大模型时代：技术优势如何转化为产品竞争力？

先说几个核心判断：模型即产品的逻辑正在重塑整个AI产业的底层认知；Agent技术的爆发让这个话题变得更加紧迫；而从组织架构到产品经理的工作方式，都需要一次彻底的刷新。

最近，随着越来越多Agent产品的发布，加上ChatGPT-4o的图片模式和o3带来的惊艳表现，关于"模型即产品"甚至"模型即Agent"的讨论又热了起来。这确实引发了一个根本性问题：在大模型时代，我们到底应该怎么做产品？

基于最近的一系列产品发布，这篇文章想做一次认知层面的更新。内容可能不限于模型即产品本身，也会涉及AI大模型时代的产品、组织，甚至企业和个人应该怎么做。还是先打个招呼：技术发展太快了，现在的很多观点大概率是错的——但至少，希望能带来一些启发。

模型即产品：到底在讨论什么

其实这个话题从ChatGPT刚发布那会儿就有人在讨论了。大家发现，ChatGPT这个产品的交互和页面极其简单，整个产品的功能和价值几乎都压在大模型上。是大模型的能力决定了产品逻辑，是大模型带来了产品给用户的价值。

如果我们带着互联网时代的历史经验来看，这个问题会更加让人不适应。我们习惯了产品和运营层面的各种创新，但大模型彻底打破了这种认知惯性。现在需要重新思考：在大模型时代，做什么更加重要？

也正是这个原因，从"套壳"这个词出现到现在，相关争论一直没有停过。如果你只是套壳，那你的核心能力到底是什么？去掉模型之后还剩下什么？

坦白讲，大家说的可能都对。因为大模型技术这几年一直在高速变化——能力上、成本上、甚至技术路线上，不同的阶段确实需要做不同的事情。

那为什么当下大家又把重点放回"模型即产品"？因为技术路线似乎正在收敛：大参数预训练 + RL后训练，成为主流框架。更重要的是，大家发现这条路径可以泛化到更广泛的场景。预训练阶段给模型一些先验基础和知识，后训练阶段找到合适的训练环境和奖励函数，模型就能自己探索出解决方案——甚至超越人类已知的方案。

Agent的高速发展也在推进这个认知。Agent = 模型 + 工具使用，这已经是基本共识。毕竟人类也是在能使用工具之后，才真正与动物分道扬镳的。

关于工具的使用，本身也在进化。最开始大家发现模型能写代码，就尝试让它写代码调用工具；后来OpenAI推出函数调用和GPTs来辅助工具使用；再到最近的MCP、A2A等标准协议——怎么让模型更好地使用工具，已经越来越成熟。

不过，模型使用工具的关键可能不是数量，而是"怎么用得丝滑"。协议更多解决的是"能用多少工具"以及Agent之间数据交换的问题。但模型到底用什么工具、什么时候使用，对最终Agent效果的影响更大。o3就是一个很好的例子——它像一个Agent，能基于用户需求自己调用代码解释器、检索等功能。

效果上的差异非常明显：那些在后训练阶段直接针对工具使用进行RL训练的模型，比我们用一个大模型在提示词层面做工程编排，效果要好得多。

就像一个人临时抱佛脚，和真正把知识融会贯通地应用，是完全不一样的。

所以在Agent即将爆发的前夕，大家重新关注模型与产品的关系是有道理的——因为这决定了你会怎么做Agent，会怎么展开竞争。

组织上的变化

OpenAI一年前发布过一个讲"Research x Product"的视频，介绍了研发和产品团队紧密合作如何带来更好的性能和体验。演讲者分别是后训练团队的负责人和负责模型行为（model beha vior）的产品负责人。

他们详细介绍了后训练和产品相关的具体工作，以及如何具体协作。从中可以看到，在新的AI技术下，组织架构正在发生深刻变化。

按以前的思维惯性，一家AI公司大概会有两个大部门：产品部和模型训练部。它们基本独立，互动也不太多——一个负责训练模型，一个负责包装和设计产品。但在当前AI技术发展下，这种方式问题很大。

容易出现的情况是：产品部门用工程方式解决模型问题的过程中，训练团队直接就把问题解决了；或者训练团队制定的目标根本不能满足产品团队服务用户的需求。

所以在那个演讲中，OpenAI的产品负责人放了这样一张图——我们发现，关于"模型即产品"，OpenAI不仅在产品和模型的思考上是这么做的，从整个组织架构上也是这样设计的。

组织架构的设计，本质上就是公司战略的具体执行和落地。从一些AI公司内部产品和模型部门的协作方式，就可以看出他们对于这一点理解得有多不到位。结果就是：做了很多工作，最后OpenAI一发布，客户全跑了。站在他们的视角，OpenAI是提供模型的公司；但在OpenAI自己的认知里——模型就是产品。

那个视频中，产品负责人还提到了模型和产品合作层面的三个特别之处。

• 极度模糊：技术进展太快，模型又有很强的泛化能力，很多维度无法制定严密的规则和逻辑。就像最近OpenAI的新闻提到ChatGPT过于谄媚——到底怎么表现才算合理，不同场景、不同人的理解完全不一样。所以只能"快速行动获得反馈，干中学"。我们经常看到OpenAI发布一些半成品，他们不是不知道，这本身就是他们的策略。
• 技术驱动：以前很多产品创新是从具体场景驱动的，但当下AI大模型技术的能力太强、进化太快，不能仅仅从产品需求出发。你避免不了有点"拿着锤子找钉子"的感觉——因为锤子进化太快了，一下子从锤子变成了瑞士军刀。产品部门需要更多思考怎么实现所谓的TMF（技术-市场匹配），怎么让技术和需求场景更好匹配，技术怎么被更好地呈现出来。
• 研究合作：产品和技术需要更紧密的合作，两个部门的工作需要互相促进。产品收集到的需求和数据需要能反哺模型训练，新的模型特性也需要被设计好来提供给用户。这两件事必须同时进行，不能割裂推进，是互相促进迭代发展的过程。

在当下这个技术发展趋势下，做AI产品的公司，不能只是简单调用模型公司的API。套壳可以作为阶段性策略来快速发展，但从长期来看，新的技术不仅需要思考具体的产品形态，组织和协作层面也需要建立新的范式。

产品的工作差异

OpenAI的首席产品官Kevin Weil在一次访谈中提到："我们尽量保持轻量级，因为它不可能完全正确。我们会在半路放弃一些不正确的做法或研究计划，因为我们会不断学习新的东西。我们有一个哲学叫做迭代部署——与其等你完全了解模型的所有能力后再发布，不如先发布，即使不完美，然后公开迭代。"

这种产品更新和迭代的方式，对产品经理的工作提出了新的挑战。

• 更积极主动：很多产品特性和表现需要你去主动发现，有太多问题需要解决。同时需要更多探索来理解技术，基于更多反馈创造有价值的产品。
• 适应模糊性：技术的模糊性需要你去理解和适应，并把它消化掉，给用户提供更多产品和场景层面的确定性。不能等着答案自动出现，也不能期望获得完美和完全确定的答案。
• 快速行动：一切高速发展且模糊，唯一能提供确定性的是更多用户反馈。你需要更多探索来建立清晰的认知和理解，只有自己上手才能真正感受不同技术的差异和特性。

同时，对产品经理来说，有效建立技术和用户之间的连接与平衡至关重要。你需要思考：怎么把技术的特性更好地呈现给用户？在特定场景下，怎么扬长避短，真正为用户解决问题、创造价值？

之前有个观点很有意思：在AI时代，what和how可能不是最重要的了，why才是最重要的。你需要回到原点去思考：为什么要做这个事？为了解决谁的什么问题？同时，在新的技术范式下，如何有效定义和评估问题，是产品经理最核心的能力之一。

在模糊和混沌中前行

Sutton最近发布的《Welcome to the Era of Experience》中提到，人们正站在人工智能新时代的门槛上，有望达到前所未有的水平。和他那篇经典的《苦涩的教训》一样，我们畅想着进入新时代。

但这个新时代里也有各种各样的问题。"苦涩的教训"似乎也有边界问题，就像莫拉维克悖论提到的：虽然我们已经取得了巨大进步，但还有更多问题在等待我们。

莫拉维克悖论（Mora vec's Paradox）是指在AI和机器人学领域观察到的反直觉现象：对人类来说很容易的事情（走路、识别物体、抓取杯子、理解基本语言），对AI和机器人来说却非常困难；而对人类来说很困难的事情（下棋、数学计算、逻辑推理），对AI来说却相对容易。

不过，基于LLM+RL的新范式确实带来了更多令人激动的希望和曙光。我们需要从过去模仿人类的"人类数据时代"，进化到超越人类的"经验时代"。

我们能做什么

对创业公司来说，"模型即产品"这个趋势乍一听有点不友好——大模型技术需要极高的资金门槛。不过之前一个播客中的观点很有启发：创业公司不能用终局思维。你不能一上来就思考怎么和大公司竞争、怎么建壁垒。你需要在你有限的资源下，思考怎么活得更久、怎么一步步走下去。无论什么技术路线和产品形态，能持续留在牌桌上才是最重要的。

对于需要把AI融入具体业务的企业来说，怎么把过去的经验、数据更好地沉淀下来，与大模型更好地结合，可能是最核心的事。大部分企业的成功经验和路径可能还留在某些人的脑海中——怎么有效整理出来，并通过AI能力持续放大这个价值，是根本问题。

对于我们每个人：卷智能已经没有意义了。不管是我们还是下一代，更重要的是提出问题，而不是解决问题。我们每个人作为独立的个体，你的体验、品味、独立的思考才是最重要的部分。与AI更好地协作和融合，去创造更大的价值。