AI和移动互联网的创业规律很不一样。
观察一：AI创业的0到1的验证的时间更长。
做移动应用时，我们可以把产品缩减到单一功能，两三个月做出一个MVP，上线就可以验证了。移动应用限定了场景，比如我们做一个打车软件，因为产品定位和特定的交互逻辑，用户只会用它打车，肯定不会在里面搜新闻。
但AI产品不一样，用户面对一个有AI属性的聊天框，会输入任何内容，试图探测它的边界，一旦这个产品接不住，用户就有可能会离开。MVP在AI上一定程度是失效的，或者说AI产品的MVP构建的时间拉长了。
观察一：AI创业的0到1的验证的时间更长。
做移动应用时，我们可以把产品缩减到单一功能，两三个月做出一个MVP，上线就可以验证了。移动应用限定了场景，比如我们做一个打车软件，因为产品定位和特定的交互逻辑，用户只会用它打车，肯定不会在里面搜新闻。
但AI产品不一样，用户面对一个有AI属性的聊天框，会输入任何内容，试图探测它的边界，一旦这个产品接不住，用户就有可能会离开。MVP在AI上一定程度是失效的，或者说AI产品的MVP构建的时间拉长了。
👍2
AI和移动互联网的创业规律很不一样。
观察二：一旦PMF找对后，AI创业1-10的发展速度会更快。
之前PC和移动互联网两波平台级创业，都是一边铺终端，一边铺应用，应用普及的速度受限于铺终端的速度，而AI创业是在现成的手机和PC上做应用，只要是个惊艳的产品，就会以闪电的速度铺开，ChatGPT、Midjourney用小几个月时间突破亿级用户，已经验证这个规律了。
但因为每个终端的位置都被占满了，没有流量红利，这就要求新的AI产品必须十倍好于之前的产品，最好是解决了之前一直无法解决的问题，才有机会冒出来。
之前PC和移动互联网创业的早期，商业设施是不成熟的，没有现成的支付体系、变现方式、流量投放。移动互联网早期，大家根本不知道如何在手机上赚钱，feed流广告是绝对想不到的。放在AI创业的今天，这些商业设施都是现成的，但模型这个发动机是不成熟的。
这会发生一件事，一些聪明人会先拿一款50分的AI产品练兵，一上线就开始商业化，摸索增长方式，一通实战后把这个产品本质看透，等到基础模型的18岁到了后，换上新款发动机，直接起飞。之前互联网的那种纯圈用户，没有变现模式，纯烧钱的情况不太会在AI创业里发生了，AI应用自带赚钱模式。
观察二：一旦PMF找对后，AI创业1-10的发展速度会更快。
之前PC和移动互联网两波平台级创业，都是一边铺终端，一边铺应用，应用普及的速度受限于铺终端的速度，而AI创业是在现成的手机和PC上做应用，只要是个惊艳的产品，就会以闪电的速度铺开，ChatGPT、Midjourney用小几个月时间突破亿级用户，已经验证这个规律了。
但因为每个终端的位置都被占满了，没有流量红利，这就要求新的AI产品必须十倍好于之前的产品，最好是解决了之前一直无法解决的问题，才有机会冒出来。
之前PC和移动互联网创业的早期，商业设施是不成熟的，没有现成的支付体系、变现方式、流量投放。移动互联网早期，大家根本不知道如何在手机上赚钱，feed流广告是绝对想不到的。放在AI创业的今天，这些商业设施都是现成的，但模型这个发动机是不成熟的。
这会发生一件事，一些聪明人会先拿一款50分的AI产品练兵，一上线就开始商业化，摸索增长方式，一通实战后把这个产品本质看透，等到基础模型的18岁到了后，换上新款发动机，直接起飞。之前互联网的那种纯圈用户，没有变现模式，纯烧钱的情况不太会在AI创业里发生了，AI应用自带赚钱模式。
👍1
AI和移动互联网的创业规律很不一样。
观察三：大的竞争会提前，创业公司在突围的时候很可能首战即决战。
2010年的时候，很少有大厂提出移动优先，直到2012年，一些大厂还在观望移动互联网的机会，这给了创业公司猥琐发育的时间，暗牌变明牌的时候，大厂已经按不住创业公司了。
字节之于百度，拼多多和美团之于阿里，米哈游之于腾讯，都是创业公司从边缘走到核心地带，对着大厂掀桌子，这让大厂的管理层多了一层VC思维——相信非共识的力量，不要轻视一些看似微小的切入点。
所以大厂对AI的共识来的早很多，几乎所有大厂都把AI视作新的增长曲线，和创业公司的竞争会提前。AI创业上会发生一件事，0到1一旦验证，接下来的一两年时间就会变得尤为重要，1-10的增长、商业化的铺开、组织能力的打造，会在一个很短的时间窗口里发生。
观察三：大的竞争会提前，创业公司在突围的时候很可能首战即决战。
2010年的时候，很少有大厂提出移动优先，直到2012年，一些大厂还在观望移动互联网的机会，这给了创业公司猥琐发育的时间，暗牌变明牌的时候，大厂已经按不住创业公司了。
字节之于百度，拼多多和美团之于阿里，米哈游之于腾讯，都是创业公司从边缘走到核心地带，对着大厂掀桌子，这让大厂的管理层多了一层VC思维——相信非共识的力量，不要轻视一些看似微小的切入点。
所以大厂对AI的共识来的早很多，几乎所有大厂都把AI视作新的增长曲线，和创业公司的竞争会提前。AI创业上会发生一件事，0到1一旦验证，接下来的一两年时间就会变得尤为重要，1-10的增长、商业化的铺开、组织能力的打造，会在一个很短的时间窗口里发生。
#程序员
最近怎么这么多 GPTs Hub，又开始卷了，看上去不如直接用 Notion Database 攒一个，飞书多维表格也可以。
ps. 没事了，这俩还真有人用。https://aiweaver.feishu.cn/wiki/Nr20wfev0iH9oWkhxkVcFhQsn7g?table=tblIuot5sFDXcKqX&view=vewZgF9Ol5
看上去飞书多维表格做的真不错，还能直接问卷收集。
最近怎么这么多 GPTs Hub，又开始卷了，看上去不如直接用 Notion Database 攒一个，飞书多维表格也可以。
ps. 没事了，这俩还真有人用。https://aiweaver.feishu.cn/wiki/Nr20wfev0iH9oWkhxkVcFhQsn7g?table=tblIuot5sFDXcKqX&view=vewZgF9Ol5
看上去飞书多维表格做的真不错，还能直接问卷收集。
👍2
#程序员
如何让小模型的推理效果在某些领域比 ChatGPT 这样的大模型还要更强？这篇论文提供了一个思路：https://arxiv.org/abs/2212.10071，借助思维链（CoT）逐步解决复杂推理任务的能力，可以使用大模型作为推理教师，针对一批数据集，让大模型给出详尽的解答思路，然后把问题和解题过程交给学生模型进行 Fine-tuning。
这个解决思路也有一个专有名词，叫做“模型蒸馏”，其效果还是非常亮眼的，在保持同样的推理能力，甚至超越大模型的情况下，模型的大小降低到原来的 1/500~1/25。这可以帮助很多特定场景降低成本，例如使用自建的蒸馏小模型替代直接调用 ChatGPT，很多简单场景都适用，如果蒸馏出来的模型足够小，还可以直接在端侧（移动设备或嵌入式系统）部署，在用户本地完成推理，进一步降低服务成本。
这个 Github 项目演示了如何利用大模型进行蒸馏来构建小模型：https://github.com/itsnamgyu/reasoning-teacher
如何让小模型的推理效果在某些领域比 ChatGPT 这样的大模型还要更强？这篇论文提供了一个思路：https://arxiv.org/abs/2212.10071，借助思维链（CoT）逐步解决复杂推理任务的能力，可以使用大模型作为推理教师，针对一批数据集，让大模型给出详尽的解答思路，然后把问题和解题过程交给学生模型进行 Fine-tuning。
这个解决思路也有一个专有名词，叫做“模型蒸馏”，其效果还是非常亮眼的，在保持同样的推理能力，甚至超越大模型的情况下，模型的大小降低到原来的 1/500~1/25。这可以帮助很多特定场景降低成本，例如使用自建的蒸馏小模型替代直接调用 ChatGPT，很多简单场景都适用，如果蒸馏出来的模型足够小，还可以直接在端侧（移动设备或嵌入式系统）部署，在用户本地完成推理，进一步降低服务成本。
这个 Github 项目演示了如何利用大模型进行蒸馏来构建小模型：https://github.com/itsnamgyu/reasoning-teacher