最近和不少創(chuàng)業(yè)者交流,大家都覺得今天做出一個產(chǎn)品看似簡單,但要做出一個真正有價值的產(chǎn)品,其實遠比移動互聯(lián)網(wǎng)時代更難。
回想移動互聯(lián)網(wǎng)時代,我們談?wù)撘粋€好產(chǎn)品,總繞不開「用戶體驗」。合理、精巧的交互設(shè)計,順滑的用戶旅程,往往影響著產(chǎn)品能否快速起量、鎖定用戶。那時,用戶體驗很大程度上是產(chǎn)品經(jīng)理的「審美」問題,是關(guān)于洞察與精巧設(shè)計的故事。
但在今天,對于 AI Native 產(chǎn)品而言,用戶體驗已不只是「審美」層面的問題,而是一項技術(shù)問題了。當用戶與 AI 之間可以通過自然語言聯(lián)通時,AI Native 產(chǎn)品同時面對著用戶需求的「失控」,以及用戶體驗和用戶價值交付的「失控」。
這種雙邊的「失控感」帶來了 AI Native 產(chǎn)品在用戶體驗上的核心挑戰(zhàn):我們該如何交付更好的用戶體驗與用戶價值?一方面,不可能僅靠一套固定的系統(tǒng)提示詞,就完美適配每位用戶千差萬別的真實需求;另一方面,更不能要求每一個用戶都成為提示詞大師,懂得如何從大模型這個「Magic Box」中精準、高效地提取能量。結(jié)果就是,即便 AI 已成為一種可以無處不在的強大「原力」,但絕大多數(shù)人并不能真正駕馭它。
最近關(guān)注到硅谷「提示詞工程已死」的大辯論,集中地看了一些相關(guān)內(nèi)容,我覺得大神們的探討也在清晰地指引 AI 產(chǎn)品下一步的進化方向:當前 AI Native 產(chǎn)品的體驗瓶頸,本質(zhì)上是技術(shù)問題——不只在模型側(cè),也在產(chǎn)品工程層面。
所有人期待的 C 端爆款產(chǎn)品遲遲未現(xiàn),這背后,或許就是用戶體驗的「卡點」尚未突破。AI Native 產(chǎn)品的用戶體驗,需要在明確目標下,依托更精巧的產(chǎn)品工程與更強大的模型技術(shù)共同進步,才能抵達并突破那個引爆市場的臨界點。今天談「懂人性」和「產(chǎn)品審美」,可能都為時過早。
超 10000 人的「AI 產(chǎn)品市集」社群!不錯過每一款有價值的 AI 應(yīng)用。
邀請從業(yè)者、開發(fā)人員和創(chuàng)業(yè)者,飛書掃碼加群:
進群后,你有機會得到:
最新、最值得關(guān)注的 AI 新品資訊;
不定期贈送熱門新品的邀請碼、會員碼;
最精準的AI產(chǎn)品曝光渠道
01兩條路徑,一個被忽略的真相:「是人不行」
我在今年 AGI Playground 大會的分享中也提到了,AI產(chǎn)品一定是 Input > Output。
AI 時代,產(chǎn)品的基本構(gòu)型就是兩端分別是 input 和 output,中間的 AI 則是個 Magic Box。大模型的確有 Magic,但問題也在于,它是一個處于失控狀態(tài)的不確定的概率模型。因此,產(chǎn)品的目標之一就是在不確定性中增加確定性。對于大多不自主研發(fā)大模型這個「Magic Box」的團隊而言,就要在 input 和 output 這兩端上下功夫。對于 input 這一端,我的提法是要做「寬輸入」(具體展開可以參見文章:)。Karpathy 和 Grove 提出的「上下文工程」和「規(guī)范化編程」,也是在 input 上做加強。
我們先來「圈點」一下這兩位大神的觀點。
Andrej Karpathy的「上下文工程」(Context Engineering),從原材料上做優(yōu)化,認為 AI 智能體的失敗,多半是「上下文的失敗」——你沒有在對的時機,用對的格式,給它對且充分的信息。他強調(diào)要系統(tǒng)化地管理指令、歷史、記憶、工具等所有輸入,像個「信息架構(gòu)師」一樣,為 AI 精心準備好所有「建材」。
Sean Grove 的「規(guī)范化編程」(Spec-writing)直指「用戶想要什么」這個根源問題,也看到了大部分人在意圖澄清上的欠缺,「人類花費大量精力優(yōu)化與 AI 的交互,卻從未真正說清自己想要什么?!顾鲝堄媒Y(jié)構(gòu)化的規(guī)范文檔(Spec)來定義目標和價值觀,讓它成為比代碼更重要的「源代碼」。
這兩條路徑都遠超了「一次性」的提示詞或提示詞工程。提示詞的困境在于,它把人懟到了一個死角里,它默認「人」是那個清晰、可靠的指令發(fā)出方??涩F(xiàn)實是,別說普通用戶,就算是 CEO,有幾個能一上來就把自己的愿景、使命、產(chǎn)品邏輯結(jié)構(gòu)化、無歧義地拆解清楚?又有幾個老板能在每次發(fā)號施令的時候,把上下文、意圖、原則、規(guī)范等等都清晰明了地傳達?寥寥無幾。
Karpathy 和 Grove 的方案,本質(zhì)上都是在試圖「越過」人類的模糊性。Karpathy 想通過優(yōu)化上下文來「包圍」模糊,讓 AI 擁有足夠信息去自行判斷;Grove 則想用一份結(jié)構(gòu)化、可迭代的規(guī)范來「穿透」模糊,倒逼人類在行動前完成思考、在行動中持續(xù)思考。
02AI 的下一站:「人不行」,所以 AI 必須行
那么,未來向何處前進?
如果解決方案最終還是「靠人想清楚、說透徹」,那它和提示詞工程的困境沒什么兩樣,甚至更進一步提高了對人的要求和用好 AI 的門檻。
這才是真正的斷點和解法所在:「人不行」,所以AI必須行。
由此,我有一個更進一步的判斷:解決方案的探索方向,一定不是靠人這一端,而是要靠AI。
我們不能期待用戶都成為上下文管理大師、邏輯大師和溝通天才。未來的 AI 產(chǎn)品一定不是依賴人變得更會提供「上下文」或更會寫「規(guī)范」,而是 AI 要具備主動性和相應(yīng)的能力,要能主動「Find Out」合適上下文以及識別、預(yù)判用戶真實意圖。如果 AI 不具備自主處理、定位、匹配、調(diào)用合適上下文的能力,將大批量上下文給到 AI 將是個災(zāi)難。
AI 還要繼續(xù)進化。它要像一個真正的伙伴,能從我們雜亂的「生活流」(lifestream)中,從我們碎片化的表達和行為中,去主動地、持續(xù)地理解、提煉、調(diào)用,甚至預(yù)測我們的真實意圖。在一份全面、明晰、可持續(xù)主動迭代的「規(guī)范文檔」之外,也需要一個動態(tài)的、不斷生長的「數(shù)據(jù)流」。
這正是我說的「寬輸入」的終極目標:多模態(tài)感知,對生活流的高分辨率捕捉。并且,要能在 input 和 output 之間形成閉環(huán)來實現(xiàn)「自進化」。
Karpathy 和 Grove 的工作,在我看來,正是在為 AI 建立這種能力。他們并非在等待一個完美的「人」來喂養(yǎng)數(shù)據(jù),而是在 AI 這一端構(gòu)建一套機制,彌合人這一端的欠缺,讓 AI 更好地消化和理解這個不完美的、混沌的真實世界,能與不完美、不明晰的人類更好地協(xié)作。
你看,Karpathy 說的要管理上下文,其實很大一部分在于模型要怎么學著自己去 manage context;Grove 說要有規(guī)范,其實是要讓模型學著如何把模糊的人類價值觀,對齊到自己可執(zhí)行的目標上。
這幾位大神都絕對信 AI,不那么信人,所以他們一定會站在 AI 的角度去思考:我下一步該怎么做,才能解決「人不行」的問題?
Karpathy 和 Grove 給出「上下文工程」和「規(guī)范編程」肯定也不是終極的解法,但是他們將問題更清晰地擺在了桌面上。這也說明了一點,傳統(tǒng)意義上的產(chǎn)品經(jīng)理們,如今面臨的挑戰(zhàn)確實變大了。因為在這個時代,必須先懂「模性」,才輪得到發(fā)揮「懂人性」的作用;若沒有 AI 技術(shù)和工程上的「審美」,產(chǎn)品的「審美」也大概率沒辦法閃耀光輝。
轉(zhuǎn)載原創(chuàng)文章請?zhí)砑游⑿牛篺ounderparker
特別聲明:以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺“網(wǎng)易號”用戶上傳并發(fā)布,本平臺僅提供信息存儲服務(wù)。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.