AI的中间时代：壁垒、机会与解题思路|ai|人工智能技术|什么值得买|李开复|算法|解题思路

我们都有光明的未来

AI到底有啥用？

本周科技圈大事是GPT- 4o的发布，朋友圈满屏「amazing」，形容新一代GPT长出了眼睛和耳朵，翻译只用320毫秒，英文和西班牙文无痛交流，至少有五篇科技媒体的标题《科幻电影〈Her〉时代的到来》。

《Her》是一部 2013年的电影，讲述了一个孤独的中年男人爱上一个AI机器人的故事。十年后，人类和机器谈情说爱照进现实，ChatGpt里的「G」是「Generative」，即生成新东西。

最近参加一场科幻小说发布会《莫莉与森克》，也聊到AI话题。这本书讲述了女主人公卷入商业漩涡，靠AI机器人脱险。书里的AI机器人是男性设置，叫森克。这本书的有趣之处是，创作在疫情期间，出版后和AI技术一对照，分不清该叫「科幻小说」还是「非虚构小说」。

新书发布会上，一个读者忽然举起手：刚一直讨论人和AI的伦理问题，法律边界，男女主人公到底是不是爱，我似懂非懂，但我比较关心，现在生活里哪些地方有AI功能了？

一个真问题，现场气氛一下松弛了，话题终被拉回日常的深处。

作家解释说，比如您刚拍照可能用了AI美颜，您今天参加活动的地图导航有 AI设计的最优路线，您如果开新能源车，自动驾驶也是AI功能的展现。

一个公认的事实是：我们已经很难区分生活里哪些是AI参与的，哪些不是。和蒸汽机、电力、半导体和互联网一样，AI已经是通用技术。然而，任何一个通用技术落地到具体场景，是缓慢而渐进的。爱迪生在 1879年发明电灯，直到 1910年，大部分工厂仍然会优先采用蒸汽技术，如果在1900年问一个普通人，你知道「电力」吗？大概率是不知道。

三个加拿大科学家合撰过一本书叫《权力与预测》，总结出像AI这类通用技术被大众真正感知需要经历哪些阶段：

第一阶段叫「点解决方案」，优化现有功能。比如让电力取代蒸汽。

第二阶段叫「应用解决方案」,比如让电力进入工厂，整体提升生产效率；

第三阶段叫「系统解决方案」,电力已经被广泛应用到大部分生产线，改变了生产关系，现代流水线由此诞生，汽车又因为流水线的出现，大规模生产，取代了马车。

这本书认为，当下的AI作为通用技术处于第一阶段和第二阶段之间，也叫「中间时代」，进入第三阶段要等待杀手级应用的出现以及社会系统大规模兼容，两件事互为因果。

李开复前不久接受采访时谈到什么是杀手级应用，即新的技术找到PMF(产品市场匹配），他举例，字节跳动因为足够早预测到用 AI算法推荐短视频，推出抖音，导致其他公司如腾讯这样的巨头都无法复制抖音。

当技术处于第一阶段和第二阶段的中间时代，竞争往往最焦灼，因为这涉及到权力转移，电力系统花了十几年才实现颠覆，它改变了经济，将权力转移到控制电力、电网和使用电做大规模生产的人。

AI现在也处于这种状态，新人抢占市场，老人从头思考业务。最近一段时间市场营销投放最多的是几家大模型创业公司；而有稳定收入的公司也喊出AI： AI+手机，AI+保险、AI+游戏……

套用移动互联网那句名言：所有领域都值得被 AI重构一遍。

数据是门槛

AI的启动门槛是算力、算法和数据。

算法普遍使用神经网络算法；算力是英伟达 GPU占绝对主导。数据是包括文字、图片、音频、视频等一切可被压缩识别的语义物料。

算法和算力投入大，极烧钱，短期很难追赶；大部分公司会从数据设计AI战略，尤其市场上已经跑通垂直场景的公司比如医药、金融、教育，加AI，先做到提高生产力和服务效率。

「值得买科技」也是一家很典型的有垂直数据壁垒的公司，这个公司最有名的产品叫「什么值得买」，一个基于消费的UGC平台，为用户提供消费决策建议。比如你想买一把中式菜刀，平台有不同的参数对比，买一款键盘也会有各种轴体测评。和其他种草平台相比，这里的用户更理性，消费有强目的性。

AI前时代，「什么值得买」就搭建了两个消费数据库：一个是商品库，有近5亿条内容，一个是内容库，有70亿条内容，同时支持业务发展。AI恰好可以激活这些数据。创始人隋国栋说，大概从2015年就开始建设整理数据库了，经过了长期的积累，「大模型技术在不断迭代，但内容存在就是存在了，新生产就是新生产，有没有内容收集能力，是这家公司未来能不能持续在一线的关键。」

前不久我参加了「值得买科技」的战略发布会，去之前有一个比较大的好奇：像「什么值得买」这类年收入稳定在十几亿、月活4000万的腰部互联网公司如何设计自己的AI战略？

他们的探索比大公司更具参考性。

「什么值得买」认为最大的机会点是：消费是一个垂直场景，而市面上通用大模型不能很好地解决垂直领域的问题，比如「什么值得买」的核心价值是帮助用户买得更好，包括好产品、好价格、好体验，以及消费决策链尽量短。

通用大模型更善于处理静态的、结构化的知识，不善于处理动态的、偏经验的消费内容。比如「推荐一款最适合打XX游戏的电脑」， 2023年和 2024年导出的结果是不同的。从这个角度看，一些通用大模型也意识这个欠缺，最近Kimi官方应用商店上线「什么值得买」官方应用，大概出自这个考虑。

也是基于此，「什么值得买」决定自研大模型，垂直场景自研模型有三个优势。

有真实的用户以及业务场景。模型早期建立护城河需要大量用户反馈，从反馈中优化；
有优质的语料。「什么值得买」调取了1.2亿条、约 300 G的消费训练语料，和通用大模型相比，垂直大模型需要更大比例、更大密度的优质消费领域语料配比
更理解行业。「什么值得买」对消费内容的理解力更强，更擅长拆解消费的提问，隋国栋在发布会上解释，他们把模型筛选内容分五个维度：信息密度、创作意图、情绪情感、趋势场景和价格。

在模型架构上，什么值得买搭建了「 2个数据库、 3个引擎、4类应用」，说得通俗点，围着「模型」为品牌方、消费者，提供从内容生产到平台分发的各类提效工具。

「我们不是为了在 ppt上写 1234好看才推出四个概念，而是做出来恰好就是1234。」隋国栋说，「什么值得买」过去为用户提供「买什么」，后来变成「怎么买」，这是因为大环境从消费供给不足到供给过剩，但平台始终希望帮用户「科学买到更好的」。然后随着小红书、抖音出现，消费信息过载，「什么值得买」希望帮消费者「save time」而不是「kill time」，所以AI时代恰好可以把价值锁定在提升消费决策，「即永无止境地提升B端和C端之间的连接效率。」

这个场景下的用户大多不是闲逛逻辑，而是心里有想买的东西，处在「比较」阶段。过去基于关键词搜索，然后一页页翻找产品评论。现有模型生成能力 +交互聊天式产品形态可以精准提供答案。像「什么值得买」推出的一个叫小值的AI购物助手，嵌套在自己的APP里，就是培养用户用AI助手形态解决信息过载问题。

比如我想买一个烧水壶，问小值。小值先给建议，买烧水壶需要考虑几个纬度，然后再给推荐链接；第一次的搜索结果，我不太满意，反馈后，小值提出要它更多信息，比如「价格、使用场景、特殊功能」，「家用场景，一个人使用，好清洗」。最终通过多轮对话，我买到了合适的烧水壶。

小值是一个很典型从垂直场景长出来的AI助手，通过用户不断反馈，调教，它优化为最懂你的购物助手。比如小值，从和我的两轮对话中已经标记出一些关键词「易打理、单人份」。

下次它为我推荐炒菜锅时，就不会优先推荐32厘米口径的。

预测与判断

《麻省理工学院斯隆管理评论》曾做过一个调查：59%的公司都说自己有一个AI战略，有 57%的公司声称已经部署了，只有11%的公司从中获得了实际的商业收益——这11%的公司恰恰都是利用AI介入到了信息的预测环节。

人的决定=预测+判断。生成式模型本质是一场预测能力的进步，预测来自机器，判断来自人，将预测和决策脱钩，决定更加合理。

比如过去农民看天吃饭，引入AI后，可以预测天气、气候、是否适合播这类种子，播多少合适；再比如向银行提交一份贷款申请，银行基于你过往的消费记录，预测是否有偿还能力，审批不审批。

消费场景下，「预测」就是人和货的效率匹配。

电商过去普遍使用「你可能还感兴趣」，基于兴趣+算法做预测，但这种预测往往不够精准，我在抖音买过一个插线板，然后系统总会给我推荐插线板——平台尚无法识别「耐用品」这个概念，而且大平台受限于自己的供给，没办法充分比较。

这也是「什么值得买」这样的的第三方平台的机会：每个电商都是它的甲方，但本质上，它唯一的甲方只有用户。

它的价值是为用户匹配最合适的产品，而后形成消费闭环。所以从B到C这条效率链路，是让用户更快形成花期的决定。那么，要先理解「决定是怎么做的」，然后改善现有「做决定的效率」；再改变「做决定的方式」；最后促成「新决定」。