來源|楊三季

在上一篇（非共識解讀：Perplexity.AI vs 天工AI）文末，小編拋出了關(guān)于基于大模型的知識搜索能力，在國內(nèi)C端市場通過構(gòu)建從“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的產(chǎn)品idea。由于上一篇的篇幅問題，沒有針對這個產(chǎn)品idea 進行展開分享。

本文將圍繞以下幾個問題對這個產(chǎn)品 idea 進行思考和分享。

• 在什么賽道中，知識問答是剛需？

• 在這個賽道中，用戶痛點分別是什么？

• 在這些痛點中，大模型能力可以做什么？

• 如果要解決這些痛點，需要什么，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：

• 在國內(nèi)市場，基于大模型搜索能力的SuperApp 面向C端消費側(cè)用戶一定是免費模式。

• 在國內(nèi)C端市場，基于大模型搜索能力的SuperApp 的產(chǎn)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(xiàn)。

#01在什么賽道中，知識問答是剛需？

1. 在國內(nèi)，什么賽道對知識問答的需求是剛需？

不論是創(chuàng)業(yè)或者打造一個全新應(yīng)用，首先一定要借勢。今天很多應(yīng)用借著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，還有什么賽道在這兩年爆火起來了呢？

中國互聯(lián)網(wǎng)在后疫情時代，就業(yè)市場低迷的情況下，打工者的心態(tài)發(fā)生了巨大的轉(zhuǎn)變。很多85后，90后甚至95后打工人開始意識到只有一份主業(yè)情況，可能在當下這極具變化的市場中，難保障會有一個穩(wěn)定的明天。一個新的名詞被很多人提及與關(guān)注，“超級個體”！

而小編更關(guān)心的是，超級個體中與互聯(lián)網(wǎng)關(guān)聯(lián)度最高的知識類超級個體，俗稱：知識IP。

你可能會疑問，“知識IP的問答服務(wù)場景”跟“AI搜索引擎的問答場景”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臺通過直播，或1對1服務(wù)進行問答服務(wù)。

但小編關(guān)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(yīng)用idea，那就一定要關(guān)注其目標用戶量的覆蓋廣度。

• 借用Midjourney的產(chǎn)品思路（通過AI能力輔助UGC用戶，使其轉(zhuǎn)變?yōu)镻UGC，并可將少部分用戶提升至PGC的水平）。

所以小編真正關(guān)注的是：

• 已然是知識IP，但處于腰部及以下的用戶；

• 想要通過成為知識IP，為個人職場開啟第二增長曲線的用戶。

這兩類用戶都有兩個核心且具有共性的痛點：自我提升 & 精準鏈接

為什么小編這么說呢?

供給側(cè)用戶需求：

• 精準鏈接：通過各大流量平臺觸達有需求的消費側(cè)用戶，進行知識賦能，逐步建立自己的領(lǐng)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，反復(fù)打磨自己技能，提高知識變現(xiàn)的能力。

消費側(cè)用戶需求：

• 自我提升：基于各大流量平臺篩選出滿足自身知識需求的知識IP，通過付費等方式，獲取知識，提高自己的職場競爭力。

• 精準鏈接：通過向上社交、橫向破圈的策略，獲取信息差和知識，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 做產(chǎn)品經(jīng)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確的學習姿態(tài)，獲取對我有價值的信息差？

• 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，為什么有機會出現(xiàn) SuperApp？

2.1. 感性層面：

小編在構(gòu)思出這個產(chǎn)品后，一直在反問自己“這個產(chǎn)品到底解決用戶的什么根本需求？”在看到王小川老師分享的這句話后，小編有了些許答案。用戶通過知識獲取后的自我能力提升，本身就會給自身帶來快樂和成就感。而當用戶將這些知識賦能給其他人或事時，本身也是創(chuàng)造力的表現(xiàn)。

當一個App能滿足用戶三個基本需求中的兩點時，這個App就有其存在的價值了。

2.2. 理性層面：

通過“質(zhì)譜發(fā)言的Z 沙龍”中某VC合伙人的發(fā)言中，超級應(yīng)用在上一代的核心價值是“鏈接”，而在這一代的核心價值是“創(chuàng)造力”。而不管是“鏈接”還是“創(chuàng)造力”，超級個體這類用戶都滿足其條件。

知識類超級個體通過“知識”與消費側(cè)用戶產(chǎn)生了“鏈接”，并在這一過程中，通過不斷對“知識”的理解和應(yīng)用（創(chuàng)造力），產(chǎn)生價值的賦能。

當下大模型的技術(shù)邊界（幻覺、缺乏可解釋性、災(zāi)難性遺忘等）在小編的產(chǎn)品構(gòu)建中，通過場景細分后可以被巧妙的規(guī)避，或基于用戶數(shù)據(jù)的輔助進行一定程度上的優(yōu)化。

#02在這個賽道中，用戶痛點分別是什么？

說到用戶痛點，那必須要提到用戶場景。在個人自我提升這個用戶需求的方向下。用戶場景是怎么樣的呢？

看到小編在上一篇中提到的：“數(shù)據(jù)獲取 → 信息區(qū)分 → 知識歸類 → 技能總結(jié) → 知識獲利”后，你可能會產(chǎn)生疑惑？“知識歸類 → 知識獲利 很好理解，那數(shù)據(jù)獲取和信息區(qū)分有什么區(qū)別？我平常不都是知識學習和通過實踐提升技能嗎？”

這里小編，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，很多入行互聯(lián)網(wǎng)的朋友，在初入職場時，通過看書、文獻、速成培訓(xùn)快速得到行業(yè)前輩們的總結(jié)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(yǎng)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(yè)市場低迷，AI 2.0 爆發(fā)，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(fā)現(xiàn)前輩們的方法論到自己手里就沒那么好用了。所以開始瘋狂的關(guān)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爭力。

場景一：數(shù)據(jù)獲取 → 信息區(qū)分

因此第一個細分的用戶場景就出現(xiàn)了“數(shù)據(jù)獲取 → 信息區(qū)分”：

場景舉例：

作為在努力提升個人認知和職場競爭力的朋友，是否每天都會在不同的渠道（微信公號、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(xiàn)：

• 有時候只能簡單看一下 → 收藏 → 有時間再看 → 根本想不起有這事 / 收藏太多，是哪個來著；

• 有時候認真看過后 → 收藏 → 有時間再寫個筆記 → 根本沒時間寫；

• 有時候看著看著突然想到一個啟發(fā) → 收藏 → 一會把這個idea記下來 → 完了那個idea是啥來著；

以上這些痛點夠剛嗎？夠普遍嗎？AI 2.0 之前，受限于技術(shù)能力，這些問題沒辦法通過產(chǎn)品能力實現(xiàn)，現(xiàn)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閱讀等產(chǎn)品目前針對這類需求提供了應(yīng)用App。

但體驗后，小編總結(jié)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，用戶主場景是微信公號，36氪等APP，你竟然讓我手動復(fù)制 → 跳出當前APP → 打開天工AI → 打開AI閱讀 → 粘貼鏈接；

• 付費降低留存：產(chǎn)品受限于邊際成本影響（算力），用戶無法大量的&免費的使用工具，比如知了閱讀，免費額度僅夠兩三篇內(nèi)容總結(jié)，面向C端用戶，不免費難增長；

• 技術(shù)導(dǎo)致體驗差：產(chǎn)品受限于算力資源和技術(shù)能力，AI總結(jié)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(xiàn)總結(jié)質(zhì)量較差的內(nèi)容；

用戶痛點：

• 用戶人工判斷出的有價值的數(shù)據(jù)（文章/視頻），需要能被快速“轉(zhuǎn)存”到“個人信息庫”；

• 用戶人工判斷的有興趣的數(shù)據(jù)（文章/視頻），需要能被快速“辨識”出有價值的“信息”；

產(chǎn)品價值：

• 用戶流量入口：用戶的知識學習&自我能力提升的鏈路原點；

• 私域數(shù)據(jù)獲?。捍竽Ｐ退阉髂壳皟H能通過公域數(shù)據(jù)獲取，來進行用戶問題解答解決。公號等私域數(shù)據(jù)獲取困難。

• 更好的用戶體驗前提：更容易拿到用戶的偏好信息，為后續(xù)用戶粘性（熱點推薦），交易撮合（內(nèi)容供給側(cè)的創(chuàng)作偏好）等環(huán)節(jié)提供價值。

場景二：信息區(qū)分 → 知識歸類

如果第一個場景的用戶痛點解決后，作為讀者朋友的你，接下來會干什么？

用戶場景：

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“個人數(shù)據(jù)庫”。

• 小編要開始寫東西了，需要一些信息參考。

• 小編在社群里跟朋友交流，我對一個觀點需要補充說明，我記得我之前看到一段內(nèi)容是關(guān)于這個觀點。

• 我現(xiàn)在要做AI漫畫視頻，關(guān)于AI輸出連續(xù)有關(guān)聯(lián)的畫面的技巧分享，我記得在哪里看過。

這里就涉及到了“個人信息庫 → 個人知識庫”的轉(zhuǎn)變，即“信息區(qū)分 → 知識歸類”。

用戶痛點：

• 用戶可通過自然語言或業(yè)務(wù)標簽，快速找到在“個人信息庫”中對標的“信息”；

• 用戶可基于已找到的“信息”，快速在公域和產(chǎn)品私域中找到相關(guān)信息，進行知識補全；

• 用戶可將這次使用的“信息”，快速總結(jié)，并補齊到“個人知識庫”對應(yīng)的知識點下；

產(chǎn)品價值：

• 用戶流失率降低：由于上一場景，用戶留存了大量的個人數(shù)據(jù)，這一場景中，通過AI能力+產(chǎn)品策略，可以進一步讓用戶提高沉默成本，降低流失概率。

• 產(chǎn)品認可度提高：由于產(chǎn)品可幫用戶梳理其知識，提高認知，讓用戶感到個人創(chuàng)造力的提升；產(chǎn)品在這個階段還可以通過“學友”機制，讓用戶找到“知己”，讓用戶感到快樂；

場景三：知識歸類 → 技能總結(jié)

這個場景和前兩個場景最大的區(qū)別，是這個場景對于用戶來說，是一個偏線下場景。因為“知識歸類 → 技能總結(jié)”再進行細拆其實是“歸類 → 試錯 → 實踐 → 總結(jié) → 執(zhí)行 → 復(fù)盤 → 審查 → 檢視”。

用戶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(chuàng)作、版本管理、邏輯梳理；

• 線下行動：找到可實踐的應(yīng)用場景 → 實踐完成經(jīng)驗積累 or 借鑒他人實踐經(jīng)驗；

在這個環(huán)節(jié)，要采用揚長避短的策略。為什么這么說呢？因為工具層面，各垂類方向都有用戶粘性很高的應(yīng)用：比如飛書文檔、Xmind、石墨、印象筆記。讓用戶從這些應(yīng)用中遷移到我的產(chǎn)品進行內(nèi)容創(chuàng)作中是一個性價比很低（用戶遷移概率 / 應(yīng)用研發(fā)成本）的事件。

因此在這個場景中，產(chǎn)品調(diào)性并不是用戶在產(chǎn)品中完成原生內(nèi)容的創(chuàng)作。而是讓用戶在三方工具完成內(nèi)容創(chuàng)作后，將這些內(nèi)容數(shù)據(jù)重新輸入到產(chǎn)品中。

這時候，你會問，用戶為什么會多此一舉？

因為在AI 2.0 之前，各類文本創(chuàng)作工具雖在產(chǎn)品內(nèi)提供了全局搜索的能力，但從本質(zhì)上并沒有解決的問題是“基于一個信息點或知識點，將涉及的內(nèi)容關(guān)聯(lián)起來，形成一個知識圖譜。”

而我所構(gòu)思的這個產(chǎn)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(shù)，完成用戶的個人“技能樹”的搭建。

試問：如果有一個產(chǎn)品能將你平時零散的思考、idea、總結(jié)的內(nèi)容等通過思維導(dǎo)圖等方式串聯(lián)起來，而你的操作成本僅是將這些內(nèi)容快速的導(dǎo)入，將AI打標后標簽簡單校對一下，你會不會用呢？

這里提到的“技能樹”怎么理解？通俗的說就是一張思維導(dǎo)圖。比如當下爆火的“長文轉(zhuǎn)視頻”這個技能。雖然在AI 2.0 時代中AI視頻生成極大的提高了創(chuàng)作者效率。但“劇本→視頻”這個技能已經(jīng)存在很久了。所以這個“技能樹”本身并不是一個新生產(chǎn)物。僅是通過AI能力將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視頻生成”的業(yè)務(wù)高手，你不懂傳統(tǒng)流程能行嗎？怎么通過知識賦能其他人呢？

產(chǎn)品價值：

• 大模型幻覺概率降低：通過用戶梳理的“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；

• 第二場景的產(chǎn)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“越標準化的內(nèi)容，越?jīng)]有AI整合的價值。”

在我與這位朋友交流后，這位友人想表達的觀點是“越標準化的知識，越?jīng)]有AI整合的價值。”小編是認可這個觀點的，但這里小編想表達的是“知識是有標準，但技能不是。” 就好比說“一個APP的注冊登錄模塊是有功能定義的，但如何設(shè)計讓用戶體驗更好，這個是沒有固定答案的。”

因此小編的“技能樹”策略是在為用戶補全其“知識”的認知差外，還在逐步為用戶提高其某項“技能”的能力天花板。

場景四：技能總結(jié) → 知識獲利

首先要強調(diào)一下，這里小編描述的是“知識獲利”，而非“知識變現(xiàn)”，知識變現(xiàn)是聚焦于經(jīng)濟層面。而獲利則可以理解為：自我精神的自我滿足、人脈資源的有效擴展、經(jīng)濟收入的明顯提高；

用戶場景：

• 腰部知識IP：有一技之長，但由于其行業(yè)影響力和口碑不足，無法觸及到精準的消費端用戶。

• 消費端用戶：有明確的知識獲取需求，但由于難辨別知識IP的服務(wù)能力，導(dǎo)致常被割韭菜，無法相對公正的獲得有價值的知識信息。

用戶痛點：

在當下市場中，只有少量頭部的知識IP或者機構(gòu)可以通過知識付費完成經(jīng)濟收入的明顯提高。造成這一問題的原因是什么？

• 頭部知識IP：對普通用戶帶來的“權(quán)威效應(yīng)”，導(dǎo)致大多數(shù)用戶因“安全心理”“從眾心理”“認知失調(diào)”等原因，過分依賴頭部知識IP的權(quán)威；

• 腰部及以下的知識IP：因?qū)τ趥€人影響力的不足，導(dǎo)致消費側(cè)用戶無法通過口碑了解“腰部IP”是否能滿足消費側(cè)用戶的知識需求。

換句大白話說：“作為一個求知者，小編在需要通過付費獲取某個知識IP的知識服務(wù)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(tǒng)的方式只能是打聽他的口碑，或者看他過往的分享，學員的反饋。

而在小編構(gòu)想的這個產(chǎn)品中，這一傳統(tǒng)習慣將被變革，在這個產(chǎn)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?guī)煟?，因為?ldquo;數(shù)據(jù)獲取→技能總結(jié)”這個過程中，大模型雖然在為用戶提供服務(wù)，但反過來大模型也可以通過這些數(shù)據(jù)判斷用戶的擅長能力，擅長程度。

這件事在AI 2.0 之前，互聯(lián)網(wǎng)應(yīng)用幾乎無法做到這一點。

而當大模型可以通過數(shù)據(jù)及業(yè)務(wù)標簽，相對清晰的計算出用戶的競爭優(yōu)缺點后：

• 對于技能短板部分，可以引入三方教培機構(gòu)和高于用戶能力的其他用戶進行交易撮合。

• 對于技能長板部分，可以引流至企業(yè)招聘領(lǐng)域。

產(chǎn)品價值：

• 變現(xiàn)方式：通過完成知識付費的供需兩端的資源撮合服務(wù)，為產(chǎn)品帶來實際經(jīng)濟價值。

#03在這些痛點中，大模型能力可以做什么？

在上一節(jié)中，其實每一個場景都有提到大模型能力，也可以說整個產(chǎn)品是基于大模型能力而構(gòu)建的。換言之：如果沒有大模型能力，這個產(chǎn)品是無法落地的。

這里小編簡述一下，在用戶場景中依賴大模型能力的幾個核心功能：

3.1. AI文章總結(jié)（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閱讀等產(chǎn)品的朋友，都知道其產(chǎn)品的核心功能就是AI總結(jié)（AI摘要）能力。在信息區(qū)分、知識歸類、技能總結(jié)這幾個場景中，這個依托于大模型的產(chǎn)品能力非常重要。

目前這幾家的這個功能設(shè)計中，小編認為可能由于算力成本、技術(shù)能力、場景分析等原因并沒有將這個功能做好。關(guān)于這個功能的詳細分析，小編在上一篇分享中“天工AI”篇內(nèi)已對“AI速讀”和“AI精讀”場景進行詳細闡述，這里就不在贅述了。

3.2. AI知識搜索（場景1-3）

不論海外的ChatGPT、PerplexityAI，還是國內(nèi)的文心一言、百川等都提供了AI知識搜索引擎的服務(wù)。在小編的產(chǎn)品構(gòu)思中，信息區(qū)分中的AI精讀、知識歸類&技能總結(jié)中知識補全都需要AI知識搜索的能力。

在這個功能中，由于產(chǎn)品本身沉淀的用戶數(shù)據(jù)（熱點信息、知識歸類、技能樹節(jié)點）可以反向為依托于大模型的知識搜索進行賦能，降低其在幻覺、缺乏可解釋性、災(zāi)難性遺忘等問題出現(xiàn)的概率。這也是目前的AI知識搜索引擎所遇到的問題。

3.3. AI信息打標（場景1-4）

通過AI技術(shù)進行數(shù)據(jù)打標這事，早在AI 1.0 時代就已經(jīng)存在了。但哪怕是國際公認最權(quán)威的醫(yī)學知識圖譜（SNOMED-CT）也無法100%覆蓋所有的醫(yī)學問答場景。

因此小編構(gòu)建的產(chǎn)品中，AI信息打標并不是替代用戶完成“信息→知識→技能”的數(shù)據(jù)分類。而是通過AI打標先將龐大雜亂的數(shù)據(jù)進行初篩，用戶基于初篩后的結(jié)果再進行人工校正的過程。

這里小編要提出兩個非共識認知：

• AI可以替代用戶完成某些極度標準化的工作流程，但無法替代用戶完成非標準化的工作任務(wù)；

• 當AI可以100%替代用戶完成某領(lǐng)域的復(fù)雜任務(wù)時，那這類用戶在這一領(lǐng)域?qū)]有競爭力可言。

3.4. AI匹配學友（場景2-4）

對于絕大多數(shù)的普通人來說，由于職場壓力，需要通過學習，走出自己的舒適區(qū)，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。

因此小編構(gòu)建的這個產(chǎn)品中，除了通過工具為用戶提供一個從“信息→知識→技能”全鏈路服務(wù)外，另一個核心能力就是通過AI進行“學友”匹配的服務(wù)。讓用戶在自我提升的過程中鏈接到合適的良師益友，降低用戶流失，并從而為產(chǎn)品構(gòu)建知識價值&人脈價值。

“學友”策略：小編將其定位于人與人通過知識需求的精準鏈接。而非傳統(tǒng)意義通過話題社區(qū)/社群進行模糊鏈接。

這里你可能有兩個問題：

• 為什么不在沿用話題社群的方式進行人與人的鏈接？

• 如果通過知識需求進行人與人精準鏈接，如何解決需求個性化導(dǎo)致匹配度低的問題？

對于第一個問題，小編通過一個現(xiàn)象來說明：

• 小編在進行AIGC2.0學習時，加入相關(guān)私域社群10+個，但獲取到有價值的信息差還不如我通過看深度文獻/視頻獲取的多。

對于第二個問題，小編認為首先要拉齊一個認知：什么是需求個性化？它的顆粒度是多少？

產(chǎn)品可以通過AI技術(shù)對用戶的個人信息、偏好、技術(shù)樹等數(shù)據(jù)，推算出用戶當前的知識需求，并在用戶路徑的恰當節(jié)點上為其進行“學友”匹配。當然這個匹配一定會存在誤差范圍。但這個功能為用戶帶來的成本只要比用戶通過流量平臺、私域社群找到“學友”的效果相似或更好，但成本更低。用戶就會使用這個功能。

#04要構(gòu)建這個產(chǎn)品，團隊需要的是什么？

從上文的分析中，不難看出整個產(chǎn)品是依托于大模型能力而構(gòu)建的，每個場景中都涉及了大量的大模型調(diào)用和定向場景的模型能力微調(diào)。因此構(gòu)建這個產(chǎn)品的重要前提一：

• 團隊自身需要具備大模型研發(fā)能力。

由于產(chǎn)品是面向國內(nèi)的C端市場，向用戶收費的策略難以帶來增長。而如果使用大模型供應(yīng)商的API服務(wù)，普通應(yīng)用廠在中短期無法承擔算力成本消耗。因此構(gòu)建這個產(chǎn)品的重要前提二：

• 團隊自身需要具備算力資源。

因此想要實現(xiàn)這樣的一個產(chǎn)品構(gòu)建，除了擁有大模型自研能力的互聯(lián)網(wǎng)大廠，就是模型廠了。

而對于模型廠，這樣的產(chǎn)品在中短期內(nèi)能帶來的價值：

• 在場景一就可以通過快速切入用戶痛點，獲得用戶主動的為大模型輸入“定向領(lǐng)域&人工判斷有價值的”數(shù)據(jù)，且基于大模型總結(jié)后，人工對輸出數(shù)據(jù)進行標注，大模型可通過“白嫖”的方式獲得大量有價值的、標注好的數(shù)據(jù)，從而提高自身的大模型服務(wù)能力。

• 當全鏈路構(gòu)建完成后，大模型面向C端的商業(yè)模式，從工具服務(wù)訂閱制轉(zhuǎn)變?yōu)榇楹辖灰?。（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，都面向國內(nèi)C端用戶提供了信息搜索服務(wù)，但這個服務(wù)除了釋放團隊在關(guān)注“國內(nèi)C端的大模型應(yīng)用能力”的信號，給企業(yè)自身帶來的價值是什么？是期望用戶會主動的標注錯誤答案嗎？還是期望通過用戶廣泛使用分析出有價值的用戶場景？小編在這個問題上認知淺顯，就不再班門弄斧了。

本次分享就到這里，同時期待更多的AI產(chǎn)品同路人與小編交流。