華爾街見聞·見智研究特邀瀾碼科技創(chuàng)始人&CEO【周健】來為大家?guī)碜詈诵牡慕庾x：AI浪潮的下一個重要賽道，如何突破企業(yè)應(yīng)用，找到盈利秘籍？?

【資料圖】

核心觀點(diǎn)

1、大模型應(yīng)用側(cè)關(guān)注重點(diǎn)有所不同：ToC端的用戶更關(guān)注情感訴求，而ToB端的用戶更關(guān)注效率需求。

2、企業(yè)如何結(jié)合自身業(yè)務(wù)應(yīng)用大模型，存在應(yīng)用的預(yù)期差：企業(yè)在應(yīng)用大模型上面臨很多困難，當(dāng)前可選大模型很多評估標(biāo)準(zhǔn)多樣化，找到適合企業(yè)自身業(yè)務(wù)的模型不容易，會存在應(yīng)用的預(yù)期差。

3、通用大模型的劣勢：不足以滿足各行各業(yè)的對口業(yè)務(wù)，無法解決特定領(lǐng)域的專業(yè)問題。

4. 私域數(shù)據(jù)價值高：企業(yè)私有化AI部署需求潛力巨大，特別是有保護(hù)敏感數(shù)據(jù)需求的企業(yè)，比如金融、通信、政務(wù)等領(lǐng)域。

5、大模型應(yīng)用將改變軟件行業(yè)的范式：開放式的接口的服務(wù)能夠加速企業(yè)AI應(yīng)用的開發(fā)進(jìn)度，AI軟件中臺的出現(xiàn)能夠幫助垂類企業(yè)避免重復(fù)開發(fā)和重復(fù)造輪子，從而節(jié)省開發(fā)時間和成本。

正文

見智研究：國內(nèi)大模型市場格局情況如何？

周健：

從去年11月30號開始，大語言模型被視為重要的基礎(chǔ)設(shè)施。目前市場上主要有三類玩家。

一類是原來就在這個賽道的，例如智譜AI和MiniMax，他們在研發(fā)方面已經(jīng)有了兩到三年或更長的時間。GPT 3從2020年就出來，所以他們有足夠的時間沉淀數(shù)據(jù)，準(zhǔn)備算力，現(xiàn)在可能略微領(lǐng)先。

第二類是大廠，如百度、阿里、騰訊、字節(jié)跳動，他們資源多，可能只需要在原有研發(fā)方向上稍微調(diào)整一下，他們還有大量的應(yīng)用場景，所以他們是另一類重要的玩家。

第三類是新生代，如王慧文的光年之外、王小川的百川智能，他們因為本身自帶光環(huán)，也非常值得期待。如最近王小川的公司新發(fā)布了一個baichuan-7B模型。

這三類玩家，他們的資源、當(dāng)前狀況和適用場景各不相同，都非常有趣。

見智研究：?大模型對?ToB和?ToC 端的用戶所關(guān)注的重點(diǎn)有何不同？

周?。?/strong>

首先，大語言模型帶來的變化是，過去是圖形界面，現(xiàn)在可能會用自然語言作為界面，從另一個角度來說，很多應(yīng)用可能會被合并，未來我們可能不再需要有100個應(yīng)用。

但在ToB和ToC這兩個方向上，關(guān)注點(diǎn)其實很不一樣。ToB這邊，由于往往涉及專業(yè)場景和多人協(xié)同工作，所以他們可能更關(guān)注協(xié)同辦公場景和數(shù)據(jù)的私有性。而ToC端，由于涉及多種設(shè)備和場景，比如電視、手機(jī)、筆記本電腦，甚至家中的物聯(lián)網(wǎng)設(shè)備等，他們的需求更加分散，可能需要更具體的場景設(shè)計。

例如，電視是一個被動性的場景，用戶可能在觀看時并不會主動做太多操作；而手機(jī)是一個個人的場景，用戶可能會主動進(jìn)行各種操作。這種區(qū)別會影響到最后哪些應(yīng)用會被合并，以及底層的大語言模型是否需要進(jìn)行不同的設(shè)計。

另外，從需求上來看，ToC端的用戶可能更關(guān)注情感訴求，而ToB端的用戶可能更關(guān)注效率需求。所以從原始點(diǎn)開始，ToB和ToC的需求就已經(jīng)存在很大的區(qū)別。這就是我認(rèn)為ToB和ToC在大模型關(guān)注重心上的主要差異。

見智研究：企業(yè)如何將大模型與自身業(yè)務(wù)相結(jié)合，會遇到哪些問題？

周?。?/strong>

當(dāng)前企業(yè)在將大模型與自身業(yè)務(wù)結(jié)合時，首要問題是如何選擇模型。在國外，大部分企業(yè)可能會直接選擇OpenAI，但在國內(nèi)，選擇更為豐富。然而，目前學(xué)術(shù)界對于如何評估通用大語言模型還沒有達(dá)成共識，企業(yè)在這個問題上尤其困難，因為他們往往缺乏一個基本的數(shù)據(jù)集來決定在其特定場景下應(yīng)選擇哪種大模型。

另外一個問題來自AI的實際應(yīng)用，有時候?qū)嶋H的落地效果與期望有很大的差距。例如，在AI 1.0時代，我們通常會以人臉識別為例，但其實際應(yīng)用過程中，會存在很大的差異。

當(dāng)前的大語言模型在客戶端的直接體驗上有一定的優(yōu)勢，但在穩(wěn)定性、質(zhì)量和安全性方面，還存在很大的差距。我們可以預(yù)期未來大語言模型的水平會逐步提高，但這個提升速度在企業(yè)內(nèi)部是不一致的。因此，如何評估在哪里先進(jìn)行落地，哪里可能是最難落地的，這是一個需要考慮的問題。

此外，企業(yè)還需要考慮自身的基礎(chǔ)設(shè)施建設(shè)。大語言模型只是一個通用基礎(chǔ)設(shè)施，其訓(xùn)練語料主要是通用的公開數(shù)據(jù)。然而，企業(yè)內(nèi)部一定會有自己的私有數(shù)據(jù)，這些數(shù)據(jù)的規(guī)整性也非常關(guān)鍵，因為AI，包括大語言模型，都需要大量規(guī)整的數(shù)據(jù)進(jìn)行訓(xùn)練。

我們是AI原生的企業(yè)，因此對于垂直企業(yè)內(nèi)部專有模型的構(gòu)建和fine-tuning有著高要求，特別是在企業(yè)內(nèi)部數(shù)據(jù)基礎(chǔ)設(shè)施的條件下。

在與許多客戶會面時，我們注意到他們都感到焦慮，因為很難確定從何處開始。試驗是他們的一種選擇，但往往只能得出戰(zhàn)術(shù)層面的結(jié)果。對于大型語言模型的能力，他們可能無法得出結(jié)論，可能很快就會因為在朋友圈發(fā)的文章而被質(zhì)疑。

在戰(zhàn)略層面上，變革組織是大家的共識，但最困難的是從哪里開始，誰應(yīng)該先來嘗試。這需要對事物的認(rèn)知，以幫助作出決策。在戰(zhàn)術(shù)層面上，他們不斷被打臉，而戰(zhàn)略層面上的問題則無法解決。因此，這是一個混亂的過程。

對于他們來說，這是當(dāng)前最大的難題，即使我們專注于這一領(lǐng)域，變化仍然是日新月異的，可能每天都有微小變化，每周都有重大變化，甚至每個月都可能面臨重大變革。對于那些核心業(yè)務(wù)不在這方面的企業(yè)來說，這是一個巨大的困難。

見智研究：企業(yè)需要怎樣的模型？

周健:

定制企業(yè)的私有化大模型需要從以下幾個方面考慮。

從現(xiàn)有的技術(shù)手段來看，定制化的成本是很高的。其次，基本上只有在類似于智能客服或者文本到SQL等確定性場景中進(jìn)行微調(diào)或定制模型才是劃算的。比如，像Bloomberg這樣擁有大量規(guī)整化金融數(shù)據(jù)的企業(yè)，定制模型的性價比較高。

其中客服領(lǐng)域沉淀了大量的人機(jī)對話數(shù)據(jù)，通用性模型不適合。定制企業(yè)私有化模型是最適合的選擇。然而，在其他領(lǐng)域選擇定制化還存在許多問題。比如選擇開源模型還是閉源模型進(jìn)行共建，采用多少參數(shù)的模型，選擇何種架構(gòu)等。

這些選擇都帶來了成本，微調(diào)的成本可能在百萬級別，甚至可能要上升到千萬級別，特別是在希望做出有壁壘的企業(yè)定制模型的情況下。

此外，在當(dāng)前階段，大家都在談?wù)撎崾竟こ處煹氖褂?。但是，很多現(xiàn)實情況下，還并沒有充分發(fā)揮提示工程師的潛力，而選擇了更昂貴的方式。

因此，只有在明確能產(chǎn)生價值的場景下，如智能客服和文本到SQL等，花費(fèi)高成本可能是劃算的。而其他領(lǐng)域可能只能讓研發(fā)獲得一些經(jīng)驗，而企業(yè)其實是無法得到有價值的回報的。

見智研究：如何看待百萬成本微調(diào)的垂直行業(yè)大模型和低成本建立企業(yè)專屬知識庫這兩種方案之間的差異性和真實有效性？

周?。?/strong>

在當(dāng)前的項目中，我們探索了如何基于大語言模型開發(fā)新一代的軟件，以實現(xiàn)更智能的程序模式。舉個簡單的例子，大語言模型只是對數(shù)據(jù)的壓縮，而fine-tuning則是在該模型上添加特定的數(shù)據(jù)集，并對某些層進(jìn)行參數(shù)修改。然而，它仍然無法擺脫對數(shù)據(jù)的壓縮，因此在某種程度上它是昂貴的。

從客戶和供應(yīng)商的角度來看，它可能能說服客戶愿意為高價值的項目付費(fèi)。然而，從實際效果來看，比如對于法律場景，大語言模型無法處理大陸法系和英美法系的差異，因為它們有不同的法律邏輯和哲學(xué)基礎(chǔ)。

同樣的100個案例和10份法律文檔，在英美法系和大陸法系的視角下，得出的結(jié)論可能不同。因此，從這個角度來看，純粹使用大語言模型可能無法實現(xiàn)這一目標(biāo)。我們應(yīng)該在頂層由律師建立一個知識庫來回答這些問題。

因此，通過使用這些領(lǐng)域的知識，我們可以通過代碼更快地回答這些專業(yè)問題。如果我們使用fine-tuning的方法，即使將所有法律和審判判例放在一起，我們也無法預(yù)測ChatGPT這樣的智能體會如何回答。

因此，在解決企業(yè)應(yīng)用場景問題時，我們不能僅僅依賴大語言模型，fine-tuning只是對大語言模型的一種改變，沒有從端到端的視角來看待問題。

見智研究：什么類型的企業(yè)需要私有化AI？如何看待這個領(lǐng)域的需求？

周健：

企業(yè)需要定制化或私有化AI，因為它們擁有特別敏感且價值高的數(shù)據(jù)。

例如，我們曾遇到過一家從事工程報價軟件的公司，他們絕對不愿意將報價信息提供給公有的大模型。同樣的情況也適用于半導(dǎo)體等公司，以及涉及醫(yī)療領(lǐng)域中的隱私數(shù)據(jù)，如病例數(shù)據(jù)，以及整車廠擁有大量汽車零配件BOM數(shù)據(jù)。這些企業(yè)都不愿意將這些高價值的數(shù)據(jù)提供給公有的大型模型，因此它們需要建立企業(yè)私有的模型。

剛才提到的這些行業(yè)都是大型行業(yè)，市場潛力巨大，雖然難以準(zhǔn)確判斷市場規(guī)模是千億還是萬億，但我認(rèn)為它是一個極大的市場。

在許多領(lǐng)域中，僅僅依賴通用大型模型可能無法實現(xiàn)落地推進(jìn)，特別是在企業(yè)的安全和金融、政務(wù)等方面。

見智研究：為什么寫好?Prompt 很難？如何實現(xiàn)復(fù)雜問題智能化解決？

周?。?/strong>

生成模型只是試圖預(yù)測下一個要說的單詞，這是它的工作原理。從技術(shù)實現(xiàn)的角度來看，它也有類似于人類短時記憶的限制。我們知道人類最多可以記住7個單詞，對于大型模型來說存在成本問題，所以它也有一些限制。

因此，如何與生成模型進(jìn)行對話變得非常重要。雖然今天已經(jīng)存在技術(shù)上的突破，但當(dāng)前的大語言模型還沒有達(dá)到具備數(shù)據(jù)庫那樣穩(wěn)定可靠的程度，人們還不知道如何正確使用它，才會出現(xiàn)prompt工程師這樣的職位。

比如，在微軟的評估中提到了這樣一個案例，即使是像GPT-4這樣強(qiáng)大的模型，如果你直接讓它計算150到250之間有多少個質(zhì)數(shù)，它可能會算錯。但如果你讓它計算150到250之間的質(zhì)數(shù)，并逐個列出并統(tǒng)計它們的數(shù)量，它就能做對。

這相當(dāng)于人類在面對問題時會決定是心算還是拿筆寫下來。因為它的大腦記憶能力是有限的，所以它可能還沒有學(xué)會如何處理這種情況，因為目前還沒有給它配備數(shù)據(jù)庫。未來大模型背后若有一個數(shù)據(jù)庫，可能會開發(fā)出新的算法。

此外，今天也有很多人在討論，說它在處理數(shù)學(xué)方面不太擅長，所以包括OpenAI自己也在探索如何將一些簡單的工具，如計算器功能整合進(jìn)去，以便更好地回答這類問題。

如今整個行業(yè)都在探索挖掘大模型的潛力，對于Prompt的理解可能需要更深入一些。像編程很多時候是復(fù)雜的，有架構(gòu)、面向?qū)ο蟆㈩愒O(shè)計、函數(shù)設(shè)計等。未來，Prompt也可能如此。

舉個例子，在瀾碼科技的探索中，當(dāng)我們的軟件回答用戶問題時，會將其分解成復(fù)雜的工作流程。一開始可能是提示a，扮演產(chǎn)品經(jīng)理的角色，然后將用戶需求拆分成幾個部分。

在向大語言模型提問后，根據(jù)其回答，我們決定是將其第一段作為提示b輸入，還是作為提示c的輸入，或者第二段作為提示d的輸入。

因此，就像30年前我們只有程序員，而現(xiàn)在有前端程序員、后端程序員、數(shù)據(jù)庫管理員等。未來，Prompt也可能細(xì)分為許多不同的工種，可能還會有?Prompt Architecture、?Prompt ?Designer。

見智研究：如何看待大模型對軟件行業(yè)帶來的影響？可能會出現(xiàn)哪些行業(yè)發(fā)展機(jī)會？

周?。?/strong>

大型模型實際上代表了技術(shù)的平等，它讓自然語言處理的能力“平民化”。對于像瀾碼這樣的初創(chuàng)公司來說，我們就可以像OpenAI一樣，將300人的自然語言處理團(tuán)隊視為公司內(nèi)部的資源，直接利用。它所帶來的一個變化是，在軟件的邊界上變得更加靈活，可以使用自然語言進(jìn)行交互。

舉個例子，我們內(nèi)部開發(fā)了一個行程安排助手，以前，我的行程安排可能在微信、郵件上有往來?，F(xiàn)在，我可以簡單地要求我的軟件助手，分析我的郵件、微信聊天記錄，給出我下周的行程安排。

以前也可以做到這一點(diǎn)，但成本很高，可能需要花費(fèi)幾十萬甚至上百萬。而今天，我們只需要一些prompt，就可以實現(xiàn)這個功能，成本只是在每次軟件使用時支付給OpenAI 1000個token 0.2美分。以前你不會愿意把NLP工程師浪費(fèi)在這上面，而現(xiàn)在完全成為可能。

這是軟件范式上的一種改變，手機(jī)上原來有100個應(yīng)用，這100個應(yīng)用彼此之間無法互通的，為什么呢？因為這100個應(yīng)用原來只能通過API對接，不同的軟件不斷迭代。有100個軟件就得進(jìn)行1萬次對接，一次升級就白接了，然后重新開始。

其實今天所有的系統(tǒng)，它其實都是一個記錄系統(tǒng)，是為了負(fù)責(zé)去記錄整個物理世界的一些事情的。比如ERP、CRM，HR 系統(tǒng)，財務(wù)系統(tǒng)，它其實都是對于物理世界的一些事情的一些事件的記錄，然后現(xiàn)在突然新出來了一類，叫做?system of model 就是大語言模型，他們其實負(fù)責(zé)思考。

我覺得還有第三類系統(tǒng)叫做?system of action，?就是像瀾碼做的事情，好比是神經(jīng)中樞的功能。

這個過去是需要程序員負(fù)責(zé)去做，成本很高，但現(xiàn)在有了自然語言，這個就變得容易多了。這可能是今天一個很大的范式轉(zhuǎn)變。

見智研究：瀾碼科技為什么看準(zhǔn)自動化平臺、AI 應(yīng)用賽道？

周?。?/strong>

自動化是一個古老的賽道，起源于工業(yè)自動化的生產(chǎn)線。隨著信息系統(tǒng)和信息化的發(fā)展，物理世界的數(shù)據(jù)被記錄到虛擬世界中，信息化逐漸成熟。下一步的關(guān)鍵是如何在信息化中實現(xiàn)自動化。在各行各業(yè)中，甚至包括餐飲業(yè)，信息化已經(jīng)成為現(xiàn)實，例如通過美團(tuán)等企業(yè)的信息化實踐。

自動化的目標(biāo)是解放人們，使人們從重復(fù)性的勞動中解放出來。它的本質(zhì)是提升人類工作的層次，避免人們成為數(shù)據(jù)的搬運(yùn)工或系統(tǒng)的奴隸。人類不應(yīng)該為機(jī)器服務(wù)，而是機(jī)器應(yīng)該為人類服務(wù)。這是自動化的初衷，讓人們能夠從繁瑣的工作中解放出來，擔(dān)負(fù)起更高級的工作任務(wù)，實現(xiàn)人機(jī)協(xié)作的最佳效果。

從現(xiàn)在的應(yīng)用場景上來看，今天有大量的煙囪式的系統(tǒng)在那邊，其實有大量的人被浪費(fèi)在了里邊，我們實際上是可以幫他解放出來。其實這里已經(jīng)有第一層的價值了。

第二層的價值是說當(dāng)達(dá)到了部分自動化之后，實際上有一個很大的附帶效應(yīng)，它把很多的專家的那些數(shù)據(jù)其實是拿到了。比如說過去假設(shè)是一個高級的招聘專家，他可能對于很多簡歷、很多東西的一些判斷，比如說他整了一個表格，一個word 文檔，他可能發(fā)了一些郵件，然后他的經(jīng)驗被沉淀下來了。

但是今天我們已有的BI軟件、數(shù)據(jù)倉庫、?AI應(yīng)用能用到這些數(shù)據(jù)嗎？

用不到，因為這些數(shù)據(jù)可能分散在了各個應(yīng)用當(dāng)中，可能在微信、騰訊會議、視頻以及郵件里，但沒有被關(guān)聯(lián)起來。但是當(dāng)我們幫它做好智能化之后，會有一個大腦負(fù)責(zé)分配。

在這個過程當(dāng)中，其實是機(jī)器人去收集各種各樣的數(shù)據(jù)，最后把結(jié)果呈現(xiàn)在面前。

系統(tǒng)可以提供觀點(diǎn)和反饋信息，幫助人們完成任務(wù)，例如編寫職位描述和審核簡歷。智能化系統(tǒng)還能記錄專家的見解和洞察，并將其用于培訓(xùn)新手。此外，通過自動化和推薦算法的結(jié)合，系統(tǒng)能夠提供前所未有的決策支持，例如告知在特定情境下專家通常采取的行動。這些這些特點(diǎn)使得智能化系統(tǒng)具備巨大的潛力和價值。

見智研究：基于大語言模型的新一代自動化平臺能夠幫助企業(yè)解決哪些核心問題？?

周?。?/strong>

雖然人們對于人工智能可能替代白領(lǐng)工作感到焦慮，但實際上這種替代可能是有先后順序的。目前大語言模型主要應(yīng)用于純文本類的工作，解決一些基礎(chǔ)任務(wù)和重復(fù)性工作，比如簡歷審核、法務(wù)合同比對等。這些工作本身并不受歡迎，但它們的關(guān)鍵信息是可以通過算法進(jìn)行提取和處理的。

對企業(yè)來說，可以帶來兩個方面的變化。首先，在企業(yè)內(nèi)部的組織結(jié)構(gòu)上，可能從金字塔型變?yōu)殂@石型，即減少低端員工的數(shù)量。其次，可以提高工作質(zhì)量，例如在簡歷審核中，可以根據(jù)設(shè)定的屬性和規(guī)則進(jìn)行篩選，加速招聘流程。類似地，在財務(wù)報表整理方面，可以減少錯誤和漏洞，并揭示隱藏的問題。

因此，基于大語言模型的新一代自動化不僅僅是簡單替代低端工作，它可以通過增加計算力來免費(fèi)提高頻率和工作量。對于企業(yè)來說，這意味著可以用不同的視角來管理團(tuán)隊和控制質(zhì)量，從而帶來全新的機(jī)會和挑戰(zhàn)。

見智研究：海內(nèi)外這部分市場空間是否還處于空白時期？?

周健：

在硅谷，有一些公司在人工智能領(lǐng)域具有領(lǐng)先優(yōu)勢。例如，Adapt.ai是由OpenAI的前工程副總裁和Google Transformer論文的第一作者和第三作者共同創(chuàng)立的一家公司。他們開發(fā)了獨(dú)特的基準(zhǔn)模型，并創(chuàng)建了一個瀏覽器插件，用于收集Salesforce用戶的自然語言需求，例如訂機(jī)票和訂酒店。他們還將鍵盤和鼠標(biāo)的輸入信息作為多模態(tài)輸入進(jìn)行訓(xùn)練，挑戰(zhàn)傳統(tǒng)多模態(tài)的概念，以圖超越OpenAI。

另一個公司是Fixie.ai，由哈佛大學(xué)的計算機(jī)系教授創(chuàng)建，他們在谷歌和蘋果擔(dān)任過高級研發(fā)職位。他們正在建立一個基于大型語言模型的企業(yè)平臺，可以構(gòu)建基于人工智能的代理（Agent）系統(tǒng)。

在國內(nèi)，SOFA已經(jīng)是一個開源項目，并且已有約6000個用戶在使用。然而，硅谷在人工智能領(lǐng)域具有細(xì)分工的優(yōu)勢，他們專門開發(fā)了中間層的空間，用于構(gòu)建原生的人工智能應(yīng)用。國內(nèi)的目標(biāo)是構(gòu)建一個類似的中間平臺，但需要找到適合的場景并確保能夠落地實施。

再有就是瀾碼科技。瀾碼是數(shù)據(jù)飛輪公司，基于底層的大語言模型，通過提供自動化平臺，在效率場景下學(xué)習(xí)人們在PC/手機(jī)/會議等場景下的技能，從而建構(gòu)出自己獨(dú)特的多模態(tài)基礎(chǔ)大模型。

見智研究：如何看待?AI 智能助手未來市場的空間和競爭格局？公司在這方面做了哪些準(zhǔn)備？

周?。?/strong>

在智能助手領(lǐng)域，眾多企業(yè)都希望搶占這一入口，如蘋果的Siri。

從2008年開始，人們就一直在思考智能助手的問題。在企業(yè)端，像釘釘、飛書和企業(yè)微信等已經(jīng)具備了大量用戶，因此它們開發(fā)企業(yè)協(xié)同助手是非常自然的事情。在消費(fèi)者端，微信無疑是一個很好的入口。

此外，不同設(shè)備上也存在智能助手的應(yīng)用場景，比如電視，例如百度的小度和科大訊飛的不同設(shè)備。這些公司都會利用自己的優(yōu)勢去開發(fā)智能助手。

在技術(shù)方面，大語言模型仍在不斷演進(jìn)，尚未達(dá)到技術(shù)天花板。因此，在當(dāng)前的互聯(lián)網(wǎng)環(huán)境下，仍然以流量為王的思路可能并不適用。在移動互聯(lián)網(wǎng)發(fā)展的早期階段，開發(fā)一個手機(jī)相冊應(yīng)用就能輕松獲得上千萬的流量，可以同時開發(fā)100個應(yīng)用，然后通過數(shù)據(jù)分析決定哪個應(yīng)用更成功。但現(xiàn)在情況已經(jīng)有所改變，盡管在兩三年內(nèi)仍可能存在這種情況。

然而，從5到10年的時間尺度來看，大語言模型甚至可能改變ToB（企業(yè)對企業(yè)）和ToC（企業(yè)對消費(fèi)者）的邊界。它可能變成與人交互和與人工智能交互的兩個端口，即與人接近或與人工智能接近。接近人意味著可以獲得人的數(shù)據(jù)，就像習(xí)慣使用個人秘書一樣，人們肯定不愿意隨意更換。因此，智能助手的智能程度是非常重要的。

從這個角度來看，在技術(shù)尚未成熟的情況下，即使在消費(fèi)者端搶占了市場，做出了現(xiàn)象級產(chǎn)品，如果沒有深度技術(shù)支持，很容易被大公司通過運(yùn)營手段超越。

因此，我認(rèn)為在 ToB領(lǐng)域更為合適。另外，OpenAI的CEO也提到過未來人工智能的應(yīng)用分為三種：大語言模型、數(shù)據(jù)循環(huán)和人工智能應(yīng)用。

對于消費(fèi)者端來說很難說，之前提到的設(shè)備可能具有一定的數(shù)據(jù)意義。而對于企業(yè)端來說，核心有價值的數(shù)據(jù)是非常重要的，比如人、財務(wù)和物流等。如果我能搶占到一個人，例如獲得全中國所有白領(lǐng)的簡歷數(shù)據(jù)以及其薪資和績效數(shù)據(jù)，甚至更重要的是共享的數(shù)據(jù)，即招聘專員在使用我的助手時的數(shù)據(jù)，這些數(shù)據(jù)具有價值。

這些數(shù)據(jù)可以幫助我們進(jìn)一步錘煉技術(shù)能力。當(dāng)技術(shù)能力達(dá)到更高水平時，例如通過與智能助手聊天生成的代碼行數(shù)作為衡量智能程度的指標(biāo)，比其他公司高一個量級或兩個量級，那么就能輕易奪取市場份額。

因此，在戰(zhàn)略上，我會選擇首先在專業(yè)場景下開發(fā)助手，然后等待技術(shù)的進(jìn)一步發(fā)展。當(dāng)技術(shù)達(dá)到明顯的天花板效應(yīng)時，可能會出現(xiàn)新的范式。無法預(yù)測未來是否會變得更加快速，像AlphaGo到現(xiàn)在只相隔7年，再過3年可能會出現(xiàn)一個新的范式，讓大家都驚訝。但假設(shè)不會發(fā)生這種情況，那么在那個時間點(diǎn)上，重新爭奪市場是有機(jī)會的。