算法视角，做AI原生产品的一些思考（一）

1. 之前经常问自己的问题，作为算法，我应该做什么产品？
   1. 做AI原生产品，没有AI模型就不存在的产品，AI能力的好坏直接关系到产品的生死。好处是这对算法能力的锻炼很大，在这里算法的话语权最大；坏处这对算法能力提出非常高的要求，个人的压力会比较大。
2. 工作思考
   1. 用户体验类产品评估非常难，要做好长期指标和效果同时迭代的心理准备。用户体验，采纳率，付费率，这些都可能是用户体验产品的北极星指标，但指导不了算法优化。这个Gap要算法自己想办法来Cover。
   2. 不要依赖产品经理做指标拆解，但要充分对齐。两个原因，第一是AIGC产品领域是最近才有的，没有人是经验充足的，这意味着你业务上不会的，产品经理也不一定会；第二是很多AIGC产品经理并不理解大模型的边界，如果不把主动权掌握在算法手中，往往会得到一些无法迭代也实现不了的目标，因此算法需要及时补位。要充分对齐原因在于，最终要所有人一起来背这个业务指标，所以你的迭代思路需要大家是Align的。
   3. 目标制定和指标拆解过程要考虑受众。算法迭代要依赖产运给出体验上的反馈，验证实际做的算法优化是否真正有效果。比如，对于ChatBot类型的产品，这个指标是采纳率，你的拆解是，采纳率→helpfulness→更准确的few-shots→相关文档召回的F1 score。对于更靠前台链路的产运，对齐到Helpfulness就可以了。剩下的可以在要求clarify的时候再深入讨论。
   4. 从解决问题的视角做模型优化。大模型确实解决了很多问题，但落地的时候一个大模型不能解决所有问题。做完指标拆解，到内部技术设计的时候，可以多尝试技术选型，并设计一些算法迭代的中间量。
   5. 做大模型的基础研究要慎重，两个原因，第一，大模型是一门实验科学，模型本身能力的提升需要trial and Error，需要非常多的时间和精力，能否在当前的环境下做，必须要做好充分对齐；第二，大模型训练耗费的资源非常多，且不一定能成功。要提前做好规划，一旦效果不符合预期，如何确定自己在Job market上的定位。

随机写到这里，剩下的想到接着写