EP 49. 中美头部AI应用实战分享:Typeface、Monica如何从0到1,机会、挑战和长期壁垒(上)

EP 49. 中美头部AI应用实战分享:Typeface、Monica如何从0到1,机会、挑战和长期壁垒(上)

111分钟 ·
播放数11623
·
评论数32

大家好,欢迎来到 Onboard!这一期是几个月前拖欠的作业,不过即使在 AI 发展日新月异的今天,如何打造 AI 应用这个主题,倒也仍然不过时。毕竟打造伟大产品,本身就是一个需要长期探索和耕耘的过程。

过去一年,我们就 AI 和大模型技术做了很多深度探讨,但是一方面,大家看到大模型能力突飞猛进,英伟达等“买水”生意也蒸蒸日上。另一方面,又普遍感觉 AI 应用落地的速度低于预期。到底现在国内外应用产品真实落地的情况是怎样的?从太薄的 “GPT wrapper”, 到轻量级产品工具,到企业级应用,一线的创业者和从业者有哪些心得?出海已经是 AI 应用不得不谈的主题之一,做一个面向海外的产品,从0到1的增长应该怎么做?大模型底层技术的演进,又给产品的设计带来哪些机会和挑战?

Hello World, who is OnBoard!?

本期我们邀请到了横跨中美的几位嘉宾,在各自的领域也非常有代表性。包括Monica.im 这个用户过百万的 AI 工具的创始人,也有 Typeface 这样由 Adobe 前 CPO 创建的、针对企业级用户的美国本土 AI 创业公司的早期员工,还有经历过移动互联网时代的大厂 to C 方向探索者。他们不同视角和经验的碰撞,非常精彩,这次的内容分成两期给大家放送。

第一部分,我们讨论了不同 AI 产品形态,不同场景的应用,以及技术发展对于应用产品的影响。第二部分,我们将着重探讨 AI 产品从0到1的增长,产品长期竞争力和未来展望。都是来自一线的实践和思考干货,大家 Enjoy!

嘉宾介绍

  • 肖弘:Monica.im 创始人 & CEO。之前在国内 To B SaaS 领域创业。
  • 张涛:古典产品经理,工具、内容、SaaS都做过,目前探索 AI 应用场景中。
  • 赵鑫宇:Typeface 早期员工,负责产品后端研发以及大模型调优,此前在 Meta 和 Tiktok 等参与 growth engineering 和机器学习工作。
  • OnBoard! 主持:Monica:美元 VC 投资人,前 AWS 硅谷团队+ AI 创业公司打工人,公众号M小姐研习录 (ID: MissMStudy) 主理人 | 即刻:莫妮卡同学

我们都聊了什么

02:43 各位嘉宾的自我介绍,以及自己正在做的或公司的AI产品是怎样的?

10:27 为什么国内创业者选择在to C方向上居多,而海外更多面向to B?

12:27 为什么Monica.im选择插件形态以及前两次创业对这次新征程的帮助。

21:57 为什么Monica.im的定位是Copilot for web?

27:14 一开始就服务企业级客户的Typeface在产品和Go-to-market上有什么特别之处?

35:31 为什么Typeface需要做得足够“深”才能满足企业对Onboarding和品牌风格上的需求?

39:51 为什么对大多数来说信息不存在过载,以及用AI来处理并“消费”人类生产的内容有什么机会?

49:13 为什么未来人与AI的互动将变成一件非常正常的事情?

58:17 为什么从全行业角度,现在AI的渗透率比从业者眼里其实要低很多?

63:12 对于Monica.im,如何通过提升执行力和用户体验来加快产品渗透率的?

67:21 企业级客户对各类型AI产品的使用意愿如何,以及阻碍在什么地方?

73:04 为什么例如LCM等技术是文生图领域非常重要的里程碑?

82:38 在企业里,为什么从产品Demo到真正落地间的跨度还很大?

92:45 在做To C产品中,有哪些技术问题是Monica.im最关注的?

106:26 现在主流的LLM Ops工具有哪些,以及嘉宾有什么推荐?

我们提到的公司:

  • Jasper AI
  • Copy.ai
  • Character.ai
  • Adobe
  • Rewind
  • ElevenLabs
  • Mistral AI
  • Perplexity
  • Google Gemini
  • Lepton AI
  • Fireworks AI
  • Weights & Biases
  • Databricks

重点词汇:

  • Stable Diffusion
  • LCM:Latent Consistency Model
  • AI Companion
  • Extension
  • Semantic search
  • Multi-modality
  • Inference

欢迎关注M小姐的微信公众号,了解更多中美软件、AI与创业投资的干货内容!

M小姐研习录 (ID: MissMStudy)

欢迎在评论区留下你的思考,与听友们互动。喜欢 OnBoard! 的话,也可以点击打赏,请我们喝一杯咖啡!如果你用 Apple Podcasts 收听,也请给我们一个五星好评,这对我们非常重要。

OnBoard! 终于成立听友群啦!新年新气象,加入Onboard听友群,结识到高质量的听友们,我们还会组织线下主题聚会,开放实时旁听播客录制,嘉宾互动等新的尝试。添加任意一位小助手微信,onboard666, 或者 Nine_tunes, 发送你的姓名、公司和职位,小助手会拉你进群。期待你来!

展开Show Notes
Stewart-1006
Stewart-1006
2024.3.22
听嘉宾的谈话很明显的体会到C端P M和B 端P M思维的差异
AI-Nate
AI-Nate
2024.3.27
50:40 这里有个逻辑悖论,如果AI是“神”,那么得到神的赞扬是需要非常高bar的,你做个蛋炒饭,神的态度很可能是无视。就夸夸而言,最后你还是需要三岁孩子来肯定。😂
应该是2022.12月底开始创建monica的吧,去年2023.4面试过这家公司😳
九月双清:56:07 这个播客好像是23.12.10录的
Diiiiiiiii
Diiiiiiiii
2024.3.24
这一期比较有趣的是嘉宾对 LLM 2C 的一些观点,尤其是人如何与 AI 互动(从第 43 分钟左右开始,大概 10 分钟)。之前 Meta 就提出过的所谓“合成社交网络”,设想未来的社交网络里,一些是真人,另一些是 AI 虚拟人,相处十分和谐。说实话,我自己挺难想像的,核心问题是:如果明知对方是 AI,你还能保持正常的社交心态吗?本期嘉宾也探讨了这个问题,他做了很多个人实践,自己构建了一堆不同人格的 AI Bot 来给自己的朋友圈点赞或吵架,认为体验很好。和上一代的那种看起来很假的 bot 和模版式回复相比,如今的 bot 足够聪明,回复内容的情感足够真实,跨越了内容上的“恐怖谷”,足以撼动人的情感。

嘉宾的原话是:“那些prompt是我写的,那个程序是我跑的。但是内容出来之后,当我看到那些我知道是虚假的AI角色在点评我的照片的内容之后,我的情绪真的产生了波动。所以说,在未来的一种互动场景里面,对于内容的互动是来自于一个真人,或来自于一个AI,这个界线会越来越来越模糊。”

我个人对此还是存疑,但很可能是因为已经老了,之前的训练让我很难接受和一些 known AI agents进行拟人化的交流。但我感觉对于 AI Native 的最年轻的一代来说,这个方向一定是对的罢
1:02:30 说的对 所以还得是 卖课啊
40:16 一听声音 ,这不是浅云思绪么
Sihan_TdHF
Sihan_TdHF
2024.5.12
内容很好♥️,但提个小小建议:主持人语速太快了,而且一些习惯性的词太多了,比如“就是这个”“呃”,听起来感觉有点艰难。希望能越做越好~
42:15 大众是信息匮乏,某些行业是信息过载
AI-Nate
AI-Nate
2024.3.27
21:45 21:45 YouTube自带字幕文件,直接想办法access这个context给LLM就可以。确实不需要转录的。
bh1530
bh1530
2024.3.19
04:39 Monica 用户报道!好用的
lsc2019
lsc2019
2024.3.19
Monica聊Monica
模型和用户使用方式之间存在一个壁 不过到今天已经破壁了哈哈…
1:03:15 cloud这个用户思维真的太好太好,就是把我们自己觉得冲击的模型/技术,做成能够deliver给范大众用户的产品。
27:20 因为听了另外一期播客,反复听了很多次red和cloud关注ai的时间,还是进场非常早,23.09左右。第二是cloud说自己从业12-13年,他还是体验感非常强,非常能sense到机会。比如说能从别的CEO访谈里一句话就能看懂对方想做什么等等,对于老司机来说sense真的很重要啊!
猜想Monica是张涛和肖弘的大媒人
agent新产品manus推出 报喜👍
张佳宁
张佳宁
2025.1.06
50:02 并不是AI不聪明我就不接受AI反馈,是因为AI在我的社会中并不人,不承担社会角色,所以我没有动力得到AI的反馈
九月双清
九月双清
2024.10.20
19:09 浏览器插件可以做到根据所处的场景出现某个功能
九月双清
九月双清
2024.10.20
18:39 对功能进行分发
abc518448
abc518448
2024.5.20
1:18:30 throughput 150fps和latency 6ms是两个概念,不过确实也能即时响应。