吳恩達：我們需要社群。擁有朋友和盟友的人比孤身前行的人表現得會更好。即便人工智能領域每周都帶來突破性進展，擁有朋友幫助你分辨真實和炒作、測試你的想法、提供互相支援，并與之共同創造，将使你處于更有利的地位。
在上一篇（非共識解讀：Perplexity.AI vs 天工AI）文末，小編抛出了關于基于大模型的知識搜尋能力，在國内C端市場通過建構從“工具價值（低溢價）→ 流程價值（低溢價）→ 知識價值（高溢價）→ 人脈價值（高溢價）”的SuperApp的産品idea。由于上一篇的篇幅問題，沒有針對這個産品idea 進行展開分享。恰好這兩天看到吳恩達老師的“2024年預測：關于AI，這些事未來十年不會變”中提到的“AI社群”重要性。小編就此也延續上篇最後的話題 “SuperApp：知識共享&交易”。
本文将圍繞以下幾個問題對這個産品 idea 進行思考和分享。
- 在什麼賽道中，知識問答是剛需？
- 在這個賽道中，使用者痛點分别是什麼？
- 在這些痛點中，大模型能力可以做什麼？
- 如果要解決這些痛點，需要什麼，卡點在哪？
在開始前，小編重述在上一篇中，分享的兩點非共識認知：
- 在國内市場，基于大模型搜尋能力的SuperApp 面向C端消費側使用者一定是免費模式。
- 在國内C端市場，基于大模型搜尋能力的SuperApp 的産品價值不止是工具價值，而是通過滿足多方需求，完成資源撮合所帶來的高溢價變現。
一、在什麼賽道中，知識問答是剛需？
1. 在國内，什麼賽道對知識問答的需求是剛需？
不論是創業或者打造一個全新應用，首先一定要借勢。今天很多應用借着AI2.0的勢，破圈甚至站住腳。比如妙鴨相機、通義聽悟、Midjourney。那除了AI2.0 是今年爆火之外，還有什麼賽道在這兩年爆火起來了呢？
- 知識付費：2022年中國知識付費市場規模将達1126.5億元，2025年将達2808.8億元。
- 超級個體：2022年國内靈活就業人員約為2億人（7.5億總就業人口），18.6%的2022屆高校畢業生選擇了自由職業，較去年提高3個百分點。
中國網際網路在後疫情時代，就業市場低迷的情況下，打工者的心态發生了巨大的轉變。很多85後，90後甚至95後打勞工開始意識到隻有一份主業情況，可能在當下這極具變化的市場中，難保障會有一個穩定的明天。一個新的名詞被很多人提及與關注，“超級個體”！
而小編更關心的是，超級個體中與網際網路關聯度最高的知識類超級個體，俗稱：知識IP。
知識類超級個體：
通常是指那些在某個領域擁有深厚專業知識和技能，并且能夠通過知識付費的方式進行商業變現的個體。他們不僅精通一項或多項專業技能，而且能夠将這些技能應用到實際生活和工作中，進而實作商業變現。
你可能會疑問，“知識IP的問答服務場景”跟“AI搜尋引擎的問答場景”的好像不是同一類場景吧？
沒錯！頭部知識IP的問答場景，目前主流場景是在私域平台通過直播，或1對1服務進行問答服務。
但小編關注的并不是頭部知識IP，因為小編思考的：是一個面向C端的AI Native 應用idea，那就一定要關注其目标使用者量的覆寫廣度。
借用Midjourney的産品思路（通過AI能力輔助UGC使用者，使其轉變為PUGC，并可将少部分使用者提升至PGC的水準）。
是以小編真正關注的是：
- 已然是知識IP，但處于腰部及以下的使用者；
- 想要通過成為知識IP，為個人職場開啟第二增長曲線的使用者。
這兩類使用者都有兩個核心且具有共性的痛點：自我提升 & 精準連結
為什麼小編這麼說呢?
供給側使用者需求：
- 精準連結：通過各大流量平台觸達有需求的消費側使用者，進行知識賦能，逐漸建立自己的領域影響力。
- 自我提升：通過不停破圈、向上社交，提高眼界與認知，反複打磨自己技能，提高知識變現的能力。
消費側使用者需求：
- 自我提升：基于各大流量平台篩選出滿足自身知識需求的知識IP，通過付費等方式，擷取知識，提高自己的職場競争力。
- 精準連結：通過向上社交、橫向破圈的政策，擷取資訊差和知識，提高個人能力。
如果要讓小編舉例，那最近的“如何跨界至AI 2.0 做産品經理”可以說是職場人中最熱門的話題之一。
小編作為一個幸運的跨界成功者，從開始跨界直至今日，每天都會思考的兩個核心點：
- 如何保障自己在一個正确的學習姿态，擷取對我有價值的資訊差？
- 如何讓自己可以精準的觸達對我有價值的人脈資源，而非想割韭菜的人？
2. 這個賽道，為什麼有機會出現 SuperApp？
王小川：人需要有三個東西：一個是自己有創造力、第二個是需要健康、第三個需要快樂。
宛辰 Moonshot，公衆号：極客公園《對話王小川：大模型創業核心，是想好技術如何比對産品》
2.1. 感性層面：
小編在構思出這個産品後，一直在反問自己“這個産品到底解決使用者的什麼根本需求？”在看到王小川老師分享的這句話後，小編有了些許答案。使用者通過知識擷取後的自我能力提升，本身就會給自身帶來快樂和成就感。而當使用者将這些知識賦能給其他人或事時，本身也是創造力的表現。
當一個App能滿足使用者三個基本需求中的兩點時，這個App就有其存在的價值了。
上一代被稱為超級應用的産品基本上都是“連結”類型的産品，無論是熟人社交還是陌生人社交，使用者使用這些産品的首要任務是擷取更多的連結。
我們後來發現，新一代的超級應用可能更多地是為使用者提供一個遊樂場（Playground）：每個使用者可以在其中創造和生成自己的東西。
Z計劃，公衆号：質樸發言《對 SuperApp 的想象無限 & 大模型能力有限｜Z 沙龍第 4 期》
2.2. 理性層面：
通過“質譜發言的Z 沙龍”中某VC合夥人的發言中，超級應用在上一代的核心價值是“連結”，而在這一代的核心價值是“創造力”。而不管是“連結”還是“創造力”，超級個體這類使用者都滿足其條件。
知識類超級個體通過“知識”與消費側使用者産生了“連結”，并在這一過程中，通過不斷對“知識”的了解和應用（創造力），産生價值的賦能。
當下大模型的技術邊界（幻覺、缺乏可解釋性、災難性遺忘等）在小編的産品建構中，通過場景細分後可以被巧妙的規避，或基于使用者資料的輔助進行一定程度上的優化。
二、在這個賽道中，使用者痛點分别是什麼？
說到使用者痛點，那必須要提到使用者場景。在個人自我提升這個使用者需求的方向下。使用者場景是怎麼樣的呢？
看到小編在上一篇中提到的：“資料擷取 → 資訊區分 → 知識歸類 → 技能總結 → 知識獲利”後，你可能會産生疑惑？“知識歸類 → 知識獲利 很好了解，那資料擷取和資訊區分有什麼差別？我平常不都是知識學習和通過實踐提升技能嗎？”
這裡小編，就要來聊一下在很久之前的一篇分享中，小編提到的智慧模型Plus版本了~
在過去十年，很多入行網際網路的朋友，在初入職場時，通過看書、文獻、速成教育訓練快速得到行業前輩們的總結的成熟方法論（知識&技能），并直接使用在工作場景中。久而久之，養成了“授人以漁不如授人以魚”的拿來主義習慣。
而在最近這兩年，就業市場低迷，AI 2.0 爆發，超級個體崛起等沖擊，有些讀者朋友不得不開始努力提升個人技能。這時候發現前輩們的方法論到自己手裡就沒那麼好用了。是以開始瘋狂的關注各類知識IP，加入各種技能分享社群，期望能提高自己的職場競争力。
場景一：資料擷取 → 資訊區分
是以第一個細分的使用者場景就出現了“資料擷取 → 資訊區分”：
場景舉例：
作為在努力提升個人認知和職場競争力的朋友，是否每天都會在不同的管道（微信公号、36氪、虎嗅、知識星球等）看到很多文章，但由于時間、惰性、缺乏工具等問題，就會出現：
- 有時候隻能簡單看一下 → 收藏 → 有時間再看 → 根本想不起有這事 / 收藏太多，是哪個來着；
- 有時候認真看過後 → 收藏 → 有時間再寫個筆記 → 根本沒時間寫；
- 有時候看着看着突然想到一個啟發 → 收藏 → 一會把這個idea記下來 → 完了那個idea是啥來着；
以上這些痛點夠剛嗎？夠普遍嗎？AI 2.0 之前，受限于技術能力，這些問題沒辦法通過産品能力實作，現在呢？
可能對AI工具足夠熱愛的朋友，會想到印象筆記的大象AI、知了閱讀、天工AI助手的AI閱讀等産品目前針對這類需求提供了應用App。
但體驗後，小編總結了3個待解決的問題：
- 場景切入不精準：比如天工AI助手的AI閱讀，使用者主場景是微信公号，36氪等APP，你竟然讓我手動複制 → 跳出目前APP → 打開天工AI → 打開AI閱讀 → 粘貼連結；
- 付費降低留存：産品受限于邊際成本影響（算力），使用者無法大量的&免費的使用工具，比如知了閱讀，免費額度僅夠兩三篇内容總結，面向C端使用者，不免費難增長；
- 技術導緻體驗差：産品受限于算力資源和技術能力，AI總結體驗差，比如大象AI，使用AI閱讀時，不是崩了，就是等了1分鐘才能出現總結品質較差的内容；
使用者痛點：
- 使用者人工判斷出的有價值的資料（文章/視訊），需要能被快速“轉存”到“個人資訊庫”；
- 使用者人工判斷的有興趣的資料（文章/視訊），需要能被快速“辨識”出有價值的“資訊”；
産品價值：
- 使用者流量入口：使用者的知識學習&自我能力提升的鍊路原點；
- 私域資料擷取：大模型搜尋目前僅能通過公域資料擷取，來進行使用者問題解答解決。公号等私域資料擷取困難。
- 更好的使用者體驗前提：更容易拿到使用者的偏好資訊，為後續使用者粘性（熱點推薦），交易撮合（内容供給側的創作偏好）等環節提供價值。
場景二：資訊區分 → 知識歸類
如果第一個場景的使用者痛點解決後，作為讀者朋友的你，接下來會幹什麼？
使用者場景：
可能會在某個你有時間學習或有某個緊急事件需要你去查閱你的知識庫（或素材庫）時，來使用這個“個人資料庫”。
- 小編要開始寫東西了，需要一些資訊參考。
- 小編在社群裡跟朋友交流，我對一個觀點需要補充說明，我記得我之前看到一段内容是關于這個觀點。
- 我現在要做AI漫畫視訊，關于AI輸出連續有關聯的畫面的技巧分享，我記得在哪裡看過。
這裡就涉及到了“個人資訊庫 → 個人知識庫”的轉變，即“資訊區分 → 知識歸類”。
使用者痛點：
- 使用者可通過自然語言或業務标簽，快速找到在“個人資訊庫”中對标的“資訊”；
- 使用者可基于已找到的“資訊”，快速在公域和産品私域中找到相關資訊，進行知識補全；
- 使用者可将這次使用的“資訊”，快速總結，并補齊到“個人知識庫”對應的知識點下；
産品價值：
- 使用者流失率降低：由于上一場景，使用者留存了大量的個人資料，這一場景中，通過AI能力+産品政策，可以進一步讓使用者提高沉默成本，降低流失機率。
- 産品認可度提高：由于産品可幫使用者梳理其知識，提高認知，讓使用者感到個人創造力的提升；産品在這個階段還可以通過“學友”機制，讓使用者找到“知己”，讓使用者感到快樂；
場景三：知識歸類 → 技能總結
這個場景和前兩個場景最大的差別，是這個場景對于使用者來說，是一個偏線下場景。因為“知識歸類 → 技能總結”再進行細拆其實是“歸類 → 試錯 → 實踐 → 總結 → 執行 → 複盤 → 審查 → 檢視”。
對知識點進行試錯，排除無關知識，對有關知識進行實踐，通過實踐總結出認知偏差，不斷的通過PDCA政策，進行技能打磨和疊代。
使用者痛點主要來自兩方面：
- 線上工具：用的順手的梳理工具 → 文本創作、版本管理、邏輯梳理；
- 線下行動：找到可實踐的應用場景 → 實踐完成經驗積累 or 借鑒他人實踐經驗；
在這個環節，要采用揚長避短的政策。為什麼這麼說呢？因為工具層面，各垂類方向都有使用者粘性很高的應用：比如飛書文檔、Xmind、石墨、印象筆記。讓使用者從這些應用中遷移到我的産品進行内容創作中是一個成本效益很低（使用者遷移機率 / 應用研發成本）的事件。
是以在這個場景中，産品調性并不是使用者在産品中完成原生内容的創作。而是讓使用者在三方工具完成内容創作後，将這些内容資料重新輸入到産品中。
這時候，你會問：使用者為什麼會多此一舉？
因為在AI 2.0 之前，各類文本創作工具雖在産品内提供了全局搜尋的能力，但從本質上并沒有解決的問題是“基于一個資訊點或知識點，将涉及的内容關聯起來，形成一個知識圖譜。”
而我所構思的這個産品，恰好能截止大模型的快速學習能力，加上知識圖譜等深度學習的技術，完成使用者的個人“技能樹”的搭建。
試問：如果有一個産品能将你平時零散的思考、idea、總結的内容等通過思維導圖等方式串聯起來，而你的操作成本僅是将這些内容快速的導入，将AI打标後标簽簡單校對一下，你會不會用呢？
這裡提到的“技能樹”怎麼了解？通俗的說就是一張思維導圖。比如當下爆火的“長文轉視訊”這個技能。雖然在AI 2.0 時代中AI視訊生成極大的提高了創作者效率。但“劇本→視訊”這個技能已經存在很久了。是以這個“技能樹”本身并不是一個新生産物。僅是通過AI能力将這個技能樹上的知識點進行簡化處理。但如果你作為一個“AI視訊生成”的業務高手，你不懂傳統流程能行嗎？怎麼通過知識賦能其他人呢？
産品價值：
- 大模型幻覺機率降低：通過使用者梳理的“技能樹”，進一步提高大模型對某一類定向問題的回答精準性，減少幻覺偏差；
- 第二場景的産品價值進一步提高。
PS：這個場景中，小編的一位朋友曾提出過一個觀點“越标準化的内容，越沒有AI整合的價值。”
在我與這位朋友交流後，這位友人想表達的觀點是“越标準化的知識，越沒有AI整合的價值。”小編是認可這個觀點的，但這裡小編想表達的是“知識是有标準，但技能不是。” 就好比說“一個APP的注冊登入子產品是有功能定義的，但如何設計讓使用者體驗更好，這個是沒有固定答案的。”
是以小編的“技能樹”政策是在為使用者補全其“知識”的認知差外，還在逐漸為使用者提高其某項“技能”的能力天花闆。
場景四：技能總結 → 知識獲利
首先要強調一下，這裡小編描述的是“知識獲利”，而非“知識變現”，知識變現是聚焦于經濟層面。而獲利則可以了解為：自我精神的自我滿足、人脈資源的有效擴充、經濟收入的明顯提高；
使用者場景：
- 腰部知識IP：有一技之長，但由于其行業影響力和口碑不足，無法觸及到精準的消費端使用者。
- 消費端使用者：有明确的知識擷取需求，但由于難辨識知識IP的服務能力，導緻常被割韭菜，無法相對公正的獲得有價值的知識資訊。
使用者痛點：
在當下市場中，隻有少量頭部的知識IP或者機構可以通過知識付費完成經濟收入的明顯提高。
造成這一問題的原因是什麼？
- 頭部知識IP：對普通使用者帶來的“權威效應”，導緻大多數使用者因“安全心理”“從衆心理”“認知失調”等原因，過分依賴頭部知識IP的權威；
- 腰部及以下的知識IP：因對于個人影響力的不足，導緻消費側使用者無法通過口碑了解“腰部IP”是否能滿足消費側使用者的知識需求。
換句大白話說：“作為一個求知者，小編在需要通過付費擷取某個知識IP的知識服務前，最大的考量是這個錢花的值不值？我會不會被割韭菜。”而如何判斷這個事情，傳統的方式隻能是打聽他的口碑，或者看他過往的分享，學員的回報。
而在小編構想的這個産品中，這一傳統習慣将被變革，在這個産品中所有的知識需求方都可以成為知識供給方（三人行必有我師），因為從“資料擷取→技能總結”這個過程中，大模型雖然在為使用者提供服務，但反過來大模型也可以通過這些資料判斷使用者的擅長能力，擅長程度。
這件事在AI 2.0 之前，網際網路應用幾乎無法做到這一點。
而當大模型可以通過資料及業務标簽，相對清晰的計算出使用者的競争優缺點後：
- 對于技能短闆部分，可以引入三方教培機構和高于使用者能力的其他使用者進行交易撮合。
- 對于技能長闆部分，可以引流至企業招聘領域。
産品價值：
變現方式：通過完成知識付費的供需兩端的資源撮合服務，為産品帶來實際經濟價值。
三、在這些痛點中，大模型能力可以做什麼？
在上一節中，其實每一個場景都有提到大模型能力，也可以說整個産品是基于大模型能力而建構的。換言之：如果沒有大模型能力，這個産品是無法落地的。
這裡小編簡述一下，在使用者場景中依賴大模型能力的幾個核心功能：
3.1. AI文章總結（場景1&3）
相信用過印象筆記的大象AI、知了閱讀、天工AI助手的AI閱讀等産品的朋友，都知道其産品的核心功能就是AI總結（AI摘要）能力。在資訊區分、知識歸類、技能總結這幾個場景中，這個依托于大模型的産品能力非常重要。
目前這幾家的這個功能設計中，小編認為可能由于算力成本、技術能力、場景分析等原因并沒有将這個功能做好。關于這個功能的詳細分析，小編在上一篇分享中“天工AI”篇内已對“AI速讀”和“AI精讀”場景進行詳細闡述，這裡就不在贅述了。
3.2. AI知識搜尋（場景1-3）
不論海外的ChatGPT、PerplexityAI，還是國内的文心一言、百川等都提供了AI知識搜尋引擎的服務。在小編的産品構思中，資訊區分中的AI精讀、知識歸類&技能總結中知識補全都需要AI知識搜尋的能力。
在這個功能中，由于産品本身沉澱的使用者資料（熱點資訊、知識歸類、技能樹節點）可以反向為依托于大模型的知識搜尋進行賦能，降低其在幻覺、缺乏可解釋性、災難性遺忘等問題出現的機率。這也是目前的AI知識搜尋引擎所遇到的問題。
3.3. AI資訊打标（場景1-4）
通過AI技術進行資料打标這事，早在AI 1.0 時代就已經存在了。但哪怕是國際公認最權威的醫學知識圖譜（SNOMED-CT）也無法100%覆寫所有的醫學問答場景。
是以小編建構的産品中，AI資訊打标并不是替代使用者完成“資訊→知識→技能”的資料分類。而是通過AI打标先将龐大雜亂的資料進行初篩，使用者基于初篩後的結果再進行人工校正的過程。
這裡小編要提出兩個非共識認知：
- AI可以替代使用者完成某些極度标準化的工作流程，但無法替代使用者完成非标準化的工作任務；
- 當AI可以100%替代使用者完成某領域的複雜任務時，那這類使用者在這一領域将沒有競争力可言。
3.4. AI比對學友（場景2-4）
對于絕大多數的普通人來說，由于職場壓力，需要通過學習，走出自己的舒适區，完成自我提升。并不是一個快樂的過程，也可能被視為一種痛苦。
是以小編建構的這個産品中，除了通過工具為使用者提供一個從“資訊→知識→技能”全鍊路服務外，另一個核心能力就是通過AI進行“學友”比對的服務。讓使用者在自我提升的過程中連結到合适的良師益友，降低使用者流失，并進而為産品建構知識價值&人脈價值。
“學友”政策：小編将其定位于人與人通過知識需求的精準連結。而非傳統意義通過話題社群/社群進行模糊連結。
這裡你可能有兩個問題：
- 為什麼不在沿用話題社群的方式進行人與人的連結？
- 如果通過知識需求進行人與人精準連結，如何解決需求個性化導緻比對度低的問題？
對于第一個問題，小編通過一個現象來說明：小編在進行AIGC2.0學習時，加入相關私域社群10+個，但擷取到有價值的資訊差還不如我通過看深度文獻/視訊擷取的多。
對于第二個問題，小編認為首先要拉齊一個認知：什麼是需求個性化？它的顆粒度是多少？
在知識賦能這個領域中，使用者的需求并不是千變萬化，無迹可尋的。
使用者的需求來自于他所在的行業，所處的職位，所需的技能等方面而産生的。使用者對“求知”這個需求的個性化是在以上這些次元綜合後所總結的結果的認知偏差所導緻的。
産品可以通過AI技術對使用者的個人資訊、偏好、技術樹等資料，推算出使用者目前的知識需求，并在使用者路徑的恰當節點上為其進行“學友”比對。當然這個比對一定會存在誤差範圍。但這個功能為使用者帶來的成本隻要比使用者通過流量平台、私域社群找到“學友”的效果相似或更好，但成本更低。使用者就會使用這個功能。
四、要建構這個産品，團隊需要的是什麼？
從上文的分析中，不難看出整個産品是依托于大模型能力而建構的，每個場景中都涉及了大量的大模型調用和定向場景的模型能力微調。是以建構這個産品的重要前提一：
1）團隊自身需要具備大模型研發能力。
由于産品是面向國内的C端市場，向使用者收費的政策難以帶來增長。而如果使用大模型供應商的API服務，普通應用廠在中短期無法承擔算力成本消耗。是以建構這個産品的重要前提二：
2）團隊自身需要具備算力資源。
是以想要實作這樣的一個産品建構，除了擁有大模型自研能力的網際網路大廠，就是模型廠了。
而對于模型廠，這樣的産品在中短期内能帶來的價值：
- 在場景一就可以通過快速切入使用者痛點，獲得使用者主動的為大模型輸入“定向領域&人工判斷有價值的”資料，且基于大模型總結後，人工對輸出資料進行标注，大模型可通過“白嫖”的方式獲得大量有價值的、标注好的資料，進而提高自身的大模型服務能力。
- 當全鍊路建構完成後，大模型面向C端的商業模式，從工具服務訂閱制轉變為撮合交易。（低溢價的工具付費 → 高溢價的知識&人脈付費）
不論是文心一言、通義千問，亦或是百川大模型、月之暗面等模型廠，都面向國内C端使用者提供了資訊搜尋服務，但這個服務除了釋放團隊在關注“國内C端的大模型應用能力”的信号，給企業自身帶來的價值是什麼？是期望使用者會主動的标注錯誤答案嗎？還是期望通過使用者廣泛使用分析出有價值的使用者場景？小編在這個問題上認知淺顯，就不再班門弄斧了。
本次分享就到這裡，全文沒提到商業模式和變現方式，這個不是小編沒考慮到。隻是由于篇幅問題，本次就不展開了。簡單說，當使用者對産品産生粘性後，就可以通過訂閱制、比對席位數、消費端流量變現等的方式開始“賣人”了。至于怎麼賣？小編也已構思了全案，有興趣的朋友，可以跟小編私聊。
參考文章
對話王小川：大模型創業核心，是想好技術如何比對産品
對 SuperApp 的想象無限 & 大模型能力有限｜Z 沙龍第 4 期
艾媒咨詢｜2022-2023年中國知識付費行業研究及消費者行為分析報告
幸好，這是超級個體的時代
專欄作家
楊三季，微信公衆号：楊三季，人人都是産品經理專欄作家。8年網際網路經驗的進階産品官，深耕内容領域，ex阿裡AIGC.PM，現某垂類領域頭部企業 AI2.0 PM。
本文原創釋出于人人都是産品經理。未經作者許可，禁止轉載。
題圖來自Unsplash，基于CC0協定。
該文觀點僅代表作者本人，人人都是産品經理平台僅提供資訊存儲空間服務。