01 全球AI产品宏观认知

1、海外公司及旗下AI 产品

3、按用户群体划分应用场景

02 需掌握的核心概念

1、AI的核心构成（算力、算法、数据）

算力是AI运行的物理基础，本质是计算资源。模型训练需要对海量数据反复做矩阵运算，没有足够的GPU/TPU算力，再好的算法也跑不起来。

算力决定了模型能做多大、训练多快。

算法是AI的思维方式，定义了模型如何从数据中学习规律。深度学习、Transformer架构、强化学习等，都是算法层面的突破。

算法决定了同样的数据和算力能榨出多少智能。

数据是AI的原材料，模型学到的所有知识和能力都来自训练数据。

数据的规模、质量、多样性直接决定模型的上限。垃圾数据进，垃圾结果出。

三者的关系是：数据提供素材，算法提供方法，算力提供执行能力，缺一不可。

历史上每一次AI的重大突破，背后都是这三者中至少一个维度的跃升。三者之间并不是简单的并列关系，而是一个相互驱动的正向飞轮。

数据是起点。原始数据经过清洗和标注后，喂给算法模型进行训练。

训练的过程本质上是算法在算力的支撑下，反复从数据中提取规律、调整参数的过程。

模型训练完成后，部署到真实场景中产生新的用户交互，这些交互又沉淀为新的数据，反哺下一轮训练，数据在这个循环里是自我增殖的。

算法是枢纽。它向下依赖算力来执行计算，向上依赖数据来学习规律。

但算法的进步也会反向改变另外两者的需求：更高效的算法（比如注意力机制的稀疏化）可以降低对算力的消耗；更好的数据处理算法（比如合成数据、数据蒸馏）可以在数据量不足时提升数据的有效利用率。

算力是加速器。算力的提升让算法能够处理更大规模的数据、跑更深的网络，从而涌现出原本不可能出现的能力。

反过来，算力的瓶颈也会倒逼算法创新，历史上很多算法优化，本质是在有限算力下逼出来的。

整个循环可以概括为：更多数据训练出更强模型，更强模型产生更多有价值的数据；更好的算法降低算力门槛，算力的释放又让更复杂的算法成为可能。

三者互为因果，共同推动AI能力螺旋式上升。

2、大模型（LLM）

基于海量文本数据训练的神经网络模型，能理解和生成自然语言。是所有AI产品的技术底座，相当于"引擎"。

代表：GPT-5.5、Claude 3.7、DeepSeek V3、Qwen3。区别于AI助手：大模型是底层技术，AI助手是基于大模型建的产品。

3、AI Agent（AI智能体）

能够自主规划、决策并执行多步骤任务的AI系统。和普通AI助手的本质区别：助手是"回答你的问题"，Agent是"替你把事情做完"。

例如：你告诉Agent"帮我整理本周竞品动态"，它会自动搜索、筛选、归纳、生成报告，全程不需要人工干预。2026年是Agent商业落地元年，美团CatClaw/CatDesk的核心就是Agent。

4、OpenClaw

2026年初爆火的开源AI Agent框架，GitHub获得超24万Star，是本年度最热开源项目。

核心能力是让AI在本地环境自主执行任务，浏览器操作、文件处理、代码运行、跨系统数据搬运。被称为"小龙虾"（Claw=爪/龙虾）。

原名Clawdbot，后改名OpenClaw，2026年2月被OpenAI收购，成为ChatGPT Workspace Agents的技术底座。

最大短板：部署需要Terminal命令行，普通用户无法直接使用。

QClaw 腾讯基于OpenClaw开源生态打造的本地化AI Agent产品，昵称"小龙虾AI"。

核心创新是把OpenClaw的部署门槛降到最低，并通过微信小程序直连。用户在微信里发一条消息，电脑就自动执行任务。

支持Windows/macOS双平台，内置国产大模型，内置5000+技能（Skill）生态。2026年3月公测，是美团CatClaw最直接的国内竞品。

5、Skill（技能/能力封装）

把一个复杂的AI任务流程标准化、可复用地封装起来，让用户不需要写提示词，直接调用就能完成特定工作。

类比：相当于软件里的"插件"或"模板"。

例如：一个"竞品分析报告"Skill，封装了"输入竞品名→自动搜索→按固定框架整理输出"的完整流程，产品经理只需填入竞品名字就能得到结构化报告。

Skill的价值：对用户降低使用门槛（从"会写提示词"降到"会选模板"），对平台积累用户粘性（用得越多越难迁移）。

6、RAG（检索增强生成）

让AI在回答问题时，先从外部知识库中检索相关信息，再生成答案。

解决的问题是大模型训练数据有截止日期、不知道企业内部信息。

企业内部知识库问答系统的核心技术：员工问"我们公司的差旅报销标准是什么"，AI先检索内部文档，再给出准确答案。

7、提示词 / Prompt

用户输入给AI的指令或问题。

提示词工程（Prompt Engineering）是设计高质量提示词的技巧，决定AI输出质量的上限。

Skill本质上是把经过优化的提示词模板封装起来，让普通用户不需要懂提示词工程就能用好。

8、Token 

AI模型处理文本的基本单位，大约相当于0.75个英文单词或0.5个中文字。

Token是AI产品API计费的基础单位。

上下文窗口（Context Window）是AI一次能处理的最大Token数量：Claude 3.7支持100万Token（约75万英文单词），Kimi K2.5支持200万Token。

Token越多，能处理的文档越长。

9、多模态（Multimodal）

AI能同时理解和生成多种类型内容，文字、图片、音频、视频。

代表产品：Gemini 2.0（原生多模态，能看视频、听声音）、GPT-4o（支持语音实时对话）。

区别于纯文本模型：DeepSeek V3只处理文字，是单模态；Gemini能看图听声，是多模态。

10、MAU（月活跃用户）

每月至少使用一次产品的用户数量。

ToC产品最重要的规模指标。

ChatGPT 12亿MAU，豆包4.68亿MAU，是衡量产品渗透率的核心数据。

11、MaaS（模型即服务）

把AI大模型能力以API形式对外提供，按调用量计费。企业不需要自己训练模型，直接调用就能用上顶尖AI能力。

智谱AI的主要商业模式，美团对外推CatClaw也可能走这条路。

12、SaaS（软件即服务）

通过订阅制提供软件服务，按用户数或用量收费。Microsoft Copilot（$30/用户/月）是典型SaaS定价。

区别于MaaS：SaaS按席位，MaaS按调用量。

13、私有化部署

把AI系统部署在企业自己的服务器上，数据不流出企业内网。

国内企业ToB的核心需求：数据安全、合规、隐私保护。DeepSeek开源可本地部署、大厂数据不出境，都是私有化部署的竞争优势。

14、PS倍数（Price-to-Sales） 

估值/年收入，衡量市场对公司未来成长性的预期。Cursor估值$500亿÷ARR $20亿≈25倍PS，说明市场认为其场景绑定深度值得高溢价。

目前AI公司普遍享有20-25倍PS，远高于传统软件公司的5-10倍。

15、MoE（混合专家架构）

把一个大模型拆成多个"专家"子模型，每次只激活其中一小部分处理当前任务。

DeepSeek V3和Qwen3都用了这个架构：总参数量大，但实际激活参数只有4%，推理成本极低、速度极快。

这是国产模型实现"以小胜大"、API价格低至GPT的1/36的核心技术原因。

16、微调（Fine-tuning）

在预训练大模型基础上，用特定领域数据继续训练，让模型更擅长某个垂直场景。

例如：用美团本地生活业务数据微调LongCat，让它更懂餐饮、零售场景。区别于RAG：RAG是检索外部知识，微调是改变模型本身。

17、API（应用程序接口）

让不同软件系统之间互相通信的接口。企业调用ChatGPT API，就是通过API把OpenAI的模型能力接入自己的产品。API调用量是Anthropic等公司ToB收入的主要来源。

18、SWE-bench

评估AI代码能力的权威基准测试，考察模型解决真实GitHub软件工程问题的能力。Claude Opus 4.6的SWE-bench得分80.8%，代表其代码修复能力较高，属于全球顶尖。

19、Terminal-Bench

评估AI Agent执行命令行复杂任务能力的基准测试。GPT-5.5得分82.7%全球第一，代表其Agent自动化能力最强。

20、RLHF（基于人类反馈的强化学习）

通过人工标注者对AI输出打分，用强化学习让模型更符合人类偏好，ChatGPT的核心训练方法。

Anthropic在此基础上发展出"宪法AI"：用一套规则让AI自我评估输出，减少对人工标注的依赖，安全性更高。

21、Vibe Coding

用自然语言描述需求、让AI直接生成可运行代码或应用的编程范式。分两类：面向零基础用户（Lovable、美团NoCode）和面向有基础开发者（Cursor、Claude Code）。

其他未分享到的AI知识，欢迎评论区补充。

大家一起长期关注AI，终身学习。

您好！我是德华学长，现任美团外卖校园俱乐部华南大区负责人，曾任高顿集团总部hi实习项目全国校园大使运营，加入美团外卖校园俱乐部可扫码👇