但好像也没有一个明确的算法和公式来衡量每个人在这里的 ROI 是否公平且合理,随着向上管理的风气和权责不一致的风气越来越严重,大家普遍也对老板们失去了信心,能够说服自己“受人之托忠人之事”也变成了我安慰自己为数不多的理由。当然这件事也并不能归因在某几个人或者某几个角色上吧,可能大家都有自己的难处和说服自己不去改变的理由?
可能是习惯性的敏感性格,我早在前两年就在说服自己尝试改变,尝试责任心别那么重,尝试在工作中不去那么主动,尝试在日常中少去发挥点自己的热心,但按照目前的结论来看,好像没成功,只是说服自己内心的感觉能够好受一点,为了避免找工作中出现太长的 GAP 我提前把自己的线上简历都修订更新了。
熟悉我的朋友应该都知道,我在工作中时不时要参与到一些诸如客户支持,定价沟通,产品价值talking 的环节中,可能是这两年大家都把 AI 作为了“年度话题”的重要性,所以总会有一些客户想要进一步了解“产品如何在实际的业务流中快速集成 AI 的能力”,市面上也有各种各样吹嘘“自己的产品又一次集成了 AI”的 PR 文章,但本质上其实大都是在云市场集成 AI 之后快速实现了一个 chatbot,好像效果并没有那么好。
当然也有一些客户会来问一些在不同视角的问题,我听过的问题印象比较深的就是“产品集成了 AI 能力我是认可的,但是这个产品中我看不到 Deepseek 的露出,你们怎么处理”,“在产品中集成 LLM 其实各家都大差不差,但是差异性的效果我暂时还没有看到”,此外在一些类似的产品中我发现 C2C(Copy to china) 的思路目前可能还是奏效的,去 ProductHunt 或者类似的网站看看国外的“同行们”又搞出来了哪些 AI 相关的应用,然后看看哪一个最适合集成到自己的项目中,砍掉一些复杂功能再做一些本地化,好像给自己的产品也就搭上了 AI 这趟快车。
昨天和同事聊天的时候说到不同行业中的门槛其实还比较高,可能互联网行业的从业者大都掌握了无痛访问 Google 或者 Github 等网站的方式,但其实还有非常多的老百姓不太分得清其中的区别(事实上互联网从业者也不见得都掌握了这个能力),对于老百姓来说耳熟能详的张一鸣和王兴兴是那种“在某一个行业中实现了成功的例子”,但是对他们到底在做什么其实并不清楚,其实说到 AI,说到人工智能,这应该是一个伴随计算机有 N 多年历史的故事了。
但是 AI 到底是咋来的?好像前些年我们对 AI 的理解和认知还停留在 TensorFlow 和 Pytorch 这样的算法中,怎么一眨眼 AI 就已经飞入寻常百姓家了?
值得一提的是冯·诺伊曼从小就以过人的智力与记忆力而闻名。他在一生中发表了大约150篇论文,其中有60篇纯数学论文,20篇物理学以及60篇应用数学论文。他最后的作品是一个在医院未完成的手稿,后来以书名《计算机与人脑》(The Computer and the Brain)发布,表现了他生命最后时光的兴趣方向(但其实冯诺依曼不仅在计算机方向有建树,他也是博弈论之父)。
罗森布拉特,能否让计算机自己学习?
1958 年,弗兰克·罗森布拉特提出了一个让整个 AI 领域兴奋的想法——“感知机(Perceptron)”,它是一种最简单的神经网络,可以通过调整权重来学习模式,比如识别简单的形状。“创造具有人类特质的机器,一直是科幻小说里一个令人着迷的领域。但我们即将在现实中见证这种机器的诞生,这种机器不依赖人类的训练和控制,就能感知、识别和辨认出周边环境。”
然而,1969 年,闵斯基(Marvin Minsky)和派普特(Seymour Papert) 在《感知机(Perceptrons)》一书中证明,感知机无法解决像“异或”这样的基本问题,这让整个 AI 研究陷入了“AI 冬天”,神经网络被主流科学界抛弃。这本书抨击了罗森布拉特的工作,并本质上终结了感知机的命运。
1956 年,达特茅斯会议 上,一群科学家聚在一起,试图定义“人工智能” 这个领域。其中,闵斯基作为 MIT 人工智能实验室的创建者,是符号主义 AI 的坚定支持者。
他的梦想很宏大:“AI 应该像人一样思考,我们只要给它足够的逻辑规则,它就能成为真正的智能。” 他的研究主要基于符号逻辑,比如他开发了一种叫做 Lisp 机器 的计算机,专门用来运行 AI 代码。
与此同时,佩珀特则更加关注机器学习和儿童教育,他认为计算机应该像孩子一样学习,而不是依赖固有规则。他发明了一种编程语言——Logo,可以让孩子通过简单的指令控制“小乌龟”在屏幕上画图形。他们二位的 AI 研究,让 AI 在 1960 年代成为了学术界的明星,政府和企业纷纷投资,AI 似乎要迎来一个黄金时代!
但好景不长,感知机(Perceptron) 的失败让闵斯基和佩珀特觉得,神经网络完全没戏。他们在 1969 年合著了一本书——《Perceptrons》,直接指出了感知机的致命缺陷“感知机无法解决“异或(XOR)”问题——也就是说,它没办法学会“如果 A 和 B 相同,输出 0,否则输出 1” 这样的简单逻辑。”
他们的批评毁灭性地打击了神经网络研究,导致 1970 年代 AI 研究资金骤减,进入了第一次“AI 冬天”。
虽然闵斯基和佩珀特让神经网络陷入低谷,但他们的研究也推动了 AI 其他方向的发展。
闵斯基继续研究“心智架构”,提出了“框架理论”(Frame Theory)——AI 应该拥有类似人类的知识结构,而不是单纯的数据处理器。佩珀特专注于教育领域,创造了建构主义学习理论,他的 Logo 语言影响了后来的 Scratch 和 Python 在教育领域的应用。
直到 1980 年代,辛顿通过反向传播算法解决了感知机的问题,才让神经网络重新崛起。但讽刺的是,闵斯基并不认同深度学习,他仍然认为符号 AI 才是未来。
他提出了贝叶斯网络,用数学方式描述变量之间的因果联系,让 AI 具备更强的推理能力。后来,他又发展出因果推理和反事实思维,让 AI 不仅能预测,还能回答“如果情况不同,结果会怎样?”。这些理论如今影响着数据科学、医疗 AI、经济学,甚至推动下一代更智能的 AI 发展。
珀尔的因果推理思想,彻底改变了 AI 的研究方向。过去,AI 主要依赖深度学习,但神经网络的一个问题是它们只会发现模式,而不会理解因果。
比如传统 AI 可能发现:夏天卖冰淇淋的同时,游泳馆的溺水率也会上升。但因果 AI 知道:冰淇淋不会导致溺水,真正的原因是夏天气温升高。他的著作《为什么(The Book of Why)》深入探讨了因果推理的重要性,这为现代 AI 的解释能力奠定了基础。
杰弗里辛顿,如何训练深度神经网络?
1970 年代,神经网络研究遭遇寒冬。当时的主流 AI 研究者(如闵斯基和佩珀特)认为神经网络太简单,无法解决复杂问题。许多科学家纷纷放弃,但辛顿偏偏选择了这条“错误的道路”。
辛顿出生于英国,外祖父是著名数学家 George Boole(布尔代数的创始人),他从小就喜欢挑战权威。在攻读博士期间,他研究反向传播算法(Backpropagation),一种可以让神经网络自动调整权重的方法。尽管这个算法早已在 1970 年被提出,但几乎没人相信它真的能让 AI 学习。Hinton 和他的团队坚持优化反向传播,并在 1986 年成功证明它可以让多层神经网络高效学习复杂任务。
这种“对抗学习”的方式,突破了传统 AI 生成方法的局限,被命名为 GAN(Generative Adversarial Network)。
GAN 让 AI 从“分析数据”变成了“创造数据”,彻底改变了 AI 在艺术、设计、游戏、影视等行业的应用方式。可以说,他的研究让 AI 从理解世界进化到了创造世界,并成为 AI 生成内容(AIGC)浪潮的奠基者之一。
古德费洛不仅是GAN 之父,也是AI 伦理的重要倡导者,他的贡献将长期影响 AI 发展方向。
达里奥,AI 能否像人类一样写作和推理?
达里奥是 AI 研究领域的重要人物之一,曾在 OpenAI 领导多个关键项目,后创办 Anthropic,专注于 AI 安全与“AI 对齐”研究。他的工作推动了 AI 模型能力的飞跃,同时也让 AI 伦理问题进入公众视野。
达里奥最初是一名神经科学家,研究大脑与神经网络的相似性。他后来转向机器学习,加入 OpenAI,成为 AI 研究的核心人物之一。他在 OpenAI 期间的关键贡献包括:GPT-2 与 GPT-3 研究负责人:推动了现代大语言模型(LLM)的发展。AI 对齐研究的先驱:他提出 AI 需要“对齐人类价值观”,否则可能失控。
2021 年,达里奥离开 OpenAI,与几位前同事共同创立 Anthropic,专注于 AI 安全和“可控 AI”研究。Anthropic 的核心产品 Claude 系列(类似 ChatGPT)强调安全性,避免 AI 生成危险内容。他的研究强调:“AI 必须对人类有益,否则超级智能可能带来无法预测的后果。”
Anthropic 目前是 OpenAI 的主要竞争对手之一,并获得了 Google 近 30 亿美元的投资。
当然,说到达里奥我们其实也需要提到 Tom B Brown 和 Alec Radford,他们一行三个人的研究共同塑造了现代 AI 发展路径。但我想他们从 OpenA I跳槽到 Anthropic 也许还是遇到了那个难以抉择的问题“是追求更强大的 AI,还是追求更安全的 AI”?
但如果我们回到 2025 年的当下,会发现 AI 的发展已经度过了“通用智能”的探索阶段,下一步可能还是要对准通用人工智能的方向进行进一步的细化和延伸。由于各类基于 Claude 3.7 的产品我们已经基本跳过了“AI 行不行”的疑惑,但到底“如何让他更安全,更有效”还是一个短期内我们看不到答案的问题。
前一段时间木遥的解读“vibe coding”在朋友圈和各种渠道刷屏,文章中那句“一方面它犹如神助,让你有一种第一次挥舞魔杖的幻觉。另一方面它写了新的忘了旧的,不断重构又原地打转,好像永远在解决问题但永远创造出更多新的问题,并且面对 bug 采取一种振振有词地姿态对你 gaslighting。你面对着层出不穷的工具甚至不知道自己该认真考虑哪个,心知肚明可能下个月就又有了新的「最佳实践」,养成任何肌肉记忆都是一种浪费,而所谓新的最佳实践只不过是用更快的速度产出更隐蔽的 bug 而已。”可能也是许多正在与 AI 结对编程朋友的真实感觉。
但我想,AI 带来的改变确实日新月异,我能看到身边的朋友能够逐渐完成“不相信 AI → 怀疑 AI → 全部用 AI → 不敢信任 AI → 再一次信任 AI”的无限循环之中。我在一些业余时间也尝试练手用 AI 帮我写了几个产品,相比原先的产品设计与研发过程中,会发现现在的 AI 可能每一次都会比前一段时间的使用更加流畅一些,但依然无法完全避免上下文遇到限制导致记忆力幻觉或者相关的问题,这种感觉好像就像是一种慢性毒药,一方面更爽了,另一方面又不是那么爽。在产品设计过程中各种刷屏的什么“用 AI 搞定原型图,搞定高保真效果图”的论据其实也能变相让我们感知到 AI 在具体业务中的应用其实还处在比较早期的阶段。
一方面我受益于使用 AI 能够极大程度加快我把脑海中的某些想法付诸于实践的过程,但另一方面好像也能明显感知到过拟合带来的某种不适感,在开启新项目的时候确实能够通过 AI 极大程度加快效率,但是否会因为过度信任 AI 而导致代码中潜藏了许多暂时没有精力与时间发现的 bug,又变成代码中一个潜藏的问题真的很难一两句话讲清楚。
如果对比我前端时间那篇《AI 取代人工进展走到哪一步了?》,当下的我结论还是那句“保持对前沿技术学习与了解,让自己不要落伍的概念是没问题的,用 AI 来输出一下自己无处安放的创造力或者做一些创新与变化的真实落地是很好的”,但 AI 改变世界的进度条到哪一步了?
但坦白来说今年在产品设计上的新尝试也挺多的,使用 AI 做了很多奇怪的东西(甚至自己一个人就用 40 块搞了一个网站出来),做了很多面向电视大屏,手机和各种移动设备的产品出来,但这些东西终归是属于小打小闹,我也不好意思平常写在博客和大家分享,等我觉得搞的差不多或者真的挺有意思再和大家分享吧。
说到 AI 不可避免还是要聊聊 AI 对产业的冲突,其实之前我也在博客里写过一些对 AI 的分析,截止目前我依然觉得“AI 工具还是适合那些有一定经验的开发者,不管是快速搭出原型,还是学习一个新的技术和工具。以后 AI 肯定会更智能更聪明,但做出一款好的产品还是要靠设计者的同理心与感知世界的能力。也别想的用 AI 来彻底降本增效了,AI 应该用来加速试错和优化迭代,而不是直接取代已有的软件设计与开发方式”。
大家都在研究怎么用 AI 打造一些趁手的工具,但有时间的话也可以抬头想想一些“飘在风中的问题”,比如“我们这种碳基大模型的下一步发展方向在何处?”,“产品设计师应该专注于创造工具,还是尝试和工具互相影响?”……
在 23 年初 AI 势头最火热的那会,我写了一篇《AI 会取代人类的工作吗》的文章,那篇文章里总体对 AI 的出现与未来还是持开放态度的,比如我觉得之后会有很多公司快速上线“Prompt Engineer”之类的岗位。但是当我们把视角转到 2024 年的今天,我又觉得“AI 取代人类”这件事可能会比我当初预想的进度要慢一点。
比如从人才市场来看,一个很直观的例子就是行业中不仅出现了很多“大模型算法研究员”,“AI 产品经理”这样的岗位,岗位描述里会告诉你“能够设计合理的 prompt 模型,不断优化模型的性能和效果”,“与算法与产品团队紧密配合,将算法需求变为可批量生产的模型语料”,这些事情可能都代表着越来越多的公司愿意为 AI 投入更多的资源与成本了,但有些公司又会在 15k 的岗位任职资格中写到“至少具备 5 年以上 AI 方向经验”,“发表过高质量 AI 行业论文(如CVPR、ICCV、AAAI等)”,这件事让我觉得有点黑色幽默(你应该能 get 到吧?)。
可能从实际应用来看,行业中大部分企业对 AI 的认知还是在“基于已有的知识库优化智能问答,辅助生成报告知识图谱”或者是“基于已有的项目与成交案例进行总结沉淀,通过 AI 赋能售前支持,支持咨询客户转化”的角度里。能够通过 AI 进一步帮助企业或者团队提升效率,总体的探索都比较有限。
因为工作的原因也不免需要响应一些来自客户的咨询,或者在一些项目中需要基于客户“拥抱 AI 的角度”整理类似的需求,但实际上我的感觉就是“大多数人都在为了 AI 这盘醋,去包一盘饺子”,大家都共识了 AI 这件事就是为了蹭热点(我觉得从某种角度来说,其实 2024 年的现在没有曾经那么热),把 AI 作为产品中的一个功能能够更顺利的申请到更多的预算和经费,能在市场推广与宣发层面获得一些“短暂的收益”,仅此而已。
前一段时间和同行业的朋友交流,有人觉得“使用 AI 创新这件事”总是外国要做的更好一点,他们觉得就像萝卜快跑一样,资本的罪恶使得无数网约车司机会忽然失去就业机会,而同样的市场如果搬在国外,企业的管理者就会天然“人本位”的思考如何在保存工作岗位的情况下,再更优雅的引入新技术来提升企业效率(但这不都是资本的判断吗?)。
跳脱出对国内外市场主观的判断考虑,我是觉得伴随 AI 所推动的自动化,可能会在某种角度拉开低技能劳动者和高技能劳动者的工资差,一方面可以替代一部分前者的工作内容,另一方面又会为后者创建更多新的工作任务。
至少在我身边的环境里,我感觉 AI 的改善没有想象中那么高。能够自如创建 Agent 并将其用在工作中提升人效的人还是少之又少,而当你真的使用 AI 提升人效之后,又可能会面临涌入更多问题的窘境。还有就是我发现大多数人,更意愿将 AI 当做“搜索引擎”的平替,原本是遇到问题后去搜索引擎上提问找答案,后面变成了去小红书找答案,现在又变成了去 AI 上找答案。
表面上看起来,市面上的大多数 AI 都能够在短时间内帮你写出一份活动的策划,产品推广的文案,甚至是基于历史的知识库对某些数据进行一些深度的分析,使用 AI 能够“不假思索”的复制粘贴以便更好的响应领导分配的事情。但回到一切的根源,答案来自于问题,我们只顾着快速的提交问题的答案,是否又真的愿意思考“如何提出一个好问题”呢?
忽然联想到最近人们一直在谈的“大环境不够好”,言语间总是要夹杂着“就业市场不景气”的悲观色彩,从事今天的产品工作不聊两句 AI 仿佛都被时代淘汰了。从这个角度来看,大多数人可能还没有想到更加正确的,优雅的 AI 使用方式?我想目前 AI 的主流仍然是一种生产工具,而非工作思路。在我手里的产品使用 AI 做国际化适配,建立交付支持问答库,提升运营工作甚至快速响应突发的问题总是能够发挥一定的色彩,但我还是觉得尽信书不如无书嘛。
从这个角度来看,不论企业规模如何,如果只是打算创造一些平庸的技术来配合市场宣发的时候,不妨就别再想着能真的“降本增效”了。降本增效中只有“降本”变成了真实的利润目标,而选择的方法就是用更廉价的资本来取代劳动力(反正 AI 也能写活动策划,那我就用 AI 来取代两个运营人员的 hc,至于落地实施的事情再说),这件事对整个经济生产率的提升毛用都没有,唯一的收获就是借着 AI 的这阵风举办了更多名为分享实则销售获客的沙龙,最终只会让大环境越来越差。
我记得曾经看到过一种观点“国内的 AI 全部局限在内容审核,而国外的 AI 都在尝试再次创新”,可能现在又再次走上了一条循环的道理,随着人们对生成式 AI 的关注越来越多,资本也会越来越集中,那可能也会降低 AI 在其他方向上的无数可能。虽然说愿意承认技术对未来带来的决定性影响是件谦逊的好事情,但也依然会受到政策影响,经济发展,利益相关者话语权等各种因素互相影响。
我想这篇文章还是不应该太过于武断,仅以我所在的角度和视角来发散性的聊聊。只是作为 IT 浪潮中一个渺小的参与者角色而言,我们好像真的就踏入了一些影响人类发展的关键节点,但是几十年或者几百年之后的未来到底是什么样的,谁知道呢?
作为产品设计者的角色,核心的工作都应该是在仔细思考后,得出“多做一件 X,可以少做 N 件 Y 的需求”的结论,也就是我们说了很多次的“抽象”。以为通过自己或团队的效率来快速响应客户的意见,快速上线 N 个需求更像是用“战术上的勤奋掩盖战略上的懒惰”,从始至终都被客户牵着鼻子走,团队中的每个角色都不会太好受(但……这件事对于响应客户的当事人来说,又很容易收获来自客户的认可与赞扬,又便于自我镀金或者在团队内向上管理,有一点难评)。
前两组词以往的博客里写了很多就不在赘述了(熟悉我的朋友应该能够 get 到我的这个特质,用成语概括就是想成为守正出奇的人),今天想着重说明一下最后这个“要面子的人”的描述。
这个描述是我在和梁 sir (我现在公司的老板,虽然他不喜欢别人用“老板”这个词介绍他,但这个词确实可以一下子就让你明白他是谁)聊天的时候讲出来的,梁 sir 说他自己是一个“要面子”的人,正是因为要面子这件事,他才对自己的行为产出与习惯都有很高的要求(就是真的在职场与工作中非常的职业)。当时听到这个词我惊为天人,原来还有人这么自如的说自己要面子?
这个世界上没有人知道每一个问题的答案,哪怕你是从业 30 年的资深老司机,可能也考不过 2023 年的科目一。我们都知道如果想获得他人的信任,我们首先就需要做到“言行一致”,而不是假装成为那些自己并不能成为的人。如果一个团队里的 Leader 一直在装逼且能够持续得到上层的信任,要么是团队里的其他成员也都在装逼,要么就是大家私下里都会把 TA 当个笑话。
我想,可能很多 Leader 不受人待见的原因,真的就是“太端着”。他们认为自己知道所有问题的答案,即使他们没有,他们也会假装有,但实际上哪怕是公司的 CEO 也没法做到对公司中的所有问题都心知肚明。在职场中一个很重要的能力就是习惯于“祛魅”,有人 10 年+ 产品管理经验可能前些年都是在做 BA 或研发,产品工作的真实从业时间屈指可数。有人说在之前的团队中担任了非常核心的管理角色,但背后可能是靠自己的渠道关系谋得一官半职,或者就是单纯的草台班子 Title 不值钱罢了。
这些价值观是用来指导自己的决策、行为以及和他人交互的方式的关键所在。我们需要用这一套价值观说服自己与他人在工作中分工协作,也需要用这一套价值观在自己遇到瓶颈时引领自己砥砺前行。从理论上来说,有的人价值观可能真的是“以自己为先,个人利益优先于集体利益,见人说人话见鬼说鬼话”之类的恶心的成年人的东西。假如(我是说假如)TA 能够一直坚持这种做法并且逻辑自洽(不会在什么酒醉之时觉得这都是恶心的社会逼迫自己成为这样一个自己不喜欢的人),即使可能会伤害他人,但是对 TA 个体来说也不是不行。
最近办公室里忽然席卷了一阵数字人的风潮,感觉大家还是在不经意之间搭上了这一班互联网的“快车”。再加上公司忽然搞了一个“AI 赋能”的活动,不管是什么岗位的同事都在研究如何能利用一下 AI 这件工具。在本质上我觉得这玩意主要是靠 Prompt 的调教,一个体验异常丝滑的 AI 背后可能是几千条 Token 训练的结果,如果为了实现相关的效果,那前期所需要投入的成本一定不低(更别提我还想训练一些不同的数字人出来)。