“AI”只是个名字：复杂性转移与产品设计

AI的本质并不是某项具体技术（当今定义其实很模糊），而是对未来能力的一种投射。或者说是一种大众的认知标签。

OpenAI首席产品官指出：人工智能其实就是那些还没实现的东西。因为一旦它实现了、能用了，我们就把它叫做机器学习；等它变得无处不在，我们又把它称作“算法”。我们总是在它还不太靠谱的时候，把它叫做AI。

当然，不可否认这只是对过去的经验性总结，具体未来是什么样，仍有很多可能性。而且语音识别、推荐算法等貌似与当下的AI有些差距。

然而，换个角度，从产品设计看这段话，我发现这是将AI这项技术内化到产品演化的过程。 从高大上的技术，到机器学习，再到“算法”。

先说泰勒斯定律，其指出任何系统都存在一定量的固有复杂性，它无法被消除，只能被转移。 那么上面对“AI”认知的不断演变，其实也是随着技术的成熟、共识的形成，“AI”这项技术的复杂性从用户转移到系统内部。

关于提示词即产品、模型即产品，这不就是因为AI技术的复杂性更多侧重在用户，而非系统？而且转移正在发生。

实际上，我认为提示词即产品仍会有一席之地（就如同复杂性不可能只涉及一方面，而是需要尽可能平衡）。我最近对我的文章进行广泛双面调研、对YouTube上的访谈视频总结并进行延伸性等等，都是依靠prompt实现的，而短时间内（长远来看平台方面也不会单独出现此功能）是没有途径实现我的需求的。 然而，问题又在于Google的强大生态与模型能力，又让这方面只能使用Gemini的Deep Research与自带的YouTube tool。

回到复杂性这一话题：复杂性不能消失，只能转移。最近的体会也是真正伟大的设计，是让用户感觉不到它的存在。

或许非模型为核心竞争的AI产品的重点在于如何隐藏智能背后的复杂性。

语音识别、机器翻译、OCR、AlphaGo都是AI，现在，我们称呼他们为什么？可能已经被内化，就如同AlphaGo变成了强化学习的工程能力。 未来，现在的多模态大模型也许只是某种接口或者平台服务。

这便是这一认知标签的演变。

《深度学习革命》有一段话是这么说的： 在未来的几十年里，关于神经网络最终是否有用，会存在一些质疑的声音。然后，一旦神经网络的力量显现，一些人又会质疑人工智能是否会毁灭人类。杨立昆觉得这两个问题都很可笑，无论是在私下还是在公开场合，他从来都直言不讳。就像几十年后，他在获得图灵奖当晚的一段视频中所说的那样：“我一直认为我绝对是正确的。”他相信，神经网络是一条路径，通向的是非常真实和非常有用的技术。他就是这样说的。

技术还是这样一种技术，不同人看待AI的未来得极端看法其实是没有搞清AI具体是什么，对于那些有极端想法，也许正是自我认知对于未来AI能力的投射而非理性判断。

回到产品上讲，如何让普通人毫无负担地使用AI才是非模型AI应用的重心。 chatbot的形态也是复杂性向系统迁移，预训练后只预测下一个token的base model可能只在文章续写有帮助，所以有了后训练，将复杂性向系统转移。让预测机器变成了对话助手。

所以你看Cursor的工具调用无感化、Manus的交互形态，复杂性在背后，在模型本身。

对于产品来讲，或许“AI-first”应该被“User-first，AI-enabled”替代。更多的体验设计、交互创新、系统封装、生态构建未尝不是竞争力。