神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。

编者按：鉴于人工智能写代码已经非常溜了，你很容易会产生这样的想法，既然脏累活都是人工智能模型干的，那只关注市场需求和商业模式就行了。错，生成式人工智能天生具有不确定性，这个坑可得注意了。文章来自编译。

在我们这里，做的每件事背后都有一个基本循环：写作 -> 开发 -> 重复。开发会让你接触到以前隐藏的世界。写作能帮你找到一种精确、简洁的方式来表达你知道什么以及为什么。这个循环未必是线性的——有时候我们会从开发开始，然后转向写作，有时候我们会先从写作开始——但我们认为，这种做法确实带来了一种特别有效的创造新事物的手段。

本文深入阐述了用 AI 开发产品的方式，为什么新的 AI 产品的关键风险是可行性，以及如何通过快速实验来应对这些风险。

当我开发第一个 AI 项目时，所采用的方法跟过去开发产品是一样的：明确一个问题，规划解决方案，构建最小可行产品（MVP），然后进行迭代。这是一种相当直白的软件驱动法：快速开发，测试，学习，然后改进。

但是，这种方法并没有奏效——于是我自问：用 AI 开发跟传统软件开发究竟有何不同呢？

我加入公司的时候是怀揣着一个很有野心的目标的：在三个月内打造九款产品——也就是每 10 天打造一个项目。我的第一个项目 Mindtune 是传统广告技术和社交媒体算法的替代品，用 AI 驱动的。我的假设是，大家对社交媒体推送那些公式化的、冷漠的内容已经厌倦了，而 AI 可以提供更相关、更个性化体验的机会。

我做 Mindtune 的时候就考虑到了需求验证，因为传统软件项目这一块往往做不好。你得做出登录页面、跟潜在客户交流、分析竞争对手，然后才会投入资源打造产品。创始人长期以来一直都是按这个模板走的，就好象是一种条件反射。我们未必会停下来问问自己打造这个产品是否有可能？

用人工智能开发需要我们打破惯例，用不同的方式去做。人工智能产品带来了一系列的独特风险，如果你不了解这些风险，就肯定会犯错误。

在做 Mindtune 的过程中，我识别出了三种风险模式，这些模式帮助我准确了解自己承担的风险类型，更重要的是，让我了解是什么决定了它是否成功。我会深入探讨其中的每一种风险、它们之间的关系以及人工智能是如何颠覆了传统的初创企业“风险链”的。我希望创始人和开发者能够更好地了解自己想法存在什么风险，以及如何最好地化解这些风险，从而避免在创意迷宫中走错路。

初创企业风险链

任何初创企业都会涉及到三种风险：可行性（feasibility）、价值以及生存力（viability）。

可行性风险：是不是确实可以开发出来？这属于典型的工程挑战。比方说，SpaceX在开发可重复使用的自着陆火箭时就面临可行性风险。

价值风险：用户从中能否获得价值？这是产品市场匹配的核心。Airbnb 就是价值风险的一个很好例子——大多数人最初认为这个想法很荒谬，认为没有人愿意住在陌生人的家里。

生存风险：我们自己能否从中获取价值？众所周知，Facebook 与 Google 早期就面临生存风险。他们知道自己的产品深受人们喜爱，但需要时间和实验才能找到可持续的商业模式。

这三种风险的相互作用方式至关重要。可以把它们看作一个链条：可行性 → 价值 → 生存力。如果产品技术上不可行，那其他两种风险就不重要了。如果可行但没价值，你又会陷入困境。而就算用户喜欢你的产品，你还是得想办法从中赚钱。

这三种风险可不是按顺序出现的；每种风险的大小都会因产品类型而异。

传统软件的可行性风险一般都不高。Facebook 的第一版开发并未涉及任何突破性的技术飞跃。马克·扎克伯格是在哈佛的宿舍里写出代码的。真正的挑战在于价值和生存力风险：大家会用吗？它能否成为一项盈利业务？

相比之下，深度科技——基因疗法、聚变反应堆和自动化通用智能等项目，它们是将全新的技术推向市场。这类创新有明确的需求和商业模式（比方说，一种治疗现有疾病的药物），因此价值和生存力风险较低。其风险在于可行性：深度科技初创企业要冒着风险，打造一些他们不能 100% 确定是否可行的东西。

我以开始觉得 Mindtune 可能会像软件产品，可行性风险较低，价值和生存力阶段的障碍会大一些。但从我的经验来看，人工智能会给可行性和价值带来独特挑战，需要新的办法应对。

首先，风险模式不一样。人工智能初创企业主要分为两类：一种是深度人工智能初创企业，一种是应用人工智能初创企业。

深度人工智能初创企业做的是基础模型或硬件，比方说 Groq 的芯片与 Figure 的人形机器人。其最大的风险是可行性。这些公司通常从事前沿研究，其所追求的突破有无可能实现未必总是很清楚。这属于高风险、高回报的领域。

Sparkle 和 Lex 等应用型人工智能初创企业则是利用 OpenAI 等公司的现有模型和 API。其关键风险在于价值。应用型人工智能公司需要证明自己所使用的 AI 能创造价值，而且比非 AI 解决方案更好、更快或更高效。此外这类企业还存在可行性风险：AI 模型未必不总能按照预期的方式运行，需要更多的思考和改进才能获得良好结果。

Mindtune 是一款应用型人工智能产品：它利用了已有的人工智能模型来提供更个性化的社交媒体信息流。我相信它的价值——用户对不同的社交媒体体验是欢迎的——而且这种商业模式已经得到现有产品的验证。但我现在越想越觉得我错过了一个重要步骤：那就是没有把这项技术的可行性考虑清楚。我一度认为，就因为我可以设计人工智能模型来提供结果，所以就等同于可始终如一地获得正确结果。我低估了用人工智能来开发的可行性风险，甚至连应用人工智能的可行性风险也没考虑到。

人工智能独特的可行性挑战

传统软件从根本上来说是确定性的：如果逻辑和参数设置正确，代码就会产生可预测的输出。

生成式人工智能有着本质上的随机性：结果未必是一致的，输出质量可能会因输入数据和模型本身的细微差别而波动。所以你得不断测试，好确定结果是否可靠，且对用户来说足够有价值。因此，传统的工程直觉并不完全适用。

慢慢地，你会意识到人工智能模型能做什么、不能做什么，但这些直觉没有像对传统软件的直觉那么准确。就算是经验丰富的人工智能工程师也会遇到意想不到的结果。技术可行性风险比传统软件更大，因为模型在测试过程中可能会给你带来惊喜，或者惊吓。但这种风险不像深度科技那样令人生畏，深度科技可能需要基础科学上的突破才能向前发展。相反，生成式人工智能的风险介于软件和深度科技之间——可行但不可预测。

由于这种不可预测性，跟生成式人工智能打交道需要更多的实验性方法。传统的软件开发，精心打造的第一版可能需要一些细微调整——改改按钮位置，调整一下文案——而不是彻底改造。可是，对于生成式人工智能来说，第一版可能就需要不断“调整”了——调整提示、合并其他数据、调整参数——为的是提高可靠性，增加用户价值。而且每次调整都会让结果略微有所改变，所以不断迭代、不断测试对于获得期望的结果至关重要。

我在做 Mindtune 的时候，一开始先是开发软件体验（线框、登录等），然后测试模型（GPT-4o、Claude 3.5 Sonnet、Gemini Pro 1.5 和 Llama 3.2），看看能不能给个性化广告生成足够好的内容。这是错的：评估模型输出的质量时我发现返回的结果不一致。其实我应该先看看输出的结果，然后再去折腾软件组件，因为最终决定项目可行性的是底层模型的质量，而不是位于其上的软件。

这个迭代过程还需要用直觉去判断什么时候该停止或做出调整。在发挥模型能力与识别模型上限之间有着微妙的平衡。有时候，尽管已经反复调整过了，但输出可能永远也无法达到可接受的质量，这时候你就得放弃了。或者，你可能会觉得再迭代几次就可以得到想要的结果。

不过，这个阶段也有玄机。有时候，应用人工智能缺乏可行性表明这个项目不值得去做。但有时候，尽管可行性较低，可你仍确信是有价值的——因此不该放弃这个项目，而是应该换个做法。你可能一开始以为自己做的是一个应用人工智能项目，然后意识到自己其实在做的是深度人工智能，而且为了让项目可行，你得进入研究模式，去构建自己的模型。这样一来可行性风险会增加，但项目价值也可能变大，因此更值得去做了。

了解风险，找到方向

是，不管做什么你都得了解风险状况，但这一点对于人工智能来说尤其重要。如果你知道所需承担风险的性质，就可以确定该优先分配资源和精力到什么地方。这还会迫使你在每个阶段提出合适的问题：我们能做这个吗？别人会用吗？只有这两个问题搞定后，才可以提出能否围绕着它建立可持续发展的业务这个问题。

不管是应用型还是深度型的人工智能初创企业，其运营的复杂程度与传统软件产品都不一样，需要更深入了解风险的相关性，并愿意去探索未知领域。很多开发者以为用生成式人工智能 API 就可以消除技术风险，但那只是多套了“一个壳”而已，别自欺欺人了。那怕使用的是现有模型，也需要进行大量实验。

低估这种技术风险会导致浪费时间浪费资源。你很容易会产生这样的想法，既然脏累活都是人工智能模型干的，那只关注市场需求和商业模式就行了。但实际上，确保人工智能按需要运行是重大挑战之一。实现可靠和有价值的结果需要的不仅仅是接入 API，还需要你不断调整、测试和深入了解模型的行为。

译者：boxi。