最近，AI 圈子里有兩個(gè)事值得關(guān)注：
一個(gè)是 GPT-4o 推出了新的畫圖模型，另一個(gè)是豆包升級(jí)了“邊搜邊想”功能。
這兩個(gè)例子都指向了一個(gè)正在越來(lái)越被人接受和認(rèn)同的 AI 新范式——“模型即產(chǎn)品”。它聽起來(lái)有點(diǎn)抽象，但其實(shí)可能會(huì)影響未來(lái) AI 產(chǎn)品的發(fā)展形態(tài)。那么“模型即產(chǎn)品”到底是什么意思，它跟傳統(tǒng)的AI方式有什么不同，為什么它這么厲害但為什么又不夠普及？ 什么是“模型即產(chǎn)品”？ 簡(jiǎn)單來(lái)說(shuō)，“模型即產(chǎn)品”就是把AI模型本身當(dāng)作產(chǎn)品，它的核心價(jià)值來(lái)自于模型的智能和能力，而不是靠一大堆復(fù)雜的軟件或界面來(lái)包裝。
比如說(shuō)，GPT-4o的新畫圖模型，你只需要上纏圖片寫六個(gè)字：“吉卜力風(fēng)格化”，它就能直接生成一張高度還原又可愛(ài)的吉卜力動(dòng)畫風(fēng)格圖片；或者你可以基于剛生成的吉卜力漫畫形象再去生成個(gè)表情包，甚至還能生成一幅四格漫畫。不需要你會(huì)用Photoshop，也不用切換好幾個(gè)App，一個(gè)模型就搞定了一切。 想想以前畫圖的流程：你得先找素材、調(diào)顏色、畫線條，還得用別的工具加文字，步驟多得讓人頭暈。而現(xiàn)在，GPT-4o的畫圖模型把這些都“學(xué)會(huì)”了，直接給你成品。 這就是“模型即產(chǎn)品”的魅力——模型可以直接滿足各種場(chǎng)景下的不同情況，而不需要你去設(shè)計(jì)復(fù)雜的工作流或者在不同的 App 之間切換。
它和傳統(tǒng)的工作流智能體有什么區(qū)別？各自有什么優(yōu)缺點(diǎn)？ 傳統(tǒng)的AI應(yīng)用大多是“工作流智能體”模式。啥意思呢？就是通過(guò)預(yù)先設(shè)計(jì)好固定的流程，把AI模型和其他工具串起來(lái)，按部就班地完成任務(wù)。比如前一段時(shí)間很火的 Manus，如果你讓它“幫我規(guī)劃一下北京到山西自駕游的詳細(xì)行程”，那么它會(huì)設(shè)計(jì)一個(gè)類似于 TODO List 的工作流：
- 搜索北京到山西之間的景點(diǎn)信息
- 搜索北京到山西自駕游的攻略
- 生成詳細(xì)行程 這樣的工作流優(yōu)點(diǎn)就是容易執(zhí)行，按部就班就能出來(lái)結(jié)果，缺點(diǎn)就是不夠靈活，因?yàn)?TODO List / 工作流一旦定了，就不好根據(jù)返回的結(jié)果做調(diào)整。
如果搜索結(jié)果中出現(xiàn)了最近北京到山西之間某一段高速施工的新聞資訊，或者未來(lái)會(huì)出現(xiàn)極端天氣的新聞資訊，那么就需要增加對(duì)繞開高速路段的搜索和天氣預(yù)報(bào)的搜索，最終綜合調(diào)整行程。
豆包最近測(cè)試上線的「邊搜邊想」功能是另一個(gè)很好的例子。不同于傳統(tǒng)AI的“先搜后想”——模型根據(jù)你的問(wèn)題，一股腦搜索一遍網(wǎng)絡(luò)資料，然后拿著這一份固定的信息來(lái)作答，豆包會(huì)在思考過(guò)程中進(jìn)行多輪搜索。也就是說(shuō)，模型邊回答邊判斷：“我是不是還缺某方面的信息？” 如果是，它會(huì)主動(dòng)再搜索。如此循環(huán)，直到把問(wèn)題各個(gè)方面都弄清楚為止。
就像前面行程規(guī)劃的例子，“邊搜邊想”先搜出基本景點(diǎn)和交通方案，再根據(jù)這些結(jié)果想到“還需要看看最新的天氣預(yù)報(bào)和當(dāng)?shù)亟煌ㄇ闆r”，于是進(jìn)行第二輪搜索獲取這些動(dòng)態(tài)信息，最后綜合各方面數(shù)據(jù)，甚至連景點(diǎn)之間的小交通都考慮進(jìn)去，給出一個(gè)周全的行程表。 這就像一個(gè)聰明的助手，會(huì)根據(jù)手頭的信息動(dòng)態(tài)調(diào)整策略，而不是死板地走完預(yù)定路線。
為什么“模型即產(chǎn)品”很難？ 既然“模型即產(chǎn)品”的模式這么強(qiáng)大，為什么不都采用這種模式呢？因?yàn)閷⒛Ｐ陀?xùn)練成一個(gè)適應(yīng)不同場(chǎng)景的通用產(chǎn)品，簡(jiǎn)單易用太難了：
- 研發(fā)門檻高：需要有很強(qiáng)大的基座模型；需要有優(yōu)質(zhì)數(shù)據(jù)；需要專門的強(qiáng)化訓(xùn)練。
- 資源燒錢：訓(xùn)練模型得用超級(jí)多的計(jì)算資源，像GPU集群，小公司根本玩不起。
- 市場(chǎng)風(fēng)險(xiǎn)大：投入大、周期長(zhǎng)，投資者往往更愛(ài)快見效的應(yīng)用，而不是這種“慢工出細(xì)活”的項(xiàng)目。
- 用戶體驗(yàn)挑戰(zhàn)：模型再牛，也得有個(gè)好用的界面。像 GPT-4o 在聊天框就可以畫圖，像豆包只要選中“深度思考”就可以自動(dòng)“邊搜邊想”。
簡(jiǎn)單科普：強(qiáng)化學(xué)習(xí) 說(shuō)到這，有必要提一提“模型即產(chǎn)品”背后的核心技術(shù)——強(qiáng)化學(xué)習(xí)（Reinforcement Learning, RL）。簡(jiǎn)單說(shuō)，就是讓AI自己試錯(cuò)，像訓(xùn)練馬戲團(tuán)的動(dòng)物一樣，給它獎(jiǎng)勵(lì)和反饋，讓它慢慢學(xué)會(huì)做事。 舉個(gè)經(jīng)典例子：AlphaZero，那個(gè)打敗人類圍棋冠軍的AI。它沒(méi)靠人類教招式，而是通過(guò)強(qiáng)化學(xué)習(xí)，自己跟自己下棋。贏了有獎(jiǎng)勵(lì)，輸了調(diào)整策略，玩了幾百萬(wàn)局后，它不僅學(xué)會(huì)了圍棋，還發(fā)現(xiàn)了人類幾千年沒(méi)想到的招數(shù)。這就是強(qiáng)化學(xué)習(xí)的厲害之處——讓AI自己摸索出最佳方案。
比如豆包的“邊搜邊想”也是通過(guò)強(qiáng)化訓(xùn)練，通過(guò)模擬的搜索數(shù)據(jù)庫(kù)，以及搜索訓(xùn)練集，讓模型一遍遍的去對(duì)給定的問(wèn)題去嘗試不同的關(guān)鍵詞和思考后再搜索，一次又一次地嘗試后終于偶然找到了答案，得到獎(jiǎng)勵(lì)。
然后，模型再嘗試?yán)斫獠⒖偨Y(jié)出那些能提高下次找到相似答案可能性的規(guī)律。 這種自主學(xué)習(xí)能力，是“模型即產(chǎn)品”能取代復(fù)雜工作流的關(guān)鍵。 未來(lái)展望 盡管挑戰(zhàn)不小，但可以看到“模型即產(chǎn)品”已經(jīng)成為AI發(fā)展的重大趨勢(shì)。
展望未來(lái)，我們可以期待“模型即產(chǎn)品”帶來(lái)更多驚喜。也許再過(guò)不久，你與AI的互動(dòng)將不僅局限于問(wèn)答，而更像是與一個(gè)能夠替你執(zhí)行復(fù)雜操作的數(shù)字伙伴合作。屆時(shí)，我們的許多應(yīng)用場(chǎng)景可能被重新定義：很多以前要在人和工具之間反復(fù)切換的事情，現(xiàn)在一個(gè)AI模型就能包辦。從創(chuàng)作靈感的火花，到繁瑣資料的整理，再到?jīng)Q策方案的拿出，AI模型將直接為你提供端到端的支持。 真正聰明的AI，不是你告訴它怎么做，而是它自己知道該怎么做。
暫無(wú)評(píng)論，快來(lái)評(píng)論吧!