嘉賓丨陳斌、黃聞欣

主持 | 云昭

撰稿丨諾亞

出品 | 51CTO技術棧（微信號：blog51cto）

生成式AI在過去一年內風靡全球。人工智能、大模型、AIGC等一系列概念，也不再局限于技術圈的圈內“自嗨”，而是早早破圈，隨著ChatGPT的爆火進入大眾視野。

近日，橫空出世的Sora，更是被讓大眾相信“AI理解和模擬現實物理世界”的盛況近在眼前。越來越多的人開始意識到，這波技術浪潮極有可能顛覆信息技術的底層架構，將互聯網歷史帶入新的紀元。

縱觀Gartner最新發布的《2024年十大戰略技術趨勢報告》，有且僅有的唯一主題詞是人工智能。

面向未來，Gartner預測，到 2026年超過80%的企業將使用生成式AI的API或模型，或在生產環境中部署支持生成式AI的應用，而在2023年初這一比例不到5%。

可以預見的是，生成式AI的應用落地將創新產業生態模式。在過去的2023年，生成式AI的發展堪稱迅猛，但關于其數據安全、倫理挑戰以及合規性等問題也逐漸暴露出來。

隨著越來越多的創新應用場景和產品形態的不斷涌現，生成式AI又會給世界帶來哪些新的范式變革？圍繞生成式AI的創業難點在哪里？生成式AI會誕生真正引爆全民狂歡的“超級應用”嗎？

51CTO“T前線”欄目特邀兩位重磅嘉賓——NETSTARS首席技術官陳斌、騰訊CSIG技術總監黃聞欣，共同探討以上話題。

以下為直播實錄，經過不改變原意的文本梳理：

1、生成式AI帶來的范式變革有多大的想象空間

T前線：生成式AI技術帶來了新的AI發展范式。無論是在解放個體生產力，還是在重塑產業形態上，其應用前景都十分廣闊。比如，在獲取信息的方式上，相較傳統的搜索引擎，生成式AI有哪些想象空間？

陳斌：傳統的搜索，往往是根據用戶要搜的問題的關鍵詞，提供一堆根本看不完的搜索結果。相較之下，GPT會直接根據你所提問題的精準度，給你更加有目標、更加小范圍的答案。

而且搜索是一次性的，你問一次，換方式再問一次，結果都不一樣。但GPT可以通過持續互動，逐漸去接近問題的核心。所以GPT給你的是更有框架性的知識，而搜索引擎提供的是一些需要你再進一步分析的信息。

想象的空間在于GPT可以驅動你要完成的任務。傳統搜索通常是到給出搜索結果就結束了，而GPT不僅是讓你得到某種結果，其后還可以根據它的知識背景，根據你的規則和你的數據，在一定的場景中做出決策，進而直接驅動更多場景進行智能化工作。這種決策能力跟搜索引擎相比有質的差異。

黃聞欣：現在大家習慣用GPT來做檢索，但檢索其實只是GPT能力中很小的一個部分。我之前接觸了一個概念叫“教育目標分類法”，很多做AI落地研究的專業人士都會用這種方式輔助思考。我現在也經常用這種方式來啟發自己想prompt。

這個概念把我們能做的事情分為記憶、解析、應用、分析、聯系、評估、創造這7個領域，不同領域有其對應的一些提示動詞。舉個例子，比如我們在搜索中說請你描述這個東西是什么樣子的，請辨認此物等等，就更多是聚焦在記憶和解析層面。很多時候大家沒有把生成式AI真正融入到自己的工作和生活中，就是因為除了記憶和解析之外，在其他層面大家往往是沒有想法的。

之前我們做了一個AI應用，想和內部的缺陷管理平臺聯動。那要怎么寫能夠用在缺陷管理中的prompt呢，要怎么做才能盡可能打開想象空間，讓AI更好用呢？我就跟同事說，可以試著套用教育目標分類法里面那些提示動詞進去。比如，寫一個prompt去評估缺陷的質量，寫一個prompt去分析整個缺陷管理系統里的數據。不同動詞組合又可以出來不同的用法，圍繞這些我們可以想出非常多的idea，在這個范圍內就可能出現很多未來GPT能夠延展出來的應用。

2、圍繞大模型應用的開發門檻真的很低嗎？

T前線：隨著人機交互可以通過一個簡單的prompt實現，AI應用的開發門檻似乎正變得越來越低。最近OpenAI推出GPTs，無需代碼，通過自然語言交互就可以創建量身定制的GPTs。但從企業的角度來看，要真正推出AI應用產品又沒有那么簡單。調用GPT的話，需要算力、需要數據、需要人才，需要可持續的商業模式。老師們對此有什么看法？

黃聞欣：首先目前最好用的肯定還是ChatGPT，但OpenAI的這套東西用起來真的不便宜。當你實際去用GPT4的時候，要是只用一個prompt來輸出結果，那么消耗的prompt還算在可控范圍內。但是如果你想用樹型結構的邏輯鏈去追求更好的輸出結果時，那你浪費的Token可能就是十幾倍甚至二十幾倍的量了。

此外，數據問題也很重要。我始終堅信，如果你要訓練出來一個非常好的AI的話，一定要有一個持續產生高質量數據的流程或者產品，這可能在某種程度上也解釋了核心競爭力的問題。但事實上我現在并沒有找到一個很好的、標準化的途徑。我現在的辦法就是盡可能用現有的資源去產出相對高質量的數據，我甚至想讓我的團隊去做標注。我還是相信沒有人工的人工智能是不行的。還是要有人工，這可能決定了你的核心競爭力所在，這確實是很重要的部分。

陳斌：GPT在我看來關鍵的還不是算力。不管是GPU還是其他維持系統運行的資源可能都會找到替代方案，比如GPU也許很快就會被量子計算所取代。更大的問題在于現在硅谷好多公司，包括OpenAI本身在思考的是：如何管制GPT。

GPT是雙面刃，用得好與不好差異很大。就像特別聰明的人走正路和走歧路，結果對人類的影響也會不一樣。所以這一點可能是越往后大家越關心的事，反倒不是說GPT給我們帶來的便利和好處。因為最后如果不能控制住GPT，任由GPT自己向前發展的話，特別是如果產生意識的情況下，對整個人類是很大的威脅。

T前線：圍繞大模型開發AI應用產品時，起步階段我們可能更關注算力成本、數據質量等等，就像黃老師提到的，當我們無法持續產出高質量的數據時，做出來的應用就缺乏核心競爭力，就很容易被別人秒殺。另外需要關注的還有應用之外的東西，就像陳老師聊到的，你的產品是否合不合規、安不安全，這個很有可能成為你這個應用最終是否能真正用起來甚至火起來的關鍵。

3、AI應用會不會被大模型應用商吃掉？

T前線：縱觀國內外科技巨頭，不少都橫跨了云基礎設施與大模型,而且在它們那里模型層與應用層的界限相對模糊。由此來看，那些專注于AI應用層的創業公司或者是獨立軟件開發商（ISV），競爭力在哪里，將來會不會面臨被大模型廠商“吞噬”的風險？

陳斌：不會。通用人工智能之外，還有專用人工智能，即解決特定場景下特定任務的智能。如果說GPT就像剛畢業的大學生，有相當的知識儲備，具有一定的工作能力。但是你要真正安排人到崗位上干活，其實還差那么一點，因為他要知道來了這個公司，這個公司的業務流程是什么，數據規范是什么，人事制度是什么，所處行業有哪些專業知識，這都需要進一步了解。

換言之，從一個通用的人工智能轉化成真正能做事的，可以服務于特定企業或崗位的專屬機器人，中間還需要學習和訓練。這也就是我們通常所說的，解決應用落地的最后一公里，這不是GPT大廠能搞定的。以我們金融行業為例，每個金融機構都有自己的平臺，每個平臺都有自己的數據。某些能力很強的金融機構或許會成為行業里FinBot的主宰者，但是同樣也少不了最后一公里的訓練。 

黃聞欣：就像公有云一樣，云廠商同樣需要很多ISV來觸達行業的最后一公里。再者，有些客戶需要私有化部署，那么在這個場景下必然還有生存空間。

稍微延展一下這個話題，為什么我們認為各行業的原生巨頭會更有競爭力？就像之前提到的，很重要的一點在于他們有持續產生高質量數據的能力。最開始我們想象做AI產品應該要有數據飛輪，但實際這是一道不易跨越的門檻。對創業公司來說，有沒有好的產生優質數據的流程，組織結構和配套建設能不能確保數據產生是持續的，向好的，越來越高質量的，我認為這其實是很重要的評判標準之一。

T前線：打個比方，同樣隸屬于AI繪圖生成領域，Midjourney是小型創業團隊的標桿，深受好評。與此同時，設計界老牌大廠Adobe推出的Firefly效果也不錯。這種情況下，您覺得這兩家哪個會更受市場歡迎？

黃聞欣：設計師大腦里面是有自己的想法的，所謂控制性非常重要。從控制力的部分來說，Adobe明顯更能理解行業的訴求。Midjourney不斷地更新迭代實質也是在解決控制力的問題。

目前來看，如果真的要用來做設計的話，我認為兩者融合去用會更好。對用戶來說，Midjourney也有它的特長，它生成的東西在精細程度方面細節是更好的。從設計的角度來看，可能設計師會愿意用Midjourney去生成草圖、背景圖、元素圖，然后用Adobe再去做修正或加工。整體來說，一個公司在行業上沉淀得更多，更了解用戶要的是什么，其生命力也就更強。

4、哪類人會是爆款AI原生應用的創造者？

陳斌：傳統研發一般分兩個階段，一是根據需求做整體的系統設計，考慮這個系統要采取什么樣的架構；二是基于前者的設計，考慮如何用代碼實現這個邏輯。在GPT的技術輔助下，第二階段的工作有很大一部分可以由GPT幫忙生成，實質上解決了很多寫代碼的工作負荷。

在這一前提下，我現在更需要的是理解業務邏輯、理解架構、能做系統設計的人。而對于寫代碼的人，反而要求不會很高，只要有判斷力，能判定GPT給定的代碼靠譜與否、能不能用就可以了。

其實從過程描述里，你也可以看出什么人能做好 GPT應用。這類人不僅能夠很好地理解用戶的現實需求，同時又能把這個需求很好地表述成GPT可以生成的應用，近似于產品經理和架構師這兩者的結合。

理想的情況是：一個很牛的架構師，很容易理解需求，既能把握行業，又能夠跟GPT聊好天，能夠把適當的約束加上去，把大問題變成小問題，小問題再拆成很明確的邏輯，讓GPT生成代碼。由這樣一個架構師帶著約兩到三個研發人員，就可以解決大多數問題。  

黃聞欣：任何產品的成功必須了解用戶痛點，在AI時代也不例外。觀察市面上的很多AI應用，看著酷炫，但實際上用戶不敢用、也不好用。所以做AI應用，不僅要了解用戶的痛點，還要真實地解決用戶的痛點。

目前我們正在做AI應用開發，我常跟我們的產品經理說也許我們要能布道。因為AI對于現在很多人來說還是停留在搜索功能，并沒有突破這個界限。實際上，它的能力遠遠不止于此，通過布道的方式去幫助大家突破認知。

此外還有一點值得反思。那就是AI取代人類也許是某種偏見，那么我們就需要打造出有溫度的AI產品來打破這種抵觸反抗心理。你不能太囿于程序員思維，要理解到人性，要理解國家的合規要求，要理解人與人之間的關系。你要做的不是冷冰冰的產品，而是要以正確的方式讓AI更好地融入我們的工作生活，讓大家更好地去接納AI，我覺得這也是作為一個做AI應用的人需要去考慮的事情。

5、火爆一時的AI產品何時會出現微信時刻？

T前線：過去一年其實出現了不少驚艷一時的AI應用，但都還算不上是大模型時代的超級應用。我們距離這樣的超級應用還有多遠？如果說ChatGPT讓AI迎來iPhone時刻，那么何種力量會讓AI超級應用出現“微信”時刻？

黃聞欣：其實在我心目中ChatGPT已經是超級應用了。無論是它的用戶量、它的使用場景，包括它現在推出的GPTs，其實都有超級應用的初始形態，即所謂SuperApp的樣子。事實上你可以看到其整體增量是很夸張很恐怖的。雖然說現在prompt安全性有點問題，但是也不妨礙大家對它的熱情。

而像Midjourney這樣的產品，它最多是帶給你一時的新奇和刺激。即使你把它看做是娛樂工具，你也不可能一天到晚沉浸其中，過段時間也就疲了。最終你可能還是要用ChatGPT類的工具回歸到自己的工作和生活里面。

陳斌：看你怎么定義超級應用。如果像中國的微信或者美國的Facebook，大家每天高頻度使用，那GPT其實一出來就有了替代谷歌等搜索引擎的趨向。

我覺得AI時代不會出現像微信或者Facebook、Whats app這種超級應用，而是會融合到很多智能實體或者智能機器人中去，天上飛的、地上跑的、生產線上的、幫你做家務的、幫你寫代碼的……到后來，你會覺得GPT無所不在。從單純的互聯網產品的角度看，我也同意黃老師的說法，ChatGPT本身就是個超級應用，沒有哪個應用比它抓取用戶的速度來得更快的了。   

黃聞欣：就像陳老師說的，AI在不同領域更多的是起到賦能的作用。事實上，我們現在能做的很多場景，針對用戶痛點的場景早已經做了。只是生成式AI發展以后，我們在考慮能不能用AI去重塑重構流程、進而提升效率？嚴格來說，這其實是用一種新的方式去取代原來的應用的方式。AI讓我們能更快速地產生我們自己構思設計的，用于解決自己或他人問題的應用的能力。

比如一個HR，他每天處理報表都很辛苦。之前因為他不會寫代碼，所以他只能用文本告訴你step1用什么函數，step2用什么函數，step3用什么函數。現在他可以用ChatGPT通過JS或者VBScript，自動生成功能類似的腳本，甚至可以share這個腳本給別人。從這個角度看，這個HR也有了做自己應用的能力。但你說它會不會是爆款呢？它用了GPT，GPT本身是一個高頻爆款，但是它解決了更細粒度、更個性化的痛點，并且是個人去解決的。這反而是AI時代更讓人興奮的東西，但它不是一個很商業化的構思。

6、寫在最后

經過一年多的狂飆突進，邁入2024年，我們依舊對生成式AI抱著極大的期待和好奇心。

或許我們一時很難看到傳統意義上的“超級應用”，但是人工智能必將被更廣泛地整合到各行業領域和生產環節。這一趨勢讓AI不僅作為工具，更是作為一種變革的力量重塑我們在數字和創意領域的存在方式。

與此同時，生成式AI在安全性、合規性、版權、倫理方面的復雜性也將進一步暴露無遺，如何尋求平衡的支點在其發展道路上也是長久的議題。

如果覺得本文對你有所啟發，或者對于生成式AI的落地應用有自己的見解，歡迎分享在評論區！