#业务理解

2个月前

全员AI培训之后悟出一个道理，同样是用AI编程交作业，0基础的同学反而比程序员做得更好，因为他们天天泡在业务里，更知道哪里疼、要什么解

#AI培训 #AI编程 #业务理解 #0基础 #程序员

2个月前

今天 AICon 的一个预热直播圆桌中，我把对于 AI 下 10x 个体的一些问题的回答速记记录，分享给小伙伴。 1. 团队里是否存在「10x 个体」？他们强在哪里？ - 之前的高效是指干活又快又好的同学，很难有所谓的 10 倍 - 10x 其实不是指代码量或者需求完成量的 10 倍，而是指产生的业务效果和贡献的 10 倍 - 现在的 10x 更多还是指不局限于本身原有岗位，更多是解决问题，能够快速 Get 到业务痛点，以及如何去解决这个问题，技术更多成为他实现的一个工具手段，加上 AI 的出现，让手段本身的执行多了很多自动化的工具帮他 A 区完成 - 在需求、设计、开发、运营效果迭代很全能的同学 2. AI 浪潮下，优秀工程师 / 产品的评价标准，发生了什么变化？ - 之前，自己写得又快又好，快速完成，高质量，产品，对产品业务很熟悉，prd 写得很不错清晰，能否对产品发展想的清楚，有取舍，产出的东西能够实际有业务影响效果，有自己的主见 - 有了 AI 之后，你会发现，用的好的情况下，AI 写得比大部分工程师都要好，慢慢变成了问题如何拆解、架构如何实现、业务工作流如何设计、如何让 AI 更好的达到目的，如何定义 AI 的产出效果以及知道如何去优化这个效果让他更好，能力上变成全能的产品工程师了 - 技术门槛变低，但对人的素质的要求变高了 3. 如果一个 3–5 年从业者想往“10x 个体”靠近，应补哪几类能力？ - 折腾能力，愿意接受新事物的能力，愿意去玩各种新技术，并想到和自己要解决问题的关系 - 学会把 AI 容易到自己的业务工作流里面去，而不是单纯的问 AI 当做谷歌用 - 基础技术能力，计算机科学，设计交互审美能力，全栈技术的能力，运营推广的能力 - 学会沟通，不管是和人沟通，还是和 AI 沟通，都有很大的技巧，让对方能够很好的 Get 到你的意思 4. 如何把个体的 AI 能力放大为团队能力？第一步是什么？ - 其实比较难，因为这个很取决个人本身，好比最开始 ChatGPT 刚刚出来的时候，愿意折腾的同学很早就去折腾了 - 第一步还是建议对于好的标准，什么是用的好，是怎么用的，对清楚团队的要求，以及更多还是通过项目事情去锻炼人，先有场景，然后有标准SOP，最后就是把整个团队的信息总线给建立好，形成一个非常通顺的上下文环境，方便大家可以很好的接入，没有阻碍 5. 如果用你自己的话来定义「10x 组织」，你会怎么说？ - 事情传递效率非常高，理解非常快，Get 很快，没有消息传递失真 - 上层决策非常清晰，保障一线执行非常顺畅，决策基于统一上下文环境 - 一线非常善于使用各种工具来解决问题，不设置自己岗位限制 6. AI 落地中，最难跨过的卡点在哪里？ - 业务规则、业务效果的定义可被 AI 效果匹配上，大家对于标准达成一致 - 规模化过程中，对于效果提升到和人，甚至比人更好的这个阶段需要做大量的迭代，但是这些迭代会需要有非常清晰的人去拆解、执行

#AICon #10x个体 #AI能力 #团队协作 #业务理解

2个月前

你可以想象一幅画面，是你最终实现了你想要的东西的那个场景（A）在那个场景里，你一定是充分理解你的业务的也就是拓宽了你思考的边界但是你思考的边界是无法被具象化呈现的维特根斯坦说，语言的界限就是思考的界限所以能够具象化呈现的就是你的语言的边界也就是你充分的理解了业务当中的每一个措辞现在你对这些词的概念全部都模糊不清，所以你无法走入你想要的场景（A）

#业务理解 #思考边界 #语言表达 #概念模糊 #目标场景

素人极客-Amateur Geek

5个月前

nano-banana的更新，是一个AI创新的历史性节点。这个模型揭开了一块AI行业的一块遮羞布。所有能打的AI绘画模型，不是产品的原因，仅仅是因为不懂业务，只看需求！他们认为，客户的需求很重要，于是追求完成这个需求。但是完成这个需求，需要扎实的业务功底。和一个巨长的业务执行流程，整个路径非常复杂。相当于让一个种地的老汉，去米其林后厨做一份牛排。大厂同行：都在追求炫酷的简单输入，炫技输出。领导很兴奋，员工跑断腿，效果打折，周期创作周期巨长。实际在业务上，能解决的问题非常有限，业务识别空缺，导致模型产品化路径的曲折。总是研究的放后面，能引发话题的放前面。废了一百年的努力，做出来一个半吊子东西。结果：小白骂娘，从业者骂娘，营销号捧上天，消费者寥寥无几。小厂同行：技术实力不足，资源不足，使了大劲满足一点点需求，还需要强大的知识探索欲，技术实践成本高，花几个月时间，巨大资金成本解决一个小问题。有一部分使用基础，熊瞎子劈苞米，消费者丢一群再拉一群。迭代根本没法持续覆盖。结果：学会的用烦了，没学会的又很难学会。开源同行：应用做了七七八八，精神世界满足开花，加起来服务没几十万人，全都是赚到钱没给开源创作者花。模型迭代一次，坟头高一尺，没准哪个模型出来，过去的技术根本没有迭代的必要。结果：有道义的同行人，纷纷跳坑，只剩下几个孤儿。懂业务，是做AI的前提。我很早就说过，2023年我之所以用AI绘画，是因为我要画分镜，我们花了大量的努力，在2024年初就实现了和名人合影，训练一致性模型。很多现在简单的功能在一年多前都可以实现，不懂业务的人，连看都看不懂。今天nano-banana每一个功能都是直切业务核心点的。他不是单纯的一个模型技术的更新。论修改，其实有很多了，方法也有很多。但是这个模型，一次性把所有的业务关窍打通了。其实sora已经很厉害，但是sora对业务的覆盖没那么全面。几个月前，很多谷子店类的供应商，都开始用sora做业务内容了。但限制很多，可是从我们对模型理解来说，开源模型是技术瓶颈，但是对于sora这些模型，有些业务细分，不应该是这个模型的瓶颈。举个简单的例子，让柯南从空手到拿一枝花没有问题。但是你让一个手办，手上多一个东西却非常难。从业务的角度讲，这件事其实一点不难。可sora就是不给你优化，是技术不到位吗？MJ那么简单的操作，实现不了吗？完全就是对业务理解的偏差。那么我们再举一个MJ的例子，这个模型的审美水平强不强？说实话，一年以前，我们就可以用这个模型来实现多视角服装模特了。还有仿真人的虚拟真人角色创建。但是技术实现上非常讨巧，至今可能没人能做到，我们也不愿意把这些东西传播出去。但大多数人的视野里，是看不到MJ模型本身的能力的。 MJ公司追求的什么我也不知道，就知道他们在不断的做，跟业务贴边的东西，就是不好好优化，导致这个模型的二次修正特别多。我再说一遍，上面两个问题，不是模型能力不行，就是公司对各行各业需求的业务不理解。谷歌证明给你们看了，谁也不需要反驳，站着挨打就完事了。

#AI创新 #nano-banana #业务理解 #AI绘画 #模型优化