这是我最近涌现出的一个感受，先说几个例证，然后再分享背后的底层产品认知（关于AI-Native的MVP，非常核心的一张图）
1、6月3号的星球推送文章《看了这2篇，明白为什么经纬创投最后重注Minimax了》里，有闫俊杰的这段话：
“ 过程很痛苦，失败了两次。因为我们本来就有很多不确定性，做新东西又增加了不确定性……比如模型训了半个月，发现一些指标离前期估测的越来越远。就像发了一个火箭，本来以为它可以到三万米，但它偏航了。
你就开始想哪个地方错了，把问题解完之后，发现还没有回到一个好的状态，又失败了。但你得到了很多经验，把经验汇聚起来，再来一次。
每一次都是很多钱，更重要的是时间。”
2、6月1号的AI日报里，John Schulman说
“ 从 high-level 角度看，我同意要执行长期的连续任务，确实需要模型具备更高的智能，也会让训练成本更高。但除非我们能超精确地设置实验参数，或者说按照特定的方式设计实……模型可能最终会出现一些阶段性的转变，在智能程度达到一定水平后，开始具备处理连续任务的能力。”
3、5月30号和5月31号的AI日报里， 分别介绍过
Agent驱动狼人杀游戏（http://xhslink.com/a/a7JEH44SEPLW ） ，其作者花费了2个月，改造年初的文字版agent狼人杀，变成像素风的游戏。
以及，GPT-4o“自动生成Figma设计稿”Demo（https://mp.weixin.qq.com/s/4cY0YfM5pxFLYsiqciW0DQ ） 的案例中，作者探索了3个月。他也说道， “ 三个月的旅程非常具有挑战性，因为GPT的结果在早期阶段是不可控的。我花了无数个日日夜夜与之抗争。这段时间我更换了很多数据交互的实现方案，连接了工程中的各个流程节点。 ”
这两个案例的时间周期说明
i，里面有巨量的细节问题，不断在调试。
ii，这就是壁垒，别人没法短期赶上的。
iii，大家今后自己手搓Agent的话，可以预留时间2~3个月。
4、为什么做AI-Native产品，类似做实验呢？
一方面，是基于LLM本身就是概率游戏，生成式AI每次的结果不一定完全可控；
另一方面，是底层产品方法认知的不同。 AI-Native的MVP，核心是下面这个图——
传统机器学习产品模式，是先有数据，训练出相对确定的模型，然后直接变成功能产品。
而真正Native、LLM使能的产品，是先有一个要去模拟的技能know-how，然后根据效果评估是否更趋近于“学会”了，进而会有更明确的、需要积累什么新数据项的认知结论，再去收集数据、训练模型。
5、今天这个内容，看起来是一个点，等未来我把整套AI-Native产品方法论串起来讲时，大家会更加get到其中的巨大意义。
本文，6月11日，首发于星球“AI产品经理大本营”。
【One More Thing】
「黄钊的AI日报·第五季」，已有400位读者加入，可免费试读4篇，扫下图二维码即可（或点击文末的“阅读原文”入口）
注1：星球“AI产品经理大本营”会员，可免费开通，无需重复购买，联系乐乐即可（加v，lelegirl721）
注2：小报童“AI日报”，为星球会员权益的一部分，其他还包括：hanniman原创AI干货、会员微信群等「三大会员权益体系」， 。
30元星球优惠券，更适合产品经理，有效期截止今晚23点，先到先得~
作者：黄钊hanniman，前腾讯PM，前图灵机器人-人才战略官/AI产品经理，12年AI、15年互联网经验；垂直于AI产品经理的第一社群“ ”（7年）和自媒体“hanniman”（10年）；作品有专栏「 」。
热门跟贴