尊龙凯时我的12个「2024 AI 猜想」

　　尊龙凯时我的12个「2024 AI 猜想」b）如果是财经新闻，会报道你持有的股票或你感兴趣的领域；如果是体育新闻，会是你最喜欢的球队。

　　我当时也评注说：24 小时的 AI 频道，这是未来一定会成为现实的产品形态机会，里面有很多机会的。

　　而且 Sora 刚出来，整体的 完成度 就比较高，其他公司要想整体追上 OpenAI，短期太难。

　　1、所谓 爆发 尊龙凯时ag，不是说数量上会有很多例，而是说，有 严重 的安全事故，会引起巨大影响和全社会广泛关注的那种。

　　类似汽车、火车、飞机、自动驾驶早期的事故会死人，LLM 虽然还不一定是这种类型的事故，但也可能造成严重的犯罪、经济、安全事故。

　　1）随着 AI 调用量不断增加，看似小概率的黑天鹅事件，慢慢就变成 必然 一定会发生的事情了。

　　2）之前 AI 1.0 时代（NLP/ 规则），其实就已经发生过了，只不过很多人并不知道而已。

　　当年，有两家 AI 公司的聊天机器人同时接入 QQ 群聊，因为涉 zz 的黑天鹅内容，而一起下线了。（事后听说，当年是有境 wai 势力故意搞鬼，截图传播的……）

　　3）现在 AI 2.0（大模型 /AIGC）本来就要更加不可控、有更多未知的风险，而且还有更多主观恶意、非故意性质的安全问题。

　　1）大概率的，会有一波 AI 应用层的产品发布（因为去年年中，很多团队才 run 起来，6~18 个月，总该发布了），有更大概率出现 调用量短期快速增长 的情况，那么出问题概率就更大。

　　「大模型隐蔽的后门漏洞风险：提到关键词，模型瞬间 黑化 」，这可能是比提示词注入攻击还要严峻的安全问题，现有安全机制无法防御。

　　「Nightshade：数据投毒的最新案例！」，模型中毒后，AI 模型开发者想清理有毒的数据样本也很难。

　　4）更隐蔽的原因在于，虽然揭露这些安全隐患的初衷，是为了防范，以及最近有不少 LLM 安全相关的解决方案公司和平台。但是，但是，所有这些，其实同样的升级了作恶者的认知和技能点。。。

　　1）对于我们自身的 AI 产品，需要提虑、设计一些体验流程环节，尽量减小事故发生后，对用户和公司的影响。

　　2）对于我们个人职场发展来说，如果能提前关注、储备一些相关的认知和产品设计思路，有可能反而是个冒头的机会。

　　比如将（LLM/AIGC） 安全 作为自己的差异化职业规划 tag，一点点的深挖和积累——这相关的人才，是非常非常稀缺的。如果你能有自己的认知和建树，今后在大厂里面，会非常容易拿高薪。

　　2）我在文章「关于 AIGC 商业化的 13 个非共识认知」里提到的第 12 个点， 现阶段做 AI，要对标的不是互联网，而是通信 /IT，底层是相通的。

　　4）私下了解到， 从四大和埃森哲来说，AI 落地的咨询项目比较少，很多团队都没活下去 ；而小的创业公司，公开信息也不多。

　　iii，核心团队里，如果有产品基因的负责人主导，或者通信行业背景的人，会比较好；而不是技术负责人主导。

　　产品经理越来越多需要想的事情是，怎么通过两个数据集去开发一款产品，定义好了数据集，其实产品就定义完成了。一个是训练数据，一个是测试数据。训练数据决定了模型能提供什么能力，测试数据决定了模型的实际可用程度。

　　2，这里，我再延展说一点（是行业还没有清晰共识的）：AI native 产品需要积累新的数据，这让竞争可能站到同一起跑线，为什么呢？

　　4，举个例子，比如我的文章看起来，最原子的 input 是文章链接 url、output 是我的提炼内容

　　ii，对摘录出来的内容，做精炼。比如原文 10 个干货点、300 个字，我精炼成 10 个点、150 个字；

　　5，这个本质变化导致了，即使其他人想 copy 我的这个 Agent，不仅不可能有我自己的效果好，而且我如果愿意，是可以每天进化的，因为我每天的 AI 日报，都可以贡献新的数据。（即使他窃取到了我之前的过程数据，但第二天开始，他又会比我的 Agent 差一点点。）

　　。6、如果以上逻辑成立，那么，大家可能都站在了同一个起跑线、如果你是现在的巨头，其实是危机很大的；如果你是个体，是有机会搞点事情的。

　　应用角度起势的 AI 小风口，最早可能不是某个具体的应用或方向尊龙凯时ag，而是微信这个 场景 / 场域 。1，从 AI 作为 Agent/ 助理的角度，其实是容易想到，把 AI 作为聊天软件的一个 联系人 去对待的。

　　有一家 SaaS 公司，客户和使用群体文化水平不高，他们还做了一个企业微信尊龙凯时ag，用户平时其实很少需要打开 SaaS 去复杂操作，只需在微信里说一句话，后台就会自动完成操作。

　　1、之前的文章里提到了 Sam Altman 投资 300 万美元的公司Shelpful，简单说就是为了提供生活助手服务，采取了三种产品形态：AI ，AI + 真人辅助，真人 + AI 辅助。典型目标用户是，需要外部激励和组织帮助的个人、面临时间管理挑战的职场人士和家长。

　　2、其实8~10 年前的 AI 1.0 时代，就已经有公司做 AI+HI（人工） 来提供个性化服务的产品了

　　（有点惊讶的是，我现在去搜 Magic，微信公众号文章里，竟然都搜不到当年的报道了。。。然后换 36 氪，才搜到 2015 年的这篇报道：）3、当年为什么做不起来？

　　因为传统 NLP 能力提供不了充分价值（不论理性还是感性），虽然各家公司鼓吹 AI，但本质（大部分比例）就是在用人工提供 1 对 1 的服务，这样当然收入覆盖不了成本。

　　因为 LLM/ChatGPT 首次突破了价值瓶颈（不仅带来理性价值，还有感性价值、可极大增强用户心理粘性），使得 AI+ 人工 的模式有机会 ROI 跑正。

　　我初步命名为 AI 协作咨询师 ，不仅可以给高客单价的、原本就有 90 分位能力的咨询 专家 引流，还可能让本来不具备咨询能力的、原本只有 70 分位的普通人赋能，使其也能给用户提供 80 分的咨询服务。本质上，这也是一种信息差。即，如果用户自己学会了如何使用 AI（GPT-4），那就不需要这种服务了。当然，这也跟他的教育程度相关——有的人不能真正学会用 AI，那就购买这种服务，也行。

　　6、大模型毕竟是技术维度的东西，现阶段直接拿来用的产品维度效果，总还差口气，如果通过这种模式 补齐 gap，不说定真能有机会出来。

　　另外，在使用 RPA 的时候，其实也有一样的需求——我只是希望完成目标效果（某些自动化操作），为什么非得让我学一点点的操作那个界面？其实本质和 coding 是类似的。3、

　　4、生成式 AI 的最简明的落地价值，不是生成，反而是提炼总结。可参考「我看到的 AIGC 落地机会 1）Summary AI Service 」

　　6、借力 AI，会有更多新的个体崛起机会（副业），甚至会导向团队先进性的竞争（基于 AI-native 的组织架构）