下一个时代的创业:Go Big or Go Home
「下一个时代的创业」访谈是AIGCxChina(中国AIGC产业联盟)发起的公益项目,旨在通过访问形式,以若干关键问题,采集梳理各领域专家对于AI时代的思考和建议,助力读者提升AI时代的生存发展能力。下面这篇文章是AIGCxChina主席倪考梦对顾青先生的访谈。
顾老师是数据驱动决策、大规模增长和商业化创新专家,长期帮助各行业的企业管理决策者解决数字化战略、数字化成熟度评估、用户体验战略、数据驱动决策、产品创新和大规模试验评估的挑战,给几百个企业及创业团队做过顾问,目前担任「DTALK」创始人,也兼任清华至道教育MBA/DBA班数据驱动决策导师,中国电子工业标准化协会用户体验专家委员,36氪企服点评特聘导师,大观资本旗下「出海同学会」的官方智库专家及环球旅讯首席导师,曾担任携程集团TRIP.com的全球业务增长及数据决策负责人。访谈中,顾老师分享了AI创业相关的观点。
倪考梦,中国AIGC产业联盟主席:
这个访谈是由中国AIGC产业联盟发起,今天是第14期,每一次其实我们都是邀请一些身边的IT或者技术领域的大咖,然后来谈一谈自己对AI问题的一些理解。他们中间很多人都是现在AIGC这个大潮的弄潮儿及参与者。我们一开始的时候是封闭式的,都是我们联盟内部的朋友相互之间交流,后来想把这个东西开放给所有人来听,那么最近我们是坚持每个星期三都更新,除了国庆停了一周,其他时间是一直坚持下来,每个星期三的晚上八点钟。
顾青,DTALK.org创始人
谢谢倪老师组织这次交流。
我自己因为很多年前就开始做跟搜索引擎相关的产品和技术工作。1997年的时候。整个搜索引擎的行业的激烈程度不亚于现在的AIGC,也不亚于当年的团购网站。
全世界几百个搜索引擎相关的公司一堆,所以最终谁胜出,大家现在很清楚。
数据驱动及网络效应最终帮助谷歌获得全面胜利,一个典型的超大规模全球增长的例子。
但是这个结论没有意义,因为关键是过程,所以今天我的很多观点都跟一家创业企业的规模化思维和创新迭代有关,也包含视野和使命。
现在你即便是做AI GC方面的创业或者说。你想通过ai的技术来做你的数字化转型,但是根本的问题依然是如何解决从0-1,然后逐步规模过程的管理。
所以如果是AI领域的创业,我觉得需要一种Go big or go home的态度。
这需要很不一样的管理模式、思考和实践能力。
问题一:您认为AI在不远的未来,在哪些方面会严重的影响我们的工作和生活?
AI一定会在很大程度上影响我们的生活和工作,因为生产力的变迁。
历史上青铜、火药等,这些都是生产力的工具。变迁代表阶层的变迁,阶层变迁导致整个社会结构变迁,然后也会产生新一轮的生产力变迁。
现在的AIGC也是一类生产力,现在我认为所有人是被它能力下限的高门槛惊呆了。但是它的上限在哪里反而更重要。
写过提示词prompt的人,可能自己会写一个假如说12K这样的去测试它的上限,那基本上已经出现幻觉了,出现幻觉就意味着能力上限已经被碰到了。
所以我们必须理解目前的AIGC只是在有限理论的基础上实现了类人任务的早期阶段,比如其实飞机是在做类鸟任务,潜艇在做类鱼任务。
现在的AI在做类人任务,像midjourney这样的工具,其实已经在下限上做的很好。创业团队想要去超越midjourney的创业团队,我觉得绝对不容易,除非你在细分的用户需求里面找到一个细分的,没有被很好解决的问题。
但是要找到这个问题,有挑战,需要考验团队的产品思考和用户洞察能力。
现状是我们承认现在头部的AIGC软件在创作型的工作上已经达到了类人任务很高成就。
但是,我不愿意去预测影响的程度。本质上这个世界是随机性的。
经济学界和量化投资领域都很喜欢做预测。如果我们觉得这个世界是可被预测的话,那么理论上讲你就不认可这个世界是随机的,因为你认为所有事情都是可以被计划的。但事实上面。我们回顾历史,会发现大量的随机性反而在保持这个世界的总体可韧性,从森林火灾管理、经济管理到创业投资。
单纯的去预测未话,一定会带来大量的医源性损失。换个例子如果你完全依赖医生和医药企业要求你做的精准健康和服药管理,你会在一个长期的服药过程中处在一个稳定性中的弱体质,而缺乏韧性。
对于创业来说,不要去预测去做什么,而是换成做迭代。
还是谷歌,也犯过预测的错误。G plus当年坐拥谷歌gmail几个亿用户的基数,但是为什么最终被关掉?因为它就是一个强计划的产品,是谷歌觉得自己有资源,但是又被facebook在social net的这种巨大的压力顶不住了,所以他就去强推G plus,但最终是关掉了,虽然它也是有很多功能基于机器学习和深度学习技术的。
具体到对工作的影响,比方说讲在增长领域里面,大型企业的SEO里面有一个很大的工作就是内容创造。
以前很多人在做SEO的时候,很多自动化的做法,批量产出内容方法,包括利用爬虫。
最近,google 8月份的一个算法的更新已经明显的给出一条线:我并不在乎你的内容是AIGC写的还是人写的,只要它对用户有用。
但是关键问题在于对用户有用怎么评估?
如果你做内容的目的是为了获取点击率,去获取排名的话,反倒会被很容易识别出来。
对用户有用,就意味着有大量的AIGC的这些内容写出来之后,需要:
-
做人工校验 -
在技术上实现本地化的内容整合,比方说:一些本地化的标签或本地用户的自发UGC内容 -
如果用户UGC里面有特别垂直的详细的、专业的评论回答,那么在google看起来的就是对用户有用。
所以虽然我们认为好像可以大大的快速复制内容,但实际我们需要加入对用户有价值的机制和产研支持。
这个机制是靠产品负责人根据用户的真正的需求去做,所以在大量的AI GC的内容产生之后,内容生产的任务会发生迁移。
这里也体现我一直提倡的2点:
-
要想办法解决规模化的用户价值 -
要对可重复的部分进行自动化
比如:AI给我写了200篇,一天内就写完了。我该用什么流程来做人工审核?这是新的挑战,特别是对创业团队来说。
还有一个场景,如果做营销的这个团队需要在AI画出的500张图里挑出两张图,最能体现品牌价值,这个人该怎么去做?
所以学习变得更重要,也就是说对500张机器生成的图进行挑选,或者对500篇文章,去挑两篇,这里面绝对是需要有美学和文笔的训练。这些直觉是需要训练出来,所以对于年轻人来讲,恰恰是因为AIGC出现之后,死记硬背的东西不要学,但需要学习大量通识性的内容,以及积极实践,要去经历事情,这对于我们现在中国的年轻人教育就是个新的命题。
问题二:在AI的创业过程中间,您认为哪些是决定成功与否的关键变量?
我认为是人。
如果今天我是投资人,我投这个项目的话,我首先看团队。
你说你用ai去帮你解决问题,那所有团队都可以,这是平等的。每个团队可以用AI解决问题。
为什么是人不是其他?
举例子,比方说你要创业,我们经常说有一个商业画布(BMC),上面有一些部分需要思考,比方说:
-
关键的合作伙伴 -
关键的活动 -
关键的业务价值点 -
收入的来源是什么 -
渠道是什么 -
关键资源是什么 -
成本结构是什么
然后你如果向ai提出这个问题:我今天要做什么样的生意,然后你帮我能不能写一个基于商业画布的计划书。
然后AI就开始给你写了,真的!
比方说你告诉AI: “如果我要做一个视频编辑的软件,可以充分利用社交平台的方式做增长,请帮我写一个商业画布BMC,它的确可以给你写出来。
问题是你会发现?怎么写的都不敢相信,因为他写的太精准了。
这里就是一个例子:
关键是所有的创业的过程,它必然是有一个不可知的模糊的过程,是对不确定的需求进行探索讨论发现的过程。
我们创业一定是在模糊地带上去找可能性和机会点,但恰恰因为大语言模型既然是AI的基础技术,它的目标是一定要躲过图灵测试。
而我们人类的智能可不是为了要躲过图灵测试,按照佛家的话,我们有色受想行识,最多现在AI能够把色和受的一部分来执行,但是有很多的现实世界中的的交互绝对不是靠聊天解决问题,而是要用整个身体和内心去感受。
这也是创业必然也是知行合一的,需要人自身的实践。
所以人是最关键的变量。
第二个因素就是创业团队对目标object,也就是我们对成功的定义是什么。
因为既然问题是创业决定成功与否的因素那么如果说创业成功与否本身也是个问题的话,那么请问你如何定义自己的产品或者业务是成功的?
比方说美国一家在线的超市,大家认为它的目标O是什么?
它的object比如按照OKR去拆的话,它的O是什么?可能很多人说那就是销量吧? 因为我要挣钱,我要卖货。
但是这家在线超市的目标却是是从用户价值出发去定的:
用户购买后实际消耗掉的商品数量。
也就是说如果用户买了一杯水,买了一个蛋糕,如果全部扔到垃圾箱了,那就不叫做实现了客户的价值。
我觉得对很多团队是一个提示:就是你在定义你的这个AI产品的时候,你的目标是什么?因为这反映了你创业的初衷。
很多人可能问我那怎么挣钱,没有问题。
Object的另外一边要对齐的是什么?是你的商业的指标,比方说你的GMV、广告收入或者任何一个跟财务相关的指标,这都没有问题,但你的O一定不是财务目标。
O定好的话,再下面一个很大的就是你的运气和时机。今天如果还说我来再做个美团的业务,基本上没戏了。
这个东西是不可复制的,随机性大家必须得接受。同样也包括如果现在拼命的涌入AIGC一些过热赛道的团队,其实已经不理智了。
现在AIGC里面最大的一个问题,我们觉得好像画个图就好了,在现实生活中,用户要完成一个任务它所经过的业务流程是很复杂的,涉及多个主体之间的业务逻辑和物理现实。
我现在还没有看到可以把端到端的现实业务完整解决的团队,还需要时间。
这需要团队有大的O,解决大问题的视野。
当然,我们不可能把所有的产品创新的决策任务压到管理层,反而需要一个自底向上的的决策流程,最忌讳的就是决策的不透明。
做得好的典型企业是桥水基金,虽然它是一个投行,但是决策的第一原则叫创意优先。至于创意来自于谁不重要,创意的权重被计算完之后,按排序顺序采用并实践。
这也是我想提的几个关键变量一。
总结一下:
-
第一是人 -
第二是目标,即Object -
第三是运气和时机 -
第四是产品演进的流程管理 -
最后是试验
问题三:您觉得当前在AI领域创业的话,有哪些机会点?
我毕竟不是投资商,不敢很笼统的讲机会点。
既然创业是人在做,第一步是去深度思考,而不是上来先找机会点。
这个世界上最不值钱的就是想法,而科学评估想法的方法才更重要,比如设计思维(design thinking)。比如如何在短时间内大量产生很多想法;如何管理创意的产生机制,以及量化评估大量创意的优先级。
为什么这个方法如此重要?因为创业过程中就两端,一端是需求端,一端是交付端。需求是真的还是伪需求?需要产品负责人的深度洞察力和开发快速迭代上线,并能够验证量化的结果,即达到真的PMF。
之后你才有机会做增长。
在PMF没达到之前你做增长其实是徒劳无功的。
我一直跟很多团队强调机会点在于大家能否洞察人性?能不能打造出与上一代产品有巨大差异的体验方式。比方说现在手上的APP都是一个个独立的APP?为什么一定要我天天跟一堆APP打交道?
比方说我在一个app里干了个事情之后,还要把它拷贝粘贴到另外一个APP里去,来回切换很累。能不能做出一些新的工具形态的转变来解决以前的孤岛问题?
这里面都是有机会的,我也看到一些团队已经做出了创新了。
过去的中国互联网企业靠着跑马圈地,靠着中国人口红利起了一波,下一个时代的创业者这样的方式是不可取的。
一定是要回到用户价值,也就是在北极星指标的O和商业目标的KR里,做出明智的判断,这是有方法论的。
比如之前在全球产品经理大会上面我分享果一些产品哲学的观念:谈谈创业者的决策科学
问题四:您认为在AI创业中数据驱动和商业模式之间有怎样的相互影响?
AI从1940年代起步,一直到现在的大语言模型,以及ML做训练的模型,DL里做推理模型,一直到最顶层里面有一些代数的计算矩阵,乃至用Fortran的编译能力可以直接在硬件层处理推理,其实操作系统的原理、整个架构的思想依然现在发挥作用,每一层会解决每一层的任务。
讲这个是因为像推理,其实在搜索引擎这样的AI产品里面早就在做了,只不过当时没有大模型这样的方式。
即便如此,到2011年的时候google和bing的差距已经很大了,根本原因还是谷歌在对长尾词的数据利用,以及产品之间的数据协同网络效应更强大,比如youtube、gamil,Search Console及Google Analytics,都是一个账户通的。
大家想像一下一个美国的用户,他可能是既是一个google的用户,同时又是一个企业里面数据分析师,同时他又是一个企业在线广告的推广者,而且他还是这个网站的开发者,所以这些数据的效应它产生了。
我们会发现谷歌采集的数据已经远远超出了我们的认知,它利用这个数据对它的搜索引擎广告产品的整体点击率提升、广告主的点击成本下降及为广告主带来营收增长这几个目标上,应用了大量的机器学习生建模。
对于一家AI创业企业,数据驱动是必选项,比方说我们做一个服务于矿山、建筑工地的AI产品,用于检测整个设备的运行状况,它一样需要采集大量油温和冷凝剂的温度,用这些数据来推断现实物理世界的车辆运行情况,并让企业可以判断设备利用效率和可能的故障等,这些都是自动化。理论上讲只要你是做是ai native的这样的业务,数据对你的作用都是巨大的。
问题五:AI时代很多企业都提倡“数据飞轮”,即在AI业务开展的同时积累数据,而这些数据又会反哺业务做的更好,而更好的业务也能带来更好的增长和更多的数据,您怎么看?
谈谈我多年从业的经验的积累的一些看法。
首先,中国的数据采集隐私方面比国外企业更为开放,用户的接受程度更高,这是优势。
在国外,你看任何的网站打开之后,如果你是一个新用户,会有弹窗显示,让你选择Cookie的Policy,比如:
-
General policy -
Analytics Policy -
Adverstisement Policy -
Personalized Policy
从上到下逐级严格。
但是在中国,老百姓已经被教育的觉得数据隐私不是很大的问题,导致我们中国的很多企业天然是有优势的。
但是有这个优势不代表企业就能实现数据飞轮。
企业要是实现数据飞轮,或者更科学的说具备数据网络效应需要几个原则:
原则一:随着数据的增加,产品价值是否自动增加?
无论是电话还是微信和米聊这类社交产品,都是有强网络效应的。当有新用户加入网络的时候,导致这个网络的价值对原来用户的价值成倍数增长,当这个网络里面有100万个用户的时候,和之前只有1000个用户时候比较,网络对用户的价值以指数性质增长。
微信、滴滴、百度、高德地图等都有这类特征。
第二个原则:所收集的数据所创造的价值,是不是产品价值的核心。
比方说大众点评上的用户点评数据,对于大众点评产品本身就是核心价值。
第三个原则就是你的用户是否主观认为通过你的数据创造的价值的确有价值,而且他们会通过你的数据质量在产品和竞品之间进行选择?
这句话就是说通过你的产品提供数据,由于更有价值,因此用户放弃了使用竞争对手。
这是我要讲三个原则,这三点都非常关键,当然还有很多其他的原则,但至少你要满足其中一点。
如果你的产品或你的服务满足不了其中任何一点。你就不要再喊这个数据飞轮了,你的这个业务,天然不是这个本质。当然你的数据收集可以用于企业内部做经营分析决策、做营销决策、做供应链决策、做商品分析都可以,但是你这个业务本身没有数据飞轮效应,这是也是个事实,我们要接受。
问题六:对于刚入行的AI创业者,您有没有一条“金句”或建议?
我想说的是:Go Big or Go Home
但是这里的big不是指搞个大公司,而是指你的愿景要解决人类世界一些重要的问题。
如果大家去回顾谷歌的使命,他没有说我要做搜索引擎,而是希望全世界所有人都能够最方便的去获得信息。
所以我认为你要定一个大的问题,哪怕是一个很细分的需求。
我认为现在入场的AI团队不要再去挤头部效应已经很明显的AIGC了,要追他的话,代价不小,他也是往前走。
这个世界还有大量的问题其实没有解决,那些问题更需要解决,我觉得大家应该要独立思考,一定要想得够深,然后解决足够大的问题。
或者要么你就回家吧,我觉得你就别创业了。
谢谢!