如何选择 LLM 驱动的产品创意，以在激烈的竞争环境中蓬勃发展

Rifx.Online
Generative AI , Product Development , Technology/Web
10 Nov, 2024

欢迎来到我系列文章的第三篇（最后一篇），探讨的问题是：“哪些 GenAI 产品值得开发？”

第一篇文章从用户体验（UX）和产品采用的角度探讨了这个问题。
第二篇文章，我强烈建议在阅读此文之前先阅读，包含了六个成功和不成功的产品创意示例，以及我的 GenAI Squared 战略：

3. 这第三篇继续关注如何在竞争环境中导航，以及如何优化开发成本而不失去竞争优势。尽管这篇文章的示例比前一篇少，但这里讨论的因素对 GenAI 产品领域的成功至关重要。

这三篇文章没有涵盖基于 LLM 的应用开发的技术细节。此外，我的分析不侧重于创新产品的常规成功因素，例如在那篇文章中描述的因素。

相反，作为一名产品经理，我分析 LLM 作为我产品平台的独特特性。这种方法为利用不明显的 AI 能力在产品开发中提供了新鲜的见解。

具体来说，在这篇文章中，我探讨以下关于软件产品的问题：

为什么生成性 AI 产品更容易在产生回报之前变得过时？
我们如何将这些 GenAI 挑战转化为竞争优势？
哪些 LLM 能力真正增强了产品的竞争力，而哪些则没有太大意义？
当新的 AI 产品几乎没有代码时，如何使其脱颖而出，因此优秀的程序员团队不再是关键成功因素？
在这个新环境中，AI 产品开发者最重要的技能是什么？

这些见解旨在指导产品经理和创始人在做出决策时。

那么，哪些 AI 应用可能是多余的或注定要失败 🚫，而哪些则有很高的成功机会 ✅？

请注意，下面的章节编号继续前两篇文章的章节编号。所有 11 个要点将在本文末尾总结。

9. 大型应用程序的开发周期长且市场采纳时间漫长，竞争力不足 🚫

生成式人工智能以空前的速度发展，超过了任何先前技术的增长。人工智能能力翻倍所需的时间大约为一年，这与著名的摩尔定律中描述的两年形成对比。

因此，基于生成式人工智能的产品无法承受长时间的开发周期和延长的市场投放时间。这带来了三个主要后果。

1. 新功能应该简洁且专注，能够在几周内而不是几个月内开发完成。

这种方法允许根据初步用户反馈进行快速调整，可能导致功能的重大变化。此外，当需要转变方向时（这肯定会发生），在放弃这些早期几周开发的功能时，损失的成本较少。

例如，考虑基于LLM的MVP的用户界面。如果用户可以通过Telegram机器人或类似工具实现相同的结果，那么开发自定义网页界面可能是没有必要的。

然而，如果我们将LLM融入现有解决方案或与其集成，那么“整体产品”可以具有广泛的功能。关键在于仅最小化新功能的范围。

2. 对于超快速实验和客户反馈循环的需求至关重要。

GenAI 产品的构建速度更快，但并不总是能够同样快速地获得反馈。因此，一些 GenAI 产品概念可能被证明风险过高。

快速实验当然对任何新产品发布都是有益的，因为无法提前准确预测市场反应。本质上，市场运作如同一个“黑箱”，其行为只能通过实际操作的实验来真正理解。

*在 GenAI 产品领域，我们遇到了额外的复杂性——**第二个“黑箱”**源于 LLM 输出的固有不可预测性。**这种双重不确定性加大了频繁和快速实验的重要性。*快速迭代和收集洞察的能力不仅是有利的，而是成功的必要条件。

3. 没有时间去“教育”产品的目标受众，使其适应完全新的工作或休闲模式。

只有最大的行业领导者，特别是那些拥有自己生态系统的公司，如 Google、Apple 或 Microsoft，才能相对快速地让 大多数 潜在用户习惯于新概念。

✅ 因此，其他公司必须与 用户熟悉的现有目标达成模式或行业领导者建立的趋势 对齐。

考虑一个已建立的增加收入的目标模式：人们购买培训课程以获得新技能。这个领域中的一个优秀 AI 驱动解决方案涉及使用 AI 创建这些课程，显著降低生产成本，从而增强竞争力。最终用户不需要 采取任何新行为来提升他们的收入。
最近在 Apple 设备中出现的趋势体现了一项创新，Apple 平台用户无疑会采用：使用本地 LLM 进行典型任务以保护用户数据隐私。虽然应用程序可能利用这一趋势的具体方式尚不清楚，但我相信 Apple 会为开发者提供便捷的 LLM 基础设施访问，我们只需再等一段时间。

10. 利用不太明显的LLM能力提升竞争力和资源效率 ✅

想象一下，你处于起点，手中只有一个产品概念。为了加快向高需求产品的旅程，你应该优先探索哪些方面的想法？

显然，你需要在你的概念中识别一小组特定的端到端工作场景。这与流行的产品发布策略一致：“从MVP开始”（实施一个或几个场景）和“为整个用户体验构建”（确保场景是端到端的）。问题是：你应该选择哪些场景？

在我看来，这些MVP场景应该与LLM能力紧密对齐。这种方法节省了产品交付的资源，因为显著的产品价值来自于LLM本身，而不仅仅是你开发者的努力。如果不这样做，可能会面临第7节“过度限制LLM”中概述的挑战。

🚫 LLM所宣称的超能力通常包括其回答任何问题的能力。然而，这些回答的准确性和质量本质上是不可预测的，这会导致问题（有关评估复杂性和质量监控的更多信息，请参见第1节）。此外，围绕问答中心的产品无法有效地与市场领导者如ChatGPT竞争（如第6节中讨论的）。考虑到这两个因素，我建议不要基于这种“超能力”来构建MVP。

LLM的“想象生成”能力提供了一个相对更有前景的方向。这种LLM的创造力可以激发我们的新想法，或帮助创建创意内容，如诗歌、视频脚本或内容计划。然而，根据我的经验，单靠LLM的创造力不足以构建端到端的产品场景。一旦用户从LLM获得“创意材料”，仍然需要大量的努力将其转化为所需的结果。

此外，创造力代表了GenAI最容易理解和广泛认可的能力之一。几乎任何尝试过ChatGPT或Midjourney的人都对其感到熟悉，因此任何人都可能成为你的竞争对手。

✅ 考虑到激烈的竞争，我建议专注于**LLM的不太明显的能力，**例如：

1. 翻转交互

这种人类与AI的交互模式利用了LLM的能力，提出好的问题或呈现选择用户重要项目的列表，从而减少用户的认知负担。翻转交互不仅有助于在某些领域（如教学、指导或辅导）替代部分人类工作，还帮助在任何领域建立解决问题的适当背景（更多细节请见这里）。

2. 上下文理解

LLM 擅长把握用户请求及其偏好的上下文，然后在该上下文中处理任务。这种方法确保解决方案与即使是 未表述 的用户需求保持一致。

a. 这一特性在开发者的 AI 助手中得到了最精细的体现，例如 Github Copilot 和 Cursor。在这些工具中，LLM 的上下文涵盖整个项目代码库，而用户（开发者）通常只了解特定部分。因此，开发者在为 AI 制定任务时，往往无法考虑更广泛的上下文。

b. 然而，在上下文中利用 明确表述 的用户需求的洞察也是一个强大的特性。例如，语言学习平台 Memrise 有效地实现了这一特性。

3. 少量学习

模型从少量示例中“学习”的能力使其能够轻松适应新任务和新环境。这就是为什么基于LLM的聊天机器人现在被广泛应用于销售和客户支持，与它们的对话很难与人类专家的对话区分开来。相比之下，传统的AI聊天机器人仅在大型企业中表现良好，难以适应不断变化的知识库。

4. 大规模信息处理

LLM 擅长分析大量的文本和表格数据，将其提炼成简明的形式。它能够概括、提取与当前任务相关的关键点、识别模式，并执行各种其他分析功能。

a. 以 Scite 为例，这是一款用于科学研究的 AI 工具。它不仅仅是在其十亿条引用数据库中定位与查询相关的来源。Scite 分析文章被引用的上下文，揭示引用论文是支持、反驳还是仅仅提到早期工作的。

b. 在数值数据处理方面，LLM 的输出不需要“翻译成人类语言”。这为 GenAI 分析工具提供了相较于传统统计数据处理工具的明显优势。

许多潜在竞争者可能了解这四种 LLM 能力中的一些。然而，我相信对这些能力的深入思考可能会导致真正创新产品的开发。这种方法可以提供相较于仅利用 LLM 更明显能力（如“创造力”和“回答任何问题”）的产品的竞争优势。

11. 基于深厚领域专业知识的小型AI产品具有竞争力 ✅

LLM几乎作为一个完成的产品，能够“自主”与用户互动。因此，基于LLM的应用程序在代码基础上显著小于传统的非LLM应用程序。

此外，任何具备一定技术技能的个人都可以在几天内学习开发功能丰富的基于LLM的应用程序。

这两个因素与第9节中概述的快速发展和实验要求完美契合。

然而，从竞争的角度来看，产品的小规模和GenAI开发的低准入门槛是显著的缺陷。

对于典型的大型代码基础软件产品，卓越的团队和敏捷开发流程是成功的关键要素。Bill Gross的研究将其列为五个因素中第二重要的因素，甚至超过了产品创意的可行性，后者排在第三位。

然而，当一个产品的软件开发范围很小，甚至经验不足的程序员也能开发时，产品如何获得竞争优势？

随着想法和商业模型容易被竞争对手复制……成功是否真的仅仅依赖于在你的细分市场中首发的短期优势？

第10节对此问题提供了一个答案：产品应利用LLM不太为人所知的能力。虽然这并不能保证成功，但它增加了超越可能不完全理解LLM不明显能力的竞争对手的机会。
我之前的文章概述了另一个解决方案：以创新方式在产品中实现LLM，例如LLM2策略。这种专业知识更难被竞争对手复制，因为它更深层地隐藏在产品内部。
我对这一挑战的解决方案的第三个组成部分是对高水平领域专业知识的必要性。

领域专业知识在产品成功中的重要性多年来一直是讨论的话题。虽然我找不到定量研究将初创公司的成功与创始人的领域专业知识相关联，但我建议探索一些支持这种显著相关性的例子和理由。现有研究专注于独角兽，表明创始人的领域专业知识很重要，但不是主要成功因素。

然而，我认为在生成AI领域，这一因素的重要性大大增强。对此观点的推理在以下帖子中得到了很好的阐述：

对于基于LLM的产品，技术专业知识的作用显著降低（由于软件交付更容易），这与传统数字产品的情况不同，后者是一个关键的竞争优势。相反，对领域的深刻理解变得至关重要，因为这种深度知识对竞争对手来说很难复制。

从产品竞争力的角度来看，我认为领域专业知识应当存在于设计产品并参与其实施的同一个头脑中。当然，公司的“技术”和“商业”角色的传统分离有其好处，只要它们能够有效沟通，因为这样的沟通会导致平衡良好、技术复杂且符合领域要求的产品。然而，口头沟通引入了显著的开销。技术人员和商业人士可能需要几个月才能充分理解彼此。在此期间，市场条件可能会发生剧烈变化。