即刻App年轻人的同好社区
下载
App内打开
刘魏东
499关注54被关注0夸夸
🎋Building AI & startup
😼INFJ-A
🐣看得越多，懂得越少
刘魏东
3月前
为什么不能做一款免费的阅读工具，根据用户价值付费？订阅feed多，不意味着阅读收益高，用户应该为注意力付费……attention is all your need!
00
刘魏东
4月前
如果是大浪来袭，怎会只没过脚踝……坐稳还是下船，小散们😎
00
刘魏东
5月前
一家做消费品牌，一家企业服务，不冲突

王慧文: 越来越觉得， Anthropic会替代OpenAI， 成为AGI担当。

00
刘魏东
5月前
这些手机输入法公司的PM大人是为啥认为，输入法里的文字提示的排序就是从左到右排，而不是从右往左，或者从中间往两头排呢？🤔
00
刘魏东
5月前
用户使用工具带来的价值，不仅是工具本身，还有**收获**！
00
刘魏东
5月前

136.银行理财还能怎么买？

起朱楼宴宾客

00
刘魏东
5月前

稳定币续集和新发展：稳定币银行、RWA（真实世界资产）、还有KYC和KYT

文理两开花

00
刘魏东
5月前
闭环太早不是好事儿，有时是出于自身的怯懦……刚见了位AI创业的朋友，自洽到不知道该怎么给两句建议，AI
00
刘魏东
8月前
思维中的进化需要留白，尽量远离那些把你时间填满掣肘
00
刘魏东
11月前
互联网移动互联网就有了1+1的说法，另外还有一个说法叫垂直整合

杨昌: 多数垂直型 AI 应用，恐将成为 AI 发展史上的短暂注脚；而一味执着于弥补模型局限性，恰恰是创业者们极易深陷的泥潭。 这是Andon Labs 联合创始人（YC 24W 孵化）Lukas Petersson，在调研完百余个YC校友项目后得出的结论。对标AI 研究史上名篇《The Bitter Lesson》，他把自己的系列文章取名为《AI Founder's Bitter Lesson》。 这系列文章来得很及时，因为我在里面也看到了些自己的影子，所以赶紧做了篇学习笔记： 1、AI创业者正在重蹈AI研究者的覆辙 当下，许多 AI 创业公司纷纷投身垂直领域，为特定行业、特定任务打造量身定制的 AI 应用。从起草合同的 AI 法律助手，到医学影像诊断的 AI 系统，再到客服对话的 AI 机器人，不一而足。短期来看，这种做法似乎颇有成效：产品上线快，问题解决准，用户和营收也容易到手。 然而，这恰恰与 AI 研究领域反复验证的“惨痛教训”（The Bitter Lesson）南辕北辙。Richard Sutton 在《痛苦的教训》中一针见血地指出，过去七十年人工智能研究最重要的经验教训，就是利用计算的通用方法最终最有效，而且效果显著。历史经验反复证明，AI 研究者们试图将自己的领域知识强加给 AI，但从长远来看，这根本行不通。最终，突破性的进展总是来自于相反的方向——充分利用计算资源的扩展。 说白了，就是别想着通过人为地给 AI 灌输“专业知识”来弥补模型不足，这样做，最后肯定会被那些充分利用计算能力、采用通用方法的模型给比下去。就好比，你非要逼着一个学生只学某个领域的知识，却不培养他自主学习和解决问题的能力，结果反而限制了他的发展。 自动驾驶就是个活生生的例子。早期的自动驾驶系统，靠的是大量人工设定的规则和提取出来的特征（比如，人来定义“红灯”、“行人”、“车道线”是什么样的），但现在，端到端的深度学习模型已经成了主流。这些模型直接从原始数据里学习，根本不用人去费劲巴拉地搞什么特征工程。 归根结底，通用模型就是更能学、更灵活、更能打。 它们能从各种各样的数据里学东西，不断进步，不用人去给每个任务都定规矩。给 AI 模型强加限制，就跟作茧自缚一样。而垂直型 AI，就是这样一种“自缚”。 2、难觅护城河，是垂直AI的最大困境： 汉密尔顿·赫尔默的“7种力量”框架，为我们剖析企业竞争优势提供了有力武器。然而，细察垂直型 AI，可以发现它在多个维度都难以与水平型 AI 相匹敌： ①低转换成本 (Low Switching Costs)： 垂直型 AI 应用的用户迁移成本极低。企业可以轻易地从一个专门用于客户服务的 AI 聊天机器人，切换到一个更通用的 AI 助手，后者不仅能处理客户互动，还能胜任销售、市场营销等其他职能。同理，律师也可以轻松地从一个专门用于合同起草的 AI 法律助手，切换到一个更通用的 AI 助手，后者不仅能起草合同，还能进行法律研究、案例分析等。 ②规模经济与网络效应劣势 (Inferior Scale Economies and Network Effects)： 水平型 AI 能够跨领域共享数据和研发成本，从而获得显著的规模经济和网络效应优势。例如，OpenAI 的 GPT 模型可以从各种类型的文本数据中学习，实现知识的迁移和泛化，而一个专门用于医学影像诊断的 AI 模型只能从医学影像数据中学习，其学习效率、泛化能力和应用范围都将受到极大限制。 ③反向定位困境 (Counter-Positioning Dilemma)： 水平型 AI 具有极强的可扩展性，能够不断拓展其应用领域，而垂直型 AI 则面临两难境地：要么固守现有领域，面临增长天花板；要么被迫拓展业务范围，与水平型 AI 展开直接竞争，胜算渺茫。 ④品牌与流程优势缺失 (Lack of Brand and Process Power)： 对于大多数初创公司而言，在短期内建立强大的品牌影响力和流程优势，更是难于登天。 ⑤唯一的例外，在于独占资源 (Cornered Resource)。 如果垂直型 AI 应用能够掌控真正 独占且必需 的资源，那么它仍然可以在特定领域构筑起一道坚实的“护城河”。 这里的“独占资源”，指的是那些竞争对手无法通过任何合法途径获取、且对于在该领域取得成功至关重要的资源。例如，某些公司可能拥有针对特定疾病、最大规模、最高质量且不对外开放的医学影像数据集，并且基于其他数据训练的模型效果远逊于此，那么这种数据集就构成了该公司的独占资源。 然而，现实情况是，许多创业者往往高估了手中“专有数据”的价值和独特性，它们要么并非真正独占，要么并非在该领域取得成功的必要条件。 3、摆在AI创业者面前的，可能只有三条路 面对水平型 AI 的崛起之势，AI 创业者亟需重新审视自身战略。以下三条路径，是作者认为可能可行的： ①深耕垂直，掌控独占： 如果你深信能够觅得并掌控真正独占且必需的资源，那么可以继续深耕垂直领域。但这不仅需要超凡的资源获取能力，更需要对行业发展趋势的深刻洞察。 ②融入水平，构建生态： 更为明智的选择，或许是尽早布局水平型 AI 的生态系统，与 AI 实验室携手共进，而非分庭抗礼。 成为供应商 (Vendor)： 为 AI 实验室提供计算能力、电力、数据等不可或缺的资源，成为其价值链上的重要一环。 成为生态系统贡献者 (Ecosystem Contributor)： 构建与水平型 AI 智能体 协同 但 独立 的工具或服务。例如，为 AI 智能体提供高效的操作界面——毕竟，AI 智能体自行编写软件的推理成本或许过高。切记，保持独立性，避免沦为可替代的商品。 这里的独立性，指的是你的产品或服务能够为用户提供独特的价值，而不仅仅是 AI 智能体的附属品。 ③利用过渡期，战略转型： 水平型 AI 的全面成熟仍需时日（Lukas Petersson 预测在 2027 年）。创业者可以充分利用这段窗口期，将现有垂直型 AI 应用作为跳板，逐步向水平型 AI 生态靠拢，抑或积聚资源，为未来的战略转型未雨绸缪。这段时间，可以被视为战略缓冲期，创业者可以利用这段时间积累用户、数据、市场经验，并逐步调整业务方向。 —— 系列文章共 4 篇，标题和链接如下： 《AI Founder's Bitter Lesson. Chapter 1 - History Repeats Itself》 https://lukaspetersson.com/blog/2025/bitter-vertical/ 《AI Founder's Bitter Lesson. Chapter 2 - No Power》https://lukaspetersson.com/blog/2025/power-vertical/ 《AI Founder's Bitter Lesson. Chapter 3 - A Footnote in History》https://lukaspetersson.com/blog/2025/footnote-vertical/ 《AI Founder's Bitter Lesson. Chapter 4 - You’re a wizard Harry》https://lukaspetersson.com/blog/2025/wizard-vertical/

00