今天小编分享的互联网经验：从1到10：AI产品和互联网产品的核心差异，欢迎阅读。
文 | 李智勇
看了下马云的内部信，有点意外的是这只是关于情绪和态度。
因为人类本身没太大变化，所以就情绪和态度而言，在企业起伏的时候，大致上就总是：
在错误处带来真实，在怀疑处带来信任，在混乱处带来和谐，在沮丧处带来希望。
但 AI 确实不止关于情绪，它有一些与过去迥异的运行规律。马云说的：AI 时代刚刚到来，一切才刚开始，我们正当其时。这是对的。
然后呢？
然后我们其实需要认识这些差异，打造新的产品然后才可能创造新的用户价值，AI 的发展也才能真正闭环。。
从 0 到 1 的相关故事
彼得蒂尔的从 0 到 1 可能是最成功的商业方法论书籍，核心原因正在于这是成功互联网产品的最关键点。
成功的互联网产品一定是 PMF（Product Market Fit）型产品。
选择一个领網域，吃透一个领網域，然后把互联网技术加进去，变成一个新的产品，验证后大范围复制，每个成功互联网产品都是这么走过来的。
对产品进行细分的话，差异在于平台化通过两端开放打开了 PMF 的适配范围，远超单点的工具。
这套逻辑做到企业级产品（SaaS）的时候，就彻底折了。
不同的企业用各种方式捍卫自己的不一样，所以做 SaaS 本质上是 N 个从 0 到 1，但一直没有从 1 到 100。
这种定制的复杂度超过现有技术架构的吸收能力，不管你是用应用商店，平台，插件还是什么技术，最终你本质都需要一个一个交付，变成解决方案式扩张。
边际效能靠人还是靠算力显然有巨大差异。所以 SaaS 就集体持续亏损，但也还能活着。
这种现实提示我们什么呢？
为什么产品是从 0 到 1 和从 1 到 100 两个阶段呢？
互联网产品外化的是程式员的智能，可以留一些定制的空间，但这个空间是有限的，最终灵活适配能力的上限也还是程式员设定的。
所以这种产品力必须打对地方，互联网的产品力和市场突破口如果打偏了就像非给牛喂猪肉一样，费力不讨好。
从 0 到 1 就解决这个准不准的问题。
而这个问题一解决，后面待解决问题是一样的，所以就可以纯粹复制。
复制的边际效能基本是算力的边际效能，也就变成指数增长。
典型的两段论：趴在地上吃土 + 一飞冲天后吃肉；当然也有一直吃土的可能。
那 AI 还是这样么？如果不是为什么？
AI 产品的新特质
AI 的核心改变根本不是 AIGC，包括 Sora，而是它的概念识别和自行逻辑判断能力。这潜在的意味着计算范式的变化。
过去我们的计算模式本质上是现实世界的需求由程式员折射成计算机世界的语言，然后计算机按照程式员的设定进行执行。
AI 下的计算模式不是这样，程式员这个中间层越来越透明（不是彻底消失），人直接和模型进行互動，然后具体的功能范围是不定的。模型、策略和价值观设定这个范围，不再是程式员设定这个范围了。
如果用图形描述，那大概下面这样：
这种新特质即影响产品形态，也影响相应产品的方法论。
产品形态上，过去用户总是按照 UI（图形用户界面）来完成某个功能。
而 UI（图形用户界面）本质是一种归类，类目的集合就是产品的边界。即是功能的边界，也是感知的边界。
举个例子，比如过去经常说的 ERP，它充分对企业进行抽象，然后覆盖了某个范围。这样也就形成了一个自己的边界（企业的适用范围）和重量。
把这壳套到自己身上的时候，那企业可能承受不了它的重量。外部的变化会挑战它的设定也会持续产生成本，最终就变成了上 ERP 找死，不上等死。
那假如 ERP 变成了企业的自动驾驶，类似 Autopilot，会发生什么呢？
这时候反馈 + 智能 + 判断 > 设定的流程。
因为宽适配，重量是减轻了，但会不会开到沟里面则不好说。
比如它检测到了库存水平和市场价格后可以发起采购的建议。
这个企业级的 Autopilot 也会自己更新自己，感知现实，并根据价值设定处理程式员没有预先設定的行为。
比如某个模块出现安全漏洞，那会自己在测试环境启动测试并且发起更新审批。然后更新自己。
基于规则和基于模型的智能程度在这种应用场景下在尺度上拉开巨大差异。
确定性匹配规则，灵活性匹配智能。
智能和灵活最终会带来宽适配，也就不需要归类（太多没法归类），所以就需要进行基于自然语言的互動。GUI 反倒是变成辅助。和现在正相反。
形态差异的表现是自然语言互動，但差异本质在规则所体现的智能和模型所体现的智能适配范围有着巨大差异。
这在打磨产品上，会带来什么样的差异呢？
关于计算模式的部分参见：
从 1 到 10，AI 产品的关键阶段
如果你做的菜是四川菜，也给四川人吃，那就是从 0 到 1 ，从 1 到 100 的两段论。
但如果你做的四川菜，菜也是自己会微调的，那你搞完菜，在四川测试完（从 0 到 1），估计还得每个省都抽样测试下（从 1 到 10），然后才能大规模推开（从 10 到 100）。
智能原生应用的这种自己进行适配的特征也决定了这种应用类型所匹配的领網域。
如果是简单的规则就能搞定，并且产生利润的地儿，其实并不是智能原生应用的最佳落点。它们一定程度上机会资源已经被挖掘殆尽。
这种领網域里智能原生创造的价值和按原有模式运转产品创造价值没有太大差异。
这也就意味着智能原生应用就必然要解决复杂场景，解决规则所不能到达地方的问题。（一定程度上现在偶尔会火的所谓 AI APP 在起点上就有问题，没有后劲的，也不可能取得成功）。
而如果智能原生应用要解决复杂场景的问题，那在产品化的时候，必须把智能原生的特征发挥到极致，变成类生命体。
这就就像那道自己会变的川菜一样，从 1 到 10 会变成一个非常关键的阶段。
我们可以举一个正面的例子，比如做一个招聘的 Agent。
它能够非常完整的执行从收集需求，到筛选简历，再到 Offer 发送，入职的全过程。
开发完成后在某个或某几个企业里面运转良好，按照互联网的概念，这时候从 0 到 1 是基本完成。
这时候可以产品化进行 PMF 式扩张了么？
对于 Agent 产品它必然不行，既然招聘需求、需求匹配都是自适应的，那么适合科技企业了，未必就适合快消品的企业。
而可能导致不适应的这截正是用智能才能解决，用规则解决不了的部分。（智能原生应用的价值根基）
这部分的调优、确认、打磨如果进行概括，那就是从 1 到 10。
这个环节过去对于互联网产品不关键，但对于智能原生产品（类生命体）很关键。
总结来说，互联网产品是两段论，而 AI 产品则是三段论。
从 1 到 10 这个阶段对智能原生产品非常关键，搞不好就意味着智能没起作用，而一旦退回去变成不停的重复从 0 到 1，那很可能就会走上数字化或者 SaaS 的老路。
产业空间
如果把各种产品放在智能的坐标轴上，那大概是这样一种分布。
单纯的工具，比如压缩軟體或者安全軟體，那是一个固定形状的球。我就干这个活，别的别找我。按过去的说法，好的工具可以支撑 10 亿美金企业。（chatGPT 很不单纯 ...）
平台因为两边开放，就很像一个挤挤可以变形的球，但能变的形状是确定的。按照之前的说法这是 100 亿美金企业的支撑。生态号称是把上面一堆东西安在一起，但从智能角度看本质并没变化。
智能原生应用和上面不一样，自身就是变形虫，是类生命体。环境需要什么样，它自己就往那个方向变，自己也会进化（程式改变自己 VS 版本更新）。
真的智能原生程式不要人挤，自己就可以按需变形。
这种特性带来一个坏处，智能原生应用虽然也是可大可小，但因为智能的通用度，就不太可能是单纯的工具，所以不会是太小规模的产品。
技术决定了先天可能性，而投入产出决定了现实的可能性。
需要注意的是不能把智能原生应用和工具，包括本质是工具的歌种好玩的 APP 放在一起，这不是一类东西。
总结
如果问大模型到底带来了什么？那很多人的印象可能是能帮助写论文、能生成很拉风的图片、能生成视频（Sora）。但这世界其实没几个人是天天做编辑工作的。如果人工智能的影响局限于，那就不可能带来超过互联网的生产力。大模型所带来的能力里面最关键的其实是概念理解和自行判断的能力。基于这个能力才能构建真正的智能原生应用，而智能原生应用不单需要从 0 到 1，还需要从 1 到 10。
