大模型创业:两种极端与一种经验

---

2023年夏天那杯咖啡，让我看穿了大模型创业的生死局

你记不记得那种感觉？就是你明明闻到不对劲，却说不出来哪里不对。

2023年夏天，中关村那家咖啡馆，我面前摆着一个AI数字人企业培训产品的Demo。说实话，那画面我看着就有点发怵——一个会动会笑的数字人，在网页上跟你打字聊天。

说是企业内训，其实就是把培训手册丢进大模型，让数字人照着念。

我问他们CEO：“这玩意儿到底解决了什么实际问题？”

他愣了一下。然后开始聊人脉、聊B端商单、聊企业培训市场有多大。

我低头喝了口咖啡，心想：完了。

后来果然完了。不是技术不行，是他们压根没搞明白一件事——企业需要的，不是一个会聊天的假人。人家HR总监要的是：能考核、能追踪效果、能跟现有系统打通的完整方案。你一个网页对话框甩过去，对方看了都想笑。

这事儿让我想起那段时间上吵翻天的帖子。一边说“AI就是个弱智骗子”，一边喊“这是未来，必须All in”。聊场景，他跟你扯AGI；聊幻觉，他说人类也经常犯错。根本聊不到一块儿去。

像极了当年的“亡国论”和“速胜论”，你懂吧？两边都觉得自己对，但其实全走偏了。

---

第一种死法：眼里只有钱，看不见技术

刚才那位前高管老兄，就是典型。

他觉得AI就是个加强版搜索框，能把知识库里的内容捞出来。他完全看不到Transformer核心代码背后藏着什么——那是人类几十年来第一次真的摸到智能的门槛了！

我测过他们产品的底层模型。用的是GPT-3.5，没做任何微调，连RAG都没有。就一个简单的提示词：“请你扮演培训讲师。”

结果呢？我故意问：“我们公司的绩效考核流程是怎么样的？”

这产品直接给我编了一套谷歌的OKR体系。我当时问的是一家国企好不好！

他以为模型会乖乖按手册回答，结果模型觉得，既然是通用培训，那我给你来个通用的好了。这种错，不是技术问题，是认知问题。

你想啊，你连游戏规则都没搞懂，怎么上牌桌？

他们团队的问题在于：太相信自己的人脉能搞定B端，太不相信技术能真正改变什么。在他们眼里，大模型就是个新玩具，跟几年前“区块链+一切”没啥区别。

但问题是——你见过有人拿螺丝刀钉钉子，但螺丝刀本身不是钉子。

---

第二种死法：脑子只有代码，心里没有客户

另一边，更惨烈的故事多的是。

有个三人创业小队——中厂AI产品经理、一个开发、一个算法工程师。拿了天使轮，要做法律AI。目标很明确：帮律师写法律文书、做案例检索。

听起来很美吧？

但现实给了他们一记重拳：法律条文，一个标点符号都不允许错！你写一份合同，每三句话就有一句是编的，谁敢用？

我后来跟他们产品经理聊过。他说：“我们以为GPT-4出来后，准确率能到95%以上。实际测下来，在专业法律问题上，准确率连70%都不到。”

70%什么概念？就像你坐飞机，飞行员告诉你他有70%的概率安全着陆。你上不上？

这支团队撑了十个月。钱花完，投资人跑路，团队散伙。有人开始面试新工作，另一个在找新赛道。就是这么干脆，这么残酷。

还有个更离谱的。

几个海归名校毕业生，要做AI小说。拿了真格基金的投资，还搞了AI小说大赛，媒体资源也不错。结果呢？C端没一个人买单。B端赞助的全是算力资源，没有现金。现在团队还在自己贴钱维持。

他们犯了一个致命错误：觉得大模型生成的内容能达到人类网文的水平。

我试过国内外当时所有主流模型写小说——Claude 3、GPT-4、文心一言、通义千问，没有一个能写出让人愿意付费看完的完整故事。短篇梗概还行，一拉长就崩——逻辑断层、人物OOC、情节推进像AI被车撞了。

你想想，静态文本创作这件事，大模型目前就是不行。你再怎么用提示工程、少样本学习，没用。底层问题解决不了——大模型没有真正的叙事理解能力，它只是概率预测下一个字而已。

这就好比，你会算数学公式，但你不会写诗。懂了没？

---

真正该学的：改善一点点，价值却飞跃

说到这儿，我想起孙志刚老师公众号上的一篇文章，讲了一个大模型落地案例。我觉得所有想做AI创业的人都该读读。

这个案例里，大模型只做了不到“10%”的工作流程改进。只有10%。

你猜怎么着？就这么一丁点的变化，带来了100%的价值。

具体是这样的：一家大型企业，每天要处理大量客服工单。以前需要人工阅读、分类、派发。一个熟练员工每天能处理200单左右。引入大模型后，模型自动读取工单内容，提取关键信息，做好分类，然后推送给对应部门。

这一步就节省了70%的人力成本。

为什么？因为他们不是让大模型去做整个客服工作，而是把最机械、最容易出错、最耗时的“信息提取和分类”这一步抽出来，完全交给模型。剩下的判断、决策、疑难问题处理，还是人来做。

你看这种模式的关键是什么？找到业务流程中那个“10%的阻塞点”。往往是重复性高、规则相对明确、容错空间相对大的环节。大模型在这个点上发力，效率提升是质变的。

我后来在咨询项目里反复用了这个思路。比如一个客户要做销售话术分析，他没有让大模型去写话术（那玩意儿没法用），而是让模型分析销售电话录音，自动标注出客户提问的高频点、销售回答中的薄弱点。就这么一项，原本每月花4个人工听录音的活，变成了一台服务器跑半天。

成本结构，完全变了。

---

那到底怎么干？三条铁律，记住了

说实话，踩了这么多坑，我总结了几条铁律。

第一，场景文档比技术架构更重要。

我见过太多团队，第一件事是讨论用哪个模型、部署方案、架构选择之类。但真正该先做的是：花两周时间，跟着客户上两天班。

你看他们每天在干什么，最痛苦的事是什么，哪些环节是重复的，哪些判断只需回答“是”或“否”。这些才是大模型能介入的地方。

这就像你要看病，不是先研究最新型的CT机，而是先了解病人的症状在哪儿。

第二，MVP验证要用顶配模型。

WakeData的案例很有意思。他们把业务能力拆成一个个标准化的Skill，大模型只负责生成这些Skill。这是一个聪明的做法——不让模型直接面对复杂任务，而是让它做自己擅长的事：理解自然语言，转化成结构化指令。

很多人问我选模型的事。我的建议很简单：MVP阶段，直接用最强的模型。GPT-4、Claude 3、文心一言4.0，哪个强用哪个。为什么？因为你要验证的是“这个需求场景是否成立”，不是“哪个模型性价比最高”。

如果顶级模型都解决不了你的问题，那这个场景就别做了。

成本优化的思路是用来扩大规模的，不是用来验证问题的。顺序搞反了，死得快。

第三，AI原生应用，不是行业大模型。

现在国内很多人在做行业大模型，什么医疗大模型、法律大模型、金融大模型。我问一句：你们训练数据量够吗？算力撑得住吗？一个亿级参数的行业大模型，没有几千万高质量的领域数据，想都别想。

真正走得通的路径，是在一个强大基座模型上做应用层创新。百度李彦宏说得对：“强大的基础大模型，一定能驱动AI原生应用爆发。”文心一言发布后，千帆大模型平台上月活企业数已经近万家，覆盖400多个场景。

你看微软，他们也没自己去做大模型，而是把OpenAI的能力嵌到Office里面去。这才是聪明做法。

---

一人公司：AI时代的超级个体？你行吗？

说个题外话。

最近很多人问我“一人公司”是不是真的可行。我自己的答案是：可行，但得有清醒的认知。

AI确实降低了启动门槛。以前你一个人想做产品，要搞定产品设计、前端后端、文案营销、客服售后。现在，这些东西AI能帮你完成大部分重复劳动。

我有个朋友，一个人运营一个面向中小企业主的AI工具公众号。内容用Claude生成初稿，他改一遍；图片用Midjourney生成；用户咨询用Chatbot回答；邮件营销用工具自动化。月收入稳定在2-3万。

但他不是什么都会，他只做三件事：判断内容方向、理解用户需求、做最终决策。剩下的全部交给AI和工具。

Anthropic《创始人手册》里有个观点我特别认同：“在编写任何正式