一家剛剛引入大廠AI能力不久的醫(yī)療SaaS企業(yè)，正在面臨由產(chǎn)業(yè)規(guī)模擴張帶來的沉沒成本困境。

       其市場部經(jīng)理孫勝表示，早在大模型與AIGC秋風掃落葉似地席卷中文互聯(lián)網(wǎng)之前，這家公司便通過首輪融資中的5億元搭建好了架構與產(chǎn)品，在2022年中到2023年中的一年內(nèi)做到了盈虧平衡。

       然而“行業(yè)大模型”敘事的出現(xiàn)徹底打亂了他們的節(jié)奏，在競爭趨烈的SaaS賽道，引入AI似乎不可避免。

       于是，該公司又在AI能力以及相關架構的產(chǎn)研上，前前后后投入了數(shù)億元。此舉換來的是新老架構沖突、產(chǎn)品混亂以及定價的問題——客戶好像并不需要當下稱不上成熟的AI能力，然而這部分成本卻又難以通過老產(chǎn)品轉嫁出去。

       這只是AI在垂直領域落地的一角，由此管中窺豹，雖然AI工具不斷“入侵”人類社會，但是如雨后筍般不斷冒出的各類新式AI工具的沖擊卻遲遲撞不開那道名為“普及”的大門。

        AI工具并非一套封閉的技術體系，需要的是在相應場景中，通過交互與人類智能互緣重構。

        過去，我們一度認為“幻覺”是阻礙AIGC以及大模型進入千行百業(yè)的根本原因。但實際情況是，大廠也好創(chuàng)企也罷，其AI+的產(chǎn)品落地更多的是受到了成本和場景的桎梏，這讓市場上一眾“80分的模型最終只能落地為60分的產(chǎn)品”。

       由這些限制而產(chǎn)生的，從及格到優(yōu)秀的這一小段距離，已然成為人類社會智能化轉型的一道天塹。

       PMF的“鬼故事”

     “原定在年中準備參加的幾個活動中，一些是直接被取消，還有一些是縮減參會人員，減少開支”，孫勝說，“公司在A輪融到的錢已經(jīng)花得七七八八了，新的融資還沒有跡象”。

       他坦言，曾經(jīng)一度稱得上順風順水的BD不僅沒能乘上大模型東風，反而是在引入AI之后變得更“難”了。他得到的回復不外乎AI的準確性、成本以及缺少相關案例這幾類，這其中或許有醫(yī)療行業(yè)相對孤立于互聯(lián)網(wǎng)之外而缺乏有效數(shù)據(jù)的緣故，但不可否認的是，AI問診、開藥等功能時常在“幫倒忙”。

       相似的情況，我們不難在同為高知行業(yè)的法律與金融等行業(yè)上找到。

       一位投資人告訴光子星球，他看到過多起由投資人指定的AI+法律方向的投資，天使輪融資額一般在七位數(shù)，然而幾乎絕大多數(shù)都倒在了模型幻覺導致的法律條文準確性問題上?！巴顿Y款幾乎都用來買數(shù)據(jù)和算力，B端贊助算力的話就招兼職開發(fā)，團隊之間少有開工資的，主打一個為愛發(fā)電”。

       在更為依賴人類智能決策的金融領域，行業(yè)對AI的工具應用態(tài)度更為審慎。朱雀基金經(jīng)理Michael坦言道，目前業(yè)內(nèi)的主流應用仍是去年便開始推廣的金融新聞生成、客服以及報告總結。即使是對新興技術態(tài)度相對更為激進的同花順，在與百度合作后也未有什么大動作。

       至于在NLP時期便有爆發(fā)跡象的智能投研則是隨著大模型的到來徹底熄火——過去機器學習的過擬合缺陷已然被更大的數(shù)據(jù)與訓練規(guī)模升格為“幻覺”，淺顯易懂的詞匯也加重了這個缺陷的分量。過去的智能投研拿不到Alpha(與市場不相關的超額收益)，現(xiàn)在更加拿不到。

       醫(yī)療、法律與金融一直是社會財富較為集中且追求人效的行業(yè)，當AIGC及應用爆發(fā)后，這也自然而然地成為大廠創(chuàng)企共同瞄準的落地場景。既然能解決一切問題的AGI還遙遙無期，那么在PMF(Product Market Fit，產(chǎn)品市場匹配度)的第一性之下，從需求切入并反向推動技術迭代便是題中之義。

       在創(chuàng)業(yè)成本相對較低且主要面向消費市場的移動互聯(lián)網(wǎng)時代，PMF的正向或逆向工程都能跑出一定成績，但在成本巨大、市場不明確的AI賽道，PMF逆向工程的前方多是dead end。

       說白了，全球資源集中攻堅下，AI技術跑得太快，GPT3.5到GPT4的里程碑跨越僅耗時數(shù)月，當我們以為大模型能力遭遇瓶頸時，Sora又吹響了多模態(tài)的號角。這讓一度陷入FOMO的創(chuàng)業(yè)者和PM們根本沒有時間去做用戶研究，只能事先構想需求和場景，以此打造產(chǎn)品并試圖通過實際場景中的應用快速迭代。

       問題是AI賽道PMF并非一群PM排排坐拍腦門就能產(chǎn)生的玩意，更非一些技術出身的創(chuàng)業(yè)者，在對絕大多數(shù)行業(yè)一知半解的情況下，依靠AI這種技術力量便能降維打擊的領域。上述情況在當下主要面向B端的AI工具類服務中的直觀體現(xiàn)，便是光子星球曾在《大模型沒過“試用期”》中提到的“客戶AI業(yè)務的‘保姆’”，在為客戶定制一匹更快的“馬”的路上做無用功，而真正的“汽車”卻隱藏在工具之下的模型底層中。

       內(nèi)容產(chǎn)業(yè)的迷思

       如果說AI工具在B端的落地受到了既往的定制化敘事與過度產(chǎn)研的拖累，導致產(chǎn)品難以進入實際場景，那么場景更為明確的C端是否會有所不同?單從供給側看，C端AI應用的發(fā)展如火如荼，如字節(jié)跳動、百度、騰訊等大廠圍繞自研模型，為AI拉出了數(shù)條獨立產(chǎn)品線，其中字節(jié)更是海內(nèi)外同步推進，旗下多款應用都推出了海內(nèi)外雙版本。不過當下大廠產(chǎn)品扎堆的AI社交，其產(chǎn)品形態(tài)誕生于去年末，不僅受限于模型能力輸出的限制，導致設計與功能上高度趨同，于用戶而言也大多只有嘗鮮一用，如字節(jié)旗下的對話應用“貓箱”便只能徘徊在iOS免費榜的末端。相比之下，用戶忠誠度更高的效率類工具與多模態(tài)工具才是玩家們掘金的目的地。然而，這些工具在落地上同樣遭遇了場景受限的問題，C端場景并不比B端更豐富，因為效率工具本身服務的便是相對專業(yè)的內(nèi)容生產(chǎn)者。就像圖文、視頻的媒體變革帶來的UGC風潮被細分為UGC(用戶生產(chǎn)內(nèi)容)與PUGC(專業(yè)用戶生產(chǎn)內(nèi)容)，而PUGC對生產(chǎn)工具的要求與B端可以說大差不差。我們了解到，不少嘗試Suno、網(wǎng)易天音、天工等AI音樂工具的工作室與音樂人僅僅以此作為輔助創(chuàng)作的形式，并且付費意愿不高。至于由Sora帶火的文生視頻賽道，則相對更為前景未明，一個例證是北京電影節(jié)、麻省理工學院、愛奇藝等不同主體召開AI視頻相關大賽，這一賽道的商業(yè)化明顯還處于培養(yǎng)的初級階段。好似2016年的阿爾法狗，文生視頻賽道還在擴充供給側的規(guī)模，需求側則是無從談起。只不過相比于決策成本更高、定制化需求更重的B端，普通用戶、專業(yè)生產(chǎn)者與組織的付費門檻更低，更愿意嘗試。不過這也引出了當下大模型能力在工具產(chǎn)品落地上的另一大問題?！翱催^很多團隊，請了清北的算法大牛，不停微調(diào)模型、優(yōu)化prompt，但是能在產(chǎn)品層面上體現(xiàn)出來的大多還是原地踏步。”在這位投資人眼中，“原地踏步”并非止步不前，而是大多AI工具上不去也下不來——門檻并未降低到消費級水平，而專業(yè)性卻又難以滿足專業(yè)領域人士。其中比較典型的是音樂產(chǎn)業(yè)，且不提AI作曲大多缺乏情感、“平淡如水”，更重要的是多位音樂人向我們反映過基于大模型的AI音樂工具在生產(chǎn)流程上是“反人類”的。以Suno為首的AI音樂工具直接大包大攬的AI作曲的全流程，當創(chuàng)作者好不容易prompt出了一首能聽的歌，還得自己“扒譜”、分軌。這對于未受過專業(yè)和弦學習、創(chuàng)作能力較差的小白來說可堪一用，但對于專業(yè)的音樂人而言，簡直是災難。相比之下，并未在大模型之下接受重構的網(wǎng)易天音反而脫穎而出。

       網(wǎng)易天音是網(wǎng)易基于NLP學習而包裝產(chǎn)品化的AI編曲平臺，去年與微軟小冰合作從而引入了人聲生成功能。音樂人可以按音樂生產(chǎn)流程中的風格、樂器、調(diào)號、拍號、速度以及時長等要素產(chǎn)出Demo并分軌導出，相對更貼合生產(chǎn)語境。但與之相對的，這也使其較自然語言交互生成的大模型AI音樂，距消費場景更遠了。上述情況直指當下大模型能力被高估的現(xiàn)狀，專業(yè)生產(chǎn)者還沒玩明白，何況是消費語境下的小白? 

       移山

       病來如山倒，病去如抽絲。大模型對商業(yè)社會的沖擊就好比是一場“病”，希望進入千行百業(yè)的大模型需要的恰恰是消解其科技屬性所帶來的沖擊敘事，讓企業(yè)與用戶使用大模型能力進入“常態(tài)化”。這不免又將我們帶回前文所述的PMF問題，如今業(yè)內(nèi)找PMF之所以會造成“自以為是”的情況，在于AI這個嶄新變量改變了過去移動互聯(lián)網(wǎng)的思維與商業(yè)模式。這意味著，AI大模型落地的搬山之旅需要的是就PMF這個“初級理論”進行革新。值此情況下，大廠與創(chuàng)企基于自己的資本與生態(tài)位，走出了不同的道路。百度、騰訊、阿里等頭部玩家大多都持有雄厚的基礎設施，這導向了以基建為抓手，將開發(fā)者作為模型能力的延伸，以觸達更多場景的路線。以百度為例，其于4月16日召開的Create2024百度AI開發(fā)者大會上公布了AI原生應用平臺千帆Appbuilder，目前千帆社區(qū)上已有19萬款應用，應用商店的成熟應用數(shù)量也達到了317款。

        相比大廠的“穩(wěn)扎穩(wěn)打”，底子相對更薄、更需要精打細算的創(chuàng)企卻相對更玩得開。2023年4月，視頻賽道的知名創(chuàng)企HeyGen創(chuàng)始人 Joshua Xu便在官方博客中分享了他們在7個月實現(xiàn)100萬美元ARR的歷程，其中特別將AI浪潮中的PMF概念稱呼為“AMF”(AI市場匹配度)。Joshua Xu稱其通過Fiverr(一家國際性自由職業(yè)者平臺)找到了第一個付費客戶。平臺在其中的作用是，讓HeyGen僅在初步技術探索的基礎上，以產(chǎn)品Demo和“代言人(spokesperson)”這個細分場景便完成了與需求的匹配?；蛟S，從PMF精細化至AMF，需要的并非閉門造車，而是一個能更高效匹配AI能力與需求的新工具或平臺。

        此外，零一萬物創(chuàng)始人李開復也在5月13日的發(fā)布會上更新了AI時代的PMF概念——TC-PMF(Product-Market-Technology-Cost Fit，技術成本與產(chǎn)品市場契合度)。他認為，由于大模型的推理成本過高，即使推理成本以10倍的速度在下降，AI產(chǎn)品的落地也必須將成本作為必須考慮的要素之一。

       這么看來，AI工具的落地要么是沖不破用戶與場景的限制，要么是ROI打不平。

        2024即將行至半程，顯然業(yè)內(nèi)對其成為應用爆發(fā)元年的判斷有些樂觀了。唯一能確定的歷史爆點是GPT，而應用的真正爆發(fā)，或許離我們還有點遠。