AI落地,何以破局关键何在?(暨碰撞局第三期小记)
AI的情况现在很像薛定谔的猫,充满矛盾。
一边在媒体的世界里似乎世界已经要被AI颠覆和统治了;
一边在现实中,AI在那里呢?生活工作里根本看不见太大威力。
一边是有大咖信心满满,觉得陆续会出英伟达一样的巨型新公司;
一边是有大咖忧心忡忡,觉得GPT5如果没有本质提高,AI会成新的泡沫。
所以这是非生非死态。
因不明朗而充满幻觉。
因不明朗而充满机遇。
那信谁的呢?
要干点什么呢?
盲目尝试则失败居多。
不试则没有机会。
最合适的信念其实是谁也别信。
最合适的方法其实是①观察现场问题,②找到底层逻辑,③然后自己回到自己的场景。
这时候最难的反倒是单独一个人往往没有那么宽的视野,看不到众多别人的现场问题,可能也不知道怎么提取底层逻辑。
AI碰撞局就是这个催化剂,它管不了必须自己干的最后一步,但可以降低前两步的曲折程度。
在这样的理念下,AI碰撞局一共已经搞了4期(第一期是试水,北大国发院还搞了一期姊妹局),所以这是第五期的小记。
透视底层逻辑
前面几期侧重现场问题,深度发掘了案例,这期则关注底层逻辑。
底层逻辑中围绕一个核展开:
计算的方式是现在所有IT产品栈的承重梁,现在它变了,所以整个上面的各种软件产品都得变。
计算方式的变化用老黄的这张图(我说这个属实比老黄早的多,但他影响力大,所以用他的图):
老黄后面的那行字写的是“FULL STACK REINVENTION”,这次碰撞局分享的正是全栈是什么样的全栈,重新发明又是什么样的重新发明。
全栈的含义
分享中全栈被定义成下面这样:
而随后分享的则是每一个块里面潜在的变化趋势到底是什么。哪部分的门槛和机会属于当下和正常人?下面是其中两个点的内容:
比如探讨中间层基础设施的时候,基于Alexa的架构提出了这样一个问题:假如说对于整个交互过程,图中3,4部分可以被大模型所优化,其它部分则会保持不变,那这种通用的基础设施是每个人或公司重头搭建么,还是会出现新的具有系统性的平台?
方式1就是现在的API,方式2则会导致大模型公司从单一的技术供应商角色向系统供应商角色转换。显然的后者还没发生,但如果智能体批量爆发,终究就会走到这一步。这会导致整个栈扮演操作系统角色的人发生变更。
比如探讨个人应用的时候,更形象的定义了下智能中心型应用:
强调要尽快抛开关注量的互联网思维惯性,不要关注端而是要回到具体的价值创造深度。极端讲那怕只有10个用户,只要给单个用户创造的价值足够大,那也够了。单个用户价值的巨大差异,导致纯粹走量的互联网思维变的很危险。
碰撞点
这次碰撞的超乎预料的激烈。其中最直指灵魂的问题是:
目前想探讨一下商业模式,为什么AI应用现在业绩不及市场预期?
AI是真正的新技术。
新技术红利能够创造多大商业价值和应用方式有关,但更关键还是技术本身的承载力。
过去人脸不是没被应用起来,而是它只能支持那么大的产值。生成式AI在生成部分所对应的产值也就那么大,在生成能力之外真做Agent,技术的不足就暴漏出来了。判断次数越多,最终的精度越差。这种技术不足在角色的视角下很容易看出来。
得承认这种不足,找到一些长尾的小点,先边缘化生存,然后等待新的技术突破。
第二个比较焦点的问题是关于仿真合成数据的:是不是说基于仿真合成数据可以更容易的打造垂直的模型,让具身机器人更快的来到我们身边?
这个点只做了一个初步探讨,没有人具备权威性。
基本逻辑是如果Scaling Law成立,仿真数据也成立,那理论上GPT5会很快出来,并且像AlphaGo一样,不需要人类数据就可以进化封神。
反过来,如果还是想通过限定角色边界来让这种仿真成立,那通用性又怎么确保?我们不是没有机器人,而之所以做具身机器人核心的原因之一就是通用性。可那怕是在家里的通用机器人差不多也得理解整个物理世界。否则就还是扫地机这类机器人,那和过去没有区别。
从应用角度看,仿真数据远没有想的那么乐观。
第三个有意思的问题是,在行业应用上AI对教育有什么影响?
这个主要是我回答的:AI有助于推进教育平权。
我们可以有两种学习方式:
一种是牵引式的,这方式下牵引的人也就是是老师,越优秀效果越好。这会导致家庭资源决定小孩教育的效果。
另一种则是主动式的,像学走路那么进行学习,这个时候只要小孩足够努力和自驱,给它配个合适的AI,那理论上大学之前的教育可以靠自己完成。
所以这里的应用确实不止有商业机会,也有社会意义。
其它的碰撞和讨论还很多,持续到10点多才结束,但小记里面就不一一列举了。
如果你也想与我以及同道中人有更深入的对现场问题的挖掘和碰撞,欢迎加入【琢磨事AI碰撞局】
想详细了解的同学点击下文有【详细介绍】
或者咨询群主:cathywangyue
往期小记: