1859 位用户此时在线
- 本站自动实时分享网络热点
- 24小时实时更新
- 所有言论不代表本站态度
- 欢迎对信息踊跃评论评分
- 评分越高，信息越新，排列越靠前
最近，AI 圈子里有两个事值得关注：一个是 GPT-4o 推出了新的画图模型，另一个是豆包升级了“边搜边想”功能。这两个例子都指向了一个正在越来越被人接受和认同的 AI 新范式——“模型即产品”。它听起来有点抽象，但其实可能会影响未来 AI
IT技术
(
twitter.com
)
最近，AI 圈子里有两个事值得关注：一个是 GPT-4o 推出了新的画图模型，另一个是豆包升级了“边搜边想”功能。这两个例子都指向了一个正在越来越被人接受和认同的 AI 新范式——“模型即产品”。它听起来有点抽象，但其实可能会影响未来 AI 产品的发展形态。那么“模型即产品”到底是什么意思，它跟传统的AI方式有什么不同，为什么它这么厉害但为什么又不够普及？
什么是“模型即产品”？
简单来说，“模型即产品”就是把AI模型本身当作产品，它的核心价值来自于模型的智能和能力，而不是靠一大堆复杂的软件或界面来包装。
比如说，GPT-4o的新画图模型，你只需要上缠图片写六个字：“吉卜力风格化”，它就能直接生成一张高度还原又可爱的吉卜力动画风格图片；或者你可以基于刚生成的吉卜力漫画形象再去生成个表情包，甚至还能生成一幅四格漫画。不需要你会用Photoshop，也不用切换好几个App，一个模型就搞定了一切。
想想以前画图的流程：你得先找素材、调颜色、画线条，还得用别的工具加文字，步骤多得让人头晕。而现在，GPT-4o的画图模型把这些都“学会”了，直接给你成品。
这就是“模型即产品”的魅力——模型可以直接满足各种场景下的不同情况，而不需要你去设计复杂的工作流或者在不同的 App 之间切换。
它和传统的工作流智能体有什么区别？各自有什么优缺点？
传统的AI应用大多是“工作流智能体”模式。啥意思呢？就是通过预先设计好固定的流程，把AI模型和其他工具串起来，按部就班地完成任务。比如前一段时间很火的 Manus，如果你让它“帮我规划一下北京到山西自驾游的详细行程”，那么它会设计一个类似于 TODO List 的工作流：
- 搜索北京到山西之间的景点信息
- 搜索北京到山西自驾游的攻略
- 生成详细行程
这样的工作流优点就是容易执行，按部就班就能出来结果，缺点就是不够灵活，因为 TODO List / 工作流一旦定了，就不好根据返回的结果做调整。如果搜索结果中出现了最近北京到山西之间某一段高速施工的新闻资讯，或者未来会出现极端天气的新闻资讯，那么就需要增加对绕开高速路段的搜索和天气预报的搜索，最终综合调整行程。
豆包最近测试上线的「边搜边想」功能是另一个很好的例子。不同于传统AI的“先搜后想”——模型根据你的问题，一股脑搜索一遍网络资料，然后拿着这一份固定的信息来作答，豆包会在思考过程中进行多轮搜索。也就是说，模型边回答边判断：“我是不是还缺某方面的信息？” 如果是，它会主动再搜索。如此循环，直到把问题各个方面都弄清楚为止。
就像前面行程规划的例子，“边搜边想”先搜出基本景点和交通方案，再根据这些结果想到“还需要看看最新的天气预报和当地交通情况”，于是进行第二轮搜索获取这些动态信息，最后综合各方面数据，甚至连景点之间的小交通都考虑进去，给出一个周全的行程表。
这就像一个聪明的助手，会根据手头的信息动态调整策略，而不是死板地走完预定路线。
为什么“模型即产品”很难？
既然“模型即产品”的模式这么强大，为什么不都采用这种模式呢？因为将模型训练成一个适应不同场景的通用产品，简单易用太难了：
- 研发门槛高：需要有很强大的基座模型；需要有优质数据；需要专门的强化训练。
- 资源烧钱：训练模型得用超级多的计算资源，像GPU集群，小公司根本玩不起。
- 市场风险大：投入大、周期长，投资者往往更爱快见效的应用，而不是这种“慢工出细活”的项目。
- 用户体验挑战：模型再牛，也得有个好用的界面。像 GPT-4o 在聊天框就可以画图，像豆包只要选中“深度思考”就可以自动“边搜边想”。
简单科普：强化学习
说到这，有必要提一提“模型即产品”背后的核心技术——强化学习（Reinforcement Learning, RL）。简单说，就是让AI自己试错，像训练马戏团的动物一样，给它奖励和反馈，让它慢慢学会做事。
举个经典例子：AlphaZero，那个打败人类围棋冠军的AI。它没靠人类教招式，而是通过强化学习，自己跟自己下棋。赢了有奖励，输了调整策略，玩了几百万局后，它不仅学会了围棋，还发现了人类几千年没想到的招数。这就是强化学习的厉害之处——让AI自己摸索出最佳方案。
比如豆包的“边搜边想”也是通过强化训练，通过模拟的搜索数据库，以及搜索训练集，让模型一遍遍的去对给定的问题去尝试不同的关键词和思考后再搜索，一次又一次地尝试后终于偶然找到了答案，得到奖励。然后，模型再尝试理解并总结出那些能提高下次找到相似答案可能性的规律。
这种自主学习能力，是“模型即产品”能取代复杂工作流的关键。
未来展望
尽管挑战不小，但可以看到“模型即产品”已经成为AI发展的重大趋势。展望未来，我们可以期待“模型即产品”带来更多惊喜。也许再过不久，你与AI的互动将不仅局限于问答，而更像是与一个能够替你执行复杂操作的数字伙伴合作。届时，我们的许多应用场景可能被重新定义：很多以前要在人和工具之间反复切换的事情，现在一个AI模型就能包办。从创作灵感的火花，到繁琐资料的整理，再到决策方案的拿出，AI模型将直接为你提供端到端的支持。
真正聪明的AI，不是你告诉它怎么做，而是它自己知道该怎么做。
点击图片查看原图