AI 是一个认知产品

六期同一门课三部分：判断、变化、工具

这是我在一家运营商 AI 产品训练营的第六期。从去年年底第一期算起，半年多的时间里，我觉得自己好像跨过了好几个 AI 的时代——行业变化太快了。今天上午我想跟大家分享三部分：第一部分，是我自己这将近十年跟 AI 打交道攒下的一些判断；第二部分，是这两年我看到产品和应用在 AI 时代发生的变化；第三部分，是给大家一些趁手的工具和提示词，让大家这五天真的能做出自己的产品来。

我自己是温州人，本科和研究生都在浙大读，但研究生没读完就出去创业了——可能骨子里就是不安分。毕业以后自己开过工厂，造过电动车；后来我们几个人又一起做了电子烟的生意，规模也不小，实体产业做了差不多十年。到 2021、2022 年前后，我看实体行业基本卷到头了，没什么新机会了，就回到了自己的老本行——人工智能和设计相关的领域，跟几位老师一起合伙成立了现在这家做人工智能数字化的公司。去年浙大人工智能学院刚成立，也让我回学校负责一部分企业产学研对接的工作。我们几个人还觉得，AI 这几年冲击最大的行业是教育，所以从去年开始也在做一些 K12 方向的 AI 教育探索。

开始之前，我问了大家几个问题：有没有用过海外的 AI？有没有跟 AI 连续工作超过 4 个小时？今天的 AI 已经像水电煤一样，早上一开 AI 晚上才关，我认为能不能持续跟 AI 工作 4 个小时，是判断一个人跟 AI 关系深不深的一个挺重要的指标。我还问了大家有没有用过小龙虾这样的智能体产品、有没有开始用办公智能体、会不会用 AI 编程做项目——这几年这几个问题的举手结果，跟前两年比，差距已经特别大了。

今天的 AI 已经像水电煤一样，早上打开晚上才关——你跟 AI 连续工作有没有超过 4 个小时，是判断这段关系深不深的一个挺重要的指标。

代理商卖不动，身边人却天天问AI 落地的两种真实处境

今年年后我有一个很深的感受，叫做“冰火两重天”。最靠近 AI 的那群人，觉得发展已经远远超出预期——前段时间几家大模型公司的 CEO 都在说，要不要联合起来定一下 AI 发展的节奏，因为模型已经进入到能自己做研究、自己迭代自己的阶段。国外新一代模型发布之后，业内说 AGI 时代已经到来了，我们自己体验下来，AI 已经能在电脑上自己操作、自己验收、自己评判，任务时长在拉长，越来越像我们人在电脑前办公。但另一边，AI 落地的很多应用又不是那么理想：我有一个朋友代理一款企业智能体产品，他说这东西很难卖，有一个礼拜接连有三四个朋友来问我“这几年我该怎么落地 AI”。他们都说体验下来已经很好用了，用户体验跟微信一样顺，但就是用不起来。

后来我想明白了：AI 跟过去的技术有一个最大的区别——它是一种新的生产力，像一张空白的纸，纸上能画出什么，取决于用的人跨不跨得过那道心理门槛。今年三月份有一个全球调研，每一个点代表 320 万人：绿色是用了免费 AI 的人，黄色是为 AI 付过费的人，红色是用 AI 编程开发过项目的人。全世界范围内，深度使用 AI 的人可能也就一千万左右，占比还不到 1%。我们上这门课，就是希望把这个深度往前再拉一拉。

AI 今年发生的最大变化，是三个能力开始拼到了一起：编程能力已经强到“你许个愿、把事情讲清楚，它就能做出来，再拿回来给你验收”；skill 这个东西开始成熟——它有点像一份写清楚了操作细节的说明书，AI 读了就知道该怎么做，相当于人类又开始给 AI 供给新的技能；再加上把 AI 能力装进即时通讯工具的这一类智能体产品，一下子把 AI 接入了每个人的真实生活。这三者叠在一起，才是“AI 能力调度的智能体”真正成熟的这一年。

AI 工厂把 AI 当成超级工程来建设

那 AI 时代最大的价值，应该把它放到哪里才最高？我理解是这样的：把 AI 当成一个超级工程，就像老板管一座工厂——工厂建好了，拉足马力生产什么，决定了它的回报率。这几年最先跑起来的，是短剧、饰品这类已经很成熟的商业生态，因为 AI 特别适合高质量、自动化地批量生产内容，这里的投资回报最直接。也有人在做更大的事：有一位从大厂出来创业的科学家，在做“科学研究的 AI 工厂”——把要攻克的问题丢给 AI 做大规模的暴力计算和仿真，让算力去把可能性都跑一遍。

那这个“AI 工厂”该由谁来投资建设？我自己纠结过这个问题。这几年跟企业打交道最多的是 IT 部门，因为大家下意识觉得人工智能是个新的 IT 技术。但 IT 采购的是固定版本的软件，AI 更像一个千人千面的实习生，进了企业该怎么摆位置，已经不是一个简单的 IT 问题了。我跟一家上市公司合作的时候，跟他们 IT 部门对接了大半年，双方都憋了一肚子火；后来我建议干脆换成 HR 部门对接、预算从人力资源出——把 AI 当成人力资本的投入，而不是 IT 支出，他们老板一听就想通了：先赋能员工，再把 AI 的产出算作人力资本。AI 时代最具价值的人，是既懂业务又能整合 AI 技术的“新型产品型工程师”——这两年有一个新词叫 FDE（前沿部署工程师），最早是一家美国军方合作的 AI 公司发现产品总是落不了地，干脆派人常驻客户现场，帮客户把真实价值挖出来、边施工边交付。今年国内很多企业发现 AI 落地不了，才反应过来：“哦，原来这个岗位早就有了。”

我给一位企业总经理装了一个智能体产品，配了一个我自己训练的炒股 skill，他一下子就聊上瘾了，还能拿自己炒股的心得反过来微调。后来他跟全公司开会时说了一句话我觉得总结得特别到位：先把 AI 当徒弟，我们教它；再把 AI 当师傅，它开始教我们。这才是人和 AI 共同工作该有的样子。

课堂小辩论年轻人的钱包，老专家的判断

我在课堂上问过大家一个问题：AI 时代，“小登”（年轻人）和“老登”（老专家）谁更占优势？有同学说是小登，因为他们是 AI 原生的一代；也有同学马上补了一句——但小登常常没钱，威力发挥不出来。也有同学说是老登，因为每个阶层的需求，年长的人理解得更深刻。我自己这几年的感受也印证了这一点：我刚开始做 AI 的时候，投资人都觉得未来是零零后的天下，我算是“中等”；但今年再看，感觉是插上了翅膀。前两天几位教授朋友开玩笑，说不如搞一个“K60 俱乐部”——老登们一起学 AI 的俱乐部。

美国有一家投资机构的播客里提过一个说法，叫“老登的时代到了”：人类智能分流体智能和晶体智能，年轻人脑子转得快是流体智能，互联网时代变化快，抓机会靠的正是这个，扎克伯格、年轻时候的乔布斯和比尔盖茨都是这一类；而老专家积累的是晶体智能——认知经验和判断，过去要靠雇很多人才能把想法落地，今天一台电脑、一个两百美金的 AI 账号，抵得上一支几十人的开发团队。只要老专家愿意跨过那道心理门槛，就有点“起飞”的感觉了。

熬夜熬出的资本家感觉年轻人快，老专家深，真正稀缺的是两者都懂的人

今年我明显感觉到，开始熬夜跟 AI 工作的这波人，都处在一种亢奋的状态里——这大概是我这些年熬夜熬得最多的半年。我给那位总经理装上智能体之后，他也开始熬夜了；我自己家里，我爱人去年还在为“AI 发展这么快我却用不起来”而焦虑，充了钱开始用之后，慢慢变成了我催她早点睡。她跟我说的一句话我印象很深：人第一次有了一种“资本家压榨员工”的感觉——两三点钟把 AI 拎出来使劲干活，多睡一个小时都觉得是亏的。所以我告诉团队，一个人如果一个月在 AI 上花不到 200 美金，我认为他大概率不是这个时代原生的人才，迟早要被淘汰。

但年轻人也不是天然就会用。我们去年有一位实习生，AI 用得极溜，布置给他的工作流程他几乎立刻就能搭出来，我后来才知道他大学时候学校就开过 AI 课。我让他回去教师弟师妹，也帮几个企业客户的员工做培训，结果发现同样的方法教出来，效果完全不一样——这才让我看清一个巨大的鸿沟：学校里的这批“AI 用得很溜的菜鸟”，最大的问题是纸上谈兵，AI 做出来的东西很漂亮，但他们不理解真实的业务和产品需求，没人给反馈矫正，就很难往深里做；而企业里的老专家，上有老下有小，没时间自学，哪怕学过了也容易被惯性拉回旧的工作流程，还常常带着一种怕被 AI 替代的恐惧。这两类人中间，恰恰空出了一大块——既能挖掘业务知识、又能把新的 AI 技术整合成产品的人，才是这个时代真正稀缺的人。

老专家加上 AI 的威力，无比大于菜鸟加 AI——年轻人学得快，但没钱、也没有沉在业务里两三年才能攒出来的判断。

工具、参谋、探索未知的未知三层价值，一层比一层深

这几年攒下来，我认为 AI 的价值大概分三层。第一层，也是今天已经普遍能体会到的：用 AI 做数字化工具，给自己提效。这是这次训练营希望每个人都先掌握的能力，至于产出的工具将来给不给公司用，是另外一回事。第二层，对企业和个人来说，AI 更大的价值不是提效，而是帮我们做认知、决策和判断——不管是家庭问题、企业问题，还是教小朋友，用好 AI，它就是一个能给出参考意见的高级参谋。第三层，我把它定义成探索未知的未知：人成长的过程本质上是不断向外探索新的东西，只要保持好奇心，AI 能带你探索的边界，比想象中大得多。我教一个小朋友用 AI 的时候，他瞪着我说“老师我要跟它聊什么”，我告诉他，你就直接说“我是五年级的小朋友，我不知道这个该怎么用”——把自己的“不知道”告诉 AI，它反而会引导你。这一刻我意识到，教育里一个很大的问题，是我们总要求孩子“要有一个明确的问题”，但很多时候，孩子恰恰不知道要怎么开口。

模型、思维链、上下文AI 到底在做一件什么事

顺带做个科普：人工智能，字面意思已经说清楚了——人类用计算机去模拟我们的智能行为，听说读写、感知、判断都是智能的一种，AI 科学家做的事情，本质上是用算法把数据变成模型，让模型帮人去做判断。这两年最出圈的一个机制叫思维推理链：AI 接到问题之后，会先自己理解意图、不断推理，再给出结论。但正因为 AI 会有幻觉，给出的结论不一定是你想要的，人为了驾驭它，必须有自己的理解和判断——这也是为什么现在都在提“后强化学习”：人给 AI 反馈，AI 拿回去再学，会越学越聪明。所以这两年大家说的提示词，慢慢变成了“上下文”：从今天开始，把自己业务里的录音、经验都积累下来，你能给 AI 的上下文越完整，它推理出来的东西就越贴近你真正想要的。今天 AI 真正的卡点，其实已经不在生成，而在人能不能验收——AI 能批量生产内容，但判断这些产出对不对、好不好，最后还是要落回到人的经验上。

技术推、市场拉产品夹在中间，负责整合

我们最后还有一点时间，我把 AI 产品跟选题的这套方法给大家讲一下。产品能力，我认为是 AI 时代非常重要的一个点。产品这件事跟工程师不一样——技术的力量是推动这个世界变化的，比如今天 AI 底层的技术一变，就会涌现出很多应用的可能性；市场的力量是拉着整个产品跟着需求的变化走，因为它是围绕人的需求来的，所以做业务的人能很快感受到市场的变化，但有时候会缺一个东西。

我读书的时候，老师讲产品，打过一个比方：做产品做设计的人，跟厨师是差不多的。东北一锅炖怎么炖？你总得自己挑一点材料，酱油不是你酿的，萝卜不是你种的，大米也不是你种的，但你只要把它炖得好，端出去，这道菜就是你烧的。产品的过程本质上就是整合各个部件、整合各种事情，把它做得有边界。做产品有不同的出身路径——有人是技术背景，有人是专门做产品的，有人是市场背景的，AI 时代这几种能力最好都要具备。职场也在发生变化，对综合性的要求越来越高了：以前没有 AI 的时候，要求你专业；今天 AI 能把很多专业的事情做好，它对人的要求就变成了综合，就是东北一锅炖，把它炖到一起去。我们比较幸运的一点是，从第一天开始学的就是怎么做产品，老师一直在强调产品化的这个思维——这个能力，在这个时代显得格外重要，能把几者融合到一起，又赶上技术带来大突破的这个变化。

从送信到 UPS车便宜了之后，诞生的不只是一家物流公司

一百多年前，几个年轻人在美国西雅图，用一百美金开始创业，做了一家公司。最早做什么呢？骑自行车帮西雅图的人送信。送着送着，有了摩托车，他们就买了摩托车；后来有了电报，送信的人就少了，他们就用摩托车帮别人送其他东西。再送着送着，到 1919 年，福特把 T 型车做得很便宜的时候，他们就买了福特的车，能帮别人送更多东西，业务也从西雅图扩到了加州。这家公司，就是现在全球最大的物流公司，UPS。

我拿这个例子做比喻：今天的大模型，就有点像福特造的廉价车——把一个过去非常贵的供给变得廉价了。变廉价之后，很多人会坐车；而这个技术带来的商业生态，也会催生出各种应用的变化。我问大家：有了福特汽车之后，除了 UPS，还诞生了哪些影响我们今天生活的东西？有同学说，车便宜了，有人拿车送快递，就有了今天的 UPS；还有同学说，有了旅游、有了外卖。我说，那再想想，还有呢？有同学说，那就有了修路。修完路之后呢？还有车的金融——所以大家说，美国是一个跑在轮子上面的国家。

今天的大模型，把一个过去非常贵的供给变得廉价了——变廉价之后，会发生一系列怎么样的变化？

为什么要举这个例子？我建议大家把这个故事讲给豆包，让它去推理：今天大模型就像福特的廉价车，会发生一系列怎么样的变化。有车之后，供给方要配套，就像今天大模型要配机房。仔细去看，为什么是麦当劳？因为美国有了全国公路网络之后，对标准餐饮就有了需求——麦当劳兄弟开了一家汽车餐馆，生意比别人都好，就是因为做了快速标准的餐饮；后来有人把它收购了，开到了全世界，还有 7-Eleven。沃尔玛没有之前，美国最大的商业公司是一家有点像中国邮政的公司，靠铁路把东西部的物资运来运去；但有了汽车，再加上通用电气造了很多冰箱洗衣机，大家发现可以一个礼拜去超市买完一堆东西运回家存起来，对“多快好省”就有了需求。刚说的旅游，就带来了租车、汽车旅馆、假日酒店。所以今天大模型带来的变化，会远远超出我们的想象。还有一家公司叫西尔斯——蒸汽机作为一个生产力工具，带来的就是这样的蝴蝶效应，今天的大模型也站在同一个位置上。

从物质边界到认知产品AI 时代最小的产品单元，是一个智能体

产品跟应用在发生巨大的变化。我们今天理解的很多 AI 产品，还是围绕模型做的一层壳；真正的 AI 应用，是要跟社会组织、业务结合到一起，长出很多新的可能。这几年大家做 AI 产品做得挺多，但真正用得好的，是把 AI 变成了各种各样的业务本身——就像我提过的台州一位朋友的企业，已经不是简单用一两个 AI 产品了，而是用整个 AI 能力在重构自己的业务：它未来本质上是一种 AI 时代长出来的、既有工业属性、又有互联网电商属性、又有 AI 属性的新组织和新业态。

所以 AI 产品跟过去的产品，有一个范式上的巨大变化。以前说起产品，工厂老板理解的产品就是“把这个东西给我造出来”——这是工业时代的产品，以物质为边界，具备规模化生产的能力；工业时代也有好莱坞这种用工业流水线做内容的生产方式。我们刚经历过去二十年互联网的快速发展，动不动就是什么平台、什么 APP、什么网站，它更像一个数字化的产品——真正在互联网时代做得好的数字化产品，有一个特点：它能广泛连接更多用户，有多边平台的效应，因为互联网就像一张网，要把各种信息链接到一起。

那 AI 时代当中，产品最重要的特点是什么？我把它比喻成：AI 是一个认知产品。就像我今天早上讲的，如果你是一个销售专家，把你的专家方法 AI 化，本质上你就做出了一个 AI 时代的智能体和产品。未来可能会出现智能体的平台、智能体的分发。但 AI 时代产品最小的单元，跟工业时代那种“一个物体的产品”不一样——AI 时代最小的产品，就是一个带有专家知识的智能体。前几年有人叫它小模型，有人叫它智能体，叫法都无所谓，最关键的是：能不能把你的认知方法，分装成一个可以被别人调用的能力接口。

举个例子：你用 AI 编程做了一个番茄闹钟提醒你，那你只是用 AI 编程的能力做了一个工具，番茄闹钟是个工具；但如果这个番茄闹钟能感知你时间的规律，知道什么时候该提醒、什么时候不该提醒，你把这套规则做进去，它本质上就变成了一个能理解你意图、理解你需求的认知模型。所以我们不该只是用 AI 做数字化工具——这当然很好，但在数字化工具的基础上，再把它变成一个认知的智能体，它的价值才会更高。我们后面的选题，也尽可能往原生 AI 产品的方向去做。

五个理由商品化、参与决策、快消化、压缩复杂性、吞噬组织

AI 的能力在两方面挤压我们，所以产品能力在这个时代变得特别重要。第一，技术高度商品化——我们每个人只要花 20 块钱，就能用到最好的东西，原来想获得这样的能力，得建多大的研发团队？这是大模型厂商卷了之后带来的结果。第二，AI 时代第一次让产品参与决策——因为 AI 产品本身就带有认知和决策的成分，你的产品天然具备参与决策的能力，产品能力就成了技术和市场之间快速中转的关键点。第三，产品快消化：这个时代很多 AI 产品会变得像消耗品一样，生命周期可能只有一段时间，用户可能只有几个人，但没关系，因为实现它的成本已经变得更低了。

第四，是压缩复杂性的能力。刚刚有个朋友跟我说，他招了一个员工，员工给了他 65 个方案，他很恼火，说你能不能告诉我你自己的判断和决策是什么——这就是 AI 时代很重要的特点：给老板一下子甩出 100 个方案，他直接看不懂就丢掉了。AI 出方案太容易了，但你要把 AI 的方案变成你真实有价值的判断，这叫压缩复杂性，非常重要——你得把自己的很多规则写成算法放进产品里，才能解决复杂性压缩的问题。第五，今天的 AI 产品在企业组织里，是会吞噬组织能力的——原来可能要四五个人才能形成的组织流程能力，今天一个智能体就会吃掉其中一部分人的工作环节。这几件事组合到一起，“做 AI 产品”正在变成一件人人都该会的事，就像会做 PPT 一样，会成为所有职场人办公非常重要的一个点。

五个板块设计思维、认知产品、可视化、动态匹配、讲故事

接下来几天，我们会结合大家自己业务场景里的场景来做选题。我做了两个工具：一个叫场景识别，我已经把它做成了提示词，自己做了一个网站，把想法提交上去，它会基于一套方法论来做评估；另一个是价值评估——立项值不值得，是不是一个好产品，值不值得投入资源。用法是：先用第一套提示词挖掘场景，AI 给你一套方案之后，你把自己的理解打磨进去，再用第二套提示词让它评估打分，最后由人来做决策和判断——这是项目立项里比较重要的一环。

后面几天，不同的老师会讲不同的板块，我们把整个产品开发的周期，通过这几个板块串到一起：第一是设计思维——设计师要有敏锐的洞察、同理心和可视化的能力，这讲究的是人的能力，我们每个人在 AI 时代做产品，都要具备这个基础。第二是今天早上重点讲的认知产品——AI 产品最大的变化，是它不再是一个简单的 APP 或工具，而是一个认知工程的产品，它会像人会有情绪一样有波动，技术也在迭代，所以要动态地看产品的生命周期管理，起得快、下得也快，不像工业时代搞好一条流水线能用十年二十年——波动快，就要去判断什么时候投入、什么时候算回报、什么时候止损。第三是怎么把一个产品想法模块化、可视化出来。第四是dPMF 动态匹配——怎么匹配市场需求、看增长规模，测你的产品有没有做对它的使用率和留存率，这是互联网时代留下来的产品市场匹配方法，AI 时代这个匹配要变成动态的。第五，是最后一堂课要讲的，怎么把做完的东西用一个好故事呈现出来——这也是几个模板和提示词，我会放到最后一天讲。

我们这个训练营，基本上就是围绕这几个专业方法，构成五天的工作量。今天我讲得多一点，后面的老师会讲一半、做一半——因为AI 时代不需要讲那么多，更多是去实战、去用，在做的过程中不断学，可能会更有效果。好，我今天早上的课就上到这里，下午我们进入实战环节。

软柿子场景先挑一个好切的场景，别硬啃

下午我们进了小组讨论，第一件事是挖场景。我提醒大家，AI 今天有点像万金油，理论上人力能碰到的场景它都能碰，但不是所有场景都值得先做——如果一个场景是颗“软柿子”，通常具备几个条件：有人在反复做同样的决策和判断；这件事费时费力，卡住了不少人；而且已经有足够多的经验或数据，能让 AI 做出符合人的判断质量的东西来。评估完场景，大概会落在几类：价值高、可行度也高的，是“快赢型样板”，适合新手先切进去，快速拿到反馈；价值高但链路长、可行性一般的，适合长期做；可行度高但价值一般的，练练手也无妨。

选完场景动手之前，我给大家分享了自己这几年跟 AI 沟通下来的几个心得，核心就一条：别着急开发，先把事情跟它聊透。把自己当领导，正着反着各种角度去跟 AI 讨论一件事的边界和步骤，聊透了之后，再让它把讨论内容整理成一份上下文文档，交给“开发”去做——这比一上来就让它写、写出来一堆不一定对的东西要靠谱得多。

往期的样子一个新手工作台，一套简历初筛

我也给大家看了几个往期学员做出来的东西。有一位学员是刚入职不久的客户经理，把自己的岗位手册、产品资料、报价模板这些平时要东问西问的东西整理到了一起，做成了一个给新人用的“工作台”——我跟他说，这其实就是给同批新人用的标准化产品，把它做成账号体系、产品库、工作流程库，谁来了都能直接用。还有一位学员做了通讯行业的简历初筛：简历进来，AI 按行业特有的标准打分、出评估报告，比通用的筛选工具更贴业务，他后来还把这套东西演示给了省公司的人力资源部门。这两个都是从自己每天在做的事情里长出来的，也是我最想让大家在这五天里学会的那种“软柿子”。谢谢大家。