先概述这12个点：
1. LLM+“RPA”，可能是短期落地的最佳姿势。
2. Open Al 会推出 100% AI生成内容的类TikTok平台。
3. Ilya正式退出OpenAI。
4. 还没等产品爆发，安全问题可能会先爆发。
5. 现阶段AI落地，B端实施不是刚需，但咨询是刚需。（类比的，C端使用不是刚需，但尝鲜是刚需。）
6. AI native产品需要积累新的数据，这让大家会站到同一起跑线上。
7. “微信里接AI bot”成为小风口。
8. “AI+HI”可能迎来第二春。
9. “一定是要改变工作流”，将作为“AI-native”的一个check标准。
10. 同构交互学习，被逐步重视。
11.智能汽车开卷，类Sora方向的技术和产品体验。
12. 生成式AI的最简明的落地价值，不是生成，反而是提炼总结。
下面一个个来说：
一、LLM+“RPA”，可能是短期落地的最佳姿势
RPA，虽然大家都看过这个词，但可能还没捕捉到其重要性。
1. RPA，即机器人流程自动化（Robotic Process Automation）。
通过模拟鼠标、键盘、触屏等操作，自动完成人的各种软件操作动作。
也就是说，可以把我们日常的重复性动作，交给机器人来执行，节省时间。
更加正式的定义和介绍，大家自行搜索。
2. 为什么说，LLM+“RPA”，可能是短期落地的最佳姿势呢？
本质原因，是2年前我们就介绍过的，“（AI）只模拟感知能力，对劳动力的释放是极其有限的”，经济效益价值也就极其有限。
当时主要说的是，机器人（机械臂、自动驾驶、无人机）等能动的硬件载体。
而今年我突然感到，RPA，其实也是直接的释放劳动力的载体。（一个实，一个虚）
3. 为什么我今年突然sense到这点呢？
因为1月份时，我参加了某社群X里的“RPA提效”活动。
暂且不论授课效果，这个现象背后，有值得关注的底层原因：
1）社群X里，是怎样的用户画像？愿意花2000多元/年、盯着“搞钱”的老板/个体，他们是商业嗅觉最敏感、离钱最近的人。
2）而且当时那期航海里面，有24个活动选题（也包含AI绘画等其他AI相关内容），据说其中“RPA提效”是人次最多的。
以上2点本身，就是一种值得我们捕捉留意的“征兆”。
3）而且，从实际效用来看，我们有很多重复性的工作，确实是应该、且可以被RPA辅助完成的。
4. 为什么要这么重视“到底能否将AI应用于劳动力释放”呢？
因为只有这样，AI才能摆脱“（降本增效的）工具”属性，才能在商业化的时候，算得过账来——让客户看清楚，因为AI，带来了多少增量价值，然后才愿意分成多少比例。
相关内容，在之前的文章里有提到过：
hanniman评注：要能“分润”，那就真的要是雇佣一个人（实习生/兼职）的感觉……那就真的要能端到端的产生价值。那就真的要把机器人或RPA视为“必须拼图”之一，因为要有实际的生产力效用。
5. 现在的RPA工具（及教学方法），还不是特别好用，也正好说明，其中还有空间和机会。
不过，现有RPA上手和教学都比较不方便的，原因可能是，本质还是在编程。
从用户预期来说，我只是希望能自动完成整个交互操作过程而已——如果能根据我的“录屏”就搞定，那才是amazing！
6. 有一个词，叫做“屏幕语义识别”，比如：
OpenAI投资的“Induced AI”。
某开源项目，根据截图，可自动生成交互图和代码，使用GPT-4V的API来完成任务。
一款由GPT4驱动的截图管理工具，可将截图转化为视觉备忘录，并基于内容和GPT问答。
二、OpenAl会推出100% AI生成内容的类TikTok平台
1. 我在《深度 | 关于AIGC商业化的13个非共识认知（8000字长文） 》中提到过：
未来真正的AI 2.0/元宇宙社交产品形态，核心差异化的点，不仅是人和AI社交，更在于“AI和AI交互、人去看（消费）这些AI产生的内容”——那不是“游戏”，而是“生活”。
2. 这个，其实在电影《失控玩家》中，已经有过体现。
电影里面有这么一段台词：
“谁能想到，居然会有这么多人，喜欢观察游戏角色而不是朝他们开枪，玩家纷纷涌入这款观察为主的放置游戏......”
3. 而且，去年的文章已介绍过美国的相关案例——Channel 1：24小时AI新闻主播，要做新闻频道里的TikTok。
a）他们的AI 新闻节目，预计将于在X、FAST和其他传统平台推出。
b）如果是财经新闻，会报道你持有的股票或你感兴趣的领域；如果是体育新闻，会是你最喜欢的球队。
c）希望每天制作500~1000个片段，收入来自对接系统里的广告。
d）成立于2023年，大约11名员工。
我当时也评注说：
24小时的AI频道，这是未来一定会成为现实的产品形态机会，里面有很多机会的。
4. 但是，这个机会，可能还是会被OpenAI首先抓住，因为Sora已经出来了。
而且Sora刚出来，整体的“完成度”就比较高，其他公司要想整体追上OpenAI，短期太难。
而一旦OpenAI开启这个数据飞轮，优势将被继续拉大。
三、Ilya正式退出OpenAI
如果他继续沉默一整年，那只会意味着更大的“震动”。
四、还没等产品爆发，安全问题可能会先爆发
这并不是那种天马行空式的“想法”，而是有其背后的脉络的。
1. 所谓“爆发”，不是说数量上会有很多例，而是说，有“严重”的安全事故，会引起巨大影响和全社会广泛关注的那种。
类似汽车、火车、飞机、自动驾驶早期的事故会死人，LLM虽然还不一定是这种类型的事故，但也可能造成严重的犯罪、经济、政治安全事故。
2. 为什么随着时间推移，“一定”会发生呢？
1）随着AI调用量不断增加，看似小概率的黑天鹅事件，慢慢就变成“必然”一定会发生的事情了。
2）之前AI 1.0 时代（NLP/规则），其实就已经发生过了，只不过很多人并不知道而已。
当年，有两家AI公司的聊天机器人同时接入QQ群聊，因为涉及黑天鹅内容，而一起下线了。
3）现在AI 2.0（大模型/AIGC）本来就要更加不可控、有更多未知的风险，而且还有更多主观恶意、非故意性质的安全问题。
对于大厂（或从大厂演化出来的创业公司），会有“一个部门”去支撑这种安全问题。
但全新的AI创业公司，短期可能会“难以达到及格线”，一旦出事，可能第二天就被封；
而解决这种大问题的时间门槛，甚至可能至少是6个月。
所以，隐患还是比较大的。
3. 为什么2024年有更大可能（爆发安全问题）呢？
1）大概，会有一波AI应用层的产品发布（因为去年年中，很多团队才跑起来，6~18个月，总该发布了），有更大概率出现“调用量短期快速增长”的情况，那么出问题概率就更大。
（注：这里只是说用户量或使用量，并不一定就是真正成功的产品出现，类似过去十年的智能音箱。）
2）其实有一些安全问题，已经在发生了，只不过还没有引起更加破圈的影响。
3）有越来越多的LLM安全隐患被暴露出来。
比如大模型隐蔽的后门漏洞风险。提到关键词，模型瞬间“黑化”，这可能是比提示词注入攻击还要严峻的安全问题，现有安全机制无法防御。
4）更隐蔽的原因在于，虽然揭露这些安全隐患的初衷，是为了防范，以及最近有不少LLM安全相关的解决方案公司和平台。但是，所有这些，其实同样也升级了作恶者的认知和技能点。
4. 如果今年会有这种安全事故发生，我们该怎么应对呢？
1）对于我们自身的AI产品，需要提前考虑、设计一些体验流程环节，尽量减小事故发生后，对用户和公司的影响。
具体怎么弄，之前说过很多次了，不细说；感兴趣的会员，可以单独微信问我。
2）对于我们个人职场发展来说，如果能提前关注、储备一些相关的认知和产品设计思路，有可能反而是个冒头的机会。
比如提前对内布道这个风险，并发邮件出来（当下别人不会真正重视的，以后要能找得到证据）。
比如事故发生后，自己能第一时间请缨解决，临危受命。
比如将（LLM/AIGC）“安全”作为自己的差异化职业规划tag，一点点地深挖和积累——这相关的人才，是非常非常稀缺的。如果你能有自己的认知和建树，今后在大厂里面，会非常容易拿高薪。
五、现阶段AI落地，B端实施不是刚需，但咨询是刚需（类似的，C端使用不是刚需，但尝鲜是刚需）
1）最近某家AI公司提到，他们的解决方案里，不仅包括技术方案，还包括“咨询服务”。
2）我在文章“关于AIGC商业化的13个非共识认知”里提到的第12个点，“现阶段做AI，要对标的不是互联网，而是通信/IT”，底层是相通的。
3）之前也提到过某互联网大V转型做AI咨询业务的案例。
i，给别人做咨询的前提，首先要自己能用好AI。
该创始人的几个产品和服务网站，其实都是通过ChatGPT辅助、一个人完成的。
ii，用户的需求是啥呢？
“最原始的出发点一般是：如何叠加 AI 的能力，直接或间接提高产品收入、如何整合 AI 的能力，直接或间接提高团队的人效。”
iii，如何满足？产品能力+咨询能力，能快速理解客户需求、定位出价值。
更特别的在于，不仅是咨询，最好还有方案设计、技术开发，即整套“交钥匙”方案。
而且这种方案，是融合了“战略咨询、效率评估、业务应用、流程优化”的。
4）私下了解到，“从四大和埃森哲来说，AI落地的咨询项目比较少，很多团队都没活下去”；而小的创业公司，公开信息也不多。
5）另外几点感想：
i，“给企业做AI落地咨询”这个方向，肯定有很多人会去做的，当然，现在还算早期。
ii，但这种业务，比较重，也不容易做好。
iii，核心团队里，如果有产品基因的负责人主导，或者通信行业背景的人，会比较好；而不是技术负责人主导。
六、AI native产品需要积累新的数据，这让大家会站到同一起跑线上
之前提到过，在AI-native产品设计中，对“数据”的认知和实操，会被拉得非常高。
1. 在“我来评注杨植麟最新的访谈分享”中有提到：
“产品经理越来越多需要想的事情是，怎么通过两个数据集去开发一款产品，定义好了数据集，其实产品就定义完成了。一个是训练数据，一个是测试数据。训练数据决定了模型能提供什么能力，测试数据决定了模型的实际可用程度……功能是通过数据定义出来的，这才是 AI Native 的方式。”
2. 这里，我再延展说一点（行业还没有清晰共识）：AI native产品需要积累新的数据，这让竞争者可能站到同一起跑线上。
3. 为什么呢？
大家默认以为，是过去积累的数据都是有价值的，或者说权重比例非常大的。
但我的体感是，真正适合AI 2.0的数据，是那些之前所有人都没有的数据，是基于know-how的过程数据——需要重新去定义和积累，从0开始的。
4. 举个例子，比如我的文章看起来，最原始的input是文章链接url、output是我的提炼内容。
那拿着这些数据，去训练一个AI，效果大吗？
效果不会那么好。
因为我的提炼过程，其实分了3步：
i，对于文章内容，我先“捕捉”我认为真正有价值的干货点，摘录出来；
ii，对摘录出来的内容，做精炼。比如原文10个干货点、300个字，我精炼成10个点、150个字；
iii，再整体地、按照我的理解，重新做逻辑整合、重拟标题。
也就是说，如果我要训练这样的Agent，我是会需要从零开始积累这些过程数据。
5. 这个本质变化导致了，即使其他人想copy我的这个Agent，不仅不可能有我自己的效果好，而且我如果愿意，是可以每天进化的，因为我每天的文章，都可以贡献新的数据。（即使他窃取到了我之前的过程数据，但第二天开始，他又会比我的Agent差一点点。）
这也是我之前所说的，这种方式下，AI-native产品是真的可以“每天”进化的。
6. 如果以上逻辑成立，那么，大家可能都站在了同一个起跑线上。
7. 如果你是现在的巨头，其实是危机很大的；如果你是个体，是有机会搞点事情的。
七、“微信里接AI bot”成为小风口
应用角度起势的AI小风口，最早可能不是某个具体的应用或方向，而是微信这个“场景/场域”。
1. 从AI作为Agent/助理的角度，其实是容易想到，把AI作为聊天软件的一个“联系人”去对待的。
而且这种国民性的IM，本身就有海量的、用户和“长尾”场景！是创新价值涌现的温床。
2. 现在，已经有些这种模式的AI产品在冒头了
1）之前的文章提到过：
“有一家 SaaS 公司，客户和使用群体文化水平不高，他们还做了一个企业微信，用户平时其实很少需要打开 SaaS 去复杂操作，只需在微信里说一句话，后台就会自动完成操作。”
2）Shelpful，主要通过 WhatsApp 等平台信息形式，帮助用户建立习惯并处理/提醒日常工作。
3）AI日程助手Dola
4）之前的文章提到的哄哄模拟器，其实也有参考价值。
3. 一方面，对于用户群的预期，年轻人可能更容易爆一些，另一方面，有个小风险，就是一旦爆了，可能会被封。
anyway，这个点，一般业内说得比较少，大家可以结合自身业务和熟悉的领域，琢磨下。
八、“AI+HI”可能迎来第二春
1. 之前文章提到Sam Altman投资300万美元的公司Shelpful，简单说，就是为了提供生活助手服务，采取了三种产品形态：AI，AI + 真人辅助，真人 + AI 辅助。
典型目标用户是，需要外部激励和组织帮助的个人、面临时间管理挑战的职场人士和家长。
2. 其实8~10年前的AI 1.0时代，就已经有公司做“AI+HI（人工）”来提供个性化服务的产品了。
最初是美国一家公司火了，名叫Magic，然后国内一批抄袭者，但后面都没做起来。
3. 当年为什么做不起来？
因为传统NLP能力提供不了充分价值（不论理性还是感性），虽然各家公司鼓吹AI，但本质（大部分比例）就是在用人工提供1对1的服务，这样当然收入覆盖不了成本。
4. 现今为什么“有机会”、可以搞一搞了？
因为LLM/ChatGPT首次突破了价值瓶颈（不仅带来理性价值，还有感性价值、可极大增强用户心理粘性），使得“AI+人工”的模式有机会ROI跑正。
5. 更深的洞察：这种模式，还可能会带来“新增职位机会”。
我初步命名为“AI协作咨询师”，不仅可以给高客单价的、原本就有90分位能力的咨询“专家”引流，还可能让本来不具备咨询能力的、原本只有70分位的普通人赋能，使其也能给用户提供80分的咨询服务。
本质上，这也是一种信息差。即，如果用户自己学会了如何使用AI（GPT-4），那就不需要这种服务了。当然，这也跟他的教育程度相关——有的人不能真正学会用AI，那就购买这种服务，也行。
6. 大模型毕竟是技术维度的东西，现阶段直接拿来用的产品维度效果，总还差口气，如果通过这种模式“补齐”gap，不说定真能有机会出来。
九、其他猜想
（一）hanniman个人猜想
1. “一定是要改变工作流”，将作为“AI-native”的一个check标准。
2. 同构交互学习（网上没有这个说法，我自己DIY的），被逐步重视。
类似之前爆火的Aloha机器人——人在操作，机器同步学习。
另外，在使用RPA的时候，其实也有一样的需求——我只是希望完成目标效果（某些自动化操作），为什么非得让我学一点点操作那个界面？其实本质和coding是类似的。
3. 智能汽车开卷：类Sora方向的技术和产品体验。
4. 生成式AI的最简明的落地价值，不是生成，反而是提炼总结。
5. 目测6个月内，会有一轮洗牌（不论是公司还是人才）。
6. 借力AI，会有更多新的个体崛起机会（副业），甚至会导向团队先进性的竞争（基于AI-native的组织架构）。
（二）基本认同的一些行业预测
1. 2024年，将是初创AI公司尝试基于结果定价的一年。
2. 中国AI出海产品打开了新局面。
3. OpenAI会发布GPT-4.5或GPT-5，成本还会下降。
4. 多模态、Agent、端侧/小模型。
5. 关于AI生成作品的法律诉讼和冲突层出不穷。
作者简介：黄钊hanniman，前腾讯PM，前图灵机器人-人才战略官/AI产品经理，11年AI、14年互联网经验；垂直于AI产品经理的第一社群“AI产品经理大本营”（6年）和自媒体“hanniman”（9年）；作品有《AI产品经理的实操手册》《黄钊的AI日报》。
本文来自微信公众号：hanniman（ID：hanniman），作者：黄钊hanniman