# 一个顶级 AI 产品经理的自我修养 | 对谈光年之外产品负责人 Hidecloud

> 42章经 精读

- 发布日期：2024-03-30
- 主持：曲凯
- 原节目：https://www.xiaoyuzhoufm.com/episode/6607a6961519139e4f7fd8a5
- 网页版：https://42zhangjing.qiaomu.ai/ep/6607a6961519139e4f7fd8a5.html
- 精读字数：约 10025 字（阅读约 22 分钟）

> 本文为 42zhangjing.qiaomu.ai 基于节目转写的 AI 整理精读，不是逐字稿；引用请注明出处并链接网页版。

去年三月，张涛做了一个决定：离开做了近五年 SaaS 的公司，全职进入 AI。他入行时做的是塞班手机上的应用，算移动互联网最早的一代产品人，此后从 C 端产品设计一路做到神策的客户成功与咨询业务。按他自己的说法，这是他从业以来看到的、移动互联网之后最大的一次行业变化，所以「毅然决然就 all in AI 了」。

到录这期播客时，他 all in 了七个月，身份是光年之外的产品负责人，网名 Hidecloud 在圈内更出名。主持人曲凯认识他，是因为多年前看到他在神策写的一篇招聘 JD，觉得这个人擅长把复杂问题解构，能融通技术与产品。这期节目聊的就是这七个月的实践：开源社区跑到了哪一步、为什么市面上迟迟没有好产品、AI 产品经理到底该怎么招怎么学，以及一个产品人该怎么亲手摸到模型的能力边界。

节目里没有宏大叙事，多的是具体的实验、具体的论文、具体的失败。Hidecloud 讲了自己搭的一个小 demo 如何让他第一次意识到人类情感有多容易被 hack，讲了在 ComfyUI 里改参数比跟工程师来回沟通快多少，也讲了为什么他判断「让用户拿着手机一直打字」的产品形态走不远。

## 先做出来的，是一个给小孩画画的产品 0:01:20

光年之外最近发布的产品叫「嘟嘟波」，面向儿童的绘画工具。小朋友随手涂鸦，产品把涂鸦自动优化成一张相对精美的画面，目的是激发孩子的创造力和自信心，随便画点什么都变得很好看。

这个产品里有一个 Hidecloud 很在意的设计取舍。市面上已有的涂鸦增强产品，大多要求用户先写一段 prompt 再生成。但目标用户是五到十岁的小孩，让他在动笔之前先想清楚要画什么、再写成提示词，完全不现实。嘟嘟波的做法是直接动笔画，不需要先想。从开始做到上线，只用了两三个星期。

速度背后是他对模型能力边界的熟悉。曲凯问他，这半年实际做下来，和当初的想象有什么区别。Hidecloud 的回答从开源社区讲起：一开始行业里普遍认为只有最顶尖的公司才能拥有最顶尖的模型，还有种说法是闭源模型永远领先开源模型。但他自己的实践感受是，开源社区最近半年的进展「异常的夸张」，他天天看 paper、天天测 demo，每个星期都像过节。

他的态度很直接：就算闭源的某家公司能力更强，so what？如果开源社区在多模态领域已经有足够好用的能力，为什么一定要追求最强的模型？曲凯打了个比方，这些开源模型和算法就像产品经理的弹药库，别人有原子弹也无所谓，平时用不上，够用就好。

## 弹药库里有什么：从 7B 本地模型到毫秒级出图 0:04:36

Hidecloud 盘了一遍他常用的东西。语言模型方面，主流的两个开源方向是 Llama 2 和 Mistral，市场上大部分 fine-tune 版本都基于它们，做 fine-tune 或 LoRA 已经能满足很多目标任务。如果使用场景明确、prompt engineering 做得好，甚至不需要最大的版本。他自己经常在 MacBook 上跑一个 7B 的 Llama，很多本地任务完全够用。

视觉语言模型方面，他提到 LLaVA，基于 Llama 的视觉语言模型，用来做图片描述，细节程度让他意外。有时候模型描述出图上的某个细节，他倒回去看，发现图上真的有。图像生成方面，去年 Stable Diffusion 生态里两个重要工作是 ControlNet 和年底的 LCM（Latent Consistency Model）。LCM 解决的是效率：以前哪怕用 4090 跑一张图也要以秒计，至少十秒，用了 LCM 之后可以压到毫秒级。

很多人把这件事理解成单纯的速度提升，Hidecloud 不这么看。**当时间从十秒级变成毫秒级，量变就产生了质变。**去年年中想做绘图增强类产品，最大的尴尬是每次生成要等十几二十秒，交互上根本走不通。谁能想到半年时间就能做到毫秒级出图，产品里的想象空间一下就大了很多。

声音反而是他认为现在最成熟、但大家关注最少的领域。ElevenLabs 的大部分功能，语音生成、情感语气表达、声音克隆，开源社区现在都有对应方案。视频方面，过年时最火的 Pika，用到的模型能力大部分在开源社区都具备，缺的只是界面包装和模型之间的微调。

曲凯追问，如果今天再做一个妙鸭，会有什么变化。Hidecloud 说变化太大了：当时要排队几个小时生成一个 LoRA，现在用小红书的 InstantID 或者腾讯的 PhotoMaker，一张图就行，实时出图，交互完全不同；成本下降之后，定价和商业模式也会不一样。

## 武器这么多，为什么还没有好产品 0:08:08

既然工具已经这么齐，为什么过去半年没有出现类似妙鸭那样迅速火起来的产品？Hidecloud 的观察分两层。

第一层是认知。上个周末他做了一场 AI 行业分享，听众已经是行业里比较顶尖的一批产品人，彼此认识七八年上十年。他讲的内容说到底是 AI 的一些基础理念，加上自己读 paper、做实验对图像领域的认知，但这些人仍然觉得是崭新的东西。这个反差指向一个事实：**行业里绝大部分人保持着兴奋和震惊，真正去理解工业界、学术界进展的从业者是极少数。**这东西火了一年，真正入行搞 AI 的人很少；入了行的人里，能跟上每个月技术进展、说清楚新模型能力边界和原理的，更少。

他引用王小川交流时提的一个概念：上一代产品经理解决的是 PMF，product market fit；现在还要先解决技术跟产品的 fit。这也是他认同的说法。

第二层是产品本身太薄。Hidecloud 用「model as product」形容当下多数产品：模型的输入输出基本决定了整个产品的交互，模型占九成，产品自己的系统占一成。未来产品会越做越深，模型比重可能降到六成、五成、三成，团队里也许会出现一个偏中台的角色，谁有需求提给他，他都能用 AI 解决。但至少在当下，模型能力本身对用户来说就像变戏法，很新鲜、很有价值，产品经理如果不理解这个能力边界，就很难把它和用户需求连起来。

他见过典型的大厂团队：产品一家、模型一家、工程一家，三方隔空对话。产品不知道模型能干什么，只能大概提一个需求想象；技术同学也不清楚产品到底想满足什么用户需求。这种割裂反过来解释了为什么现在很多好产品是小团队做出来的，产研之间的配合范式必须非常紧密。

另一个阻碍是竞争环境。现在的互联网不是二十年前的互联网，用户在效率和娱乐上的需求都更深，不是单一刺激就能满足。你竞争的对手不是另一个模型，可能是抖音，可能是 Office。**如果抖音是一百分，十个 AI 产品在竞争，最低三十分、最高五十分，你赢了所有人也赢不过抖音。**

但他也看到好苗头。两个前同事做的产品，一个是在美国做教育场景的 Answer.ai，一个是 AI PPT，留存都不错。细看会发现它们不是单纯的 model as product，上面有很多其他设计。现在的产品比较两极：一种九成是模型、一成是产品功能，大家觉得薄，往往火一下就没消息；另一种像 AI PPT，九成是互联网产品的东西，只有一成用到 AI。大家期待的中间态，一半模型一半产品，既有一些神奇能力又不显得薄，目前还不多。

Hidecloud 不太喜欢在这种事情上急着下定义。从历史看，开发形态和产品工作方式是被行业演进、被市场和用户牵引出来的，不是规划出来的。

## 要不要自己训模型：需要操纵模型的能力，不需要从零预训练 0:14:48

曲凯抛出一个更底层的问题：未来大模型产品是不是端到端分离的，做应用的公司需不需要一定有自己的模型、一定要自己训模型？

Hidecloud 说最近已经有相对成型的想法。**做应用的团队不一定非要从零 pretrain 一个模型，但一定要具备操纵模型的能力。**所谓操纵，是根据业务需求用不同的数据去重新引导模型，不管是全参微调、LoRA，还是模型裁剪、蒸馏，这些能力要有；从零预训练的能力，不需要有。

曲凯顺着推演了两条线。如果模型占比高，那训模型能力强的人产品表现更好，几个大模型公司拿了那么多钱，随便招几个人做产品矩阵就行，现在也确实有人这么做。如果模型占比小，那传统大企业加 AI 更有效。眼下实际看到的就是这两条线在并行：一条是传统大公司加 AI，一条是赌模型、在模型之上做应用。中间创业公司做产品能做成什么样，以及移动互联网那样「所有东西重做一遍」会不会发生，是当下最不确定的事。

Hidecloud 用移动互联网的历史回应。那时候大家一开始最容易想到的是做一个移动的 Google、移动的淘宝，最后发现真正的移动 Google、移动淘宝都是它们自己做的，没有被别人取代；真正起来的是抖音、小红书，这些在 PC 时代不存在的东西。所以 AI 不一定什么都要重做一遍，很多使用场景是随着模型渗透率提高，涌现出以前完全没出现过的需求。

## 人类情感太容易被 hack 了 0:17:14

曲凯问，试了这么多方向，有没有看到苗头。Hidecloud 说长线看，两三年这个尺度，他最看好 Character.AI 这类情感陪伴、角色陪伴场景。

原因来自一个他自己做的实验。GPT-4V 刚出来、能识别图像的时候，他做了一个很简单的 demo：读取手机里最近的几张照片，把照片内容理解成图片描述，再把文字输给另外几个用 GPT 做的 agent，每个 agent 设定不同人设。一开始人设都是朋友或粉丝，看到图片就像朋友在朋友圈里评价、留言。后来他觉得光夸没意思，又写了两个黑他的、故意讽刺嘲讽的，再写两个会根据黑子内容帮他辩驳的。

整个过程是他设计的，人设是他写的，pipeline 是他搭的，他是全知全能的上帝视角，理论上对输出内容应该有预期，不应该被打动。但他讲，第一次跑通那个 workflow，看到有人在内容下面讨论黑他、有人维护他的时候，内心真的被扯动了。

> 我作为一个全知全能的上帝视角，我都无法避免会被这样的文字所影响我的情绪。

那一刻他意识到，人类情感太容易被 hack 了。一个普通用户不知道背后原理，甚至可能觉得是真人，也可能知道不是真人，但人非常容易对某个东西产生情感依赖。这是非常底层、共通的需求，所以基于 AI 的陪伴一定是个大机会。

曲凯补了一个观察：现在市面上做陪伴的产品大多很简单，就是直接对话，偶尔加个图片生成，复杂度很低。哪怕以现在的技术和能力，也能往里加很多东西。Hidecloud 说他见过加数值系统的、加视频的、加语音多模态的，但都没有特别跑起来，很大一个原因是成本。

他提到一个数据：跟踪了 Character.AI 半年的付费数据，那个人群的续费率有 94%，非常稳定。问题在于人群规模有限，很难破圈。所以要说一个更通用的点，行业现在还没有找到；但对某些具体人群，AI 产品已经有了不可替代的价值。

## 成本是绕不过去的坑 0:20:42

Hidecloud 说这几个月踩的坑，第一个就是成本。以前做互联网创业，工程开销在总成本里几乎可以忽略不计；AI 产品完全不一样。他接触的一些团队做出来 demo 不敢放，放出来马上就烧光了。所以做 AI 产品，第一天就得做收费。

好消息是成本在快速下降。各家模型有了新的推理加速方法，infra 上有加速，模型本身有加速，工程上也有新的降本方法，三项叠加，再加上卡的供应和云 hosting 变多，整体降了很多。图像领域相比半年前降十倍是有的。但仍然不够，因为成本在降，需求也在涨：半年前聊十句出一张图就满足，现在用户希望一边聊天旁边有个动态图像一直在动，生成要求本身也变高了。

第二个坑是模型能力的成熟度。语言模型在他看来已经完全够用，只是用法上要开阔思路，不一定单模型打天下，不同任务可以拆到不同量级的模型上，简单任务用很小的模型就能解决，有时一个请求是多模型配合。视觉语言模型也不是障碍，更多卡在多模态那块，因为那是最刺激感官的，还需要三到六个月成熟。

他对今年的判断是：短期偏谨慎，中长期乐观，但今年 to B、to C 都会有现象级产品出来。

## AIGC 里被忽略的两件事：过程本身可以消费，大多数人只是来消费 0:25:04

嘟嘟波开发过程中有一个意外发现。工程师最初的想法是，除了画画生成图，还应该支持把生成的图直接拖回来，基于它继续创作。功能做出来之后，团队发现了一个新的嗨点：把生成图拖过去生成新图，再把新图拖过去，全程不画，只是不断自迭代，画面越变越美，细节越来越多，纹理越来越好，有时候能玩十几下。

这件事让 Hidecloud 重新理解 prompt。**prompt 不一定来自用户自己。**他去年七八月看了一堆产品后有个判断：很难想象两三年后，一款大规模流行的 AI 生产产品，主流使用场景是用户拿着手机一直在那打字。打字太消耗精力，成本太高。所以他当时就想做低 prompt 甚至零 prompt 的产品。把图拖过去生成下一张，几乎是零 prompt 的过程，娱乐体验却很有意思。

曲凯点出这里的产品经理视角：技术上完全可以自动迭代十轮，不用人拖。但嘟嘟波把每个 step 保存成一个 stack，可以撤销、重进，回头看整个过程，团队自己都玩得很嗨。**过程本身具备消费价值，而不是最终那张图。**这要求工程和产品结合得非常紧，你得理解整个运作原理，才知道哪一段中间过程可以抽离出来，让人以合适的方式参与进去。

第二个发现关于 AIGC 里的「C」。大部分人只盯着 generate 那部分，觉得产品魅力全来自生成动作。但 Hidecloud 意识到，generate 出来的 content，内容本身也具备消费价值。他由此推出一个判断：**AIGC 的消费场景不一定每个人都要来生成，可能是少部分人生成，绝大部分人消费。**

曲凯举了抖音上很火的范式：一句 prompt 生成一张图，再接一句 prompt，比如「一个火车站里挤满了人」，大家消费的就是这个过程。如果把 prompt 抽掉、只留图，其实没什么意思。他还临时想到一个玩法：把一张图分成九块，写九句话拼成一张图，像解谜拼图，反而好玩。

Hidecloud 补了实操层面的一个坑：AI 产品现在没有破圈，在普通用户里也是先锋用户才在用，所以运营和渠道非常重要。去年很多 AI 创业团队是研究员创业，CEO 做研究出身，对产品的认知停留在「把模型能力包装成界面让人用」，不习惯任何产品都需要推广运营。AI 产品并不因为自己是 AI，就天生高人一等、别人追着来用。曲凯由此推想，新的组织结构也许该是商业化运营的人在上、产品分成几个小组在下的形态，像黑客松一样几个人一组不断出产品。Hidecloud 说这个他之前没细想过，但听起来应该试一试：单个产品生产成本这么低，如果有好的渠道运营团队快速 deliver，试错效率会高很多。

## 招人：十个人里九个没动手做过 GPTs 0:32:25

说到招 AI 产品经理，Hidecloud 说样本太少，没法总结偏好，聊到合适的就还行。现阶段首先看热情：常见的 AI 产品要用过，能说出它怎么改变了自己的工作、学习和生活。这部分跟上一代产品经理的要求类似，但面试中很难达到。

他举了个类比：以前面试会问「微信哪几个点做得不好」，现在可以问「ChatGPT 哪几个点产品上做得不好」。如果深度用过，一定有很多小技巧，prompt engineering 也好、提问形式也好，日常积累很多。但面试下来，大家的体验深度非常浅。

曲凯问，平时练产品经理，有没有创建过自己的 GPTs，Hidecloud 说十个人能刷掉九个。大家还是不太愿意动手，喜欢看别人输出，但自己一动手，信息量比看十篇文章都大。

曲凯让他对比十年前的候选人。Hidecloud 说现在聊的一些应届同学和年轻同学，方法论和视野都比较高，分析行业头头是道，但问具体产品细节、客户需求、市场感觉，会差一些。曲凯调侃这像投研报告，Hidecloud 说还是因为行业更成熟了。他提到早年张亮做 Apple4us 那批人，觉得现在更像那个时候：很少的一小撮人聚在一起。他自己常有这种感受，天天泡在环境里觉得世界翻天覆地，一出来交流发现世界还在原地踏步，大部分人要等实际产品出来才动。

## 产品和技术怎么分工：ComfyUI 把中间层拿走了 0:34:33

Hidecloud 分享了在文生图领域摸索出的一个新配合范式。Stable Diffusion 生态里有两个出名的 WebUI，一个是 Automatic1111，外面培训课卖的大多是这个；另一个是 ComfyUI，因为自定义需求高，他主要用后者。ComfyUI 可以理解成由大量节点组成的 workflow，按需求搭好，有固定 input（一段文字或一张图），输出一张图，整个 workflow 可以直接导出成 API。

这跟以前的开发方式差别很大。以前产品经理梳理业务流程和想要的效果，然后跟算法、工程师沟通，大家研究出工程上先这样再那样，最后输出图，产品经理只管到效果为止。现在这套走不通：技术更新太快太新，模型在生产过程里有很多参数细节要调，才能得到想要的效果。还按老模式沟通，产品表达需求、研发实验、一看不对再改，反馈回路太长。

现在他自己在 ComfyUI 里改，效果不好就改个参数再跑，反馈是实时的。很多以前依赖后端实现的业务逻辑，现在搭一个 workflow、一个 pipeline 就解决了。往后推，产品经理的自然语言可以通过某些工具直接变成 workflow 形式，或者借助语言模型变成业务逻辑的可视化 pipeline、某种标记语言。业务逻辑的一部分会由产品和运营自己定下来，工程更多关注并发、QPS、性能、扩展。**后端变得更后端，前端变得更前端，中间的核心逻辑很多被产品经理解决掉。**

曲凯问，现在有人说下一代一定是懂技术的产品经理。Hidecloud 认为这是阶段性机会。行业太早期，有技术视野有助于高效理解新模型形态和能力边界，但不是必须前提。他上周讲课，很多没有技术背景的同学听完也能理解，只是以前没想到自己可以读得懂 paper，大家抗拒这件事。为什么说是阶段性机会？因为这两年懂原理和不懂原理差太多，很多 best practice 还没变成常识，先理解的人有优势。过两三年所有东西都成了常识，产品经理不一定非得懂技术。

## 从 Diffusion 原理重想推荐系统 0:38:54

Hidecloud 在那场两小时的分享里，前半段讲 Stable Diffusion 的技术原理和生态，后半段讲产品经理怎么学 AI。他总结了三个方面，第一个不是方法，是感悟：理解原理之后，对产品形态的认知会不一样。

他举了 Diffusion 的例子。模型从完全随机的噪音出发，通过不断降噪，提取出有信息、有价值的图像。可以设想一个代表全世界所有概念的二维平面空间，模型从里面取一个点，还原成图像。由此他重新想推荐系统：以前做推荐是不断刻画用户画像，现在数据足够，画像能刻得很准。真正麻烦的是，在确定的向量空间里，用户的喜好是一个圈，拿这个圈去内容库里匹配，虽然画像精准，却没有合适的内容可推，因为内容供给相对稀疏，散落在各处。以前的推荐谈不上真正的精准，你喜欢什么，我恰好有个内容靠近你的喜欢，第一个最靠近，下一个越靠越远。

理解了 Diffusion 的原理，未来可以换一种做法：先描绘出你喜欢什么，在你喜欢的那个空间里，空间是可以无限展开的，展开里每一个微小的点背后代表的图像、视频、文字、音频，都可能是你喜欢的东西，而这些东西不需要先在内容库里准备好。**只要能描绘一个人的喜好，就能提供近乎一个人一辈子能消耗的无限内容供给。**不理解技术底层原理，就没法这样重新思考搜索和推荐。

第二个感悟关于创造的价值。他越理解原理越觉得，现有生成方式大量依赖已有数据输入，所谓创作其实是已有数据的组合，比如素描风格加梵高风格，输出的是两点之间的一个点。在二维空间看两个点之间很挤，但在更高维的空间里，这种中间点并不会让空间变紧密，仍然稀疏。庞大的多维空间里还有大量空白和未知，那些是 AI 很难想象、很难决裂出来的，那部分就是人类创意的所在。电影画面怎么切、色彩怎么配、镜头怎么转，全是创意。危险的是在已有创作基础上做重复劳动，复刻一张画、照着一个风格再来一个，这些会很快被替代；真正的创作会越来越有价值。曲凯补充说看过一篇文章统计 AI 出来后招聘 JD 的变化，反而招设计师的工作变多了，因为还是需要设计师去生成图。

## 学 AI 的三个动作：读 paper、动手跑、泡在语境里 0:43:40

Hidecloud 给产品经理的学习建议，第一是坚持读 paper。Stable Diffusion 的发展史从 2020 年开始，三年时间信息量有限，八九篇经典 paper 串起来，整个原理就了解了。五年十年后很多事变成常识，懂和不懂区别不大；当下读 paper 带来的信息增值非常大，因为大部分人的认知是零，你读完了可能是二三，信息差非常充足，做判断时很有帮助。

曲凯提到最近有篇文章把萨姆·奥特曼所有访谈看了一遍，发现大家日常讨论的很多答案他早就讲过，只是没人去看。Hidecloud 说自己有信息洁癖，不喜欢看二次咀嚼的东西，只要能找到原文和信息发生的地方，就去看原始思考。找 paper 的办法是关注几个好账号，比如 Andrej Karpathy，把自己泡在那个语境里，看到有兴趣的就读，一天两三篇。他把论文分两类：范式型创新细读，雕花型快读，只找它到底在雕什么、用什么方法提升了几个点。

他举了一个读 paper 直接带来收益的例子。去年底 StreamDiffusion 那项工作，在单张 4090 上把 Stable Diffusion 跑到每秒一百多帧。半年前 4090 跑一张图还要十秒，现在一秒一百多帧，千倍的速度进化。如果只看公众号，可能只看到「直播已死」这种标题；但 paper 标题写得清楚，是 pipeline level 的优化。Stable Diffusion 不是一个单一模型，而是一个框架，里面有 CLIP 做文本控制、有 VAE 的 encoder、有 diffusion model 本身，从头到尾这条 pipeline 才是优化对象。方案不是提出新模型方法，而是在整条 pipeline 上做优化。他自己做生图产品，没能力改模型、训模型，但优化 pipeline 是传统工程问题。paper 里提了六七个优化点，他一看，这个能用、那个也能用。细读会发现很多优化点是上一代互联网产品的工程技巧：怎么做扩展、怎么空间换时间、内存换速度。

第二个动作是上手体验。完全不会写代码，可以去 Hugging Face 这类平台找免费 demo，大部分 paper 发布时也会配 demo，跑在作者服务器或 Hugging Face 上，GPU 都不用自己租。有条件就在本机跑：Windows 配 NVIDIA 显卡，或者 Mac 的 M 系列芯片加 32G 内存，7B、13B 的语言模型做完八位量化跑起来没问题。他讲第一次在本地把大模型跑起来，看到自己的电脑开始吐字，那种感受像 hello world 一样震撼。你日常用了那么多年的电脑，一直以为它的能力边界就是那些事，它突然开始吐字，对产品人来说会刺激出很多新的想象空间。

再进一步，会一点代码能力，会 git clone、会装环境、会跑一跑，就直接跑 demo，或者在上面 build 自己的小实验。这个过程里才能 get 到，一个模型并没有想象中运营起来那么简单，中间有很多环节，数据、参数，每一个问题的解决都可能是潜在的产品机会。他举了声音克隆的例子：你说一段一分钟的话让我克隆，并不是直接就能克隆的，那一分钟要做七八步预处理，普通用户根本搞不定。**我搞不定，这不就是机会吗？**如果能把数据预处理整个做了、训练过程搞定，直接 deliver 最后的效果，这就是一个机会。不自己体验，既感受不到结果出来的奇妙一刻，也不知道中间还有哪些障碍。

> 因为这个行业太早期了，你做点小小的微小的工作，他都能给你带来非常大的回报。

## 七个月前是信仰之跃，现在是信心更足 0:54:40

节目最后，曲凯问，今天的你和去年四五月、六七月相比，核心的区别和变化是什么。

Hidecloud 说首先是基础原理的理解。现在对于很多事情能不能做、怎么做，心里有数。录节目当天中午他刚跟行业里一位大佬聊完，对方来问他们的 AI 产品该怎么弄，他发现对方讲的那些问题，他基本都知道背后原因，也能告诉对方怎么解决。去年他很难想象自己能这样。这一方面跟自己学习有关，另一方面跟行业进步有关，慢慢有一些 best practice 出来了，问题就该这么解。

另一方面是信心。去年还是抱着一种信仰之跃的感觉，现在信心更足，他更确定自己没有看错：**这确实是移动互联网之后，十几年来第二次大机会。**

把整期节目串起来，Hidecloud 给出的 AI 产品经理画像其实很具体：能读懂 paper、能自己搭 workflow 改参数、能在 Hugging Face 上把 demo 跑起来、能从模型原理反推产品形态，还得承认运营和渠道是产品的一部分。这些动作没有一项需要从零训模型，但每一项都在缩短「理解能力边界」和「把它变成产品」之间的距离。

对读者来说，最可执行的建议可能就一条：别停在看文章和讨论上。去 Hugging Face 找一个感兴趣的 demo 点开，或者在自己电脑上跑一个 7B 模型，再或者花半小时创建一个自己的 GPTs。Hidecloud 在节目里反复说的那件事，动手一次的信息量，比看十篇文章都大。