为什么说“模型不是产品”

最近看到一篇很有意思的文章：自己训练模型才能掌握未来？一股脑押注应用层或许值得警惕，核心观点是模型即产品。这观点我事实上前面在“AI应用的本质（十分抽象，有点关键）”中已经回复过，这篇我举个具体的例子，进一步聊下模型和产品的边界。

先说结论：AI大模型会折叠掉大量按照过去思路设计的产品，但也会催生一个全新的产品簇。从对旧世界产品的破坏来讲，模型即产品；从创建新产品世界来讲模型不是产品。

下面拿企业举一个具体例子，然后分析其中各个环节，看哪些环节是会被折叠到模型之中，而哪些不会。然后其它领域大家可以自行脑洞。

人的角色和价值

比如苹果公司，这公司做的事可以简单概括为创造新产品，改善新产品，销售。如果忽略细节公司的运转就变成一个不停创造知识，并用新知识打造新产品的系统。

这时候企业自身的运转可以看成是一个知识创建和流转的过程。

描述这个创造过程的理论中比较有名的是野中郁次郎的SECI（下图是从侯宏老师PPT中截取的）：

现在AI要重塑这个企业，哪里会发生变化呢？

如果我们不认为苹果公司会变成Matrix，也就是说你不扔主意它也干活。

也不认为这是一种人控的Matrix，也就是说你扔一句话它就把活干了。

（上述两种情形如果实现，其实就没有公司了，是完全另一种经济形态和社会形态，即使可能，也科幻的很，就不说了。）

那么上面的知识创建和流转过程就必然需要加入AI的角色。

过去知识创造过程里，人和组织是二元分立的，人是知识创造的主体，创造的东西需要在组织中存储，所以往往被命名为知识库等等。

但在新模式下，AI驱动的组织既承载知识也创造知识。

这里产生第一个边界：AI不会创造所有知识，真正的新知识创建还有人类的角色在。也就是说当地球上从来没有过现在我们在用的智能手机，AI直接就把它干出来，估计不是这样的。还要乔布斯等人的介入。

这个边界也会成为模型不是产品的支撑，人与智能组织的协作边界是需要复杂定义的，并且每个公司的知识系统不一样，偏好不一样，模型自身不能包含所有公司的偏好和特征。

数字与非数字的边界

下面再深入一层，然后说第二个边界。

在新模式下，AI也是知识创造的主体（当然人也还是）。

在这个知识过程中在不同情景下，人和AI的权重是动态的，比如棋谱那可能就真的是百分百AI，但比如某种制造工艺，那就可能是人+AI，再比如某种道德体系那就可能完全是人。

但不管是哪种配重，最终知识的承载主体会变成组织，新式的智能组织。

这是和过去的根本区别。

在这个知识创造过程中，一共就有这么几个相关的角色：

1. 既有的沉淀到数字空间的知识

2. 尚未沉淀到数字空间的知识

3. 人、AI

3没什么好说，1、2可以用另一个模型来做思考。

（继续盗侯宏老师的图，DOS模型本意应该不是这个，算是歪念的经）

这里面：

Digital space：可以代表企业历史沿革，过去在数字空间中都沉淀了什么，比如历史经营现实，数字资产等。

Resource space: 可以代表社会关系中的所有权，企业有什么，比如有2亩地，一栋房子

Utility space: 可以代表你的可操作性，比如有两头牛，三辆车。

Institutaional space：可以代表某种权限结构

这四个维度上数字和非数字各有边界，所有权有边界，并且因为现实世界的流变所以也都会动态增减。

在知识创造过程中，人可以调度这四个维度上信息进行知识创造，AI也可以。

因为这里面很多东西是私有的，所以私有知识应运而生。

如果我们不假设世界是百分百数据化，也不假设没有所有权边界，那么第二个边界就出来了。

所有权和非百分百数据化成为第二个边界。在上面四个维度上都需要接口，这种接口不太可能一下子适配所有的公司。适合苹果的大概率不适合小米。每个企业在这个边界内创造自己的部分，并且也有一部分会不停流入公域，流入大模型，但真正有价值的是属于自己的那部分。包括AI创造的，人创造的以及两者协同创造的。

我自己判断，在特定约束条件下，排列组合型的知识估计都是AI主导了。

但如果本来不知道怎么造7nm芯片，而想把它工艺创造出来，估计纯粹AI还不灵，需要人+AI，因为这牵涉很多物理世界的实验设备、反馈等等。

上面两个边界决定了AI进入企业后，企业会变成一种新式的动态知识系统。每个企业并非是归一化的，但边界之外可以归于模型，这是归一化的，边界以里归于自身，这是差异化的。也就是说如果企业不创造差异化的知识，那基本没有存在价值。

而两者之间（差异化的知识和公有的知识）的连接就是新型应用。它注定是一种系统型的超级应用（以前写很多这个话题，这次再往下延展一点）。

系统型应用

这种应用的功能不可能是单纯数字、AI完成某个简单任务（创建文件、拷贝文件、浏览、总结等等）而是要完成上面说的动态知识创建。

在四种维度上都需要一种表征（即统一的企业模型），如果为了通用，这种表征还要比较抽象，通过具象和实例化能够变成不同的企业。

这个企业模型不是AI大模型，一定程度上和过去ERP底层的模型类似，但要面向AI。

任何时间点它都要是一个企业全量信息的截面。同时又因为不可能所有企业都完成充分数字化，所有任务也不可能完全由AI完成，所以要留有一个动态的让人接入的接口。

用Glean来举例，就是左下connector加上权限等形成的一种企业表示：

而这套系统要想运转起来，那么除了一套执行系统类比经常说的System1，还需要System2，System3。我们最后说核心的System1。

System2可以看成一个在各个方面需要和人进行交互的界面，核心是注入人类的知识，比如运行的基本策略等等。

System3可以看成是一个对某些物理世界的活动单元进行管理感知的系统，比如你需要配送，那要知道车在哪儿。

System2和System3都需要和人打交道。

System1则不是，System1基本是一个纯粹的由AI智能体组成的系统。它消化人的注入，自己也创造知识，同时也完成企业的核心运营。如果要类比，那在Robotaxi这类系统中这部分完成对所有出租车的调度管理。并不一定总是需要3套系统，System1在一段时期会最关键。

暂时似乎看不见把这三个系统合并为一，变成一个超大号的端到端系统（可以回看前面两节提到的边界）的可能，如果是这样，那其实就是模型的归模型（通用知识和通用智能），应用的归应用（任务导向的多角色联动，权限，物理世界的接入，人机协同边界的处理等）。

小结

如果从工具（AIGC等）的角度看模型确实只会看到归一化，归一化的结果就是模型即产品（我以前写的是模型即应用）。如果从知识创造过程来看待模型就会发现模型也不过就是其中一个环节（不能把模型等价为全知全能），这时候显然的模型不是产品，而是一个部分。更上位的就是智能原生的产品。上面虽然拿企业端举例子，C端其实是类似的。

本文来自微信公众号：琢磨事，作者：老李话一三