季逸超Peak 《一个AI创业者的反思、观察和预测》

音频地址

文章由向阳乔木老师整理提炼，敬请阅读

金句提炼（TLDR）

• 在 128MB 的内存和缓慢的 3G ⽹速⾯前，创业者与巨头是平等的；​

• 今天 AI 领域的本地之于云端，就像 15 年前 App 领域的⼿机之于 PC；​

• To C 可以关注 on-device（本地运行）， To B 可以关注 on-premise（私有化部署）；​

• 隐私、合规、成本，以及信创指标都可以作为 leverage（杠杆）。共⽣的数据是 AI 产品的壁垒​

• Openly accessible 的数据不值⼀提， curated 的数据也不再安全；​

• 不属于你，但与你共⽣的数据是真正的壁垒；

• 虽然 in-context learning 就能解决，但 fine-tune 是⼀种共建策略；​

• 企业场景的数据汇聚于协同⼯具，个⼈场景的数据汇聚于终端设备。当前的 Limitations 预⾔着下⼀个 Innovation Trigger​

• 预测 the next big thing 是什么很难，但预测它会解决什么问题却相对简单；​

• 专家对未来的预测有惯性，但眼前的 limiations 是有共性的；​

• 回头看从 Word2Vec 到 LLM，共性的 limitations ⼀直在引导变⾰；​

• 别把解决了最显眼的 limitation 当做⾃⼰唯⼀的护城河！三年内的是经验，剩下的是历史包袱​

• AI 的发展在产品层⾯上创造新的可能性，但技术层⾯上是替换既有的实践；​

• 底层技术有⼀定延续性，但 AI 创业是 80% 的产品⼯程 + 20% 的底层技术；​

• 不仅是技术，⾏业、规模、利益分配都是历史包袱；

• 年轻⼈和新公司的灵活性在任何时候都是优势。监管与合规是可利⽤的竞争维度​

• 只要监管是⼀视同仁的，就没什么好抱怨的；

• 把合规看作⼀种产品和⼯程问题并提早做规划；

• 合规是⼀个动态的问题， moderation（审查） ⼀定要与核⼼解耦；​

• 主导报备、坦诚沟通、积极响应，然后去做别⼈不敢做的事。⼩天才变成技术派是个危险信号​

• 从⼩天才熬成技术派，正在做操盘⼿，快要当⽼司机；

• 创业后⼩天才变成技术派是⼀种 zoomability 的丧失；

• AI 是特别容易让⼈陷进去的领域；

• ⼩天才可能不是主动变成技术派的，⽽是没得选。观察👀Low-hanging Fruits 在迅速耗尽​

• 超过 65% 的场景可归纳为信息检索、汇总、再⽣成；

• 约 20% 的需求是流程⾃动化和决策辅助相关；

• 热度较⼆、三⽉的⾼峰期已经减少了 40%；

• 主流⼚家的⽅案同质化严重，已经进⼊价格战。LLM 没有解决 AI 落地难与复制难的问题​

• LLM 确实加速了落地，可能是因为短期的反向筛选；

• ⽣成式 AI 的随机性限制了落地场景，且优化周期⻓；

• LLM 统⼀了 NLP 的范式，但⽆法统⼀解决⽅案；

• ChatGPT 把⽤户的期望拔到了最⾼。热潮过后⽐的是运营兜底能⼒​

• ⽬前 LLM 的准确度与过往产品化的 AI ⽐是偏低的，惊艳但不可靠；​

• 运营反馈机制的建⽴也是⼀种与客户数据共⽣的途径；

• 现场运营能⼒是 LLM ops 可以发⼒的⼀个⽅向；

• 未来运营能⼒可能以 online learning 的形式融合进 LLM 本身。先⾏者已经陷⼊ Premature Optimization​

• 中⽂基座能⼒尚弱时就已经开始构建应⽤；

• 此刻的许多上层优化会被模型⾃身的进步⽽淘汰；

• 在⼯程中的 “临时⽅案” ⼀般会伴随产品的终身；

• 本次浪潮会在多轮技术创新的刺激下持续较久，新的团队总有后发优势。创业者⽆需过度关注模型本身​

• 各种 benchmark 和 evaluation 是⾮常局限的，与具体业务相差甚远；​

• 在产品规划时默认⾃⼰可以 access 已知最好的模型；

• LLM 是⼀种⾮常标准化的产品，输⼊输出形式决定了其易于被替换；​

• 做好抽象层，建⽴⾃⼰的 baseline，频繁尝试，快速迭代。低代码 LLM 平台⽬前是个伪需求​

季逸超Peak 《一个AI创业者的反思、观察和预测》​