AI技術的快速發展為各行各業帶來了革命性的變化，但在實際落地應用中卻面臨著場景適配和成本效益的雙重挑戰?；蛟S我們需要調整一下AI時代的PMF概念，要想走到AI應用爆發的節點，我們或許還需要一些時間。

一家剛剛引入大廠AI能力不久的醫療SaaS企業，正在面臨由產業規模擴張帶來的沉沒成本困境。

其市場部經理孫勝表示，早在大模型與AIGC秋風掃落葉似地席卷中文互聯網之前，這家公司便通過首輪融資中的5億元搭建好了架構與產品，在2022年中到2023年中的一年內做到了盈虧平衡。

然而“行業大模型”敘事的出現徹底打亂了他們的節奏，在競爭趨烈的SaaS賽道，引入AI似乎不可避免。

于是，該公司又在AI能力以及相關架構的產研上，前前后后投入了數億元。此舉換來的是新老架構沖突、產品混亂以及定價的問題——客戶好像并不需要當下稱不上成熟的AI能力，然而這部分成本卻又難以通過老產品轉嫁出去。

這只是AI在垂直領域落地的一角，由此管中窺豹，雖然AI工具不斷“入侵”人類社會，但是如雨后筍般不斷冒出的各類新式AI工具的沖擊卻遲遲撞不開那道名為“普及”的大門。

AI工具并非一套封閉的技術體系，需要的是在相應場景中，通過交互與人類智能互緣重構。

過去，我們一度認為“幻覺”是阻礙AIGC以及大模型進入千行百業的根本原因。但實際情況是，大廠也好創企也罷，其AI+的產品落地更多的是受到了成本和場景的桎梏，這讓市場上一眾“80分的模型最終只能落地為60分的產品”。

由這些限制而產生的，從及格到優秀的這一小段距離，已然成為人類社會智能化轉型的一道天塹。

一、PMF的“鬼故事”

“原定在年中準備參加的幾個活動中，一些是直接被取消，還有一些是縮減參會人員，減少開支”，孫勝說，“公司在A輪融到的錢已經花得七七八八了，新的融資還沒有跡象”。

他坦言，曾經一度稱得上順風順水的BD不僅沒能乘上大模型東風，反而是在引入AI之后變得更“難”了。他得到的回復不外乎AI的準確性、成本以及缺少相關案例這幾類，這其中或許有醫療行業相對孤立于互聯網之外而缺乏有效數據的緣故，但不可否認的是，AI問診、開藥等功能時常在“幫倒忙”。

相似的情況，我們不難在同為高知行業的法律與金融等行業上找到。

一位投資人告訴光子星球，他看到過多起由投資人指定的AI+法律方向的投資，天使輪融資額一般在七位數，然而幾乎絕大多數都倒在了模型幻覺導致的法律條文準確性問題上?！巴顿Y款幾乎都用來買數據和算力，B端贊助算力的話就招兼職開發，團隊之間少有開工資的，主打一個為愛發電”。

在更為依賴人類智能決策的金融領域，行業對AI的工具應用態度更為審慎。朱雀基金經理Michael坦言道，目前業內的主流應用仍是去年便開始推廣的金融新聞生成、客服以及報告總結。即使是對新興技術態度相對更為激進的同花順，在與百度合作后也未有什么大動作。

至于在NLP時期便有爆發跡象的智能投研則是隨著大模型的到來徹底熄火——過去機器學習的過擬合缺陷已然被更大的數據與訓練規模升格為“幻覺”，淺顯易懂的詞匯也加重了這個缺陷的分量。過去的智能投研拿不到Alpha（與市場不相關的超額收益），現在更加拿不到。

醫療、法律與金融一直是社會財富較為集中且追求人效的行業，當AIGC及應用爆發后，這也自然而然地成為大廠創企共同瞄準的落地場景。既然能解決一切問題的AGI還遙遙無期，那么在PMF（Product Market Fit，產品市場匹配度）的第一性之下，從需求切入并反向推動技術迭代便是題中之義。

在創業成本相對較低且主要面向消費市場的移動互聯網時代，PMF的正向或逆向工程都能跑出一定成績，但在成本巨大、市場不明確的AI賽道，PMF逆向工程的前方多是dead end。

說白了，全球資源集中攻堅下，AI技術跑得太快，GPT3.5到GPT4的里程碑跨越僅耗時數月，當我們以為大模型能力遭遇瓶頸時，Sora又吹響了多模態的號角。這讓一度陷入FOMO的創業者和PM們根本沒有時間去做用戶研究，只能事先構想需求和場景，以此打造產品并試圖通過實際場景中的應用快速迭代。

問題是AI賽道PMF并非一群PM排排坐拍腦門就能產生的玩意，更非一些技術出身的創業者，在對絕大多數行業一知半解的情況下，依靠AI這種技術力量便能降維打擊的領域。

上述情況在當下主要面向B端的AI工具類服務中的直觀體現，便是光子星球曾在《大模型沒過“試用期”》中提到的“客戶AI業務的‘保姆’”，在為客戶定制一匹更快的“馬”的路上做無用功，而真正的“汽車”卻隱藏在工具之下的模型底層中。

二、內容產業的迷思

如果說AI工具在B端的落地受到了既往的定制化敘事與過度產研的拖累，導致產品難以進入實際場景，那么場景更為明確的C端是否會有所不同？

單從供給側看，C端AI應用的發展如火如荼，如字節跳動、百度、騰訊等大廠圍繞自研模型，為AI拉出了數條獨立產品線，其中字節更是海內外同步推進，旗下多款應用都推出了海內外雙版本。

不過當下大廠產品扎堆的AI社交，其產品形態誕生于去年末，不僅受限于模型能力輸出的限制，導致設計與功能上高度趨同，于用戶而言也大多只有嘗鮮一用，如字節旗下的對話應用“貓箱”便只能徘徊在iOS免費榜的末端。相比之下，用戶忠誠度更高的效率類工具與多模態工具才是玩家們掘金的目的地。

然而，這些工具在落地上同樣遭遇了場景受限的問題，C端場景并不比B端更豐富，因為效率工具本身服務的便是相對專業的內容生產者。就像圖文、視頻的媒體變革帶來的UGC風潮被細分為UGC（用戶生產內容）與PUGC（專業用戶生產內容），而PUGC對生產工具的要求與B端可以說大差不差。

我們了解到，不少嘗試Suno、網易天音、天工等AI音樂工具的工作室與音樂人僅僅以此作為輔助創作的形式，并且付費意愿不高。至于由Sora帶火的文生視頻賽道，則相對更為前景未明，一個例證是北京電影節、麻省理工學院、愛奇藝等不同主體召開AI視頻相關大賽，這一賽道的商業化明顯還處于培養的初級階段。

好似2016年的阿爾法狗，文生視頻賽道還在擴充供給側的規模，需求側則是無從談起。

只不過相比于決策成本更高、定制化需求更重的B端，普通用戶、專業生產者與組織的付費門檻更低，更愿意嘗試。不過這也引出了當下大模型能力在工具產品落地上的另一大問題。

“看過很多團隊，請了清北的算法大牛，不停微調模型、優化prompt，但是能在產品層面上體現出來的大多還是原地踏步?！?/p>

在這位投資人眼中，“原地踏步”并非止步不前，而是大多AI工具上不去也下不來——門檻并未降低到消費級水平，而專業性卻又難以滿足專業領域人士。

其中比較典型的是音樂產業，且不提AI作曲大多缺乏情感、“平淡如水”，更重要的是多位音樂人向我們反映過基于大模型的AI音樂工具在生產流程上是“反人類”的。以Suno為首的AI音樂工具直接大包大攬的AI作曲的全流程，當創作者好不容易prompt出了一首能聽的歌，還得自己“扒譜”、分軌。

這對于未受過專業和弦學習、創作能力較差的小白來說可堪一用，但對于專業的音樂人而言，簡直是災難。相比之下，并未在大模型之下接受重構的網易天音反而脫穎而出。

網易天音是網易基于NLP學習而包裝產品化的AI編曲平臺，去年與微軟小冰合作從而引入了人聲生成功能。音樂人可以按音樂生產流程中的風格、樂器、調號、拍號、速度以及時長等要素產出Demo并分軌導出，相對更貼合生產語境。但與之相對的，這也使其較自然語言交互生成的大模型AI音樂，距消費場景更遠了。

上述情況直指當下大模型能力被高估的現狀，專業生產者還沒玩明白，何況是消費語境下的小白？

三、移山

病來如山倒，病去如抽絲。大模型對商業社會的沖擊就好比是一場“病”，希望進入千行百業的大模型需要的恰恰是消解其科技屬性所帶來的沖擊敘事，讓企業與用戶使用大模型能力進入“常態化”。

這不免又將我們帶回前文所述的PMF問題，如今業內找PMF之所以會造成“自以為是”的情況，在于AI這個嶄新變量改變了過去移動互聯網的思維與商業模式。這意味著，AI大模型落地的搬山之旅需要的是就PMF這個“初級理論”進行革新。

值此情況下，大廠與創企基于自己的資本與生態位，走出了不同的道路。

百度、騰訊、阿里等頭部玩家大多都持有雄厚的基礎設施，這導向了以基建為抓手，將開發者作為模型能力的延伸，以觸達更多場景的路線。以百度為例，其于4月16日召開的Create2024百度AI開發者大會上公布了AI原生應用平臺千帆Appbuilder，目前千帆社區上已有19萬款應用，應用商店的成熟應用數量也達到了317款。

相比大廠的“穩扎穩打”，底子相對更薄、更需要精打細算的創企卻相對更玩得開。2023年4月，視頻賽道的知名創企HeyGen創始人 Joshua Xu便在官方博客中分享了他們在7個月實現100萬美元ARR的歷程，其中特別將AI浪潮中的PMF概念稱呼為“AMF”（AI市場匹配度）。

Joshua Xu稱其通過Fiverr（一家國際性自由職業者平臺）找到了第一個付費客戶。平臺在其中的作用是，讓HeyGen僅在初步技術探索的基礎上，以產品Demo和“代言人（spokesperson）”這個細分場景便完成了與需求的匹配。

或許，從PMF精細化至AMF，需要的并非閉門造車，而是一個能更高效匹配AI能力與需求的新工具或平臺。

此外，零一萬物創始人李開復也在5月13日的發布會上更新了AI時代的PMF概念——TC-PMF（Product-Market-Technology-Cost Fit，技術成本與產品市場契合度）。他認為，由于大模型的推理成本過高，即使推理成本以10倍的速度在下降，AI產品的落地也必須將成本作為必須考慮的要素之一。

這么看來，AI工具的落地要么是沖不破用戶與場景的限制，要么是ROI打不平。

2024即將行至半程，顯然業內對其成為應用爆發元年的判斷有些樂觀了。唯一能確定的歷史爆點是GPT，而應用的真正爆發，或許離我們還有點遠。