AI 产品开发需要“自下而上”的方法
作者：微信文章核心主题：Anthropic CPO Mike Krieger 在 AI Ascent 2025 上分享的 AI 产品开发洞见
这份文档记录了 Anthropic 首席产品官 (CPO) Mike Krieger（Instagram 联合创始人）在 AI Ascent 2025 峰会上的谈话内容。Krieger 分享了关于 AI 产品开发、组织变革以及未来技术方向的深刻见解，主要围绕以下几个关键点：
AI 产品开发需要“自下而上”的方法 (Bottom-Up Approach)：
与 Instagram 时期“自上而下”、有计划的 3-6 个月开发周期不同，AI 产品开发需要更灵活、更贴近模型的方式。
原因在于模型能力的涌现和不确定性：模型能做什么往往在开发后期才变得清晰。
最佳产品通常源于对模型能力的直接探索和快速原型验证。
例证：Anthropic 的 Artifacts 功能 最初就是一个研究原型，后被设计师和工程师采纳并迅速推向生产环境。
Model Completion Protocol (MCP) 的诞生：解决实际问题而非宏大愿景
MCP（一种已成为行业标准的协议）的起源是解决内部工程效率问题。
工程师们在为不同工具（如 Google Drive, GitHub）做集成时，发现重复造轮子，缺乏通用模式。
两位工程师识别出共性，创建了 MCP 来解决这个问题。
这个内部解决方案随后演变成开源协议，并被微软、亚马逊等公司广泛采用和贡献。
AI 加速暴露组织效率瓶颈：
AI 编码工具极大提高了开发速度，但这反过来凸显了产品组织中其他环节的低效（如冗长的对齐会议、决策流程）。
当 AI 能在短时间内生成大量代码时，低效的会议或决策过程阻碍的“生产力损失”被显著放大（从阻碍 1 小时工程工作变成阻碍相当于 4-8 小时的工作）。
这迫使团队重新思考决策和协调方式。虽然 AI 可以辅助会议记录和准备讨论，但目前还不能驱动组织决策。
Agent-to-Agent 交互的未来：
Krieger 指出了 MCP 等协议发展的两个关键方向：
执行操作 (Taking Action)： 让模型不仅能理解上下文，还能自主执行任务和流程。
智能体间交互 (Agent-to-Agent)： 探索智能体之间如何协作、沟通甚至“雇佣”彼此，形成一种“智能体经济”。
这带来了复杂的挑战：
身份与辨别 (Identity & Discernment)： 如何让模型在不同交互场景中做出恰当的判断（例如，何时可以安全地分享信用卡信息给另一个智能体）。
可审计性 (Auditability)： 如何追踪和理解智能体间的复杂交互。
算力分配是核心挑战 (The Compute Conundrum)：
计算资源（算力）的分配决策对 AI 实验室至关重要且充满权衡。
实验室必须不断评估：当前算力状况、下一代算力规划、合作伙伴选择。
核心的研发权衡在于：有限的算力是投入在强化学习 (RL)、解决具体客户用例，还是用于下一次大规模预训练 (pre-train)？
成功的产品会消耗大量推理资源，这可能挤占用于研究的算力，形成矛盾。
AI 的可用性鸿沟 (Making AI Accessible)：
尽管 AI 能力飞速发展，Krieger 认为当前 AI 产品对大多数新用户来说非常难用。
如何让 AI 像 Instagram 那样提供直观的首次用户体验（例如，“打开应用就知道该做什么”）是一个巨大的挑战。
弥合模型能力与用户实际有效使用之间的差距，是 Krieger 非常关注的问题。
AI 使用的常态化 (Normalization of AI Usage)：
即使在 Anthropic 内部，AI 的使用也在经历社会态度的转变。
例如，在绩效评估季，员工公开使用 AI 工具来撰写初稿草稿。
这种公开使用有助于打破使用 AI 的“污名化”，类似于早期 Midjourney 的使用情况。
社会如何学习将 AI 融入工作流程仍处于非常初级的阶段。
Anthropic 的未来方向：
Anthropic 的重点是让模型能够长时间工作（“work for hours at a time”）。
这需要开发关键能力：
记忆 (Memory)： 模型需要记住上下文和历史交互。
高级工具使用 (Advanced Tool Use)： 更复杂地调用和执行外部工具。
组织自引导 (Organizational Self-Onboarding)： 模型能自主适应和融入组织的工作流程。
Krieger 强调了 AI 发展的惊人速度（例如，发布仅几个月的 Claude 3 已被视为“旧”模型）。
总结：
Mike Krieger 的谈话核心在于强调 AI 产品开发需要根本性的思维转变——拥抱不确定性，贴近模型能力进行自下而上的创新。他通过 MCP 和 Artifacts 的案例展示了这种方法的成功。同时，他指出了 AI 带来的组织挑战（暴露低效）、技术前沿（智能体交互）、核心资源瓶颈（算力分配）以及关键的用户体验问题（可用性）。最后，他描绘了 Anthropic 致力于让 AI 成为能长时间、自主工作的强大助手的愿景，并承认整个领域的发展速度令人惊叹。他的见解为理解领先 AI 公司如何平衡研究、产品和资源分配提供了宝贵的窗口。
页:
[1]