各位好，前几天我有幸被邀请到 Founder Park 参与每月一次的 AI 夜聊会，这期间也认识了很多正在AI应用创业的大佬朋友们，学到了很多有价值的内容。
由于这次的内容更多偏内部，所以我仅针对自己分享的可公开的部分做一个内容整理，里面会有大量的非共识的部分，有的可能是暴论哈哈哈；如果有感兴趣的朋友可以一起沟通交流；
1. 关于 DeepSeek 所带来的行业趋势判断
首先，我认为美元等外部资金可能会有小幅回流；不同于国内的社会状况，海外资本除了会关注宏观的政策环境外，还会关注其资产的价值，是在上升还是下降，如果在一个明显的上升通道，那么必然会带来境外资金通过各种形式增持国内资产，所以国内的资金盘总量可能会变大。
另外，年初投资圈定调在 AI 应用层的趋势可能会因为 DeepSeek 的横空出世会因此发生变化，训练成本将会让很多除了老牌大模型厂商外的更多垂直领域和创业公司有更多的机会训练出表现力更好的模型；
由此推断：虽然单个标的投资会变小，而投资总额度会因为数量的增多而变大。
LLM结合更多传统AI的技术路径将会变热
DeepSeek 的技术路径带来了很多更具有创新性的结论：
首先最具性价比的推理模型应该是对齐人类的感知学习与思考方式，而但LLM 其实不是接近于人类的思考模式；其堆算力和参数也并不是一个最优解；且LLM的「基于概率单项输出」的模式无法解决平行世界的推理问题；
例如一些观点性问题：如果XX公司当年没有被XX所收购，那么在这一波AI浪潮中是否会成为一家伟大的公司等等。这些是从来没有发生过的事件，但是因为LLM在融合了RL之后具备了平行世界推理能力，使得更多的分析型场景可以被创造并落地；这些恰恰是过去
而解决平行世界推理、以及其它复杂推理的场景不仅仅只有RL融合LLM这一条路径，例如模仿学习等；今年我觉得很有可能会有更多技术路径被探索出来。
更多的AI应用新场景将有望落地
DeepSeek 在解决了很多复杂推理问题后，更多的新场景将会被挖掘出来；但这些大概率是之前在许愿池里的场景，而不是产生新的场景。
例如，过去我们经常提到的虚拟陪伴/AI社交是否在逻辑一致性上会表现得更好，从而解锁更多时间线更长的场景（在短期无法解决记忆的问题的情况下，能否通过推理能力弥补记忆的短板？）
另外一个共识观点是，今年Agent的热度将会随着模型推理能力的提升而回暖，并能够解锁更多 ToB 场景的问题。
2. 聊聊AI应用落地到商业化的原则，以及DeepSeek带来的应用新机会
AI 应用落地和传统的产品方法论，我觉得有很大的不同，其核心点在于技术路径能否满足用户的预期，以及更多的时候我们需要考虑的是，在现行技术约束下，如何通过产品形态的转换解决用户的问题；
因此我把整个AI应用落地到商业化拆分为3个阶段，自下而上分阶段完成，即 TPF —— PMF ——GTM
那么拆分后，我们要继续拆解每个阶段的核心验证要素；
首先是TPF模型：我认为TPF的核心要素是 目标用户对 AI 结果的预期 与AI实际能力的差值 非AI能力成反比；即
这里一个很重要的点是：目标用户是谁、以及AI结果的预期是什么，而不是用人的能力和 AI 直接做对比。
我举个例子：比如某AI PPT厂商，其真正跑通PMF的并不是真正在坐在办公室给老板写PPT的职场人，而是幼儿园小学里面孩子的家长；因为有的时候被迫要给孩子做PPT交差，所以一方面目标用户本身做PPT的能力不强，自然对AI生成出来的效果没有更高的预期；而且对模板也没有任何要求；所以很容易满足用户的需求；
此外传统的AI能力也并不能解决这一问题，那么这就是一个TPF 很成功的场景。
此外，从TPF到PMF的逻辑上，会考虑用户需求的频次以及交互成本、应用研发成本等内容；从这一阶段开始，要开始考虑投入产出比
而到了最后一步，才是真正面向市场，这一阶段会考虑更多商业层面的要素；即行业壁垒、商业规模、客户价值认知等更多维度
这里面大家可以看到，最核心的也是最基础的地方不在最后2个因素，而恰恰是TPF阶段，那么在这个阶段，说下我的思考：
从我的经验上看，LLM / AI 的价值在于对开放域能力的解决与提升；输出开放性越好，客户的预期越接近AI实际能力；
而开放域/封闭域 的概念定义是：有多少可被规则和枚举穷尽的路径（无限集/有限集）；大部分的场景下，开放域和封闭域不是互斥的，而是同时存在的，只是占比有不同。
由此我们可以画出一条2维坐标，分别对应输入与输出：
这里面紫色的部分，是解决的较好场景，而黄色的部分是能够基本超过基准线的一些AI应用能力。
那么做产品的策略就是把TPF的可用度尽可能做到最高；而做高的思路可以有几种；
回顾一下前文中提到的，TPF的概念模型：
那么一种思路是找到一批能够接受当前 AI 能力的低预期目标用户；或者通过其他工程化手段去提升AI的实际能力。
关于用工程化手法去解决实际业务场景的案例应该不用过多介绍；因为类似RAG企业知识问答就属于这一种，大家应该并不陌生，这里重点聊一下关于目标用户的选取；
在海外有一家明星的CRM生产力工具创业公司 Day.AI;这家公司的自述中提到了以下这些内容：
实际上，现阶段AI能够为用户做出销售决策的难度很大，但在实际的作业过程中，会存在大量沟通信息记录等繁琐事项。
所以这款产品将自己的产品定位在解决大量事务性工作，并将用户的精力集中在做决策这件事上。
但是相应的，这件事对于企业客户的决策者来说，故事就不那么sexy；因为没有解决他们营收的核心问题。
不过对于一线的用户来说，貌似就显得更重要了，因为决策者不太会关心具体的一些执行工作，但用户却是要实实在在做这件事的人。
那么，DeepSeek的出现，会对哪些应用场景带来新的变化呢？
这里聊聊我的观点，DeepSeek的超强推理能力也许不一定能直接为用户提供决策，但会将解决问题的效率和决策质量提升N倍。
我们在做解决问题并决策的时候，通常也会依赖于 算法（方法论）+算力（处理速度）+数据（信息源获取）
而三者的协作关系我认为类似下面这个流程图：
也就是说，我们针对信息做出决策的过程会经历多个阶段，而推理的价值在于能够更好的从信息中发现问题并给出合理的假设，这些会为决策提供更高质量的辅助；
这就类似于投资机构的行研报告能够针对海量的信息源摘取有价值的信息；但是不会直接告知用户要投哪一家公司，投资额度是多少。
3. 关于 ToB 市场的趋势判断
To小B市场未来可能会迎来 Super App
上文其实也提到了关于ToB市场的趋势预测；我认为随着这一波AI热度的增长，国内会带来小B方向明显的增量市场，过去我们经常会说中小企业已经被国内的SaaS行业抛弃了，其中很大一部分原因是因为我国中小企业付费意愿不足造成的；
而过去付费意愿不足，其实并不是因为中小企业资金不足，而是没有真正让客户看到的可衡量的收益；
这里其实可以参考一个案例，过去几年小b税务筹划行业火了一段时间，其业务的核心就是通过很多税收政策的信息差和操作方式，给中小企业实现降税；这个逻辑下，厂商是从节税额中提取几个点的佣金作为收入。这个场景下，中小企业难道不会愿意付费？
而 AI 则恰恰带来了类似这样的机会，因为AI的本质是生产力的提升；如果生产力的提升可以精确的计算降本的回报，那么客户会为此买单。
中大企业市场长期仍然依赖于定制开发，但天花板会变高
在技术变化与应用能力不足的情况下，中大企业市场的AI应用落地可能依然要依赖于定制化开发，但与以往不同的是，天花板可能会变得更高；
过去经常会有的误区是，定制化等于商业效率低；其实完全不是，是因为客户通过AI没有带来自身效率大幅度的提升；也没有真正带来的商业效率的大幅度提升；而定制带来的投入成本的居高不下。
如果分析过去的AI 1.0为什么没有解决商业效率问题，我个人的感觉是：过去的AI时代解决的是单一场景领域问题，而单一场景背后，研发资源成本投入，与场景产出 ROI总是不那么划算；而大模型带来的门槛会更低，商业效率会变得更高，中大企业的天花板也会更高
短期看 ToB方向格局不会有大的变化，但一定在老赛道会有新的玩家跑出来
首先，按效果付费的商业模式将会是这一代产品的主旋律，这意味着不仅仅是产品的改变，更是商业模式、组织能力的变化；
所以设想一下，如果产品面向的客户是小b企业，且按照效果付费，那么过去通过喝酒拼关系而搭建的销售组织能力模型，会不会就此完结，因为能带来赚钱或者效率提升的产品就能付费，关系销售这件事就显得没那么重要。
传统的产品方法论的是从类似于【五看三定】的产品商业化分析，到具体的技术产品落地匹配；但实际上AI应用的落地必然得变成自下而上的：即从TPF到GTM寻求单点突破，因为过去为了所谓的【决策人价值传递】是重要的售前策略，而一切都分析好之后发现落不了地。
而tob老玩家路径依赖往往会比较严重，想改变比较难，这也可能成为新玩家的机会。
