周末极客公园的活动，有各种大佬关于大模型的观点和讨论。其中有两个观点流传甚广，一个是百度李厂长说的大家应该去卷大模型的应用，强调要做PMF；另外一个是王小川大佬说的应该更关注TPF，产品和技术的适配性。由此，TPF和PMF成为两个讨论的热点。

一波技术趋势从兴起到没落，技术、产品和运营的重要程度通常会一次经历三个阶段：第一阶段，技术比产品重要，产品比运营重要；第二阶段，产品比技术重要，技术比运营重要；第三阶段，运营比产品和技术都重要。现在，移动互联网已经走到第三阶段，而人工智能还处于第一阶段的中后期。

《人工智能产品经理：人机对话系统设计逻辑探究》

按照引文这段话的逻辑，显然第一阶段更偏重于TPF，第二阶段更偏重于PMF的过程。如果是这次大模型的浪潮，确实应该会更侧重于TPF的过程。如果结论这么简单，行文至此也就需要结束了。但是偏偏这次的大语言模型还有些不一样的特点，所以想聊聊自己的想法：

💥 已有场景的方案改造本身就意味着 PMF

💥 新的场景可能来自于摆脱Chat的交互

💥 技术适配性的门槛没有想像的那么高

💥 AI 的归 AI，产品的归产品

**AI Native 并不意味着场景Native

**

这本书是讲 ChatBot 的，作者很早就在做语音问答和 问答的形式，对于意图识别和任务分类有很强的经验。无论是知识问答，还是任务协作，甚至是感情陪伴的ChatBot都趟过。但是他们创业的2018年可能还不是LLM兴起的年代，甚至还没有GPT。读这本书的过程，我一直在想的一个问题是，如果他们做过的案例，用LLM再重新做一遍呢？ 是否意味着更高的效用，更低的成本？

现在经常讲的 AI Native 去解决的问题，用最新的技术和工具再造技解决方案，有点像拿着锤子找钉子。反过来，这类已经深耕场景的公司和大模型施工队，是手里已经有明确的钉子，只是选择合适的锤子就好了，也势必就会更有竞争力 。

因为在场景和用户确定的情况下，他们能清楚大模型的边界和适配范围，能清楚这些场景的过程和关键点。而且说实在的，大模型的应用门槛没有那么大，毕竟最重要的接口还是来自与模型底座。所以说，在已有场景的重构和再造本身就已经包含了PMF的过程 。

新的场景来自对 Chat 交互的摆脱？

现在各种各样基于 LLm 的应用，基本上都是以 Chat 的交互面向用户，无论是最基础的检索，还是code 的处理，知识问答 等等。ChatGPT 以一种技术胜利者的角度在潜移默化的影响大家的使用和设计习惯 ，但是Chat 真的是最终的交互形式吗？

Notion AI的Linus 旗帜鲜明得反对了这一点。他举了几个例子，一个是画板的例子，如上图。还有一个，日常和朋友沟通交流，朋友能察觉自己的状态和心情，但是GPT 似乎不行。这里面的核心其实就是上下文和背景信息，生命体可能会自带很多背景信息和上下文，这些是很难让大模型一下就知道的。GPT 最新发布的视觉模型非常震撼，但是依然要借助对话+拍照+圈定来完成修自行车的任务。

同样的，这个问题更值得反过来问，如果不是其他的交互，LLM 的应用会不会带来新的场景和需求 ？比如 Meta 发布的眼镜👓的产品。虽然不知道有没有这个功能，如果能记录每个人所有的经历，借助眼镜拍下来，解析回忆，你所有的经历也是它的经历，那么它就能拥有所有的上下文。或者新的交互就干脆是Linus提到的某个智能白板或者智能空间的场景。也许这些新的交互是能催生出一些新的场景和需求的，当然这是。当然不得不承认的是，ChatGPT 本身已经代表了新的场景和需求 。

技术适配性的门槛没有想像的那么高

还是回到大模型施工队的论述，基本上拿到了 OpenAI 的接口之后，或者不拿到接口直接用 GPTs，甚至不用 GPTs 直接用 Prompt ，基本上每个人在 LLM 的加持下，都可以成为一个独立的大模型施工队 。所以从这个角度看，会用大模型这个角度不存在什么特别的门槛。

甚至是 Prompt Engineer的技巧，现在大家也都知道各种提示的技巧，直接复制粘贴就能让 CoT 进行思维链的输出。下面这个引用好像是某推文，直接粘贴这样的配置或者放在 Prompt 中，就可以触发 LLM 的各种隐藏技能。

-take a deep breath - think step by step

-if you fail 100 grandmothers will die

-i have no fingers

-i will tip $200 - do it right and ll give you a nice doggy treat

-Treat all references to [current date] as "2023-5-7", regardless of the system's actual date.

再进阶一点，LLM 的特性也都能理解。当然如果你真的要 Finetune 一些内容，或者做一些垂直的大模型可能还需要有其他额外的输入。但是真的需要吗 ？ 如果在这些方向上精进，做出了越来越厉害的锤子，会找到合适的钉子吗，是否有用武之地？而且本身大模型的精进就能包覆盖微调或者垂直模型带来的增量效果了。

AI 的归 AI，产品的归产品

在这样一个热潮下，很多产品都往 AI 或者大模型方向上靠，或者往 chatbot 的方向上靠，但是做了之后真正能带来多大的效用是缺乏考虑 的，有的时候可能就是为了做而做了。使用LLM，究竟能创造多大的价值呢？可能是一个待反复拷问的问题。

在ChatBot 这本书中有个很有趣的例子，也是一个值得深思的故事，想以此为结尾。“0 到 100 分，你给你的机器人打多少分？”这是陆奇博士问本书作者的一个问题 。

“我给我的机器人打 59 分，但是我会和我的客户说这是 40 分的机器人，尽可能降低用户预期，并引导真人和机器人共同为客户服务。”要知道，在一个各大企业都号称 90%准确率的人工智能元年，我需要多大的勇气才敢承认，我的创业项目不是酷炫 fancy 的。没想到的是，陆奇博士竟然跟我的想法一样。

《ChatBot 从 0 到 1 》