原文链接

01 国王与画匠，寻找 AI Native 的寓言

PMF（Product-Market Fit，产品市场契合度） -> TPF（Technology-Product Fit，技术产品契合度）

• 技术范式的迭代和现状，很多过去行业的常识、惯性的做法，不再适用于大模型应用的创业。
• 机器有幻觉也可以用。最后还是回到具体技术要匹配到什么需求上。
• 现在的产品经理，应该明确 AI 技术有所长，有所不长，去做 TPF 这样的匹配和兼顾。
• eg：国王的画像（瘸一腿瞎一眼），拉弓打猎图，既不诋毁，又不美化，两者兼顾。

拉远重构

• 不把市场当作是这个 super app 的远期目标，而是对人的根本诉求的满足（健康、快乐、创造力）
• 当前很多大模型的应用，并没有真正扣应用户的需求，继续做下去会卷到大厂的竞争赛道里。
• 以前造工具，现在造伙伴，或者说是一个新的『物种』（为人提供信息，提供知识，甚至是智慧）

拉近TPF

• AI 技术有许多的不完美，那就不应该是先派出一堆产品经理去想市场，洞察完了回来就开始做，而是应该先思考这么一个目前不完美的（大模型）技术，适合用来做什么产品。
  eg：Character.AI，他们公司的创始人（Noam Shazeer），Transformer 论文作者之一，并非产品背景出身。他非常清楚大模型这种底层技术，知道它肯定会犯错，因此他先拿大模型来做娱乐向产品，再之后，他想到这个技术首先能承载自然对话的形式，于是他就把产品做成一个个角色，一个个人设。

02 PMF 考核用户量，TPF 要看测试集

• PMF 产品经理更多是写个文档，描述功能、定义和要求，画个结构设计图。产品长这样就能满足用户什么样的需求，功能又是如何每步都精确做到的。
• 在大模型场景里不适用。输入的输出是不确定的，面对这种非唯一的对应关系，你很难用一套演绎规则就能做好。
• 模型在什么输入上，能给什么输出的一个测试集合。产品经理不仅要去定义这个产品，还要把定义的产品转化成评测集。
• 产品经理去定义评测集，技术算法寻找数据集训练系统，以满足评测集。
• 算法驱动型的产品，用的就是评测集驱动的方式。
• AI Native：「设定目标 - 转化评测集 - 让数据集有效训练出满足评测集的要求」，把 AGI 的模型能力更加深入融合进去。
• TPF 如何评价？TPF 对产品经理有要求，在产品面世之前，要满足两条。
  • 要能够把需求转化成一个测试集，这个测试集能够使得技术工程师在满足过程（目标）的时候，也发现结果是在进步的。
  • 一旦做好 demo，也能发现用户提的需求，用户需求分布跟产品经理的评测集的分布是一致的，而且评测集的结果是满足用户需求的。
    所以 TPF 是用测试集的形式来满足的，一方面内部指标满足，然后面世的时候，PMF 反馈会反应用户的需求反馈跟测试集的分布是不是一致，用户是否满意。
• 如果是创业公司，做出的 AI Native 应用，一开始就要让用户用得爽。在满足特定类的需求中，你的产品必须提供 10 倍于竞品的爽感，不是好一点，要让人有惊喜感。
• 因为在今天，大模型并非全能，你只能选亮点，做出 10 倍优秀的来，周边（功能）是 5 倍、3 倍甚至更差的，这样你的波峰就拉得足够高了，后面再逐步将它拓宽。如果一款产品一开始不让你爽，不到一定高度，只是比原来好一些，是不够用的。

03 新时代的创业者，首先要是大模型的超级玩家

• 成为大模型用户，就是要把自己当成一个大模型时代的粉丝，去狂热的体验，去感受大模型给你带来了什么样的不同之处，先去好奇，去欣赏，去感受（它）做的好不好。
• 先成为一个大模型的超级用户。
• 要把市面上的产品都用到了，有这样的动力，充满这样的好奇心的。用起来之后，你的灵感就会冒出来，就会知道这件事情什么是它擅长的，由此再把它变成你后面产品的构思。

新范式下的变化：

• 先成为用户，再去造应用
• 先吃几口猪肉，再去造猪
• 技术涨潮过程中，跟着一起涨

产品经理的基本功和关键气质：

• 抛出来产品的画面感
• 有想象力，有推动心
• 既有之前的成功经验，又能够把自己的经验打散，去滋养大模型，还能想象出大模型的新样子，是既要又要的阶段。
• 未来的两年时间内，更多的是加入一家大模型公司，能够获得平台级的支持，帮助你把原有经验打散融入，这样做超级应用成功的概率要大很多。做小应用不一定，但做大的事情要与大模型公司有充分的互动。

04 今天的大模型是「快思考」，AI 需要「慢思考」

快思考，慢思考

• 大模型其实是「学」，其实并不「思」
• AlphaZero 代表思，内部对抗博弈
• 大模型（LLM）代表了「学」，AlphaZero 代表了「思」，如果这两个系统结合在一块就会很厉害。
• 学而思，学而不思则罔，思而不学则殆
• 大模型也能判断围棋的输赢，可以写代码来判断围棋的输赢，状态转移代码
• 大模型有机会写出 AlphaGo 的代码，运行代码后它就会下棋了，这件事是有可能发生的。因此我们在想 Q*的时候，在内部猜想大模型是有机会生产出一些用来思考的框架，然后用传统方式来「思」。

05 理想上慢一步，落地上快三步

• OpenAI的理想很大，想探索 AGI 的边界
• 人和公司都要找到自己的定位
• 不同的土壤长出不同的东西来
• 同样是创新，是公平的，相对而言，我们在理想往前走这方面会比他们弱，但我们应用上会更加的快，面临着一个更好的机会。
• OpenAI 一家独大的情况下，做应用的公司得迎着 OpenAI，它的技术做到什么样，你才能做什么样的应用。但国内是模型公司自己在做应用，这种端到端的连贯性，是有机会在一些领域里把应用比他们更快落地跑出来的。
• OpenAI可能是前锋，在突破边界；我们把技术落地下来变成有意义的东西。
• 他们的发明我们尊重，我们该追赶，但我们也可以有自己独有的贡献，而不是我认为我需要自己，但这世界并不需要我。

06 百川创业八个月，开始沉淀大模型方法论

• 好的状态：每次看一个月前的自己，都觉得是傻子。以前工作的时候，是以周的速度在迭代，现在没到那么敏捷的状态，以月为状态看待自己的不足。
• 大家一起共同去调整自己原有的工作方法，去获得大模型时代的方法论。
• 每天自己都在进步，而且还有多维的成长。不只是说自己会了这些事情，想法比事情要领先半步。但有时候，你会发现走一走，又会有更好的想法出来。
• 能够抱有的信念：超级应用，像互联网时代给人类带来的巨大的帮助和希望一样，两年内帮助大家体验到、用到。
• 5 年时间太长了，能够想到 2 年后的画面，我就挺满足了。