做演示容易，做产品难。
面对AI近乎无限的潜力，很多人迫不及待地想动手搭建自己的应用。
如果你只是为了好玩或学习，就放手去做------动手实践是学习的最佳途径之一。
如果你以此为职业，应该思考一下：为什么要构建这个应用？
不论出于什么目的，都要重视一个问题------做一个演示很容易，做出能盈利的产品很难。
这个话题分为上下两篇探讨，上篇为适配多数人的思考决策 ，下篇更侧重技术概念。
给个理由
和许多商业决策一样，构建AI应用通常是对风险和机遇的一种回应。
不做不行
如果AI对你的业务构成重大威胁，那么采用AI就是最高优先级，你不做，竞争对手可能会淘汰你。
这种情况在涉及文档处理和信息聚合的业务中更为常见，同时，在广告 、网页设计 和图像制作等创意工作中也尤为突出。
提高生产力
AI几乎能助力所有业务的运营：可以通过生成更有效的文案、产品描述和视觉营销素材来降低获客成本。
还可以帮助企业进行销售线索生成、内部沟通、市场调研和竞争对手追踪。
跟风
虽然企业不应盲目追逐每一个热点，但许多企业正是因为迟迟不行动而失败（比如柯达、百视达和黑莓）。
如果条件允许，投入资源去了解一项全新的、变革性的技术会如何影响你的业务，并不是坏事。
甚至于有些业务还不确定怎样融入AI，但出于不想被时代抛弃，只好先上。
当你找到了开发应用的理由之后，要考虑的第二个问题：是否自行构建？
自行构建
如果AI对你的业务构成生存威胁，你会倾向于自主开发，而不是将其外包给竞争对手。
如果你只是利用AI来提高利润和生产力，市场上有很多现成的方案可选，能帮你节省成本，同时获得更好的效果。
AI的角色
AI扮演的角色，决定了应用的开发方式及其需求。
关键性与辅助性：如果一个应用在没有AI的情况下仍然可运行，AI就是辅助性的。AI对应用越关键，对准确性和可靠性的要求就越高。
被动式与主动式：被动式功能是在用户请求或进行特定操作后才做出响应，对响应速度要求更高。而主动式功能则是在有机会时主动提供响应。对延迟不敏感，但对质量要求更高，否则会对体验造成干扰。
动态与静态：动态功能会根据用户反馈持续更新，而静态功能则是定期更新。在AI的情境下，意味着是根据用户的数据变化而变化，还是跟随模型版本统一更新。
产品护城河
低门槛是福也是祸：如果你很容易开发出某个产品，竞争对手也可以。
在AI领域，竞争优势有三种：技术、数据、分发。
基础模型时代，多数公司的核心技术非常相似，很多应用就是在基础模型之上套了个壳，随着模型的能力不断扩展，这个壳可能会被模型本身所取代，从而使应用过时。
许多初创公司的整个产品都可以成为Google文档中的一个功能。如果这些产品真的火了，它们只需安排三名工程师，用两周时间就能复制出来，这些初创公司又该如何应对？
分发优势则很可能属于大公司，因为它们有更多推广渠道和流量，自然地，数据也就成为它们的天然优势。
那么初创公司就毫无机会了吗？并不是，众所周知，大公司有"大公司病"，如：组织臃肿、行动缓慢、创新乏力等，这会导致有些需求是真实存在的，但它们无暇顾及，你就可以大胆尝试，抢得先机。
衡量成功
一款应用达到什么效果算成功？
是处理多少文件，生成多少图片，还是解决多少bug？你需要制订对业务有实用价值的目标。
订好目标，下一步是实现。
现有模型的能力决定了你的工作量，模型能力越强，你需要做的工作就越少。
值得注意的是，基础模型的初步成功常有误导性 ，因为它本身的能力够出色，构建一个好的演示不需要太多时间。但不代表最终产品也很好。
所以，规划产品时需要考虑"最后一公里"的挑战------ 你可能要花费大量时间在解决产品瑕疵和处理幻觉问题上，每额外提升1%都举步维艰。
应对变化
AI产品的维护面临行业快速变化的挑战。
过去10年AI发展很快，未来10年大概率会延续。
许多变化是积极的。如模型的局限性正得到解决，上下文长度越来越长，输出质量越来越高，推理也变得更快、更便宜。
值得玩味的是，积极变化也可能带来麻烦。今天的最佳选择可能明天就变成最差的选择。
例如，初始评估自建模型比付费服务更便宜，但3个月后模型提供商的价格降了一半，导致自建模型反而更贵。
除此之外，每个模型都有其独特之处，开发人员在使用新模型时仍需调整工作流程、提示词和数据。如果没有适当的版本控制和评估设施，这个过程可能会非常麻烦。
还有些变化可能是致命的。例如，围绕知识产权和AI使用的法规仍在不断演变。如果你的产品是基于使用他人数据训练的模型构建的，你能确保产品的知识产权始终属于你吗？
凡事不打无准备之仗，开发前的准备做好了，下一篇介绍开发应用会涉及的技术。
更多好文章第一时间接收，关注公众号："前端说书匠"