生成式AI现在在各个行业都得到了广泛的应用，但不是说所有的场景都适合用AI来替代。本文分享了AI产品在不同场景下的使用方式，供大家参考。

随着DeepSeek的出圈，AI再次在工业界掀起一场商战。许多创业公司都在琢磨怎么让AI落地做出些有趣的东西，我自己也想做一些AI项目来玩玩。但动不动就说要做一个自己的大模型是愚蠢的，研发一个自然语言大模型，无论是前期的数据准备还是训练的算力消耗，成本都是巨大的，要训练参数规模在1.8万亿左右的GPT-4，需要训练数据13万亿，一次训练的成本大概是6300万美元，听着心里差不多也有个数就行。

所以在做AI应用之前要明确AI落地的依赖（数据、算力、模型、人工经验），要认识到人工智能的优势与局限——AI擅长“数据海量”、“流程清晰”的任务，而不擅长数据不足、流程模糊或者算力不足、需要大量常识或主观判断的任务。

比如当前AI的优势在感知、预测、关联分析以及根据数据快速迭代学习的领域比较突出，分别举例应用场景：自动驾驶、金融风控、推荐系统、强化学习。

但以下几个场景就不适合AI来掺和：罕见病诊断、新市场预测（数据不足），企业战略规划与管理决策、创意产品开发（流程模糊），大规模物理仿真、实时视频处理与增强现实应用（算力不足），法律咨询与案件分析、心理咨询与辅导服务、金融风控审核贷款人的人品或者情绪状态（需要大量常识与主观判断）等等。

做完排除法之后，我们需要结合自身能力点去判断是“人工智能+行业”还是“行业+人工智能”。我是人工智能专业，我在思考和什么领域结合能产生有趣的人工智能产品，那么我在考虑的就是“人工智能+行业”，我需要解决找一个适合AI加入的场景问题；我的朋友是服装设计专业，她在思考怎么把服装从生产打板到上架拍宣传照这一系列工作都交给AI来做，那么她考虑的就是“行业+人工智能”，她需要突破的就是AI技术难题。

在这里给到“行业+人工智能”的建议是：先通过集成或者使用开源模型微调的方式将产品技术框架构建起来、推向市场，同时沉淀场景的数据和用户的使用反馈，以低成本验证数据和训练的有效性，毕竟我们的目标是把事儿办成，而不是做一个大模型。“人工智能+行业”的话需要有交叉学科的能力，这个后续再单开一篇文章和大家好好聊聊有什么可选择的行业与适合AI落地的场景。

在做AI应用时一定要有“人工智能思维”。与互联网产品一对比就可以很清晰地看到两个时代将会有什么不同。

• 互联网时代时“连接产生数据”，人工智能则是“数据产生智能”。人工智能是数据“喂”出来的，人工智能落地效果的平静就在于“它只会和你的训练数据一样好”，如果数据不完整，那么人工智能所学到的只是和数据之间的关联也是不完整的。
• 互联网强调“用户思维”，人工智能强调“数据”思维。互联网产品在设计时，关注的是如何满足“用户”在某个场景下的需求，如何走通整个使用场景的流程；而人工智能思维以数据为核心和原材料，目的时提高信息匹配效率，降低使用、决策成本。人工智能所做的事情，是在当下的应用场景提高效率（速度、质量、成本）。
• 互联网产品强调敏捷开发、快速迭代，人工智能产品在方案上更关注整体性和鲁棒性。有一定比例的人工智能产品是对原有解决方案的升级或者替代，比如Cursor（AI自然语言编程助手，可以一键部署、修改bug可以体验到高效的编程一条龙服务）。AI产品必须尽量覆盖所有已知的意外场景，否则数据缺失时它就会表现得像人工智障，AI产品的容错率是很低的，因为它会大幅降低产品体验，所以互联网产品的最小化可行产品（MVP）、单点功能验证产品这一套逻辑在AI产品方案上是不成立的。

所以，有了思维，有了场景选择，应该具体如何落地一个AI产品呢？

首先，要能确保有规范的数据可以使得AI构建起行业知识，并且有可以构建AI模型的硬件（CPU、GPU、内存、硬盘）。

1. 确定场景的AI接入点：拆分大任务找到AI需要完成的具体小任务，明确AI模型的输入和输出并明确使用条件和限制。
2. 确定AI产品与用户的交互方式和使用流程：输入输出是多模态的，输入输出是文字、图片、语音或者视频，模型的整个训练过程都是不一样的，一定要先定好输入输出以防后续训练一切重来。
3. 收集并处理构建模型所需要的数据：数据采集往往是很难的，自建或者用GitHub、Kaggle等平台的数据集都可以，但一定要保证数据集的数量和质量以及均衡性，然后进行数据预处理以及特征工程。
4. 选择合适的算法进行模型训练
5. 实施并部署人工智能系统：要设置监控或者预警模块，进行异常情况检查、制定备用系统，进行正确性验证（A/B测试）、性能验证

最后提供几个适合AI落地的场景供大家参考，预祝大家都能做出有趣的AI产品。

1. AI艺术与创意工具

场景描述：创建能够辅助艺术家或设计师创作的艺术生成工具，如风格迁移、图像生成（GANs）、音乐生成等。

价值点：这类项目不仅展示了技术的创造力，还能吸引对技术和艺术交叉感兴趣的社区。

示例：DeepArt和Prisma都是将用户的照片转换为不同艺术风格的例子。你可以尝试构建自己的风格迁移应用或者探索其他形式的艺术生成。

2. 个性化教育助手

场景描述：开发针对特定学科或技能的学习助手，比如语言学习、编程指导等，利用自然语言处理和机器学习来提供个性化的反馈和支持。

价值点：有助于解决教育资源分配不均的问题，并且可以根据用户的进度调整教学内容。

示例：Duolingo就是一个成功的例子，它使用AI来定制化每个用户的语言学习路径。

3. 基于语音的应用

场景描述：创建基于语音交互的应用程序，例如智能语音助手、播客生成器（如NotebookLM）或者是语音驱动的游戏。

价值点：随着语音识别技术的进步，这样的应用可以提供全新的用户体验，并且非常适合独立开发者快速迭代原型。

示例：你可能会受到NotebookLM的启发，开发一款能将文本转化为有声读物的应用24。

4. 社交媒体分析工具

场景描述：设计用于社交媒体的情感分析工具，帮助企业了解公众对其品牌的态度，或者帮助个人追踪社交网络上的趋势。

价值点：可以帮助企业更好地理解市场情绪，同时也能让个人开发者接触到大规模的数据集进行实验。

示例：Buffer和Hootsuite等平台提供的分析工具就是很好的参考案例。

5. 游戏AI开发

场景描述：在视频游戏中实现更加智能的NPC（非玩家角色），或是开发完全由AI驱动的小型游戏。

价值点：游戏是展示AI潜力的理想领域，尤其是当你想要挑战自我并创造独特的互动体验时。

示例：《黑魂》系列中的敌人行为模式就展示了如何在游戏中运用复杂的AI算法来提升游戏性。

6. 环境监测与保护

场景描述：使用无人机、传感器数据结合AI来进行环境监测，比如森林火灾预警、野生动物保护等。

价值点：不仅能为社会做出贡献，还可以探索新兴的技术领域，如边缘计算和物联网。

示例：一些研究机构已经开始利用AI来监测亚马逊雨林的变化情况