本文从经济学视角下的产品概念出发，分析了 GenAI 技术在信息商品经济中产生的影响及其对应的产品市场空间，并以此分析了新的大产品可能的实现路径，进而对 GenAI 时代所面临的产品范式转移问题进行分析推演，结合这两项分析，文章对 GenAI 大产品的载体——「AI-Native 产品」的概念、特点、类别等问题进行了介绍，并最终引出了 AI-Native 产品的一种可能信仰——「产品智能主义」
云服务厂商 Cloudflare 2023年12月发布了名为《From Google to Generative AI: ranking top Internet services in 2023》的报告[1]，报告使用了一种更加综合的方式（并非只考虑流量）来评价全球互联网产品/服务的受欢迎程度。
根据该报告，以 OpenAI 为代表的 GenAI 产品在2023年内展现了令人瞩目的进展：
而如果仅根据流量计算，GenAI 产品的整体排名将更加靠前（比如，根据 similarweb 的统计，openai.com 在2023年12月内的用户访问量为15.8亿，全球排名25），剔除媒体和市场因素，GenAI 产品在其出现的第一年，已经事实上成为了全球互联网产品中占据一定位置的新势力。
虽然「头部产品增长见顶」、「新场景落地困难」、「商业模式未被验证」等问题依然存在，但我们相信这些都是「术」层面可解的，当 GenAI 将作为先进生产力并代表下一代产品的发展方向 已经形成广泛共识时，更值得认真思考的顶层问题是 GenAI 技术是否、如何、以及何时带我进入继 PC 互联网、移动互联网之后的全新时代。
而这也是本文将试图推演和探讨的主题：AI-Native 及其所带来的新的大产品时代。
我们首先会从信息商品经济视角来厘清3个基本问题，从而方便我们做后续的推演和讨论：
产品（此处专指软件、互联网类产品）是一门显学，其定义早已被众多文章、书籍从多种维度进行过论述，我们无意对以往优秀的产品前辈们的思考提出任何挑战，而是仅从本文后续的推演需要，提供一种来自经济视角的定义，其具体表述为：
产品是对信息商品经济中一个或者多个环节优化方法的具象和延伸。
这里定义包含几个关键信息：
所以，一个成功的产品必然对应着某类信息在经济环节的某种优化方法，而优化方法的来源通常有两类：
虽然没有数据证明，但我们倾向认为一个产品所能兑现的商业价值将等同于其对信息商品经济环节优化产生的价值，所以，对任何环节产生更加本质、更加广泛的优化必然带来更高价值的产品，这会是我们评价 GenAI 产品将带来多大产品想象空间的基础。
根据上面的分析，GenAI 对信息商品经济的优化方式、程度、范围将决定其价值大小，那么以此出发我们可以继续做如下分析：
GenAI 对信息商品经济不同环节的影响：
1）生产环节：GenAI 技术对信息商品经济最为本质和深刻的影响将发生在生产环节，这种影响也会传导至分配和消费环节，具体来说：
2）分配环节：由于 GenAI 对生产环节的影响，信息商品分配环节的价值会减少甚至消失，原因在于生产端将从库存逻辑向订单逻辑变化，从「需要什么，分配什么」向「需要什么，生产什么」进行转变，这一部分在前文《LLM-Native 产品的变与不变》中已经有过相关介绍，这里不做赘述
3）消费环节：消费环节的变化主要来源于信息商品的生产方式以及生产能力的变化，具体来说：
GenAI 对信息商品类型的影响：
1）对已有信息类型的影响，即当前已经存在信息类型中，有多少能够被 GenAI 所生产，而影响程度则可以从3个维度进行评价：
2）产生新的信息商品类型，即 GenAI 带来全新的信息商品类型，虽然我们还无法想象具体的新产品会是什么样，但是通过前文的分析，我们也许可以从以下维度来思考可能会有哪些新的信息商品类型出现：
通过上述分析，我们可以看到 GenAI 作为一种底层技术创新，其对信息商品经济的影响是全面、深刻、以及革命性的，GenAI 不仅会对信息商品经济所有生产环节产生显著优化，并且孕育着创造新的信息商品类型的巨大可能，而这必将带来全新的产品时代与新的伟大产品。
这里我们讨论大产品的发展路径以及 GenAI 技术对此路径的影响。
什么是大产品：
大产品就是那些对我们的工作、生活、学习乃至社会运行产生重要影响的产品，事实上我们都生活在大产品所提供的服务中。
同样，为了下文的分析，我们从信息商品经济的视角对大产品提供一个定义：能够对某类信息商品经济的全流程产生直接影响的产品。
其主要特点为：
大产品如何产生：
一个典型的大产品其发展路径通常是：
从这个过程来看，当产品从一个「好问题」被播下种子后，其最终成长为何物是不确定的，大产品无法被设计，而是「生长」出来的，产品的前进要更多依赖产品经理的好奇心与用户反馈而非组织目标。
《为什么伟大不能被设计》一书中通过「踏脚石模型」阐述了相同的观点[2]
更适合解决不确定问题的「踏脚石模型」
GenAI 的大产品路径：
在上面分析的基础上，我们便可以来讨论 GenAI 时代的大产品了，我们从大产品的发展路径进行逐一分析。
好问题阶段：
根据上文对「GenAI 带来的新变量」讨论，我们相信 GenAI 大产品从生产环节上的优化点是：
这两类优化方式的关键点为：
PMF阶段：
对于 PMF 阶段，GenAI 大产品的显著不同是，由于算法能力成为产品的核心价值，所以除了要进行「Product Market Fit」外，我们需要同等重视「Product Model Fit」，前者决定了产品的商业模式，后者则决定了产品的技术可行性，而「Product Model Fit」的评估维度可能会有：
好产品阶段：
对于 GenAI 大产品来说，如何通过用户反馈来优化产品将被赋予新的工作任务，即用户使用行为如何成为模型训练数据。
事实上，从搜索引擎的 CTR 算法开始，用户行为数据早已被加入算法优化，但 GenAI 作为信息生产环节的巨大变革，其优化过程将跨越信息商品经济的单一环节，也就是说用户的消费环节行为数据将可以直接被用来做信息生产能力的优化，这将会是 GenAI 大产品与传统软件产品的一个显著不同。
而更进一步，LLM 的技术已经开始探索通过合成数据来进行模型能力迭代，从而实现模型效果提升的自我循环[3]，那么这又是另一个更大的故事了：
Self-Rewarding Language Models
大产品阶段：
最后是大产品阶段，在前文《LLM-Native 产品的变与不变》中提出过「用户规模马尔萨斯陷阱」这一概念，即随着产品功能的延展导致其复杂度变高从而陷入用户增长困境。
而 GenAI 产品在 LLM 能力的帮助下，将实现以更简单的产品形态来拓展产品能力，从而让：
至此，我们已经从信息商品经济的视角对 GenAI 技术对产品有哪些维度的影响、如何影响以及新的 GenAI 大产品在发展路径上会有哪些不同进行分析，从对信息商品经济各个环节的优化程度来看，GenAI 必然带来新的大产品时代，而这个新的时代将会来自于「产品范式」的革命，下面我们将讨论 GenAI 技术 带来的「产品范式」的转移 这一话题。
这一部分我们讨论 GenAI 技术带来的产品范式转移，这会是我们分析 AI-Native 概念的基础。
《科学革命的结构》一书[4]提出了「自然科学的范式」这一概念，并论证了「科学的进步来自于对旧范式的怀疑并以此产生的新范式」，这一结论同样适用于产品范畴，即：产品的革命来自于范式的转移。
类比于书中对范式的解释，我们这里将「产品的范式」定义为：
毫无疑问，伴随着信息技术和信息商品经济的发展，产品工作早已形成自己的「范式」，由于篇幅原因本文不对这些已有「产品范式」的具体内容进行展开，而是会重点讨论由于 GenAI 技术的出现，既有「产品范式」是否会出现转移、以及会发生何种转移。
「范式」的转移必然对应着新的重要变量，而通过前文的分析，我们已经说明了 GenAI 技术作为对信息商品经济产生本质影响的底层变量将如何改变产品工作，在这里我们可以进一步来分析其对「产品范式」的影响。
这里的分析的思路是：如果信息商品经济中原本存在某个不动点，而该不动点又随着 GenAI 技术的出现将发生巨大变化，那么这便会带来新的产品范式。
我们认为是这个随 GenAI 技术发生改变的不动点是：信息商品经济中的执行任务主体的形态。
具体来说：
所以，GenAI 技术的出现，将使产品范式经历从「软件范式」向「模型范式」的转移，而这种转移带来具体变化则由「软件」和「模型」的本质区别所决定：
更进一步，新的产品范式下一些可能的变化会有：
这样底层的范式迁移带来的变化将是剧烈而深刻的，对照《科学革命的结构》中科学革命的演化过程，我们相信产品工作的既有理念、理论、方法在 GenAI 时代都将面临巨大的冲击和挑战，身处其中的工作者则会经历从「发现反常」->「产生怀疑」->「新范式形成」的革命历程。
以上，我们在 GenAI 技术对信息商品经济影响的基础上，进一步对 GenAI 如何带来「产品范式」迁移这一问题进行了分析，下面我们将进入对「产品范式」转移的最终产物—— AI-Native 应用进行分析。
作为 GenAI 时代技术价值兑现的载体，「AI-Native 应用」被赋予了沉重的使命的同时也成为了市场上最火热的概念，但 AI-Native 是什么、其有何特点、如何被衡量这些关键问题却似乎并未成为共识，下面我将对这些问题提供一些观察视角。
“那么你觉得「AI-Native」的判断标准是什么”，这是笔者在和一些新朋友交流讨论时经常会提到的问题，而从实际的讨论过程来看，这个问题的答案远谈不上共识，那么我们不妨从更容易形成共识的部分——「AI-Native 不是什么」来入手。
我们可以通过技术在应用中所发挥的作用这一视角来对市面上的 AI 产品进行分类：
三种主流 AI 产品类型
从名称上就可以看出，我们并不认为上述产品是 AI-Native 的，事实上我们希望提出一种新判断视角，这种视角来自于我们上文对产品范式转移的分析，该判断视角表述为：产品是「软件范式」还是「模型范式」。
我们认为只有符合「模型范式」的产品才足够 AI-Native，而在此视角下，结合前文对「模型范式」的分析，我们将 AI-Native 产品定义为：
以提升智慧程度为目标，以可持续迭代算法为核心，以转化可训练数据为手段，并在信息商品经济的一个或多个环节中能够产生优化的某种方法。
下面我将分析这种视角下 AI-Native 产品的特点以及判断标准：
「模型范式」下的 AI-Native 产品可能会具备以下特点：
新目标
AI-Native 产品的一个显著特点是其拥有一个全新的目标，我们将其表述为：
AI-Native 产品的目标是不断增强解决某种问题的模型智慧水平
这是「软件范式」下产品工作中所不具备的目标，而这种目标的变化也会对产品各个工作环节产生连带影响。
新组织
相比于「软件范式」下组织围绕「如何提高有效代码量」进行运转，AI-Native 产品所对应的组织将基于「如何提升从数据到智慧的转化效率」而建立[5]。
新载体
我们在前文中提到过，信息商品经济的发展历程中，「软件形态」向来作为产品的核心甚至唯一载体，而 AI-Native 时代，伴随着软件成为被模型可生成、可调用的角色，产品的载体将转移到算法，而软件形态的产品功能将被赋予新的意义：模型可训练数据的获取渠道和转化器，我们相信这个新意义将成为决定产品成败的关键要素，所以在下文中会有更多分析。
以上描述并非思想实验，而是可以在 OpenAI 的组织以及 ChatGPT 等产品中得到印证：
下面我们将基于上述分析如何判断一个产品是否 AI-Native，这里提出以下三种评估维度：
产品-算法拟合度
产品-算法拟合度=算法对产品优化贡献/（算法对产品优化贡献+软件对产品优化贡献）
由于一个产品的本质是对信息商品经济的某种优化，将其与上文 AI-Native 产品的目标结合起来， 那么 AI-Native 产品所要解决的问题应该且必须能够对应到一个核心算法，核心算法智慧程度对产品优化的贡献占比越大，AI-Native 程度越高，具体来说：
可训练数据占比
可训练数据占比=能够被核心算法训练的数据量/业务总数据量
在 AI-Native 时代，产品的业务的数据收集、处理将围绕「可被核心算法训练」目标来设计，拥有更高可训练数据占比的产品的 AI-Native 程度更高，这意味着：
产品能力迭代的思想将从人工主导的「数据飞轮」向模型主导的「智慧飞轮」转变
产品能力迭代的路径从「数据收集-人工分析-产品迭代」模式转为「数据收集-算法优化-产品迭代」
功能 prompt 化率
产品功能 prompt 化率=通过 prompt 实现的功能数量/产品功能总数
对于 GenAI 技术来说，生成模型本身成为了一种计算能力，即「模型算力」，而 prompt（广义层面 prompt，泛指对 GenAI 模型的所有输入） 则是调取这种计算能力的方式，所以一个产品中通过 prompt 实现的功能占比将决定：
本节我们从信息商品经济和范式转移视角对 AI-Native 产品的定义、特点以及衡量方式问题进行了讨论，下面我们将更进一步，对 AI-Native 的产品类型进行分析
由于 AI-Native 产品是正在快速生长的新物种，我们尚未看到有人对其类型进行划分，这里我们依然从信息商品经济和 AI-Native 产品定义、特点进行分析。
我们进行分类维度的选择如下：
1）产品的经济价值角度，即产品对应问题/场景需要人类智慧的程度，智慧程度越高则产品价值越大，模型能力的成长空间也就越大，这里分为：
2）产品的使用方式角度，即产品的使用频率，使用频率越高则用户与模型的交互次数就越多，从而有更多的业务数据，这里分为：
3）产品的「智慧飞轮」角度，即业务数据向可训练数据转化的效率，转化效率越高则业务数据中的人类智慧向模型转化的速度就越快，模型的迭代速度也就越快。
事实上，任何一个 AI-Native 产品都可以被视为上述三个维度组合起来的人类智慧转化器，即：通过产品的方式，以不同的效率将人类智慧向模型进行转化。
人类智慧通过不同类别 AI-Native 产品转化到模型
下面通过一些典型产品来更加直观的说明上述分类方法：
高智慧场景-高频使用-高智慧转化率
典型产品：Github Copilot
分析：面向代码写作过程这一高智慧场景，用户在高频使用补全功能的同时，会对不满意的生成内容直接进行修改，而修改后的内容则是一份新的可训练数据。
高智慧场景-高频使用-低智慧转化率
典型产品：ChatGPT
分析：面向通过对话来完成通用任务的高智慧场景，用户会在单一任务中高频与模型交互，但是用户并无法直接对模型生成内容进行修改，大部分用户也不会对结果主动进行标注，这会大幅降低模型获取用户智慧的效率。
高智慧场景-低频使用-低智慧转化率
典型产品：Midjourney
分析：面向绘图这一高智慧场景，但用户并不会针对一张图片的内容与模型高频交互，并且对于每次生成的结果，用户只能为模型提供了一份经过人工筛选的结果标注数据，而非包含更多人类智慧的具体的内容判断描述。
低智慧场景-低频使用-低智慧转化率
典型产品：Perplexity
分析：信息检索是一个智慧含量相对更低的场景，用户在同一个信息获取任务中，通常不会与模型多次交互，并且也缺乏对模型结果进行质量判断从而进行反馈标注的能力，这使得产品能够从用户处获取的智慧信息有限。
需要强调的是，上述分类方法是从模型即产品的视角进行观察，仅用于评价「模型范式」下产品中核心算法的能力提升空间以及优化效率，并不用于评价产品的经济价值、用户规模、市场空间等，所以：一个「低智慧场景-低频使用-低智慧转化率」的产品并不意味着不是一个好产品，而仅代表其智慧转化效率会更低。
经过前文的分析，我们对 AI-Native 有了更加全面和深入的认识，那么下面我们将从更宏观的视角审视 AI-Native 产品。
任何伟大的事业都需要值得信仰的主义，那么对于 AI-Native 来说，我们应当信仰什么？
OneMoreAI 的朋友们一直都是「压缩」理念的坚定布道者，「Compression-Next token prediction」范式已经成为了行业共识，但这毕竟是一个技术范式，无法指导产品，所以我们需要为 AI-Native 产品寻找一个像「压缩」一样简单却本质的基础理念和范式。
我们给出的答案是：连续
「连续」是对「压缩」的继承和延续
对「连续」的思考来源于 Ilya 去年8月一次主题为《An Observation on Generalization》的分享[8]。
此次分享中，Ilya 从「压缩」视角对无监督学习的有效性进行了阐述，其中一个核心概念为：无监督学习的监督学习（supervised learning of unsupervised learning），他认为无监督学习之所以必然有效，原因在于当我们对两个数据集 X 和 Y 进行压缩时，X 和 Y 可以互相作为对方的有监督数据，即通过找到 X 和 Y 中存在的共同模式来实现更高的压缩比。
这是一个非常技术的说法，下面我们给出更偏产品视角的表述：
当我们使用无监督方式来训练能够满足两个不同任务A，B（两份不同数据）的模型时，我们得到的是一个介于A任务和B任务能力之间的模型，所以这个模型不光能够完成 A 任务和 B 任务，也能够完成介于 A 和 B 之间的任务，即在 A、B 任务间实现了某种能力的连续。
举例：当我们提供一份中-英翻译任务的数据和一份中文歌词写作任务的数据，通过无监督方式压缩出模型除了能够进行中文到英文的翻译、用中文写歌词外，其也具备实现用英文创作歌词的能力（虽然我们并没有专门提供英文创作歌词的数据），这意味着通过无监督的压缩方式，模型在两个任务所需的不同能力间实现了连续。
显然，更高的模型压缩比意味着更连续的产品能力，所以「连续」是模型「压缩」技术能力在产品层面的延伸和具象。
「连续」是 AI-Native 产品智慧的衡量标准
我们在前文中已经提到 AI-Native 产品目标的是「解决特定问题的更高智慧」，而「连续」正是这种智慧的衡量标准，具体来说：
所以，对于一个产品所面向的问题，我们可以使用模型对该问题下特定复杂指令的遵循来衡量其智慧程度。
比如，如果我们有两个模型，为了完成某项任务：
我们会认为模型 B 的智慧程度更高，而通过上文的分析，我们知道模型 B 的能力更加连续。
「连续」是AI-Native 产品工作的路径指导
如果说「压缩比」是 LLM 模型工作的极致追求，那么「连续性」也许该被 AI-Native 的产品工作奉为圭臬。
事实上，我们完全可以通过「连续」来建立整套 AI-Native 产品工作框架：
注：篇幅原因这里不做展开
在「连续」的分析基础上，我们提出 AI-Native 的 「产品智能主义」。
产品智能主义是什么？
「产品智能主义」的定义：
「产品智能主义」是以GenAI 技术为基础，以 AI-Native 产品为载体，以提升特定信息商品经济中问题的优化智慧为目标的工作方法和思想的总和，是实现更连续智能的产品化路径。
以下是对该定义的展开说明：
产品智能主义存在的必然性
我们认为「产品智能主义」的出现、存在、和发展有其客观必然性，具体来说：
在通往更高智能的道路上，技术和产品绝不是非此即彼的路线问题，而是相互支撑和成就的一体两面。
在 AI-Native 的产品智能主义语境下，我们认为技术驱动智能和产品驱动智能是起点不同的殊途同归，具体来说：
1）技术驱动的路径：
2）产品驱动的路径：
在上一篇文章的副标题中，我们写道：因为忘记 AGI，所以成为 AGI。
这其实带有某种产品经理的“私心”和“偏见”，在大模型元年结束后进行回望，我们则更愿相信：
技术设计智能，产品生长智能，如果说技术智能主义是人类对神性的终极追求，产品智能主义则是生命自己会寻找出路的道法自然。
AI-Native 的大产品时代有足够广阔的天空，所以无论是技术驱动还是产品驱动，大家都能顶峰相见。
本文的实质是笔者以一个「模型产品经理」的视角对过去一年工作的思考、复盘、和总结，由于篇幅和笔者的能力约束，一些问题在文中未能充分讨论，也必然存在一些不正确的观点，衷心期待与更多朋友进行高质量的思维碰撞，让我们一起「认知开源」。
Reference
https://blog.cloudflare.com/zh-cn/radar-2023-year-in-review-internet-services
https://www.36kr.com/p/1723061551105
https://arxiv.org/abs/2401.10020
https://book.douban.com/subject/35951747/
https://mp.weixin.qq.com/s/499NG03U3jC-S_9K6ek8pA
https://openai.com/blog/planning-for-agi-and-beyond
https://mp.weixin.qq.com/s/WNa7c6mF_1gBoPjWDmtZEw
https://www.youtube.com/watch?v=AKMuA_TVz3A
https://book.douban.com/subject/1005354/
本文由人人都是产品经理作者【OneMoreAI】，微信公众号：【OneMoreAI】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Pixabay，基于 CC0 协议。
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。