本文從經濟學視角下的產品概念出發，分析了 GenAI 技術在信息商品經濟中產生的影響及其對應的產品市場空間，并以此分析了新的大產品可能的實現路徑，進而對 GenAI 時代所面臨的產品范式轉移問題進行分析推演，結合這兩項分析，文章對 GenAI 大產品的載體——「AI-Native 產品」的概念、特點、類別等問題進行了介紹，并最終引出了 AI-Native 產品的一種可能信仰——「產品智能主義」

一、進擊的 GenAI

云服務廠商 Cloudflare 2023年12月發布了名為《From Google to Generative AI: ranking top Internet services in 2023》的報告[1]，報告使用了一種更加綜合的方式（并非只考慮流量）來評價全球互聯網產品/服務的受歡迎程度。

根據該報告，以 OpenAI 為代表的 GenAI 產品在2023年內展現了令人矚目的進展：

• OpenAI 從年初的200名左右提升到了11月的頂峰104
• Character.ai 則從1月的500名提升到了200名左右
• Poe、Claude 也分別在200-300、300-400的區間站穩了位置

而如果僅根據流量計算，GenAI 產品的整體排名將更加靠前（比如，根據 similarweb 的統計，openai.com 在2023年12月內的用戶訪問量為15.8億，全球排名25），剔除媒體和市場因素，GenAI 產品在其出現的第一年，已經事實上成為了全球互聯網產品中占據一定位置的新勢力。

雖然「頭部產品增長見頂」、「新場景落地困難」、「商業模式未被驗證」等問題依然存在，但我們相信這些都是「術」層面可解的，當 GenAI 將作為先進生產力并代表下一代產品的發展方向 已經形成廣泛共識時，更值得認真思考的頂層問題是 GenAI 技術是否、如何、以及何時帶我進入繼 PC 互聯網、移動互聯網之后的全新時代。

而這也是本文將試圖推演和探討的主題：AI-Native 及其所帶來的新的大產品時代。

二、GenAI 、「大產品」與商品經濟

我們首先會從信息商品經濟視角來厘清3個基本問題，從而方便我們做后續的推演和討論：

• 互聯網產品存在的基礎——產品因何而生，又為何而變
• GenAI 帶來的變量是什么——GenAI 技術將對產品有何影響
• 大產品的定義，特點以及路徑——如何從 GenAI 技術到好產品

1. 產品是信息商品經濟的優化方法

產品（此處專指軟件、互聯網類產品）是一門顯學，其定義早已被眾多文章、書籍從多種維度進行過論述，我們無意對以往優秀的產品前輩們的思考提出任何挑戰，而是僅從本文后續的推演需要，提供一種來自經濟視角的定義，其具體表述為：

產品是對信息商品經濟中一個或者多個環節優化方法的具象和延伸。

這里定義包含幾個關鍵信息：

• 信息商品：產品可視為以某類信息為核心價值的商品，比如，搜索產品是以網頁信息為核心的商品，社交產品是以人的信息為核心的商品，本地生活是以服務信息為核心的商品。
• 經濟環節：信息商品存在生產、分配、消費三個環節，比如，網頁創建、輸入關鍵詞并匹配、網頁按相關性、點擊率等指標進行排序展現分別對應搜索產品的信息生產、分配、消費環節。
• 優化方法：信息商品經濟中的每個環節都存在變好的可能，當這些「變得更好的方法」被固化下來時就形成了產品，產品功能界面、算法、交互方式都是這些優化方法的具象，比如，當把「輸入關鍵詞并匹配網頁」這個環節用「根據用戶畫像+下滑來匹配網頁」來優化時，網頁信息的分配環節就從搜索演進到了推薦，也就有了對應的新產品。

所以，一個成功的產品必然對應著某類信息在經濟環節的某種優化方法，而優化方法的來源通常有兩類：

1. 將用戶需求的精準識別轉化為對特定環節的優化，更多發生在技術穩定期，比如，拼多多精準挖掘了每個人都具備的「渴望更實惠」需求，通過拼團砍價優化了實體商品信息的分配環節。
2. 將底層技術（含硬件）的變化轉化為特定環節的優化，更多發生在技術革新期，比如短視頻信息商品是將手機攝像頭、4G網絡、觸摸屏等底層技術變化應用在視頻信息生產環節后的產物。

雖然沒有數據證明，但我們傾向認為一個產品所能兌現的商業價值將等同于其對信息商品經濟環節優化產生的價值，所以，對任何環節產生更加本質、更加廣泛的優化必然帶來更高價值的產品，這會是我們評價 GenAI 產品將帶來多大產品想象空間的基礎。

2. GenAI 帶來新變量

根據上面的分析，GenAI 對信息商品經濟的優化方式、程度、范圍將決定其價值大小，那么以此出發我們可以繼續做如下分析：

GenAI 對信息商品經濟不同環節的影響：

1）生產環節：GenAI 技術對信息商品經濟最為本質和深刻的影響將發生在生產環節，這種影響也會傳導至分配和消費環節，具體來說：

• 信息商品的生產效率不再受到生產者的時間和精力束縛，創意和算力將成為信息商品的關鍵生產要素，信息商品的實時生產、定制化生產成為可能。
• 信息商品的單個生產者能力將史詩級增強，在 GenAI 算法的幫助下，單個生產者可以做到更多的事情，比如文本創作者也可以擁有圖像創作的能力。
• 信息商品的生產范圍將更加社會化，信息商品生產者和消費者的界限將變得更加模糊，生產者可以從自己的消費需求出發來生產內容，消費者也可以在消費信息的過程中生產出新的信息商品。

2）分配環節：由于 GenAI 對生產環節的影響，信息商品分配環節的價值會減少甚至消失，原因在于生產端將從庫存邏輯向訂單邏輯變化，從「需要什么，分配什么」向「需要什么，生產什么」進行轉變，這一部分在前文《LLM-Native 產品的變與不變》中已經有過相關介紹，這里不做贅述

3）消費環節：消費環節的變化主要來源于信息商品的生產方式以及生產能力的變化，具體來說：

• 用戶消費的信息商品的類型會由 GenAI 算法的能力決定，媒介即信息，消費者能夠消費什么信息商品一定程度上取決于生產端能夠生產出什么類型的商品，比如手機設備的媒介特點會決定短視頻的內容類型。
• 用戶消費信息商品的方式將從 GUI 向 GUI+LUI 進行轉變，交互從追求效率到兼具靈活，這是 GenAI 主要由語言輸入來發起生產決定的，一種正在發生的趨勢是：使用 LUI 的靈活性覆蓋 GUI 無法覆蓋的場景，而高價值 LUI 則會被沉淀為 GUI，比如，將常用的 prompt 設計為獨立 bot 或者一個按鈕就是這個過程的產物。

GenAI 對信息商品類型的影響：

1）對已有信息類型的影響，即當前已經存在信息類型中，有多少能夠被 GenAI 所生產，而影響程度則可以從3個維度進行評價：

1. 能力維度：即能夠生產何種類型的信息商品，其決定了GenAI 可以在哪些信息商品類型中發揮作用，比如，一個三秒的視頻鏡頭是可以被生產的，而一個有故事情節的短視頻是暫時無法被生產的。
2. 質量維度：即對某種類型的信息商品的生產質量，其決定了 GenAI 在某種信息商品中能夠兌現的價值和被兌現的方式，比如，文本生成在加入RAG后達到極強的可控性，那么就可以被設計為實時生成的使用方式，而圖片生成的隨機性很大，所以只能先作為生產工具類產品。
3. 效率維度：即對某種類型的信息商品的生產速度和成本，其決定了 GenAI 在某種信息商品中的商業可行性以及商業模式，比如，當單次生成的成本遠大于數據庫檢索成本時，搜索引擎這一產品形態在商業模式層面是無法被切換到生成引擎的。

2）產生新的信息商品類型，即 GenAI 帶來全新的信息商品類型，雖然我們還無法想象具體的新產品會是什么樣，但是通過前文的分析，我們也許可以從以下維度來思考可能會有哪些新的信息商品類型出現：

1. 可交互的信息：即一份信息在消費時可以與用戶進行交互并根據交互內容產生新的信息，在沒有 GenAI 的時代只能通過人工設計交互路徑（比如GalGame），而擁有 GenAI 后可交互信息可能會迎來全新可能。
2. 信息的模態融合：即不同信息模態在同一個信息商品中是可以同時存在并相互轉化的，這來源于不同模態的信息在 GenAI 的技術下是可以不依賴人類進行生產。

通過上述分析，我們可以看到 GenAI 作為一種底層技術創新，其對信息商品經濟的影響是全面、深刻、以及革命性的，GenAI 不僅會對信息商品經濟所有生產環節產生顯著優化，并且孕育著創造新的信息商品類型的巨大可能，而這必將帶來全新的產品時代與新的偉大產品。

3. 從「有一點用」到「無所不能」

這里我們討論大產品的發展路徑以及 GenAI 技術對此路徑的影響。

什么是大產品：

大產品就是那些對我們的工作、生活、學習乃至社會運行產生重要影響的產品，事實上我們都生活在大產品所提供的服務中。

同樣，為了下文的分析，我們從信息商品經濟的視角對大產品提供一個定義：能夠對某類信息商品經濟的全流程產生直接影響的產品。

其主要特點為：

• 對應的信息商品價值總量高，比如，同樣以人的信息為商品，熟人社交和陌生人社交是兩類價值總量不同的信息商品。
• 對應的信息商品具備向其他類型信息商品的延展性，比如，從熟人社交可以自然延伸出熟人間支付，而從支付并不能延伸出熟人社交。
• 對某類信息商品的生產、分配、消費都能產生直接影響，比如，搜索引擎通過排名策略影響網站的設計，通過搜索算法影響網頁的分配，通過搜索結果頁的設計來影響網頁內容的消費形式。

大產品如何產生：

一個典型的大產品其發展路徑通常是：

• 從一個信息商品經濟某個環節出發，發現一個可以優化的問題——好問題
• 將這個問題的解決辦法具象為一個商業可行的工具——PMF
• 通過與用戶的共創，讓產品變得足夠好用——好產品
• 從單一環節優化向該信息商品的其他環節優化進行擴展——大產品

從這個過程來看，當產品從一個「好問題」被播下種子后，其最終成長為何物是不確定的，大產品無法被設計，而是「生長」出來的，產品的前進要更多依賴產品經理的好奇心與用戶反饋而非組織目標。

《為什么偉大不能被設計》一書中通過「踏腳石模型」闡述了相同的觀點[2]

更適合解決不確定問題的「踏腳石模型」

GenAI 的大產品路徑：

在上面分析的基礎上，我們便可以來討論 GenAI 時代的大產品了，我們從大產品的發展路徑進行逐一分析。

好問題階段：

根據上文對「GenAI 帶來的新變量」討論，我們相信 GenAI 大產品從生產環節上的優化點是：

• 生產環節，從 GenAI 能夠算法化生產的信息商品生產環節進行切入，即生產力工具。
• 消費環節，從 GenAI 技術的可交互性、模態融合、GUI+LUI 等特點，切入信息的終端消費環節，即新的信息商品類型和交互形式。

這兩類優化方式的關鍵點為：

• 生成內容的質量可控性，決定產品形態生成
• 內容成本，決定產品商業價值
• 生成內容的推理速度，決定產品使用方式

PMF階段：

對于 PMF 階段，GenAI 大產品的顯著不同是，由于算法能力成為產品的核心價值，所以除了要進行「Product Market Fit」外，我們需要同等重視「Product Model Fit」，前者決定了產品的商業模式，后者則決定了產品的技術可行性，而「Product Model Fit」的評估維度可能會有：

• 模型能力的需要達到何種程度
• 模型的開發和使用成本與產品收益的對比
• 模型能力如何與用戶使用形成優化閉環

好產品階段：

對于 GenAI 大產品來說，如何通過用戶反饋來優化產品將被賦予新的工作任務，即用戶使用行為如何成為模型訓練數據。

事實上，從搜索引擎的 CTR 算法開始，用戶行為數據早已被加入算法優化，但 GenAI 作為信息生產環節的巨大變革，其優化過程將跨越信息商品經濟的單一環節，也就是說用戶的消費環節行為數據將可以直接被用來做信息生產能力的優化，這將會是 GenAI 大產品與傳統軟件產品的一個顯著不同。

而更進一步，LLM 的技術已經開始探索通過合成數據來進行模型能力迭代，從而實現模型效果提升的自我循環[3]，那么這又是另一個更大的故事了：

Self-Rewarding Language Models

大產品階段：

最后是大產品階段，在前文《LLM-Native 產品的變與不變》中提出過「用戶規模馬爾薩斯陷阱」這一概念，即隨著產品功能的延展導致其復雜度變高從而陷入用戶增長困境。

而 GenAI 產品在 LLM 能力的幫助下，將實現以更簡單的產品形態來拓展產品能力，從而讓：

• 好產品向其他信息商品經濟環節的延伸覆蓋速度更快
• 單個產品能夠承載的用戶規模上限更高

至此，我們已經從信息商品經濟的視角對 GenAI 技術對產品有哪些維度的影響、如何影響以及新的 GenAI 大產品在發展路徑上會有哪些不同進行分析，從對信息商品經濟各個環節的優化程度來看，GenAI 必然帶來新的大產品時代，而這個新的時代將會來自于「產品范式」的革命，下面我們將討論 GenAI 技術 帶來的「產品范式」的轉移 這一話題。

三、范式轉移：從「軟件」到「模型」

這一部分我們討論 GenAI 技術帶來的產品范式轉移，這會是我們分析 AI-Native 概念的基礎。

1. 產品的范式

《科學革命的結構》一書[4]提出了「自然科學的范式」這一概念，并論證了「科學的進步來自于對舊范式的懷疑并以此產生的新范式」，這一結論同樣適用于產品范疇，即：產品的革命來自于范式的轉移。

類比于書中對范式的解釋，我們這里將「產品的范式」定義為：

• 產品工作中所賴以運作的理論基礎和實踐規范
• 從事產品工作的群體所共同遵從的世界觀和行為方式

毫無疑問，伴隨著信息技術和信息商品經濟的發展，產品工作早已形成自己的「范式」，由于篇幅原因本文不對這些已有「產品范式」的具體內容進行展開，而是會重點討論由于 GenAI 技術的出現，既有「產品范式」是否會出現轉移、以及會發生何種轉移。

2. 從軟件范式到模型范式

「范式」的轉移必然對應著新的重要變量，而通過前文的分析，我們已經說明了 GenAI 技術作為對信息商品經濟產生本質影響的底層變量將如何改變產品工作，在這里我們可以進一步來分析其對「產品范式」的影響。

這里的分析的思路是：如果信息商品經濟中原本存在某個不動點，而該不動點又隨著 GenAI 技術的出現將發生巨大變化，那么這便會帶來新的產品范式。

我們認為是這個隨 GenAI 技術發生改變的不動點是：信息商品經濟中的執行任務主體的形態。

具體來說：

• 在 GenAI 之前，信息商品經濟中的所有環節，其執行任務主體形態是軟件，即「軟件范式」（雖然有搜索、推薦算法的出現，但軟件依然作為活動中的核心部分）
• 在 GenAI 出現后，信息商品經濟的執行任務主體將會是模型，信息的生產、分發、以及消費將由 GenAI 模型直接創造或者執行，而軟件將成為算法創造或者執行的對象而非活動主體，即「模型范式」

所以，GenAI 技術的出現，將使產品范式經歷從「軟件范式」向「模型范式」的轉移，而這種轉移帶來具體變化則由「軟件」和「模型」的本質區別所決定：

• 軟件是靜態的代碼數量，產品價值與生產代碼數量成正比，靠人力 scale
• 模型是動態的泛化智慧，產品價值與模型泛化能力成正比，靠數據 scale

更進一步，新的產品范式下一些可能的變化會有：

• 產品工作的主體是算法而非軟件，設計模型就是設計產品
• 產品工作的目標是提升模型智慧，模型能力決定產品價值
• 產品工作的方法是獲得新的數據，智慧來自有價值的數據

這樣底層的范式遷移帶來的變化將是劇烈而深刻的，對照《科學革命的結構》中科學革命的演化過程，我們相信產品工作的既有理念、理論、方法在 GenAI 時代都將面臨巨大的沖擊和挑戰，身處其中的工作者則會經歷從「發現反?！?>「產生懷疑」->「新范式形成」的革命歷程。

以上，我們在 GenAI 技術對信息商品經濟影響的基礎上，進一步對 GenAI 如何帶來「產品范式」遷移這一問題進行了分析，下面我們將進入對「產品范式」轉移的最終產物—— AI-Native 應用進行分析。

四、AI-Native 的再認識

作為 GenAI 時代技術價值兌現的載體，「AI-Native 應用」被賦予了沉重的使命的同時也成為了市場上最火熱的概念，但 AI-Native 是什么、其有何特點、如何被衡量這些關鍵問題卻似乎并未成為共識，下面我將對這些問題提供一些觀察視角。

1. AI-Native 不是什么

“那么你覺得「AI-Native」的判斷標準是什么”，這是筆者在和一些新朋友交流討論時經常會提到的問題，而從實際的討論過程來看，這個問題的答案遠談不上共識，那么我們不妨從更容易形成共識的部分——「AI-Native 不是什么」來入手。

我們可以通過技術在應用中所發揮的作用這一視角來對市面上的 AI 產品進行分類：

• AI-by side：即 AI 技術在產品中是一個可選項，產品核心價值不受 AI 技術影響，比如 PowerPoint 中的 AI copilot 功能并不影響其核心使用流程。
• AI-Inside：即 AI 技術在產品中是一個核心組件，離開這個組件，產品的核心價值將受到顯著影響，比如 Gamma 的 AI 生成能力上線后迅速帶來營收增長并成為核心能力。
• AI-Based：即 AI 技術是產品成立的基礎，如果沒有相關 AI 技術，就不會有這個產品，比如，Tome 就是完全以 LLM 技術為基礎建立的產品。

三種主流 AI 產品類型

從名稱上就可以看出，我們并不認為上述產品是 AI-Native 的，事實上我們希望提出一種新判斷視角，這種視角來自于我們上文對產品范式轉移的分析，該判斷視角表述為：產品是「軟件范式」還是「模型范式」。

我們認為只有符合「模型范式」的產品才足夠 AI-Native，而在此視角下，結合前文對「模型范式」的分析，我們將 AI-Native 產品定義為：

以提升智慧程度為目標，以可持續迭代算法為核心，以轉化可訓練數據為手段，并在信息商品經濟的一個或多個環節中能夠產生優化的某種方法。

下面我將分析這種視角下 AI-Native 產品的特點以及判斷標準：

2. AI-Native 的特點

「模型范式」下的 AI-Native 產品可能會具備以下特點：

新目標

AI-Native 產品的一個顯著特點是其擁有一個全新的目標，我們將其表述為：

AI-Native 產品的目標是不斷增強解決某種問題的模型智慧水平

這是「軟件范式」下產品工作中所不具備的目標，而這種目標的變化也會對產品各個工作環節產生連帶影響。

新組織

相比于「軟件范式」下組織圍繞「如何提高有效代碼量」進行運轉，AI-Native 產品所對應的組織將基于「如何提升從數據到智慧的轉化效率」而建立[5]。

新載體

我們在前文中提到過，信息商品經濟的發展歷程中，「軟件形態」向來作為產品的核心甚至唯一載體，而 AI-Native 時代，伴隨著軟件成為被模型可生成、可調用的角色，產品的載體將轉移到算法，而軟件形態的產品功能將被賦予新的意義：模型可訓練數據的獲取渠道和轉化器，我們相信這個新意義將成為決定產品成敗的關鍵要素，所以在下文中會有更多分析。

以上描述并非思想實驗，而是可以在 OpenAI 的組織以及 ChatGPT 等產品中得到印證：

• OpenAI/ChatGPT 的目標是不斷增強解決 AGI 問題的模型智慧水平[6]
• OpenAI 的組織完全按照最大化模型能力提升效率進行設計，比如，據稱其并不像絕大數據 AI 公司那樣設計一個統一的 AI-infra 團隊，而是將訓練 infra 歸于 compression 團隊，inference 部分歸于 alignment 團隊，這是一個典型從數據向智慧轉化效率考慮的非常規組織架構
• ChatGPT、Plugin、GPTs 的產品設計中，我們都能清晰的看到其通過軟件產品形態來獲取新智慧數據的目的[7]

3. 你的產品 AI-Native 嗎？

下面我們將基于上述分析如何判斷一個產品是否 AI-Native，這里提出以下三種評估維度：

產品-算法擬合度

產品-算法擬合度=算法對產品優化貢獻/（算法對產品優化貢獻+軟件對產品優化貢獻）

由于一個產品的本質是對信息商品經濟的某種優化，將其與上文 AI-Native 產品的目標結合起來， 那么 AI-Native 產品所要解決的問題應該且必須能夠對應到一個核心算法，核心算法智慧程度對產品優化的貢獻占比越大，AI-Native 程度越高，具體來說：

• 核心算法的目標是待解決問題的另一種表述
• 核心算法優化=產品優化

可訓練數據占比

可訓練數據占比=能夠被核心算法訓練的數據量/業務總數據量

在 AI-Native 時代，產品的業務的數據收集、處理將圍繞「可被核心算法訓練」目標來設計，擁有更高可訓練數據占比的產品的 AI-Native 程度更高，這意味著：

產品能力迭代的思想將從人工主導的「數據飛輪」向模型主導的「智慧飛輪」轉變

產品能力迭代的路徑從「數據收集-人工分析-產品迭代」模式轉為「數據收集-算法優化-產品迭代」

功能 prompt 化率

產品功能 prompt 化率=通過 prompt 實現的功能數量/產品功能總數

對于 GenAI 技術來說，生成模型本身成為了一種計算能力，即「模型算力」，而 prompt（廣義層面 prompt，泛指對 GenAI 模型的所有輸入） 則是調取這種計算能力的方式，所以一個產品中通過 prompt 實現的功能占比將決定：

• 產品的迭代速度，使用 prompt 調取「模型算力」來更新產品將比軟件開發的效率更高
• 產品能力的優化方式，使用 prompt 來實現產品功能意味著更大范圍的「智慧飛輪」效應

本節我們從信息商品經濟和范式轉移視角對 AI-Native 產品的定義、特點以及衡量方式問題進行了討論，下面我們將更進一步，對 AI-Native 的產品類型進行分析

五、你的 AI-Native 是什么

由于 AI-Native 產品是正在快速生長的新物種，我們尚未看到有人對其類型進行劃分，這里我們依然從信息商品經濟和 AI-Native 產品定義、特點進行分析。

1. AI-Native 分類：不同效率的智慧轉化器

我們進行分類維度的選擇如下：

1）產品的經濟價值角度，即產品對應問題/場景需要人類智慧的程度，智慧程度越高則產品價值越大，模型能力的成長空間也就越大，這里分為：

• 高智慧場景
• 低智慧場景

2）產品的使用方式角度，即產品的使用頻率，使用頻率越高則用戶與模型的交互次數就越多，從而有更多的業務數據，這里分為：

• 高頻使用
• 低頻使用

3）產品的「智慧飛輪」角度，即業務數據向可訓練數據轉化的效率，轉化效率越高則業務數據中的人類智慧向模型轉化的速度就越快，模型的迭代速度也就越快。

• 高智慧轉化率
• 低智慧轉化率

事實上，任何一個 AI-Native 產品都可以被視為上述三個維度組合起來的人類智慧轉化器，即：通過產品的方式，以不同的效率將人類智慧向模型進行轉化。

人類智慧通過不同類別 AI-Native 產品轉化到模型

2. 一些例子

下面通過一些典型產品來更加直觀的說明上述分類方法：

高智慧場景-高頻使用-高智慧轉化率

典型產品：Github Copilot

分析：面向代碼寫作過程這一高智慧場景，用戶在高頻使用補全功能的同時，會對不滿意的生成內容直接進行修改，而修改后的內容則是一份新的可訓練數據。

高智慧場景-高頻使用-低智慧轉化率

典型產品：ChatGPT

分析：面向通過對話來完成通用任務的高智慧場景，用戶會在單一任務中高頻與模型交互，但是用戶并無法直接對模型生成內容進行修改，大部分用戶也不會對結果主動進行標注，這會大幅降低模型獲取用戶智慧的效率。

高智慧場景-低頻使用-低智慧轉化率

典型產品：Midjourney

分析：面向繪圖這一高智慧場景，但用戶并不會針對一張圖片的內容與模型高頻交互，并且對于每次生成的結果，用戶只能為模型提供了一份經過人工篩選的結果標注數據，而非包含更多人類智慧的具體的內容判斷描述。

低智慧場景-低頻使用-低智慧轉化率

典型產品：Perplexity

分析：信息檢索是一個智慧含量相對更低的場景，用戶在同一個信息獲取任務中，通常不會與模型多次交互，并且也缺乏對模型結果進行質量判斷從而進行反饋標注的能力，這使得產品能夠從用戶處獲取的智慧信息有限。

需要強調的是，上述分類方法是從模型即產品的視角進行觀察，僅用于評價「模型范式」下產品中核心算法的能力提升空間以及優化效率，并不用于評價產品的經濟價值、用戶規模、市場空間等，所以：一個「低智慧場景-低頻使用-低智慧轉化率」的產品并不意味著不是一個好產品，而僅代表其智慧轉化效率會更低。

經過前文的分析，我們對 AI-Native 有了更加全面和深入的認識，那么下面我們將從更宏觀的視角審視 AI-Native 產品。

六、AI-Native 的產品智能主義

任何偉大的事業都需要值得信仰的主義，那么對于 AI-Native 來說，我們應當信仰什么？

1. 從算法壓縮到產品連續

OneMoreAI 的朋友們一直都是「壓縮」理念的堅定布道者，「Compression-Next token prediction」范式已經成為了行業共識，但這畢竟是一個技術范式，無法指導產品，所以我們需要為 AI-Native 產品尋找一個像「壓縮」一樣簡單卻本質的基礎理念和范式。

我們給出的答案是：連續

「連續」是對「壓縮」的繼承和延續

對「連續」的思考來源于 Ilya 去年8月一次主題為《An Observation on Generalization》的分享[8]。

此次分享中，Ilya 從「壓縮」視角對無監督學習的有效性進行了闡述，其中一個核心概念為：無監督學習的監督學習（supervised learning of unsupervised learning），他認為無監督學習之所以必然有效，原因在于當我們對兩個數據集 X 和 Y 進行壓縮時，X 和 Y 可以互相作為對方的有監督數據，即通過找到 X 和 Y 中存在的共同模式來實現更高的壓縮比。

這是一個非常技術的說法，下面我們給出更偏產品視角的表述：

當我們使用無監督方式來訓練能夠滿足兩個不同任務A，B（兩份不同數據）的模型時，我們得到的是一個介于A任務和B任務能力之間的模型，所以這個模型不光能夠完成 A 任務和 B 任務，也能夠完成介于 A 和 B 之間的任務，即在 A、B 任務間實現了某種能力的連續。

舉例：當我們提供一份中-英翻譯任務的數據和一份中文歌詞寫作任務的數據，通過無監督方式壓縮出模型除了能夠進行中文到英文的翻譯、用中文寫歌詞外，其也具備實現用英文創作歌詞的能力（雖然我們并沒有專門提供英文創作歌詞的數據），這意味著通過無監督的壓縮方式，模型在兩個任務所需的不同能力間實現了連續。

顯然，更高的模型壓縮比意味著更連續的產品能力，所以「連續」是模型「壓縮」技術能力在產品層面的延伸和具象。

「連續」是 AI-Native 產品智慧的衡量標準

我們在前文中已經提到 AI-Native 產品目標的是「解決特定問題的更高智慧」，而「連續」正是這種智慧的衡量標準，具體來說：

• 復雜指令的遵循能力是模型智慧的直接體現
• 復雜指令可以被拆解為多個簡單指令，即簡單任務
• 復雜指令直接的遵循可視為在多個簡單任務間實現「連續」

所以，對于一個產品所面向的問題，我們可以使用模型對該問題下特定復雜指令的遵循來衡量其智慧程度。

比如，如果我們有兩個模型，為了完成某項任務：

• 模型 A 只能通過用戶給出多步簡單任務指令才能完成
• 模型 B 支持用戶在一條指令中描述所有需要執行的操作即可完成

我們會認為模型 B 的智慧程度更高，而通過上文的分析，我們知道模型 B 的能力更加連續。

「連續」是AI-Native 產品工作的路徑指導

如果說「壓縮比」是 LLM 模型工作的極致追求，那么「連續性」也許該被 AI-Native 的產品工作奉為圭臬。

事實上，我們完全可以通過「連續」來建立整套 AI-Native 產品工作框架：

• 從面向的問題出發，定義出產品所需的模型能力
• 將產品所需的模型能力按照用戶使用方式梳理出不同連續程度，即從簡單到復雜的指令
• 通過對不同連續程度指令的效果評估和優化模型能力的連續性

注：篇幅原因這里不做展開

2. 產品智能主義及其存在基礎

在「連續」的分析基礎上，我們提出 AI-Native 的 「產品智能主義」。

產品智能主義是什么？

「產品智能主義」的定義：

「產品智能主義」是以GenAI 技術為基礎，以 AI-Native 產品為載體，以提升特定信息商品經濟中問題的優化智慧為目標的工作方法和思想的總和，是實現更連續智能的產品化路徑。

以下是對該定義的展開說明：

• 產品智能主義以 LLM 為代表的 GenAI 技術為基礎，沒有 GenAI 技術的出現和發展，就沒有產品智能主義。
• 產品智能主義的實踐載體是 AI-Native 產品，一切工作的開展都將以 AI-Native 產品為落腳點。
• 產品智能主義的目標是通過提升解決特定問題的產品智慧水平成長為連續程度更高的智能。

產品智能主義存在的必然性

我們認為「產品智能主義」的出現、存在、和發展有其客觀必然性，具體來說：

• 歷史必然性：產品是人的能力延展，即一種媒介，智慧向更好的媒介轉化是人類社會發展的永恒趨勢，機器、軟件都曾作為特定歷史階段中承接人類智慧的媒介外延，如今的媒介主體只是成為了算法。
• 技術必然性：Transformer 為代表的無監督學習是一種極強的非結構化數據模擬器，語言模型則可以將所有任務統一到由自然語言作為輸入和輸出的單一模型，維特根斯坦曾說過“語言的界限就是我們世界的界限”[9]，所以 LLM 理論上能夠實現“凡是能夠說的，都能夠說清楚”[9]，而如何使用語言本質是一個產品問題而非技術問題。
• 社會必然性：無論是技術還是產品，其發展都無法脫離政治、經濟、市場層面的支撐和約束，而產品智能主義必然更容易在這些約束中找到自己的出路。

3. 智能道路上的殊途同歸

在通往更高智能的道路上，技術和產品絕不是非此即彼的路線問題，而是相互支撐和成就的一體兩面。

在 AI-Native 的產品智能主義語境下，我們認為技術驅動智能和產品驅動智能是起點不同的殊途同歸，具體來說：

1）技術驅動的路徑：

• 智慧能力突破
• 新的智慧能力與場景匹配
• 得到能夠解決問題的產品
• 積累新的數據
• 新的智慧提升

2）產品驅動的路徑：

• 場景與已有智慧能力匹配
• 得到能夠解決問題的產品
• 積累新的數據
• 新的智慧提升

在上一篇文章的副標題中，我們寫道：因為忘記 AGI，所以成為 AGI。

這其實帶有某種產品經理的“私心”和“偏見”，在大模型元年結束后進行回望，我們則更愿相信：

技術設計智能，產品生長智能，如果說技術智能主義是人類對神性的終極追求，產品智能主義則是生命自己會尋找出路的道法自然。

AI-Native 的大產品時代有足夠廣闊的天空，所以無論是技術驅動還是產品驅動，大家都能頂峰相見。

七、結語

本文的實質是筆者以一個「模型產品經理」的視角對過去一年工作的思考、復盤、和總結，由于篇幅和筆者的能力約束，一些問題在文中未能充分討論，也必然存在一些不正確的觀點，衷心期待與更多朋友進行高質量的思維碰撞，讓我們一起「認知開源」。

Reference

https://blog.cloudflare.com/zh-cn/radar-2023-year-in-review-internet-services

https://www.36kr.com/p/1723061551105

https://arxiv.org/abs/2401.10020

https://book.douban.com/subject/35951747/

https://mp.weixin.qq.com/s/499NG03U3jC-S_9K6ek8pA

https://openai.com/blog/planning-for-agi-and-beyond

https://mp.weixin.qq.com/s/WNa7c6mF_1gBoPjWDmtZEw

https://www.youtube.com/watch?v=AKMuA_TVz3A

https://book.douban.com/subject/1005354/