即刻App年轻人的同好社区
下载
App内打开
杨昌
19天前
对普通人来讲,因为DeepSeek一分不花突破3000万DAU,就嘲笑其他AI砸数亿才到2000万日活,没什么意义。

真正值得我们关注的,是这个现象背后,增长驱动力的范式转移:

【相较于移动互联网时期的需求侧驱动和产品驱动,AI更多是供给侧驱动和技术驱动】

1、DeepSeek并不是孤例

早在1月中旬,MiniMax闫俊杰就在访谈中说过:

按月访问量,海螺视频已是全球最大的视频生成产品。

但它的页面还很粗糙,上线时甚至连基本的英文界面都没有。

这背后的原因,是他们始终坚持“听算法的”,把精力集中在突破算法上。所有关键决策,都以算法趋势为准,而非用户反馈。

2、但也不只是技术的高度打低度

李翔老师这篇文章中的科技创业者大佬说,不同于移动互联网时代的高频打低频,现在是技术的高度打低度。

不过个人觉得,更加精准的表述,是徐文浩老师的那句:

“这⼀代产品的核⼼价值,是⼤规模、廉价地提供智能。”

因为单论技术,OpenAI的O1、O3 不可谓不高。但没有哪个普通人,会无缘无故多花 200 美金/月。

当我们回看DeepSeek的系列论文时会发现,用更低地成本实现更好的智能,一直是他们的追求。

而等到R1在IQ上赶超最头部大模型,并免费开放之后,便有了后续引爆的故事……

3、应用公司也能⼤规模、廉价地提供智能

徐文浩老师还指出⻓期⽕爆的AI应⽤,大多来⾃于智能上了⼀个台阶。

例子包括不限于:
ChatGPT => Monica, Immersive Translate
GPT-4 => Cursor, perplexity
Claude-Sonnet-3.5 => Cursor, Windsurf,

而当这些“套壳AI 们”用更高级的智能重塑用户体验时,往往能像iPhone一样创造出用户还没意识到的可能性,带来爆发式增长。

可见,真正的爆发并非来自对现有功能的优化,而是源于能带来10倍改变的智能突破。这就是为什么,寻找和把握智能爆发点,成为了应用公司新一轮创新的关键。

非大模型公司想要在这波浪潮中抢占先机,一方面要密切跟踪头部大模型能力及其套壳AI的进化轨迹,提前布局可能出现质变的场景;另一方面,也要深耕自己最熟悉的领域,在前沿技术与垂直场景的结合点上,找到最适合智能爆发的切入点。

4、找到智能爆发点只是第一步

要真正实现10倍改变,还需要一个常被忽视的关键要素 - Context(上下文)。

广密曾在播客中介绍,当下99%的从业者都在关注模型的生成能力和代码能力,却忽视了一个更本质的问题:没有充分的Context,AI应用的任务成功率会大幅下降。

这就像一位再资深的主任医师,如果没有病人的体检报告、既往病历等Context支撑,仅凭简单问诊也很难做出准确诊断。同理,即便是最强大的AI模型,如果缺乏必要的上下文信息,也难以发挥其真正实力。

在AI时代,Context的重要性堪比移动互联网时代的支付系统。正如红杉中国当年投资电商时的洞察,电商的两翼是物流和支付,这是最基础的商业基础设施。如今的AI应用也需要完善的Context体系作为基础支撑。

因此,想要在智能爆发点上实现突破,企业必须建立自动化、持续的数据采集和同步机制,确保Context能够规模化积累。

标杆案例方面,C端有24年最好的 Personal AI 产品的 Dot,正在成为比用户本人更懂他们的“长期AI伴侣”;B端有千亿市值的顶尖AI政企服务巨头Palantir,可以在几小时内构建全公司业务的数字分身。

5、边缘市场,更有机会涌现颠覆性创新

很多人认为,只有在主流赛道上才能实现前文说的"10倍改变"。但历史一次次证明:真正的颠覆性创新,往往始于不起眼的边缘市场。

就像Google最初只是想帮雅虎更好地覆盖长尾网页内容,却最终重新定义了互联网入口。重要的不是市场的初始规模,而是创业者对这个领域的独特理解。

DeepSeek R1-Zero已经证明,只要有独特的评价数据,就能通过强化学习让模型达到惊人的效果。这意味着,关键不在于传统的功能开发(Coding),而在于定义什么是"好"(Defining "Good")。

这听起来反直觉,但看两个案例就明白了:
- Midjourney之所以在艺术品质上遥遥领先,是因为他们一开始就没有盲目追求数据量,而是精选了最具美感的图片作为训练样本;
- DeepSeek R1在文风上如此出众,据说背后是北大中文系学生专业的语言评价标注。
正是这种专业的"评价标准",才是释放AI潜力的关键。

徐文浩老师分享说,而在不久的将来,基于独家评价数据训练大模型,也会非常简单:
- 选择一个优秀的开源基础模型(已经很容易获取)
- 在最熟悉的领域积累独特的评价数据(1万条不嫌少)
- 用云平台提供的工具进行训练(可能只需要几百行代码)

而这种"评价工程"(Evaluation Engineering),可以让深耕某个领域的普通小团队,也能在该领域实现突破,甚至引领变革。因为评价标准的设定,更多是对问题本质的理解,而非资源的堆积。

关于DeepSeek,请教了几位大佬

点击阅读原文
520

来自圈子

圈子图片

AI探索站

85309人已经加入