从1到10：AI产品与因特网产品的核心区别

看到马云内部的信，有点出乎意料的是，这只是一种情绪和行为。

由于人本身并没有太大的变化，所以就情绪和行为而言，在公司起起落落时，大致总是：

错误的地方带来真实，怀疑的地方带来信任，混乱的地方带来和谐，沮丧的地方带来希望。

但是AI真的不仅仅是关于情绪，还有一些不同于过去的运行规律。马云说:AI时代刚刚到来，一切才刚刚开始，我们正好在那个时候。这是对的。

然后呢？

接下来，我们实际上需要了解这些差异，创造新的产品，然后才能创造新的用户价值，AI的发展才能真正闭环。

有关故事从0到1

从0到1，彼得蒂尔可能是最成功的商业方法论书籍，其核心原因在于它是成功网络产品的关键。

一个成功的因特网项目必须是PMF（Product Market Fit）型产品。

选择一个领域，彻底了解一个领域，然后加入互联网技术，成为新产品。经过验证，大规模复制。每一个成功的互联网项目都是这样来的。

如果对产品进行细分，区别在于平台化通过两侧开放打开了PMF的适应范围，远远超过了单点工具。

这套逻辑可以实现企业级商品级商品（SaaS）这时，就完全折叠了。

由于不同的企业以各种方式维护自己的差异，所以做SaaS本质上是N个从0到1，但是从来没有从1到100。

这种定制的复杂性超出了当前技术架构的吸收能力。无论是使用应用商城、平台、插件还是任何技术，最终都需要逐一交付，成为解决方案的扩展。

依靠人或计算率的边际效率显然存在很大差异。所以SaaS集体持续亏损，但也可以活下去。

这一现实对我们有什么提示？

为什么商品是从0到1，从1到100两个阶段？

互联网项目外化了程序员的智能，可以留下一些定制空间，但这个空间是有限的。最终，程序员设置的灵活适应能力上限仍然是。

因此这类产品力量必须打对地方，因特网的产品力量和市场突破口如果打错了就像非喂牛肉一样，费力不讨好。

这一准确性问题从0到1解决。

而且这一问题一处理，后面待解决的问题也是一样的，因此可以纯粹复制。

复制的边际效率基本上是计算能力的边际效率，也就是指数增长。

两个典型的论点：趴在地上吃土 一飞冲天后吃肉；但也有可能一直吃土。

那么AI还是这样吗？要不是为什么？

AI产品的新特性

AI的关键变化根本不是AIGC，而是它的概念识别和自我逻辑判断能力。这种隐性代表了计算范式的变化。

过去，我们的计算模式本质上是由程序员将现实世界的需求映射到计算机世界的语言中，然后根据程序员的设置执行计算机。

AI下的计算模式并非如此。程序员的中间层越来越透明(并没有完全消失)。人们直接与模型互动，然后特定的功能范围是不确定的。这一范围的模型、方案和价值设置，不再是程序员设置的范围。

假如用图形来描述，那么大概如下：

这一新特征不仅影响产品形态，而且影响相应商品的方法论。

在产品形态方面，过去用户总是根据UI(图形用户界面)来完成某些功能。

而且UI(图形用户界面)本质上是一种分类，品类的集合就是产品的边界。它是功能的边界，也是感知的边界。

比如过去常说的ERP，充分抽象了企业，然后覆盖了一定的范围。这样就形成了自己的边界(公司的适用范围)和重量。

当这个外壳被覆盖在自己身上时，企业可能无法承受它的重量。外部变化会挑战它的设定，不断产生成本。最后，它会死于ERP，而不是等待死亡。

那么如果ERP变成了公司的自动驾驶，类似于Autopilot，会发生什么？

这时候反馈 智能 判断>设置过程。

因为宽度适应，重量减轻了，但能不能开到沟里就不好说了。

举例来说，在检测到库存水平和市场价格之后，就可以发起采购建议。

这一企业级的Autopilot也将自行更新自我，感知现实，并根据价值设定处理程序员未事先设定的行为。

例如某一模块存在安全漏洞，那么就会在测试环境中启动测试，并发起更新审核。接着更新自己。

在这一应用领域，基于规则和基于模型的智能水平在尺度上有很大的差异。

确定匹配规则，灵活匹配智能。

智力和灵活性最终会带来宽适应，所以没有必要进行分类(分类太多)，所以需要基于自然语言进行交互。相反，GUI变成了帮助。与现在相反。

形式差异的表现是自然语言交互，但是差异的本质在于规则所体现的智能和模型所体现的智能适应范围有很大的差异。

这种抛光产品，会带来怎样的差异？

AI商品的关键阶段从1到10。

假设你做的菜是四川菜，也是给四川人吃的，那就是从0到1。 ，两段论从1段到100段。

但是，如果你做的四川菜也会自己微调，那么你做完菜后，在四川(从0到1)之后，估计每个省都要进行抽样测试(从1到10)，然后才能大规模推广(从10到100)。

智能化原生应用这种自适应性的特点也决定了这种应用类型所匹配的领域。

如果是简单的规则就能搞定，产生利润的地方，其实并不是智能原生应用的最佳落点。在一定程度上，机会资源已经被发现并耗尽。。

在这一领域中，智能原生创造的价值与商品创造财富的原始运行方式没有太大区别。

这意味着智能原生应用必须解决复杂的情况，处理规则无法到达该地区的问题。(在一定程度上，所谓的AI偶尔会火起来。 APP在起点上有问题，没有后劲，也不可能成功)。

而且如果智能原生应用要解决复杂场景的问题，那么在实用化的时候，一定要把智能原生的特性发挥到极致，变成类有机体。

就像川菜一样，它会从1到10变成一个非常关键的阶段。

我们可以举一个积极的例子，比如做一个Agent的招聘。

从收集需求，到筛选简历，再到Offer发送，都能完全实现入职的全过程。

根据因特网的概念，开发后在某一或几家公司内部运行良好，此时从0到1基本完成。

此时PMF式扩张能否实用化？

对于Agent产品，肯定不行。既然招聘需求和需求匹配都是自适应的，那么适合科技企业的公司可能不适合快速消费品。

而可能导致不适应的部分只能通过智能来解决，不能通过规则来解决。(智能原生应用的价值基础)

如果总结了这部分的调优、确定、打磨，那就是从1到10。

这个环节过去对网络商品来说并不重要，但是对于智能原生商品(类有机体)来说却非常重要。

总结来说，因特网项目是两段论，而AI商品是三段论。。

从1到10这个阶段对于智能原生产品来说是非常重要的。如果做得不好，就意味着智能不起作用。一旦回去，从0到1不断重复，很可能会走上数字化或者SaaS的老路。

产业空间

假如把各种产品放在智能坐标轴上，那大概就是这样一种分布。

简单的工具，比如压缩软件或者安全软件，是一个固定形状的球。我会做这份工作，其他人不会打电话给我。根据过去的说法，一个好的工具可以支持10亿美元的公司。(chatGPT不简单。...）

因为平台两边都是开放的，所以看起来像一个拥挤可以变形的球，但是可以变形是肯定的。根据之前的说法，这是100亿美元公司的支持。生态声称把上面的一堆东西放在一起，但从智能的角度来看，本质并没有改变。

与上述不同，智能原生应用本身就是一种变形虫，一种有机体。环境需要什么，它会朝着那个方向变，它会进化(程序改变了它自己。 VS版本更新)。

的确，智能原生程序不需要拥挤，自己可以根据需要变形。

这一特性带来了一个缺点，智能化的原生应用虽然也可以大也可以小，但是由于智能化的通用性，不太可能是简单的工具，所以不会是太小的商品。

技术决定了先天的概率，而投入产出决定了现实的概率。

需要注意的是，智能原生应用工具等不能放在一起，包括本质上是工具的歌曲类别的有趣应用程序，这不是一种物品。

总结

如果问大模型带来了什么？那么很多人的印象可能是可以帮助写论文，生成非常吸引人的照片，生成视频。（Sora）。但是这个世界上实际上很少有人每天都在做编辑工作。假如人工智能的影响受到限制，那就不可能带来超越因特网的生产力。在大模型产生的能力中，最重要的是理解概念和自我判断的能力。只有基于这种能力，才能构建真正的智能原生应用，而智能原生应用不仅需要从0到1，还需要从1到10。

本文来自微信微信官方账号“琢磨事”（ID:zuomoshi），作者：老李话一三，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com