关于AI产品的关键因素的思考
这一年，公司在全力推动 AIGC 产品。似乎每个部门都在做，但是真正成功的产品几近于零。
我不禁思考：想要做成 AI 产品，最关键的因素是什么呢？
AI F10
回顾下我们做的内容，最被(Boss)认可的是 AI F10。这个产品光从现在的形态和功能上来讲，其实还是处于不可用状态，我也知道很多其他部门的同事都感觉这玩意儿不就是迎合 Boss 的么？其实有这个想法的人，要么是不了解 Boss 的想法，要么就是不了解什么是 AIGC 产品的核心竞争力。
Boss 的想法
Boss 具有异于常人的前瞻性，炒股行业、移动互联网、AI，这几个浪潮全部都被他踏准了(这和他所接触的资讯优势有关系)。这么一个高瞻远瞩的人，他是我们随便搞个东西就能忽悠的么？
Boss 之所以认可 AI F10，我感觉更多的是：
这个产品验证了 AIGC 这条路在产品形态和技术上的可行性；
他希望通过这个产品，自顶向下的推动底层 AI 技术的发展(给其他组压力、给问财压力)。
AIGC 产品的核心竞争力
要回答这个问题，就必须明白 AIGC 产品和常规产品的区别是什么。
我感觉有 2 个方面的差异：
交互形式
传统的产品，多为信息呈现式的，用户没有介入或者很少介入进来。而 AI 产品，则在使用时，往往用户会介入进来影响最终呈现的内容。
简单来说，就是NLI(Natural Language Inference)探索模式。在零状态设计(即用户在进行任何交互之前所看到的屏幕状态)，产品默认呈现一个初始的内容，然后随着用户的自然语言交互，让用户有掌控力，探索式的给出最符合用户需求的内容，并且在这个过程中，将分析逻辑也呈现给用户。
后续的上限
传统的产品，上线后的迭代改进，基本上纯靠人工：产品经理分析数据->整理需求->开发编码实现。这样的模式有很多弊端，比如产品经理的分析可能存在主观偏好，和用户实习问题存在差异、迭代速度慢成本高等等。
而基于模型的 AIGC 产品，其核心质量在于模型的能力质量。而一旦第一版上线后，我们就可以搜集用户数据(交互数据、访问数据等等)，持续进行模型标注和训练，这样能形成飞轮效应，随着时间的推移，产品会越来越好，而且无需太多人工介入。这样会让 AIGC 产品的上限远大于传统产品。
做成 AI F10 的关键
是技术么？肯定不是。因为目前用到的技术，都不是什么新东西。
我观察到很多人一开始就陷入到技术里面去了，特别是 B2C 这边的情况，由开发去主导这个事情，在那儿死磕技术(关键一堆做业务出身的开发，还嗑不进去 AI 相关的技术)，让大家走到弯路上去了。
我感觉应该是思维模式，以及具备这种思维模式的人。
如果连产品的形态是什么样的都没想明白，是不可能做出真正的 AIGC 产品的。
而人员在这里面很关键，要求我们必须有主动学习的意愿。因为毕竟大家在 AIGC 上都是新手，缺乏足够信息的输入，很难迸发出想法。毕竟这是一个厚积薄发的事情。
所以关键在于我们要找到具备 AIGC 产品思维的人，让他充当产品经理的角色。他可以不是产品经理出身，可以是任何人，但是在项目中，他必须承担产品经理的角色。只有这样，才能保证团队往正确的方向走。我们团队的典型代表人物就是 TH 博士。他需要通过自主学习，让自己成为团队中最懂 AIGC 产品的人，并带着其他人往前走(不断给大家传递正确的产品模式和自己的思考，让整个团队在方向和理解上保持一致)。
最近一周团队在讨论今年的 AIGC 可视化怎么做，开了很多会。我越来越感觉到 AIGC 产品思维的重要性。在大家都缺乏经验的情况下，绝对不能瞎发挥，不然很容易出发点就错了。
很庆幸，团队中的人都非常厉害，路越辩越明了。
为什么B2C其他组没做成？
2024.06.04 YLF和几个开发组长开会讨论如何将远航版改为Copilot形式，这个应该是因为最近Boss提了AI F10的模式要推广到各个业务，然后想先用远航版做实验。
我参加了这个会，然后发现几个很关键的问题：
没有总览全局的带路人：缺乏类似TH博士这种角色(懂怎么玩AIGC产品、懂业务、懂AI技术、具备Owner意识)
开发指挥算法：开发本身就很局限，然后瞎指挥算法，算法成为了一个接活儿的角色
没有Team的概念：人员很分散，产品、设计、开发、算法，都只是着眼于自己的职责领域，只是工具人，而不是像AI F10这种团队的概念
(TODO)挑战：逻辑生成
最近尝试的 AIGC 并购重组、AI 研报解读，都卡在逻辑生成上了。
如果这个能攻克，那我们的 AIGC 产品绝对会有爆发式的增长。
要解决这个问题，需要两方面的能力：模型能力+业务能力，我们能做的就是通过Prompt制定业务模型分析框架。
核心要构建一个逻辑生成和可视化的 Prompt 库。
集中精力先搞定这个问题吧！
总结
AIGC 逻辑适合的场景：
逻辑存在不确定性、尚未形成规范和标准
逻辑不好通过客观因素判断其正确性
生成固定逻辑
代表产品：并购重组
这种业务，本身有行业标准，因此逻辑是具有确定性的，不能随便乱造。
这种场景，AI 在逻辑生成环节基本上没法发挥作用，靠规则化的方式去处理逻辑更好。
AI 的作用主要是在召回资料和个性化可视化元素的生成上。
经分析，并购重组的分类和逻辑已经是业界形成规范的，我们只是去实现这些规范，这种业务 AI 无法生成其逻辑，不具备通用性，无法泛化到其他业务上。因此该项目先暂停。
从固定信息中提取逻辑
代表产品：研报解读
这种产品的核心是从固定的信息中提取逻辑和指标，然后用可视化的方式呈现出来。
从用户调研来看，用户需要的是知识库+可视化
基本流程：固定分析框架+总结+溯源+可视化呈现，比如：
NVIDIA BOT+研报、公告、重大事件构建个股知识库，整理出某个事件的时间线，并进行可视化呈现。
由于研报已经是研究员的思考的结果，其本身就是逻辑的呈现，所以这种产品提取出的逻辑，上限就是研报的大纲，AI 在逻辑生成中的作用很有限，不用 AI 也能做。
这种场景，AI 在召回资料上发挥的作用更大。比如给每个股票构建一个知识库，然后根据用户的问题，从知识库中召回资料。
这种适合作为 AI F10 的一个子模块-研报解读模块。
技术难点在于 Token 长度和 Prompt 的设计。
给发散型问题生成逻辑
代表产品：AI F10、灵动看板
一般是用户提出一个问题，然后 AI 生成一个逻辑，然后用可视化的方式呈现出来。
基本的流程：用户提出问题->扩写问题->生成分析框架->RAG 召回资料->生成逻辑->可视化呈现。
这种场景，AI 可发挥的空间就很大了。
TODO：金融 workflow 工具
类似十个常见的 Agent 开发平台试用点评这种。
我们如果搞个金融类的 AI workflow 工具，应该也有应用场景，针对专业用户、分析师、金融业创作者等等。
把各个产品工具做成 agent，在我们的 workflow 平台上根据自己的处理流程搭建个人金融工作流。
这样感觉也更契合 AI 插件化、AI AppStore 的概念，也实现了 KYC。
运营中台在做内部的 workflow，类似天工 SkyAgents
对人员能力的要求
一个词：复合型。
我们不能再局限于自己之前的产品、设计、开发等岗位，而是应该全方面的参与进去。
提不出产品想法的人，难以给团队带来正向帮助。
现在团队里面，设计师和开发在提产品想法、产品和设计在写代码(为了快速验证自己的想法)、做可视化的在训模型、设计师给大家做 AI 相关的技术科普，正是这种不给自己设限的模式，才让我们比其他组先一步想清楚模式。
熟练地引导人工智能取得好的结果可能才是未来程序员能体现出来的价值。
B2C该招什么样的人
不是算法博士，而是产品博士，懂如何应用AI的产品博士。
B2C在技术这块，就应该专注于应用层面，搞鸡毛的算法和模型啊，开发就应该是懂业务和懂AI应用的经验丰富的开发，知道怎么构建AI应用以及如何提供大模型友好的训练数据，就是像王渊这种人员。
回顾去年B2C搞的那些招人计划，全部都误入歧途了。
技术不再是阻碍
随着技术的发展，编程的门槛越来越低，大家都可以自己编程以便快速验证自己的想法。这种趋势下，纯技术人员的地位会越来越低。未来能成功的，一定是有想法且执行力强的人。
技术只是工具和手段，做出牛逼的产品、改变其他人和事才是目的。
未来不同职业的地位：产品 > 设计 >> 开发。
未来是属于知道用户要什么的人。
对于有追求的人来说，可能转产品经理才是未来的出路，因为今后的机会只会降临在产品经理头上。