影视吐槽人2024年10月12日发布:怎么设计大模型产品，才能真正结合业务，让用户感受到价值？

解这个问题，还要回到ChatGPT本身的含义，人们可能过于注重Chat，而忽略了GPT，也就是「Generative Pre-trained Transformer」生成式预训练变换器这一定义。Generative（生成式）：目标是学习数据的分布，并能生成与训练数据相似的新数据。Pre-trained（预训练）：就是总结一般规律的建模过程，本质上是对规则和方法论的整理。Transformer（变换器）：则能快速准确地理解上下文，并借助自注意力机制生成具备连贯性和可理解性的内容。

总的来看，GPT模型，是以Transformer架构为基础构建的基于神经网络的语言预测模型。它可以分析自然语言，并根据对语言的理解预测出最佳的响应回复。

因此，能理解人类语言，并预测出最佳响应。围绕这一抽象概念去设计工具，就可以让AIGC技术有更好的承载。

那究竟什么样的工具，才更适合大模型落地呢？我们先说什么业务不适合。

凡是不需要信息吸收和传递，只基于想法来完成的生产动作，不太适合和大语言模型结合。如下图：

这类生产动作，从有需求到完成任务，流程极短，且整个流程依赖执行者个人的认知、经验和技巧，期间也不太需要沟通、交流，最后产出实体物或服务体验。典型例子是技工、匠人、服务业。

而需要借助信息理解、传递，完成价值创造的场景，更值得开发对应的AI工具来满足需求。如下图所示：

这样的流程想高效运转，首先是要多人参与，有一套协作流程；其次在协作时，依赖信息的传递和解读；第三就是信息本身，也是一种可交付的产出物。比如内容产业、企业协作流、标准化培训、决策影响，我觉得这些场景会更适合围绕图中圆圈部分上下游开发工具。

二、先入场，再推广

工具再好，也要先让人能用起来。

大语言模型的核心能力，在“生成”，而生成是个动词，为什么生成？生成什么？生成之后怎么办？不解释清楚这3个问题，也是没人愿意用的。

因此，让工具沉浸在实际工作场景内，先完成用户触达和教育，再逐渐扩大范围，才是更合适的一条路。

拿钉钉AI助手举例，本身钉钉就是强绑定企业内部沟通协作场景的，符合我说的第一点：先工具，再AI。甚至没有AI，工具照样可用。

在此基础上，引入模版、插件、提示引导、流程嵌入，让用户潜移默化感受到在AI的辅助下，日常工作效率可以更高，信息的理解、生成效率更高，由于信息不清晰带来的工作失误减少，就会更愿意接受AI功能。

再举个例子，抖音小程序，是抖音生态下一个全新的产品形态。单独的抖音小程序中心，就算引流再多，也很少有人愿意主动打开。

但这不妨碍小程序本身DAU的持续增长。背后的原因，就是它很好地和抖音主场景：视频信息流结合在了一起。视频中提及的信息引发兴趣，想了解更多，用户直接点左下角锚点就可以跳转深入体验，非常顺滑。

沿着这个思路，抖音是不是可以在用户发表评论、创作视频、检索信息、管理个人资料这些场景嵌入AI，让信息的创作和理解效率更高呢？刚巧前两天还看到一篇文章，整理了字节的AI产品布局：Zpedia | 字节生AI半年大考，超级APP工厂如何继续跳动？

其中我更看好本身就有完整业务场景的工具，如剪映、巨量引擎、教育。AI的引入，可以让视频创作更方便、推广动作更容易、教育过程更有效。

因此，如果我是AI大模型公司的产品经理，第一件事要做的，既不是开发一个AI对话机器人，也不是强化AI生成效果。而是先切一个有增长潜力的利基市场，围绕特定人群开发内容生成工具，这个工具可以没有AI参与，也能实现需求，再不断叠加大模型能力，延展应用范围。比如围绕教师、销售职业，沿着基础业务→泛职场需求→沟通协作场景来开发工具，逐渐渗透AIGC能力帮他们更好完成工作，晋升成长。

三、先单点，再泛化

到这里可能你会不服气。按这个逻辑，这些基础大模型公司，是不是都要进到某个具体行业，靠项目定制、企业服务挣钱；或者直接开个教育公司、销售公司，别干大模型了？这不越做越窄了？

尽管实际上确实如此，但观察现有大模型企业的发展，也有另一条突破路线，就是单点突破。

所谓单点突破，指大模型能力，在某个特性上非常超前，如kimi的超长上下文理解能力，就是个非常好的例子。有了这个特性，先让大家眼前一亮，再围绕应用场景展开，告诉用户如何把这个能力应用在日常工作生活中，就会更容易植入用户心智。

当然，这个单点，还可以指某个具体场景，用你的大模型，独一无二，效果巨好。比如生成高清质感图像的Midjourney，开源且能定制各种插件的Stable Diffusion。国内产品比较靠近这个维度的，像是读音频的通义听悟、搜索场景的秘塔、公文写作的新华妙笔、陪伴社交的MiniMax（星野）等等。