张鹏、潘乱对谈白鸦、肖弘：大模型时代的产品经理，需要 Back to the Future

在 AI 应用的路线上，有赞和 Monica.im(简称 Monica）是两种截然不同的代表。

2012 年成立的有赞，是和微信一起成长起来的为商家服务的 ToB 平台，在 2023 年，他们将 AI 融入到已有的产品工作流之中，用新的对话式的交互来为商家更好服务，是用 AI 对已有业务进行改造的典型应用代表。

而成立于 2023 年的 Monica，是伴随着 ChatGPT 和 LLM 而起来的全新 AI 应用的代表，从浏览器插件到桌面和移动端应用，同时提供 GPT、Claude、Gemini 等多个大模型的服务，是 2023 年成功活下来的「GPT 套壳」产品的代表。

经历了 2023 年大模型狂奔的一年，从年初的狂热到年底的逐渐冷静，从人人都在说 AI Native，到开始研究大模型产品的 PMF，在 2023 年年末，也许需要重新来讨论，到底大模型的产品要怎么做。

• 什么是 AI Native？它是一个合理的目标吗？
• 大模型产品的 Market 是怎样的？怎样才能把产品 fit 上去？
• ToB 和 ToC 的 AI 产品，交互上会有什么差别？
• 如何保证自己的应用不会被大模型取代？

2023 年 12 月 27 日，我们邀请到有赞创始人兼 CEO 白鸦，和 Monica 的创始人肖弘，和乱翻书主理人潘乱、极客公园创始人 & 总裁张鹏一起聊聊，大模型时代的产品该怎么做。

01

2023：如何从观望到下场做 AI

张鹏：两位的公司非常有代表性，白鸦的有赞今年 11 年了，做 ToB，肖弘的 Monica. im 刚刚 1 年，做 ToC。先来讲讲（2023）这一年过得怎么样？大模型搅动一池春水之后给你们带来了什么？

白鸦：我们这一年可真是做了好多事。22 年 10 月左右，我遇到了一位从事 AI 多年的朋友。那是我第一次接触 AIGC，感觉它能够解决我在 ToB 产品开发中遇到的一些问题。于是我开始深入研究，并在 23 年春节前去了趟美国。出发前我有些担心，觉得自己构想的产品可能不够出色，加上英语水平和技术背景的限制，我担心无法与从事 AI 的人有效交流。然而，一到那里，正好赶上了 GPT 的发布，我发现我所约见的人都在谈论这个话题。因此我在美国待了几个月，尽可能地与各界人士交流。

22 年 4 月到 8 月，我将一半的精力投入到有赞 AI 相关的工作中。我们组成了一个小组，主要探索大模型，首先是要理解大模型的能力以及我们可以在此基础上做些什么。其次，我们研究如何让人能够利用大模型完成各种任务，包括优化人机交互和新的体验设计。到了 8 月份，我们开始着手开发落地的产品，基于有赞现有的业务，我们开发了 Copilot 助手和 AIGC 生成嵌入的功能。

从 12 月份开始，我 80% 的精力在做 AI。在这 80% 的时间里，大部分精力都集中在如何让有赞更好地落地应用 AI 技术，以及如何为有赞现在的客户交付结果。同时，我也努力动员其他团队成员加入到这个项目中来。另外，我还花费了小部分精力研究别的可能性，比如 AI 对于设计生成之类的新话题。

所以这一年基本把精力都花在了 AI 身上，先交学费，再和业务结合，再看看除了当前业务之外的新机会。整个过程可以说很过瘾，满满的都是成长感。

张鹏：它在你这不是一个固定的按部就班的东西，而是不断地探索之后，现在多少找着点北了，是吧？

白鸦：对对对，确实是这样，找着点北的感觉。

张鹏：肖弘呢？你们的 Monica.im 可是诞生在 AI 最热的一年。

肖弘：跟白鸦总时间差不多，我们也是 22 年 9 月份看到红杉的一篇生成式 AI 改变世界的文章，那个时候大家看到 VC 开始上头，还是保持警惕的。后来看到学术界和开源社区都在讨论这个，我就觉得这真的是不得了的东西，开始严肃对待这个事儿。

GPT 之前的 Stable Diffusion 那一波我们没做什么事，22 年 10 月份之后干了两件事，一件事是注册了 OpenAI 的 GPT-3，使用体验可以说非常震撼。第二件事是 Jasper 拢了一大堆钱开始做，结果还没做出来 ChatGPT 就发布了，我大为郁闷，（感觉）Jasper 肯定没戏了。但是我们也没绝望，因为看到还有很多独立开发者在接着做，我们就知道这事能干。这就是前两个阶段：探索和冷启动。

第三个阶段到了 23 年的 3、4 月份，那时候谷歌、微软各家发布会大招轮番轰炸，给我们整得很痛苦，因为你不知道哪天做的事情就被巨头灭了。接下来就是 Monica 正常的迭代进展，我们找到了一点自己的节奏，发现这一波不只是巨头的狂欢，创业公司也能找到一些机会。

潘乱：今年行业里面对大模型的理解也在不断变化，从年初的兴奋，到现在的可以说是冷静，而且大模型的能力和成本也在限制着应用的发展。不知道你们是什么样的感受？

白鸦：其实我对于年初所谓的兴奋和现在的冷静都没有那么强烈的感觉。年初国内这波大模型投资融资的事我没参与，也没八卦。另外一开始我就有两个比较确定的判断。

首先，在没有足够的业务规模之前，我不会考虑做大模型。其次，我认为在中国，大模型服务最终会与云计算完全结合。我也曾与我们的 CTO 讨论过，相信会有云计算公司提供定制部署服务，因此我们没有必要自己涉足这个领域。

我更关注的是大模型能干啥，我能做什么样的应用。刚开始应用领域很流行有创业光环的人用概念融资。下半年这种事国内国外都少了很多，大家基本上都回归商业理性了，拉投资的时候人家肯定先问你准备跑什么样的 PMF，要做什么样的垂直市场，你到哪一步需要多少钱我再给你估值投资，这就是回归到一个正常的投资逻辑上了。

所以我觉得 2023 年上下半年的分水岭就是上半年讲能力的技术突破，用（创业）光环和故事拉资金，下半年讲有用的应用场景，拿一个大家都听得懂的、愿意相信的 PMF 搞钱。

23 年 2 月我约了一个做大模型产品的投资人聊 AI，不管怎么提怎么问，人家闭口不谈产品的事，既不聊技术也不聊计划。然后（23 年）3 月份的时候这个产品的估值就砸地上了。这时候大家发现，如果只是基于大模型做单一应用，应用场景可能会有问题。现在就逐渐形成共识，要不搞技术突破，要不搞相对闭环的应用场景。

肖弘：刚才鸦总提到他们要考虑自己要不要做模型。我们最开始只有几个人的时候，压根没考虑过这个问题，直接拿着 API 就上了。而且从产品经理的角度出发，要用就要用最好的大模型，用最好的东西能产生多大的商业价值，产品经理关心的是这个。

我们当时的状态很像一个「大号」的独立开发者。

所以在 Day one 的时候，我们更多的是通过观察独立开发者关注什么东西和 PMF，从用户的需求角度跳进去感受 Monica。23 年 3、4 月份的时候，全球除了 ChatGPT 以外增长最快的东西居然是 Poe，它就是一个套壳的集大成者，我当时就跟投资人说，套壳到极致也很牛，咱们也套吧，不要抵抗这个需求。23 年上半年 Monica 把所有模型都接了一遍，因为这是用户需要的东西，那我们就先把这事干了，然后再去想如何找到更多的场景，一步一步来。

这一次选择做海外 ToC，因为我觉得这是一个更大的、更容易有商业化的市场，国内相对来说困难一点。

02

AI 落地到场景，ToB 和 ToC 的不同策略

张鹏：两位一听就是很成熟的创业者，白鸦这种属于技术公司「最讨厌」的老板，账算的比谁都清楚。肖弘讲的是用户不同阶段的需求，把用户需求满足到极致也是很厉害的一件事。

想再问问白鸦，你提到很享受产业带来的「推背感」，一开始是探索，后来逐渐找到方向，认真地开始做一些有价值闭环的事情。能不能再详细说一下，从玩一玩到扎实做，这个转变是如何做到的？

白鸦：首先，我跟肖弘不一样的点在于我有历史包袱，我背着一个巨大的命题。这个命题就是有赞做了 6 个产品：从导购，收银，进销存，会员，线上商城再到连锁管理，一系列给中国品牌商、零售商服务的系统。我的系统只要有客户用，客户就会不断提需求，我就要不断加功能满足需求。这个系统我已经开发了十几年了，花了二三十亿的研发费用，结果到现在我还得不断加功能、看客户的脸色，这是一个我不得不面对的问题。

不管是什么系统，上线后经过版本的更新，功能的升级，它就会变得越来越强大，一旦变得越来越强大，其实就越来越难用，它就越来越不能给用户交付结果，最后变成了一个很恶心的循环。

这个循环就是两件事，第一件事就是我每做一个功能，为了满足 5% 的客户需求，会让 95% 的客户觉得产品变得难用了，可是如果我不加这个功能，那 5% 的客户就不满意了，这成了一个死循环。因为这个功能只要上线，只要有人用，它就有 bug，我就得修，就得维护。维护几千个、几万个功能，成本就是指数级的。这是一个很讨厌的问题：产品越来越强大，用户觉得越来越难用，越来越难交付，但是你还不得不这么干。

第二件事，如果这个系统不能做自升级，得靠加功能升级，就还会面对一个问题：会被技术平权到系统贬值。这是什么概念？有人五年前要我做一个拼团的功能，我花 100 万开发了这样一个功能，然后再花 100 万维护。结果今天一个创业者直接用云计算公司的 PaaS 服务，花 10 万块钱就能搭出来。

这就很让人头大，一边系统越来越难用，一边技术还越来越贬值。所以我一定要重新找到解决方案，找不到就要极致省钱，不然就没办法规模化盈利。

22 年 10 月份我看到 AI 好像能解决这个问题。**因为 AI 升级了人机交互的方式，它不再需要往上面垒更多用户看到的功能，它的人机交互一直是命令式的、对话式的、建议式的，直接交付结果，所以它越来越强大，但不会让产品变得越来越难用。**它越来越强大，产品和功能之间的交叉没那么多，维护成本不再变大，而且它自己越来越聪明，能解决我所有的问题。

这就是为什么我会兴冲冲地跑去美国，了解一下 AI 能干什么。然后用十几天时间做了一个自用的「Jasper」，结合客户需求，做一些导表、数据分析、解读建议、生成营销创意、运营文案和战略性助手之类的事情，这就倍儿专业。

然后我把我们过去 11 年积累的交付案例、知识库这些内容拿去做大模型训练。它能够给用户运营方案的建议，生成营销创意、自动化执行、自动化监督，自动化归因等。

肖弘：跟白鸦总不一样，鸦总说功能多是负担，对我来说则特别幸福，就像你本身在这已经有一块业务了，然后一个时代的巨浪打过来，直接就可以乘浪而起的感觉。

创业最大的问题是把一个开放式的问题变成一个有约束条件的问题。

最开始我们面对这样一个问题，没有新场景的话，我们可以找一个场景，做一个网站把 AI 的能力加进去，这是一条路。但我觉得这样的话会错过很多观察视角。所以我们选择了另外一条路径：如果没有新场景了，那么原有的场景加上 AI 要素之后会发生什么变化？我们觉得浏览器插件是一个很好的产品形态，我可以在更大的场景里面去用好 AI 要素，变革原来的网站体验。

这是我们最开始做的一些探索，把很多的场景用大模型做体验的革新，这是把一个不确定的、开放的问题变成一个确定的问题了。然后在这个过程中我们去看独立开发者做了什么，我们自己从用户的视角出发去解决问题，积累了很多功能。

在第二阶段，当这些功能做了很多之后，在各种各样的场景下都沉淀了用户的私有数据。数据沉淀下来了，但是从过去的经验看，数据不是壁垒，有了数据后，你把它作为上下文传给大模型，让大模型更懂你，**这个差异化体验是壁垒。**所以到今天的话，我们觉得因为场景覆盖多了，用户沉淀的私有数据也多了，还能做出一些差异化体验来，然后再去探索新的、更深入的场景。

潘乱：对未来的大模型我们知之甚少，不管是它的能力上限，还是演进速度，都有这个问题。那怎么保证你们现在对做应用的投入长期来看不是无用功？

白鸦：我觉得这个问题 ToB 比 ToC 要幸福。为什么？我有两个东西，一个是我有独立闭环的活数据（这个是用户使用的最佳实践，而不是具体的 data），我拿这些优质数据训练大模型，它就会不断告诉新客户怎么用。第二个是 AI 生成的东西，不管最后是什么，我都能给用户交付一个作业流程为结果。

我觉得 ToB 的优势就在于能交付一个工作流，也必须交付一个工作流，不然客户拿到之后没法落实到企业里去应用。然后我有闭环的独家数据——就是活着每天在发生的数据，所以我就不必担心大模型把我的活干了。我要是直接搞一个电商客服的应用，这个最后可能就被大模型覆盖掉了，也就是说，独立的功能突破，相比较工作流的交付，更容易被大模型覆盖。

张鹏：从上一代创业者的视角看，有个问题非常非常尖锐，就是今天我们做的事儿有壁垒吗？更新有意义吗？我有次跟投资人聊了聊，他们也是觉得不知道用什么模型，用什么决策逻辑看今天这些事情，因为理论上只能走一步看一步，能成熟多少做多少。

我隐隐觉得这一波技术带来的变化一大特性就是，你必须跟着走一步看一步，谁要是在今天说拿出一个宏大的规划，拼谁能更精准地押注，那一定是疯了，对吧？大概率还是说务实地走一步看一步，能解决什么问题就解决什么问题，能赚一分钱就先把这一分钱赚了，能让用户用上就先让用户用，这些东西都会成为下一次变化里能带进去、越滚越有力量的东西。

不管是鸦总这边的 ToB 还是 Monica 在做的 ToC，本质上都是蛮务实的，而且会发现越务实的越不焦虑。我遇到那种一开始有宏大愿景的都焦虑了，因为你知道它落不了地。那个半径太长，很难像上一个时代那样，用一个完整的规划往前推进。

03

大模型是新时代的计算机，像做消费电子一样去做应用

潘乱：AI 提供的是一个黑盒，用户需要的其实是确定性的内容，中间的 GAP 需要中间层应用结合场景完成。

不过在具体做事的方法上，我想问一下肖弘，今天做 Monica 这种 ToC 的全新 AI 产品，跟以往 PC 或者互联网时代做类比的话，差别在哪里？

我看鸦总最近的分享也挺有道理，就是移动互联网没有出现大家想象的那种鱼尾很大的现象，整体还是高度集中在少数几个鱼头身上，那意味着做整合到最后没啥意义。

肖弘：我觉得这一次不应该类比移动互联网，因为移动互联网是场景变多了，从工作场景增加了很多娱乐场景，比如通信场景、电商场景、内容消费场景等等。这一次我觉得更应该比对的是上世纪电脑从计算器变成计算机带来的效率提升。

我们看到的是说以大模型为代表的一系列 AI 能力的出现，使得非常多的旧场景有了新体验。这也让很多独立开发者如鱼得水，这些一个一个小场景的独立产品迈过快速成长期之后，又需要一个大一点的公司把产品集成起来分发给大家。

另外我坚定看好浏览器插件的核心原因就是，它可以基于用户的场景去完成对功能的分发，这是过去没有发生过的一件事情。原来没有那么多场景需要分发，而且大模型可以更好地处理上下文做分发。

就像白鸦总说的，有赞做了那么多功能，现在通过对话式的 UI 就能把功能分发出去，这里面是有类似平台型的机会的。

张鹏：我特别认同的是我们不能类比移动互联网的这种场景扩展的模式，它本质上还是一种效率的极致提升，相反它更接近于 PC 时代的到来，大模型就像是一种新形态的计算机，有计算机能干的事跟没计算机的时候还是有很多区别的。

总之，现在本质上在一个技术涨潮期，很难去赶海。赶海都是退潮的时候去捡东西，现在不容易去按照原有的赶海逻辑做事。

但我觉得这里面也引发另一个探讨，因为之前白鸦信誓旦旦地说大模型这事他不碰，太不合算。但年初的时候所有人都在弄显卡，所以模型的瓶颈到底怎么样不好说。

但是也有一个说法，王小川之前跟我讲，要想做一个有绝对壁垒的 super-app，本质上是需要有自己的模型能力的，也叫端到端的能力。模型才是所谓的 AI Native 引擎。如果只能买别人的引擎，没有一个车的底盘架构这样的能力，它就不能够持续快速迭代。再加上有时候模型本身还没那么靠谱，需要收敛到要解决的问题上去，让模型跟问题更匹配，才能得到最好的结果。即使接上全世界最好的，最贵的模型，也未必能解决问题。

所以某种时候引擎代表的是一种聚焦收敛，但也代表着你自己要构建这个能力，才能在数据和模型之间来回循环，带来更好的结果。白鸦怎么看待这个观点？

白鸦：我觉得这个其实也体现了 ToC 和 ToB 的幸福感不同。

首先接肖弘刚才讲的，我比较同意 AI 这波和手机的出现不太一样，手机出现的核心在于把固定场所才能用的电脑便携移动化了，把原来的两三亿网民变成了 14 亿网民，上网时间也增加了六七倍，出现了很多新场景。

这一轮完全不是这样，AI 首先能够提供新的创意供给，第二能够赋予旧场景新体验，第三能够替代一些重复性的专业工作，甚至改造一个产业，第四才是可能有的新场景。

我越来越觉得，可能 ToC 更多的要去考虑怎么做 AI 的原生应用，而 ToB 要考虑的是怎么把原生的应用给 AI 化，去做效率的倍数升级，然后逐步在工作过程中升级人机交互，然后可能过程中某个能力溢出了就出来了新的应用场景。

举个例子，我没有必要今天把有赞给商户提供的后台改成纯对话框，客户一进来就会懵逼，他会说能不能按照原来的作业流程走，你只需要给我提高作业流程的效率就 OK 了，对吧？但是如果做一个 ToC 的，比如直接把百度的搜索改成对话框，这个就没事，搜索框和对话框（体验）大差不差。

所以我觉得小川指的更多的是 ToC 的事情，如果不颠覆，将来遇到瓶颈的时候就比较难突破，ToB 没这烦恼。

张鹏：确实是，ToB 本质上就是你能找到 Native 的 AI 就在你的场景里，在这个 native 场景里哪个好用你就用哪个，别讲那么多乱七八糟的。但是 ToC 就没办法，你要有范式的变化，要思考一个更大的体验变革，我也是这感觉，ToB 的比做 ToC 的顺心，因为它能最快地看到落地价值。

肖弘：ToB 是像白鸦总那样，ToC 反而就需要认真考虑，应用层的公司到底是什么公司？很多人会说那个模型厂商特别像芯片厂商，Scaling Laws 就类似摩尔定律，大力出奇迹。但我觉得这个类比可能只说到一半。另外一半是按照消费电子公司去理解应用公司。

我们最开始思考组织问题，就是应该花钱招算法工程师还是做增长？后来意识到这个问题的背后是，你到底要学什么样的公司？想来想去，**不应该学英伟达和高通，还是要学小米和苹果。**我自己觉得这个 ToC 公司就像是消费电子公司，要关注供应链，比如上半年 GPT-4 就很难买，OpenAI 限量卖但微软又需要有最低消费；要关注定价，OpenAI 发布会之后 api 价格降低了，我们要跟着变吗？好像不对，我们应该是价格不变，但提供更多的东西，就像高通设备升级了但小米的价格还是不变一样。

关注品牌，要让大家想到应用的时候就想到你，关注渠道、关注毛利率，规模化了之后，毛利率上去了，再围绕毛利率才能有钱去投研发、投广告，更多人用起来，形成正向循环。

所以我觉得 ToC 解决的问题确实跟鸦总 ToB 的不一样，我们现在面对的问题特别像消费电子，从组织上来说，大家关注这些问题，那壁垒呢？我觉得可能也是这些问题，就是我怎么去做好我的品牌，我怎么去这个维持好我的毛利率等等。ToC 不是单一维度，它是一个全方位竞争，多点竞争。

那 ToC 是不是非得有大模型才能做出超级应用？换个问法，有了大模型能力就能做出超级应用吗？好像也不是，超级应用在今天本来就很难做出来。即使是小川总，我觉得他有了大模型的能力，还是会面临广告怎么投、ROI 怎么算、怎么跟抖音抢时间、怎么跟百度抢效率的问题，有了大模型是多了一个维度，但 ToC 就不是单一维度，就好像我们说消费电子是一个全方位竞争的事情。都很难，有也不一定能搞定，那不如就去关注我们能关注的事。

04

大模型时代，应用的竞争壁垒是基于数据的 flow

潘乱：那你觉得什么样的应用不会被大模型覆盖，或者说对 AI 来说最珍贵的长期资产是什么？

肖弘：还是类比消费电子的例子，苹果花了 20 年才把芯片换成自己的 M 芯片，消费电子是一个全方位的竞争。所以大家不要单一地强调大模型的竞争，我觉得大模型做好也不一定会赢。ToC 本身就是一项难度很大的任务，需要全面考虑各个方面。今天大厂有很多没干的事情，那就先干了再说，被灭了也就灭了，接着干，王侯将相宁有种乎。

那我们要做什么事呢？稀有数据我觉得还是很重要，大模型更多的上下文也很重要。所以浏览器插件的形态可以获取到用户的浏览记录和私有数据。即便这样也不一定能赢，但还是得做。

张鹏：野火烧不尽，春风吹又生。如果我是个独立开发者，你怎么能消灭我？明天我一转身又回来了。

白鸦：我觉得 ToB 的竞争力就是我对于用户现在要解决的工作流程的理解，他要造把椅子，他是怎么搞的？要运营消费者，他怎么搞？如果你能把对企业作业流程的理解通过 AI 交付，而这个工作过程能够直接给你结果，这就是个好产品，如果你只是给人家生成某个东西，就不是个好产品。

所以我觉得 ToB 所有的东西都是工具，手机是、移动互联网是、 AI 也是。最终我就是给用户交付基于他的工作流，改进他的工作流也好，升级他的工作流也好，改造一个产业也好，都是我要给他交付，要么效率（提高），要不增长。

ToB 的竞争力是什么？数据一定是竞争力，这个数据不一定是 GMV、交易额这些，也可能是用户在解决场景问题时候的经验，把他们的实践整理成问答对。我越来越觉得我们最终可能不是一个卖软件系统的公司，有赞可能是一个智能运营系统的运营商，我在运营这个系统，就有无数的最佳实践和对最佳实践的总结，不断去录入这些数据，在迭代中让它变得越来越智能。

潘乱：我们刚才说大厂，但其实不管是微信还是淘宝，他们的数据虽然很多，但不能直接拿来给模型用，因为不是结构化的。就是说大厂的数据其实也只是看着大而已，并不是真的强，不见得在模型优化这个体验方面有结构性的优势，那么就有另外一个问题，今天怎么通过产品设计，让用户生产模型更能用的数据？

张鹏：我理解潘乱说的，这就是所谓 AI native 思维中的一部分，因为本身产品设计要依托于数据循环，包括独有数据的积累来去完成。这个其实对应一个非常重要的原则，就是基于数据的 flow 成为了一个非常重要的东西，而不是用户动作。

白鸦：至少在我们这种有明确指标的 ToB 产品里指标很简单，比如就有个漏斗是用户来了，用户看了商品有没有下单？有没有付款？有没有买？有没有分享？然后我就能总结最佳实践。

因为我已经跑出来这些东西，就是我有一些北极星的前置指标，这些前置指标可以关联到用户做了什么运营动作，用了哪些功能，怎么做的，然后我再把做得好的那些总结甩给模型，专家做一些标注，我的事就可以完成了，相对简单一点。

肖弘：我觉得鸦总说的那个沉淀数据不是到模型侧去的，它不是拿去训大模型了，这个数据还是在鸦总自己手里。

当然我理解刚刚潘老师的问题，应该是说数据飞轮怎么到大模型里面。按照我对技术的理解，我觉得很难，就是可能大模型的训练时间挺长的，不太能说这个数据立马就到大模型里面去，**我的猜想是大模型的进化还是在一段时间里依赖于模型厂商。它就不像推荐引擎的进化可以按天发生，可能是很长周期的发生。**如果是这样的话，我觉得它还会像消费电子，从应用需求端推动模型改进。

05

不管是 ToB 还是 ToC，CUI 都不会完全取代

张鹏：白鸦总就是做交互出身的，虽然现在搞 ToB 了，在交互这件事上，ToB 和 ToC 领域有什么不同？想听听两位的观点。

白鸦：ToB 首要给用户交付一个确定性的结果，这个确定性的结果一定要拿到他手上，他知道在工作中怎么改变，工作流怎么去用。所以 ToB 的作业很多的就是写 prompt，通过 RAG、微调的方式在业务场景里做训练和在行业通识里做训练，能让大模型理解用户意图也就够了。

回到交互上，我觉得交互设计、人机交互上也不太一样，二十几年前，我们刚开始搞互联网的时候，产品经理配合程序员，一个提想法一个写代码，就这么简单，

现在变成什么了？现在是产品经理提出一个想法，要有一个产品设计师来设计，再有一个交互设计师来设计人机交互，然后是视觉设计师来设计用户视觉界面，原来的那个产品经理已经被拆成四五个角色了，程序员的角色也被拆了，一个前端来写页面代码，然后再有个后端、有个算法还有测试，过去俩人干的活，现在已经是二三十个人干的了。

这个行业变得越专业，即使产品越来越复杂，我们也能给用户交付了越来越多高质量的产品。可是，原来两人协作，现在变成 12 个人协作，这个角度也是过去 20 年产品设计和用户体验设计这个行业发生的事。

[最近 Adobe 放弃收购 Figma 的事情就也变相说明了交互设计行业的一些变化。]我觉得就是有两个原因。今天全球互联网的投资人都不怎么投钱了，大家也都不怎么敢搞用户增长了，更多的是搞利润增长的年代，不在快速增长期，整个行业对于体验设计和界面设计的需求就没那么多了，这是第一个原因。第二个是，大家发现 AI 来了，聊天给指令，直接就给结果了，中间的界面交互未来不太需要了。投资人不怎么投钱，新需求不怎么冒出来了，老的人机交互方式不怎么搞了，所以 Adobe 说那我不投了，这事没法玩了。核心其实就是人机交互的方式发生了变化。

然后我觉得 ToC 和 ToB 不太一样，为啥？因为通常一个 ToC 产品并没有给用户更多的功能，ToC 不是以功能取胜的，更多的是单点价值创造，单点的体验优化。所以 ToC 产品的人机交互不是垒功能，交互没有那么复杂，所以很容易就被对话式界面替换了。可能未来 ToC 里很多的界面就直接变成了对话加命令式，界面交互革命的可能性是非常非常强的。

ToB 有点不同的是要解决企业内部的工作问题。所以 ToB 的产品它就需要给用户一个 GUI 界面，有导航地图，当用户没有明确目的的时候，可以跟着导航地图去找到相应功能解决问题。然后因为这东西变得越来越复杂，我还要再给用户一个对话式命令，所以我认为 ToB 的产品最后是两边（都会有），左边是导航式的地图，右边是对话式的命令，右边更多的是当用户有目标了之后高效解决问题。左边是当你不知道怎么办的时候，你可以去寻找，我觉得这两个东西在 ToB 端都会出现。

我觉得 ToB 就是 GUI 加 CUI（Command User Interface）会同时并行的一个模式，应该是 40% 的 GUI + 60% 的 CUI，ToC 很有可能是 10% 到 20% 的 GUI，然后加上 80% 的 CUI。这两个非常不一样，一个是流程短、目的明确、功能少，一个是流程长、目的有时候没那么明确、功能多。

肖弘：GUI 和 CUI 的分类我特别认同，我觉得大家对于 LUI 或者 CUI 即便在 ToC 也过于乐观。因为我觉得底层逻辑上来说设备没有任何变化，我们在过去十几年用 PC、用手机，对人机交互设计已经做了大量的探索，我无法想象有一天抖音变成了 CUI，它的滑动已经是极限了，所以我觉得在终端设备没有发生大量变化的情况下，即便是 ToC 产品的 CUI 也可能不会是主导地位。

但我再倒一倒，maybe 在一个特定的时代，这样设计的产品就更容易吸引人，所以我觉得 CUI 出现之后，很多可被 CUI 做的事情会用 CUI 来做，很多产品会往那个方向进化。总的来说，就是 CUI 还是不会那么高占比的去革新掉 GUI，但是会一直往前进化。

白鸦：对，我们之前做过一个总结，把 ToC 领域分为两类，一类就是过程体验一般，它就更多的会 CUI 化。比如买票定酒店的过程，一点都不享受、很麻烦，这种可能就会被 CUI 化。

第二类就是注重过程体验，这种就不太会 CUI 化。比如女生买裙子的过程，挑选商品可能本来就是很享受的过程，就不需要 CUI 来替代了。

张鹏：今年，不管是 ToB 还是 ToC 的产品，哪些给你们留下了深刻印象，甚至有所启发？

肖弘：我觉得 perplexity 在这一年给了我比较大的启发，大家可能觉得这东西没有什么技术含量，它底层的搜索是用 Bing 的 API，结果的处理是用 GPT 的 api，是一个纯粹的套壳。但是我觉得 Perplexity 是这一波里面比较重要的一家公司，为什么？我们从另外一个角度说，它的用户可能是 Google 的 1/10000，但是在这个品类里面它会被提起，这已经证明了它作为产品从设计的维度让大家觉得它有想象空间。我本人用了之后觉得已经满足一大部分需求了，有几个点。

第一是它的搜索框是一个多行的，Google 是单行的，这背后暗示的是，Google 需要一个短句/短语去搜索，帮你呈现结果。但是 Perplexity 是你给我段长话，我去帮你拆解这个事情，帮你去做好检索，我觉得它更加符合人类对于问题的想象。

第二是我觉得它确实很 AI Native，没什么负担。比如说 Google，搜索结果中还是有很多链接，即便是它有那个深层式的答案之后，可能也畏手畏脚，先出来一段内容，然后还是出链接，链接永远在主要的位置。但是 Perplexity 的设计是先出很长的答案，链接是像附注一样在边上。

所以我觉得从产品设计的角度，它没有竞价排名，卖广告之类的负担，它也重新去定义自己的产品设计背后的商业逻辑，搜索直接向用户收费，这样可能商业模式都发生新的革新和变化。当然试图在商业上挑战 Google 可能比较难，单纯说产品设计的话，我觉得是非常 impressive 的。

张鹏：同意。我觉得在 2023 年这个时候，在搜索领域里还有一个被值得一提的新东西，还能让大家关注，这件事就已经很了不起了。

白鸦：在 ToB 领域里，最早就是微软 Copilot 给我的启发。就是大家终于发现，用户不知道怎么搞的时候，可以有个助手可以帮着去搞，对用户意图的理解和很多事情的自动化执行给了我不少启发。

但是当我们去搞 Copilot 的时候，我就发现那些基础的、简单的有确定性答案的问题，我怎么能给出确定性？我怎么能够让它不那么涌现式的联想，而是回到一个确定性答案上面来？想把大模型回答的问题给它到一个确定性的答案上，我去请教了一个之前做搜索的朋友，答案就是搜索加强，Copilot 加上向量数据，这是第一部分。

第二部分是在产品设计上，我们一开始研究交互方式怎么做比较合理。我花了很多精力总结什么样的人机交互方式适合这个过程中的交互，用户的体验会更好。PC 时代开始做用户体验的时候有一本书给了我一些启发，叫《Don’t make me think》，每一步都别让用户思考。最近关于 CUI 的设计没有什么好的书，不过有一本是智能语音交互相关的——《语音优先智能语音技术驱动的交互界面设计与语音机器人设计》，它提到了很多产品的小原则，我觉得有一些交互逻辑底层挺通用的，大家感兴趣的可以看看。

06

AI 时代的产品经理，需要 Back to the Future

张鹏：还有一个问题我很感兴趣，大模型进入产品应用里面，这个时候对产品经理的要求会不会有变化？产品经理岗位的职责会和原来有什么不同？如何理解产品经理工作内容的变化？

潘乱：我还想问肖弘，你之前做的伴读助手，现在的 Monica，都是抓痛点场景做产品，这个方式对我来说非常取巧，有什么思考路径吗？

肖弘：我先回答潘老师的问题。Monica 的立项是在 ChatGPT 发布之前，我们当时已经判断出 GPT-3 会是一个非常了不起的 API，能做出差异化体验。创业不能等到所有的都准备好了再去闯，那个时候就已经晚了。

大模型这一波里面，如果开源模型能够私有化部署，那么应用场景可能会广泛一些，这是第一个我觉得一旦发生就很有用的事儿。

第二是现在大模型还有很多幻觉，导致大家还要做交叉验证，所以搜索还没法被替代。如果幻觉这事可控，PMF 程度又会进一步上升。

第三是上下文窗口，也就是 prompt 的长度也是很重要的一个事情。如果它更长的话，RAG 会更好做一些，

再回过头来说产品经理，它是非常经典的一个职位，一开始需要一个人同时去负责从品牌到渠道到定价到供应链所有的问题。所以后来互联网产品经理的高度分工和职能化，反而不像 Day one 的产品经理了。AI 应用的产品经理，可能又要回到最原始的那个时候，他得知道技术边界在哪里，对技术有理解，对成本也要有理解，还要懂市场。

也就是说，ToC 的话，需要知道技术的边界，对大模型技术和 prompt 有了解。对成本也要有理解，因为算力很贵，推理也很贵，要去考虑成本和供应链的问题。还有就是要懂市场，比如从市场角度来说，拍照逆光也清晰是个很多人需要的功能，然后产品经理就要和底层驱动的工程师一起调出这样的效果。

总的来说，我觉得这一波也解释了为什么独立开发者很厉害，因为他们是复合型人才，他们能够搞明白所有问题，然后把东西快速地理出来。现在这一波对产品经理的需求，其实又回到了当年宝洁定义的产品经理的概念上。

张鹏：我觉得你这段特别精彩，Back to the future，我们现在往未来思考，其实要回到那个年代，要回到原始再去看，我觉得这个视角给了我非常多的启发。

白鸦：我还是想尝试拆解一下产品经理是在干嘛。俞军有句话说得特别好，**他说不要把用户当成人，你把用户当成一个需求聚合。**所以我觉得切进去首先就是对于用户需求的理解和对于需求聚合的理解。

那今天这个切进去的东西可能要增加一个东西——对于 AI 涌现的想象力，然后往下才是什么场景感改造设计、改造场景体验的能力，往上就是获得市场成功的能力。所以我觉得基石就是对于用户需求的理解和对于 AI 涌现出什么的想象力，往下就是怎么样去把东西落实到场景，场景体验优化的能力和往上怎么获得市场成功。以前一个人干的事搞成了五个人，现在我觉得要回归成一个人。

潘乱：听起来是不是像全栈工程师一样？

白鸦：全栈产品肯定是了。

潘乱：如果以一个公司的形态来说的话，我就好奇产品经理在这个时代是什么样的关系？今天的产品经理，在平台生态里面，扮演一个什么样的角色？

白鸦：我最近特别喜欢说一个词，叫商业纪律，就是你要看投入回报，你要看整个环境。我现在就觉得其实没多少创业机会了，但是还是有很多做生意的机会，如果我们把创业和做生意分成两个明确的境界的话，你要创业，这件事如果没有规模，最终你可能就是赚不到钱。

如果你要创业，规模是其中一个大概率必须出现的词，但是你要做生意，规模就没有那么重要，ROI 最重要。所以我会觉得说我去做一个平台的开发者，做一个自媒体，做一个人的产品经理，就这些我觉得如果你把它理解成是个生意，我觉得挺好的，是一个新的实践。但是你说我去做一个平台的开发者，我把它做成创业，将来要搞多大的规模，融多少钱，我觉得这个时代好像过去了。

肖弘：我觉得如果大家忘掉要去做一个超级 APP，好好地去做一个生意，这件事情是很幸福的。反正今天忘掉这些事，回到一个生意的逻辑去考虑，ROI 是很舒适的。大模型这波给我们带来了很多机会和能够按照做生意的方式去成长。

另外一点，某种意义上来说大家更加以用户为导向了，因为只有用户给你的钱是不用还的，VC 的投资会导致企业经营中资本的权重过高。以前马云老师曾说「客户第一、员工第二、股东第三」，对我们来说，就只有客户第一，不用想别的。

张鹏：总结下来，我确实觉得就是在这个时代里边，真正有意思的是我们对于创业这件事，你可以把它放下，用更自由的方式对待它。

按照白鸦的说法还是有很多做生意的机会，用极客公园的审美去定义，那就是还有很多创造价值的机会。未必是创业，还是有很多创造的机会，你可以做一个独立开发者，做你想做的事情，创造你的价值。但你不需要像白鸦那样背负着上千人的团队，还要还投资人的钱。白鸦这个打法已经过时了，肖弘才代表未来。不拿投资人的钱，能做很好的价值创造才是了不起的事情。

​

如何学习AI大模型？

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

二、AI大模型视频教程

三、AI大模型各大学习书籍

四、AI大模型各大场景实战案例

五、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。