穿透8個AI案例，可以看到什么？

AI碰撞局到現在為止一共做了9期，里面覆蓋了8個AI各個方面的案例(SEO做了兩次)，具體包括：

從上代AI延伸過來的智能電梯，智能音箱；類似Her的產品（這期偏底層邏輯）；寫作AI智能體；基于AIGC的SEO工具；具身機器人；醫療大模型；微軟的Copilot（我自己長期研究這產品，不是微軟的人分享）。

活動本沒有規劃，但卻誤打誤撞涵蓋了常說的C端，B端，行業；國內、海外；軟件、硬件；創業者與巨頭等多個方面，比較全面。

又因為AI碰撞局里的分享只占整個活動的一半時間，相比之下現場的碰撞產生的信息量要更大一些，兩者疊加后就非常生動鮮活的描述了AI在2024年上半年的部分狀態。

這里對這9期活動做個小數據的總結。什么叫小數據呢，其實就是我讀記錄后做的提煉和總結。

AGI的（Artificial general intelligence）G最關鍵

貫穿九場AI碰撞局活動，每場大家都會提到的詞是：AI不好用。

這種不好用在不同落地領域表現不一樣：在出海的SaaS產品上表現為需要大量注入工作流，在內容創作上體現為很多的人工干預，在機器人上體現為對產品定位的約束，在智能音箱則是產品價值邏輯充滿矛盾。

這進一步意味著產品定義的時候必須一只眼睛盯技術成熟度，一只眼睛盯市場機會。這本來不稀奇，但和AI的通用智能特征、幻覺結合起來就變得十分麻煩。帶寬、計算能力、功耗是可以精確度量的，智能怎么精確度量？何況即使智能夠了，它還出現幻覺，幻覺意味著時靈時不靈，這又怎么度量？

所以互聯網時代做App的時候基本上技術變量是確定的，只搞定產品這一頭就行，但做AI應用的時候，你必須同時考慮兩頭，用不確定的技術去解決不確定問題。正經的要一頭沒一頭。

這導致很多問題必須放到Level1~Level5的技術脈絡下回答，否則大概率不對。

（有中心沒腦子VS有中心有腦子，做的不好，示意圖）

AI產品發散度遠大于互聯網

互聯網產品相似度其實是高的，如果抽取不同App的基礎模式，那會發現很多共同點。

AI就不行，發散度極大。

APP，SaaS算是和互聯網基本重疊，智能音箱、智能電梯就擴展到智能硬件了，大模型+一體機則進一步像IT早年的情況了。機器人就更綜合，真說它的商業模式，租的話有點像硬SaaS，賣的話就和汽車差不多。

落地形態上顯然也從單純上App解脫了出來，當前比較賺錢的產品基本就都是Web產品，以智能音箱為代表的智能硬件在AI大模型的驅動下形成各種變種，這些很像是硬應用，會走賣貨的產品模式。機器人、自動駕駛就更夸張些，差不多里面會綜合現在所有的技術，估計不比做航天飛機的覆蓋面少多少，然后怎么落地并不怎么確定，太貴太復雜。閑聊的時候，大家戲言：真干機器人，哪怕就是跑起來也需要500人。

如果要做腦洞式類比，會發現種種智能落地載體可比人類、黑猩猩所在的靈長目種類多多了。

這會導致一個有趣的現象：大家都覺得自己在做和說AI，但談的其實不是一個東西。

這種發散度也就意味著分裂，做機器人的根本不會去關注SaaS，甚至也不會去關注自動駕駛。

但如果說大部分AI產品其實是失敗的，那這種跨種類的關注反倒是必要的。

產業邏輯 VS 風口邏輯

另一個在9期AI碰撞局活動里面反復出現的話題是：

干AI到底是應該九層之臺起于壘土，數年如一日的打磨自己產品，練內功還是迅速捕捉出現的機會點快點變現？

前面是產業邏輯后面則是風口邏輯。

最終選擇和個人、產品、行業都有關系。

如果干機器人、一體機、醫療大模型等那似乎也沒啥能快速捕捉的風口，如果不一直磕那就賺不到錢。

但如果干海外SaaS，那窗口就有時間屬性，你第一波去做獲客成本就低，晚了獲客成本上來后，錢就賺不到了。比如基于AIGC做SEO的產品如果不是早點入局，而是已經有幾百個類似產品了，那獲客就會挑戰比較大。

略尷尬的是，回看近兩年，凡是能賺錢的產品基本都是風口邏輯。（英偉達就別算了）

（這倆視頻正好一個象征風口邏輯，一個象征產業邏輯）

之前文章總結過這幾年真正賺錢的產品并提取了三個特征: AIGC主打，小產品，海外市場。小產品天生需要是風口邏輯。（參見：）

AI碰撞局因為參與的人來自不同背景，產業同學往往提到的是歷經六年現金流轉正，風口邏輯下提到的則是多少個月ARR做到了多少。

差異極大。

改善 VS 顛覆式創新

如果說產業邏輯還是風口邏輯是個實務上的選擇，另一個AI碰撞局上揭示出來的問題則更具有前瞻性：

AI到底會不會產生顛覆性機會？

活動上典型的討論是這樣：

AI肯定可以做輔助診療，那這時候就必須面對既有業務過程。你產品落地的成本支出其實變成了兩部分:一部分來自于技術、產品上解決確定問題的挑戰；一部分則變成適配既有工作過程。后者的成本可能比前者還高，所以就落地困難，甚至導致成本上升然后不賺錢。

那是不是在技術足夠成熟的時候可以出現一種顛覆性，比如：一個醫院就完全沒有醫生，按照AI優先的原則從0開始建一個醫院，規則去適配AI而不是AI去適配規則。

這問題一出立刻認識就讓參加活動的同學更加分裂：一種觀點認為所有新技術出現往往是從一體化向技術適配開始的，接下來才是各種規則和詳細分工，比如PC或者iPhone；一種觀點則覺得這現實可能性極低，短期不可能。

這就讓AI在國內落地很尷尬。

過去通常用需求定義或者產品定義去抽象不確定問題，找出其中共性，然后用技術手段去解決它。如果還按照這思路，那就只能做一些相對小的產品，關鍵的利潤豐厚的問題已經在過去幾十年被用各種技術解決過了。新技術并不支持按原有方式重做一遍。

徹底的從頭新建，則技術看起來又不太夠。

這個問題在現在這個階段回答，看來只能是我之前提到過的和2.0的思考框架。這兩者現在看最合理也算是被初步驗證。

最終如何只能在G（通用智能）的提升過程中進一步驗證。

懷念2015年，信息流轉需要加速

每當現場碰撞產生分裂的時候，我就會懷念2015年。

那時候周圍朋友里有一種平等對話的氛圍，雖然也混圈子，但PK的面紅耳赤并不罕見。

活動往往也沒那么正式，大家找個地兒，一杯咖啡或者一杯水聊個2個小時盡興而歸。

我之所以懷念它是因為一方面它幫我換個視角審視我自己問題，思維破圈；一個也確實幫我認識了好多志趣相投的朋友。

后來不知道為什么，這個氛圍就散掉了。很多活動就變成了一個權威講話的模式，這應該也是需要的，畢竟AI在技術那側專業性太強。但不能否認AI下面的關鍵越來越向應用轉移，而應用不太可能靠講話來獲得答案。

這應該算是AI碰撞局的另一種意義吧。即考慮AI的專業性所以有人分享，但也還是要構建一種平等對話的氛圍。

（活動的模式也可以類比過去的組織模式）

希望它能夠促進AI的落地，讓這條路稍微好走一點點。

小結

上面有些問題并沒有給結論，按考試的思路來看這些問題則會很奇怪，但實際上這也正是AI碰撞局的另一個特色。我們基本認為最多有值得參考的思維框架，結論只有當事人把這些框架和自己的現實問題結合才能做出來，只有當事人能給最終答案。利潤的來源是什么呢？很大一部分正是每個人自己的那一部分思考。張一鳴好像說過類似觀點：認知是企業的核心競爭力。這個認知正是屬于每個人的那一點點思考。從這個角度在商業上給手冊性方法的大概率是騙子，建議不要相信。

對AI碰撞局活動感興趣的請加cathywangyue。9月份預計做兩場公開的活動：一場是在北京大學國家發展研究院的承澤園做一個線下線上結合的，一個是在杭州做個線下的。這兩場都會比較特別一點，前者會是北大國發院主辦并和承澤圓桌會拉通，后者是個大活動的一部分，預計有四個院士參加，AI碰撞局只是其中一個小環節。不變的是活動的宗旨、形式和本人的角色，我還是會負責內容。另外兩者也還是會保持限定名額，邀請加入。

此前的活動記錄參見：