能力迭代的思想将从人工主导的「数据飞轮」向模型主导的「智慧飞轮」转变
产品能力迭代的路径从「数据收集-人工分析-产品迭代」模式转为「数据收集-算法优化-产品迭代」

功能 prompt 化率

产品功能 prompt 化率=通过 prompt 实现的功能数量/产品功能总数

对于 GenAI 技术来说，生成模型本身成为了一种计算能力，即「模型算力」，而 prompt（广义层面 prompt，泛指对 GenAI 模型的所有输入）则是调取这种计算能力的方式，所以一个产品中通过 prompt 实现的功能占比将决定：

产品的迭代速度，使用 prompt 调取「模型算力」来更新产品将比软件开发的效率更高
产品能力的优化方式，使用 prompt 来实现产品功能意味着更大范围的「智慧飞轮」效应

本节我们从信息商品经济和范式转移视角对 AI-Native 产品的定义、特点以及衡量方式问题进行了讨论，下面我们将更进一步，对 AI-Native 的产品类型进行分析

你的 AI-Native 是什么

由于 AI-Native 产品是正在快速生长的新物种，我们尚未看到有人对其类型进行划分，这里我们依然从信息商品经济和 AI-Native 产品定义、特点进行分析

AI-Native 分类：不同效率的智慧转化器

我们进行分类维度的选择如下：

产品的经济价值角度，即产品对应问题/场景需要人类智慧的程度，智慧程度越高则产品价值越大，模型能力的成长空间也就越大，这里分为：

高智慧场景
低智慧场景

产品的使用方式角度，即产品的使用频率，使用频率越高则用户与模型的交互次数就越多，从而有更多的业务数据，这里分为：

高频使用
低频使用

产品的「智慧飞轮」角度，即业务数据向可训练数据转化的效率，转化效率越高则业务数据中的人类智慧向模型转化的速度就越快，模型的迭代速度也就越快

高智慧转化率
低智慧转化率

事实上，任何一个 AI-Native 产品都可以被视为上述三个维度组合起来的人类智慧转化器，即：通过产品的方式，以不同的效率将人类智慧向模型进行转化

人类智慧通过不同类别 AI-Native 产品转化到模型

一些例子

下面通过一些典型产品来更加直观的说明上述分类方法：

高智慧场景-高频使用-高智慧转化率

典型产品：Github Copilot

分析：面向代码写作过程这一高智慧场景，用户在高频使用补全功能的同时，会对不满意的生成内容直接进行修改，而修改后的内容则是一份新的可训练数据

高智慧场景-高频使用-低智慧转化率

典型产品：ChatGPT

分析：面向通过对话来完成通用任务的高智慧场景，用户会在单一任务中高频与模型交互，但是用户并无法直接对模型生成内容进行修改，大部分用户也不会对结果主动进行标注，这会大幅降低模型获取用户智慧的效率

高智慧场景-低频使用-低智慧转化率

典型产品：Midjourney

分析：面向绘图这一高智慧场景，但用户并不会针对一张图片的内容与模型高频交互，并且对于每次生成的结果，用户只能为模型提供了一份经过人工筛选的结果标注数据，而非包含更多人类智慧的具体的内容判断描述

低智慧场景-低频使用-低智慧转化率

典型产品：Perplexity

分析：信息检索是一个智慧含量相对更低的场景，用户在同一个信息获取任务中，通常不会与模型多次交互，并且也缺乏对模型结果进行质量判断从而进行反馈标注的能力，这使得产品能够从用户处获取的智慧信息有限

需要强调的是，上述分类方法是从模型即产品的视角进行观察，仅用于评价「模型范式」下产品中核心算法的能力提升空间以及优化效率，并不用于评价产品的经济价值、用户规模、市场空间等，所以：一个「低智慧场景-低频使用-低智慧转化率」的产品并不意味着不是一个好产品，而仅代表其智慧转化效率会更低

经过前文的分析，我们对 AI-Native 有了更加全面和深入的认识，那么下面我们将从更宏观的视角审视 AI-Native 产品

AI-Native 的产品智能主义

任何伟大的事业都需要值得信仰的主义，那么对于 AI-Native 来说，我们应当信仰什么

从算法压缩到产品连续

OneMoreAI 的朋友们一直都是「压缩」理念的坚定布道者，「Compression-Next token prediction」范式已经成为了行业共识，但这毕竟是一个技术范式，无法指导产品，所以我们需要为 AI-Native 产品寻找一个像「压缩」一样简单却本质的基础理念和范式

我们给出的答案是：连续

「连续」是对「压缩」的继承和延续

对「连续」的思考来源于 Ilya 去年8月一次主题为《An Observation on Generalization》的分享[8]

此次分享中，Ilya 从「压缩」视角对无监督学习的有效性进行了阐述，其中一个核心概念为：无监督学习的监督学习（supervised learning of unsupervised learning），他认为无监督学习之所以必然有效，原因在于当我们对两个数据集 X 和 Y 进行压缩时，X 和 Y 可以互相作为对方的有监督数据，即通过找到 X 和 Y 中存在的共同模式来实现更高的压缩比

这是一个非常技术的说法，下面我们给出更偏产品视角的表述：

当我们使用无监督方式来训练能够满足两个不同任务A，B（两份不同数据）的模型时，我们得到的是一个介于A任务和B任务能力之间的模型，所以这个模型不光能够完成 A 任务和 B 任务，也能够完成介于 A 和 B 之间的任务，即在 A、B 任务间实现了某种能力的连续

举例：当我们提供一份中-英翻译任务的数据和一份中文歌词写作任务的数据，通过无监督方式压缩出模型除了能够进行中文到英文的翻译、用中文写歌词外，其也具备实现用英文创作歌词的能力（虽然我们并没有专门提供英文创作歌词的数据），这意味着通过无监督的压缩方式，模型在两个任务所需的不同能力间实现了连续

显然，更高的模型压缩比意味着更连续的产品能力，所以「连续」是模型「压缩」技术能力在产品层面的延伸和具象

「连续」是 AI-Native 产品智慧的衡量标准

我们在前文中已经提到 AI-Native 产品目标的是「解决特定问题的更高智慧」，而「连续」正是这种智慧的衡量标准，具体来说：

复杂指令的遵循能力是模型智慧的直接体现
复杂指令可以被拆解为多个简单指令，即简单任务
复杂指令直接的遵循可视为在多个简单任务间实现「连续」

所以，对于一个产品所面向的问题，我们可以使用模型对该问题下特定复杂指令的遵循来衡量其智慧程度

比如，如果我们有两个模型，为了完成某项任务：

模型 A 只能通过用户给出多步简单任务指令才能完成
模型 B 支持用户在一条指令中描述所有需要执行的操作即可完成

我们会认为模型 B 的智慧程度更高，而通过上文的分析，我们知道模型 B 的能力更加连续

「连续」是 AI-Native 产品工作的路径指导

如果说「压缩比」是 LLM 模型工作的极致追求，那么「连续性」也许该被 AI-Native 的产品工作奉为圭臬

事实上，我们完全可以通过「连续」来建立整套 AI-Native 产品工作框架：

从面向的问题出发，定义出产品所需的模型能力
将产品所需的模型能力按照用户使用方式梳理出不同连续程度，即从简单到复杂的指令
通过对不同连续程度指令的效果评估和优化模型能力的连续性

注：篇幅原因这里不做展开

产品智能主义及其存在基础

在「连续」的分析基础上，我们提出 AI-Native 的「产品智能主义」

产品智能主义是什么

「产品智能主义」的定义：

「产品智能主义」是以GenAI 技术为基础，以 AI-Native 产品为载体，以提升特定信息商品经济中问题的优化智慧为目标的工作方法和思想的总和，是实现更连续智能的产品化路径

以下是对该定义的展开说明：

产品智能主义以 LLM 为代表的 GenAI 技术为基础，没有 GenAI 技术的出现和发展，就没有产品智能主义
产品智能主义的实践载体是 AI-Native 产品，一切工作的开展都将以 AI-Native 产品为落脚点
产品智能主义的目标是通过提升解决特定问题的产品智慧水平成长为连续程度更高的智能

产品智能主义存在的必然性

我们认为「产品智能主义」的出现、存在、和发展有其客观必然性，具体来说：

历史必然性：产品是人的能力延展，即一种媒介，智慧向更好的媒介转化是人类社会发展的永恒趋势，机器、软件都曾作为特定历史阶段中承接人类智慧的媒介外延，如今的媒介主体只是成为了算法
技术必然性：Transformer 为代表的无监督学习是一种极强的非结构化数据模拟器，语言模型则可以将所有任务统一到由自然语言作为输入和输出的单一模型，维特根斯坦曾说过“语言的界限就是我们世界的界限”[9]，所以 LLM 理论上能够实现“凡是能够说的，都能够说清楚”[9]，而如何使用语言本质是一个产品问题而非技术问题
社会必然性：无论是技术还是产品，其发展都无法脱离政治、经济、市场层面的支撑和约束，而产品智能主义必然更容易在这些约束中找到自己的出路

智能道路上的殊途同归

在通往更高智能的道路上，技术和产品绝不是非此即彼的路线问题，而是相互支撑和成就的一体两面

在 AI-Native 的产品智能主义语境下，我们认为技术驱动智能和产品驱动智能是起点不同的殊途同归，具体来说：

技术驱动的路径：

智慧能力突破
新的智慧能力与场景匹配
得到能够解决问题的产品
积累新的数据
新的智慧提升

产品驱动的路径：

场景与已有智慧能力匹配
得到能够解决问题的产品
积累新的数据
新的智慧提升

在上一篇文章的副标题中，我们写道：因为忘记 AGI，所以成为 AGI

这其实带有某种产品经理的“私心”和“偏见”，在大模型元年结束后进行回望，我们则更愿相信：

技术设计智能，产品生长智能，如果说技术智能主义是人类对神性的终极追求，产品智能主义则是生命自己会寻找出路的道法自然

AI-Native 的大产品时代有足够广阔的天空，所以无论是技术驱动还是产品驱动，大家都能顶峰相见

结语

本文的实质是笔者以一个「模型产品经理」的视角对过去一年工作的思考、复盘、和总结，由于篇幅和笔者的能力约束，一些问题在文中未能充分讨论，也必然存在一些不正确的观点，衷心期待与更多朋友进行高质量的思维碰撞，让我们一起「认知开源」

最后，在 AI-Native 产品所代表的新的大产品时代启航之际，一曲《自新大陆》与大家共勉

Reference

https://blog.cloudflare.com/zh-cn/radar-2023-year-in-review-internet-services
https://www.36kr.com/p/1723061551105
https://arxiv.org/abs/2401.10020
https://book.douban.com/subject/35951747/
https://mp.weixin.qq.com/s/499NG03U3jC-S_9K6ek8pA
https://openai.com/blog/planning-for-agi-and-beyond
https://mp.weixin.qq.com/s/WNa7c6mF_1gBoPjWDmtZEw
https://www.youtube.com/watch?v=AKMuA_TVz3A
https://book.douban.com/subject/1005354/

我是朋克又极客的AI算法小姐姐rumor

北航本硕，NLP算法工程师，谷歌开发者专家

欢迎关注我，带你学习带你肝

一起在人工智能时代旋转跳跃眨巴眼

内容中包含的图片若涉及版权问题，请及时与我们联系删除

AI-Native 的大产品时代