即刻App年轻人的同好社区
下载
置顶
最近看了前Meta首席技术官Mike Schroepfer的一个访谈。
这个人在Facebook待了14年，把工程团队从100人带到了35000人，建过数据中心，搞过VR硬件，还主导了好几次数十亿美元的收购。
他现在自己出来做投资了，专门投气候科技领域的公司。
他说：人类有一种本能，就是倾向于去解决那些容易解决的问题。
Schroepfer说这是他在Facebook早期学到的最重要的教训之一。当时他们遇到了一个特别棘手的问题，就是数据中心不够用了。
2008年金融危机，房地产市场崩了，没人盖新的数据中心。他们租不到空间，用户又在疯狂增长。
他们没有选择，只能自己建。
这里面有个很关键的思维方式，他没有说我们先把能解决的小问题都处理了，然后再来对付这个大问题。
他说的是：先识别出最关键的风险是什么，技术上最不确定的部分是什么，然后直接冲着那个最难的地方去。
困难的事不会因为你拖着就变简单，你回避它的每一天，它都在那儿等着你。
这是第一个点。；直面困难，不要用忙碌来逃避。
第二个让我觉得很有启发的是他判断一项技术值不值得投入的方法。
2013年的时候，Facebook要决定要不要建一个AI研究实验室。
当时其实有很多技术方向可以选，比如微软那种什么都研究的综合性实验室。
但Schroepfer和扎克伯格讨论之后，决定只做AI。
他说他们看到了ImageNet挑战赛的结果。那年有个用神经网络的方案，比其他所有方案都好出一大截，这本身就是个信号。
但更重要的是他们问了一个问题：这个技术是已经到顶了，还是才刚刚开始？
他们分析了一下，发现神经网络的性能取决于三个东西：模型规模、数据量、算力。
而这三个东西，当时都还有几千倍的提升空间。
他用了一个词叫runway，就是跑道的意思。
一项技术有没有runway，决定了它值不值得重注投入。
如果一个领域已经被优化了150年，你再怎么努力可能也就挤出百分之几的改进。但
如果它还在起点，那就完全不一样了。
这个思维方式其实可以迁移到很多场景。
比如你在选择学什么技能、进入什么行业、甚至是评估一个项目值不值得做的时候，都可以问自己：这件事的runway有多长？它是在起点还是终点？
第三个点是关于人的。
Schroepfer现在做投资，每年要见上千个创始人，最后只投大概10个。他说技术和市场固然重要，但最终赌的还是人。
他看人主要看两点。
第一是有没有一种死磕的劲头。
创业就是一连串的濒死体验加上无数人跟你说不行。30个投资人拒绝你不重要，重要的是第31个说了yes。
他自己25年前第一次创业的时候，有个投资人直接在他们的路演会上睡着了。
但后来红杉投了他们，公司做成了。
第二是学习能力。
他用了一个很有意思的说法，叫「新信息的消费者」。
这种人有两个特质：一是谦逊，承认自己不懂；二是好奇，愿意去搞懂。
这两个加在一起，让他们能快速掌握任何新领域。
有个做核聚变的公司叫Commonwealth Fusion Systems，创始人是个等离子物理学家，从来没在公司工作过。
如果你让HR去筛选一个能带千人团队的CEO，等离子物理学家肯定不在搜索条件里。
但这个人学得飞快，很短时间内就掌握了怎么建团队、怎么讲故事、怎么融资。
这三个点其实是串在一起的，直面困难而不是逃避，选择有runway的方向，然后用成长型思维去持续学习。
最后，访谈里有个细节。
Schroepfer说，事后看所有成功的技术都是显而易见的。但在当时，大多数人都在怀疑。
然后三年之后，同样这批人会说我早就知道这东西会火。
他说得很直接：不，你当时不知道。
真正的判断力，不是事后觉得一切都合理，而是在一切都不确定的时候，你敢不敢往前走那一步。
这个人在Facebook待了14年，把工程团队从100人带到了35000人，建过数据中心，搞过VR硬件，还主导了好几次数十亿美元的收购。
他现在自己出来做投资了，专门投气候科技领域的公司。
他说：人类有一种本能，就是倾向于去解决那些容易解决的问题。
Schroepfer说这是他在Facebook早期学到的最重要的教训之一。当时他们遇到了一个特别棘手的问题，就是数据中心不够用了。
2008年金融危机，房地产市场崩了，没人盖新的数据中心。他们租不到空间，用户又在疯狂增长。
他们没有选择，只能自己建。
这里面有个很关键的思维方式，他没有说我们先把能解决的小问题都处理了，然后再来对付这个大问题。
他说的是：先识别出最关键的风险是什么，技术上最不确定的部分是什么，然后直接冲着那个最难的地方去。
困难的事不会因为你拖着就变简单，你回避它的每一天，它都在那儿等着你。
这是第一个点。；直面困难，不要用忙碌来逃避。
第二个让我觉得很有启发的是他判断一项技术值不值得投入的方法。
2013年的时候，Facebook要决定要不要建一个AI研究实验室。
当时其实有很多技术方向可以选，比如微软那种什么都研究的综合性实验室。
但Schroepfer和扎克伯格讨论之后，决定只做AI。
他说他们看到了ImageNet挑战赛的结果。那年有个用神经网络的方案，比其他所有方案都好出一大截，这本身就是个信号。
但更重要的是他们问了一个问题：这个技术是已经到顶了，还是才刚刚开始？
他们分析了一下，发现神经网络的性能取决于三个东西：模型规模、数据量、算力。
而这三个东西，当时都还有几千倍的提升空间。
他用了一个词叫runway，就是跑道的意思。
一项技术有没有runway，决定了它值不值得重注投入。
如果一个领域已经被优化了150年，你再怎么努力可能也就挤出百分之几的改进。但
如果它还在起点，那就完全不一样了。
这个思维方式其实可以迁移到很多场景。
比如你在选择学什么技能、进入什么行业、甚至是评估一个项目值不值得做的时候，都可以问自己：这件事的runway有多长？它是在起点还是终点？
第三个点是关于人的。
Schroepfer现在做投资，每年要见上千个创始人，最后只投大概10个。他说技术和市场固然重要，但最终赌的还是人。
他看人主要看两点。
第一是有没有一种死磕的劲头。
创业就是一连串的濒死体验加上无数人跟你说不行。30个投资人拒绝你不重要，重要的是第31个说了yes。
他自己25年前第一次创业的时候，有个投资人直接在他们的路演会上睡着了。
但后来红杉投了他们，公司做成了。
第二是学习能力。
他用了一个很有意思的说法，叫「新信息的消费者」。
这种人有两个特质：一是谦逊，承认自己不懂；二是好奇，愿意去搞懂。
这两个加在一起，让他们能快速掌握任何新领域。
有个做核聚变的公司叫Commonwealth Fusion Systems，创始人是个等离子物理学家，从来没在公司工作过。
如果你让HR去筛选一个能带千人团队的CEO，等离子物理学家肯定不在搜索条件里。
但这个人学得飞快，很短时间内就掌握了怎么建团队、怎么讲故事、怎么融资。
这三个点其实是串在一起的，直面困难而不是逃避，选择有runway的方向，然后用成长型思维去持续学习。
最后，访谈里有个细节。
Schroepfer说，事后看所有成功的技术都是显而易见的。但在当时，大多数人都在怀疑。
然后三年之后，同样这批人会说我早就知道这东西会火。
他说得很直接：不，你当时不知道。
真正的判断力，不是事后觉得一切都合理，而是在一切都不确定的时候，你敢不敢往前走那一步。
0 00
很多产品经理用AI，用着用着就飘了。
你问它一个想法好不好，它夸你。你问它一个方案行不行，它还夸你。
这个问题，Amplitude的增长产品经理Tommy Keeley专门聊过。
他说：AI默认会告诉你想听的话，而不是你应该听的话。
Tommy做了个小实验，他问ChatGPT：我想做一款闹钟，每五分钟响一次，而且永远关不掉，你觉得怎么样？
正常人一听就知道这想法不靠谱对吧。
但AI非但没泼冷水，反而兴奋地给这玩意儿取了个名字叫惩罚时钟，还开始分析这个概念有多么新颖独特。
很有趣，但完全没用。
换句话说，当你在做产品决策的时候，如果AI只会顺着你说话，那它其实在帮倒忙。
因为产品经理这个角色，最需要的恰恰是摩擦，是被挑战，是有人能戳破你的盲点。
那怎么办？
第一步：给AI装上一群杠精
Tommy提出了一个框架，叫个人董事会。
说白了，就是在提示词里给AI分配角色，让它扮演不同立场的思考者来挑战你的想法。
他常用的角色有五种。
怀疑论者，专门挑毛病。
用户拥护者，永远站在用户角度说话。
执行者，关心这事儿能不能落地。
远见者，看长远价值。
系统思考者，分析对整体的影响。
你可以这样写提示词：请你扮演Don Norman，我正在做一个功能改版项目，请从用户体验的角度来挑战我的方案。
更进阶的玩法是，让两个顾问在同一个对话里互相辩论。
Tommy试过让Andy Grove和Elon Musk就一个资源分配问题吵架。
他不是要听谁赢，而是要看矛盾点在哪里，看自己不自觉地被哪边吸引了。
第二步：自己动手做原型
聊完了想法阶段，再说执行。
Tommy有个观点我特别认同：增长产品经理应该学会自己写代码做原型。
这不是要你变成工程师，而是要消除想法和验证之间的摩擦。
你脑子里有个功能设想，以前得找设计师出图，找工程师评估，整个流程走下来可能一两周。
现在，你可以用Lovable或者Bolt这类工具，可能一个下午就能弄出一个可用的原型。
这带来两个好处。
第一是理解。
当你自己动手的时候，你会发现哪些事情比想象中简单，哪些比想象中难。真正的瓶颈在哪里，你心里有数了。
第二是同理心。
你感受过工程师的痛苦，你就不会再轻飘飘地说一句这个功能很简单吧应该很快能做完。这种同理心会让你成为更好的合作伙伴。
Tommy画了一张图，记录自己学写代码时的心理曲线。
刚开始用这些AI工具，做了几个小玩具应用，信心爆棚。
然后他心想，我应该能在公司正式代码库里搞点事情了吧。
结果一进去，环境配置就出问题，改一个小地方连带着动了十年没人碰过的历史文件，信心直接跌到谷底。
当你自己动手做东西的时候，很容易陷入一种幻觉，觉得自己造了一座城堡，实际上可能只是个沙雕。
投入了时间精力，就会产生禀赋效应，高估自己作品的价值。
所以Tommy提醒说，速度不等于成功。能快速做出来是一回事，用户会不会用是另一回事。
结果重于产出，这个老道理在AI时代依然成立。
第三步：让AI帮你挖出隐藏的增长杠杆
前面两步讲的是想法和执行，最后一步是学习和分析。
很多人觉得AI的价值就是快。Tommy说不对，AI更重要的价值是帮你提升判断力。
具体来说，有几个场景特别适合用AI来辅助分析。
实验结果解读。跑完一个AB测试，你可能会不自觉地去挑那些让结果看起来成功的指标。这是人性。AI可以帮你做一个全面的初筛，把所有指标摆出来，避免你自己选择性关注。
用户聚类。
传统的用户分群往往基于人口统计，比如年龄、地区、职业。
但AI可以根据行为数据做聚类，发现那些你没想到的模式。
比如你以为自己的产品在A行业做得好，结果发现有一群B行业的重度用户，这可能就是新的增长机会。
客户反馈分析。
如果你的产品有成千上万条评论、工单、调查问卷，人工根本看不过来。
AI可以快速提炼主题，识别情绪，给痛点排优先级。
这些应用背后有一个共同的逻辑，就是让不可见的东西变得可见。
聊了这么多具体的方法，最后回到一个更根本的问题。
这些AI工具到底改变了什么？
软件开发的基本循环没变，还是从想法到执行再到学习，然后迭代。
变的是每个环节的速度，以及我们手里的工具。
Tommy的建议是，作为增长PM，你要对这些变化保持敏感。知道现在能做什么，知道工具在往哪个方向演进，然后把自己摆在那个可能性的边界上。
不是被动等着别人告诉你该怎么用AI，而是主动去探索，去试错，去积累自己的判断。
同理，不是让AI来夸你，而是让它来挑战你。
这可能才是AI时代产品经理最重要的能力。
你问它一个想法好不好，它夸你。你问它一个方案行不行，它还夸你。
这个问题，Amplitude的增长产品经理Tommy Keeley专门聊过。
他说：AI默认会告诉你想听的话，而不是你应该听的话。
Tommy做了个小实验，他问ChatGPT：我想做一款闹钟，每五分钟响一次，而且永远关不掉，你觉得怎么样？
正常人一听就知道这想法不靠谱对吧。
但AI非但没泼冷水，反而兴奋地给这玩意儿取了个名字叫惩罚时钟，还开始分析这个概念有多么新颖独特。
很有趣，但完全没用。
换句话说，当你在做产品决策的时候，如果AI只会顺着你说话，那它其实在帮倒忙。
因为产品经理这个角色，最需要的恰恰是摩擦，是被挑战，是有人能戳破你的盲点。
那怎么办？
第一步：给AI装上一群杠精
Tommy提出了一个框架，叫个人董事会。
说白了，就是在提示词里给AI分配角色，让它扮演不同立场的思考者来挑战你的想法。
他常用的角色有五种。
怀疑论者，专门挑毛病。
用户拥护者，永远站在用户角度说话。
执行者，关心这事儿能不能落地。
远见者，看长远价值。
系统思考者，分析对整体的影响。
你可以这样写提示词：请你扮演Don Norman，我正在做一个功能改版项目，请从用户体验的角度来挑战我的方案。
更进阶的玩法是，让两个顾问在同一个对话里互相辩论。
Tommy试过让Andy Grove和Elon Musk就一个资源分配问题吵架。
他不是要听谁赢，而是要看矛盾点在哪里，看自己不自觉地被哪边吸引了。
第二步：自己动手做原型
聊完了想法阶段，再说执行。
Tommy有个观点我特别认同：增长产品经理应该学会自己写代码做原型。
这不是要你变成工程师，而是要消除想法和验证之间的摩擦。
你脑子里有个功能设想，以前得找设计师出图，找工程师评估，整个流程走下来可能一两周。
现在，你可以用Lovable或者Bolt这类工具，可能一个下午就能弄出一个可用的原型。
这带来两个好处。
第一是理解。
当你自己动手的时候，你会发现哪些事情比想象中简单，哪些比想象中难。真正的瓶颈在哪里，你心里有数了。
第二是同理心。
你感受过工程师的痛苦，你就不会再轻飘飘地说一句这个功能很简单吧应该很快能做完。这种同理心会让你成为更好的合作伙伴。
Tommy画了一张图，记录自己学写代码时的心理曲线。
刚开始用这些AI工具，做了几个小玩具应用，信心爆棚。
然后他心想，我应该能在公司正式代码库里搞点事情了吧。
结果一进去，环境配置就出问题，改一个小地方连带着动了十年没人碰过的历史文件，信心直接跌到谷底。
当你自己动手做东西的时候，很容易陷入一种幻觉，觉得自己造了一座城堡，实际上可能只是个沙雕。
投入了时间精力，就会产生禀赋效应，高估自己作品的价值。
所以Tommy提醒说，速度不等于成功。能快速做出来是一回事，用户会不会用是另一回事。
结果重于产出，这个老道理在AI时代依然成立。
第三步：让AI帮你挖出隐藏的增长杠杆
前面两步讲的是想法和执行，最后一步是学习和分析。
很多人觉得AI的价值就是快。Tommy说不对，AI更重要的价值是帮你提升判断力。
具体来说，有几个场景特别适合用AI来辅助分析。
实验结果解读。跑完一个AB测试，你可能会不自觉地去挑那些让结果看起来成功的指标。这是人性。AI可以帮你做一个全面的初筛，把所有指标摆出来，避免你自己选择性关注。
用户聚类。
传统的用户分群往往基于人口统计，比如年龄、地区、职业。
但AI可以根据行为数据做聚类，发现那些你没想到的模式。
比如你以为自己的产品在A行业做得好，结果发现有一群B行业的重度用户，这可能就是新的增长机会。
客户反馈分析。
如果你的产品有成千上万条评论、工单、调查问卷，人工根本看不过来。
AI可以快速提炼主题，识别情绪，给痛点排优先级。
这些应用背后有一个共同的逻辑，就是让不可见的东西变得可见。
聊了这么多具体的方法，最后回到一个更根本的问题。
这些AI工具到底改变了什么？
软件开发的基本循环没变，还是从想法到执行再到学习，然后迭代。
变的是每个环节的速度，以及我们手里的工具。
Tommy的建议是，作为增长PM，你要对这些变化保持敏感。知道现在能做什么，知道工具在往哪个方向演进，然后把自己摆在那个可能性的边界上。
不是被动等着别人告诉你该怎么用AI，而是主动去探索，去试错，去积累自己的判断。
同理，不是让AI来夸你，而是让它来挑战你。
这可能才是AI时代产品经理最重要的能力。
0 00
AI时代，产品经理必须重建的底层认知。
最近，我身边有不少做了七八年甚至十几年产品的朋友转去做AI产品以后，都经历了一段极其痛苦的适应期。
他们不是能力不行，恰恰相反，做AI产品，越是传统产品经验丰富的人，越容易踩坑。
前Zalando产品负责人Rupesh Agarwal最近分享了他转型做AI产品的方法论。
Rupesh Agarwal有着18年的产品经验，做过物流、电商、供应链，带过大大小小的团队。
按理说，这种履历做什么产品都能上手。
结果他第一次带团队做AI产品，首发版本超过一半的推荐结果是错的。
他原话是：我以为我们发射的是一枚登月火箭，结果发射出去的是一堆不确定性。
为什么会这样？
第一点：传统软件是确定性的，AI产品是概率性的。
传统软件是非常确定的，你做一个登录按钮，要么能用，要么不能用，同样的输入永远得到同样的输出。
但AI产品是存在概率性的，同样的输入可能产生不同的结果。
这意味着你必须从管理确定性变成了管理概率。
Rupesh说：你不能再承诺确定性，你只能管理概率区间。
2、从发布功能到训练系统。
传统产品经理的核心工作是排期、发版、迭代。
但AI产品的核心不是功能列表，而是一个持续学习的系统。
比如Gmail的垃圾邮件过滤，这不是一个功能，而是一个学习系统。
每次用户点击举报垃圾邮件，模型就会重新训练，真正的产品是这套学习机制本身。
所以你的路线图里必须包含数据质量、模型重训练周期、模型监控这些东西，而不仅仅是界面改版。
换句话说，发布功能没那么重要，让系统变得更聪明才重要。
3、用户反馈的局限性。
传统产品方法论特别强调用户调研。
但在AI产品里，用户往往说不清楚问题出在哪。
以Netflix的推荐为例，你去问用户，用户可能会说推荐有点奇怪，但他不会告诉你模型过度学习了他孩子的观看记录，也不会告诉你训练数据把他的口味归错了类别。
你从点击模式、观看完成率、停留时长里学到的东西，远比用户访谈多得多。
4、KPI体系需要重建。
做过产品的人都知道北极星指标很重要，留存率、转化率、收入增长，这些都是经典的业务KPI。
但AI产品需要额外的指标：模型准确率、假阳性率、推理延迟、公平性、可解释性。
比如Uber，他们要追踪订单量、收入、取消率，但同样要追踪预计到达时间的准确性、模型漂移。
如果ETA准确性偏差哪怕15秒，取消率就会上升，这时候界面可能根本没变。
5、团队协作模式的变化。
传统产品经理的协作模式是产品、设计、工程铁三角。
但做AI产品，你还要协调数据科学家、机器学习工程师、法务合规团队。
如果你在做一个内容推荐系统，改一个推送策略可能就需要协调七八个团队。发布一个功能需要的是跨职能编排，而不仅仅是三方协作。
Rupesh用了一个比喻：AI产品经理不是在管理功能，而是在指挥一个系统，你的角色从操作者变成了指挥家。
6、路线图变成了假设集合。
传统产品，你可以相对准确地估算交付时间，路线图就是承诺。
但AI产品引入了根本性的不确定性，模型性能只有通过实验和真实数据才能验证。
比如特斯拉自动驾驶，客户和高管总想要时间表：什么时候能在所有条件下工作？
但你作为产品负责人，你无法承诺模型在新城市的泛化能力，无法承诺会出现什么边缘情况。
你能做的是每周跑成千上万的微型实验，然后根据结果调整判断。
路线图从合同变成了假设。
7、用户体验不再为王。
传统产品里，用户体验驱动采用率。但在AI产品里，再好的界面也救不了一个糟糕的模型。
Google Photos的搜索功能界面很简洁，但如果AI无法准确识别人脸或物体，再漂亮的界面也没用。
TikTok和Instagram的竞争也说明了这个问题。
Instagram很快复制了TikTok的功能：短视频、无限下滑、创作者工具。
但TikTok的秘密武器不是功能，而是更好的推荐算法。
能平齐没用，模型差距才是关键。
Rupesh说：功能老化得很慢，模型老化得很快。你的竞争对手可能不是用更好的界面打败你，而是用更好的模型。
8、信任成为核心产品能力。
传统产品把隐私当合规清单，但AI产品依赖数据，隐私、安全、偏差消除对于建立信任至关重要。
苹果Siri和Google助手的竞争就是例子。
苹果选择了设备端处理，把隐私变成了竞争优势。
Google可能模型更好，但苹果把隐私定位为核心价值：你的数据留在你的设备上。
这让隐私从合规负担变成了产品差异化因素。
回到开头的问题：为什么经验丰富的产品经理反而更容易在AI产品上踩坑？
因为经典规则假设的是确定性输出、客户驱动反馈、可预测时间线、功能优先思维。
而AI用概率性结果、数据驱动反馈、实验优先、动态模型行为取代了这一切。
Rupesh说，如果你能内化这些转变，你就能在AI时代自信地领导，而不是被动地反应。
适应最快的领导者将定义产品的下一个十年。
最近，我身边有不少做了七八年甚至十几年产品的朋友转去做AI产品以后，都经历了一段极其痛苦的适应期。
他们不是能力不行，恰恰相反，做AI产品，越是传统产品经验丰富的人，越容易踩坑。
前Zalando产品负责人Rupesh Agarwal最近分享了他转型做AI产品的方法论。
Rupesh Agarwal有着18年的产品经验，做过物流、电商、供应链，带过大大小小的团队。
按理说，这种履历做什么产品都能上手。
结果他第一次带团队做AI产品，首发版本超过一半的推荐结果是错的。
他原话是：我以为我们发射的是一枚登月火箭，结果发射出去的是一堆不确定性。
为什么会这样？
第一点：传统软件是确定性的，AI产品是概率性的。
传统软件是非常确定的，你做一个登录按钮，要么能用，要么不能用，同样的输入永远得到同样的输出。
但AI产品是存在概率性的，同样的输入可能产生不同的结果。
这意味着你必须从管理确定性变成了管理概率。
Rupesh说：你不能再承诺确定性，你只能管理概率区间。
2、从发布功能到训练系统。
传统产品经理的核心工作是排期、发版、迭代。
但AI产品的核心不是功能列表，而是一个持续学习的系统。
比如Gmail的垃圾邮件过滤，这不是一个功能，而是一个学习系统。
每次用户点击举报垃圾邮件，模型就会重新训练，真正的产品是这套学习机制本身。
所以你的路线图里必须包含数据质量、模型重训练周期、模型监控这些东西，而不仅仅是界面改版。
换句话说，发布功能没那么重要，让系统变得更聪明才重要。
3、用户反馈的局限性。
传统产品方法论特别强调用户调研。
但在AI产品里，用户往往说不清楚问题出在哪。
以Netflix的推荐为例，你去问用户，用户可能会说推荐有点奇怪，但他不会告诉你模型过度学习了他孩子的观看记录，也不会告诉你训练数据把他的口味归错了类别。
你从点击模式、观看完成率、停留时长里学到的东西，远比用户访谈多得多。
4、KPI体系需要重建。
做过产品的人都知道北极星指标很重要，留存率、转化率、收入增长，这些都是经典的业务KPI。
但AI产品需要额外的指标：模型准确率、假阳性率、推理延迟、公平性、可解释性。
比如Uber，他们要追踪订单量、收入、取消率，但同样要追踪预计到达时间的准确性、模型漂移。
如果ETA准确性偏差哪怕15秒，取消率就会上升，这时候界面可能根本没变。
5、团队协作模式的变化。
传统产品经理的协作模式是产品、设计、工程铁三角。
但做AI产品，你还要协调数据科学家、机器学习工程师、法务合规团队。
如果你在做一个内容推荐系统，改一个推送策略可能就需要协调七八个团队。发布一个功能需要的是跨职能编排，而不仅仅是三方协作。
Rupesh用了一个比喻：AI产品经理不是在管理功能，而是在指挥一个系统，你的角色从操作者变成了指挥家。
6、路线图变成了假设集合。
传统产品，你可以相对准确地估算交付时间，路线图就是承诺。
但AI产品引入了根本性的不确定性，模型性能只有通过实验和真实数据才能验证。
比如特斯拉自动驾驶，客户和高管总想要时间表：什么时候能在所有条件下工作？
但你作为产品负责人，你无法承诺模型在新城市的泛化能力，无法承诺会出现什么边缘情况。
你能做的是每周跑成千上万的微型实验，然后根据结果调整判断。
路线图从合同变成了假设。
7、用户体验不再为王。
传统产品里，用户体验驱动采用率。但在AI产品里，再好的界面也救不了一个糟糕的模型。
Google Photos的搜索功能界面很简洁，但如果AI无法准确识别人脸或物体，再漂亮的界面也没用。
TikTok和Instagram的竞争也说明了这个问题。
Instagram很快复制了TikTok的功能：短视频、无限下滑、创作者工具。
但TikTok的秘密武器不是功能，而是更好的推荐算法。
能平齐没用，模型差距才是关键。
Rupesh说：功能老化得很慢，模型老化得很快。你的竞争对手可能不是用更好的界面打败你，而是用更好的模型。
8、信任成为核心产品能力。
传统产品把隐私当合规清单，但AI产品依赖数据，隐私、安全、偏差消除对于建立信任至关重要。
苹果Siri和Google助手的竞争就是例子。
苹果选择了设备端处理，把隐私变成了竞争优势。
Google可能模型更好，但苹果把隐私定位为核心价值：你的数据留在你的设备上。
这让隐私从合规负担变成了产品差异化因素。
回到开头的问题：为什么经验丰富的产品经理反而更容易在AI产品上踩坑？
因为经典规则假设的是确定性输出、客户驱动反馈、可预测时间线、功能优先思维。
而AI用概率性结果、数据驱动反馈、实验优先、动态模型行为取代了这一切。
Rupesh说，如果你能内化这些转变，你就能在AI时代自信地领导，而不是被动地反应。
适应最快的领导者将定义产品的下一个十年。
3 00
过去几周，有几家大型云服务商接连出现了宕机事故。
巧的是，这几家公司都在对外宣传自己大量使用AI生成代码。
有的说10%，有的说30%，最激进的甚至说到了50%，他们同时也强调自己非常重视代码质量。
那问题来了，这两件事之间有没有关联？
这个我不敢下定论，但Qodo公司的CEO Itamar Friedman在最近一场技术会议上分享了一组数据，看完之后我觉得这个问题值得好好聊聊。
你可能用过Claude Code，它有一个安全审查的prompt模板，两个月前在开发者圈子里挺火的。
表面上看，这个prompt写得很专业，开头就说你是一位资深安全工程师。
但如果你仔细往下读，会发现一行小字，大意是请忽略拒绝服务类的安全问题。
这就有意思了，你让AI帮你做安全审查，结果它根本不检查最常见的攻击类型之一。
这个例子说明，我们现在用AI写代码、用AI审代码，但整个过程可能比我们想象的要粗糙得多。
根据多份行业报告的综合数据，60%的开发者表示他们至少四分之一的代码是AI生成或AI辅助完成的。
更夸张的是，有15%的人说自己80%以上的代码都来自AI。
与此同时，82%到92%的开发者每周都在使用代码生成工具。
有人统计过，平均每个开发者手头有三个以上的AI编程工具，20%的人甚至用超过五个。
听起来效率非常高，确实在写代码这个环节，生产力提升了大约3倍。
5分钟调一次AI，就能产出过去几小时才能写完的代码量。
但问题也在这里浮出水面。
调研显示，用AI之后，开发者完成的任务数量增加了20%左右，打开的PR数量增加了接近100%，但代码审查的时间也相应增加了90%。
因为代码量暴增了，而每行代码里的bug数量并没有减少。
换句话说，总bug数跟着代码量一起涨了上去。
具体来说，42%的开发者报告他们花在修bug上的时间反而增加了，35%的项目出现了延期。
另一份报告甚至发现安全事件数量增加了3倍。
这个逻辑是通的。
代码量涨3倍，安全事件也涨3倍，说明单位代码的问题密度并没有改善。
调研中有一个问题问得很直接，你对AI生成的代码有多担心？
67%的开发者表示有严重的质量顾虑。
他们的核心困惑是，到底该怎么衡量AI代码的质量？没有框架，没有标准，全凭感觉。
传统软件开发有成熟的CI/CD流程、测试覆盖率指标、代码审查规范。
但AI代码的质量衡量体系还在空白阶段，大家用着新工具，却沿用旧的质量检测方式，自然会心里没底。
很多人用Cursor或者Copilot的时候会设置规则，比如不要写嵌套的if语句，要遵循某种代码风格，这些规则被遵守的情况怎么样？
答案是部分遵守。
调研数据显示，大多数人的反馈集中在基本遵守和大部分遵守这两个选项上，很少有人说完全遵守。
这意味着你以为AI按你的标准在干活，实际上它只是差不多在干活。
问题讲了这么多，有没有解法？
Friedman分享了几个有意思的发现。
第一个是测试。
调研发现，当开发者大量使用AI来做测试的时候，他们对AI生成代码的信任度会翻倍。
测试本质上是一种验证机制，它让质量变得可见了。
第二个是代码审查。
使用AI代码审查工具的开发者报告质量提升了一倍，同时写代码的效率还额外提高了47%。
好的审查工具会在你提交PR的时候就拦住问题，比如自动检查测试覆盖率是否达标，这相当于把质量门槛前置了。
第三个是上下文。
80%的开发者说他们不信任AI代码的原因是觉得AI拿到的上下文不够。
当被问到最希望改进什么的时候，33%的人把上下文排在第一位。
这一点很关键，AI的输出质量很大程度上取决于它拿到了什么信息。
如果它只看到当前文件的代码，不知道项目的整体架构、历史PR记录、团队的编码规范，那它生成的代码自然容易出问题。
Friedman用了一个很形象的模型来描述AI编程的演进。
第一阶段是普通的代码生成，比如自动补全。
这里有一个生产力天花板，你投入再多也很难突破。
第二阶段是智能体代码生成，比如让AI帮你完成一整个功能模块。
天花板更高了，但还是存在。
第三阶段是把AI用在整个软件开发生命周期里，不只是写代码，还包括质量检测、规范落地、持续学习。
这时候才有可能真正突破天花板。
他的核心观点是，AI是工具不是方案。
你不能指望买了一把更好的锤子就能盖出更好的房子，你需要的是一整套建造体系。
最后说一个可能让很多人不太舒服的结论：那些宣传10倍效率提升的说法，大概率是营销话术。
根据多份报告的实际数据，在整个软件开发周期里，真实的效率提升可能就是2倍左右，而且这还得是你认真投入了质量管理的情况下。
关键是你得知道这2倍从哪里来，以及代价是什么。
代价就是，你需要花同样的精力去投资质量体系，否则AI帮你写得越快，你后面填的坑就越多。
质量不是AI能帮你省掉的东西，它恰恰是你在AI时代的竞争优势。
巧的是，这几家公司都在对外宣传自己大量使用AI生成代码。
有的说10%，有的说30%，最激进的甚至说到了50%，他们同时也强调自己非常重视代码质量。
那问题来了，这两件事之间有没有关联？
这个我不敢下定论，但Qodo公司的CEO Itamar Friedman在最近一场技术会议上分享了一组数据，看完之后我觉得这个问题值得好好聊聊。
你可能用过Claude Code，它有一个安全审查的prompt模板，两个月前在开发者圈子里挺火的。
表面上看，这个prompt写得很专业，开头就说你是一位资深安全工程师。
但如果你仔细往下读，会发现一行小字，大意是请忽略拒绝服务类的安全问题。
这就有意思了，你让AI帮你做安全审查，结果它根本不检查最常见的攻击类型之一。
这个例子说明，我们现在用AI写代码、用AI审代码，但整个过程可能比我们想象的要粗糙得多。
根据多份行业报告的综合数据，60%的开发者表示他们至少四分之一的代码是AI生成或AI辅助完成的。
更夸张的是，有15%的人说自己80%以上的代码都来自AI。
与此同时，82%到92%的开发者每周都在使用代码生成工具。
有人统计过，平均每个开发者手头有三个以上的AI编程工具，20%的人甚至用超过五个。
听起来效率非常高，确实在写代码这个环节，生产力提升了大约3倍。
5分钟调一次AI，就能产出过去几小时才能写完的代码量。
但问题也在这里浮出水面。
调研显示，用AI之后，开发者完成的任务数量增加了20%左右，打开的PR数量增加了接近100%，但代码审查的时间也相应增加了90%。
因为代码量暴增了，而每行代码里的bug数量并没有减少。
换句话说，总bug数跟着代码量一起涨了上去。
具体来说，42%的开发者报告他们花在修bug上的时间反而增加了，35%的项目出现了延期。
另一份报告甚至发现安全事件数量增加了3倍。
这个逻辑是通的。
代码量涨3倍，安全事件也涨3倍，说明单位代码的问题密度并没有改善。
调研中有一个问题问得很直接，你对AI生成的代码有多担心？
67%的开发者表示有严重的质量顾虑。
他们的核心困惑是，到底该怎么衡量AI代码的质量？没有框架，没有标准，全凭感觉。
传统软件开发有成熟的CI/CD流程、测试覆盖率指标、代码审查规范。
但AI代码的质量衡量体系还在空白阶段，大家用着新工具，却沿用旧的质量检测方式，自然会心里没底。
很多人用Cursor或者Copilot的时候会设置规则，比如不要写嵌套的if语句，要遵循某种代码风格，这些规则被遵守的情况怎么样？
答案是部分遵守。
调研数据显示，大多数人的反馈集中在基本遵守和大部分遵守这两个选项上，很少有人说完全遵守。
这意味着你以为AI按你的标准在干活，实际上它只是差不多在干活。
问题讲了这么多，有没有解法？
Friedman分享了几个有意思的发现。
第一个是测试。
调研发现，当开发者大量使用AI来做测试的时候，他们对AI生成代码的信任度会翻倍。
测试本质上是一种验证机制，它让质量变得可见了。
第二个是代码审查。
使用AI代码审查工具的开发者报告质量提升了一倍，同时写代码的效率还额外提高了47%。
好的审查工具会在你提交PR的时候就拦住问题，比如自动检查测试覆盖率是否达标，这相当于把质量门槛前置了。
第三个是上下文。
80%的开发者说他们不信任AI代码的原因是觉得AI拿到的上下文不够。
当被问到最希望改进什么的时候，33%的人把上下文排在第一位。
这一点很关键，AI的输出质量很大程度上取决于它拿到了什么信息。
如果它只看到当前文件的代码，不知道项目的整体架构、历史PR记录、团队的编码规范，那它生成的代码自然容易出问题。
Friedman用了一个很形象的模型来描述AI编程的演进。
第一阶段是普通的代码生成，比如自动补全。
这里有一个生产力天花板，你投入再多也很难突破。
第二阶段是智能体代码生成，比如让AI帮你完成一整个功能模块。
天花板更高了，但还是存在。
第三阶段是把AI用在整个软件开发生命周期里，不只是写代码，还包括质量检测、规范落地、持续学习。
这时候才有可能真正突破天花板。
他的核心观点是，AI是工具不是方案。
你不能指望买了一把更好的锤子就能盖出更好的房子，你需要的是一整套建造体系。
最后说一个可能让很多人不太舒服的结论：那些宣传10倍效率提升的说法，大概率是营销话术。
根据多份报告的实际数据，在整个软件开发周期里，真实的效率提升可能就是2倍左右，而且这还得是你认真投入了质量管理的情况下。
关键是你得知道这2倍从哪里来，以及代价是什么。
代价就是，你需要花同样的精力去投资质量体系，否则AI帮你写得越快，你后面填的坑就越多。
质量不是AI能帮你省掉的东西，它恰恰是你在AI时代的竞争优势。
3 01
最近有个词叫Vibe Engineering火了，但这个词其实是从Vibe Coding演变来的。
Vibe Coding你知道，就是那种跟着感觉走、让AI帮你写代码的方式。
但Vibe Engineering不太一样，它更像是一种工程思维的升级。
我解释一下这两者的区别。
Vibe Coding的定义是Andrej Karpathy大神提出来的，大概是说：你完全沉浸在一种氛围里，忘掉代码的存在，让AI帮你搞定一切。不用管代码对不对，能跑就行。
换句话说，就是把代码当成一个黑盒子，你只管提需求，AI负责实现。
这种方式对于做个人小项目、快速验证想法，确实很爽。
但问题来了：如果你是个专业程序员，要做的是真正上线的产品，这套方法就不够用了。
而Vibe Engineering就是为了解决这个问题。
它的核心不是放弃专业技能，而是换一种方式使用专业技能。
具体来说有这么几步👇
第一步，建立上下文。
这是整个流程里最关键的环节，在你让AI写任何代码之前，先把项目的背景、约束条件、技术栈、代码规范全部准备好。
有的人会专门写一个详细的文档，放在项目根目录下，让AI每次都能读取到这些信息。
AI再聪明，它也不知道你的项目有什么特殊要求。
你不告诉它，它就会按自己的理解来，写出来的代码可能跟你现有的风格完全不搭。
第二步，边审边改。
这跟Vibe Coding最大的区别就在这里。Vibe Coding是看都不看就接受，Vibe Engineering是每一段代码都要过一遍眼。
不是说要逐行检查，而是要判断这段代码有没有明显的问题，架构合不合理，有没有安全漏洞。
如果发现不对，马上让AI重写或者自己动手改。
第三步，知道什么时候该停。
这一点特别重要，很多程序员有一种本能，就是看到代码就想优化。明明功能已经实现了，非要把它改得更优雅。
LLM根本不在乎重复代码，它不会因为你写了三遍类似的逻辑就觉得难受。
在AI时代，判断代码够不够用比判断代码够不够优雅更重要。
能跑、没bug、性能达标，就可以往下走了。
追求完美是工程师的美德，但在实际项目里，够用就是最好的。
说完方法论，再说说大家最关心的问题：AI会不会抢程序员的饭碗？
会，但可能跟你想的不一样。
一个趋势是，初级岗位正在被压缩。
以前公司会招一些实习生或者初级工程师做基础工作，现在这些工作可以让AI来做，所以进入这个行业的门槛反而变高了。
但高级岗位依然稳固。
举个例子，历史上薪资最高的工程师，往往是那些维护古老系统的人。
有一家叫Cobalt Cowboys的公司，专门做Cobol语言的维护，他们的工程师都是七八十岁的老爷子，因为只有他们懂这些上世纪的系统是怎么运作的。
未来也会是这样，当大家都在用AI写新代码的时候，能维护老代码、能解决AI搞不定的问题的人，反而会变得更值钱。
这就引出了一个更本质的问题：在AI时代，什么才是程序员的核心竞争力？
我觉得可以从两个维度来看。
第一个维度是判断力。
AI可以写出代码，但它不知道这段代码该不该写。
什么功能应该做，什么功能不应该做，什么时候该优化，什么时候该放过。
这些判断需要经验，需要对业务的理解，需要对用户的洞察。
第二个维度是系统思维。
AI擅长解决局部问题，但它很难把握整个系统的架构。当你的项目规模变大，模块之间的依赖变复杂，AI就很容易写出看起来能用但实际上埋了坑的代码。
如果你让AI实现一个功能，它可能会选择最简单的方案，但这个方案会不会影响系统的可扩展性？会不会在某个边界条件下出问题？
这些AI想不到，需要人来把关。
所以，与其担心被AI取代，不如想想怎么跟AI配合。
对于已经入行的程序员来说，心态的转变可能比技能的提升更重要。
接受AI是工具，而不是威胁，学会用它来放大自己的能力，而不是抗拒它。
真正不可替代的，是那些AI读不懂的东西。
你的经验、你的判断、你对问题的理解方式，这些才是护城河。
从Vibe Coding到Vibe Engineering，本质上是从被动使用工具变成主动驾驭工具。
工具会越来越强，但驾驭工具的能力永远稀缺。
Vibe Coding你知道，就是那种跟着感觉走、让AI帮你写代码的方式。
但Vibe Engineering不太一样，它更像是一种工程思维的升级。
我解释一下这两者的区别。
Vibe Coding的定义是Andrej Karpathy大神提出来的，大概是说：你完全沉浸在一种氛围里，忘掉代码的存在，让AI帮你搞定一切。不用管代码对不对，能跑就行。
换句话说，就是把代码当成一个黑盒子，你只管提需求，AI负责实现。
这种方式对于做个人小项目、快速验证想法，确实很爽。
但问题来了：如果你是个专业程序员，要做的是真正上线的产品，这套方法就不够用了。
而Vibe Engineering就是为了解决这个问题。
它的核心不是放弃专业技能，而是换一种方式使用专业技能。
具体来说有这么几步👇
第一步，建立上下文。
这是整个流程里最关键的环节，在你让AI写任何代码之前，先把项目的背景、约束条件、技术栈、代码规范全部准备好。
有的人会专门写一个详细的文档，放在项目根目录下，让AI每次都能读取到这些信息。
AI再聪明，它也不知道你的项目有什么特殊要求。
你不告诉它，它就会按自己的理解来，写出来的代码可能跟你现有的风格完全不搭。
第二步，边审边改。
这跟Vibe Coding最大的区别就在这里。Vibe Coding是看都不看就接受，Vibe Engineering是每一段代码都要过一遍眼。
不是说要逐行检查，而是要判断这段代码有没有明显的问题，架构合不合理，有没有安全漏洞。
如果发现不对，马上让AI重写或者自己动手改。
第三步，知道什么时候该停。
这一点特别重要，很多程序员有一种本能，就是看到代码就想优化。明明功能已经实现了，非要把它改得更优雅。
LLM根本不在乎重复代码，它不会因为你写了三遍类似的逻辑就觉得难受。
在AI时代，判断代码够不够用比判断代码够不够优雅更重要。
能跑、没bug、性能达标，就可以往下走了。
追求完美是工程师的美德，但在实际项目里，够用就是最好的。
说完方法论，再说说大家最关心的问题：AI会不会抢程序员的饭碗？
会，但可能跟你想的不一样。
一个趋势是，初级岗位正在被压缩。
以前公司会招一些实习生或者初级工程师做基础工作，现在这些工作可以让AI来做，所以进入这个行业的门槛反而变高了。
但高级岗位依然稳固。
举个例子，历史上薪资最高的工程师，往往是那些维护古老系统的人。
有一家叫Cobalt Cowboys的公司，专门做Cobol语言的维护，他们的工程师都是七八十岁的老爷子，因为只有他们懂这些上世纪的系统是怎么运作的。
未来也会是这样，当大家都在用AI写新代码的时候，能维护老代码、能解决AI搞不定的问题的人，反而会变得更值钱。
这就引出了一个更本质的问题：在AI时代，什么才是程序员的核心竞争力？
我觉得可以从两个维度来看。
第一个维度是判断力。
AI可以写出代码，但它不知道这段代码该不该写。
什么功能应该做，什么功能不应该做，什么时候该优化，什么时候该放过。
这些判断需要经验，需要对业务的理解，需要对用户的洞察。
第二个维度是系统思维。
AI擅长解决局部问题，但它很难把握整个系统的架构。当你的项目规模变大，模块之间的依赖变复杂，AI就很容易写出看起来能用但实际上埋了坑的代码。
如果你让AI实现一个功能，它可能会选择最简单的方案，但这个方案会不会影响系统的可扩展性？会不会在某个边界条件下出问题？
这些AI想不到，需要人来把关。
所以，与其担心被AI取代，不如想想怎么跟AI配合。
对于已经入行的程序员来说，心态的转变可能比技能的提升更重要。
接受AI是工具，而不是威胁，学会用它来放大自己的能力，而不是抗拒它。
真正不可替代的，是那些AI读不懂的东西。
你的经验、你的判断、你对问题的理解方式，这些才是护城河。
从Vibe Coding到Vibe Engineering，本质上是从被动使用工具变成主动驾驭工具。
工具会越来越强，但驾驭工具的能力永远稀缺。
2 00
你有没有注意，尽管这两年AI产品层出不穷，但真正留在你手机里、每天都在用的，好像还是ChatGPT这些通用大模型？
那些曾经让你眼前一亮的AI修图、AI配音、AI视频工具，下载之后用了几次，现在是不是已经找不到了？
这不是你的问题，是整个行业的问题。
顶级风投Goodwater Capital的联合创始人Chi-Hua Chien前几天在TechCrunch的活动上说了一句话：现在的AI消费品，就像2008年iPhone刚出来时的手电筒App。
2008年iPhone问世的时候，手电筒是最热门的第三方应用之一，当时很多人下载，觉得特别方便。
但后来苹果直接把这个功能内置到系统里了，那些做手电筒App的创业公司，瞬间就没了存在价值。
同样的事情正在AI领域重演。
你做出一个很酷的功能，比如AI生成视频、AI修复老照片、AI变声。
然后大厂看到了，觉得不错。 OpenAI发布Sora，中国公司开源视频模型，谷歌把各种能力塞进Gemini。
然后，你的护城河消失了。
用户为什么要用你的App，而不是直接用ChatGPT或者Gemini呢？
这就是为什么三年过去了，大多数AI创业公司还是在做To B的生意。
不是他们不想做消费品，是消费品太难守住了。
Chien说现在的AI，大概相当于2009到2010年的移动互联网。那个时候智能手机刚开始普及，大家都在摸索，不知道手机到底能干什么。
结果两三年之后，Uber和Airbnb横空出世，彻底改变了出行和住宿行业。
换句话说，平台需要一段稳定期，才能长出真正有生命力的产品。
Scribble Ventures的创始人Elizabeth Weil有个说法我很喜欢，她说现在的消费级AI处于一个尴尬的青春期。不上不下，还没长开。
那问题来了，什么时候能长开？
两位投资人不约而同地指向了同一个方向：可能需要一个新设备。
Chien说，你每天拿起手机大概500次，但手机能看到的东西，只占你生活的3%到5%。这么一个东西，怎么可能充分发挥AI的能力呢？
AI最大的潜力在于理解你的全部生活场景，然后给出个性化的建议。
但手机做不到这一点，你不可能24小时举着手机让它看你在干什么。
Weil她举着自己的iPhone对观众说：我不认为五年后我们还会围绕这个东西来设计产品。
现在各家公司都在探索新的形态。
OpenAI和苹果前设计总监Jony Ive据说在做一个无屏幕的口袋设备，Meta的雷朋智能眼镜配了一个能识别手势的腕带，还有各种AI胸针、AI吊坠、AI戒指，虽然目前效果都不太理想。
不过也不是所有AI消费品都必须等新设备。
Chien提了一个他看好的方向：个人AI财务顾问。
这种产品不需要环境感知，只需要深度理解你的财务状况和目标，然后给出定制化建议，手机完全能做。
Weil则看好AI家教，一个全天候在线、完全根据你的学习进度调整的私人导师。这个同样可以在手机上实现，而且需求非常刚性。
我觉得这两个方向有一个共同点：它们都是在解决一个足够具体、足够痛的问题。
最后说一个有意思的事。
现在有一批AI创业公司在做AI社交网络，他们的思路是让大量AI机器人和用户互动，这样用户永远不会缺人聊天、永远有人给你的内容点赞。
Chien对此很怀疑。他说这等于把社交变成了单人游戏。人们喜欢社交网络，本质上是因为知道屏幕那头是真人。
如果都是AI，那还有什么意义？
这个观点其实触及了一个更深的问题：AI到底是应该取代人，还是增强人？
我倾向于后者，那些真正能活下来的AI消费品，大概率不是要帮你逃避真实世界，而是要帮你更好地生活在真实世界里。
我们可能还要再等两三年，才能看到AI时代的Uber和Airbnb。
那些曾经让你眼前一亮的AI修图、AI配音、AI视频工具，下载之后用了几次，现在是不是已经找不到了？
这不是你的问题，是整个行业的问题。
顶级风投Goodwater Capital的联合创始人Chi-Hua Chien前几天在TechCrunch的活动上说了一句话：现在的AI消费品，就像2008年iPhone刚出来时的手电筒App。
2008年iPhone问世的时候，手电筒是最热门的第三方应用之一，当时很多人下载，觉得特别方便。
但后来苹果直接把这个功能内置到系统里了，那些做手电筒App的创业公司，瞬间就没了存在价值。
同样的事情正在AI领域重演。
你做出一个很酷的功能，比如AI生成视频、AI修复老照片、AI变声。
然后大厂看到了，觉得不错。 OpenAI发布Sora，中国公司开源视频模型，谷歌把各种能力塞进Gemini。
然后，你的护城河消失了。
用户为什么要用你的App，而不是直接用ChatGPT或者Gemini呢？
这就是为什么三年过去了，大多数AI创业公司还是在做To B的生意。
不是他们不想做消费品，是消费品太难守住了。
Chien说现在的AI，大概相当于2009到2010年的移动互联网。那个时候智能手机刚开始普及，大家都在摸索，不知道手机到底能干什么。
结果两三年之后，Uber和Airbnb横空出世，彻底改变了出行和住宿行业。
换句话说，平台需要一段稳定期，才能长出真正有生命力的产品。
Scribble Ventures的创始人Elizabeth Weil有个说法我很喜欢，她说现在的消费级AI处于一个尴尬的青春期。不上不下，还没长开。
那问题来了，什么时候能长开？
两位投资人不约而同地指向了同一个方向：可能需要一个新设备。
Chien说，你每天拿起手机大概500次，但手机能看到的东西，只占你生活的3%到5%。这么一个东西，怎么可能充分发挥AI的能力呢？
AI最大的潜力在于理解你的全部生活场景，然后给出个性化的建议。
但手机做不到这一点，你不可能24小时举着手机让它看你在干什么。
Weil她举着自己的iPhone对观众说：我不认为五年后我们还会围绕这个东西来设计产品。
现在各家公司都在探索新的形态。
OpenAI和苹果前设计总监Jony Ive据说在做一个无屏幕的口袋设备，Meta的雷朋智能眼镜配了一个能识别手势的腕带，还有各种AI胸针、AI吊坠、AI戒指，虽然目前效果都不太理想。
不过也不是所有AI消费品都必须等新设备。
Chien提了一个他看好的方向：个人AI财务顾问。
这种产品不需要环境感知，只需要深度理解你的财务状况和目标，然后给出定制化建议，手机完全能做。
Weil则看好AI家教，一个全天候在线、完全根据你的学习进度调整的私人导师。这个同样可以在手机上实现，而且需求非常刚性。
我觉得这两个方向有一个共同点：它们都是在解决一个足够具体、足够痛的问题。
最后说一个有意思的事。
现在有一批AI创业公司在做AI社交网络，他们的思路是让大量AI机器人和用户互动，这样用户永远不会缺人聊天、永远有人给你的内容点赞。
Chien对此很怀疑。他说这等于把社交变成了单人游戏。人们喜欢社交网络，本质上是因为知道屏幕那头是真人。
如果都是AI，那还有什么意义？
这个观点其实触及了一个更深的问题：AI到底是应该取代人，还是增强人？
我倾向于后者，那些真正能活下来的AI消费品，大概率不是要帮你逃避真实世界，而是要帮你更好地生活在真实世界里。
我们可能还要再等两三年，才能看到AI时代的Uber和Airbnb。
1 00
最近，有个叫Manthan Gupta的开发者，他干了一件事：逆向工程拆解了Claude的记忆系统。
他之前已经拆过ChatGPT了，这次轮到Claude，结果他发现，这两个AI处理记忆的方式完全不一样。
这事儿挺值得聊聊的，因为它不光是个技术问题，背后还藏着两种截然不同的产品设计思路。
先说说什么叫AI的记忆，就像你跟一个朋友聊天，你告诉他你最近在学Python，下次见面他可能会问你学得怎么样了，这就是记忆。
但AI不一样，AI每次对话理论上都是从零开始的，它没有真正意义上的大脑来存储信息。
那它怎么记住你是谁、你喜欢什么呢？
这就涉及到一个核心问题：AI的记忆系统是怎么设计的。
Manthan用了一个很简单的方法来研究这件事，他直接问AI自己是怎么工作的，然后通过多轮对话、交叉验证、实际测试来确认答案的可靠性。
先说ChatGPT的方案。
ChatGPT用的是一种叫预计算摘要的方式。
简单说就是，每次你跟它对话结束后，系统会在后台把这次对话的要点总结成一段话，然后存起来。
下次你再来聊天的时候，这些摘要会被塞进提示词里，AI就能知道你之前聊过什么了。
这个方案的好处很明显：每次对话都会自动带上之前的记忆，不需要AI主动去找。
但缺点也很明显：摘要毕竟是压缩过的信息，很多细节都丢了。
而且不管这次对话需不需要之前的信息，系统都会把摘要塞进去，多少有点浪费。
Claude走的是完全不同的路子。
根据Manthan的研究，Claude的上下文结构是这样的：
第一层是系统提示词，这个是固定的，定义了AI的基本行为规则。
第二层是用户记忆。这里存的是关于你的一些稳定信息，比如你的名字、你的职业、你的偏好。这些信息会用一种类似XML的格式注入到提示词里。
第三层是对话历史，就是当前这次对话的完整记录。
第四层是你当前发送的消息。
到这里为止，其实跟ChatGPT差不多，但关键的区别在于Claude怎么处理历史对话。
Claude有两个专门的工具：一个叫conversation_search，可以按关键词搜索历史对话；另一个叫recent_chats，可以按时间查看最近的对话。
重点是，这两个工具不是每次都会被调用的，只有当Claude判断当前对话需要历史信息的时候，它才会主动去查。
换句话说，ChatGPT是把小抄提前塞给你，Claude是让你需要的时候自己去翻笔记本。
说到这里，可能有人会问：哪种方式更好？
答案是，没有绝对的好坏，只有取舍。
就像人的工作记忆是有限的，同一时间能处理的信息块大概就那么几个。
AI也是一样，它的上下文窗口就那么大，塞太多东西进去反而会影响效果。
ChatGPT的方案选择了连续性，每次对话都会自动带上之前的记忆，用户体验更顺滑，不会出现AI突然忘了你是谁的情况。
Claude的方案选择了深度。因为不是每次都把历史信息塞进去，所以当真正需要的时候，可以调取更详细的原始对话，而不是被压缩过的摘要。
这让我想起产品设计里的一个经典权衡：推送还是拉取。
推送模式是系统主动把信息推给你，优点是及时，缺点是可能推了一堆你不需要的东西。
拉取模式是你需要的时候自己去找，优点是精准，缺点是可能错过一些本来有用的信息。
ChatGPT选了推送，Claude选了拉取。
具体到使用场景，这个差异会产生一些实际影响。
如果你经常需要AI记住你之前说过的话，而且这些信息比较稳定，比如你的职业、你的项目、你的偏好，那两个系统表现差不多，因为这些都会被存进长期记忆。
但如果你需要AI回忆某次具体对话的细节，比如上周讨论的那个技术方案具体是怎么说的，Claude理论上能做得更好。
因为它可以去搜索原始对话，而不是看摘要。
当然，这里有个前提：Claude得意识到它需要去搜索。
如果它没意识到，那这个能力就浪费了。
这也是Manthan在文章里提到的一个潜在问题。
Claude的方案更灵活，但也更依赖AI自己的判断。判断准了，效果会更好；判断失误，可能反而不如ChatGPT的自动注入。
但工具本身没有好坏，关键是理解它的工作方式，然后用对地方。
这大概也是为什么Manthan要花时间做这个逆向工程研究。当我们越来越依赖AI工具的时候，理解它们的底层逻辑，就变成了一种必要的能力。
他之前已经拆过ChatGPT了，这次轮到Claude，结果他发现，这两个AI处理记忆的方式完全不一样。
这事儿挺值得聊聊的，因为它不光是个技术问题，背后还藏着两种截然不同的产品设计思路。
先说说什么叫AI的记忆，就像你跟一个朋友聊天，你告诉他你最近在学Python，下次见面他可能会问你学得怎么样了，这就是记忆。
但AI不一样，AI每次对话理论上都是从零开始的，它没有真正意义上的大脑来存储信息。
那它怎么记住你是谁、你喜欢什么呢？
这就涉及到一个核心问题：AI的记忆系统是怎么设计的。
Manthan用了一个很简单的方法来研究这件事，他直接问AI自己是怎么工作的，然后通过多轮对话、交叉验证、实际测试来确认答案的可靠性。
先说ChatGPT的方案。
ChatGPT用的是一种叫预计算摘要的方式。
简单说就是，每次你跟它对话结束后，系统会在后台把这次对话的要点总结成一段话，然后存起来。
下次你再来聊天的时候，这些摘要会被塞进提示词里，AI就能知道你之前聊过什么了。
这个方案的好处很明显：每次对话都会自动带上之前的记忆，不需要AI主动去找。
但缺点也很明显：摘要毕竟是压缩过的信息，很多细节都丢了。
而且不管这次对话需不需要之前的信息，系统都会把摘要塞进去，多少有点浪费。
Claude走的是完全不同的路子。
根据Manthan的研究，Claude的上下文结构是这样的：
第一层是系统提示词，这个是固定的，定义了AI的基本行为规则。
第二层是用户记忆。这里存的是关于你的一些稳定信息，比如你的名字、你的职业、你的偏好。这些信息会用一种类似XML的格式注入到提示词里。
第三层是对话历史，就是当前这次对话的完整记录。
第四层是你当前发送的消息。
到这里为止，其实跟ChatGPT差不多，但关键的区别在于Claude怎么处理历史对话。
Claude有两个专门的工具：一个叫conversation_search，可以按关键词搜索历史对话；另一个叫recent_chats，可以按时间查看最近的对话。
重点是，这两个工具不是每次都会被调用的，只有当Claude判断当前对话需要历史信息的时候，它才会主动去查。
换句话说，ChatGPT是把小抄提前塞给你，Claude是让你需要的时候自己去翻笔记本。
说到这里，可能有人会问：哪种方式更好？
答案是，没有绝对的好坏，只有取舍。
就像人的工作记忆是有限的，同一时间能处理的信息块大概就那么几个。
AI也是一样，它的上下文窗口就那么大，塞太多东西进去反而会影响效果。
ChatGPT的方案选择了连续性，每次对话都会自动带上之前的记忆，用户体验更顺滑，不会出现AI突然忘了你是谁的情况。
Claude的方案选择了深度。因为不是每次都把历史信息塞进去，所以当真正需要的时候，可以调取更详细的原始对话，而不是被压缩过的摘要。
这让我想起产品设计里的一个经典权衡：推送还是拉取。
推送模式是系统主动把信息推给你，优点是及时，缺点是可能推了一堆你不需要的东西。
拉取模式是你需要的时候自己去找，优点是精准，缺点是可能错过一些本来有用的信息。
ChatGPT选了推送，Claude选了拉取。
具体到使用场景，这个差异会产生一些实际影响。
如果你经常需要AI记住你之前说过的话，而且这些信息比较稳定，比如你的职业、你的项目、你的偏好，那两个系统表现差不多，因为这些都会被存进长期记忆。
但如果你需要AI回忆某次具体对话的细节，比如上周讨论的那个技术方案具体是怎么说的，Claude理论上能做得更好。
因为它可以去搜索原始对话，而不是看摘要。
当然，这里有个前提：Claude得意识到它需要去搜索。
如果它没意识到，那这个能力就浪费了。
这也是Manthan在文章里提到的一个潜在问题。
Claude的方案更灵活，但也更依赖AI自己的判断。判断准了，效果会更好；判断失误，可能反而不如ChatGPT的自动注入。
但工具本身没有好坏，关键是理解它的工作方式，然后用对地方。
这大概也是为什么Manthan要花时间做这个逆向工程研究。当我们越来越依赖AI工具的时候，理解它们的底层逻辑，就变成了一种必要的能力。
0 01
什么样的工作，才不会被AI取代？
我身边好几个程序员朋友，都在焦虑同一件事：我的工作还能干几年？
光是今年，全球科技行业就裁掉了超过10万人。
亚马逊砍了1.4万个岗位，Duolingo直接用AI替换了一批人工翻译，英国有六分之一的雇主明确表示明年会因为AI减少招聘。
最先被砍的都是初级岗位。职场这个梯子，第一级台阶正在塌陷。
那么，如果入门级的工作都消失了，那刚毕业的年轻人怎么办？
我们这些已经工作几年的人，又该往哪走？
带着这些疑问，我最近翻了一些资料和访谈，想了解一下，那些真正在建造AI工具的人是怎么看这件事的。
英国企业家Daniel Priestley曾经说过：现在既是最好的时代，也是最难的时代。钱比以前多，机会比以前多，触达全球市场的速度比以前快。
而我们的教育体系却还停留在工业时代，花了十几年时间把人培养成工厂和办公室需要的样子。
问题是，那些工厂和办公室已经不太存在了。
我们花了十几年学习如何做功能性工作，而这些工作现在可以被自动化、被外包，而且速度更快、成本更低。
所以现在真正的问题已经不是你有没有学历了。
真正的问题是：你到底能不能端到端地解决一个复杂问题？
或者是，你能不能用AI工具把产出放大十倍？
如果答案是不能，那确实需要担心。
很多人经常问，AI会取代什么职业，期待听到的答案可能是程序员、设计师、文案策划等等。
但现实比这复杂得多，也吓人得多。
Perplexity的CEO讲了一个真实的故事，他让AI分析自己的投资组合，然后问它：我应该解雇我的理财顾问吗？
AI给了一个非常肯定的回答：是的，你应该立刻这么做。
AI不仅给出了建议，还直接帮他做了一套重新配置资产的完整方案。
当然，如果你的理财顾问只是帮你挑几只公募基金，那AI确实可以取代他。
但如果你的顾问能帮你拿到一般人接触不到的私募股权、对冲基金、早期投资机会呢？那他依然非常有价值。
同样的逻辑适用于其他领域。
一个只会套模板的律师，很容易被取代。
但一个能谈判、能做策略、能和客户建立深度信任的律师，价值反而在上升。
AI不是在消灭整个行业，而是在消灭那些太基础的岗位。
说完大趋势，来聊聊如果你已经有工作该怎么办。
一位CEO说：AI会拿走那些重复性的、功能性的、让人烦躁的工作。人类要往上走，去做更高价值的事情。如果你不愿意往上走，我没有太多办法帮你。
公司在快速前进，你要么跟上，要么找别的路。
不是AI取代你，是你不进化的话会被取代。
大厂现在的做法很有意思，很多公司开始要求员工在申请增加人手之前，先想清楚能不能用AI解决问题。
如果你的公司里有人说我不想用AI，那基本上等于在说我不想让公司成功，因为竞争对手全都在用。
那么，到底什么能力是AI时代的硬通货？
和很多人的直觉不同，答案不是某个具体技能，而是三个方向。
1、AI使用的流畅度。
不是说你要会写代码或者训练模型，而是你要比90%的同行更会用这些工具，能用AI把原来30分钟的事情压缩到5分钟，这就是竞争力。
2、跨领域能力。
Replit的创始人讲了一个观点，工业革命之前，最被记住的人往往是什么都懂一点的通才，比如达芬奇，又是工程师又是艺术家。
但工业革命把人变成了机器的零件，每个人只负责流水线上的一个环节。
AI时代，很有可能会让我们回到那个通才更吃香的状态，组合能力才是真正的稀缺资源。
3、个人品牌。
AI时代内容会爆炸式增长，新品牌想要被看见会越来越难。
但如果你已经有了两千到两万个真正认识你、信任你的人，这就是一笔巨大的资产。
接下来，这个月你就可以开始做三件事。
第一，学会和AI一起工作。
把你每周重复的任务列出来，用ChatGPT、Perplexity、Claude去建立工作流。目标是在30天内把三到五件事的耗时砍掉一半。
然后把这件事写进简历：用AI工作流将某某任务效率提升50%。
第二，在一个领域深耕一年，然后扩展。
选一个方向，用一整年去啃最难的部分，上课、做项目、产出可展示的成果。
之后再加一个相邻技能，从做事的人变成推动业务的人的关键路径。
第三，建立一个小而真实的个人品牌。
不需要追求百万粉丝，找到两千到两万个知道你在干什么的人就够了，每周分享你的学习、实验、数据。
记录旅程，而不是等到准备好。
未来的工作不是人类对抗AI，而是人类加上AI。
你只需要开始用这些工具，开始往更高价值的方向移动，开始让别人知道你是谁。
我身边好几个程序员朋友，都在焦虑同一件事：我的工作还能干几年？
光是今年，全球科技行业就裁掉了超过10万人。
亚马逊砍了1.4万个岗位，Duolingo直接用AI替换了一批人工翻译，英国有六分之一的雇主明确表示明年会因为AI减少招聘。
最先被砍的都是初级岗位。职场这个梯子，第一级台阶正在塌陷。
那么，如果入门级的工作都消失了，那刚毕业的年轻人怎么办？
我们这些已经工作几年的人，又该往哪走？
带着这些疑问，我最近翻了一些资料和访谈，想了解一下，那些真正在建造AI工具的人是怎么看这件事的。
英国企业家Daniel Priestley曾经说过：现在既是最好的时代，也是最难的时代。钱比以前多，机会比以前多，触达全球市场的速度比以前快。
而我们的教育体系却还停留在工业时代，花了十几年时间把人培养成工厂和办公室需要的样子。
问题是，那些工厂和办公室已经不太存在了。
我们花了十几年学习如何做功能性工作，而这些工作现在可以被自动化、被外包，而且速度更快、成本更低。
所以现在真正的问题已经不是你有没有学历了。
真正的问题是：你到底能不能端到端地解决一个复杂问题？
或者是，你能不能用AI工具把产出放大十倍？
如果答案是不能，那确实需要担心。
很多人经常问，AI会取代什么职业，期待听到的答案可能是程序员、设计师、文案策划等等。
但现实比这复杂得多，也吓人得多。
Perplexity的CEO讲了一个真实的故事，他让AI分析自己的投资组合，然后问它：我应该解雇我的理财顾问吗？
AI给了一个非常肯定的回答：是的，你应该立刻这么做。
AI不仅给出了建议，还直接帮他做了一套重新配置资产的完整方案。
当然，如果你的理财顾问只是帮你挑几只公募基金，那AI确实可以取代他。
但如果你的顾问能帮你拿到一般人接触不到的私募股权、对冲基金、早期投资机会呢？那他依然非常有价值。
同样的逻辑适用于其他领域。
一个只会套模板的律师，很容易被取代。
但一个能谈判、能做策略、能和客户建立深度信任的律师，价值反而在上升。
AI不是在消灭整个行业，而是在消灭那些太基础的岗位。
说完大趋势，来聊聊如果你已经有工作该怎么办。
一位CEO说：AI会拿走那些重复性的、功能性的、让人烦躁的工作。人类要往上走，去做更高价值的事情。如果你不愿意往上走，我没有太多办法帮你。
公司在快速前进，你要么跟上，要么找别的路。
不是AI取代你，是你不进化的话会被取代。
大厂现在的做法很有意思，很多公司开始要求员工在申请增加人手之前，先想清楚能不能用AI解决问题。
如果你的公司里有人说我不想用AI，那基本上等于在说我不想让公司成功，因为竞争对手全都在用。
那么，到底什么能力是AI时代的硬通货？
和很多人的直觉不同，答案不是某个具体技能，而是三个方向。
1、AI使用的流畅度。
不是说你要会写代码或者训练模型，而是你要比90%的同行更会用这些工具，能用AI把原来30分钟的事情压缩到5分钟，这就是竞争力。
2、跨领域能力。
Replit的创始人讲了一个观点，工业革命之前，最被记住的人往往是什么都懂一点的通才，比如达芬奇，又是工程师又是艺术家。
但工业革命把人变成了机器的零件，每个人只负责流水线上的一个环节。
AI时代，很有可能会让我们回到那个通才更吃香的状态，组合能力才是真正的稀缺资源。
3、个人品牌。
AI时代内容会爆炸式增长，新品牌想要被看见会越来越难。
但如果你已经有了两千到两万个真正认识你、信任你的人，这就是一笔巨大的资产。
接下来，这个月你就可以开始做三件事。
第一，学会和AI一起工作。
把你每周重复的任务列出来，用ChatGPT、Perplexity、Claude去建立工作流。目标是在30天内把三到五件事的耗时砍掉一半。
然后把这件事写进简历：用AI工作流将某某任务效率提升50%。
第二，在一个领域深耕一年，然后扩展。
选一个方向，用一整年去啃最难的部分，上课、做项目、产出可展示的成果。
之后再加一个相邻技能，从做事的人变成推动业务的人的关键路径。
第三，建立一个小而真实的个人品牌。
不需要追求百万粉丝，找到两千到两万个知道你在干什么的人就够了，每周分享你的学习、实验、数据。
记录旅程，而不是等到准备好。
未来的工作不是人类对抗AI，而是人类加上AI。
你只需要开始用这些工具，开始往更高价值的方向移动，开始让别人知道你是谁。
1 00
今天看到智能涌现发的一篇报道，在DeepSeek冲击之后，百川智能的ToB业务解散，全面收拢至C端AI医疗。
之前负责百川ToB业务的前高管选择出走创业。
这个人叫邓江，百川智能商业合伙人、商业化业务副总裁。
他曾在中国农业银行总行任职，后来辗转长安新生、中关村科金，2024年初被王小川挖到百川，一手搭建起金融事业群。
离开百川后，邓江成立了一家叫"缘启智慧"的公司。
但他没有回到熟悉的金融领域，而是继续做AI医疗。
这看起来像是一次复刻，但实际上，却是一次分道扬镳。
在技术路线上，百川押注纯文本大模型，邓江选择多模态；在商业模式上，百川聚焦ToC，邓江拥抱ToB。
同一个赛道，两个方向，谁能跑出来？
其实很多人其实不理解邓江的选择，一个金融背景的人，既不是医学专家，也没有临床经验，凭什么做AI医疗？
邓江的回答是：大家对医疗的理解有偏差。
医疗不等于医院，也不等于医生，它本质上是一套知识体系，这套知识体系的应用场景远比大家想象的要广泛。
买保险需要健康咨询，理赔需要核保审核，银行养老金融需要健康管理，医美机构需要专业建议，体检中心需要报告解读。
这些场景有一个共同特点：都需要医疗知识，但都不在医院里发生。
邓江在百川的一年多，做的就是这件事。
他带着团队给保险公司推健康咨询和理赔核保方案，给银行落地养老金融场景。
这些业务听起来是金融，骨子里却是医疗。
用他的话说，做金融是为了做医疗。
成果也很明显，在整个大模型行业商业化举步维艰的2024年，百川的ToB业务反而成了公司的营收核心。
不管是合同金额还是客户合作意愿，都证明了AI医疗在泛健康场景的商业化潜力，这给了邓江巨大的信心。
他亲眼看到市场对新技术的接受程度，亲手跑通了商业闭环。
所以当他决定离开百川时，选择继续做AI医疗几乎是顺理成章的事。
但邓江不想简单复制百川的路径。
他离开的核心原因是：想按照自己的想法选择技术路径。
在他看来，医疗问题一定是"望闻问切"的，是多模态的，无法只通过文字描述清楚。
打个比方，你用语言描述一幅世界名画给别人听，听众脑海中还原出的画面一定和原作相去甚远。语言是描述世界的好载体，但信息衰减是不可避免的。
线上问诊和面诊的区别也是一样。
面诊时医生能看到你的面色、精神状态、走路姿势，这些都是语言无法传递的信息。
所以邓江坚信，真正要解决医疗问题，必须走多模态路线。
公司成立半年，他们基于四五款国产大尺寸多模态模型做强化训练，搞出了自己的底层医疗循证模型。
11月发布的商业化产品MentX，在国际权威的医学多模态推理评测集MedXpertQA上拿下了全球第二、中国第一的成绩。
邓江说，MentX回答真实常见医疗问题的准确率达到了95%，处于国内第一梯队。
更重要的是，这个模型能处理跨科室、跨模态的复杂医疗决策。
一份体检报告里同时包含CT、X光片、心电图和各种检测数据，MentX可以一并解读，而不需要拆成好几个专业小模型分别处理。
在商业模式上，邓江也走了一条和百川相反的路。
百川选择ToC，邓江押注ToB。
原因很现实，他认为现阶段更高质量的医疗多模态数据，还是在B端而不是C端。
一个普通患者在家拍照上传，能拍出什么质量的医学影像？但如果是医美机构的专业销售，可以指导用户从特定角度拍摄眼角、法令纹，数据质量完全不一样。
B端的专业人员相当于帮创业公司做了一道输入端的筛选。
这种"2B2C"的模式，让缘启智慧可以借助产业链公司的力量，积累高质量数据，同时帮助这些公司实现更智能的ToC服务。
更深层的原因是技术独立性。
邓江举了个例子：某大厂投资了爱康和美年，如果你是一家体检机构，你愿意跟这家大厂合作吗？
大厂的生态做得很深是优势，但也是劣势。它们无法保障技术独立性，因为它们和客户在某些场景上存在深度竞争。
这就像华为宣布不造车，它的技术才能被更广泛的车厂使用。
独立的技术公司，在任何行业、任何时代都有自己的生存空间。
公司成立仅三个月，邓江已经签下了三份商业化合同。
当然，质疑声从未停止。
有投资人问：你拿什么和大厂竞争？
邓江的回答是：聚焦复杂场景。
简单的症状咨询和轻问诊，门槛确实不高，大厂随便做做就行。但复杂的医疗决策完全是另一回事。
一份体检报告，十几种指标，再加上CT、X光片、心电图等医学影像，要把诊断做准了，本身就是非常难的事。
"真实医疗场景中，复杂决策才有真正的价值。"邓江说，"我们不做医疗问答ChatBot，不做简单的症状咨询，我们聚焦的是需要结合不同模态医学影像、跨科室的复杂医疗决策场景。"
马斯克的无人驾驶技术路径是公开的，他告诉全世界纯视觉就能实现自动驾驶，但又有多少人真正做出来了？
技术路径的选择，说起来容易，做到是另一回事。
邓江预测，AI医疗的规模化落地时间点是2026年。
中国和美国在商业化落地上大概有半年到一年的差距，而美国已经开始跑通了。
OpenAI据说要在医疗健康领域投入250亿美金，国内豆包、蚂蚁也纷纷推出健康类产品。
大厂的布局，某种程度上反而验证了这个赛道的价值。
但邓江不觉得这是威胁。
"哪怕只做某一种病，都意味着巨大的市场空间。比如皮肤病，中国有上亿患者，把皮肤病做好，都足够立足了。"
他引用了一句话：真正有价值的东西，在早期一定是非共识的。当大家都形成共识，机会也就没了。
这句话，恰好也是王小川说过的。
师出同门，殊途同归，还是分道扬镳？
之前负责百川ToB业务的前高管选择出走创业。
这个人叫邓江，百川智能商业合伙人、商业化业务副总裁。
他曾在中国农业银行总行任职，后来辗转长安新生、中关村科金，2024年初被王小川挖到百川，一手搭建起金融事业群。
离开百川后，邓江成立了一家叫"缘启智慧"的公司。
但他没有回到熟悉的金融领域，而是继续做AI医疗。
这看起来像是一次复刻，但实际上，却是一次分道扬镳。
在技术路线上，百川押注纯文本大模型，邓江选择多模态；在商业模式上，百川聚焦ToC，邓江拥抱ToB。
同一个赛道，两个方向，谁能跑出来？
其实很多人其实不理解邓江的选择，一个金融背景的人，既不是医学专家，也没有临床经验，凭什么做AI医疗？
邓江的回答是：大家对医疗的理解有偏差。
医疗不等于医院，也不等于医生，它本质上是一套知识体系，这套知识体系的应用场景远比大家想象的要广泛。
买保险需要健康咨询，理赔需要核保审核，银行养老金融需要健康管理，医美机构需要专业建议，体检中心需要报告解读。
这些场景有一个共同特点：都需要医疗知识，但都不在医院里发生。
邓江在百川的一年多，做的就是这件事。
他带着团队给保险公司推健康咨询和理赔核保方案，给银行落地养老金融场景。
这些业务听起来是金融，骨子里却是医疗。
用他的话说，做金融是为了做医疗。
成果也很明显，在整个大模型行业商业化举步维艰的2024年，百川的ToB业务反而成了公司的营收核心。
不管是合同金额还是客户合作意愿，都证明了AI医疗在泛健康场景的商业化潜力，这给了邓江巨大的信心。
他亲眼看到市场对新技术的接受程度，亲手跑通了商业闭环。
所以当他决定离开百川时，选择继续做AI医疗几乎是顺理成章的事。
但邓江不想简单复制百川的路径。
他离开的核心原因是：想按照自己的想法选择技术路径。
在他看来，医疗问题一定是"望闻问切"的，是多模态的，无法只通过文字描述清楚。
打个比方，你用语言描述一幅世界名画给别人听，听众脑海中还原出的画面一定和原作相去甚远。语言是描述世界的好载体，但信息衰减是不可避免的。
线上问诊和面诊的区别也是一样。
面诊时医生能看到你的面色、精神状态、走路姿势，这些都是语言无法传递的信息。
所以邓江坚信，真正要解决医疗问题，必须走多模态路线。
公司成立半年，他们基于四五款国产大尺寸多模态模型做强化训练，搞出了自己的底层医疗循证模型。
11月发布的商业化产品MentX，在国际权威的医学多模态推理评测集MedXpertQA上拿下了全球第二、中国第一的成绩。
邓江说，MentX回答真实常见医疗问题的准确率达到了95%，处于国内第一梯队。
更重要的是，这个模型能处理跨科室、跨模态的复杂医疗决策。
一份体检报告里同时包含CT、X光片、心电图和各种检测数据，MentX可以一并解读，而不需要拆成好几个专业小模型分别处理。
在商业模式上，邓江也走了一条和百川相反的路。
百川选择ToC，邓江押注ToB。
原因很现实，他认为现阶段更高质量的医疗多模态数据，还是在B端而不是C端。
一个普通患者在家拍照上传，能拍出什么质量的医学影像？但如果是医美机构的专业销售，可以指导用户从特定角度拍摄眼角、法令纹，数据质量完全不一样。
B端的专业人员相当于帮创业公司做了一道输入端的筛选。
这种"2B2C"的模式，让缘启智慧可以借助产业链公司的力量，积累高质量数据，同时帮助这些公司实现更智能的ToC服务。
更深层的原因是技术独立性。
邓江举了个例子：某大厂投资了爱康和美年，如果你是一家体检机构，你愿意跟这家大厂合作吗？
大厂的生态做得很深是优势，但也是劣势。它们无法保障技术独立性，因为它们和客户在某些场景上存在深度竞争。
这就像华为宣布不造车，它的技术才能被更广泛的车厂使用。
独立的技术公司，在任何行业、任何时代都有自己的生存空间。
公司成立仅三个月，邓江已经签下了三份商业化合同。
当然，质疑声从未停止。
有投资人问：你拿什么和大厂竞争？
邓江的回答是：聚焦复杂场景。
简单的症状咨询和轻问诊，门槛确实不高，大厂随便做做就行。但复杂的医疗决策完全是另一回事。
一份体检报告，十几种指标，再加上CT、X光片、心电图等医学影像，要把诊断做准了，本身就是非常难的事。
"真实医疗场景中，复杂决策才有真正的价值。"邓江说，"我们不做医疗问答ChatBot，不做简单的症状咨询，我们聚焦的是需要结合不同模态医学影像、跨科室的复杂医疗决策场景。"
马斯克的无人驾驶技术路径是公开的，他告诉全世界纯视觉就能实现自动驾驶，但又有多少人真正做出来了？
技术路径的选择，说起来容易，做到是另一回事。
邓江预测，AI医疗的规模化落地时间点是2026年。
中国和美国在商业化落地上大概有半年到一年的差距，而美国已经开始跑通了。
OpenAI据说要在医疗健康领域投入250亿美金，国内豆包、蚂蚁也纷纷推出健康类产品。
大厂的布局，某种程度上反而验证了这个赛道的价值。
但邓江不觉得这是威胁。
"哪怕只做某一种病，都意味着巨大的市场空间。比如皮肤病，中国有上亿患者，把皮肤病做好，都足够立足了。"
他引用了一句话：真正有价值的东西，在早期一定是非共识的。当大家都形成共识，机会也就没了。
这句话，恰好也是王小川说过的。
师出同门，殊途同归，还是分道扬镳？
0 00
潘欣，这位前谷歌大脑（Google Deepmind）研究员，曾经推动过TensorFlow动态图模式开发，回国后辗转百度、腾讯、字节跳动，一路做到字节视觉大模型AI平台负责人。
2024年11月，他刚刚加入闪极科技做AI合伙人，负责智能眼镜项目。
没过多久，他又换了东家。
新东家就是美团。
入职之后，潘欣负责多模态AI创新工作，主导了LongCat App等多个应用的开发。
LongCat，也就是龙猫，是美团自研大模型的名字。
据了解，2025年美团在AI人才招聘上火力全开，重点方向是模型训练，招聘标准也相当高。
一家以外卖起家的公司，为什么突然对AI如此上头？
时间拨回到2025年初。
在那一年的一季度财报电话会上，王兴第一次公开聊起了美团的AI战略。
他的原话是，美团在AI技术上的战略定位是积极进攻，而非消极防御。
王兴给出了三个具体的层面：
第一层叫AI at work，简单说就是让AI成为全公司的生产力工具，从员工到运营，全部用上。
第二层叫AI in products，意思是用AI改造现有的2B和2C产品，同时孵化全新的AI原生应用。
第三层叫Building LLM，就是美团要自己训大模型，而且愿意砸真金白银的资本支出。
但计划总是赶不上变化，2025年第二季度，国内外卖市场突然打响了一场大战。
抖音、京东、小红书等平台纷纷入局，美团的基本盘受到了前所未有的挑战。
压力之下，美团不得不重新分配资源。
但美团并没有因为外卖大战而收缩AI投入，相反，它选择了另一条路：把有限的子弹集中在最核心的地方，也就是基座模型的训练。
基座模型你可以把它理解为AI能力的地基，只有地基打好了，上面才能盖各种各样的应用。
美团的逻辑很清晰：与其四处撒网做各种花里胡哨的AI应用，不如先把底层能力搞扎实。
对于一家正在打仗的公司来说，务实往往比酷炫更重要。
从2025年下半年开始，美团的AI发布节奏快得像在赶工期。
6月，发布首款AI编程产品Nocode。
9月，正式发布并开源首款大语言模型LongCat-Flash-Chat，同时推出推理模型LongCat-Flash-Thinking。
10月，发布视频生成模型LongCat-Video，同步开源。
11月，发布开源全模态模型LongCat-Flash-Omni。
12月，一口气发布三款图像模型，LongCat-Image、LongCat-Image-Dev、LongCat-Image-Edit。
半年时间，从语言模型到视觉、音频、视频，美团基本上把全模态基座能力搭建完毕。
这个速度，放在整个国内大模型赛道里也算得上激进。
有人可能会问，美团搞这些模型有什么用？又不是专门做AI的公司。
这个问题的答案，藏在美团的主营业务里。
10月，美团向餐饮商家推出了两款AI工具，一个叫袋鼠参谋，一个叫智能掌柜。
这两个工具面向行业所有商家免费开放。简单说，就是帮商家做经营决策、处理日常事务的AI助手。
类似的动作还在继续，目前美团金融线、客服线、电商线都在大力招聘AI应用人才，重点方向是后训练和商业化落地。
你看，逻辑闭环了。
先把基座能力建好，再把AI能力嵌入到每一个业务场景里。
外卖、酒旅、到店、金融，美团的每一块业务都是AI落地的天然试验田。
美团做AI，核心目的是让现有的业务变得更高效、更赚钱。
说白了，美团的AI不是为了上天，而是为了种地。
不过，美团的AI布局也不是没有调整。
在主线业务全面AI化的同时，美团对独立的AI To C应用探索明显收缩了。
此前美团做过一些独立的AI消费级应用，比如Wow、妙刷之类。这些应用独立于主线业务，属于纯粹的创新探索。
现在，这类尝试正在逐渐降温。
还有一个信号值得关注。
2023年，王兴的老朋友、美团联合创始人王慧文曾经创立了一家大模型公司叫光年之外。后来这家公司被美团收购，团队以GN06的名称继续运营。
据报道，今年11月，原光年之外负责人刘炯已经调任至美团，直接向美团平台负责人李树斌汇报。
与此同时，这个团队的招聘力度也在减少。
这意味着什么？
美团正在做减法，与其让AI团队四处开花，不如集中力量办大事。
所谓大事，就是让AI真正服务于美团的核心商业逻辑。
这种策略转变背后，有着清晰的商业考量。独立的AI应用赛道竞争激烈，美团并不具备先发优势。而在本地生活服务领域，美团有海量的商家资源、用户数据和应用场景。
把AI能力嫁接到这些场景上，性价比显然更高。
换句话说，美团不想成为下一个AI独角兽，它只想成为一个会用AI的超级平台。
回过头看美团这两年的AI战略，有一条主线贯穿始终：实用主义。
有人说，美团是一家没有边界的公司。从外卖到酒店，从打车到买菜，美团的触角伸向了本地生活的每一个角落。
但在AI这件事上，美团似乎非常清楚自己的边界在哪里。
它不追求技术上的遥遥领先，只追求业务上的贴地飞行。
某种程度上，这也是当下中国科技公司做AI的一个缩影。
在大模型赛道卷到极致的今天，越来越多的公司开始思考一个问题：AI能力到底是用来展示的，还是用来赚钱的？
王兴曾经说过一句话，大意是科技公司最大的壁垒不是技术本身，而是对业务的深刻理解。
现在看来，这句话同样适用于AI时代。
当外卖大战还在如火如荼的时候，美团已经在悄悄打另一场仗。这场仗没有补贴大战那么轰轰烈烈，但可能会决定美团未来十年的走向。
毕竟，能打赢今天的仗是本事，能看到明天的仗在哪里，才是真正的格局。
2024年11月，他刚刚加入闪极科技做AI合伙人，负责智能眼镜项目。
没过多久，他又换了东家。
新东家就是美团。
入职之后，潘欣负责多模态AI创新工作，主导了LongCat App等多个应用的开发。
LongCat，也就是龙猫，是美团自研大模型的名字。
据了解，2025年美团在AI人才招聘上火力全开，重点方向是模型训练，招聘标准也相当高。
一家以外卖起家的公司，为什么突然对AI如此上头？
时间拨回到2025年初。
在那一年的一季度财报电话会上，王兴第一次公开聊起了美团的AI战略。
他的原话是，美团在AI技术上的战略定位是积极进攻，而非消极防御。
王兴给出了三个具体的层面：
第一层叫AI at work，简单说就是让AI成为全公司的生产力工具，从员工到运营，全部用上。
第二层叫AI in products，意思是用AI改造现有的2B和2C产品，同时孵化全新的AI原生应用。
第三层叫Building LLM，就是美团要自己训大模型，而且愿意砸真金白银的资本支出。
但计划总是赶不上变化，2025年第二季度，国内外卖市场突然打响了一场大战。
抖音、京东、小红书等平台纷纷入局，美团的基本盘受到了前所未有的挑战。
压力之下，美团不得不重新分配资源。
但美团并没有因为外卖大战而收缩AI投入，相反，它选择了另一条路：把有限的子弹集中在最核心的地方，也就是基座模型的训练。
基座模型你可以把它理解为AI能力的地基，只有地基打好了，上面才能盖各种各样的应用。
美团的逻辑很清晰：与其四处撒网做各种花里胡哨的AI应用，不如先把底层能力搞扎实。
对于一家正在打仗的公司来说，务实往往比酷炫更重要。
从2025年下半年开始，美团的AI发布节奏快得像在赶工期。
6月，发布首款AI编程产品Nocode。
9月，正式发布并开源首款大语言模型LongCat-Flash-Chat，同时推出推理模型LongCat-Flash-Thinking。
10月，发布视频生成模型LongCat-Video，同步开源。
11月，发布开源全模态模型LongCat-Flash-Omni。
12月，一口气发布三款图像模型，LongCat-Image、LongCat-Image-Dev、LongCat-Image-Edit。
半年时间，从语言模型到视觉、音频、视频，美团基本上把全模态基座能力搭建完毕。
这个速度，放在整个国内大模型赛道里也算得上激进。
有人可能会问，美团搞这些模型有什么用？又不是专门做AI的公司。
这个问题的答案，藏在美团的主营业务里。
10月，美团向餐饮商家推出了两款AI工具，一个叫袋鼠参谋，一个叫智能掌柜。
这两个工具面向行业所有商家免费开放。简单说，就是帮商家做经营决策、处理日常事务的AI助手。
类似的动作还在继续，目前美团金融线、客服线、电商线都在大力招聘AI应用人才，重点方向是后训练和商业化落地。
你看，逻辑闭环了。
先把基座能力建好，再把AI能力嵌入到每一个业务场景里。
外卖、酒旅、到店、金融，美团的每一块业务都是AI落地的天然试验田。
美团做AI，核心目的是让现有的业务变得更高效、更赚钱。
说白了，美团的AI不是为了上天，而是为了种地。
不过，美团的AI布局也不是没有调整。
在主线业务全面AI化的同时，美团对独立的AI To C应用探索明显收缩了。
此前美团做过一些独立的AI消费级应用，比如Wow、妙刷之类。这些应用独立于主线业务，属于纯粹的创新探索。
现在，这类尝试正在逐渐降温。
还有一个信号值得关注。
2023年，王兴的老朋友、美团联合创始人王慧文曾经创立了一家大模型公司叫光年之外。后来这家公司被美团收购，团队以GN06的名称继续运营。
据报道，今年11月，原光年之外负责人刘炯已经调任至美团，直接向美团平台负责人李树斌汇报。
与此同时，这个团队的招聘力度也在减少。
这意味着什么？
美团正在做减法，与其让AI团队四处开花，不如集中力量办大事。
所谓大事，就是让AI真正服务于美团的核心商业逻辑。
这种策略转变背后，有着清晰的商业考量。独立的AI应用赛道竞争激烈，美团并不具备先发优势。而在本地生活服务领域，美团有海量的商家资源、用户数据和应用场景。
把AI能力嫁接到这些场景上，性价比显然更高。
换句话说，美团不想成为下一个AI独角兽，它只想成为一个会用AI的超级平台。
回过头看美团这两年的AI战略，有一条主线贯穿始终：实用主义。
有人说，美团是一家没有边界的公司。从外卖到酒店，从打车到买菜，美团的触角伸向了本地生活的每一个角落。
但在AI这件事上，美团似乎非常清楚自己的边界在哪里。
它不追求技术上的遥遥领先，只追求业务上的贴地飞行。
某种程度上，这也是当下中国科技公司做AI的一个缩影。
在大模型赛道卷到极致的今天，越来越多的公司开始思考一个问题：AI能力到底是用来展示的，还是用来赚钱的？
王兴曾经说过一句话，大意是科技公司最大的壁垒不是技术本身，而是对业务的深刻理解。
现在看来，这句话同样适用于AI时代。
当外卖大战还在如火如荼的时候，美团已经在悄悄打另一场仗。这场仗没有补贴大战那么轰轰烈烈，但可能会决定美团未来十年的走向。
毕竟，能打赢今天的仗是本事，能看到明天的仗在哪里，才是真正的格局。
2 00