在人工智能和机器学习领域，技术的真正价值往往被误解。短期内，人们经常高估其影响；然而，从长远来看，这种变革性技术带来的深远影响却常被低估。本文将探讨大模型产品化过程中的各种挑战与限制，并强调产品经理在转化技术为实际用户价值中的关键角色。

最近总是看到这样一则评论“人们往往在短期内高估了技术带来的价值，而在长期范围低估了技术带来的价值”

在技术领域，尤其是人工智能和机器学习领域，优秀的模型只是成功产品的一部分。技术的应用确实需要一个过程，它需要与现有的解决方案竞争，这涉及到技术的成熟度、成本效益分析、用户接受度等多个方面。

在这个过程中，产品经理的角色是至关重要的，需要协调不同的利益相关者，确保技术能够转化为用户真正需要和喜爱的产品。

此外，技术本身的先进性并不总是直接转化为产品优势。例如，一个过于复杂的技术可能难以向用户解释，或者一个计算成本过高的模型可能不适合商业化。

因此，产品经理需要在技术潜力和实际应用之间找到平衡点，确保产品既具有创新性，又具有可行性和盈利性。

一、什么是用户价值

用户价值=新体验-旧体验-替换成本

• 新体验：指的是新技术带来的全部好处和改善，包括性能提升、成本节约、操作便捷性、用户体验改善等。
• 旧体验：表现有解决方案或旧技术所提供的价值和体验。这有助于评估新技术相比旧技术带来的实际改进。
• 替换成本：从旧技术迁移到新技术所需的所有成本，如经济成本、时间成本、培训成本、系统重构成本等。

二、大模型和大模型产品的不同

1. 开发训练

开发大模型需要强大的计算资源和专业知识。

大模型产品是指将大模型集成到实际应用中的产品，如智能手机应用、企业软件解决方案等。这些产品不仅包括模型本身，还包括用户界面、数据管道、系统集成和其他功能。

2. 资源需求

大模型在训练和推理过程中可能需要大量的计算资源，如GPU或TPU。大模型产品除了模型本身的资源需求外，还需要考虑产品整体的资源管理，如数据存储、网络带宽、用户界面的响应速度等。

3. 用户体验

大模型在研究和开发阶段，用户体验可能不是首要考虑的因素。大模型产品用户体验是至关重要的，包括产品的易用性、性能、可靠性和用户满意度。

4. 成本效益

大模型不一定直接面向市场。大模型产品需要考虑市场需求、竞争分析、定价策略和商业模式。以及需要考虑如何在各种环境中稳定运行，包括云平台、移动设备或边缘设备，同时还需要定期维护和更新。大模型成本主要集中在研发和计算资源上。大模型产品除了研发成本，还包括市场推广、用户支持、运营成本等。

5. 法规和伦理

大模型在开发阶段可能不会直接面临法规和伦理问题。大模型产品：在推向市场时，必须遵守相关的法律法规，如数据保护法规、隐私政策等，并考虑伦理问题，如算法偏见和透明度。

由此可见，大模型产品才是最终面对大多数用户的东西，以及模型在产品化的过程中往往会添加很多限制，这些限制往往是产品层面的。

三、产品化过程的限制

包括但不限于以下限制：

1. 硬件兼容性限制

一些深度学习应用可能只支持具有特定GPU的设备，因为这些GPU提供了必要的计算能力。

2. 平台限制

产品可能专为某个操作系统或平台设计，如iOS或Android，这可能会限制其他平台的用户使用。

3. 性能优化限制

为了确保应用的流畅性，可能会对模型的复杂性进行限制，比如减少模型的层数或参数数量，以适应移动设备或低功耗设备的计算能力。数据隐私和安全限制：产品可能需要遵守特定的数据保护法规，如GDPR或CCPA，这可能会限制数据收集和处理的方式。

4. 用户体验设计限制

为了简化用户界面和提高易用性，可能会限制某些高级功能或自定义选项，以避免用户感到困惑。

5. 成本限制

产品的成本限制可能会影响模型的规模和复杂性，因为更大的模型通常需要更多的计算资源，这可能会增加成本。

6. 更新和维护限制

产品可能需要定期更新，这可能会限制模型的快速迭代和改进，因为每次更新都需要经过严格的测试和验证。

这些限制确保了产品能够在特定的商业环境和用户需求中成功运行，同时也保护了用户的利益和数据安全。

7. 举个例子

例如一个基于大模型的图像识别应用为例，该应用可能面临以下限制：

• 应用只能在配备NVIDIA GPU的设备上运行。
• 为了保持应用的简洁性，一些高级的图像编辑和处理功能被移除，只保留了基本的识别功能。
• 应用不允许用户上传包含人脸的图片，以遵守隐私保护法规。
• 为了降低服务器成本，模型的推理请求被限制在每天一定数量内，超出部分需要额外付费。
• 为了确保应用的稳定性，模型的更新周期被设定为每季度一次，这限制了快速迭代和错误修复的能力。

8. 另一个例子

例如一个基于大模型的文档分析应用，可能会面临上传文档大小的限制，并不一定是模型的能力有限，而是也产品化过程中的限制，例如

1、服务器的存储空间和带宽资源是有限的，且成本较高。限制文件大小可以防止单个用户或少数用户占用过多资源，确保服务的稳定性和响应速度。

2、大文件需要更多的计算资源来处理，如索引、分析或转换。限制文件大小可以确保系统不会因为处理超大文件而变得缓慢或不稳定。

3、上传和下载大文件通常需要更长的时间，这可能导致用户等待时间过长，影响体验。限制文件大小可以减少等待时间，提供更流畅的用户体验。

因此当产品经理直接使用大模型产品的时候，并不有利于我们了解大模型的优劣势和现阶段的水平、边界，进一步导致我们不清楚如何更好的应用达模型，改进已经产品化的应用。

优秀的产品不仅需要优秀的模型，还需要优秀的产品经理和高效的工程实现。从API到产品，这中间的转化过程正式每一个AI产品经理需要关注和了解的。

四、产品经理需要知道的几件事

探索大模型的边界：现阶段的大模型有哪些限制，这些限制哪些是可以通过模型的迭代得到，哪些是永远不能解决的。了解模型的性能边界、资源消耗、部署难度，确保用户体验不会因为模型的限制而受损，如通过优化前端设计来弥补模型响应时间的延迟。

了解大模型对于业务来说，真正的商业价值在哪里，该如何大模型的优势（如更高的准确性、更强的泛化能力）可以帮助我们更准确地定位产品，制定合理的产品策略。

转载请注明：可思数据 » 产品经理的AI基础：如何理解AI产品的工程化