近日，PPIO 派欧云联合创始人兼 CEO 姚欣参加由 CSDN 联合高端 IT 咨询与教育平台 Boolan 举办的「2024 全球产品经理大会」，以「生成式 AI 引领产品创新范式」为主题，分享了他在 AI 时代领悟的全新思考。

会上，姚欣发表名为《生成式AI的产业创新曲线》主题演讲。他指出：“并不会出现某类大模型一统天下。无论是 PC、互联网还是移动互联网，任何行业、产业均呈现一个产业分层结构——底层的基础设施、中层的平台工具、上层的应用服务，自底向上分阶段成熟。生成式人工智能的产业发展亦是如此。

过去几年间，我们亲证了生成式 AI 底层基础设施发展得如火如荼，包括英伟达以及诸多的云服务公司。直至今日，算力基础设施还处于一个大规模增长的过程中，只是下一阶段的发展重点，会从现在很热闹的训练逐渐转向推理。随着算力成本每年 10 倍速下降，会持续解锁应用新场景。”

生成式 AI 产业的中间层则是诸多的模型公司。当前业界普遍持有这样的一个观点：在研发模型时，先做一个足够大的参数模型，性能优化到最高。不过，在落地时，会将模型适当缩小，追求性价比，甚至做多端的不同重构部署。至于为什么要这么做，姚欣表示，短期内很多人对于技术性能有过高的期待，都想立刻实现相关 API，将模型落地，但技术是要一步一步实现的。

今天我们看待的模型，它在规模、可调性、可缝合性之间也存在矛盾，因此未来并不会出现某类大模型一统天下的局面，而是大中小模型分别使用，根据不同的性能问题和成本来决定。他认为，今天的模型有点像当年 CDN 结构，它会在中心层、边缘层到终端承载不同应用，实现综合性价比的最优。

针对模型究竟是开源还是闭源这一极具争论性的问题上，姚欣表示，“对于中国的产品经理和从业者，必须坚信的一点是开源。在过去两年的时间里，开源模型的能力逐步接近商业模型，我相信我们可以在开源模型上实现大多数的应用和落地，并在此基础上进一步进行微调和改进。”

最后，对于最上层的应用层，尽管目前应用领域十分活跃，投资人也在积极投资，但应用尚未达到统计意义上的普遍成功，仍处在前期探索阶段。

为进一步剖析当前 AI 应用发展现状，姚欣用一个坐标轴来展示任务的可衡量性和标准化程度加以说明。他表示，左上角的任务如客服、翻译、数据分析等是最容易标准化衡量，这类任务最适合当前的大语言模型处理；左下角的任务如编程、设计、文案写作需要 AI 辅助创意，但最终仍需人类干预。至于右下方的任务，目前还很难仅靠大模型实现，可能需要其他工程技术手段的支持。

在 ToB 领域，AI 应用趋势与之前的 CV 时代相似，最初在数据密集型行业中落地，如安防、金融、交通和教育等。然而，非关键性应用相对容易实现，但在容错率要求极高的关键场景中，仍有挑战。许多企业通过开源模型加上数据微调和私有化部署，谨慎地进行尝试。

另一方面，ToC 领域的应用看似繁荣，但 DAU 与 MAU 的比率显示，这些应用还不够成熟，用户体验尚待完善。有趣的是，全球 AI 应用流量中，北美居首，而印度、印尼、菲律宾等地也有巨大潜力，但成本过高阻碍了广泛应用。如果 AI 成本降低至广告费可以覆盖的程度，亚洲将成为 AI 应用爆发的重要市场。

对于产品经理而言，这是一次创新的风口期。不仅中国，全球市场也提供了广阔的机会。中国拥有完整的 AI 技术到产业的生态链，有望引领全球市场。降低成本将是大规模应用落地的关键，如同视频服务，成本下降将使昂贵的服务变为免费。预计在未来三年内，推理算力成本将以数量级下降，推动应用的大规模爆发。

生成式 AI 引领产品创新范式

作为主会压轴的圆桌对话环节，在 CSDN&《新程序员》执行总编唐小引的主持下，姚欣同产品战略专家、《产品思维30讲》主讲人、《真需求》作者梁宁，创新工场联合创始人、管理合伙人汪华，CSDN高级副总裁、Boolan首席技术专家李建忠，智谱AI COO张帆围绕“生成式 AI 引领产品创新范式”主题，共同探讨这一技术如何赋能产品创新。

在生成式 AI 时代，如何让企业不被淘汰、个人如何升级，以及如何构建真正的生成式 AI 产品，这些问题引发了大家的关注。姚欣指出，在当前的环境下，创业公司必须从一开始就具备盈利能力，而不再依赖外部资本的长期投入。他认为，“如果你的 AI 成本超过 50%，而人力成本低于 20%，你才是真正的 AI Native（原生）公司。” 一家 AI Native 公司应当通过充分利用 AI 能力来降低人力成本，并且采用外包服务来减少招聘、推广等运营支出。他强调，团队规模应保持精简，尤其在中国，最好控制在 10 人以内。

姚欣认为，目前的大模型技术还不够成熟，无法支撑大规模的 C 端用户使用，性价比也不高。他围绕了移动互联网时代千元智能手机和 4G 包月套餐等经典案例分析，在此之前，手机价格高昂、流量费用过高，限制了用户使用视频等流量密集型应用。类似的，他认为大模型技术也需要时间来发展、成熟。当前大模型更新速度非常快，应用层的变化跟不上技术的演进，很多垂直领域的应用可能很快会被通用大模型所取代。因此，在技术趋于稳定之前，应用开发仍然具有较大的不确定性。等到成本下降、技术稳定后，应用场景才会真正迎来大规模普及。