穿透8个AI案例，可以看到什么？

文 | 李智勇

AI碰撞局到现在为止一共做了9期，里面覆盖了8个AI各个方面的案例(SEO做了两次)，具体包括：

从上代AI延伸过来的智能电梯，智能音箱；类似Her的产品（这期偏底层逻辑）；写作AI智能体；基于AIGC的SEO工具；具身机器人；医疗大模型；微软的Copilot（我自己长期研究这产品，不是微软的人分享）。

活动本没有规划，但却误打误撞涵盖了常说的C端，B端，行业；国内、海外；软件、硬件；创业者与巨头等多个方面，比较全面。

又因为AI碰撞局里的分享只占整个活动的一半时间，相比之下现场的碰撞产生的信息量要更大一些，两者叠加后就非常生动鲜活的描述了AI在2024年上半年的部分状态。

这里对这9期活动做个小数据的总结。什么叫小数据呢，其实就是我读记录后做的提炼和总结。

AGI的（Artificial general intelligence）G最关键

贯穿九场AI碰撞局活动，每场大家都会提到的词是：AI不好用。

这种不好用在不同落地领域表现不一样：在出海的SaaS产品上表现为需要大量注入工作流，在内容创作上体现为很多的人工干预，在机器人上体现为对产品定位的约束，在智能音箱则是产品价值逻辑充满矛盾。

这进一步意味着产品定义的时候必须一只眼睛盯技术成熟度，一只眼睛盯市场机会。这本来不稀奇，但和AI的通用智能特征、幻觉结合起来就变得十分麻烦。带宽、计算能力、功耗是可以精确度量的，智能怎么精确度量？何况即使智能够了，它还出现幻觉，幻觉意味着时灵时不灵，这又怎么度量？

所以互联网时代做App的时候基本上技术变量是确定的，只搞定产品这一头就行，但做AI应用的时候，你必须同时考虑两头，用不确定的技术去解决不确定问题。正经的要一头没一头。

这导致很多问题必须放到Level1~Level5的技术脉络下回答，否则大概率不对。

AI产品发散度远大于互联网

互联网产品相似度其实是高的，如果抽取不同App的基础模式，那会发现很多共同点。

AI就不行，发散度极大。

APP，SaaS算是和互联网基本重叠，智能音箱、智能电梯就扩展到智能硬件了，大模型+一体机则进一步像IT早年的情况了。机器人就更综合，真说它的商业模式，租的话有点像硬SaaS，卖的话就和汽车差不多。

落地形态上显然也从单纯上App解脱了出来，当前比较赚钱的产品基本就都是Web产品，以智能音箱为代表的智能硬件在AI大模型的驱动下形成各种变种，这些很像是硬应用，会走卖货的产品模式。机器人、自动驾驶就更夸张些，差不多里面会综合现在所有的技术，估计不比做航天飞机的覆盖面少多少，然后怎么落地并不怎么确定，太贵太复杂。闲聊的时候，大家戏言：真干机器人，哪怕就是跑起来也需要500人。

如果要做脑洞式类比，会发现种种智能落地载体可比人类、黑猩猩所在的灵长目种类多多了。

这会导致一个有趣的现象：大家都觉得自己在做和说AI，但谈的其实不是一个东西。

这种发散度也就意味着分裂，做机器人的根本不会去关注SaaS，甚至也不会去关注自动驾驶。

但如果说大部分AI产品其实是失败的，那这种跨种类的关注反倒是必要的。

• 产业逻辑 VS 风口逻辑

另一个在9期AI碰撞局活动里面反复出现的话题是：

干AI到底是应该九层之台起于垒土，数年如一日的打磨自己产品，练内功还是迅速捕捉出现的机会点快点变现？

前面是产业逻辑后面则是风口逻辑。

最终选择和个人、产品、行业都有关系。

如果干机器人、一体机、医疗大模型等那似乎也没啥能快速捕捉的风口，如果不一直磕那就赚不到钱。

但如果干海外SaaS，那窗口就有时间属性，你第一波去做获客成本就低，晚了获客成本上来后，钱就赚不到了。比如基于AIGC做SEO的产品如果不是早点入局，而是已经有几百个类似产品了，那获客就会挑战比较大。

略尴尬的是，回看近两年，凡是能赚钱的产品基本都是风口逻辑。（英伟达就别算了）

之前文章总结过这几年真正赚钱的产品并提取了三个特征: AIGC主打，小产品，海外市场。小产品天生需要是风口逻辑。

AI碰撞局因为参与的人来自不同背景，产业同学往往提到的是历经六年现金流转正，风口逻辑下提到的则是多少个月ARR做到了多少。

差异极大。

• 改善 VS 颠覆式创新

如果说产业逻辑还是风口逻辑是个实务上的选择，另一个AI碰撞局上揭示出来的问题则更具有前瞻性：

AI到底会不会产生颠覆性机会？

活动上典型的讨论是这样：

AI肯定可以做辅助诊疗，那这时候就必须面对既有业务过程。你产品落地的成本支出其实变成了两部分:一部分来自于技术、产品上解决确定问题的挑战；一部分则变成适配既有工作过程。后者的成本可能比前者还高，所以就落地困难，甚至导致成本上升然后不赚钱。

那是不是在技术足够成熟的时候可以出现一种颠覆性，比如：一个医院就完全没有医生，按照AI优先的原则从0开始建一个医院，规则去适配AI而不是AI去适配规则。

这问题一出立刻认识就让参加活动的同学更加分裂：一种观点认为所有新技术出现往往是从一体化向技术适配开始的，接下来才是各种规则和详细分工，比如PC或者iPhone；一种观点则觉得这现实可能性极低，短期不可能。

这就让AI在国内落地很尴尬。

过去通常用需求定义或者产品定义去抽象不确定问题，找出其中共性，然后用技术手段去解决它。如果还按照这思路，那就只能做一些相对小的产品，关键的利润丰厚的问题已经在过去几十年被用各种技术解决过了。新技术并不支持按原有方式重做一遍。

彻底的从头新建，则技术看起来又不太够。

这个问题在现在这个阶段回答，看来只能是我之前提到过的角色中心式计算和图灵测试2.0的思考框架。这两者现在看最合理也算是被初步验证。

最终如何只能在G（通用智能）的提升过程中进一步验证。

怀念2015年，信息流转需要加速

每当现场碰撞产生分裂的时候，我就会怀念2015年。

那时候周围朋友里有一种平等对话的氛围，虽然也混圈子，但PK的面红耳赤并不罕见。

活动往往也没那么正式，大家找个地儿，一杯咖啡或者一杯水聊个2个小时尽兴而归。

我之所以怀念它是因为一方面它帮我换个视角审视我自己问题，思维破圈；一个也确实帮我认识了好多志趣相投的朋友。

后来不知道为什么，这个氛围就散掉了。很多活动就变成了一个权威讲话的模式，这应该也是需要的，毕竟AI在技术那侧专业性太强。但不能否认AI下面的关键越来越向应用转移，而应用不太可能靠讲话来获得答案。

这应该算是AI碰撞局的另一种意义吧。即考虑AI的专业性所以有人分享，但也还是要构建一种平等对话的氛围。

（活动的模式也可以类比过去的组织模式）

希望它能够促进AI的落地，让这条路稍微好走一点点。

小结

上面有些问题并没有给结论，按考试的思路来看这些问题则会很奇怪，但实际上这也正是AI碰撞局的另一个特色。我们基本认为最多有值得参考的思维框架，结论只有当事人把这些框架和自己的现实问题结合才能做出来，只有当事人能给最终答案。利润的来源是什么呢？很大一部分正是每个人自己的那一部分思考。张一鸣好像说过类似观点：认知是企业的核心竞争力。这个认知正是属于每个人的那一点点思考。从这个角度在商业上给手册性方法的大概率是骗子，建议不要相信。