嘉宾 | 肖然

采访 & 撰稿 | 云昭

出品 | 51CTO技术栈（微信号：blog51cto）

新年伊始，AI大佬们频繁被问及一个话题：“什么时候有杀手级AI应用”。几个月过去，诸如AI Pin、Rabbit R1、Devin等AI产品一闪而过，真正令人“啊哈”的AI应用迟迟未现。

“大模型时代的Killer App，并不会某天突然出现。”Thoughtworks中国区总经理肖然给出了一个出乎意料的判断。

肖然认为，这一代智能技术产品的开发模式已然与之前不同。因为过去的产品，讲究洞察人性与需求，而现在产品的矛盾点已经不再是需求场景怎么定义的问题，而是“确定了一个场景，大致明确要做的方向，不停地实验，迭代往前走”的“创新实验”的方法逻辑。

类似于“SpaceX发射Starship火箭的持续实验”，智能产品的研发创新正在呈现这样一种路径：这个产品一开始或许并非那么惊艳，但经历一轮轮的迭代实验过程后，最终会发现已经达到了前所未有的高度。

肖然认为，未来ToB领域，玩法的变化将是颠覆性的，随之而来的将是企业团队的话语权和主导权也将发生转移。肖然举了一个很形象的例子：之前在存量时代，一个项目的复杂程度可以比喻成修一条高速公路，技术已经很成熟，最重要的往往是商务团队能不能拿到项目。而大模型到来之后，情况就变了，项目就变成了“在空中建一条高速公路”，这时候话语权就又回到了研发核心，谁能够把这个事情怎么做讲清楚，客户就买谁的。

“打造大模型产品，也是同样的逻辑。只有工程团队能讲清楚，也许就这一个团队能做。”

然而，这条路径也在面临着如何走向大众的“Gap”拷问。

“应用出圈的本质在于消费者逻辑，并不受限于技术本身。”

大家看到，一款应用的出圈，往往首先来自于ToC的突破。这并不代表ToC容易ToB难，逻辑就在于哪些场景能够让用户形成新的用户习惯？从这个逻辑出发的，就不难理解在移动互联的时代，为什么在生活场景中的ToC端会首先爆发。

当移动互联的技术搬到衣食住行的日常生活场景后，用户突然发现这项新技术十分方便，便逐渐就开始接受新的交互方式。而生活和工作场景往往是融合在一起的，大家就会自然地想到将其引入到工作中：“既然我可以用IM和家人保持联系，那为什么不可以用IM随时随地和同事联系？既然出行的时候，我可以在移动App上做出安排，那企业中的出差、远程会议的场景中，为什么不可以用移动互联。”

由此，这个所谓的场景壁垒就被打破了。所以，它本质上是一个“使用者、消费者”的逻辑，它并不受限于技术本身。

回到这一代的生成式AI技术，亦是如此。我们看到ToC、ToB都有非常多的机会，而且某种程度上看，ToB的可能性并不比ToC少。比如，现在我们谈论的智能体Agent，它的应用点并不比ToC少，它将会是每一位专业人士的助手。

不同点在于，在B端，企业们表现得比上个时代更为激进。在以前移动时代，企业还会去问什么样的功能需要搬到智能手机上。但现在的问题变了，企业更关心的问题是，如何才能够尽快把自己的服务或决策点搬到AI平台。

然而目前存在的难点在于，虽然大模型技术非常有创造性，但用户却还没有养成使用习惯，也没有掌握更能释放这种创造性的高阶用法。

比如，已有的、很多年形成的“移动互联+平台化”的ToB体系，在生成式AI植入后，无疑将面临着巨大乃至颠覆式的习惯变化。

肖然认为，消费者形成新的AI使用习惯尚需要一个过程。除此之外，习惯的养成，也有赖于技术的持续提升。

可以预见，未来C端场景下大家会逐渐习惯使用自然语言跟AI交互，习惯让AI帮自己规划出行、下单订快餐，包括未来的自动驾驶等等。当人们习惯这些之后，就会自然应用到工作中。

回到大模型，整个行业应用正处于怎样的状态？肖然将这个问题拆分到三个层面：模型算力层、中间层、应用层。

其中，模型算力层是投资和技术圈内比较关注的一层。国内目前通过工信部备案已经超过20家，ToC方向的Kimi、ToB方向的则有华为、阿里、腾讯、百度等。

然而，大家今年的关注点逐渐过渡到了中间层，即大模型管理层。肖然解释道，人们越来越关注框架层面如何有效应用，诸如MOE（混合专家模型），当提交一个任务时，这些“专家”如何合作，如何融合等。

应用层方面，肖然认为，未来AI的应用在概念上已经变得完全不同，“如同iPhone发布前后，之前的Application跟现在大家熟悉的App是两个概念。”

“如大家所见，企业们都很激进。因为整个社会层面都意识到，这个技术具有很强的普适性和颠覆性。”ChatGPT爆火以后，提示工程、RAG、Copliot、Agent、Multi-agent，包括未来的自动驾驶，都将会是新的应用。

既然“应用”这个概念已经发生了变化，那么接下来构建应用或产品的开发方式也将发生本质的变化。

肖然认为有一点很明确，那就是，智能化产品的研发正在慢慢转向类似于“SpaceX持续发射Starship做实验”的“实验创新”的方式。

“过去，在软件领域，我们经常提要敏捷。下一个里程碑是什么？它正在酝酿中，从SpaceX的身上可以看到一些影子。相信越来越多的智能体加入之后，我们会发现新的模式。”

以智能体为例，它不再是原来开发一个安卓/iOS版本的App逻辑，而是在某种意义变成了对某个专业知识领域的拆解，比如有效提示语怎样设计，怎样做知识提取、如何调优迭代等等。

与开发App的打法不同，智能技术产品打造更多是专家驱动的数据工程和知识工程，需要研发团队通过逐步地实验将专业人所具备的隐式知识挖掘成一个显式知识，进而以诸如Multi-agent等方式完成工作。

此外，产品“迭代”的范围也发生了变化。在互联网时代，客户会给产品反馈，产品根据反馈数据进行版本迭代。“现在，迭代不只存在于客户反馈的问题，而是整个智能体的开发过程，本身它就是迭代的。”

这种新的开发方式在以日为单位的高速科技发展的当下尤为重要。未来的生产制造、产品、功能、服务的开发都将在此改变之列。

大模型也不是万能的，也存在自身的问题。“AI2.0时代，并不代表我们把1.0时代的成功技术全抛弃了。”

在肖然看来，“过热”的大模型确实需要回归自然。比如，大家已经在用的人脸识别、模式识别，这些是不需要大模型来做的。因此，今天的多模态大模型，需要考虑结合应用场景的技术融合问题。

那么，大模型到底该用来做哪些？大模型具备创造性，它能够做基本的规划，这些能力是上一代技术所不具备的，并且这些能力仍在持续增强。“问题就在于，我们可以利用现在新提供的能力做什么？”

因此，不妨回到三层去看。模型层，规模法则依旧有效，OpenAI依旧在投入，甚至将这条路线视为通向AGI的合理路线。因为大家都在继续投入，所以可以判断：模型会越来越准确，输出的内容也会越来越有见地。当然，这里需要考虑其成本因素。

中间的管理层，肖然分享了行业里一个有意思的现象：全球很多做大模型应用的企业，慢慢就会发现这个应用做下来就变成了两个工程，一个是数据工程，一个是知识工程。

“大家都意识到了两个工程的重要性，这是个好现象。因为通过这两个工程，中间层的支持力量增强，上面的应用层会更有施展空间。”

应用层方面，我们关注到一些先进的模式创新正在发生，进而可以帮助我们以较低成本的模型和算力去完成高级模型才能达到的精度或能力。

比如，有一些研究开始发现某些场景，用GPT3.5的效果比GPT4效果更好。这就说明在应用层面，我们不必使用一个最强的模型，就可以达到最优的效果。这就说明，在前侧应用阶段，更多的创新模式在被大家识别挖掘出来。

用同一个逻辑去学习适配不同的行业场景，这就是模式创新。这是个好事情，回想移动互联时代，创业者之所以能做到行业Top，很大程度上都是做对了模式创新。

所以同样的道理，“把这些模式搬到自己的场景中，可能会产生意想不到的好效果。”在应用层，模式创新是一个很正确的方向。

身处大模型时代的早期，很多企业正在角逐成为大模型基础设施的提供者,所以我们看到目前工程师会更加聚焦在基础设施领域，偏重技术研发型人才。但接下来，当随着大模型的热潮不断蔓延，各行各业将会直面“智能技术应用型人才”带来的压力。

“智能技术应用，将很快成为一个热点话题。未来3~5年，可以预见会有身怀着新的生产技能的玩家杀入职场，成为行业/职场的颠覆者。”

所以，不管是在工程侧、业务侧还是通用型岗位，都要做好两点准备：一方面需要我们积极去使用新兴的智能技术，不被时代淘汰；另一方面，大家要相信这其中也会创造出很多新机会，积极关注新兴的岗位。

“新的生产工具和专业岗位的人员结合，就会产生新质生产力。”相信不久，就会出现很多场景，比如某位外卖小哥会询问智能体一个跑单规划，智能体会告诉你“预计跑哪些单子更挣钱”。

之前国内做产品更多希望能“一次封装”成傻瓜式的产品，毕其功于一役。但肖然认为，目前仅仅封装大模型并不能解决掉落地应用的难题，因为用户跟大模型之间还存在着过大的使用Gap。

虽然未来的产品终将是傻瓜式的，但大模型技术就跟实现自动驾驶一样，都需要我们在很长一段时间内自己先学会使用这个工具，然后这个产品/应用才会浮现出来。

“或许AGI实现的那天，我们再回头审视‘实验创新’的做法有些徒劳，但我仍坚信这是一条必经之路。”

来源： 51CTO技术栈