本期继续探讨如何在海外市场打造AI应用。上一期节目我们从不同角度探讨了技术如何推动 AI 应用落地,以及嘉宾在各自领域做应用和产品的所见所闻。如果你还没有听过上一期,欢迎先补课!
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
02:31 Monica.im海外增长是如何0到1的?为什么建立一个学习型组织很关键?
13:13 五年后,Red希望Monica.im会是一个什么样的定位?
19:07 从企业服务落地角度,为什么Agents和对专业知识的抽象会有很大价值?
23:43 现在AI互动还有哪些“改良”空间以及张涛团队正在尝试哪些小实验?
29:30 什么样的AI产品出海对国内来说有优势?
32:06 如何构建应用产品的壁垒?为什么团队至少需要有很“懂”模型的成员?
43:50 如何看待与也做Killer app的大模型公司的竞合关系?海内外大模型公司差异在哪里?
60:33 Google Gemini真正的差距为什么在开发者生态上?
63:55 最后,大家未来一年工作的重心在哪里,以及还有什么期待?
我们提到的公司:
- Character.ai
- Google Gemini
- Cohere
- Anthropic
- Inflection AI
- Twilio
- Stripe
- Mistral AI
重点词汇:
- SEO:Search Engine Optimization
- Stable Diffusion
- ControlNet
- Code interpreter
- Scaling law
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!
本相当依赖NLP技术的智能客服倒在LLM时代也变相暴露出这个品类的问题,就是强业务关联的品类做通用平台。虽然LMops确实当前挺有用的,做复杂prompt的多模型效果测试,做langchain的可视化设计,但有几个隐患点思考:
1、LMops是以LLM为核心的任务链路调度平台,其真正能发挥作用一定是需要跟企业业务流强绑定的(类似于智能客服里的对话管理流程),同时LMops一定需要有企业数据库的高度权限,才能找到较好的解决问题的关键信息输入。这种品类做开源和类似IBM的服务咨询还行,但要做成一个通用平台就难了,经验积累难与具体业务解藕。
2、目前的LLM模型虽然多,但是并不是因为能力不同而需要调度(sd模型确实能力区分度相对高),更多是根据任务难度来做调度,即考虑推理成本和模型能力,为某个任务选用最合适的模型。就如GPT4也可以较好的完成编程模型的任务一样,在今后推理成本会继续下降的预期下,是否需要因为成本考虑而用多模型处理难度不同的任务呢?还是单模型+prompt工程更好用?
3、新的技术发展,比如moe技术本身就在模型层面对不同能力的模型做调度,那么当moe再进一步,LMops的意义会不会就只剩下构建工作流的可视化链了。
4、对LMops有个好玩的想法,是未来会有能力差异巨大的不同LLM模型,然后用户发布一个任务在市场上,多个LLM自行接单并完成,然后由一个审核模型审核,最后交付给用户。这种自动化的LLM调度,所需要的就是多种能力差异巨大的LLM(或者agent?)来完成。只在一种任务能力下调出一个gpt4强度的LLM不知是否可能~~