自我介绍
一名AI 探路人，相信AI可以给你带来一坛酒——辛辣，但解恨。
AI 是个筐，我用它装酒？
记得22年底：ChatGPT 火爆国内外时，觉得有必要玩一下。废了半天劲注册帐号、开通国外信用卡，结果问它工作中的问题：有时很惊艳，有时看它睁眼说瞎话（同事说那会经常听到我对gpt说“are you sure”这句话）。当时用下来，觉得用它生成一些结构化的文档还挺方便的，慢慢地就把它当作一个工作助手。
一年前，利用AI 文生图、文生视频火起来。群里出现教大家注册相关平台帐号，倒卖帐号，制作创意视频的案例。
半年多前，AI 编程工具火起来。一小时上手开发个网站、做个游戏。
今年过年前，DeepSeek 问世，感慨终于有自己的大语言模型了。我自己也折腾了在PC上用游戏显卡本地运行DeepSeek-r1的方案： 体验了带推理能力的大模型和之前的不同。
最近，MCP RAG Agent 一堆概念又火出圈，逐渐向着更细致的行业和工作场景延伸。
不难发现AI 圈有两个趋势：
- AI 的这个“大筐”里装的东西越来越多；
- AI 的发展和应用在向着工作场景加速，不再是刚开始那个“are you sure?” 的助手了。
那下一步，AI 是不是就会取代你我的岗位了？AI的边界在哪里？ 所以，近期打算输出一些 自己在AI道路上的内容。献丑了 ^^||
今天是第一篇： 整理AI产品，初探内在特质。
市面上这么多AI 产品，能不能分个类？
最早，我自己对于 AI分类是非常模糊的，感觉就像老师布置了个作业：要大家“把所有的豆子进行分类”。
内心OS： 我豆子都认不全，咋分类——要么 按颜色分？要么按味道分？要么按形状分？——圆的一类，扁口的一类。
但以后的AI产品肯定会诞生 各种形态的：说不准哪天再出来个“三角形”的，到时继续建新的类目？所以，只凭外观性状去分类肯定是不行的，按照术语说这叫没法穷尽——
这里找AI 介绍下分类原则：
同一标准原则 分类时必须采用同一标准（维度、角度），不能混用多个标准。 例如：以“颜色”分类水果时，只能按颜色分组，不能同时按大小、产地混合分类。
相互排斥原则 各类别之间互不重叠，每个事物只能归入一个类别。 例如：以“性别”分类人群，男性和女性互不重叠。
完全穷尽原则 分类应覆盖所有被分类对象，没有遗漏。 例如：以“季节”分类，一年四季（春夏秋冬）应涵盖全年。
层次分明原则 分类应有清晰的层次结构，上下级关系明确。 例如：动物→哺乳动物→犬科动物→狗。
同类相从原则 同一类别中的事物应具有本质相同或相似的属性。 例如：以“使用场合”分类鞋子，运动鞋、皮鞋、拖鞋各归一类。
单一归属原则 一个对象在同一分类体系下只能归属于一个类别（与相互排斥原则类似）。
具体明确原则 分类标准和类别定义应具体、明确、易于理解和操作。
如果从 AI 产品诞生的维度看，不外乎以下四个方面： AI 分析并实现用户意图的能力；用户需要调试AI的深度；用户给AI提供多少已有数据； 用户的预期。不同的AI 产品在这四个维度上，会有侧重的能力和应用场景。
AI 能力 |
调试AI复杂度 |
数据源 |
用户预期 | AI 的优势 | 产品案例 |
|---|---|---|---|---|---|
| - | - | - | - | 辅助查找问题&信息 | AI chat，AI 知识问答 |
| - | ⭐ | - | ⭐ | 普通人 也体会到之前有的工作，可能就是一句话的事情 | 文生图，文生视频，文生广告设计，使用OLLAMA 本地集成大语言模型 |
| ⭐ | ⭐ | ⭐ | ⭐ | 进一步考虑把AI 引入到工作中去，去处理那些难度不高 但重复性高的工作 | AI 合同评估； AI 文档处理（概括 or 扩容）；AI 邮件发送 |
| ⭐⭐ | ⭐ | - | ⭐ | 切入商业环境，做有SOP路径的工作流平台。承担一个完整工作流的工作 | 企业AI 知识库，AI 客服机器人 |
| ⭐⭐ | ⭐⭐⭐ | ⭐⭐ | ⭐⭐ | 进一步进入商业环境，做多个路径的工作流。承担一个岗位面临多个工作流的工作。 | AI 医生，AI HR， AI 老师，AI 律师 |
| ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ | ⭐⭐ | 供某个行业使用的大模型，往往在通用模型基础上针对性训练。 | 医疗通用大模型；芯片设计通用模型；教育通用模型 |
| ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | 各大公司 研发大模型，希望在自己商业体系中 覆盖行业&客户的需求。 | 千问 gpt deepseak 豆包 |
这么多AI 产品有没有递进关系？
考虑到AI产品和组件会快速发展下去，其中基座肯定是LLM大模型，但是组件之间又是平行的关系——没有必选的组件，而是根据使用场景把它集成进来。所以，我是打算从为用户提供价值的角度来分个层级，层级和层级之间是递进的关系。
比如：用户是希望整合现成的接口，那AI 就负责上下文记忆、整理和遵循现有工具处理这些数据就好了。 这种应用场景案例有：先需求生文字，文生图片和视频，然后调用工具把文字和视频对齐，就生成一条短视频啦。
然后，用户觉得只对接现有的接口还不够，希望利用AI的专家推理能力，结合用户自己的知识库，整合成符合特定行业需求的高级助手。这种场景的案例有：cursor claude 等编程工具，用户把自己的需求和项目框架讲清楚，这些工具可以基于已训练出来的代码能力，生成相应功能的代码 交付用户使用。
还是上面这种场景，用户需要更高的确定性：尽可能降低相同输入却不同输出的不一致性。就需要使用可定制的工作流平台——去明细每一个步骤做什么、输入什么、输出什么。这种场景案例，肯定就是基于coze dify 这种工作流平台诞生的应用了。如：HR 助手，合同助手等针对特定岗位的助手应用。
最后，少数头部玩家，肯定不满足于少数几个岗位的助手类应用，他们需要的是覆盖行业甚至更通用范式的大模型，例如 跨医疗领域大模型，它可以高效&准确的处理 整个行业中的高价值环节。
所以，从以上用户需求角度分析的话，分这么四个层级：
| 阶段 | 成本 | 通用性 | 确定性 |
|---|---|---|---|
| 自然语言识别和功能集成能力 | ⭐ | ⭐⭐⭐ | - |
| 特定领域推理能力 | ⭐⭐ | ⭐ | ⭐ |
| 受控制的调试&对接能力 | ⭐ | ⭐⭐ | ⭐⭐ |
| 基于行业的通用识别&推理能力 | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ |
如果从工作场景的角度出发，我更看好第三层级，因为这里AI的使用在成本和质量方面取得了较好的平衡。
AI这么厉害，有没有它做不了的？
-
它目前还只存在于数字空间，不能送外卖，也不能捏个脚。
目前只在特定场景下，AI 和人类进行数字交互是没问题的。平时购物时，就可以感受到各大电商平台的客服 回答那些高频问题时是很准的。
而其他领域，有待AI 进一步升级、进化 。可以想像未来某一天，AI 宠物 可以存储宠物数据平台生成的定制化宠物性格，并实时处理外接的反馈和动作。
-
违反社会伦理、道德、法律的事情做不了。例如：下面这个问题——
-
还有一种是无法结构化的事情：它能猜你想要的，例如基于人类某时刻的感受和情感做一幅画，但生成的内容质量不可控。
好啦，先说这么多。下期打算先从coze 入手，展示场景一中个人助手的小案例。