早期 AI 应用里,产品设计负责把模型能力放进真实使用场景,模型能力负责抬高上限;判断分工的关键是看这件事会不会被下一次模型升级直接解决。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
先看模型能到多好,再决定产品补什么
材料里的观点立正给出的顺序是:先用最好的模型和运行环境跑自己的业务任务,知道当前能做到什么水平,同时建立测试集,再拿其他模型比较质量、速度、成本的差距。他的理由是,如果一开始就选便宜模型、围着它打补丁,可能连自己离当前上限有多远都不知道1。这给早期分工一个基线:模型能力先定“天花板”,产品设计再决定在这个天花板下补哪一段。
产品设计补的是模型升级补不上的部分
材料里的观点戴雨森在对话中把应用公司的假设说得很清楚:不要因为模型现在不够好就去替它搭脚手架,而要 leverage 六到十二个月后可能有的模型能力;他举的例子是让模型数草莓有几个 R 这类事没意义,因为迟早会被模型解决2。他同时认为,头部几家 API 的差距在缩短,应用可以在产品设计、用户数据、品牌上把差距补回来,让用户有选择理由2。按这个分工,产品设计该做的是获取更好的用户输入、理解用户意图和记忆这类不单靠模型升级解决的事2。需要说明:这些是戴雨森的判断,不是立正本人对分工的完整表态。
把“谁做什么”落到具体角色上
立正在另一处描述 AI Native 小团队时,把分工按 expertise 拆开:设计师提供审美,数据同学提供观测和对增长的直觉,PM 提供对用户的同理和项目 vision,工程师负责调度 agents、保证一致性、提炼并有效提供 context3。这可以看作产品设计与模型能力分工的组织版本:产品侧管场景、用户理解和判断标准,工程侧管让模型稳定运转。《AI 用得好的人与普通人的5个差距》4也提出类似的任务光谱思路,把任务从“AI 可独立完成”排到“必须人做”,并把人集中在关系、审美、战略方向这类不可替代处4。这是 AI 对材料的综合,不是原文直接给出的分工表。
现有片段没有给出产品设计与模型能力分工的完整框架;《真格基金戴雨森》2中戴雨森的观点是对话中的个人判断,立正本人在该段主要是提问和提出困惑,不能把他的追问当成对分工的结论。
出处
- 1从结果确定性到通用智能:和韦晓亮老师聊AI、产品与教育
提供“先用最好模型定上限、再建测试集比较”的顺序,是分工判断的基线。
- 2真格基金戴雨森:产业的规律,AI的颠覆,顶级基金都看到了什么?
戴雨森谈应用公司该补什么、不该替模型搭什么脚手架,是产品设计与模型能力关系的直接讨论。
- 3AI时代的面试,三件事让公司对我求贤若渴?
给出 AI Native 小团队中设计、数据、PM、工程师各自提供什么 expertise 的具体分工。
- 4AI 用得好的人与普通人的5个差距,和背后具体技术原因|非技术岗位版
提供任务光谱和比较优势的思路,可用来判断哪些任务交给 AI、哪些留给人。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。