本周，公司内部正式启动了针对大模型技术的预研项目。领导不仅快速采纳了我的提议，还授权我负责整体统筹。具体而言，我规划了以下几项行动方向——

第一，围绕打造港航与建筑设计领域的私有大模型这一长期目标，展开科研与生产实践；第二，积极与已有私有大模型服务经验的厂商进行交流，实现相互借鉴与启发；第三，主动拥抱大模型AI技术，引入外部资源，在公司内部推广提示词工程等技能培训，激发更多员工参与有价值应用场景的挖掘；第四，在项目交付过程中，同步思考如何搭建一个有利于积累后续构建私有大模型所需数据的基础机制。

当然，上述内容是为了呈报给领导。实际上，我内心更在意的是，如何能够在公司里正当地开展大模型工作，并借助其能力打造属于自己的产品。回想起来，真正让我按捺不住的，其实是下面几句话——

我们在工作中投入了大量时间，因此工作应当具备更深层次的意义。——萨提亚·纳德拉

对某个事物最有力的批评，就是创造出新事物来取代它。——KK

不挑战就不会失败，但一旦挑战就必须获胜。——电影《打擂台》

What I cannot create, I do not understand。——费曼

最后那句话，几乎可以视为我的人生信条。我渴望亲自主导组建团队，主动选择每一位认可的人，希望团队成员具备极客精神，做事积极主动，并且始终做到“不找借口”。然而，运行一周后，我发现了一个直接的现实问题：我对团队的实际能力水平存在明显误判。

• 团队成员过于习惯依赖管理驱动的推进模式——如果没有被分配任务，就完全不清楚自己该做什么；
• 过于习惯有人引导的学习模式——尚未真正将AI视为最佳导师；
• 过于习惯被外部力量牵引——缺乏主动去做一些属于自己的事情的意愿。

与此同时，好消息是，大多数第一时间加入的成员，无论主动还是被动，都明白做这件事不仅仅是为了公司，更是为了不让自己的时间虚度。至少，能在简历上写上一笔“参与过这个项目”。但很明显，想直接复制开源社区的玩法并不现实。大多数人甚至难以适应每天几十条信息的轻度“信息轰炸”。因此，后续只能按照传统项目管理的方式来推进：召开项目启动会、设定目标、制定WBS、明确标准、分配任务……总之，总算开始了。敢于挑战这件事，通常也源于一种自信——觉得自己一个人也能做出来，我才会在公司内部发起这个项目。

软件不进行定制化开发，如何实现盈利？

这是一个非常现实的问题。借鉴实物产品的逻辑，定制化通常意味着量身定做、高客单价的服务；标准产品则是批量生产。当互联网产品也在强调垂直细分时，软件产品无论是面向消费者还是企业，本质上都是在服务特定群体。一家公司希望依靠产品力取胜，前提是必须对其服务的群体极度熟悉，甚至自己就是这个群体的一员。这种熟悉所带来的优势，比探索一个完全陌生的领域再形成产品，成本低得多，也更容易进入正向的高增长循环。

数据从业者在职业发展上一直面临深层痛点：难以对某个单一行业形成深厚而独特的认知，同时又不得不反复学习不同行业的知识来应对多样化的数据产品需求。改变的方向有两个：一是借助智能工具与信息分析，缩短熟悉行业的周期；二是选择一个相对熟悉的行业，持续深耕，积累独特的认知——最好是上升到学科层面的认知。但行业本身具有周期性。未来一个人可能需要经历三个以上不同行业，甚至从事目前尚不存在的行业，想避开终身学习显然不现实。那么答案应该是“大小飞轮一起转”：小飞轮让每次迭代更快更好；大飞轮让前后从事的行业相互关联，产生叠加优势。也就是说，在积累方式上，要从以往堆时间的模式转向效应叠加模式。这需要建立一种能够在多个行业之间建立关联的认知框架，或者说需要更强大的通识基础作为支撑。

数据从业者的尴尬处境，从我入行至今并没有太大变化。但观察到的同行破局案例并不少。例如，专注于数据采集的公司，以数据为资产构建产品和服务，包括社交媒体数据、语料数据、地理数据、电商数据等。专注于工具的公司，以一站式大数据工具为主，靠销售工具加服务盈利。但卖工具终究免不了大量服务，两者相互拉扯。专注于服务的公司，则直接堆人，产品难做就专注服务。但这种模式对实施人员普遍不友好，人员流动性极高。此外，数据产品面向的用户始终以数据从业者为主，很难直接触达终端用户。

在大模型多模态能力的背景下，大数据的价值需要借助大模型来放大。尽管大模型的能力爆发目前主要集中在C端，且试错成本极高，但在B端的发展可以相对稳健，优先解决数据隐私问题是关键。不过，未来的智慧化——即数字化与智能化——已经无法绕开大模型。技术路径本身并不复杂。从API使用的角度来看，甚至比大数据和数字孪生还要容易；而大模型又能为这两者带来诸多实质性提升。

记录周期：2023年12月3日 ~ 2023年12月9日