在上一篇（非共识解读：Perplexity.AI vs 天工AI）文末，

本文将环绕以下几个问题对这个产品 idea 进行思考和分享。

在什么赛道中，知识问答是刚需？在这个赛道中，用户痛点分别是什么？在这些痛点中，大模型能力可以做什么？如果要办理这些痛点，须要什么，卡点在哪？

在开始前，

而

知识类超级个体：

常日是指那些在某个领域拥有深厚专业知识和技能，并且能够通过知识付费的办法进行商业变现的个体。
他们不仅精通一项或多项专业技能，而且能够将这些技能运用到实际生活和事情中，从而实现商业变现。

你可能会疑问，“知识IP的问答做事场景”跟“AI搜索引擎的问答场景”的彷佛不是同一类场景吧？

没错！
头部知识IP的问答场景，目前主流场景是在私域平台通过直播，或1对1做事进行问答做事。

但

借用Midjourney的产品思路（通过AI能力赞助UGC用户，使其转变为PUGC，并可将少部分用户提升至PGC的水平）。

以是

为什么

供给侧用户需求：

精准链接：通过各大流量平台触达有需求的消费侧用户，进行知识赋能，逐步建立自己的领域影响力。
自我提升：通过一直破圈、向上社交，提高眼界与认知，反复打磨自己技能，提高知识变现的能力。

消费侧用户需求：

自我提升：基于各大流量平台筛选出知足自身知识需求的知识IP，通过付费等办法，获取知识，提高自己的职场竞争力。
精准链接：通过向上社交、横向破圈的策略，获取信息差和知识，提高个人能力。

如果要让

宛辰 Moonshot，公众年夜众号：极客公园《对话王小川：大模型创业核心，是想好技能如何匹配产品》

2.1. 感性层面：

当一个App能知足用户三个基本需求中的两点时，这个App就有其存在的代价了。

上一代被称为超级运用的产品基本上都是“链接”类型的产品，无论是熟人社交还是陌生人社交，用户利用这些产品的紧张任务是获取更多的链接。

我们后来创造，新一代的超级运用可能更多地是为用户供应一个游乐场（Playground）：每个用户可以在个中创造和天生自己的东西。

Z操持，"大众年夜众号：朴实发言《对 SuperApp 的想象无限 & 大模型能力有限｜Z 沙龙第 4 期》

2.2. 理性层面：

通过“质谱发言的Z 沙龙”中某VC合资人的发言中，超级运用在上一代的核心代价是“链接”，而在这一代的核心代价是“创造力”。
而不管是“链接”还是“创造力”，超级个体这类用户都知足其条件。

知识类超级个体通过“知识”与消费侧用户产生了“链接”，并在这一过程中，通过不断对“知识”的理解和运用（创造力），产生代价的赋能。

当下大模型的技能边界（幻觉、缺少可阐明性、灾害性遗忘等）在

二、在这个赛道中，用户痛点分别是什么？

说到用户痛点，那必须要提到用户场景。
在个人自我提升这个用户需求的方向下。
用户场景是怎么样的呢？

看到

这里

在过去十年，很多入行互联网的朋友，在初入职场时，通过看书、文献、速成培训快速得到行业前辈们的总结的成熟方法论（知识&技能），并直策应用在事情场景中。
久而久之，养成了“授人以渔不如授人以鱼”的拿来主义习气。

而在最近这两年，就业市场低迷，AI 2.0 爆发，超级个体崛起等冲击，有些读者朋友不得不开始努力提升个人技能。
这时候创造前辈们的方法论到自己手里就没那么好用了。
以是开始猖獗的关注各种知识IP，加入各种技能分享社群，期望能提高自己的职场竞争力。

场景一：数据获取 → 信息区分

因此第一个细分的用户场景就涌现了“数据获取 → 信息区分”：

场景举例：

作为在努力提升个人认知和职场竞争力的朋友，是否每天都会在不同的渠道（微信公号、36氪、虎嗅、知识星球等）看到很多文章，但由于韶光、惰性、缺少工具等问题，就会涌现：

有时候只能大略看一下 → 收藏 → 有韶光再看 → 根本想不起有这事 / 收藏太多，是哪个来着；有时候负责看过后 → 收藏 → 有韶光再写个条记 → 根本没韶光写；有时候看着看着溘然想到一个启示 → 收藏 → 一会把这个idea记下来 → 完了那个idea是啥来着；

以上这些痛点够刚吗？够普遍吗？AI 2.0 之前，受限于技能能力，这些问题没办法通过产品能力实现，现在呢？

可能对AI工具足够热爱的朋友，会想到印象条记的大象AI、知了阅读、天工AI助手的AI阅读等产品目前针对这类需求供应了运用App。

但体验后，

用户场景：

可能会在某个你有韶光学习或有某个紧急事宜须要你去查阅你的知识库（或素材库）时，来利用这个“个人数据库”。

用户痛点：

用户可通过自然措辞或业务标签，快速找到在“个人信息库”中对标的“信息”；用户可基于已找到的“信息”，快速在公域和产品私域中找到干系信息，进行知识补全；用户可将这次利用的“信息”，快速总结，并补齐到“个人知识库”对应的知识点下；

产品代价：

用户流失落率降落：由于上一场景，用户留存了大量的个人数据，这一场景中，通过AI能力+产品策略，可以进一步让用户提高沉默本钱，降落流失落概率。
产品认可度提高：由于产品可帮用户梳理其知识，提高认知，让用户感到个人创造力的提升；产品在这个阶段还可以通过“学友”机制，让用户找到“心腹”，让用户感到快乐；

场景三：知识归类 → 技能总结

这个场景和前两个场景最大的差异，是这个场景对付用户来说，是一个偏线了局景。
由于“知识归类 → 技能总结”再进行细拆实在是“归类 → 试错 → 实践 → 总结 → 实行 → 复盘 → 审查 → 检视”。

对知识点进行试错，打消无关知识，对有关知识进行实践，通过实践总结出认知偏差，不断的通过PDCA策略，进行技能打磨和迭代。

用户痛点紧张来自两方面：

线上工具：用的顺手的梳理工具 → 文本创作、版本管理、逻辑梳理；线下行动：找到可实践的运用处景 → 实践完成履历积累 or 借鉴他人实践履历；

在这个环节，要采取扬长避短的策略。
为什么这么说呢？由于工具层面，各垂类方向都有用户粘性很高的运用：比如飞书文档、Xmind、石墨、印象条记。
让用户从这些运用中迁移到我的产品进行内容创作中是一个性价比很低（用户迁移概率 / 运用研发本钱）的事宜。

因此在这个场景中，产品调性并不是用户在产品中完成原生内容的创作。
而是让用户在三方工具完成内容创作后，将这些内容数据重新输入到产品中。

这时候，你会问：用户为什么会多此一举？

由于在AI 2.0 之前，各种文本创尴尬刁难象虽在产品内供应了全局搜索的能力，但从实质上并没有办理的问题是“基于一个信息点或知识点，将涉及的内容关联起来，形成一个知识图谱。
”

而我所构思的这个产品，恰好能截止大模型的快速学习能力，加上知识图谱等深度学习的技能，完成用户的个人“技能树”的搭建。

试问：如果有一个产品能将你平时零散的思考、idea、总结的内容等通过思维导图等办法串联起来，而你的操作本钱仅是将这些内容快速的导入，将AI打标后标签大略校正一下，你会不会用呢？

这里提到的“技能树”怎么理解？普通的说便是一张思维导图。
比如当下爆火的“长文转***”这个技能。
虽然在AI 2.0 时期中AI***天生极大的提高了创作者效率。
但“剧本→***”这个技能已经存在良久了。
以是这个“技能树”本身并不是一个新生产物。
仅是通过AI能力将这个技能树上的知识点进行简化处理。
但如果你作为一个“AI***天生”的业务高手，你不懂传统流程能行吗？怎么通过知识赋能其他人呢？

产品代价：

大模型幻觉概率降落：通过用户梳理的“技能树”，进一步提高大模型对某一类定向问题的回答精准性，减少幻觉偏差；第二场景的产品代价进一步提高。

PS：这个场景中，

在我与这位朋友互换后，这位朋侪想表达的不雅观点是“越标准化的知识，越没有AI整合的代价。
”

因此

场景四：技能总结 → 知识获利

首先要强调一下，这里

用户场景：

腰部知识IP：有一技之长，但由于其行业影响力和口碑不敷，无法触及到精准的消费端用户。
消费端用户：有明确的知识获取需求，但由于难辨别知识IP的做事能力，导致常被割韭菜，无法相对公道的得到有代价的知识信息。

用户痛点：

在当下市场中，只有少量头部的知识IP或者机构可以通过知识付费完成经济收入的明显提高。

造成这一问题的缘故原由是什么？

头部知识IP：对普通用户带来的“威信效应”，导致大多数用户因“安全生理”“从众生理”“认知失落调”等缘故原由，过分依赖头部知识IP的威信；腰部及以下的知识IP：因对付个人影响力的不敷，导致消费侧用户无法通过口碑理解“腰部IP”是否能知足消费侧用户的知识需求。

换句大口语说：“作为一个求知者，

而在

这件事在AI 2.0 之前，互联网运用险些无法做到这一点。

而昔时夜模型可以通过数据及业务标签，相对清晰的打算出用户的竞争优缺陷后：

对付技能短板部分，可以引入三方教培机构和高于用户能力的其他用户进行交易撮合。
对付技能长板部分，可以引流至企业招聘领域。

产品代价：

变现办法：通过完成知识付费的供需两端的资源撮合做事，为产品带来实际经济代价。

三、在这些痛点中，大模型能力可以做什么？

在上一节中，实在每一个场景都有提到大模型能力，也可以说全体产品是基于大模型能力而构建的。
换言之：如果没有大模型能力，这个产品是无法落地的。

这里

3.1. AI文章总结（场景1&3）

相信用过印象条记的大象AI、知了阅读、天工AI助手的AI阅读等产品的朋友，都知道其产品的核心功能便是AI总结（AI择要）能力。
在信息区分、知识归类、技能总结这几个场景中，这个依托于大模型的产品能力非常主要。

目前这几家的这个功能设计中，

3.2. AI知识搜索（场景1-3）

不论外洋的ChatGPT、PerplexityAI，还是海内的文心一言、百川等都供应了AI知识搜索引擎的做事。
在

在这个功能中，由于产品本身沉淀的用户数据（热点信息、知识归类、技能树节点）可以反向为依托于大模型的知识搜索进行赋能，降落其在幻觉、缺少可阐明性、灾害性遗忘等问题涌现的概率。
这也是目前的AI知识搜索引擎所碰着的问题。

3.3. AI信息打标（场景1-4）

通过AI技能进行数据打标这事，早在AI 1.0 时期就已经存在了。
但哪怕是国际公认最威信的医学知识图谱（SNOMED-CT）也无法100%覆盖所有的医学问答场景。

因此

这里

因此

“学友”策略：

这里你可能有两个问题：

为什么不在沿用话题社群的办法进行人与人的链接？如果通过知识需求进行人与人精准链接，如何办理需求个性化导致匹配度低的问题？

对付第一个问题，

对付第二个问题，

在知识赋能这个领域中，用户的需求并不是千变万化，无迹可寻的。

用户的需求来自于他所在的行业，所处的职位，所需的技能等方面而产生的。
用户对“求知”这个需求的个性化是在以上这些维度综合后所总结的结果的认知偏差所导致的。

产品可以通过AI技能对用户的个人信息、偏好、技能树等数据，推算出用户当前的知识需求，并在用户路径的恰当节点上为其进行“学友”匹配。
当然这个匹配一定会存在偏差范围。
但这个功能为用户带来的本钱只要比用户通过流量平台、私域社群找到“学友”的效果相似或更好，但本钱更低。
用户就会利用这个功能。

四、要构建这个产品，团队须要的是什么？

从上文的剖析中，不丢脸出全体产品是依托于大模型能力而构建的，每个场景中都涉及了大量的大模型调用和定向场景的模型能力微调。
因此构建这个产品的主要条件一：

1）团队自身须要具备大模型研发能力。

由于产品是面向海内的C端市场，向用户收费的策略难以带来增长。
而如果利用大模型供应商的API做事，普通运用厂在中短期无法承担算力本钱花费。
因此构建这个产品的主要条件二：

2）团队自身须要具备算力资源。

因此想要实现这样的一个产品构建，除了拥有大模型自研能力的互联网大厂，便是模型厂了。

而对付模型厂，这样的产品在中短期内能带来的代价：

在场景一就可以通过快速切入用户痛点，得到用户主动的为大模型输入“定向领域&人工判断有代价的”数据，且基于大模型总结后，人工对输出数据进行标注，大模型可通过“白嫖”的办法得到大量有代价的、标注好的数据，从而提高自身的大模型做事能力。
当全链路构建完成后，大模型面向C真个商业模式，从工具做事订阅制转变为撮合交易。
（低溢价的工具付费 → 高溢价的知识&人脉付费）

不论是文心一言、通义千问，亦或是百川大模型、月之暗面等模型厂，都面向海内C端用户供应了信息搜索做事，但这个做事除了开释团队在关注“海内C真个大模型运用能力”的旗子暗记，给企业自身带来的代价是什么？是期望用户会主动的标注缺点答案吗？还是期望通过用户广泛利用剖析出有代价的用户场景？

本次分享就到这里，全文没提到商业模式和变现办法，这个不是

参考文章

对话王小川：大模型创业核心，是想好技能如何匹配产品

对 SuperApp 的想象无限 & 大模型能力有限｜Z 沙龙第 4 期

艾媒咨询｜2022-2023年中国知识付费行业研究及消费者行为剖析报告

幸好，这是超级个体的时期

专栏作家

杨三季，微信"大众年夜众号：杨三季，大家都是产品经理专栏作家。
8年互联网履历的高等产品官，深耕内容领域，ex阿里AIGC.PM，现某垂类领域头部企业 AI2.0 PM。

本文原创发布于大家都是产品经理。
未经作者容许，禁止转载。

题图来自Unsplash，基于CC0协议。

该文不雅观点仅代表作者本人，大家都是产品经理平台仅供应信息存储空间做事。