中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

作為AI 2.0 時代的產品人，工作之余總會關注一些當下熱門或新興的AI應用，并思考其背后的用戶場景和產品策略。這兩天有朋友聊到“問答引擎 Perplexity AI 在C端崛起的背后邏輯”。這引起了作者的思考：在國內，Perplexity AI 所依托的大模型搜索能力的2C應用怎么落地更有價值？

本篇小編將針對這一問題進行一系列的思考闡述，歡迎感興趣的朋友與小編進行討論。

問答引擎之 Perplexity AI：

• Perplexity AI 問答引擎解決了用戶什么需求？
• Perplexity AI 問答引擎的商業模式是什么？
• Perplexity AI 問答引擎是否有望平替傳統搜索引擎？

問答引擎之 國內競品：

• 天工AI搜索 較 Perplexity AI 有哪些不同？
• 天工AI搜索 在國內定位是問答搜索引擎嗎？
• 天工AI搜索 在國內2C場景的生存空間在哪？

01?問答引擎（海外）：Perplexity AI

由于 Perplexity AI 目前是明星級AI產品，網絡上有很多大佬已經對其產品介紹、場景特點等方向進行了深度分析，小編就不在此班門弄斧了。有興趣的朋友，可以自行查找。

1. Perplexity AI 問答引擎解決了用戶什么需求？

作為產品人，在進行產品方案設計時的第一步就是要搞清楚，產品解決方案是給誰用的。因此本文的第一個思考點就從這個問題開始。

Perplexity AI 的主要產品功能，小編總結如下：

• 對話式問答：Perplexity AI 依托于LLM能力，通過對用戶問題的語義理解，實時搜索相關文獻，總結答案并顯示引用來源。較傳統搜索引擎的列表式回答交互，更加便捷。
• 搜索助手：Perplexity AI 的 Copilot功能，可在用戶提問后，通過問題理解后的子標簽推薦，幫助用戶更好的定位問題的關鍵詞，進一步提高回答的準確性。
• 垂類精搜：搜索時可選擇學術、寫作、YouTube等垂類領域，進行定向搜索。
• 鏈接分享：用戶可以將每次搜索會話的鏈接分享給他人，如果這次搜索會話仍在繼續，所有被分享的人也將可以同步看到。

從功能總結以及小編的使用體驗后，小編分析的主要用戶場景：

• 知識獲取：Perplexity AI可以幫助用戶更高效的獲取知識點，無論是具體的事物還是抽象的概念，都可以通過Perplexity AI進行搜索，但僅限于有行業共識或相當標準化的知識點問答。
• 輔助寫作：對于學生或者科研人員來說，Perplexity AI 可幫助其在寫作時，對參考文獻及知識進行快速的解答，提高寫作效率。

看到這里，已經對 Perplexity AI 有過了解的朋友，可能會有兩個疑問：

• 為什么是僅限于有行業共識或相對標準化的知識點問答？
• Perplexity AI 的 Copilot功能可以幫助用戶在生活及購物方向通過垂搜進行輔助決策，為什么小編沒有提到？

對于這第一個疑問，小編先舉個例子方便大家理解：

• 我想轉行AI 2.0 產品經理，我需要懂什么？
• 我想轉行AI 2.0 產品經理，有什么推薦的課程或分享嗎？

對于第一個問題，行業內有一個相對通用的評定標準，比如要懂大模型特點及邊界、要懂如何定義數據集、不同的應用賽道要懂其業務場景和用戶需求等。這個問題我們用 Perplexity AI 可以得到一個相對靠譜的答案。

對于第二個問題，行業內目前是沒有一個有共識的答案。Perplexity AI 在目前的回答策略下將無法給出我們一個靠譜答案。你可能會說“我可以通過不斷的提問，讓Perplexity 回答出我想要的答案呀?！蹦谴藭r小編想說：你有這時間，用B站、小紅書、微信公眾號也已經搜到了，哪怕是百度都有很多參考答案。

基于以上的案例，小編得到的結論是：基于用戶搜索成本考量，Perplexity AI 目前能提供的問答搜索場景的邊界是僅限于有行業共識或相對標準化的知識點問答。

對于第二個疑問：為什么小編認為 Perplexity AI 無法幫助用戶在生活及購物方向通過垂搜提高輔助決策？小編也通過舉個例子方便大家理解：

• 元旦在北京，有哪些可以跨年的地方？
• 我想買個Windows筆記本用于AI繪畫，你有什么推薦？

對于這兩個問題，小編的問題出發點是“元旦跨年，在北京，我想找個攻略，或者看看別人的建議?！?和“我想買個用于AI繪畫的筆記本，現在市面上哪個款式性價比高，用戶評價好?！边@又回到了第一個結論。在我們對某一個需要付出一定量級的試錯成本時，我們需要的信息分為標準信息和參考信息。

目前的 Perplexity AI 由于其數據源獲取和回答策略的限定，它只能回答我的標準信息，如景點特點、筆記本參配等。它無法回答我“高贊的跨年攻略是什么”“哪個筆記本的用戶評價好”。因此基于以上的思考分析，小編得到的結論是：基于用戶試錯成本考量，Perplexity AI 目前尚不具備通過垂搜能力為用戶提供行動輔助決策的能力。

那么基于這樣的思考路徑，又出現了兩個問題：

1. 問答引擎是否在解決了數據源獲取，優化了回答策略后，就可以回答我這個問題了呢？
2. 為什么 Perplexity AI 在當前階段要進行在生活及購物方向進行垂搜探索？

第一個問題中提到的數據源獲取，這是一件門檻極高的事情，對于各垂類領域的企業內容數據是其企業的核心競爭力之一。而公域的數據源又沒辦法解決用戶千人千面的需求。那有沒有什么間接的解決方案，小編是有一個思路的，這一點小編先賣個關子，在第三章中會給出答案。

回答策略優化這件事，在小編看是一個搜索效率和答案豐富度之間的平衡。如何即可以保證答案的聚焦性（頁面簡潔、無硬廣、無不相關信息）又要給出足夠量級的參考建議（非標答案）。這個小編才疏學淺，目前沒想到什么好的方式。第二個問題，在小編看來是Perplexity AI 當前的商業模式并不足以支撐其龐大的用戶增長而導致的不得不進行更多場景的可行性探索。

2. Perplexity AI 問答引擎的商業模式是什么？

了解 Perplexity AI 的朋友都知道，當前的Perplexity AI 的C端商業模式較為簡單，即：訂閱制。新用戶可以免費使用 Perplexity AI ，如想無限次使用Perplexity AI 的 Copilot 功能及一些高級功能，需每月支付20美元。

眾所周知，像 Perplexity AI 這類依托LLM能力的應用，其最大的邊際成本來自于大模型的計算消耗（算力）。由于 Perplexity AI 提供的是“免費+付費”的模式，少量的付費用戶所帶來的經濟價值更多用于平衡免費用戶的算力消耗。因此 Perplexity AI 當前的變現能力并不足支撐其成長到現象級應用的階段。Perplexity AI 作為問答搜索引擎，其目前嘗試的商業模式探索方向，小編理解是借鑒于傳統搜索引擎的商業模式，即供需撮合模式。

圖片引用：中金研究

通過中金大佬的分享，大家可以快速的理解傳統搜索引擎的供需撮合模式。小編就不在此贅述了。

由于大模型的推理過程存在不可解釋性的缺陷，如果想通過人工方式干預其結果，小編猜測目前僅有兩類策略。

輸入側：在垂類營銷領域，如汽車、旅游等，對數據源內容進行軟廣偏向的重寫。

• 優勢：在于輸出結果時，對用戶并無明顯的硬廣感知。
• 劣勢：數據源重寫成本巨大，短期內無法實現。

輸出側：同樣在垂類營銷領域，如汽車、房產等，對輸出結果通過圖譜方式進行硬廣掛載。

• 優勢：與傳統搜索引擎當下推廣呈現方式非常雷同，實現成本低。
• 劣勢：這類呈現方式對用戶體驗損壞較高。

小編判斷，當下的 Perplexity AI 基于實現成本考量，可能的方式是主輸出側，次輸入側。但在未來，為了保證 Perplexity AI 本身的產品調性（精準、簡潔），及用戶習慣的變遷。將會逐步變為主輸入側，次輸出側的方式。

為什么小編會有這樣的判斷？大家可以思考一下，為什么抖音、小紅書的內容營銷在當下更容易被用戶所接受。

3. Perplexity AI 問答引擎是否有望平替傳統搜索引擎？

在上文的兩個小結中，小編已經分享了兩條對 Perplexity AI 當前局限性的理解：

• 基于用戶試錯成本考量，Perplexity AI 目前尚不具備通過垂搜能力為用戶提供行動輔助決策的能力。
• 基于用戶搜索成本考量，Perplexity AI 目前能提供的問答搜索的場景邊界是僅限于有行業共識或相對標準化的知識點問答。

在這一節，小編將從另一個維度來思考，即：用戶意圖。

如何理解小編所說的“用戶意圖”呢？小編還是先說個例子：小編作為一個產品類知識分享博主：

• 小編想看看個人品牌在公域影響力怎么辦？小編直接在百度搜索“楊三季”。
• 小編想看看某篇文章在公域中被轉載到哪里了？小編直接在百度搜索“這篇文章的標題”。

以上兩個問題，如果使用 Perplexity AI 的結果是，第一個問題答案是總結了“楊三季”這個博主信息。第二個問題答案是無法回答。

可能這里又有朋友說“你這個問題太小眾了，不具有代表性?！?那換個大眾熱點“董宇輝事件”， Perplexity AI 的結果依然是無法回答。用戶意圖在小編看來，分為兩類：

• 精準需求：用戶有一個明確的問題點，希望搜索引擎給出一個明確的答案。
• 模糊需求：用戶有一個明確的問題方向，希望搜索引擎給出一個全面的答案集。

而 Perplexity AI 這類基于LLM能力的問答引擎對于“精準需求”的回答能力是高效的，但對于“模糊需求”的回答能力遠不如傳統搜索引擎高效。

雖然 Perplexity AI 可以通過多輪交互得到一個用戶想要的答案，但我既然能一步到位，我為什么要費時費力的問好幾遍呢？

因此小編的思考后認為：

• Perplexity AI 在垂搜領域下，在克服一些卡點后，有望平替傳統搜索引擎。
• Perplexity AI 在大搜領域下，基于用戶場景，如不能跟傳統搜索引擎結合，并不能平替搜索引擎。

關于以上觀點，也有可能是小編見識淺薄，管中窺豹。歡迎有不同觀點的行業大佬指正與交流。

02?問答引擎（國內）：天工AI搜索

聊完國外的問答搜索引擎，接下來咱們聊聊國內的，國內目前的依托于LLM能力，提供問答能力的產品蠻多的，比如文心一言，百川大模型，天工AI，訊飛星火，通義千問，月之暗面等。目前與 Perplexity AI 產品形態最為相似的是 “天工AI搜索”。小編也將基于“天工AI搜索” 這個產品來聊聊關于“在極具特色的國內C端市場中，AI搜索引擎應如何定位和發展”的思考和認知。

PS：小編要強調的一點是，關于天工AI的思考分析，僅限于天工AI面向C端市場的產品（天工AI助手）思考，并不涉及其在B端市場商業布局的思考。

1. 天工AI搜索 較 Perplexity AI 有哪些不同？

跟 Perplexity AI 一樣，“天工AI搜索” 網上也已有很多大佬對其產品特點等進行了深度分析，小編就不在此贅述了。小編本節主要聊一下天工AI搜索 跟Perplexity AI 的功能差異性，并以此來推測天工AI搜索 在國內市場的定位和方向。

通過上圖，可以清晰的發現“天工AI搜索”較“Perplexity AI”在產品模塊上增加了“AI對話、AI閱讀、AI創作、搜索人設、熱點推薦以及移動端APP”這幾個功能模塊。

下面小編將基于“天工AI搜索”新增的這幾個功能模塊做簡單的功能介紹和場景分析。

通過上圖，可以清晰的發現“天工AI搜索”較“Perplexity AI”在產品模塊上增加了“AI閱讀、AI對話、AI創作、搜索人設、熱點推薦以及移動端APP”這幾個功能模塊。

PS：因為天工的AI搜索能力在其各個功能模塊都被應用，因此小編將對這些功能模塊進行分析。

下面小編將基于“天工AI搜索”新增的這幾個功能模塊做簡單的功能介紹和場景分析。

1.1 功能分析：AI閱讀

小編認為，天工AI的AI閱讀這個模塊所定位的用戶場景是“信息區分”的場景。怎么理解這句話呢？小編來舉個場景例子：

我們每天都會在不同的渠道（微信公號、36氪、虎嗅、知識星球等）看到很多文章，但由于時間、惰性、缺乏工具等問題，就會出現：

• 有時候只能簡單看一下 → 收藏 → 有時間再看 → 根本想不起有這事 / 收藏太多，是哪個來著；
• 有時候認真看過后 → 收藏 → 有時間再寫個筆記 → 根本沒時間寫；
• 有時候看著看著突然想到一個啟發 → 收藏 → 一會把這個idea記下來 → 完了那個idea是啥來著；

在我們每天獲取的大量信息后，我們需要區分出哪些信息是對自身有價值的。而AI閱讀可以快速的幫我完成數據整理，通過輸出“AI摘要”的方式，讓我們快速分辨哪些信息是有價值的，哪些信息是與我無關的。天工的AI閱讀對應的用戶場景，小編認為是非常剛需的，但天工的AI閱讀這個產品方案，不管從橫向面（基于信息區分的前一步或后一步場景）還是縱向面（信息區分這一步的用戶體驗），做的都很一般，更像是一個Demo。

可能有朋友會問橫向或縱向，小編認為天工的AI閱讀哪里做的不如意？

就基于小編展示的AI閱讀功能的這張截圖，先簡單說幾點“信息區分”這個單點的用戶體驗吧：

• AI摘要部分，摘要出的第一條和倒數第二條是重復的。那小編想問，這樣情況的托底方案是什么？我作為用戶，肉眼可見的問題出現時，我如何反饋？點那個“差評小手”嗎？然后，等待你們輸出一個正確的結果給我嗎？
• AI摘要部分，顯示的那個索引1~5，點擊后，左側的原文會進行跳轉，但你跳轉后原文錨點是哪句話呢？你讓我從哪開始看？
• 你的提問模塊，答案輸出的來源是什么？你到底是基于原文內容的搜索，還是全網的搜索？如果是全網搜索，它放在這里是解決我什么問題呢？用戶場景是什么？

就先說這么幾個顯而易見的問題吧，如果被天工的同學看到可能會說“ you can you up！nocanno bb！”。小編就簡單說一下如果我來做這個模塊，可能會怎么做：

剛才小編提到“AI閱讀”針對“信息區分”是一個解決方案，但反過來“信息區分”的解決方案是“AI閱讀”嗎？這個小編認為不精準，“信息區分”用戶追求的是快速獲取有價值的信息?！癆I閱讀”可以分為“AI精讀”和“AI速讀”?！靶畔^分”對標場景應該“AI速讀”。

• AI速讀：對于獲取的大量文章信息進行快速區分，判斷哪些是有價值的，值得精讀的。
• AI精讀：對已判斷為精讀的文章內容，進行細讀，知識點查閱，筆記記錄。

基于這樣的思路，AI閱讀頁面，頂部可分為兩個頁簽：AI速讀，AI精讀；

1.1.1 AI速讀

從左至右，進行三個縱向模塊區分（文章列表、AI摘要、AI問答）；

文章列表：

• 標題名稱全量展現、文章頭圖、文章引言展現，通過列表信息對文章信息快速了解。
• 標題名稱全量展現、文章頭圖、文章引言展現，通過列表信息對文章信息快速了解。
• 已讀/未讀：通過功能快速的區分當下要處理的信息。
• 標星/未標星（置頂/未置頂）：通過功能快速的打標區分哪些要精讀的信息。
• 刪除：這個功能很通用，但在“信息區分”這個場景下，是低優先功能。大家可以設想一下，你會進行“收藏”行為的微信文章，哪怕這篇文章當下對你沒價值，但你什么場景下會刪除呢，頻率多高呢？

AI摘要：

• 這一部分如果定位在AI速讀的場景中，其實索引并不是高優需求，而是對內容的總結維度。比如一句話概括的能力，文章的內容關鍵詞；
• 在AI速讀部分，用戶不太會關注原文內容，因此AI摘要的效果反饋可不加。
• 在AI速讀部分，分享這個功能其實相對更重要。場景“我看到一篇內容，通過概要發現這篇內容還不錯，我身邊XXX可能需要，我可以將這個摘要分享給他~”

AI問答：

• 在AI速讀階段的場景“我看到摘要后，我可能會對這摘要中的某段信息感興趣，那我這里想知道的是，關于摘要中提到的信息，原文中是如何闡述的。”因此AI問答在這個場景中，針對的搜索范圍應該是對應的文章，而不是全域搜索。

1.1.2 AI精讀

模塊，從左至右，進行三個縱向模塊區分（原文展現、AI導讀、AI搜索），列表收起；

原文展現：

• 內容不可以編輯，但支持劃線，這個點可以參考“微信讀書”；
• 劃線后的操作項：純劃線、寫思考、關聯導讀大綱、分享、AI搜索；

AI導讀：

• 一句話概述，關鍵詞標簽，文章脈絡梳理（顯示索引）；
• 以上內容支持編輯，當用戶完成編輯并跳出這個頁面時，將編輯的數據當做這個功能的badcase傳給算法側。進行優化。

AI搜索：

幫助用戶對文章內陌生信息進行全域搜索，提高用戶的閱讀理解能力；

• 說完基于“AI閱讀”的單點優化（縱向），小編也簡單說一下基于“信息區分”的前后場景（橫向）的建議吧。

1.1.3 向前一步場景

首先看一下用戶對應感興趣的文章的收藏流程：

• 常規用戶流程：“使用手機 → 各種垂類信息平臺（微信公號、36氪、虎嗅等APP）中看到好文 → APP收藏（小編是APP分享 → 微信的文件傳輸助手）”；
• 天工AI閱讀的用戶流程：“使用手機 → 各種垂類信息平臺中看到好文 → 復制鏈接 → 跳出當前APP → 找到天工APP → 打開AI閱讀 → 粘貼鏈接”。

用戶的使用多了4個補助，用戶成本高了很多，這里可以借鑒一下“印象筆記的AI閱讀”或“知了閱讀”的邏輯。即：“使用手機 → 各種垂類信息平臺中看到好文 → APP分享 → 微信的AI閱讀的公眾號/服務號/企微機器人”；

1.1.4 向后一步的場景

從用戶場景鏈路來看，小編聚焦一下用戶畫像：

• 對信息或知識有明確需求；
• 對互聯網接受程度較高；
• 希望通過AI閱讀的能力提高信息獲取的效率。

換句話說，AI閱讀最先觸達的用戶群體可能是互聯網從業者和大學生群體。

那對于這類用戶，當完成“信息區分”后，下一步可能就是“知識總結”了。那“知識總結”該怎么做？

• 通過知識圖譜，將用戶完成AI閱讀后文章內容，進行同類型（顆粒度可從文章 → 章節 → 段落）信息點關聯，完成用戶的個人知識庫的建設。
• 既然天工AI提供AI創作模塊，那用戶完成AI閱讀后的文章數據是否可以作為AI創作中的文本素材庫呢？將AI閱讀的數據與AI創作的數據連接起來。

關于AI閱讀這個功能，由于要控制篇幅，小編就先說這些吧（有點跑題了~~~）。

1.2 功能分析：AI創作

說到“AI創作”，小編有點沒搞清楚這個頁面對標的用戶場景中，到底是內容創作為主，還是AI創作為主。

• 如果是內容創作為主，那頁面主視圖為什么是AI模塊？
• 如果是AI創作為主，那現在AI創作的生成能力能完成像上圖案例這樣的深度分析內容嗎？

另一個讓小編疑惑的問題是“AI創作中的聊天創作模塊”和“AI對話中的助手中心的助手類型”重合度很高。如果硬要區分，那可能AI創作面向的是長文創作，AI對話面向的是短文創作？

如果要讓小編給點建議：

• AI創作的布局可以參照notionAI或者印象筆記進行調整，主文本創作模塊，AI能力放在右側（可收起）。
• 對于不同的模版內容方向，要結合場景痛點針對性輸出，不要拿大模型能力直接堆砌功能。比如：分析類/報告類模版，用戶痛點更多是不知道如何列大綱，整理主題脈絡。會議紀要類/日報周報類模板，用戶痛點更多是如何將口語化/零散內容提取總結并關鍵詞等。
• 對于AI輸出的內容，整篇添加的可能性大，還是摘取部分內容添加的可能性大？

“AI對話、熱點推薦、搜索人設等功能”小編就暫不展開聊了，只能說功能堆砌挺多，但有一種僅是為了做而做，而非為了解決用戶痛點而做的感受。

2. 天工AI搜索 在國內定位是問答搜索引擎嗎？

通過以上的功能介紹及場景分析，其實不難發現，“天工AI搜索”與“Perplexity AI”的產品定位并不相通。

• Perplexity AI：定位于知識問答場景，產品形態以問答搜索引擎為主，致力于深耕搜索引擎的回答效率及更多的場景覆蓋。
• 天工AI搜索：定義于知識學習及辦公創作場景，產品形態以知識搜集、整理、創作等工具矩陣為主，致力于提高用戶在知識學習及辦公創作的效率。

可以說，“Perplexity AI”是基于知識問答這個單點進行縱向能力深耕，而“天工 AI”是基于知識問答這個點進行橫向鏈路的打通。

為什么這兩個產品的切入點相同，但產品路徑截然不同呢？小編認為可以從文化差異、市場環境、商業模式，這三個方面來進行思考：

• 文化差異：國內在某些前沿領域的技術研究仍與海外存在一定差距。（好吧，小編自認對學術科研沒太多了解~）。但從小編觀察到的現象看，周圍的技術同學在做技術調研時，基本都是梯子到海外看文獻。從這個點也可以判斷出：海外的學術問答引擎相較于國內更有痛點。
• 市場環境：國內的C端用戶的付費意愿較弱，工具型產品的特點是使用頻次不高、使用時間短，用戶忠誠度低，產品可替代性強，流失率高，并且門檻低，難以形成壁壘。因此在國內“天工AI搜索”無法按“Perplexity AI”的商業模式進行變現。
• 商業模式：由于市場環境的國內外差異性，僅滿足單點需求的工具型產品很難進行良性的商業變現，因此“天工AI搜索”的方向，從問答場景中拆分出技能學習和辦公創作兩個細分領域，并在這兩個領域中通過產品矩陣滿足用戶的更多的痛點需求，以期望提高用戶的留存，通過用戶數據優化其大模型輸出效果，從中進行變現能力的可行性探索。

因此“天工AI搜索”在國內的C端產品定位并不是問答搜索引擎，而是知識學習&辦公提效平臺。

3. 天工AI搜索?在國內C端市場的生存空間在哪？

按照SimilarWeb的監測數據，7月份OpenAI的網站訪問量15億，平均每個用戶訪問時間是4分鐘22秒。有42.24%的用戶只訪問OpenAI的一個頁面，平均每個用戶訪問4.36個頁面，那么可以這樣估算，假設ChatGPT Plus用戶也是平均訪問4.36個頁面，那么付費用戶的比例約200萬*4.36/15億，也就是約千分之5.8的用戶是付費用戶。那么，簡單的估算就是ChatGPT的付費訂閱比例約0.58%左右。也就是說1000個人中可能有6個人付費，那么相比較免費用戶承擔的計算成本，這個比例還是有點低哦（注意，這是十分粗略的估算）

判斷一個產品在市場中是否有足夠的生存空間，其核心是判斷這個產品能給用戶帶來的多大價值。ChatGPT已然是目前AI賽道公認的用戶量No.1 產品了。但其付費率僅不足1%，這1個點的付費收益能打平其他99%未付費用戶的算力消耗嗎？在其高昂的技術成本下，什么情況下能盈利呢？

陳紫冰：首先請教一下方漢總，昆侖萬維在做自己的大模型，也在AI方向深耕多年，能不能跟我們分享一下具體我們布局了哪些方面，或更看好哪些行業？

方漢：我們從2022年初思考判斷這個事，這波AI浪潮應該不會比2000年、2010年互聯網浪潮小。這波浪潮中長的比較大公司，一是C端公司，二是一定是免費的模式。爆發出來的巨頭行業，也一定是C端的公司。由于C端公司增長模式確定，他大概率不是以訂閱模式存在，而是以免費模式存在。

從昆侖萬維董事長兼CEO方漢先生的表述中，可以清晰的感知到：“天工AI” 面向C端市場，一定是免費的模式。

做過C端提效工具的產品朋友都知道，在面向國內的C端時，提效工具通過訂閱制是極難變現的。那么通過AI搜索能力落地到C端市場的應用，是否只有問答引擎 → 替代傳統搜索引擎部分場景 → 通過撮合品牌主&創作者&消費端的方式進行廣告變現呢？

這一點上小編有不同的思考。AI 2.0 爆火后，直接帶火了AIGC賽道，最明顯的市場表現是AI文本創作，AI繪畫，AI視頻所覆蓋的行業出現了大量的“超級個體”，通過自身的行業經驗，加持AIGC技術，進行專業技能的變現。

在出現大量靠自身手藝變現的超級個體后，又帶火了“知識付費”領域。比如：當下互聯網職場中最火的知識付費主題“如何轉行干AI相關業務”。

而AI問答搜索引擎目前的場景就是在輔助用戶完成某一項知識的獲取 → 補全 → 打磨的過程。那基于這樣的出發點，是否可以通過AI搜索能力為核心，賦能于用戶的技術樹從0-1的過程呢？比如天工AI的產品布局下，做深每個功能模塊，并將功能模塊基于“數據獲取 → 信息區分 → 知識歸類 → 技能總結 → 知識獲利”的鏈路建立連接，并通過產品策略打通知識賦能側和知識消費側的連接。從而完成從“工具價值（低溢價）→ 流程價值（低溢價）→ 知識價值（高溢價）→ 人脈價值（高溢價）”的升級呢？

小編對此有一套相對完整且閉環的項目方案構思，但由于篇幅太長（第三章：1W字+），就不在此繼續展開了。后續有機會再分享給大家。

參考文章：

• 關于OpenAI最新的營收和成本數據估算
• Perplexity AI，比Google Bard和Bing Chat更靠譜的問答引擎
• 中金：從Perplexity看AI+搜索的破局之道