在全球AI热潮席卷的当下，一个耐人寻味的现象是：真正现象级的AI应用似乎迟迟没有出现。关于AI到底是不是一个真命题，业内众说纷纭。热度一天天退却，甚至走向平淡，而此时，那个万众期待的现象级应用却始终缺位。仔细想想，背后无非三个原因。 第一个原因，很多公司对模型的能力演化缺乏预判。它们既不了解当前行业，也对大模型下一步会拥有什么能力缺乏前瞻性预测。大多数公司埋头研发的产品，即便最终做出来了，很可能被大模型下一次迭代所直接淘汰。等你花半年打磨出一个功能，人家API一开放，不仅性能更强，成本还更低——这种打击是致命的。 第二个原因，不少公司只盯着尖端模型的最强能力做文章，却严重忽略了成本问题。一旦产品用户规模达到百万甚至亿级，那些昂贵的模型运行成本（就目前来说）会直接把初创公司压垮。如果做产品时没把经济账算清楚，即便愿景再宏大，最终也难逃囚徒困境。 第三个原因，也是最硬核的一条：你必须在特定的细分领域拥有足够深的know-how。只有深耕一个行业，对这个领域有足够的理解和引领能力，才能构建出真正的壁垒。这是任何通用化解决方案都难以替代的护城河。

所以，下面这三条策略，才是决定成败的关键。

**01 不要解决即将消失的问题** LLMs正经历着历史上最快的技术迭代。两年前，ChatGPT还不能处理图像，解不了复杂数学题，也写不了复杂代码——这些对于今天的LLMs来说轻而易举。两年后，情况又将天翻地覆。 如果你在应用层构建，很容易把时间浪费在那些即将消失的问题上——下一个GPT版本发布时，这些问题就不复存在。千万别花时间在这种问题上。听起来简单，但做起来极难，因为它感觉上就是在“反直觉”。 预测未来，其实是你的工作职责之一。要知道哪些问题会持续存在，你就得预判GPT-X-plus-one能做什么。这就像盯着水晶球。但一旦得出预测，就要围绕它们制定产品路线图和策略。 举个例子：Granola，一个利用转录和AI能力增强会议笔记的应用。它第一个版本不支持超过30分钟的会议。当时最好的模型OpenAI的DaVinci，上下文窗口只有4000个token，这直接限制了会议时长。 按常理，延长会议时长应该是Granola最优先的任务——谁会用一个只能记短会笔记的产品？但Granola有自己的判断：他们坚信LLMs会变得更好，更智能、更快、更便宜，上下文窗口也会更长。于是，他们决定不在解决上下文窗口限制上花时间，而是全力以赴提升笔记质量。 有段时间，Granola不得不主动忽略抱怨时长限制的用户。但事实证明他们是对的。几个月后，上下文窗口变得足够大，可以轻松处理更长的会议。任何在窗口限制上的投入都将是浪费。而Granola对笔记质量的打磨，恰恰成为用户喜欢它的核心原因。 **02 边际成本才是真正的机会** 从历史上看，软件产品的核心优势之一，是支持额外用户的边际成本接近零。如果你的产品有1万名用户，支持100万名用户的成本不会高太多。 但在AI领域，这个逻辑不成立（至少目前如此）。每增加一个用户，边际成本基本不变，而且尖端AI模型的运行成本非常昂贵。例如，把半小时会议的音频发送到OpenAI的旗舰GPT-4o音频模型，大约需要4美元。试想一下，在成千上万用户规模下，每天的成本会是什么量级。这也意味着，初创公司的用户规模其实有天花板。即便你有再多钱，OpenAI和Anthropic也没有足够的算力来支持数百万用户使用尖端模型。 历史上第一次，为少数用户提供比数百万用户更好的产品体验成为了可能。这并非障碍——对初创公司而言，这是巨大的机遇。拥有数百万用户的大公司根本无法与你竞争，因为世界上没有足够的计算能力来大规模提供尖端体验。 作为初创公司，你可以为每个用户提供法拉利级别的产品体验。用最贵、最尖端的模型。别担心优化成本。如果额外调用五个API能改善产品体验，那就去做。它可能在每个用户基础上很昂贵，但一开始你用户没那么多。记住，最好的情况下，像谷歌这样的公司也只能给用户提供本田级别的产品体验。 你可能会想，当用户涌向你的法拉利产品体验时会发生什么？最终会不会和大公司一样，无法为所有用户提供优质服务？幸运的是，即使你的用户基础呈指数级增长，AI推理成本也在指数级下降。今天的尖端模型，一两年后就会变得负担得起。今天的法拉利，就是明天的本田。所以，趁有能力的时候，赶紧造一台法拉利。 **03 专注细分领域，深耕窄而深** 今天构建AI产品的一个挑战在于，你是在和ChatGPT、Claude这样的通用AI助手竞争。它们几乎什么都能做。你如何才能做出足够好的东西，让用户选择你而不是这些瑞士军刀？ 唯一的答案是：变得垂直，非常垂直。选择一个非常具体的用例，然后做到极致。初创公司的基本原则——构建人们真正想要的东西，在AI领域依然有效，只不过标准更高。 但为特定用例提供卓越体验，往往与AI本身无关。这也是为什么一些投资人说AI甚至不是命题。有时候，加上AI能力，不但效果一般，成本却贵了不少。很多投资人对此一点都不在乎。 还是说回Granola。他们花无尽的时间在笔记质量上，但也同样花时间在无缝会议通知和出色的回声消除（确保无论用户是否戴耳机都能正常工作）等功能上。围绕AI的“包装”，往往是愉悦体验与令人失望的实际使用之间的关键差异。 变得垂直，也让改进产品的AI部分更容易。当AI正确回应时，它很神奇。但一旦出错，它会以一种令人感到奇怪甚至不安的方式出错——用户会被提醒，自己不是在跟人说话，而是在跟算法打交道。这种诡异谷效应可能让用户永远远离你的产品。只有当你对行业有足够深的know-how，你才能更早识别最常见的AI失败案例，然后果断做减法。 **最后** 在生成式AI领域工作，就像在跑步机上跑步；而传统技术开发则像在平地上走路。这种快节奏影响着我们处理技术问题的方式，也影响着规模化的速度。尽管变化要求我们不断调整策略，但打造优质产品的核心原则始终不变：创造人们真正需要的东西，没有捷径可走。必须始终专注于细节。 最终，最关键问题其实非常简单：这个产品，用起来感觉如何？