Reading Notes #02|解构未来

#1 圆桌对话:关于中国 AI 的未来 本月 10 日,在北京中关村举办的「AGI-Next 前沿峰会」上,中国多位顶尖的大模型领导者齐聚一堂。 其中一段围绕「中国 AI 的未来」展开的圆桌讨论,整体质量非常高,让我印象深刻。 姚顺雨:OpenAI 前核心研究者、腾讯 AI 新部门负责人 林俊旸:阿里 Qwen 技术负责人 唐杰:清华大学教授,智谱创始人 我特别赞同姚顺雨关于中国需要一个更成熟的 ToB 市场的判断。市场,终究是技术与产品孵化最重要的“底池”。 他还进一步提到一个主观因素——中国具备创新与冒险精神的人不够多。在我看来,某种程度上,也正是因为缺乏成熟的市场支持,导致创新的回报风险大、投入不确定性高,而社会兜底机制与对失败的包容性尚不完善,这些因素叠加在一起,才使得国内真正敢于放手一搏的人并不多。 中美之间在财富规模与算力储备上的差距本身并不令人意外,但林俊旸提到,中国在算力层面可能落后美国 1–2 个数量级,这一点仍然让我感到震惊。在 scaling law 的作用下,这样的差距并非线性,而是会对模型能力产生显著影响。 此外,他对 「未来最领先的 AI 公司是一家中国公司的概率大约 20% 」 的判断,也让我感觉非常务实,尤其是他提到,这里面“真的有很多历史积淀的原因”,让我不得不苟同。 相比之下,唐杰的回答则更加稳健。 他在正视现实差距的同时,也明确提到,中国的国家战略与营商环境正在逐步改善,对创新的鼓励力度也在持续增强; 与此同时,中国的年轻一代正在变得更愿意承担风险,去尝试不确定性更高的事情。 顺着这条逻辑推演,未来的走向,终究仍然取决于我们每一个人自己。这是一个非常朴素,却充满智慧的判断。 以下内容摘录自: 科技爱好者周刊(第 381 期):中国 AI 大模型领导者在想什么 发言实录: https://www.53ai.com/news/LargeLanguageModel/2026011069524.html 主持人提问 李广密(主持人):我想问大家一个问题,在三年和五年以后,全球最领先的 AI 公司是中国团队的概率有多大?我们从今天的跟随者变成未来的引领者,这个过程到底还有哪些需要去做好? 姚顺雨的回答 我觉得概率还挺高的,我挺乐观的。目前看起来,任何一个事情一旦被发现,在中国就能够很快的复现,在很多局部做得更好,包括之前制造业、电动车这样的例子已经不断地发生。 我觉得可能有几个比较关键的点。 (1)中国的光刻机到底能不能突破,如果最终算力变成了瓶颈,我们能不能解决算力问题。 (2)能不能有更成熟的 To B 市场。今天我们看到很多做生产力或者做 To B 的模型和应用,还是会诞生在美国,因为支付意愿更强,文化更好。今天在国内做这个事情很难,所以大家都会选择出海或者国际化。这和算力是比较大的客观因素。 (3)更重要的是主观因素,我觉得中国想要突破新的范式或者做非常冒险事情的人可能还不够多。也就是说,有没有更多有创业精神或者冒险精神的人,真的想要去做前沿探索或者范式突破的事情。我们到底能不能引领新的范式,这可能是今天中国唯一要解决的问题,因为其他所有做的事情,无论是商业,还是产业设计,还是做工程,我们某种程度上已经比美国做得更好。 林俊旸的回答 这个问题是个危险的问题,理论上这个场合是不可以泼冷水的,但如果从概率上来说,我可能想说一下我感受到的中国和美国的差异。比如说,美国的 Compute(算力)可能整体比我们大1-2个数量级,但我看到不管是 OpenAI 还是什么,他们大量的算力投入到的是下一代研究当中去,我们今天相对来说捉襟见肘,光交付可能就已经占据了我们绝大部分的算力,这会是一个比较大的差异。 ...

2026年1月23日 · 赵华洲

Reading Notes #01|AI 产品范式

#1 人工智能时代需要反思的经典产品规则 Rupesh Agarwal|前 Zalando 产品负责人 传统 PM 经验在 AI 场景下可能整体失效。 前 Zalando 产品负责人 Rupesh Agarwal 在本视频中概述了产品负责人在向 AI 时代转型时需要做出的十个关键转变: 这十个关键转变,尤其可作为我所定义的 AI 应用层 产品经理,向 AI 工程化层 过渡时的参考坐标。 转变 1:从确定性到概率性 在经典产品中,功能是确定性的。如果你发布一个登录按钮,它要么能用,要么不能用。相同的输入,结果相同。然而在 AI 产品中,输出变成了概率性的。相同的输入可能产生不同的结果,准确率也会波动。 因此,思维模式要从“控制”转变为“引导”。这意味着 AI 将产品工作从确定性管理转变为概率管理。对你而言,这意味着停止承诺确定性,开始管理概率范围。 转变 2:从发布功能到训练系统 在传统产品管理中,焦点几乎总是像时钟一样精准地发布功能。然而在 AI 产品世界里,真正的产品是从数据中学习的系统。你真正的产品是持续训练和再训练的系统。 这对你意味着:你的路线图必须包含数据质量、再训练周期和模型监控,而不仅仅是 UI 或工作流的发布。 转变 3:从客户反馈到数据反馈 在传统产品中,反馈通常来自访谈或调查。但对于 AI 产品,反馈往往来自错误标记或缺失的数据。 最重要的反馈可能永远不会直接来自用户。用户描述症状,数据揭示原因。这对你意味着:必须建立持续观察模型输入和输出的系统,反馈现在存在于你的数据之中。 转变 4:从静态 KPI 到动态性能 在经典产品中,成功通常通过采用率、留存率、收入等来衡量。然而在 AI 产品中,我们需要额外的指标:模型准确性、延迟、公平性、偏见和可解释性。 这里的业务 KPI 失败通常追溯到模型性能问题,而不仅仅是产品 UI 缺陷。因此,平衡这些指标与传统 KPI 至关重要。如果一方出现漂移,另一方就会崩溃。这里的要点是:AI 产品的失败通常不在 UI 层,而在模型层。这对你意味着:你需要从两个维度衡量绩效——业务影响和模型行为。 ...

2026年1月4日 · 赵华洲