春節(jié)期間這波AI熱潮，注定會(huì)從餐桌前的談資，延續(xù)到辦公桌上的行動(dòng)計(jì)劃。
可以預(yù)見，開工之后，會(huì)有越來越多的企業(yè)，抱著"有棗沒棗打一桿"的心態(tài)，開始規(guī)劃AI項(xiàng)目。
就像當(dāng)年的互聯(lián)網(wǎng)轉(zhuǎn)型一樣，AI似乎也開始成為了企業(yè)升級(jí)的必答題。
一、兩塊硬骨頭
不過，對(duì)于眾多蠢蠢欲動(dòng)的AI團(tuán)隊(duì)來說，要想在年終考核時(shí)達(dá)成KPI，有兩塊硬骨頭必須啃下來:
1、選擇合適的技術(shù)路線
此時(shí)的AI發(fā)展態(tài)勢(shì)，恰如彼時(shí)的田徑史:
四分鐘跑完一英里，曾被認(rèn)為是人類的生理極限。直到羅杰·班尼斯特以3分59.4秒打破這個(gè)紀(jì)錄。一旦心理障礙被打破，隨之而來的就是一連串的突破。這個(gè)紀(jì)錄僅僅維持了46天，就被約翰·蘭迪刷新至3分57.9秒。
今天的AI領(lǐng)域，正經(jīng)歷著類似的歷史時(shí)刻。整個(gè)2024 年，關(guān)于AI 減速的討論此起彼伏。而DeepSeek的突破，就像是AI界的“班尼斯特時(shí)刻”，打破了發(fā)展的心理藩籬。加上開源浪潮的推動(dòng)，AI技術(shù)迭代正在加速。[1]
在這樣的關(guān)鍵節(jié)點(diǎn)上，選擇技術(shù)路線不僅要考慮當(dāng)下的技術(shù)成熟度，更要預(yù)判未來的發(fā)展方向。押對(duì)了，就能在技術(shù)浪潮中占得先機(jī)；押錯(cuò)了，可能需要付出數(shù)倍的代價(jià)重新開始。
2、從成本中心轉(zhuǎn)變?yōu)槔麧欀行?/strong>
不然，等到下一輪"降本增效"來臨時(shí)，AI團(tuán)隊(duì)往往是第一批被"優(yōu)化"的對(duì)象。
前兩年，很多AI團(tuán)隊(duì)之所以難以成為利潤中心，癥結(jié)往往不在AI商業(yè)化本身，而在于對(duì)技術(shù)與業(yè)務(wù)融合的理解過于膚淺。不少團(tuán)隊(duì)陷入了技術(shù)中心主義的誤區(qū)，以為掌握了算法就等于掌握了價(jià)值創(chuàng)造的鑰匙。
這種情況下，AI團(tuán)隊(duì)往往成為企業(yè)內(nèi)的技術(shù)孤島，整天研究最新的算法和模型，卻很少了解業(yè)務(wù)痛點(diǎn)。雙方就像說著不同語言的兩個(gè)群體，AI團(tuán)隊(duì)滔滔不絕地講著技術(shù)術(shù)語，而業(yè)務(wù)人員只關(guān)心問題能否解決、成本和風(fēng)險(xiǎn)。
這種割裂，最終會(huì)陷入惡性循環(huán)。AI團(tuán)隊(duì)為證明價(jià)值不斷追求技術(shù)指標(biāo)提升，卻始終無法解決實(shí)際業(yè)務(wù)問題。業(yè)務(wù)部門見不到效果，就更不愿投入資源支持，進(jìn)一步加劇了雙方的隔閡……
二、兩類參考答案
針對(duì)技術(shù)路線的問題，我春節(jié)期間看到最好的參考答案是perplexity。
1、
我原本以為，perplexity 很快會(huì)被聯(lián)網(wǎng)版的deepseek R1 取代。
因?yàn)閐eepseek 足夠強(qiáng)的推理加上實(shí)時(shí)的聯(lián)網(wǎng)，就把提示詞的門檻給打了下來。
每個(gè)人只要像聊天一樣輸入自己的問題，就能收獲其他AI改半天提示詞也達(dá)不到的效果。[2]
于是我就想，免費(fèi)的deepseek 就能搜成這樣了，又要付費(fèi)的perplexity干嘛呢？
2、
但實(shí)際情況卻是，perplexity 不僅很快就引入了deepseek R1，而且成為了所有引入deepseek的產(chǎn)品中速度最快和效果最驚艷的：
deepseek原生的R1加上搜索，偶爾還是太飄了；不少人說最新版本的秘塔AI搜索，配的是滿血的R1，但實(shí)測(cè)效果也遠(yuǎn)不如perplexity。
perplexity之所以那么好用，是因?yàn)槲蚁扔肅laude 去理解和搜索，再用R1去推理（如圖）。前者讓搜的內(nèi)容更精準(zhǔn)，后者讓出來的結(jié)果更有洞察。整體有點(diǎn)類似于當(dāng)下熱門的DeepClaude的效果。
所以，早在deepseek沒有限制聯(lián)網(wǎng)之前，我就重新?lián)Q回perplexity了。
確實(shí)沒想到，perplexity 的產(chǎn)品力恐怖如斯。無論模型層有多大進(jìn)步，都能快速轉(zhuǎn)化成自己的能力，讓搜索效果更好，讓用戶體驗(yàn)更佳。
回到技術(shù)路線問題上，個(gè)人認(rèn)為perplexity這種「不會(huì)被模型進(jìn)步干掉，反而是模型越強(qiáng)我越強(qiáng)」架構(gòu)，反倒更值得追求。
3、
在企業(yè)領(lǐng)域，在“模型越強(qiáng)我越強(qiáng)”方面做得最好的，當(dāng)屬美國AI ToB當(dāng)紅炸子雞Palantir 家的Ontology 。
什么是Ontology？
2021年的Demo Day上，Palantir曾宣稱，他們能在幾個(gè)小時(shí)內(nèi)，自動(dòng)整合完公司各部門數(shù)據(jù)，形成整個(gè)公司的“數(shù)字分身”（digital twin）。而這，就是Ontology。[3]
時(shí)間來到2023 年，Palantir與時(shí)俱進(jìn)推出的AIP，更是直接將先進(jìn)的AI模型（如ChatGPT）與Ontology框架結(jié)合，進(jìn)一步簡化操作，增強(qiáng)客戶基于全面、實(shí)時(shí)洞察做決策的能力。
當(dāng)年第四季度，Palantir 就在報(bào)告里說，美國商業(yè)收入同比增長70%，這主要得益于AIP的成功推出和市場(chǎng)需求……
4、
雖然，目前還沒有消息說Palantir 要AIP里引入deepseek，但我敢確信，只要跟Ontology框架結(jié)合，就一定會(huì)有超預(yù)期的效果。
理由無他，只是因?yàn)镺ntology 跟deepseek 等頭部AI 太配了。
如果說互聯(lián)網(wǎng)產(chǎn)品的工作機(jī)制是"預(yù)設(shè)路徑下的功能調(diào)用”，那么生成式AI產(chǎn)品則是“上下文感知下的動(dòng)態(tài)生成”。
AI負(fù)責(zé)感知和生成，Ontology則主攻“上下文”。
這個(gè)“上下文”有多重要呢？就像在現(xiàn)實(shí)生活中，我們絕不允許醫(yī)生在不看任何病歷資料的情況下就匆忙開藥，就算是華佗在世也不行。
想要AI 生成準(zhǔn)確的結(jié)果，就要提供詳盡如“檢查報(bào)告、過往病史和家族病史”的上下文。否則，再強(qiáng)的AI 在手，也只能空嘆“庸醫(yī)誤人”。
5、
所以，Ontology 是如何解決「大模型們?nèi)狈τ行舷挛摹箚栴}的呢？
太技術(shù)的內(nèi)容，先不做展開。我就拿自己比較熟悉的影視行業(yè)，舉個(gè)例子吧：
【before】
在沒有 Ontology 之前，創(chuàng)作素材和各方意見散落各處，形成 “信息孤島”，導(dǎo)致溝通成本極高。
據(jù)一位非常資深的行業(yè)專家估計(jì)，行業(yè)里70%以上時(shí)間，都耗費(fèi)在信息溝通上。
很多時(shí)候，由于缺失太多必要的背景信息，最強(qiáng)的AI 也無法提供足夠有針對(duì)性的幫助。
【after】
而引入Ontology后，可整合項(xiàng)目各種數(shù)據(jù)，動(dòng)態(tài)鏈接關(guān)聯(lián)，形成 “智能故事大綱”。
這時(shí)，AI就像是一位對(duì)項(xiàng)目了如指掌的老編劇，無需反復(fù)解釋背景，一句話便可切中要害。
因?yàn)?，在它面前，角色性格、人物關(guān)系、劇情走向等關(guān)鍵信息都爛熟于心，給“一個(gè)眼神”就能指哪兒打哪兒。
更重要的是,這份"智能故事大綱"就像一張實(shí)時(shí)共享的創(chuàng)作地圖。
過去，大家找劇本最新版本可能要翻郵件，理解人物關(guān)系可能要翻會(huì)議記錄，琢磨角色性格可能要翻討論記錄，很容易陷入信息的迷宮里兜圈子。
現(xiàn)如今，有了這張統(tǒng)一的地圖，所有參與方都能一目了然地看到項(xiàng)目全貌，把更多原先用在找資料、對(duì)進(jìn)度上的時(shí)間，投入到打磨內(nèi)容上。
6、
可見，Ontology的價(jià)值，不止是“模型越強(qiáng)我越強(qiáng)”的保障，更是連接AI與業(yè)務(wù)的橋梁。
有了這座橋，AI才能真正讀懂企業(yè)的業(yè)務(wù)場(chǎng)景，訪問到關(guān)鍵信息，進(jìn)而提供真正有價(jià)值的輸出。
當(dāng)然，要搭建這個(gè)橋梁，不僅是技術(shù)工程，更是組織工程。比如，AI團(tuán)隊(duì)必須從獨(dú)立的技術(shù)孤島，進(jìn)化成連接各業(yè)務(wù)部門的紐帶。
只有讓AI專家真正理解業(yè)務(wù)痛點(diǎn)，讓業(yè)務(wù)人員切實(shí)參與AI應(yīng)用設(shè)計(jì)，才能確保AI項(xiàng)目既有技術(shù)可行性，又有業(yè)務(wù)價(jià)值。
跟業(yè)務(wù)方和行業(yè)專家協(xié)同方面，我在過去兩年有比較多的經(jīng)驗(yàn)和教訓(xùn)，感興趣可以加我微信（yangchangpku）交流。
三、4 個(gè)重大有利信號(hào)
1、大模型支持context支持的拐點(diǎn)，已經(jīng)到來
在年前那篇熱議的訪談中，MiniMax老板簡單梳理過大模型公司context的最新進(jìn)展。
他提到，之所以在去年年中說沒人做出成功的 Agent 應(yīng)用，是由于當(dāng)時(shí)大模型能力還不夠強(qiáng)。
現(xiàn)如今，他們家新發(fā)布的MiniMax-01，已經(jīng)在博客中宣告 “開啟 Agent 時(shí)代”了。
究其原因，是因?yàn)樵诩軜?gòu)層面，MiniMax-01已經(jīng)可以高效、快速地處理400萬token的 context。
如此一來，對(duì)于單個(gè)Agent（比如O1，可以單次輸出多步），就可以記住非常多的內(nèi)容，進(jìn)一步提高交互質(zhì)量；
對(duì)于多個(gè)Agent，可以像Claude 的MCP（Model Context Protocol，模型上下文協(xié)議）那樣，更好支持Agent 間巨長的通訊量，進(jìn)而提升多 Agent 之間的通訊能力。[4]
2、DeepSeek的R1-Zero模型，或?qū)砀餍懈鳂I(yè)的“李世石時(shí)刻”
公眾號(hào)“波斯兔子”[5]說，Deepseek R1可能找到了超越人類的辦法。
具體來說，DeepSeek的研究者基于 V3 模型，在數(shù)學(xué)和代碼這兩類包含思維鏈的數(shù)據(jù)上進(jìn)行了強(qiáng)化學(xué)習(xí)(RL)訓(xùn)練，他們創(chuàng)造了一種名為 GRPO（Group Relative Policy Optimization）的強(qiáng)化學(xué)習(xí)算法，最終得到的 R1-Zero 模型，在各項(xiàng)推理指標(biāo)上相比 DeepSeek V3 顯著提升，證明僅通過 RL 就能激發(fā)模型的推理能力。
該公眾號(hào)認(rèn)為，這是另一個(gè) AlphaZero 時(shí)刻，在 R1-Zero 的訓(xùn)練過程，完全不依賴人類的智商、經(jīng)驗(yàn)和偏好，僅靠 RL 去學(xué)習(xí)那些客觀、可測(cè)量的人類真理，最終讓推理能力遠(yuǎn)強(qiáng)于所有非 Reasoning 模型。
總而言之，DeepSeek R1-Zero展示了，如何使用幾乎不使用人類反饋來提升模型性能的方法，這是它的 AlphaZero 時(shí)刻。很多人曾說“人工智能，有多少人工就有多少智能”，這個(gè)觀點(diǎn)可能不再正確了。
就這兩天，DeepSeek研究員Daya Guo也在Twitter 上爆料：R1訓(xùn)練僅用兩到三周，春節(jié)期間觀察到R1 zero模型性能曲線的 “持續(xù)增長”，而且預(yù)計(jì)不會(huì)快速到達(dá)瓶頸，今年就能看到顯著的進(jìn)展。
在回答網(wǎng)友問題的過程中，Daya Guo提到，研究人員使用 RL prompt 未覆蓋的領(lǐng)域的基準(zhǔn)來評(píng)估泛化能力，目前來看，R1似乎具備泛化能力。[6]
以上種種說明，隨著R1 的快速發(fā)展，我們將在自己所在的行業(yè)里看到，在沒有行業(yè)專家“教”的情況下，行業(yè)的推理模型將超過頭部專家的能力，而且勝任更多我們想得到和想不到的任務(wù)。
3、Coding Agent 領(lǐng)域的突破，將直接帶動(dòng)“上下文”框架的發(fā)展
錦秋在硅谷組織的Scale With AI活動(dòng)[7]中，有兩三百的硅谷頭部AI研究員、創(chuàng)業(yè)者和投資人參會(huì)，會(huì)上聊到了些Coding Agent的核心挑戰(zhàn)與改進(jìn)，他們都認(rèn)為需要進(jìn)一步發(fā)展的關(guān)鍵領(lǐng)域包括：
①事件建模
②記憶和世界建模
③準(zhǔn)確規(guī)劃未來
④提高上下文利用率
我簡單搜了一下，發(fā)現(xiàn)這四大關(guān)鍵領(lǐng)域，都與上下文（context）存在緊密關(guān)聯(lián)：
①事件建模的核心，是通過業(yè)務(wù)流程中的事件驅(qū)動(dòng)機(jī)制來構(gòu)建領(lǐng)域模型。事件之間的因果關(guān)系，需要依賴上下文來界定限界范圍（Bounded Context）。
②記憶機(jī)制通過分層管理上下文信息實(shí)現(xiàn)長期推理能力：工作記憶依賴Transformer的注意力機(jī)制，作為短期記憶處理即時(shí)上下文；長期記憶通過外部知識(shí)庫或神經(jīng)記憶模塊存儲(chǔ)結(jié)構(gòu)化上下文；世界模型（如R2I）結(jié)合狀態(tài)空間模型（SSM），利用上下文歷史預(yù)測(cè)未來狀態(tài)，解決時(shí)間跨度長的任務(wù)。
③規(guī)劃需基于上下文動(dòng)態(tài)調(diào)整策略：短期規(guī)劃通過ReAct 等框架結(jié)合即時(shí)上下文和工具調(diào)用，長期規(guī)劃依賴上下文摘要和外部知識(shí)（如用戶目標(biāo)、環(huán)境狀態(tài)）制定多步策略
④長上下文（超過 10,000 個(gè)tokens上下文的利用率會(huì)顯著下降），增強(qiáng)對(duì)擴(kuò)展記憶長度（例如 100,000 個(gè)tokens或更多）的推理能力，正在進(jìn)行的研究旨在提高更長上下文的記憶和推理能力。前文中提到的MiniMax-01，就是其中關(guān)鍵突破之一。
等這些技術(shù)突破到Coding Agent 可以處理全公司代碼的時(shí)候，這些代碼不僅可以作為實(shí)時(shí)更新的公司級(jí)別的Ontology，讓老板可以隨時(shí)用自己能懂的方式去了解所有線上業(yè)務(wù)的進(jìn)展，甚至可以牽一發(fā)而動(dòng)全身地實(shí)現(xiàn)更多業(yè)務(wù)的自動(dòng)化。
4、哪怕暫時(shí)用不上前三項(xiàng)技術(shù)，現(xiàn)在也有可快速落地的技術(shù)方案
最簡單的是提示詞，余一老師曾多次分享，她可以通過1500字的提示詞，模擬出一個(gè)AI 版本的真人[8]。
我基于她的方法，也做過一個(gè)“AI版本的楊昌”，效果非常驚艷。個(gè)人一些重大決策，已經(jīng)開始邀請(qǐng)?jiān)揂I來參謀了。
通過定期更新的項(xiàng)目背景提示詞，我們就可以搭建一個(gè)極簡版的Ontology。
如果嫌提示詞不方便更新和協(xié)作，也可以換成項(xiàng)目知識(shí)庫，再通過比較成熟的RAG（檢索增強(qiáng)生成）去處理。
其實(shí)，Cursor等主流AI編程工具，都普遍集成了RAG技術(shù)，并將代碼庫作為核心知識(shí)源。它們通過語義檢索與生成模型的結(jié)
對(duì)啦，如果方便的話，請(qǐng)告訴我你的公司-職位信息；如果你的朋友圈不可見，我就先不邀請(qǐng)了。
聯(lián)系客服
