上个移动互联网十年培养了很多能打的 founder，很多人选择了下场做 AI 创业，通常在动手干了后，会发现 Mobile和 AI 有着巨大的差异。

　　有些人找我讨论，到底有什么差异，这些差异的根源在哪，思考惯性会带来哪些陷阱?

　　首先，关键问题变了。这里碎片化的写三点，感受一下。

　　Mobile的关键词是竞争，

　　AI的关键词是吞没

　　移动互联网的经典故事总是和竞争相关，外卖大战、打车大战，经典战役很多。

　　为什么移动互联网的关键词是竞争?因为我们的手机首屏只有十几个位置，这十几个位置代表了网络平台的十几个品类，通讯、外卖、打车、短视频等。

　　这些平台通常是双边或多边平台，有极强的网络效应，消费者越多，供给端越多。供给端越多，消费者越多。这个飞轮会一直转下去，直到市场收拢到一两个玩家，成为大赢家。

　　无论是几十还是几百个玩家进来，到最后基本是两国对战的状态，只有把对方打跑，才拥有土地的收税权。

　　网络平台大都是收税的商业模式，产品推广需要交抖音税，商户需要交拼多多税，这是维持这块土地有序发展的必要支出，也是平台模式成为印钞机的秘密。

　　土地所有权，是竞争发生的根源。

　　但 AI 不一样，AI 的关键词是吞没。

　　到现在为止，新一代的AI 创业持续一年半了，有听说哪两家大模型公司斗的你死我活，或者哪两个 AI 应用有我没他吗?没有的。这导致媒体很难写出一场轰轰烈烈的「大模型中场战事」。

　　但你一定听过很多吞没的故事。OpenAI 的每次发布会，鼓掌的同时，一定有开发者一声尖叫“OMG，模型把我的产品吞没了!” 类似 Jasper这样的案例不胜枚举。

　　为什么会发生吞没?因为模型是个学生，他在不断灌入数据，学习各种技能，随着模型迭代，模型不可避免的学会了更高级的技能。

　　吞没和竞争有着本质区别。竞争是，我看到你了，我像素级别的抄你，然后比拼背后的运营效率。吞没是，我不知道你的存在，我只是默默学习各种技能，不好意思，刚好把你的技能学会了。

　　前者像高手比拼内功，后者像二向箔攻击。

　　因此，预判大模型的走向，预判 OpenAI 的走向成为了AI 从业者的基本能力。

　　不要挡在 OpenAI的面前，不要被他吞没，AI 应用创业者要在 OpenAI 不会经过的道路上耕耘，还要预判下一代大模型陡峭增长的新能力。

　　比如你预判OpenAI不会做娱乐，预判多模态能力会有一个飞跃，那现在就应该基于多模态做娱乐，甚至更激进的使用 token，打满。这样在下一代模型出来的时候，产品体验才会有个跳变!

　　当我们预防被吞没时，不仅要考虑 OpenAI 做什么，还要考虑未来的四门确定性生意，AI PC、AI Phone、AI Cloud、AI enabled software(比如office copilot)。当 PC 和手机被 AI 武装起来，都有一个智能助理时，会吞没哪些 AI 应用?

　　AI 上的竞争并非没有，融资上有竞争，人才上有竞争，用户量的常规竞争也在每天发生，有人用 kimi，也有人用豆包。但因为现在的 AI 产品没有网络效应，不会出现竞争上的你死我活。

　　而吞没才是 AI 时代的关键词，事关生死。此刻，你在关心竞争，还是关心吞没？

　　Mobile押注于获客，

　　AI 押注于技术预判

　　创业是个不断拿身家押注的过程，移动时代，大部分押注发生在获客上。

　　早年，头条花了很多钱做手机预装，抖音在广点通投了很多广告，滴滴补贴请你坐车，拼多多的百亿补贴，本质上都是PMF验证后，对自己的产品留存率有自信，拿钱下注，与时间赛跑。一个基础假设是获客成本只会越来越贵，因此要在 PMF 验证后敢于增长，率先达到一定的用户量，启动网络效应或双边效应。

　　而 AI 时代的押注，发生在技术预判上，训一个模型要花千万美金，甚至上亿美金，这个模型训到什么水平?打什么 feature?频繁训模型跟进，还是憋大招?训完即领先，还是训完即落后?

　　非常考验人，赌注更大，更不可小流量实验。

　　模型间的竞争很难一骑绝尘，更像蛙跳比赛，不同时间点，SOTA 模型不一样。这也是为什么很多大模型公司都曾宣称过自己第一，不同时间点看，第一名真的不一样。GPT-4o、Claude3.5 Sonnet、Llama3.1各领风骚一段时间。

　　这种蛙跳比赛，导致快速迭代这个词失效，模型比赛更像憋大招，必须要衡量当下技术和资源的极限，提前预判Top选手在半年一年后跳到哪，然后憋个大招跳的更远!

　　而大模型没有明显的先发优势，只有 SOTA 优势(State of the Art)，只有在某些维度SOTA了，才能带来差异化的用户体验，和获取社会注意力——曝光度、融资和招人。

　　大模型创业是少数人的事情，大多数人瞄准的是 AI 应用的机会。同样，AI 应用也押注于技术预判：

　　- 方向的选择上，是在大模型的必经之路，还是在大模型不会做的方向上?这是押注。

　　- 工程实践上，堆了很多工程后，随着基础模型的进步，是变为炮灰，还是变得更有价值？这是押注。

　　- 商业算账上，明年的 token成本会下降多少?从而有勇气提前把 token打满。这也是押注。

　　你看到的AI 时代的押注还有什么?

　　Mobile看重商战，

　　AI 看重工程实践

　　移动时代，没有投资人会问这个 App能否开发出来，因为 App 开发的门槛不高，不同团队 App 交付的水平可能是 70 分和 75 分的差异，差别不大，决定胜负的是产品设计和商业效率。

　　不同团队在产品和商业上的出牌水平，经常是 10 分和 90 分的差异。因此投资人特别在意创始人是否有产品灵气，是否善于打商业上的硬仗。

　　AI 却正好反过来，远没到拼商战的时候，拼的是工程实践能力，能做个能用、好用的产品已经卡掉99% 的人了。

　　去年融资做 AI 应用的团队很多，今年交出合格产品的却不多，背后的差异在于 AI 认知和实践能力。

　　首先，是对模型的能力边界是否有清晰认知，去年很多人都高估了模型能力，真实情况是，大模型还在很早期的水平，当下实现的PMF还是有限的。因为技术的限制，行业里已经流行说TPF(Technology Product Fit)，而非 PMF了(Product Market Fit)。

　　这些产品形态，在科幻小说中都出现过，AI 搜索、 办公助手、虚拟老师、娱乐伙伴、陪你谈恋爱的 her。

　　决定做什么，已经反映了创始人的AI 认知水平，已经是 10 分和 90 分的差异了，很多写在 BP 上的产品是目前实现不了的。(如果知道实现不了，早换方向早超生)

　　其次，是工程实践能力，同样是办公助理，有的指哪打哪，有的不听指挥;同样是娱乐伙伴，有的很像人，有的很像机器人。

　　这种实践上的差异在哪呢?举几个栗子：

　　- 团队是否对全新的 AI 技术栈有理解，比如为了实现某个模型的 feature，是做 continue training，还是 fine tuning，还是 prompt engineering?知道和理解间有巨大鸿沟。

　　- 在 post training上花了多大力气?是 post train一次后，就没再迭代了，还是构建了自己的评测体系，反复迭代?

　　- 是否构建了数据循环?用户的使用数据，有用于优化模型吗?还是数据就躺在那里。

　　这些工程实践，也是 10 分和 90 分的差异。

　　同时拥有 AI 认知和工程实践的团队，只要交出合格的作业，就已经能让用户happy，就已经战胜 99% 的选手了，远没有到谈商战的时候。

　　AI还在技术巨变期，整个技术栈还很不完善，很多地方需要手调模型，手攒产品，挺靠工匠精神的。

　　等 AI 到了成熟期，商战依然是主旋律?

　　以上，是一些碎片思考，但其中差异不止这些。

　　So，当我们在一个全新行业探索时，是否问出了关键问题？

　　拿当下崭新的AI的知识和实践，刷新一遍自己的OS，似乎这样更容易问出关键问题，找到关键解法。而过去的经验，是很有价值的预训练数据，让我们在predicate the next token时更准些。

　　很多时候，能摆脱掉之前的思考惯性、不刻舟求剑，能具体问题具体讨论，就已经靠近正确的一边了。

　　而对年轻的创业者而言，没有惯性，活在当下，也是种独特的优势。