一、大趋势：AI 迭代极快、处于早期爆发阶段
- “你今天用到的 AI 模型，将是你这辈子使用过最差的一个。”
- AI 技术更新速度之快，意味着我们使用的每一代模型都很快被下一代超越。创业者要有「不断适应新能力、迭代自身产品」的思维，而不是等技术完全成熟再行动。
- 我们还只在「早期阶段的第二局刚开场」。
- Kevin Weil 认为，从 Transformer 出现到 ChatGPT 发布，算是 AI 的第一阶段；现在才刚进入新一轮爆发的开端：多模态融合、实时联网、代理型 AI、行业专属微调……都有巨大潜力。
- 对于创业者，这是历史级别的好时机。
- 新平台崛起初期往往孕育大量机会，就像移动互联网、云计算时代一样。尽快动手试错，不要“等等看”，才能真正抓住这波浪潮。
二、产品观：快速迭代、深度评估、面向未来
- 快，是唯一秘诀：迭代式发布。
- 「速度」是 OpenAI 最核心的竞争力，宁愿犯错也要快速迭代；快速发布、快速收集反馈，再根据模型新能力和用户反馈做出调整。
- 具体体现：ChatGPT、DALL·E 等产品在还不够完美时就上线，通过用户和社会的共同使用来一起“演化”。
- 「Chat」不是过渡，而是最通用、最自然的交互方式。
- 聊天本质上是一种无门槛的自然语言交流，能够容纳各种复杂想法和需求，因而非常适合对接大模型的“通用智能”。别急着把聊天理解为「过时界面」，它可能正是最持久、最强大的入口。
- 评估体系（evals）是构建 AI 产品的核心。
- 对模型的定制化测试（eval）能帮你明确模型在具体任务上的真实表现，从而决定产品可行性及设计思路。
- 模型能力不再是固定的，需要持续基于 evals 做针对性的迭代和微调。对创业者而言，「写好 eval」就像做“单元测试”，它能帮助你知道产品要如何设计，模型要如何改进。
- 押注未来：不要为眼前的模型局限而裹足不前。
- 如果你正在做的产品，恰好「卡在了模型能力的临界点」，不要轻易放弃。随着下一代模型升级，你的产品就可能“飞起来”。
- 专注于能让模型能力最大化的场景。
- AI 产品需要有「model maximalism」的思路，不要过度补偿、搭太多“支架”。因为模型进步速度极快，过多的“保护层”可能很快被淘汰。
- 先做出能验证核心价值的 MVP，随着模型升级，再一步步完善。
三、组织管理：小团队、高自主、跨学科深度合作
- 自下而上、小团队自驱动
- OpenAI 不追求完备的自上而下路线图，而是给出大方向后，让研究员、工程师、PM、设计师自由探索。
- 快速试错、灵活发布，有问题就及时回退、修正，不被官僚化流程拖累。
- 研究与产品深度结合，从 0 到 1 一起演进
- 不再是研究员「做好模型」再扔给产品，而是研究、产品、设计、工程、安全团队共同定义需求、制定 eval、跑数据迭代，边研究边落地。
- 这种「学科交叉、共同创造」的方式，能大幅提升产品成功率与领先性。
- 强调「产品型工程师」和「少而精的 PM」
- PM 数量有限，但需要非常强的判断力和自我驱动；工程师也普遍具备产品意识。
- 避免「PM 太多，文档和会议堆积」；相反，保持团队里“写代码、做产品”的主导地位。
- 容忍模糊、不等完美信息就快速决策
- 在高速变化的 AI 领域，若等所有信息完整再做决定，就会错失良机。
- 要能在不确定中行动，并接受「在做中修正」的工作方式。－－小互总常说的“干中学”。
四、个人能力：提出好问题、拥有判断力和好奇心
- 提出好问题的能力
- AI 时代，模型可以执行大量任务，但前提是你要能清晰、深入地描述需求和思路。所谓 Prompt Engineering，本质就是结构化思考和准确表达问题的能力。
- 批判性思维和判断力
- 模型给出的答案和建议很多，需要人来筛选、判断、整合。无论是产品经理还是工程师，都要具备「挑选最优方案」的 discernment（鉴别力）。
- 不要盲从 AI，也不要停留在表面答案，要有质量地追问“为什么”。
- 跨学科好奇心，持续学习
- AI 相关产品往往涉及深度技术、业务流程、行业专有知识；PM、工程师都要敢于深入陌生领域，主动去理解底层逻辑。
- 沟通与协作能力
- 未来工作环境里，人类核心价值在于沟通、跨学科协作、协调资源。良好的沟通能力会越来越重要，甚至超过某些“硬技能”。
声明：本站资源来自会员发布以及互联网公开收集，不代表本站立场，仅限学习交流使用，请遵循相关法律法规，请在下载后24小时内删除。 如有侵权争议、不妥之处请联系本站删除处理！ 请用户仔细辨认内容的真实性，避免上当受骗！
