文 | 李智勇
AI碰撞局到現在為止一共做了9期，裏面覆蓋了8個AI各個方面的案例(SEO做了兩次)，具體包括：
從上代AI延伸過來的智慧電梯，智慧音箱；類似Her的產品（這期偏底層邏輯）；寫作AI智慧體；基於AIGC的SEO工具；具身機器人；醫療大模型；微軟的Copilot（我自己長期研究這產品，不是微軟的人分享）。
活動本沒有規劃，但卻誤打誤撞涵蓋了常說的C端，B端，行業；國內、海外；軟體、硬體；創業者與巨頭等多個方面，比較全面。
又因為AI碰撞局裏的分享只占整個活動的一半時間，相比之下現場的碰撞產生的資訊量要更大一些，兩者疊加後就非常生動鮮活的描述了AI在2024年上半年的部份狀態。
這裏對這9期活動做個小數據的總結。什麽叫小數據呢，其實就是我讀記錄後做的提煉和總結。
AGI的（Artificial general intelligence）G最關鍵
貫穿九場AI碰撞局活動，每場大家都會提到的詞是： AI不好用。
這種不好用在不同落地領域表現不一樣： 在出海的SaaS產品上表現為需要大量註入工作流，在內容創作上體現為很多的人工幹預，在機器人上體現為對產品定位的約束，在智慧音箱則是產品價值邏輯充滿矛盾。
這進一步意味著產品定義的時候必須一只眼睛盯技術成熟度，一只眼睛盯市場機會。這本來不稀奇，但和AI的通用智慧特征、幻覺結合起來就變得十分麻煩。頻寬、計算能力、功耗是可以精確度量的，智慧怎麽精確度量？何況即使智慧夠了，它還出現幻覺，幻覺意味著時靈時不靈，這又怎麽度量？
所以互聯網時代做App的時候基本上技術變量是確定的，只搞定產品這一頭就行，但 做AI套用的時候，你必須同時考慮兩頭，用不確定的技術去解決不確定問題。正經的要一頭沒一頭。
這導致很多問題必須放到Level1~Level5的技術脈絡下回答，否則大機率不對。
AI產品發散度遠大於互聯網
互聯網產品相似度其實是高的，如果抽取不同App的基礎模式，那會發現很多共同點。
AI就不行，發散度極大。
APP，SaaS算是和互聯網基本重疊，智慧音箱、智慧電梯就擴充套件到智慧硬體了，大模型+一體機則進一步像IT早年的情況了。機器人就更綜合，真說它的商業模式，租的話有點像硬SaaS，賣的話就和汽車差不多。
落地形態上顯然也從單純上App解脫了出來，當前比較賺錢的產品基本就都是Web產品，以智慧音箱為代表的智慧硬體在AI大模型的驅動下形成各種變種，這些很像是硬套用，會走賣貨的產品模式。機器人、自動駕駛就更誇張些，差不多裏面會綜合現在所有的技術，估計不比做太空梭的覆蓋面少多少，然後怎麽落地並不怎麽確定，太貴太復雜。閑聊的時候，大家戲言：真幹機器人，哪怕就是跑起來也需要500人。
如果要做腦洞式類比，會發現種種智慧落地載體可比人類、黑猩猩所在的靈長目種類多多了。
這會導致一個有趣的現象： 大家都覺得自己在做和說AI，但談的其實不是一個東西。
這種發散度也就意味著分裂，做機器人的根本不會去關註SaaS，甚至也不會去關註自動駕駛。
但 如果說大部份AI產品其實是失敗的，那這種跨種類的關註反倒是必要的。
另一個在9期AI碰撞局活動裏面反復出現的話題是：
幹AI到底是應該九層之台起於壘土，數年如一日的打磨自己產品，練內功還是迅速捕捉出現的機會點快點變現？
前面是產業邏輯後面則是風口邏輯。
最終選擇和個人、產品、行業都有關系。
如果幹機器人、一體機、醫療大模型等那似乎也沒啥能快速捕捉的風口，如果不一直磕那就賺不到錢。
但如果幹海外SaaS，那視窗就有時間內容，你第一波去做獲客成本就低，晚了獲客成本上來後，錢就賺不到了。比如基於AIGC做SEO的產品如果不是早點入局，而是已經有幾百個類似產品了，那獲客就會挑戰比較大。
略尷尬的是， 回看近兩年，凡是能賺錢的產品基本都是風口邏輯。（輝達就別算了）
之前文章總結過這幾年真正賺錢的產品並提取了三個特征: AIGC主打，小產品，海外市場。小產品天生需要是風口邏輯。
AI碰撞局因為參與的人來自不同背景，產業同學往往提到的是歷經六年現金流轉正，風口邏輯下提到的則是多少個月ARR做到了多少。
差異極大。
如果說產業邏輯還是風口邏輯是個實務上的選擇，另一個AI碰撞局上揭示出來的問題則更具有前瞻性：
AI到底會不會產生顛覆性機會？
活動上典型的討論是這樣：
AI肯定可以做輔助診療，那這時候就必須面對既有業務過程。你產品落地的成本支出其實變成了兩部份:一部份來自於技術、產品上解決確定問題的挑戰；一部份則變成適配既有工作過程。後者的成本可能比前者還高，所以就落地困難，甚至導致成本上升然後不賺錢。
那是不是在技術足夠成熟的時候可以出現一種顛覆性，比如： 一個醫院就完全沒有醫生，按照AI優先的原則從0開始建一個醫院，規則去適配AI而不是AI去適配規則。
這問題一出立刻認識就讓參加活動的同學更加分裂：一種觀點認為所有新技術出現往往是從一體化向技術適配開始的，接下來才是各種規則和詳細分工，比如PC或者iPhone；一種觀點則覺得這現實可能性極低，短期不可能。
這就讓AI在國內落地很尷尬。
過去通常用需求定義或者產品定義去抽象不確定問題，找出其中共性，然後用技術手段去解決它。 如果還按照這思路，那就只能做一些相對小的產品 ，關鍵的利潤豐厚的問題已經在過去幾十年被用各種技術解決過了。新技術並不支持按原有方式重做一遍。
徹底的從頭新建，則技術看起來又不太夠。
這個問題在現在這個階段回答，看來只能是我之前提到過的角色中心式計算和圖靈測試2.0的思考框架。這兩者現在看最合理也算是被初步驗證。
最終如何只能在G（通用智慧）的提升過程中進一步驗證。
懷念2015年，資訊流轉需要加速
每當現場碰撞產生分裂的時候，我就會懷念2015年。
那時候周圍朋友裏有一種平等對話的氛圍， 雖然也混圈子，但PK的面紅耳赤並不罕見。
活動往往也沒那麽正式 ，大家找個地兒，一杯咖啡或者一杯水聊個2個小時盡興而歸。
我之所以懷念它是因為 一方面它幫我換個視角審視我自己問題，思維破圈；一個也確實幫我認識了好多誌趣相投的朋友。
後來不知道為什麽，這個氛圍就散掉了。很多活動就變成了一個權威講話的模式，這應該也是需要的，畢竟AI在技術那側專業性太強。但不能否認AI下面的關鍵越來越向套用轉移，而 套用不太可能靠講話來獲得答案 。
這應該算是AI碰撞局的另一種意義吧。 即考慮AI的專業性所以有人分享，但也還是要構建一種平等對話的氛圍。
（活動的模式也可以類比過去的組織模式）
希望它能夠促進AI的落地，讓這條路稍微好走一點點。
小結
上面有些問題並沒有給結論，按考試的思路來看這些問題則會很奇怪，但實際上這也正是AI碰撞局的另一個特色。我們基本認為最多有值得參考的思維框架，結論只有當事人把這些框架和自己的現實問題結合才能做出來， 只有當事人能給最終答案 。利潤的來源是什麽呢？很大一部份正是每個人自己的那一部份思考。張一鳴好像說過類似觀點：認知是企業的核心競爭力。這個認知正是屬於每個人的那一點點思考。從這個角度在商業上給手冊性方法的大機率是騙子，建議不要相信。
