國內AI和AI應用的真問題

海外和國內AI上差異最大的點可能還不是模型的水平，而是真的沒應用。這導致一個很可怕的后果：國內AI整個生態是斷鏈的。

什么叫斷鏈？

形象講就是算力干算力的、模型干模型，然后在最終用戶這里不閉環。

比如過去的電商是有生態的：

有人做云、有人做電商平臺、有人做供貨方、有消費者，這樣就把互聯網的技術完整和商業體系融合了起來，鏈條上的每個人都可以有收益。

現在AI上在海外這個正反饋鏈條差不多跑起來了，至少在我感知比較清楚的B端，事情已經相對比較清楚：

英偉達提供GPU、模型公司提供基礎設施、應用公司提供融合了AI的SaaS、B端的公司獲得效率。

一旦生態形成正反饋，就會讓各個部分聯動，趨于良性發展，打破過去10多年AI發展的貔貅魔咒。

如果不閉環，那就得靠投資，現在哪有那么多投資...

要說什么最可能導致我們國內的AI全面落后，我大概率會選這個。

為什么國內的AI應用更難

核心原因是我們必須跳過一個相對容易的階段，對業務更直接的進行端到端的整合（《無人公司》其實在寫這個新模式）。

AI現在做更好的工具在很多場景智能水平大致是夠的，但整合完整服務這背后的挑戰就大了。

而要回答為什么必須跳過一個階段就必須說到SaaS。

SaaS可以看成是AI最容易發揮效力，馬上產生商業價值的領域。

問題是國內沒有SaaS（不能說是0，但沒有海外那種規模的SaaS市場）。

在今天這個時候，我想做過工具和SaaS的人都需要面對一個特別殘酷的內心拷問：

在國內未來真的還會有SaaS么？AI對經典的SaaS是利多還是利空？

如果足夠理智，雖然很痛苦還是要回答：

經典SaaS這事肯定死了，不管你在上面扎多少管子，擺多少鮮花，都不過是對墓碑的裝飾。所謂交付結果從我角度看也就是多扎幾根管子，但擺脫不了藥醫不死病的客觀規律。

十年驗證的市場環境并不會有所改變，而技術條件在讓你失去議價權（大模型會讓SaaS的甲方更容易自研），這么個模式怎么可能不掛掉！

關鍵是SaaS的綜合度其實是低的，所以是容易的。

放在一個公司的背景里面，SaaS總是解決一小塊問題，所以它處理的復雜度注定是低的。處理招聘的工具所要面對的復雜度一定小于完成整個公司業務。

現在復雜度低的這部分沒有商業價值，那就必須直面業務的復雜度，所以說是必須跳過一個階段。

端到端業務整合

《無人公司》這書其實寫的不是有人無人，而正是我們必須面對的這種高復雜度場景所帶來的挑戰。

最近我在《無人公司》相關的演講里，一直在提到一個關鍵問題：我們的價值創造主體一直在發生遷移。而AI這次遷移的徹底程度可能遠超過往。

這可以在各個行業找到對比，這次我們倒敘，先用最近Antropic的Project Vend做例子。理解了這種遷移也就理解了端到端的業務整合。

Vend這項目說起來也不復雜就是把下面這樣的一個貨柜完全用AI進行經營，包括進那個貨，賣多少錢等等：

雖然很不幸，給了它1000美元的啟動資金后，它經營不善破產了。但它的模式和過去已經很不一樣了：

拿它和電商平臺對比，明顯的自動化程度又提高了一截，是AI在經營這家小店，而不是單純的構建個平臺，誰買東西我幫你找下。

所以相對于過去的電商平臺或者電商平臺上的網店，它性質上不是一個東西。

而電商平臺和過去的百貨比其實也是有進步的，它把分發和交易的很大一部分依賴算法完成了，包括你要找什么、物流的狀態等等。

所以如果把2000年前的百貨-電商平臺和網店-上面的Vend放在一條演進的路線上，你會發現什么呢？

價值創造的主題越來越往硅基進行轉移。

做到后面就是基于AI的端到端的業務整合（不一定是端到端的模型）。

這就是我們所要面對的最大的時代背景，也是《無人公司》想要說的事。

太多的書在講大模型是什么，怎么寫提示詞等等了。而我們其實更應該關注什么是在國內能夠跑通的AI模式，否則更可能在擁抱AI的時候錯過AI
，恰如互聯網的時候提供做網頁服務的。

抑制復雜度提升

因為SaaS這事兒的徹底涼涼，我們就沒有機會處理低復雜度的場景，必須上來就爬陡坡，處理高復雜度的場景。（傳說中的喜馬拉雅山脈北坡）

當然這時候還是可以從改善或者新建中選擇。

既有公司很難把現有一攤子事完全扔了，徹底重來。這時候本質含義是什么呢？

每個想改善的人都要建設一套比Glean這個現在估值到70億美金公司產品還要復雜的產品。

仔細看就會發現，在這樣的體系里面業務知識和AI是無縫融合的。也就是說必須完整的了解業務和AI才可能完成這種改善，缺哪條腿都是萬劫不復。

數字化我們整了10多年大概是九死一生，現在好，還增加了AI帶來的難度，顯然挑戰更大。

最近哈佛商業評論發了篇名為《李寧數智化：和數字店長一起開晨會是怎樣的體驗？》的文章（下圖來自這篇文章），從中我們就可以清楚的感受到這套系統的復雜度遠超過去的SaaS。

大家可以想想是這樣的系統復雜還是單點的SaaS復雜。

而這種復雜度往往是業務內生的，如果是改善真的只能硬抗，靠技術（包括AI）的進展來吞吐這種復雜度，這時候典型問題顯然是：AI其實不好用，現在的水平解決不了這個復雜度的業務。

這時候怎么才能削減復雜度呢？

如果我們認為復雜度來自于兩個來源，一個是業務內生的，一個是向后兼容導致的，那削減復雜度的核心方式就只能是不向后兼容。

這并不在所有領域都成立，但如果能找到，顯然是很幸運的。

不過即使找到了，肯定也還是比純粹做工具復雜。

所以就回到我們的標題：國內做AI應用的難度肯定被低估了。

技能集

什么技能集適合做上面這種產品呢？說來有趣，GleanCEO的簡歷是可以查到的。

這哥們是長期做架構的，真做架構的人往往是個大綜合，對業務、技術等都要有所了解，然后能把他們有機捏合在一起。當然現在還得加個點：得對AI有所了解，畢竟AI的技術特性和傳統的軟件技術棧完全不一個事。

抽象來說就是你產品涵蓋領域的復雜度提升，反過來就會要求操盤的人對復雜系統的認知和駕馭能力提升。純粹的科學家或者不理解技術單擅長經營的CEO恐怕操盤不了Glean這樣的產品。

在以人為主的體系里最關鍵的角色一定是管人的，現在新體系因為價值創造主體的遷移日趨就需要更了解人、AI和業務的人。如果是極端值，也就是無人公司，那恐怕了解AI和業務就夠了。

這是另一重新挑戰。

小結

在國內做真的AI應用顯然更難，反倒是做項目相對簡單依賴的技能和過去也差不多，但依賴它顯然不能解決斷鏈問題。

如果沒有真正的應用生態，AI的發展則必然是不可持續的。2010年開始我們用十多年證明了這事，就不要再證明一遍了。

再夸張點說，中美的AI競爭一定是長期競爭，長期競爭恐怕不取決于一城一地，而取決于生態是否足夠良性。

所以這是真的問題。

注：入群或者加入AI碰撞局，請聯系：shuixiu2024