嘉賓 | 肖然
采訪 & 撰稿 | 云昭
出品 | 51CTO技術棧（微信號：blog51cto）
新年伊始，AI大佬們頻繁被問及一個話題：“什么時候有殺手級AI應用”。幾個月過去，諸如AI Pin、Rabbit R1、Devin等AI產品一閃而過，真正令人“啊哈”的AI應用遲遲未現。
“大模型時代的Killer App，并不會某天突然出現。”Thoughtworks中國區總經理肖然給出了一個出乎意料的判斷。
肖然認為，這一代智能技術產品的開發模式已然與之前不同。因為過去的產品，講究洞察人性與需求，而現在產品的矛盾點已經不再是需求場景怎么定義的問題，而是“確定了一個場景，大致明確要做的方向，不停地實驗，迭代往前走”的“創新實驗”的方法邏輯。
類似于“SpaceX發射Starship火箭的持續實驗”，智能產品的研發創新正在呈現這樣一種路徑：這個產品一開始或許并非那么驚艷，但經歷一輪輪的迭代實驗過程后，最終會發現已經達到了前所未有的高度。
肖然認為，未來ToB領域，玩法的變化將是顛覆性的，隨之而來的將是企業團隊的話語權和主導權也將發生轉移。肖然舉了一個很形象的例子：之前在存量時代，一個項目的復雜程度可以比喻成修一條高速公路，技術已經很成熟，最重要的往往是商務團隊能不能拿到項目。而大模型到來之后，情況就變了，項目就變成了“在空中建一條高速公路”，這時候話語權就又回到了研發核心，誰能夠把這個事情怎么做講清楚，客戶就買誰的。
“打造大模型產品，也是同樣的邏輯。只有工程團隊能講清楚，也許就這一個團隊能做。”
然而，這條路徑也在面臨著如何走向大眾的“Gap”拷問。
1.一款應用出圈的邏輯
“應用出圈的本質在于消費者邏輯，并不受限于技術本身。”
大家看到，一款應用的出圈，往往首先來自于ToC的突破。這并不代表ToC容易ToB難，邏輯就在于哪些場景能夠讓用戶形成新的用戶習慣？從這個邏輯出發的，就不難理解在移動互聯的時代，為什么在生活場景中的ToC端會首先爆發。
當移動互聯的技術搬到衣食住行的日常生活場景后，用戶突然發現這項新技術十分方便，便逐漸就開始接受新的交互方式。而生活和工作場景往往是融合在一起的，大家就會自然地想到將其引入到工作中：“既然我可以用IM和家人保持聯系，那為什么不可以用IM隨時隨地和同事聯系？既然出行的時候，我可以在移動App上做出安排，那企業中的出差、遠程會議的場景中，為什么不可以用移動互聯。”
由此，這個所謂的場景壁壘就被打破了。所以，它本質上是一個“使用者、消費者”的邏輯，它并不受限于技術本身。
回到這一代的生成式AI技術，亦是如此。我們看到ToC、ToB都有非常多的機會，而且某種程度上看，ToB的可能性并不比ToC少。比如，現在我們談論的智能體Agent，它的應用點并不比ToC少，它將會是每一位專業人士的助手。
不同點在于，在B端，企業們表現得比上個時代更為激進。在以前移動時代，企業還會去問什么樣的功能需要搬到智能手機上。但現在的問題變了，企業更關心的問題是，如何才能夠盡快把自己的服務或決策點搬到AI平臺。
然而目前存在的難點在于，雖然大模型技術非常有創造性，但用戶卻還沒有養成使用習慣，也沒有掌握更能釋放這種創造性的高階用法。
比如，已有的、很多年形成的“移動互聯+平臺化”的ToB體系，在生成式AI植入后，無疑將面臨著巨大乃至顛覆式的習慣變化。
肖然認為，消費者形成新的AI使用習慣尚需要一個過程。除此之外，習慣的養成，也有賴于技術的持續提升。
可以預見，未來C端場景下大家會逐漸習慣使用自然語言跟AI交互，習慣讓AI幫自己規劃出行、下單訂快餐，包括未來的自動駕駛等等。當人們習慣這些之后，就會自然應用到工作中。
2.此“應用”非彼“應用”
回到大模型，整個行業應用正處于怎樣的狀態？肖然將這個問題拆分到三個層面：模型算力層、中間層、應用層。
其中，模型算力層是投資和技術圈內比較關注的一層。國內目前通過工信部備案已經超過20家，ToC方向的Kimi、ToB方向的則有華為、阿里、騰訊、百度等。
然而，大家今年的關注點逐漸過渡到了中間層，即大模型管理層。肖然解釋道，人們越來越關注框架層面如何有效應用，諸如MOE（混合專家模型），當提交一個任務時，這些“專家”如何合作，如何融合等。
應用層方面，肖然認為，未來AI的應用在概念上已經變得完全不同，“如同iPhone發布前后，之前的Application跟現在大家熟悉的App是兩個概念。”
“如大家所見，企業們都很激進。因為整個社會層面都意識到，這個技術具有很強的普適性和顛覆性。”ChatGPT爆火以后，提示工程、RAG、Copliot、Agent、Multi-agent，包括未來的自動駕駛，都將會是新的應用。
既然“應用”這個概念已經發生了變化，那么接下來構建應用或產品的開發方式也將發生本質的變化。
肖然認為有一點很明確，那就是，智能化產品的研發正在慢慢轉向類似于“SpaceX持續發射Starship做實驗”的“實驗創新”的方式。
“過去，在軟件領域，我們經常提要敏捷。下一個里程碑是什么？它正在醞釀中，從SpaceX的身上可以看到一些影子。相信越來越多的智能體加入之后，我們會發現新的模式。”
以智能體為例，它不再是原來開發一個安卓/iOS版本的App邏輯，而是在某種意義變成了對某個專業知識領域的拆解，比如有效提示語怎樣設計，怎樣做知識提取、如何調優迭代等等。
與開發App的打法不同，智能技術產品打造更多是專家驅動的數據工程和知識工程，需要研發團隊通過逐步地實驗將專業人所具備的隱式知識挖掘成一個顯式知識，進而以諸如Multi-agent等方式完成工作。
此外，產品“迭代”的范圍也發生了變化。在互聯網時代，客戶會給產品反饋，產品根據反饋數據進行版本迭代。“現在，迭代不只存在于客戶反饋的問題，而是整個智能體的開發過程，本身它就是迭代的。”
這種新的開發方式在以日為單位的高速科技發展的當下尤為重要。未來的生產制造、產品、功能、服務的開發都將在此改變之列。
3.大模型究竟該用來做什么？
大模型也不是萬能的，也存在自身的問題。“AI2.0時代，并不代表我們把1.0時代的成功技術全拋棄了。”
在肖然看來，“過熱”的大模型確實需要回歸自然。比如，大家已經在用的人臉識別、模式識別，這些是不需要大模型來做的。因此，今天的多模態大模型，需要考慮結合應用場景的技術融合問題。
那么，大模型到底該用來做哪些？大模型具備創造性，它能夠做基本的規劃，這些能力是上一代技術所不具備的，并且這些能力仍在持續增強。“問題就在于，我們可以利用現在新提供的能力做什么？”
因此，不妨回到三層去看。模型層，規模法則依舊有效，OpenAI依舊在投入，甚至將這條路線視為通向AGI的合理路線。因為大家都在繼續投入，所以可以判斷：模型會越來越準確，輸出的內容也會越來越有見地。當然，這里需要考慮其成本因素。
中間的管理層，肖然分享了行業里一個有意思的現象：全球很多做大模型應用的企業，慢慢就會發現這個應用做下來就變成了兩個工程，一個是數據工程，一個是知識工程。
“大家都意識到了兩個工程的重要性，這是個好現象。因為通過這兩個工程，中間層的支持力量增強，上面的應用層會更有施展空間。”
應用層方面，我們關注到一些先進的模式創新正在發生，進而可以幫助我們以較低成本的模型和算力去完成高級模型才能達到的精度或能力。
比如，有一些研究開始發現某些場景，用GPT3.5的效果比GPT4效果更好。這就說明在應用層面，我們不必使用一個最強的模型，就可以達到最優的效果。這就說明，在前側應用階段，更多的創新模式在被大家識別挖掘出來。
用同一個邏輯去學習適配不同的行業場景，這就是模式創新。這是個好事情，回想移動互聯時代，創業者之所以能做到行業Top，很大程度上都是做對了模式創新。
所以同樣的道理，“把這些模式搬到自己的場景中，可能會產生意想不到的好效果。”在應用層，模式創新是一個很正確的方向。
4.3~5年內將出現行業顛覆者
身處大模型時代的早期，很多企業正在角逐成為大模型基礎設施的提供者,所以我們看到目前工程師會更加聚焦在基礎設施領域，偏重技術研發型人才。但接下來，當隨著大模型的熱潮不斷蔓延，各行各業將會直面“智能技術應用型人才”帶來的壓力。
“智能技術應用，將很快成為一個熱點話題。未來3~5年，可以預見會有身懷著新的生產技能的玩家殺入職場，成為行業/職場的顛覆者。”
所以，不管是在工程側、業務側還是通用型崗位，都要做好兩點準備：一方面需要我們積極去使用新興的智能技術，不被時代淘汰；另一方面，大家要相信這其中也會創造出很多新機會，積極關注新興的崗位。
“新的生產工具和專業崗位的人員結合，就會產生新質生產力。”相信不久，就會出現很多場景，比如某位外賣小哥會詢問智能體一個跑單規劃，智能體會告訴你“預計跑哪些單子更掙錢”。
寫在最后
之前國內做產品更多希望能“一次封裝”成傻瓜式的產品，畢其功于一役。但肖然認為，目前僅僅封裝大模型并不能解決掉落地應用的難題，因為用戶跟大模型之間還存在著過大的使用Gap。
雖然未來的產品終將是傻瓜式的，但大模型技術就跟實現自動駕駛一樣，都需要我們在很長一段時間內自己先學會使用這個工具，然后這個產品/應用才會浮現出來。
“或許AGI實現的那天，我們再回頭審視‘實驗創新’的做法有些徒勞，但我仍堅信這是一條必經之路。”
