从构想到现实,AI如何驱动产品研发?︱AI产品研发

一、X调查｜除了当销售，AI如何掀起产品研发革命？

（原创 适道AI组 适道）

有句话说，初创公司只做两件事：拥有“产品”，把“产品”卖出去。

在“卖产品”阶段，AI+销售、AI+SDR已经成为了“香饽饽”赛道——例如11x，其“数字员工”Alice能够自动搜集客户List，然后通过电子邮件、LinkedIn消息挖掘潜在客户。据悉，11x的ARR已达到1000万美元，刚刚完成a16z领投的5000万美元B轮融资。另一家销售线索挖掘工具Clay，则整合了超过 75 家数据丰富的提供商，并结合Agent对网页信息进行爬取、判断比对、总结处理。目前，Clay的估值高达5亿美元，由红杉连投两轮。

在“造产品”阶段，AI同样被寄予“降本增效”的厚望。

一方面，研发支出金额庞大。英国最新统计数据显示，2022年研发支出达到710亿英镑，其中500亿英镑来自商业领域；在美国，这一数字约为8860亿美元，其中6900亿美元来自企业投资。

另一方面，庞大的研发支出必不可少。2023年，麦肯锡报告指出，预计未来5年内，包括汽车、电信、消费品等大型行业将有1/3的销售额（总值约30万亿美元）归功于新产品。

《哈佛商业评论》曾指出：如果一家公司将70%的资源用于核心项目创新，将20%用于邻近创新，将10%用于颠覆性创新，就能跑赢同行。同时，也有研究表明，技术公司应该在后两类创新上增加投资。

那么，AI将在产品研发中起到何种作用？近日，FT发布了一篇研究《AI and the R&D revolution》，探讨AI如何在产品研发的各个阶段大显身手。在不影响其原意的前提下，适道对文章进行了编译和适度改写。

• 所有企业的本质都是技术公司

‍创新的核心在于思维方式。卡内基梅隆大学的创业学（Entrepreneurship）教授Sean Ammirati表示，在研发部门营造一种创业文化有助于推动创新，大企业亦然。拥有这种思维模式的团队更有可能提出颠覆性，而非渐进式的产品开发方案。

他本人曾创立过多家机器学习初创公司，并认为许多企业未能在“邻近创新”和“颠覆性创新”上投入足够的资源。而在技术普及的当下，每一家企业在规划研发预算时都应将自己视为一家技术公司。

• 明确你的目标和目标客户

如果你是一家门窗制造商，请问你的目标客户是谁？

在爱荷华州，一家名为Pella的门窗制造商没有将房屋业主视为主要用户，而是将目光瞄准了门窗安装人员。他们开发了一种能够在室内安装的窗户产品，减少施工人员在高层建筑作业的风险。

目标对于研发流程同样重要，包括明确你的目标到底是——降低材料成本、工程成本，或是加快上市时间，还是三者兼有。牢记目标有助于设定KPI来评估流程。

• 可获取的数据越多，越容易把握客户需求

客户需求始终是产品开发的灵感来源。

打个比方，淘宝运营人员能够清晰地掌握——每天晚上九点半，25—30岁女性喜欢搜索的商品品类；然而，淘宝卖家却无法获取这些数据。

相较之下，品牌独立站（Brands hosting their own websites）的主要价值出现了，体现在其能保留并解读客户数据。这种即时洞察可以帮助企业优化、扩展产品线。

例如，内衣品牌Lively发现许多女性在搜索无肩带文胸，随即将其加入产品线；Tommy John观察到女性喜欢买男士内衣，随后推出适合女性的“贴身短裤”、T恤和裤装。

在数据收集和整理过程中，确保数据的准确性至关重要。尤其在部署AI系统时，其本质是基于数据的统计模型。一旦数据输入不够严谨，就会导致后续问题不断。

随着技术进步，越来越多的产品能够为“单一用户群”量身定制。例如，Rihanna创立的Fenty Beauty借助图像识别和机器学习，根据客户肤色提供相应的化妆品。耐克的 “Nike By You” 服务则允许客户从多种风格、颜色和设计中自由搭配，设计专属于自己的运动鞋。

“共创产品”超越了个性化服务的范畴。在这一过程中，客户不仅能够根据预设的选项提出修改意见，还可以直接告诉企业自己真正的需求，就像宜家做的那样。

在一场由网络营销服务商Bloomreach主办的AI峰会上，英伟达副总裁兼零售与快消品 AI 业务总经理 Azita Martin指出，对于许多公司而言，未来的挑战在于——如何快速满足高度个性化的订单需求——本质是为“单一用户市场”服务。从准确的需求预测，到提升分发中心效率，再到最后一公里的配送，AI都可以赋予零售商极大的灵活性。

即便拿不到数据，你仍然可以独立构思产品创意。

然而，如果借助AI，你可以从一个创意，甚至一个模糊的概念出发进行头脑风暴，完善产品构思；进行市场调研，看看是否有类似产品存在；分析竞争对手，获得实现差异化的建议。

AI还可以为产品提供多种版本和改进方案，以满足特定市场需求——有些可能是人类设计师未曾想过的细分领域。

当产品概念逐步完善后，AI能够协助制定市场测试策略，加速产品设计与测试流程，提供材料和采购，制造工艺方面的建议。这对于初创企业，以及小型企业特别有帮助。例如，滑雪手套装饰套制造商Skittenz的创始人通过AI探索适合的材料和制造工艺，并将其创意产品推向市场。

以下是研发中常用的工具：

1、市场调研：数字化分发的市场调查工具（如SurveyMonkey、Google Forms和Typeform）拥有广泛的覆盖范围和增强分析功能。

2、产品设计：用于工程、建筑和制造领域的CAD-CAM软件（如Autodesk、Siemens和Trimble）正在引入AI功能。生成式设计技术利用机器学习算法，依据不同参数（如材料经济性或结构强度）提出优化设计方案。只需工程师设定基本要求和约束条件（如制造工艺、承载能力和灵活性），系统就能提供多种设计变体，其中一些或具独创性。通过AI与上述工具的结合，研发团队能够以前所未有的速度和效率推动创新发展。

3、数字化原型：纯数字原型设计大幅降低了研发成本。企业可以借助云计算支持的机器学习模型，进行更多的数字化实验。同时，云计算意味着企业不再需要花大钱买内部服务器。该技术带来了真正的重大创新——提供了民主化的技术，小创业团队也能使用。

4、模拟测试：从市场策略到产品性能

模拟技术广泛用于测试营销策略（如A/B测试），帮助企业确定最佳的客户沟通方式。同时，它还可用于产品开发，测试材料与设计的不同变体。例如，Ansys、Matlab等工程软件可以帮助设计师创建虚拟对象，并在各种环境中测试其性能，包括流体和热动力学表现。这类软件的价值在于，即便没有物理原型也能进行测试。

市场接受度分析也是模拟测试的一个重要用途。与市场营销策略测试不同，它关注产品的可行性。例如，对比产品定价和性能，评估不同经济环境、竞争对手的影响。虽然模拟对处理能力要求较高，但云计算可提供支持。

5、3D打印：降低生产门槛

当模拟和测试成功后，企业可以利用3D打印推进产品开发，无需立即投资生产实际产品。过去，原型设计需要从图纸到粘土建模，进行多个步骤；如今，数字化大大降低了生产门槛。

生成式AI与3D打印的结合将进一步提升设计的灵活性。例如，设计者可以要求AI生成多种改进版本。博世开发的AI支持3D打印技术甚至可以实时调整材料输入、温度和压力，使原型质量与最终产品相媲美。该技术支持小批量生产，降低了大规模设施投资的风险。此外，博世的陶瓷3D打印技术还能准确模拟陶瓷在烧制过程中发生的不同收缩现象，确保高精度制造。

6、数字孪生：从理论到全生命周期管理

数字孪生能够在产品全生命周期中动态更新，提出改进建议。这一技术广泛应用于供应链、发电厂等设施的管理，有助于预测产品在长期使用中的表现。

根据Fortune Business Insights的预测，2030年，数字孪生将推动计算机辅助设计和产品生命周期管理市场规模达到264亿美元，其中北美市场将占约三分之一。尽管仍处于早期阶段，但安永（EY）强调“工业元宇宙”是数字孪生技术的下一个阶段。“工业元宇宙”包含对机器、工厂、城市等高度复杂系统的映射和模拟，为现实世界中的难题提供最优解，推动产业的数字化、智能化发展进入全新阶段。

7、协作软件：推动团队创新

基础工具如Slack可以支持团队讨论；更专业的创新管理软件（如Miro、Braineet和Ideanote）则能帮助企业记录想法与数据。这些工具虽然不能直接生成概念，但可以通过知识记录和分享，帮助团队更快地汲取失败经验并改进产品。

创新的关键不在于成功，而是能够快速失败，在实验中学习。企业保留失败实验的记录，同样能避免不必要的逆转决策，并确保数据准确性。此外，AI还可以帮助企业排查自身是否涉及侵权、违规。

8、未来展望：AI+量子计算

未来，量子计算有望在材料和药物研发中大显身手，模拟化学反应过程、优化现有材料。量子传感器也开始落地商业化应用，比如跟踪脑电波，或通过重力传感器分析地层结构。电池研究人员也已使用量子传感器分析微电流，提升生产效率。

尽管量子技术的广泛应用还面临诸多挑战，如环境敏感性高、能耗大和技术复杂性，但在未来2—5年内，随着相关技术的进步，其商业潜力将被逐步释放。通过AI和量子技术的融合，研发将迎来全新突破，推动创新的速度、深度达到新境界。

结语

今年7月，麦肯锡指出，分析式AI和生成式AI有望显著提升创新成果。其中包括：市场契合度提高至多50%，产品性能将改善15%—60%，工作效率提高至多50%，产品上市时间则缩短至多40%。

不难看出，产品研发的未来将是“人类与AI协作”。为避免AI的“幻觉”干扰，一条正确的思路是：将AI视为联合创始人，或是Human plus AI。AI更像是你的头脑风暴伙伴，而非帮助你完成所有工作的“克隆人”。

想要赢得未来，企业必须迎接AI革命。毕竟，我们已经处于“技术拐点”，而当年拒绝互联网的企业，如今大多已经烟消云散了。

二、阿里内部观点：智能化研发一年复盘，我们离真正的 AI 开发还有多远？

（原创 向邦宇 InfoQ）

那么问题究竟出在哪儿呢？

我之前一直认为，大模型 Next-Token 为基础的原理上的天然不足会影响大模型在研发智能领域的表现，但经过这半年的发展和演进，我认为问题不完全出在模型推理能力不足上，问题还出在工程能力和数据的不足上。道理很简单，即使是以推理能力见长的 gpt o1 模型发布这么久之后，我们依然没看到有产品在复杂系统研发问题上有所突破，而且在阿里内部，我们利用大模型解决简单的垂直问题也困难重重，无法达到预期。

下半年，我们在 Aone Copilot 上半年推出了 Extensions 这种业务定制 Agent 的能力，希望能让垂直业务将各自的业务沉淀到 Aone Copilot 的插件里来，让更多的人复用，这些场景包括 RAG 搜索，还有一些业务版本升级的，还有一些是直接生成垂直业务代码的，这里面有一个团队与我们共建详情页的业务逻辑，比如体育和健康的，在详情页中的展现模式是不一样的，都需要业务去代码定制。这种定制长期以来只能依赖负责这个详情页的框架的同学来做，因为只有负责框架的同学知道每个位置应该如何定制，借助 Aone Copilot 的 Extensions 我们有希望把这种专家经验和业务知识等有机的结合起来定定制这些场景的实现逻辑。

但我们和业务团队都付出了几个月巨大的努力后发现，即使是这种非常垂直的场景也很难完全自动化的实现，用户几乎用不起来，通过 Extensions 生成的代码离用户想要的总是差一点点距离，最多的价值是给用户产出了一个可用的 Demo，后续还需要用户去本地调整， 这里摘录了一些用户原声（含问题和反馈）：

反思下来，我们认为这里不全是模型能力问题，也不是全是工程实现问题。

• 业务上下文不足：企图让用户把需求讲清楚太难了：用户的输入要么过于简单，要么过于复杂，要么词不达意。但仔细思考这也很正常，即使是 PD 和开发之间对需求也需要反复对焦才能把需求讲清楚，即使是真人之间交流都有可能错误理解需求，何况是和程序呢，所以没有任何互动的过程是不可能把需求讲清楚的。

• 技术和领域上下文不匹配：功能逻辑虽然垂直和简单，但业务背景却比较复杂，还有很多暗语，例如“腰带”，“背书” 这种独属于这个场景的业务知识并不是提需求的人能理解的，用户不理解这种领域模型，提的业务需求和代码工程上下文关联不起来，准确率也就大打折扣了。

• 在详情页漫长的发展历程中，面对各种不同的情境，已经积累了丰富的实现、架构和设计经验。然而，无法详尽地记录下这些知识点，使得过往的经验与智慧难以被有效地传承和利用，导致用户的需求没有任何经验可借鉴，模型也没有任何知识可以参考。

对需求的理解和描述不足是阻碍大模型落地的重要的原因，目前大模型落地比较好的反而是那种不需要描述需求的场景。

从 GPT3.5 问世以来，乐观派们认为随着 GPT4 甚至接下来 GPT5 的到来模型能力会解决绝大部分问题，低垂的果实被摘完后，开始去探索更复杂更有想象力的的场景，不少厂商开始搭建端到端的需求实现系统，不少团队开始刷榜 SWE-Bench，但这一年下来，大家对这种榜单或者类似的故事越来越失去兴趣，公测的产品依然在公测。

整个行业都在憧憬大模型所带来的宏伟愿景，同时又被由此引发的焦虑所困扰。这种心态导致本应专注于基础设施和数据建设的基础工作未能得到充分重视与落实。另一个严重的问题是，许多部门管理者或企业领导者因这些热门话题而对人工智能寄予过高期望，然而当他们发现各类辅助工具并未如预期般大幅提升工作效率时，便开始对这一技术的未来持怀疑态度，并逐渐失去了对那些可能实现效率提升的应用场景的兴趣，对失败的容忍度也变得越来越低，这给研发智能化发展也蒙上了一层阴影。

大多数开发者工作的环境并不是随手画一个草图生成一个网页这么简单，而是对老的系统进行维护，解决旧有系统的缺陷，基于旧有系统开发新需求 等。

如果把大模型当做一个拥有超高智商的新手，在一个从来没有接触过的项目里开发需求，那么他应该怎么开始？我想他应该会学习工程结构，理解项目目录，代码，配置等知道从哪儿着手；这个工程是如何在本地开发和调试的 ；这个项目是如何发布和线上测试灰度的 ；这个项目如何验收；这个项目是如何一步步演进至今的，避免踩坑等。除了这些工程上下文，有时候还需要理解业务上下文，这个项目是做什么的，有什么业务背景，这次的需求是什么，需求方的验收标准是什么，历史上有没有类似可以参考的逻辑等

没有这些经验，则再聪明的程序员都无法驾驭一个维护中的复杂系统，也不能在一个复杂系统中游刃有余。

而现如今大多数产品都无法做到满足这些条件。

• 有产品形态的问题：许多初创企业和其产品因形态限制，难以获得所需的数据。若它们仅作为单一工具存在，便无法有效整合代码平台、构建平台、发布平台以及需求 / 问题系统中的数据。

• 也有意识不足的问题：许多人尚未充分认识到这些数据在处理复杂任务中的重要性。比如，Aone Copilot 通过 @codebase 能够辅助完成某些基础需求，以往的方法仅依靠检索相关代码片段来进行修改，常常会遗漏一两个文件。然而，一旦结合用户在此仓库的历史修改记录及类似需求的具体改动情况，准确性便会显著提升。此外，在智能化代码审查（Code Review）的应用场景下，单纯基于代码上下文进行审查所能发现的业务问题是有限的；而若能引入需求文档与问题报告（Issues）等信息，则有助于识别出更多潜在的业务逻辑错误。

• 也有基础设施的问题：由于基础设施建设和数字化水平不足，在内部研发生态系统中，需求与代码、文档与代码之间的联系十分微弱。即便是 Commit Message，也很少有团队会严格规范地编写，这导致了数据处理成本非常高，而有价值的信息和数据又特别少。为了改善这一状况，阿里内部代码平台强制为每次代码提交生成自然语言描述，但研发基础设施上的工作依然值得继续推进

  

当前，许多产品忽视了开发者在产品和业务实现过程中扮演的重要角色，期望通过一次性的需求描述就能自动生成完整的自动化代理（Agent）解决方案。然而，关键问题在于：既然人类是掌握需求并确定最终验收标准的核心因素，为何要将其排除在生产流程之外？

无论是像 Copilot 这样的辅助工具，还是其他类型的智能代理，人工智能与人类的合作依然是最理想的模式。当模型存在不确定性时，它应该能够向开发者求助；而当模型完成了某些任务后，则需由开发者进行审查和确认。此外，很多知识可能仅存在于开发者的个人收藏夹里。修改后的代码同样需要经过人工审核才能决定是否采用。现在，一些本地集成开发环境（IDE）产品已经开始朝这个方向发展，比如在 Windsurf 上看到在对话框里找人类寻求人类确认的 Case，非常有意思。

这种理念的核心在于强调与 人类的合作而非取代，使开发者能够通过自然语言与产品进行互动，并在任何时候让用户确认并应用更改，共同完成复杂的任务。在这种协作模式下，人和 IDE 究竟谁是坐在主驾谁是在副驾位置上好像没有那么重要了。

我们也在见证着一种新的产品形态：以 IDE 为平台，人和 AI 协作驱动，自然语言作为主要交流方式的产品形态。

多样化的平台使得用户在各平台间的信息难以同步，这导致平台难以全面收集并理解用户的真实需求。例如，在阿里内部平台 Aone 上发布的构建问题，若用户能在求助 AI 工具前预先获得相关信息，理论上 AI 解决问题的效率将显著提升。同样地，对于监控系统而言，若在发出警报时能整合该系统的近期活动记录，如最近是否进行了变更和发布，变更内容以及是否存在对底层中间件系统的高风险操作等，便可以在向用户报告问题前提供更明确的方向指导。

然而，当前这些关键数据往往彼此孤立，如同分散的岛屿，缺乏有效的连接与整合。这一现状为未来的技术发展指明了一个重要的改进方向：实现跨平台的数据共享，以更好地服务于用户体验和技术支持。

业内普遍认为，大语言模型的能力主要依赖于三个关键因素：模型、数据以及推理机制。在推理能力和模型性能方面这一年里进步显著；然而，在数据领域，似乎仍停留在简单的收集与处理阶段，对于大语言模型所需的数据迭代、进化及版本管理的重要性则常被忽略。实际上，在大规模模型的微调（SFT）过程中，即便是少量的数据也能够极大地提升模型的表现，这表明我们应该高度重视每一组输入到模型中的数据，而不是仅仅依赖于模型训练完成后的评估，因为这种做法效率低下。

正如复杂的工程项目一样，数据质量的提升并非一蹴而就，而是需要通过不断的迭代和演进来实现。这一过程依赖于有效的版本管理流程以及支持质量演进所需的基础设施建设。这些基础设施至少应涵盖模型版本管理、低成本的数据存储方案、高效且灵活的数据处理工具及审查系统、以及便捷的数据预览与分析功能。然而，当前的数据存储基础设施仍存在明显不足，现有的主要以 Hive 为代表的数据基础架构，其设计初衷是针对结构化数据的处理。但事实上，我们的许多私有数据和具有高价值的数据是文档化的，是非结构化的。在一个文档里，有效的数据和错误的数据很可能夹杂在一起，利用现有的数据处理基础设施很难处理这种数据。尽管数据湖被宣传为能够有效处理非结构化数据的解决方案，但在实际操作中，它在存储、管理和利用非结构化数据方面仍然面临挑战导致最终在大模型数据处理上很难充分释放价值。

另一个问题是，在大模型领域，处理数据与使用数据的人员往往不是同一批人，数据工程师负责处理数据，而算法工程师则利用这些数据进行工作。至于谁应对数据的最终质量负责、谁来进行质量检查，谁来 Review 等问题，在行业内仍然缺乏明确的答案。产品的优劣很大程度上取决于个人的积极性和专业技能。

经过一年多的努力改进和迭代，这些问题在 Aone Copilot 项目中得到一些解答。我们以及许多其他团队开始意识到数据质量的重要性，借助 Aone 和 Code 平台的支持，构建了数据基础设施。这使得数据成为了一种可以不断优化、审查、管理和评估的资源，同时确保了数据处理的过程具有可追踪性和透明度，类似于传统软件开发中的做法，通过这种方式，不仅能够显著提高数据的质量，还能促进不同团队间的高效合作。

今年下半年，Cursor 的突然走红让人眼前一亮，我们深刻意识到在大模型时代，IDE 不仅是一种工具，更是至关重要的基础设施。唯有通过 IDE，才能将大模型的能力与用户的实际需求紧密结合，实现更高效自然的协同。Cursor 的爆火说明 Copilot 模式没有走到尽头，依然有体验可深挖。

这里我们通过拆解 Cursor 几个被人交口称赞的功能来阐述它的独到之处。它支持一次性补全多个位点，也能实现下一个位置的光标修改

甚至能将代码中原本有错误的内容的改对，例如这里有个错别字，会提示我，按 tab 会帮我修复这个错误

能实现快速的把对话框中的内容应用到编辑器里（Apply）

初次接触到这些特性时，我被其功能深深震撼。它们不仅与传统的基于光标位置的代码续写和补全方式截然不同，而且设计得非常优雅，使用起来自然又恰到好处。那么，这种效果是如何实现的呢，我们怀着强烈的好奇心对其进行了大胆猜测和小心求证。

Cursor 的核心在于“重写”——即对整个文件或特定段落进行重新编写。这一机制与传统代码补全方法有着根本性的区别，也正是它的最大奥秘所在。来看看如何通过重写来实现多位点不全和错误代码修复的以及 Apply 的，在这个 case 里，我修改了 namespace 的变量命名，

Cursor 能够智能地识别并重写周边需要调整的部分。它会获取由模型修改后的代码段，并与本地代码进行比对，在编辑器中标示出差异之处。这样一来，Cursor 不仅能够自动修正代码中的错误，还能在更改变量名时同步更新所有相关引用，确保代码的一致性和准确性。

至于“Apply”功能，同样体现了其便捷性。大多数 IDE 插件或客户端都具备聊天对话框的功能，如上所述，右侧展示的是 Cursor 为我生成的新代码。但如何地将这部分“生成的代码”插入左侧现有代码中，往往会很棘手，因为可能需要手动去找插入位置，大部分时候还要解决新代码和原代码之间冲突，所以代码会话框的利用率并不高。

而 Cursor 通过 Apply 解决这个问题，它将左侧的原始代码与右侧需要修改的部分放在一起，由大语言模型负责重写左侧所有内容。之后，IDE 在本地将重写后的代码与原代码进行差异比较后，将 Diff 展示给用户，使用户能够有选择性地采纳这些改动，并将其插入原有代码之中。

三、人工智能辅助产品研发的两条成功路径

（原创 AI情报室 Ai时代前沿）

企业通常采用两种产品开发路径。最流行的一种方法是打造多种多样的产品，即使无力很好地推广其中任何一种产品，也希望潜在客户会在众多产品中找到一种理想的产品。另一条路主要是苹果走的，它制造的产品系列要有限得多，但通过营销手段和产品差异化让买家相信，他们制造的少数几款产品对他们来说更有价值。

从这两种方法的财务结果来看，苹果的方法是迄今为止最赚钱的，但却是其他公司很少走的路。一方面是因为苹果模式所冒的风险要高得多，另外史蒂夫·乔布斯作为他那一代最强大的营销人员之一，为苹果目前成功奠定了基础。

但有了人工智能，能同时增强这两种方法吗?还是哪一个会更好，会带来更高的销售额，更高的利润率和更高的估值?

多样化研发

竞品分析非常重要，早在20世纪60年代，通用和福特就对日本汽车崛起感到担忧，所以他们都对这些汽车进行了细致的分析，细到螺母和螺栓。这种分析结果出现了平托(Pinto)和织女星(Vega)两款车型，这两款车型当时都因缺乏竞争力而受到广泛批评。发生了什么事?

花了五年的时间进行分析，并以最初的竞争评估为模板制造汽车。但在这五年中，日本汽车取得了显著的进步，所以当Pinto和Vega问世时，虽然它们比60年代的日本车更好，但它们并不比70年代的日本车更有竞争力。

可以看到，竞争分析需要从最初数据中进行推断，同时观察改进的速度，预测未来的技术，然后为未来的世界设定一个更高的标准。

经过适当训练的人工智能可以帮助实现这一目标，因为它可以汇总各种信息源，识别趋势，并可能将这些趋势预测到未来。此外，3D打印技术可以大大缩短制作新设计原型所需的时间，而且英伟达的Omniverse可以创建数字孪生模拟，显示该设计与预期的未来竞争对手的外观。

此外，人工智能可以提高生产效率，减少重新设计生产线所需的时间，从而可能减少开发和制造新产品所需的时间，从而使结果更接近分析时间。

因此，人工智能可以用来设定一个更现实的标准，可以减少使用3D打印构建原型所需的时间，也可以减少专门生产新产品的生产线所需的时间。

尽管如此，由于存在太多的变量，我们预测未来产品的能力只会略有提高，导致你猜测错误的风险仍然存在。

针对性研发

有针对性的方法颠覆了这一过程。你不需要做焦点小组或调查，你只需要关注那些卖得好的产品，预测未来你认为人们会想买什么，然后创造一个结果，你用足够的需求生成营销来包装，把人们带到更有限的选择中。

人工智能已经能够绕过故事板来创建强大的人工智能生成的照片和视频内容，客户可以评估这些内容的有效性。可以创建AI角色来评估脚本或AI生成的内容，看看哪个最吸引人。

甚至可以使用Indiegogo等服务，看看你最初的概念是否有效地打动了你的受众，然后重新设计产品和信息以优化结果。

这是一个简单得多的方法。正如苹果所证明的那样，如果营销做得不好，风险会更大，但它也可能是最有利可图的，因为如果人们不觉得其中一些产品有吸引力，你就不不用花费巨大的时间和金钱成本去投入生产。

启动一个营销计划也比启动一个产品更快、更容易，所以这种方法可以让你更快地对不断变化的市场动态和新出现的竞争威胁做出反应。

在科技公司使用的两种方法中，更常见的多样化方法仍然是效率最低、利润最低的方法。针对性方法具有成本和时间优势，因为它降低了复杂性。人工智能可以改善这两个过程，但对针对性方法的影响更大，因为修改营销策略比修改产品线要容易得多。

最后，人工智能需要解决的一个大问题是人们滥用这项技术。他们不是用它来做出更好的决定，而是用它来验证已经做出的决定，这些决定可能根本不是好决定。如果不解决这个问题，人工智能实际上可能会让事情变得更糟，因为它会加速销售不佳的产品的创造，从而比人工驱动的替代产品更慢的上市时间产生更多的成本。

这再次表明，在你使用AI来加快完成任务的速度之前，需要先使用AI来提高决策的质量，否则你只会更快地做出更多糟糕的决策，而这通常不会有好结果。

1、如您转载本公众号原创内容必须注明出处。

2、本公众号转载的内容是出于传递更多信息之目的，若有来源标注错误或侵犯了您的合法权益，请作者或发布单位与我们联系，我们将及时进行修改或删除处理。

3、本公众号文中部分图片来源于网络，版权归原作者所有，如果侵犯到您的权益，请联系我们删除。

4、本公众号发布的所有内容，并不意味着本公众号赞同其观点或证实其描述。其原创性以及文中陈述文字和内容未经本公众号证实，对本文全部或者部分内容的真实性、完整性、及时性我们不作任何保证或承诺，请浏览者仅作参考，并请自行核实。