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

什么是LLM-Native產品？某種程度上你可以將其理解為一種建立在LLMs技術特點和思維方式上的全新產品范式。這篇文章里，作者就對LLM-Native產品的底層邏輯、特點等問題展開了討論，一起來看一下。

一、LLM-Native：AGI的另一種路徑

《銀河系漫游指南》的作者——道格拉斯·亞當斯曾經對「技術」一詞做出這樣一種解釋：

「技術」是描述某種尚未發揮作用的東西的詞匯。

這是一個充滿實用主義的定義，這句話可以被更直觀地表述為：當我們還在熱烈討論某種技術時，往往意味著該技術還未真正發揮作用。

事實上所有底層技術驅動的產業革命都將經歷一個市場焦點從技術向應用轉移的過程，而當這種轉移開始發生時，才意味著該技術開始兌現其價值。

對于大語言模型技術（下文稱：LLMs）來說，在經歷了注定載入科技史冊的技術狂飆后，雖然目前其技術進展依然占據絕大多數的市場關注度，但已有跡象表明我們正處于技術兌現價值的破曉：

• 5月：Character.ai web端月訪問量超過2億并擁有恐怖的平均使用時長——Killer App的產品形態初見端倪。
• 6月：OpenAI招聘了世界級產品經理Peter Deng來操刀未來的消費級產品（可能是個人助理）——頭部玩家的戰略變化。
• 7月：Inflection完成13億美元融資，創始人Mustafa明確表示公司定位為應用公司而非AGI研究機構——以應用為目標的新公司開始建立。

所以在AGI到來前，一個與“如何實現AGI”同樣值得我們興奮的問題擺在了面前：

當信仰AI的先知們擺脫AGI執念，帶領信徒到達技術的應許之地后，拔地而起的將是一座何等壯麗的全新城邦。

這個問題的可能答案指向LLM-Native產品：一種建立在LLMs技術特點和思維方式上的全新產品范式。

事實上，LLM-Native產品并不意味著與AGI技術分道揚鑣，而更像是某種形式的殊途同歸，也許當我們暫時忘記AGI而轉向擴大LLMs技術的使用范圍以及創造全新產品時，這反而會成為另一種實現AGI的路徑，就如同現在LLMs技術得以發展是建立在互聯網數十年產品化積累的海量數據一樣。

下面我們將對LLM-Native產品的底層邏輯、特點、以及如何創建等問題展開討論。

二、產品視角下的LLMs技術

在開始討論LLM-Native產品之前，我們需要對LLMs技術的特點進行分析，這里的分析將從產品視角進行，更具體來說，我們將從產品開發者和產品使用者兩種視角來觀察LLMs技術。

1. 產品開發者視角

1）模型即應用

從產品形態角度來看，LLMs相關的模型接收的輸入是用戶的自然語言，輸出是最終可用信息或者任務執行結果（不需要開發者或者用戶繼續處理），所有中間處理所需的能力（如，任務拆解、信息生成、工具調用）都被封裝在了模型中，所以對于LLMs來說，模型本身就是一個應用。

2）需求即功能

從功能設計角度來看，由于「涌現」的存在，LLMs所具備的能力是一個開放域，其能夠解決何種問題同時取決于模型能力如何被設計以及用戶如何去使用（即描述需求），也就是說LLMs會根據其對用戶需求（意圖）的理解自動形成對應的能力，這種能力的呈現形式不僅僅是我們所熟知的文本或者圖像回應，也可以是一個交互界面或者是一個行動。

3）語言即代碼

從產品開發角度來看，由于LLMs使用自然語言作為輸入并對其進行回應，用戶的文本描述將部分替代開發代碼，由用戶自己實現其需要的功能，另一方面也帶來了LLMs產品天然的UGC屬性。

Mr.-Ranedeer-AI-Tutor：用400+行prompt實現教學機器人

2. 產品使用者視角

1）實時性

從信息時效性來看，由于LLMs的輸出是對用戶所描述需求的回應，所以用戶從LLMs產品中每次獲取的信息都是實時生成的，而非對已經存在的信息按照某種規則進行分發。

2）自主性

從使用過程來看，由于LLMs具備對用戶需求進行任務拆解、目標規劃、自動執行的能力，所以一個任務的完成過程并非完全由用戶控制，LLMs產品在其中具有很強的自主性，任務將由用戶和LLMs協作完成，這個特點已經在Agent類產品中出現。

Agent具備顯著的自主性：規劃、行動、使用工具

3）不確定性

從獲取的信息質量來看，由于LLMs采用自回歸方式生成，并且面向開放性任務的目標設計，其生成結果存在較強的不確定性，即用戶很難精確、穩定、可控的獲取其想要的內容或者結果。

我們當然還能總結出LLMs技術的其他特點，但由于本文的目標，這里主要關注對LLM-Native有決定性影響的部分，在下文中我們將看到這些產品維度的特點將如何影響我們對LLM-Native產品的設計與決策。

三、Welcome to Hogwarts

LLMs技術的新特點必然會給產品工作帶來變化，認識并接受這些變化的過程也許會像從麻瓜世界長大的巫師首次進入霍格沃茲——有趣、反常、但必要，下面我們將從用戶、需求、產品、業務、市場等不同維度來介紹我們在開展LLM-Native產品工作時將要面臨的變化，歡迎進入LLMs的產品新世界。

1. 當用戶=開發者

用戶作為產品的開發者并不是一件新鮮事，由用戶為產品開發插件、甚至優化產品功能“古已有之”，但是像LLMs產品這樣，每個用戶的每次使用都是在對產品進行「開發」的情況卻是頭一次出現。

由于上文提到的「語言即代碼」和「需求即功能」特點，LLMs產品的每一個prompt，都會是一個對應特定功能、或者可復用插件，而當將Agent、UI生成等能力加入產品后，用戶的開發能力將會得到更大提升。

生產力決定生產關系，在LLMs提供的強大生產力下，我們將迎來一個全民開發的時代，如果說互聯網實現了信息自由，那么LLM-Native產品將實現開發自由。

FlowiseAI：通過簡單的操作和prompt就能創建自己的應用

2. 需求的無損傳遞與個性化滿足

對于產品有這樣一種表述：對用戶需求抽象后的解決方案實現。那么從這個角度來看，產品功能其實是對用戶需求的接收和翻譯。

在實際產品工作中，無論是對需求的人為抽象還是對功能的人工設計，都無法實現用戶需求的無損傳遞，而功能的標準化設計則注定其無法滿足用戶的個性化需求，那么不可避免的結果會是：

• 總有人不滿意——功能設計的標準化與用戶需求的個性化矛盾。
• 功能變復雜——為了更精確翻譯更多的用戶需求，不得不增加功能。
• 學習門檻增加——功能變多，以及單個功能與用戶需求的匹配度降低。

在產品的生命周期中，這三者體現出相互疊加促進的關系，最終的結果是產品功能越來越復雜、新用戶進入門檻高、老用戶因體驗下降流失，這個過程是很多產品在增長過程中無法逃脫的“用戶規模馬爾薩斯陷阱”。從搜索到推薦，算法一直在試圖讓產品增長脫離這個困境，即努力讓功能內化在算法中從而實現用更少的產品復雜度來實現更多的功能，而這正是LLMs最為擅長的，具體來說：

對于LLM-Native產品，由于「模型即應用」、「需求即功能」的特點，我們可以實現：

• 需求通過自然語言描述輸入模型——需求的高效傳遞。
• 需求對應的功能被實時生成——面向不同用戶的個性化功能。

所以LLM-Native產品有很可能會打破產品設計的“用戶規模馬爾薩斯陷阱”，即用極簡的產品設計在保持低使用門檻的前提下，個性化的滿足復雜、海量的用戶需求。

3. 供給側與消費側改革

從經濟角度來看，我們日常使用的絕大多數互聯網產品都在圍繞信息的生產、分配和消費進行設計，LLMs技術「需求即功能」和「語言即代碼」的特點將對信息的供給和消費同時帶來變革，具體如下：

1）在供給側

• 信息的生產角色從人類開始向人類+算法過渡，這個過程將逐步實現信息內容生產的工業化、自動化和智能化，這意味著更高的內容生產效率以及內容生產成本邊際遞減。
• 信息生產活動將從庫存邏輯向訂單邏輯變化，即信息生產從一項業務的固定成本（提前生產好信息等待用戶閱讀、搜索、推薦）變成了一項可變成本（根據用戶需求實時生成）。
• 信息的供給模式將從分發邏輯向生成邏輯轉變，搜索和推薦都在進行信息分發，即讓用戶更高效地獲得正確的「原始信息」，而LLMs生產信息的方式天然會將「原始信息」與用戶進行隔離，當用戶得到有用的信息時可能并不需要知道這個信息原本來自于哪里。

2）在消費側

• 信息的使用方式從消費離線內容向消費實時內容變化，與信息生產邏輯變化相對應，用戶使用信息的方式將從消費已經生產好的信息變為消費實時生成的信息。
• 信息的形式從靜態向動態變化，與上一個變化對應，內容形式將從靜態內容逐漸向可交互內容變化（比如對話實際上可被視為可交互的文本）。
• 獲取的信息的方式從個性化向定制化變化，LLMs時代產品提供信息的方式將實現針對不同用戶的定制化，即為特定用戶生產專屬信息，這在帶來更好的信息消費體驗的同時也會進一步增加信息繭房效應。

4. 從產品的算法到算法的產品

從業務角度看，傳統的AI業務中，算法與產品是兩個有關聯但又有各自獨立的工作環節，而對于LLMs的產品來說，由于「算法即產品」的特點，對產品功能的設計將逐漸等同于對算法能力的設計，這將在以下三個維度帶來變化：

1. 目標層面：LLMs模型工作的目標是直接滿足業務需求，而非提供某種模型能力后再進行業務封裝，這需要對模型進行產品化的設計。
2. 組織層面：與上述變化需要配套的是組織層面的變化，LLMs的模型研發團隊不應是一個并行于業務單元的支持單元，而是其本身就是一個業務單元。
3. 執行層面：對LLMs的產品經理有更多的要求，其工作范圍將包括模型應當具備何種能力（任務設計），模型實際具備何種能力（模型評測），模型如何具備何種能力（數據與對齊策略）等。

5. 新的市場熵增周期

市場熵（Market Entropy）用來代表市場上用戶需求的無序程度（Figma的投資人Kevin Kwok提出），如果用戶的需求變化速度更快，市場熵就會更高，其核心表述為：

• 較低的市場熵有利于已有產品（組織），較高的市場熵更有利于新產品（組織），市場熵處于上升趨勢時，是拓展新業務的好時機，市場熵處于下降趨勢時，則更需要考慮如何鞏固已有優勢。
• 自然狀態下，市場熵的發展趨勢是逐漸減少的，原因在于產品設計者會通過不斷增加功能來滿足、引導用戶的需求，從而讓市場上存量的有效用戶需求不斷減少，底層技術的革命會帶來新的市場熵增。
• 底層技術能夠將原本處在低熵狀態的市場進行有效整合，從而形成全新的市場機會，而這是變革中最容易被忽視的點，即在被認為沒有機會的市場中長出偉大的新產品。

顯然LLMs技術將對市場熵產生廣泛且劇烈的影響，帶來新的熵增周期，這是本輪LLM-Native產品工作開展的一個基本外在客觀事實，具體到當下，我們可以觀察到：

• 熵增已經開始出現，用戶對LLMs能做的事情正在進行積極地探索，需求產品化的速度顯然低于用戶在這種探索中形成新需求的速度。
• 目前的LLMs產品并未影響新增的市場熵，因為其仍處在面向已有需求設計產品的階段，解決的是存量需求，比如實現更高效的搜索（直接獲取加工后的信息）、更高的文本處理效率（摘要、數據處理、翻譯）、輔助內容創作（代碼、郵件、報告）。

我們正處在新一輪市場熵增的早期

在變革到來時，是否能夠率先參考并利用這些變化來完成產品設計將會成為早期LLM-Native產品發展過程的勝負手。

四、變革中的那些確定性

1. 信息的解構

對于信息內容來說，一個顯著的趨勢是新技術將帶來基于原有媒介內容被解構并增強互動性后形成全新產品形態，其過程分為兩個循環交替的環節：

1. 舊的內容形式被解構后用來滿足原有用戶需求并形成新的產品形態。
2. 新的產品形態在迭代中形成新的內容形式。

一些典型的內容被解構的例子：

• 博客被解構為內容更短、參與門檻更低的Twitter、instgram。
• 電影被解構為電影解說類視頻和彈幕。
• 歌曲被解構為其中最好聽的那一小部分來作為短視頻的BGM。

對于LLM-Native產品來說，我們相信一定會出現新的信息解構形式及其對應的產品形態，比如，可交互的視頻內容也許可以將現有的單位視頻的播放時間進一步解構到更短、已有IP內容（如小說、漫畫）通過加入生成技術被解構為新的可交互內容。

2. 通過制造稀缺

稀缺性是所有商品和服務都試圖去設計的，其主要原因為：

• 從經濟學的供需原理來看，稀缺性將提升價格——賣的更貴。
• 從心理學的稀缺效應來看，稀缺將帶來更多的關注——獲得更多注意力從而獲得更高的經濟價值。
• 從行為經濟學來看，稀缺將帶來更容易做出的消費決策——更高的付費意愿。

稀缺性是互聯網產品一直在努力追求但卻不好獲得的一種產品屬性，因為這通常與互聯網技術基因中的「免費原則」、「平等精神」背道而馳。

但是在通過稀缺性獲取更高的注意力方面，LLMs的技術可能會帶來突破：提供完全定制化的內容會比推薦算法帶來的個性化內容具有更強的稀缺感（專屬商品、服務當然會有更高的吸引力），從而更容易讓用戶交出自己的注意力。

從這個角度來看，對于LLM-Native產品來說，在單位內容中獲取的用戶注意力會更高，從而讓用戶的單位產品使用時長具備更高的經濟價值。

3. 滿足控制感

追求掌控感是人類的天性，所以用戶對產品的控制感是評價設計好壞的一個基本維度，在《設計心理學》中，控制感被描述為：

用戶心理模型（來源于經驗和期望）和系統模型（產品最終提供的功能、形態、內容）的接近程度，越接近則可控感越高。

對于LLM-Native產品來說同樣需要遵循控制感的設計原則，通過上面的分析，我們很容易發現LLMs將提供全新的控制感：

• 功能的可控性變弱：功能被隱藏在模型能力中了，對用戶來說會不知所措。
• 形態的可控性變強：形態上，以自然語言對話為核心的產品形態將增強用戶的控制感。
• 全新的內容可控性：與上文提到的信息供給側邏輯變化相對應，由于內容是模型實時生成的，所以用戶第一次擁有了對內容的控制感。

我們相信，對內容的控制感是一種即將被LLMs技術激活的潛在需求，這將會成為LLM-Native應用的一個重要差異化體驗。

4. 需求抽象程度不斷提升

所有產品都是圍繞某種抽象程度的需求來設計的，而通過觀察對解決相同類型問題的產品發展歷程，我們可以看到一個顯著的趨勢：產品所對應的需求抽象程度不斷提高。

兩個具體的例子：

• Photoshop面向的需求為如何更好的控制像素點，而到了Canvas、Figma時代需求變成了如何更快的使用模板得到一個可用的設計稿。
• 搜索引擎面向「哪些信息包含我提供的query」的需求，而推薦引擎使用更高抽象程度的user profile作為分配依據，將需求抽象至「哪些信息可能是符合我的偏好」。

顯然，LLMs技術將帶來更高的需求抽象程度：

• Midjourney面向圖像所包含的要素、風格以及其他用戶要求來創作圖像。
• Jasper等文本生成產品將文本創作需求的抽象程度提升到對內容的直接描述。
• Perplexity等搜索（或者稱之為生成）引擎則將獲取信息的需求抽象到了對所需信息本身的描述（當然也繼承了推薦時代的user profile）。

所以，更高的需求抽象程度是LLM-Native產品的必然發展方向，每一個需求都值得用更高的需求抽象程度來重新審視。

5. 加工更高層級的智慧信息

LLMs是一種新型媒介，那么從媒介的角度分析，我們能得到一些有趣的確定性。麥克魯漢在《人的延伸——媒介通論》中對媒介有兩個重要的論述：

• 媒介是人的延伸：一種媒介總能夠映射到某種人類的能力。
• 媒介即是信息：媒介本身決定其傳遞的信息內容。

從這兩個論述我們提出以下問題并給出回答：

問：LLMs延升的是人的何種能力？

答：LLMs延升的是人類的一些智慧能力，如語言理解、邏輯推理、信息構建等。

問：LLMs作為一種全新的媒介，其傳遞的信息是什么？

答：LLMs傳遞的是智慧化的互聯網（或者說信息化）數據。事實上，有一種對LLMs的描述便是“一個高度壓縮的互聯網”。

綜合上述內容，我們似乎可以對LLMs給出一個媒介版的定義：通過對互聯網信息內容的壓縮來延伸人類的部分智慧能力。

結合我們之前文章反復提到的「壓縮產生智能」觀點，如果我們能夠將LLMs所壓縮的信息內容進行智慧含量計算，其應與LLMs最終展現的智慧能力程度是正相關的。

目前我們可以通過互聯網公開的內容信息達到當前LLMs展現的智力，而更高智慧密度的信息內容也必然誕生更高智力，這些更高智慧密度的信息可能是：

• 實際業務中被驗證有效的工作流。
• 尚未被信息化的行業know-how。
• 帶有行業屬性的結構化信息模板。

如何得到更高智慧密度的信息，將決定LLMs媒介對人類智慧延伸的范圍和程度，對LLM-Native產品的設計來說，當互聯網已有的公開信息無法拉開LLMs的智力差距時，通過獲得、壓縮與自己場景相關的更高智慧密度數據，將成為產品差異化的關鍵（這一點我們在下面的文章中還會有相關討論）。