截止 2024 年上半年，我对大模型的看法：20 个实习生很好但还不够好
纯银uncle约 6 分钟6 月跟犬校同学打了一晚上电话，交流对 “大模型改变互联网” 的看法。以大模型的发展之快，有必要半年整理一次思路，错了就改。
最近一年，大模型在技术侧发展飞快，用户量也不断增加，但几乎看不到 “大模型对互联网行业的深入改变”。
我对此的看法是，大模型可以驱动大模型这条赛道，目前还无法驱动大多数赛道。
我把互联网行业分成四条主干道：
内容消费 电商 O2O 工具
大模型看上去独立于四条主干道之外，还没看到发育为第五条主干道的前景。因为大模型本质上是生产力工具，在原路径上提高效率的工具。
目前大模型的主要应用场景，是给你分配 20 个素质良好的的实习生。你得知道怎样分派任务，怎样检查质量，就能用好这 20 个实习生，对于高级技术人员来说提效明显。
如果初级技术人员，甚至是小白给大模型分派笼统的任务，又看不出来结果对错，那么你需要的不是实习生，是专业顾问。专业顾问的价值很高，但远远超出了大模型的能力边界。
而 20 个实习生的商业价值，对于现有的赛道没那么高。
如果你有机会跟互联网公司管理层接触一下，就会知道，老板真正关心的不是降本增效。尤其那些经营稳定的公司，老板唯一关心的事情是：增长，增长，还是他妈的增长。
增长，意味着提供更多获取新用户，黏着老用户的服务。
站在 C 端，目前大模型对效率的提升并不是产品痛点，充其量只是痒点。“20 个实习生” 带来的效率提升并不能带来价值增长，充其量只是体验增强。既不能获取新用户，也很难黏着老用户，更不能转化付费。
一年半以来，所有大公司都在寻找大模型 PMF，寻找强力的用户价值与增长场景，很可惜，大部分空手而归。
那么 B 端总会更重视效率吧？
这没错，但 B 端也存在 B 端的卡点。
第一，哪怕 B 端重视效率，大模型是否能找到在 B 端提升效率的高价值场景？当然也有，比如 AI 面试，AI 客服，整体看来目前还很少。
第二，大模型应用的高价值场景难找，但可以赋能的提效环节很多。B 端提效往往需要融入工作流，为链路上的全员提效，而不是单点单人提效。融入工作流需要支付比较高的定制成本。
第三，为工作流定制的效率提升环节，为链路上的全员提效，创造的价值是否足够让公司重视？目前回答是否定的，支付定制成本后，对公司经营的改变还不显著。
因此大模型现在的应用，更多是个人和小团队的 PMF。依赖个人的提升意愿与动手能力，寻找个性化、碎片化的场景，为自己定制工作流，融入个人使用习惯，进行单点单人提效。
大模型作为提高效率的工具，很容易适配个人和小团队，但 “20 个实习生” 很难在个人提效以外发挥高商业价值。派驻 2000 个免费实习生，加上管理成本，对公司经营的改变并不显著——只能说对少数个体的提效非常显著。结果就是市场雷声大，公司雨点小。
大模型赋能个体，而不是赋能公司。
环顾四周，大多数人都卡在了这里。一边觉得大模型改变未来，一边等待大模型技术革新，一边茫然不知道这个未来在哪里，愿景只能寄托于进一步的技术革新。找到 PMF 的个人和小团队用得很爽，古典创业者的场景创新无处用力。
换个角度看，如果 “20 个实习生” 很难找到场景的 PMF，那么 20 个专家行不行？
应该行。
那么从实习生到专家，需要怎样的提升？
我觉得，是从 “知识” 到 “经验” 的提升。
什么是经验？经验就是 “高压缩率的隐性知识”。经验是一个人的经历与体感，存在海量的上下文信息，文本量巨大，因此以高压缩率存储在脑子里，按需取用。
就像孟岩经常说，大模型不可能复制孟岩。因为我写出来的东西，只是脑子里的很小一部分。
同理，产品经理为什么是一门实践科学？因为实践中获取的经验，上下文信息量巨大，一旦压缩成文本输出，则转换为了一张模糊缩略图。
转化为成文信息的显性知识是经验的有损压缩形态，而大模型依靠显性知识作为语料，这意味着大模型无法获取人类的经验从而成长为专家。
此外，大模型现在的缺点之一是对用户不够了解。我们试想一下，一个专家怎样帮助用户？很多时候，用户根本无法清晰准确地表达自己的诉求，专家必须以提问开场，就像医生问诊一样，引导用户说出完整的诉求与背景，再给予帮助。
在这样的一问一答背后，依然是经验在发挥作用。或者说，经验背后海量的上下文信息，让专家得以判断怎样一问一答去获取答案。这些智力活动很可能在大模型的射程以内，难点在于怎样获得经验背后的隐性知识——它们来自并未成文的经历与体感。
互联网上可抓取的显性知识，文字也好，图片也好，视频也好，都无法让大模型获取人类的经验。完整的经验存在于海量隐性知识里，就像组成宇宙的大多数物质其实是暗物质。经验的高压缩率导致人类与机器只能看见模糊缩略图，以至于自己完整地经历一遍，才会真正掌握经验背后的隐性知识，学以致用。
因此，无论大模型的技术发展到怎样强大的地步，依然会困于缺乏 “隐性知识” 的语料。这些隐性知识既包括经验背后的上下文信息，也包括怎样 “理解我”，还包括从天赋、经历与情绪中衍生出来的 “风格与灵感”。机器学习人类世界的文字，图片，视频，只能获得人类掌握信息的一小部分，更多的信息散布在无数人一生的经历里，无法提取也无法替代。
从这个思路出发，显性知识的压缩率越低，可解压的完整信息越高，这方面的大模型就越强大。
那么什么样的内容是低压缩率，高还原度的呢？
一是对经验依赖不强的，对知识的诠释。
二是代码。
这就解释了，在所有大模型的领域里，代码起到的提效是最强大的，辅助编程也是大模型最容易进攻的垂直赛道（未来可能还包括辅助 UI）。
大模型的智力毋庸置疑地不断提高，甚至看不到上限。未来的限制可能会是 “语料库”。显性知识只是人类所掌握信息的很小一部分，更多的知识直接存储在大脑里，无法给大模型供给可学习的语料。而合成数据恐怕被一些人寄托了太多的期待。
大模型目前是一条独立的中小型赛道，正在向中型赛道演变。 赋能其他赛道时，大模型在多数情况下很难创造用户价值，带来的体验提升并不重要。 “20 个实习生” 更容易实现个人的 PMF，小团队的 PMF，很难找到场景的 PMF，企业的 PMF，企业对 2000 个实习生的管理成本可能超过了收益，用大模型改造企业工作流的管理成本高，收益不确定性极强（但符合当前的政治正确）。 大模型从实习生到专家，我认为理论上不可行，成为专家需要的隐性知识（经验/经历/体感)无法成为大模型的语料。 找到那些低压缩率，高还原度的显性知识，才能挖掘出大模型应用的最大潜力。 AIGC 对内容生态是负分，会带来大量刻板八股文的 spam，“无法精准表达” 导致视频无法进行（高级）叙事，“缺乏内容风格” 导致文本不具备消费价值，目前没有看到 AIGC 带来良好内容消费性的可能性。 坚定看好 AI 情感陪伴，但对 AI 男女朋友保持怀疑，以及 AI 情感陪伴的重要方向是（收敛社交场景后）“多提问”，通过提问来了解用户，目前依赖 “用户输入，AI 回答” 的社交互动流程是一个硬伤。 除了当前流行的大模型应用外，AI 陪伴，AI 客服，AI 辅助编程与界面设计是未来我看好的大型应用场景，约束是 “相对收敛的用户场景，任务重复度较高，以低压缩率，高还原度的显性知识为语料”。