灵魂拷问！AI进产线靠谱吗？| 对话郑爽&易睿邦

特别感谢德赛集团郑爽先生、以及佐治亚理工学院易睿邦博士，在本期播客节目的精彩辩论！本文部分观点来自本期播客嘉宾，更原汁原味的内容，欢迎大家订阅我们的“人民公园说AI”频道收听！

今天一早就收到很多朋友转给我关于OpenAI对中国断供的消息，大家都挺关心对我们行业影响大不大。做为一个正在运营一家AI出海孵化器的AI从业者，实话实说我觉得---影响不大。

为什么这么说呢？其实，从一开始我们就在社区内宣传：

你可以套壳，但不要做那种第一个页面就是聊天框的应用！

2C要去找刚需，不要去创造需求、不要去重做行业！

2B不要去追求AI含量有多高、要去解决业务流+AI、要去做产业+AI！

现在，OpenAI终于对中国创业公司下手了，都不用我们再宣传了！为什么我们这么强调这些呢？是因为我们必须看到AI这件事的一体两面！既要看到AI泡沫的一面，也要看到它背后真的推动科技进步的一面！什么是AI泡沫的一面呢？AIGC一定是最大的那个！

用这么高的成本去生成内容，你看90%被ChatGPT带偏的产品，打开的第一个页面就是一个聊天框，这是一个蛮严重的问题，我觉得AI被设计之初它就不是用来“GC”的，不是用来生产内容的，它应该是被融入到你的业务流里去提效的！提效才是AI进步的一面。任何科技的价值都是对于效率的提升，而不是被供奉在神坛，然后整天说找不到场景的。

而今天作为中国创业者，在各种美元回流、科技卡脖子的夹击下，如果顺着美国舆论鼓吹的OpenAI、以及它代表的AGI路线一条路走到黑，是注定没希望的！

↑图片来源网络

为什么中国AI，注定与美国分道扬镳？

我们都知道美国早已去工业化，所以本质上不管是OpenAI和Sora、还是英伟达和微软，都是在做脱虚向虚的事情，在技术上越走越深，越来越玄，动不动数字孪生一个地球。这就是美国AI的尴尬，概念炒上去了，估值炒上去了，可是大家都还在找场景。

比较接地气一点的特斯拉，在做人形机器人这个方向，似乎在看得到的未来，都不用写代码去训练它，只要你做给机器人看，机器人就能自主学习，并完成人类能做的大部分工作。

但是，做过实体的人都知道，人形机器现在用在工业生产中的成本，其实还不如一个熟练的老师傅！等你训练完模型，教会机器人拧螺丝时，发现几千万投入就这么没了，还是吃苦耐劳的老师傅靠谱呀，关键时候那一下快准狠，工资还不高！

但这！就是中国AI的尴尬了，美国搞脱虚向虚搞高精尖，我们逆着搞脱虚向实，可是遍地都是吃苦耐劳的老师傅：遇事不决老师傅、成本太高老师傅、AI不行还是老师傅。老师傅，代表的高性价比劳动力，成为我们骄傲的资本，但同时，也是中国产业升级的隐形阻力...所谓创新者的窘境吧！

但不管怎样，对于中国和美国，AI是必须要拿下的战役，是必须要打下去的强心剂。美国需要它，实现产业回流和资本增值，中国更需要它，实现产业链像微笑曲线两端的升级，如果错过AI，就错过了产业升级的巨大机会！

↑微笑曲线：图片来源网络

那么，AI离产业还有多远？

我们孵化器每天都接触很多国内国外的创业者，特别是这段时间我们正在筹备一个“AI进产线”的主题训练营，在带了很多国内外AI创业者和东莞、佛山、温州的老板们聊完以后，我们发现，大家都希望拥抱AI，借由AI弯道超车，但对于要怎么做却十分迷茫。

比如很多老板会问我们：我做了几十年鞋子，积累了有几千种版型数据，你能不能用AI来帮我预测今年的爆款？能不能用AI帮我把爆款鞋子设计出来？诸如此类的问题，很模糊、很飘逸，想想又很朴素、具体。

这说明一方面大家很希望拥抱AI，但另一方面，对于AI的原理、能力边界、以及自己的需求却没有清晰的认知。AIGC的过热，很容易让大家觉得AI无所不能，但我认为，从产业端来看，AI并不适合去解决非常开放的问题，比如生成设计图、预测爆款。但当你告诉AI根据过去几年萨洛蒙的爆款，要预测今年某款鞋会不会是爆款时，往往AI的表现会非常不精准！

但当你想找出国际大牌的爆款有什么相似点，根据他们的爆款的发布时间、用料配色、定价策略并给出一个针对你的建议时，这样的封闭式问题，即在给定数据集的范围里做数据拟合，是AI非常强的一个能力。

↑部分观点来自JustSayAI本期播客嘉宾易睿邦博士&郑爽先生

从技术上说，这本质上是大家很难分清楚大模型和小模型的区别，很那分清AIGC代表的AI 2.0和AI 1.0的区别，当然我们做业务不需要知道所有的技术原理，但我们需要足够了解AI的边界，才能用好他。让AI做开放式问题，还是封闭式问题，就是这个边界。

↑图片来源：混沌学园

如果用AI去设计爆款的成本，高于设计师设计的成本，如果用AI做设计的错误率，高于人工的错误率，那么它在工业上就不可行。核心就两个字，成本！并不是说AI不能解决复杂的工作，而是解决它的成本太高了。我们要让AI进产线，更聪明的办法，就是用低成本AI去解决那些封闭式问题，比如现在在鞋服领域，与其用AI做设计，不如用来做快速打样，在给定的样本库里，解决快速出刀模的问题。

这样的AI，并不需要多大的算力，多少亿参数的模型。可我们大多数人，都还陷入在模型参数、跑分、AGI这条美国思维上面，而没去思考原理，忘了在自己工厂每天的工作中去+AI。

那么，产业+AI第一步应该怎么做呢？

我有3点建议。

1、提取经验：我们很多企业，现在信息化都还没做完，你跟他提数字化和智能化，是没用的。我们都知道AI最关键的是知识的提取，知识的提取需要你有经验、有流程、有SOP，可是别说SOP了，我们很多老板是，要做一个业务自己搞不懂，就招人来做，做完了人走了，什么都没留下。现在中国很多老板动不动都是强调，能用人工解决的事情就用人工，这种路径依赖的惯性是极大的，大到可能一代人都无法转型数字化智能化。

所以第一步，就是去看看每一道工序，我们能提取出哪些有价值的标准。比如库存管理，缺货怎么办？怎么补货？安全库存预警是多少？这些沉淀在一线人员脑子里的经验，都是我们需要去总结提取的。

2、改变思维：很多制造业老板，还是会拿AI去和人工成本比较，因为在传统的思维里人工成本是制造业非常重要的一块。但，如果希望借助AI实现产业的升级，从加工制造走向微笑曲线的两端，即设计和研发，那就必须改变这个成本思路。

与其降低成本，不如提高收入，我们愿意花几千万请明星代言，为什么不愿意让AI变成我们企业的明星产品呢？AI是完全有可能，让一个OEM工厂，具备设计能力和科研能力的。比如之前我们看到一些国际大牌很多模板的鞋子能定制，那未来有了行业AI能力以后，我们就能在直播间里就能根据客户口述的需求，直接切割材料进行生产，这才是一个AI时代的增量思维。

3、动手一试：说一千道一万，还是要自己动手去感受AI的。很多专业的AI训练，已经能做到自然语言去和机器交互，也就是并不需要技术人员去实现，而是业务人员自己就能参与AI模型的训练、调优。

而我们有多少人去试过呢？甚至再问一个极端的问题，ChatGPT在中国的使用率达到1%了吗？答案是悲观的，在业务人员和技术人员之间，有一个巨大的鸿沟，过去无法逾越，现在看来也是困难重重，可是，AI时代真正需要的，是懂技术又懂业务的人，而不是工业时代那样泾渭分明的分工，技术是技术、业务是业务。

而懂得人，早就开始行动了！

AI进产线，正当时！