AI发展至今，大家的感觉都好像是比较顺利，参数增加，性能增强。但作者的认知里，AI前面还有三重劫难，这些劫数每迈过去一个，就会出现一个新的经济空间。
大家对AI的态度有点从一腔热血向拔剑四顾心茫然转换的意思。
比如朱啸虎在谈到大模型的时候，这么说：
5年以后根本就没有单独大模型公司，只有应用公司或者云服务公司。云服务公司免费提供大模型这样的接口。它是基础服务，基础服务一定会和云在一起。
有的文章则认为国内存在着ToB和ToC路线的争论，也分别从两方面做了分析和计算。
实际上大厂还是独立公司，ToB还是ToC这种思考模式是危险的。在上个时代的模式里做思考，最终得到的可能都是死路。和微软非把Windows整成手机操作系统，然后被安卓打个满地找牙差不多。
AI的问题可以简化下，摆在眼前的是明显的三重劫数，过去才能成仙，过不去可能也死不了，但就得熬着了。
看各种测试结果，GPT4不是已经可用了么？AlphaGo不是很早以前就碾压人类了么？为什么智能还是不够？
这问题只能回到乔布斯的视角才能回答：从用户回看技术，而不是从技术看到底可能怎么用。
这种用户视角还可以简化：取代人和和过去的程序是AI最直观的价值，每个用户也都需要。
取代人的第一步要考虑能覆盖那些角色。
现在的主要进展是让优秀的人更优秀，取代其它的人。（Copilot）
再进一步则是完整的取代某个角色，AI独立运转，不需要人的介入。（Autopilot）
以公司为例大概这样：
取代程序的第一步则是以人的角色为中心像RPA那样调度别的软件产品。
第二步则是折叠掉现在产品中冗余的UI、账户体系、权限系统、统计功能等等。如果觉得这个不好理解，可以想象下CRM、HRM等系统中有多少部分其实重复的，是因为不同供应商，不同角色而导致的人为分割。要知道这些分割只是因为分工是这样，是向现实的折中，但其实是降低效率的。
从上面两个落地角度看，按照不同的角色进行评估，就会发现现在的模型的智能是不足的。《图灵测试2.0》这篇文章中提到了一个简单的测试案例。类似的思路可以拓展到N个角色和不同的模型上。
这种情况就需要一次类似CNN到GPT的跳越，不是chatGPT到Sora的那种进展，而是让现在的智能再有一次跃迁。
这点上和朱啸虎提到的核心看GPT5什么时候出来其实是一个意思。
这个部分能上台阶，那模型自己订阅收入会增加，潜在的影响空间也会变大。即使跃上一个台阶，如果没有新型应用的崛起，参照过去所想象的ToB，ToC的商业模式就都还是死路。
AI如果不被用来做过去没做过的应用，而是纠结在过去的模式里面，那是没出路的。
基于模型提供API做调用，就不是SaaS/PaaS了么？
上一波AI做解决方案收支不平衡，换成大模型模型收支就平衡了么？
SaaS不成立和解决方案支撑不了AI公司商业闭环是因为技术不好么？
如果不是，单纯的换一组技术名词来老的模式，为什么突然就可以了。如果不可以，那ToB就不行。
从C端角度看，超级应用把入口卡的严丝合缝。你基于AI新做个助手，解决什么新问题，单纯聚合别人的内容，那豆包还能聚合抖音，你凭什么聚合？原有的这些APP从IM到电商到支付，那个是AI能颠覆的？
所以ToC没戏。
这导致了分裂，大家各自选边，但其实选也白选。怎么看也是死路一条。
实际上不是这样，核心和视角有关。把坦克看成能移动的大炮，是看不到闪电战的。
跳到历史上做类比，就是不管多少朝代、换多少个宰相，在钱穆先生《历代政治得失》的框子里，该发明不了蒸汽机还是发明不了（孔子到清末差不多2400年，黑暗中世纪出来到蒸汽机发明大概不到300年）。
AI Native应用(智能原生应用)第一依赖固然是需要模型本身往上跳越一下，更需要一种新的思维方式、新的方法论、新的计量方式。觉得像做网页一样就能整出智能原生应用的思路下，估计就和几千年也倒腾不出蒸汽机差不多。
思维本身限定视野，限定视野就会导致视而不见。
我们还是回到最容易理解的替代人和软件这个最容易理解的视角思考智能原生应用，看下这个视角下的新生产力、生产关系工具。
这种智能原生应用有没有APP等不关键，关键的是能否在复杂环境中完整覆盖一个角色。
角色的边界和AI的智能是能互换的。互换是指如果智能不够，那角色的边界就小一点，也能对付用。
从这个角度能看到什么呢？
比如ToB端，在公司里面是能不能完整替代招聘、运维、财务、市场等岗位？能不能让整个公司进入自动驾驶状态？在行业里面是通用模型+Agent/垂直模型+Agent能不能顶替律师/医生/制药科学家等等？
比如ToC端，能不能扮演妈妈/教师/恋人/有故事线的NPC（西部世界）？
每一个应用做到深处都是过去不能做的，都是蓝海，现在基本都没有。
这时候商业模式中计量方式和过去是不一样的，比如扮演恋人的产品，不适合用互联网的DAU，ARPU值那类算转化率的后端变现思路。更适合是类比角色的雇佣费用，雇佣费用应该按照角色的服务价值来，所以之前文章总说这地儿应该换一套计量方法，比如Value Per Role。
这类角色价值内涵会和对应角色的智能密度有关系。从服务价值角度看老师显然高于单纯的像妈妈一样讲故事。
这些角色一成立，原来的各种功能就会向这些角色中归并，他们因为挖的深，所以有更大的粘度，而归并本身则会增加这种角色的价值和使用粘度。
远不是能做出上面说的智能原生应用就可以做出具身机器人。
扩展到具体硬件和机械的通用多模态机器人其难度恐怕比纯粹数字或者硬件的智能原生应用要高十倍不止。
虽然好像有了智能原生应用只是套个壳就变成了具身机器人，但实际肯定不是。
最明显的当然是身体（硬件、机械等）在真实环境下面对的挑战。不说别的，你戴耳机在外面跑步，你说话对面人类都不一定能听清楚。人听不清楚可以猜，机器人怎么面对真实环境的干扰 ，并且在干扰的前提下保证感知精准。否则不没法用么？
其次才是算法。
这种机器人面对的环境比智能原生应用复杂，是真正的整个物理世界+数字世界，但它背后的潜在算力低于云上大模型的。如果Scaling Law是对的。那这好像不可能，至少需要一套新思路和新模型。
这个劫数一过，AI就真成为人类最后的发明了。
科技哲学家的各种幻想，只有到这步才能真的成为现实。
这种机器人一出，人的体力彻底失去经济价值。
之前北大采访活动的时候，接着侯宏老师说的不应该把人和AI看成一个零和博弈，我表达了另外一种脑洞型观点：
如果说经济是要持续每年提高5%，那大概有办法的，但也就到头了。但如果经济总量要短期提高100倍，那现有方法及失灵了。问题就在于百分之五的增速可能所有资源耗尽也造不出戴森球。这时候就需要这种强人工智能。
通用机器人真做出来的话，我们整个经济体系可能会发生本质性变化。比如现在是批量生产，然后零售。而如果有通用机器人，那差不多所有行业都可以，按需生产。用户参与产品设计，然后生产制造，然后发货。
这些劫数每迈过去一个，就会出现一个新的经济空间，如果拿OpenAI的每年36亿美元做基数，那迈过去一个可能就扩10倍；迈不过倒也不是没事干，毕竟基于GPT-4类似的智能很多事可以尝试了，但就得缩减角色的边界。这时候就得不停的在一个水平震荡，很痛苦的。
在这么个混沌的时候其实没有什么更好办法来斩开混沌，只能多看案例，同步思考底层逻辑，最后把把底层逻辑思考所得迁移到自己的场景。这就是为什么AI碰撞局的口号是：现场问题、底层逻辑，案例和底层逻辑是可以通过其它方式缩短的，最后一步则只能靠自己。
专栏作家
琢磨事，微信公众号：琢磨事，人人都是产品经理专栏作家。声智科技副总裁。著有《终极复制：人工智能将如何推动社会巨变》、《完美软件开发：方法与逻辑》、《互联网+时代的7个引爆点》等书。
本文原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自 Unsplash，基于 CC0 协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。