Всем первопроходцам и прагматикам, которые упорно продолжают свои поиски в волне предпринимательства в сфере ИИ:
Если вас когда-либо привлекала лаконичная сила «первых принципов» и вы пытались использовать её для преобразования отрасли, то за последние два года вы наверняка стали свидетелями или лично испытали то чувство разочарования, когда от высоких идеалов спускаешься на землю реальности.
Проблема может заключаться не в духе стремления к сути, а в том, правильно ли мы понимаем суть «сложных систем».
Когда несводимая интерактивная сеть делового мира встречается с моделью мышления, пытающейся свести всё к базовым единицам; когда зависимость и замыкание технологических путей встречаются с идеальным проектом «расчёта с нуля» — разрыв между ними и есть та пропасть, в которую пали многие идеалисты.
Что такое «первые принципы»?
Когда мышление Маска о Марсе встречается со сложной деловой почвой Китая, почему одна и та же методология грохочет в аппаратной сфере, но молчит в программной экосистеме? Правильно ли мы понимаем истинный дух «первых принципов»?
Так называемые «первые принципы» впервые были возведены на пьедестал Маском и стали крылатым выражением для бесчисленных предпринимателей и новаторов. Их основная привлекательность заключается в чистоте, сродни физике: отбросив все существующие и общепринятые практики, вернуться к самым базовым условиям вещи, разложить её на наиболее фундаментальные элементы, а затем реконструировать и инновировать от самого источника.
В областях ракет и электромобилей победа этого инженерного мышления ошеломляет — оно напрямую сталкивается с физическими законами и производственными затратами и действительно достигло прорывов. Однако когда это мышление неизменно возводится в золотое правило делового мира, особенно когда применяется к предпринимательству в сложных системах, таких как ИИ, начинается опасное упрощение.
Проблема прежде всего возникает из фундаментального различия в измерениях.
Физический мир в значительной степени сводим, его переменные относительно ограничены, а причинно-следственные связи более прямые.
Вы можете рассчитать тягу ракеты и прочность материала, можете разложить химический состав и стоимость батареи.
Но деловая экосистема, особенно современная деловая экосистема, движимая цифровыми технологиями, является типичной сложной системой.
Она полна несводимых «эмерджентных» свойств: взаимодействия бесчисленных индивидов (пользователей, разработчиков, конкурентов, регуляторов) порождают макроструктуры, которые невозможно предсказать из поведения какого-либо отдельного индивида.
Здесь нет единой «фундаментальной частицы»; здесь есть динамичная, переплетённая сеть. Применять мышление, используемое для сводимых физических систем, напрямую к несводимой деловой-социальной системе — это равносильно использованию ньютоновской механики для объяснения паники на финансовом рынке — его односторонность и риск присущи ему по определению.
Так мы видим широко распространённое неверное прочтение: многие предприниматели превращают методологию «первых принципов» в лозунг, рассматривая её как «карту выхода из тюрьмы», позволяющую обойти всю сложность. Они верят, что могут игнорировать существующий промышленный ландшафт, привычки пользователей и сети сотрудничества и с превосходным техническим решением или более «сущностной» концепцией перевернуть всё с нуля.
За этим стоит чрезмерная уверенность в «рациональном проектировании», игнорирующая мощную самоорганизацию и зависимость от пути, присущие самой системе.
Это мышление особенно заметно в буме предпринимательства в сфере ИИ и особенно склонно к провалу.
ИИ не работает в лабораторном вакууме; он должен быть встроен в существующую социально-экономико-технологическую систему, чтобы создавать ценность. Типичная дилемма — «зависимость от технологического пути и замыкание экосистемы».
Например, даже если ваш алгоритм более элегантен и эффективен с точки зрения «первых принципов», если он несовместим с текущими основными фреймворками разработки, не может использовать существующую массовую вычислительную инфраструктуру или его трудно подключить к экосистеме данных, монополизированной гигантами, то его коммерческие перспективы сразу померкнут.
Сам путь развития OpenAI является прекрасным контрпримером: он не перевернул Google с самого начала с помощью идеального проекта «первых принципов», а прошёл сложный процесс от некоммерческой к ограниченно-коммерческой организации, от открытости к частичной закрытости, а также непрерывных проб и ошибок и эволюции в технических направлениях (например, от обучения с подкреплением к брутфорс-большим моделям). Это история непрерывного взаимодействия, адаптации и игры со сложной экосистемой, а не проект, разработанный чисто с нуля.
На китайском рынке эта сложность усугубляется уникальным слоем «неявных ограничений».
Сильная регуляторная среда означает, что политика является ключевой переменной, которая должна быть интернализована в бизнес-модели, а не внешним возмущением. Уникальные пользовательские привычки (такие как зависимость от суперприложений и различия в компромиссах между конфиденциальностью и удобством) формируют совершенно иные формы продуктового спроса.
Глубоко укоренённые сети цепочек поставок и промышленные кластеры означают, что аппаратные инновации должны учитывать сопряжение с существующей производственной системой, а не простое замещение. Это не декорации, которые можно легко «разобрать» и «перестроить»; это жёсткие структуры, формирующие пространство предпринимательских возможностей. Здесь мышление «с нуля», игнорирующее экосистему, с большей вероятностью натолкнётся на невидимые стены.
Следовательно, заблуждение поклонения «первым принципам» заключается не в духе принципа, стремящемся к сущности, а в его упрощённом применении без благоговения перед «сложными системами».
Оно пытается использовать инструменты мышления, предназначенные для ограниченного числа переменных и линейной причинности, для работы с реальным миром бесконечных переменных и нелинейных взаимодействий. Когда ИИ-предпринимательство попадает в эту ловушку поклонения физике, результатом часто становится не прорывная победа, а трагический провал из-за неуместности в реальной бизнес-экосистеме.
Настоящая задача заключается в том, как объединить мышление, стремящееся к сущности, с мудростью, принимающей сложность.
Фундаментальное различие между аппаратным и программным обеспечением
Успех Маска был чрезмерно упрощён.
Люди видят, как он снижает стоимость батарей и реструктурирует ракетное производство, и предполагают, что «первые принципы» — это универсальный ключ, способный открыть любые бизнес-проблемы. Но это мышление имеет серьёзно упускаемую границу применимости: аппаратное и программное обеспечение следуют двум принципиально различным базовым логикам.
Мы можем понимать области, где доминирует аппаратное обеспечение, как «конвергентную систему».
Будь то электромобили или многоразовые ракеты, ключевые задачи в конечном итоге сводятся к ряду чётко определяемых физических законов и инженерных проблем: плотность энергии, прочность материалов, аэродинамика, стоимость производства. Хотя эти переменные представляют собой огромные вызовы, их природа и взаимосвязи в значительной степени известны и измеримы.
Успех Tesla по сути является предельной оптимизацией и системной интеграцией известных переменных в рамках набора строгих физических и стоимостных ограничений. Здесь физические законы неоспоримы, очерчивая относительно чёткую и вычислимую траекторию для инноваций. Вы играете со сталью, химией и ньютоновской механикой; правила противника неизменны.
Однако как только вы входите в области, ориентированные на программное обеспечение и экосистемы, особенно в коммерческое применение искусственного интеллекта, правила игры претерпевают фундаментальный сдвиг. Это уже не «конвергентная система», а «дивергентная система».
Ваши противники — уже не молчаливые физические законы, а «люди», полные неопределённости: изменчивые предпочтения пользователей, склонности сообществ разработчиков, динамические реакции конкурентов, меняющиеся представления регуляторов.
Ключевая особенность этой системы — уже не оптимизация известного, а реагирование на «эмерджентность».
Сетевые эффекты создают монопольные барьеры из ничего, пользовательские привычки формируют привязанность, которую трудно мигрировать, а победа технологического пути часто проистекает из небольшого случайного преимущества на ранней стадии, которое затем резко усиливается системой.
Здесь оптимальное техническое решение часто проигрывает продукту, который случайно занимает лучшую экологическую нишу, но технически неоптимален. Вы не можете точно рассчитать конечную форму модели пользовательского взаимодействия или маховика данных, точно так же как не можете рассчитать плотность энергии батареи.
На уникальном китайском рынке ИИ сложность этой «дивергентной системы» также проявляется как раскол «двух путей».
Один путь — это лабораторная гонка за передовыми технологическими прорывами с ориентацией на новейшие мировые публикации; другой путь — это промышленный тяжёлый поход в поисках коммерческой реализации, поиска прикладных сценариев в заводских цехах, правительственных залах и трещинах суперприложений.
Между ними часто существует огромный разрыв.
Технология может привлекать огромное внимание на глобальных академических конференциях, но при этом быть совершенно неспособной интегрироваться в существующие промышленные цепочки Китая, правила управления данными или готовность потребителей платить. Именно этот разрыв труднее всего понять и преодолеть «первым принципам» чистого аппаратного мышления. Оно не может включить в свою исходную расчётную модель такие «нетextnические ограничения», как политические тренды, местный протекционизм и разрозненность данных, в качестве базовых переменных.
Это создаёт огромные риски при переносе в другой контекст.
Нарратив «подрывных инноваций», зародившийся в Кремниевой долине, часто претерпевает глубокие мутации на китайском рынке.
Чистый технологический идеализм здесь часто нуждается в сочетании с глубоким «экологическим реализмом». Наблюдая за ростом ByteDance или Tencent, вы обнаружите мудрость, весьма отличную от деклараций в стиле Маска, — эволюционную мудрость, основанную на пробах и ошибках, обратной связи и быстрых итерациях.
Они редко заявляют о реконструкции отрасли с помощью физических первых принципов; вместо этого они остро воспринимают пробелы и зоны застоя трафика в существующей экосистеме, быстро адаптируются и встраиваются, подобно организмам, а затем, в свою очередь, преобразуют среду. Douyin не изобрёл короткие видео с помощью «первых принципов»; скорее, он нашёл точку взрыва на пересечении уникальной китайской инфраструктуры мобильного интернета, экосистемы создателей контента и развлекательных потребностей пользователей и взрастил её посредством точных алгоритмических операций.
WeChat от Tencent — это ещё в большей степени суперорганизм, который естественным образом вырос и непрерывно «эмерджентно» порождал новые функции в сложных социальных отношениях и коммуникационных потребностях.
Суть этой мудрости заключается в признании того, что в «дивергентной системе» программного обеспечения и экосистем вы не можете спроектировать окончательную форму в первый же день. Успех приходит от построения адаптивной организации, способной непрерывно ощущать среду, усваивать обратную связь и корректировать собственную структуру.
Тогда это уже не покорение физики, а симбиоз биологии.
Когда технологический идеализм сталкивается с экологическим реализмом, победителем часто оказывается не инженер с самым совершенным чертежом, а вид с наибольшей экологической адаптивностью.
В огромных и уникальных цифровых джунглях Китая понимание этого важнее, чем поклонение любой отдельной ментальной модели.
Структура стартапа в сфере ИИ в рамках мышления сложных систем
Итак, следует ли нам полностью отказаться от стремления к сущности? Не совсем.
Настоящая проблема заключается в базовых ментальных моделях, на которые мы опираемся.
Нам нужен уже не «физический первый принцип», подходящий для стабильного, редуцируемого мира, а «биологический первый принцип», способный справляться с динамической сложностью. Это не отрицание первых принципов, а глубокая смена парадигмы: от редукционизма к мышлению сложных адаптивных систем.
Его суть заключается в трёх ключевых когнитивных скачках.
Во-первых, это сдвиг от стремления к созданию совершенных решений в идеальном вакууме к поиску «ниши» в реальности, где можно выжить и развиваться. Вы должны сначала ответить: в существующем технологическом ландшафте, отраслевых альянсах и нормативных рамках где есть пробел, позволяющий вам прорасти, получить начальные ресурсы и построить защиту? Предпринимательство — это не построение утопии с нуля, а поиск вашего сочетания почвы, солнечного света и воды в существующем тропическом лесу.
Во-вторых, вы должны понимать силу «коэволюции» и отказаться от романтической фантазии об «одностороннем подрыве». Ваш продукт и технология будут коэволюционировать с привычками пользователей, конкурентами, поставщиками дополнительных продуктов и даже нормативными правилами. Ваш успех зависит не от вашей односторонней «подрывной силы», а от того, сможете ли вы инициировать и направить многосторонний, взаимовыгодный эволюционный процесс, подобный симбиотическим отношениям между кораллом и водорослями.
В-третьих, вы должны принять логику «эмерджентной адаптации», а не цепляться за чувство контроля «тотального проектирования». Вы не можете предустановить все детали и окончательную форму в первый же день. Правильный подход — построить начальную систему с базовыми адаптивными способностями, задать чёткие эволюционные правила и механизмы обратной связи, а затем посредством непрерывного взаимодействия с реальной средой позволить лучшим стратегиям, формам и моделям «эмерджентно» возникнуть самим. Вы проектируете правила эволюции, а не результаты эволюции.
На этой основе возникает новая архитектура принятия решений, содержащая как минимум четыре слоя, которые необходимо непрерывно отслеживать и с которыми нужно взаимодействовать. Самый
внешний слой — это «зондирование окружающей среды». В сфере ИИ это особенно означает, что вы должны моделировать уникальный китайский цикл политики в области ИИ как ключевую переменную.
Колебания политики — это не шум, а изменение климата, определяющее ландшафт игры.
В то же время ритм потоков капитала и колебания в структуре талантов вместе составляют макроскопические гидрологические условия, которым должно следовать предпринимательство. Двигаясь вглубь, следующий слой — это «анализ экосистемного уровня».
Вам нужно, подобно экологу, просканировать существующие открытые фреймворки, платформы облачных сервисов, цепочки поставок аппаратного обеспечения и API-интерфейсы крупных игроков — какой «технологический тропический лес» они образуют? Ваша инновация вынуждает вторжение в качестве разрушающего вида, или вы можете найти точку входа для «паразитизма» или «симбиоза», сначала получив право на выживание, а затем стремясь к развитию? Это определяет, наживете ли вы врагов со всех сторон на раннем этапе или сможете использовать импульс для движения вперед.
Только на основе вышеуказанного понимания вы можете осуществить «проектирование путевого уровня».
Суть здесь — построить «минимальную жизнеспособную экосистемную единицу» (MVE). Это не просто MVP для тестирования функций продукта, а проверка того, может ли ваше решение завершить минимальный замкнутый цикл в реальной экосистеме — может ли оно привлечь первоначальных пользователей, может ли оно установить обмен данными или ценностью с хотя бы одним ключевым партнером, и может ли оно сформировать устойчивый поток ценности в крошечном сценарии. Это надежная отправная точка вашего эволюционного процесса.
Наконец, это для всей организации — установить «механизм адаптационного уровня».
Это означает, что архитектура принятия решений должна быть гибкой и управляемой обратной связью, способной быстро переводить массовые сигналы из окружающей среды, экосистемы и путевой практики в стратегические и тактические корректировки. Ваш план — это не чертеж для строгого исполнения, а набор гипотез, требующих постоянного пересмотра.
Чтобы применить эту структуру в Китае, необходимо также умело использовать набор уникальных «инструментов переменных».
Первый — понимать и использовать логику двойного драйвера «правительство-рынок». Возможности часто появляются на пересечении отраслевых треков, направляемых национальной стратегией, и спонтанно формируемого рыночного спроса, например, конкретные сценарии в рамках «умного производства» или «умных городов».
Второй — умело использовать мощный эффект «кластера промышленной цепочки» в Китае.
Ваше преимущество в алгоритмах ИИ должно быть глубоко интегрировано с цепочкой поставок потребительской электроники в дельте Янцзы, возможностями быстрого прототипирования аппаратного обеспечения в дельте Жемчужной реки или кластерами индустрии услуг данных в регионе Пекин-Тяньцзинь-Хэбэй, чтобы быть кардинально усиленным и превратиться в трудновоспроизводимые преимущества в стоимости и скорости поставки.
Конечно, вы также должны глубоко понимать «полуоткрытый характер экосистемы данных Китая».
В пределах границ безопасности и защиты конфиденциальности, как найти соответствующие требованиям каналы для потока ценности между предприятиями, отраслевыми платформами и публичными данными — это само по себе является ключевой предпринимательской способностью.
Практические пути ИИ-предпринимательства в Китае
Основываясь на эволюционном мышлении, мы можем приблизительно определить некоторые практические пути ИИ-предпринимательства в Китае. Первая задача — четко распознать и избежать локализованного варианта «дилеммы инноватора».
Суть этой дилеммы заключается в слепом стремлении к лобовому технологическому противостоянию на общем уровне или на потребительской стороне перед лицом интернет-гигантов с массовыми данными, капиталом и шлюзами трафика.
Более прагматичный путь — реализовать тщательную стратегию дифференцированной ниши.
Это означает, что предпринимателям нужно отказаться от грандиозного нарратива «кого заменить» и вместо этого глубоко подумать о том, «какой неудовлетворенный пробел я могу заполнить, на который гиганты не могут быстро отреагировать».
Оглядываясь на путь ранних ИИ-компаний, таких как SenseTime и Megvii, их выбор пути заслуживает пересмотра. Они не пытались с самого начала построить совершенно новый цифровой мир, а в вертикальных областях, таких как безопасность и финансы, где существует жесткий спрос на технологии и традиционные интернет-гиганты не проникли глубоко, сначала стали незаменимыми «компонентами» существующей промышленной экосистемы, предоставляя ключевые возможности визуального распознавания. Суть этой стратегии — найти микроокружение с относительно независимым солнечным светом, водой и питательными веществами в тени гигантов и пустить там корни и вырасти.
Чтобы реализовать этот путь, необходимо твердо придерживаться трех прагматичных стратегических приоритетов для эволюции.
Во-первых, «глубина встраивания в сценарий» должна быть поставлена выше «чистоты технологической теории». Независимо от того, сколько у вас параметров модели или насколько впечатляющими являются ваши статьи, это не сравнится с повышением точности обнаружения на 0,5% на конкретной производственной линии и возможностью того, чтобы и рабочие, и руководители заводов могли использовать это решение без каких-либо затруднений. Глубокое встраивание означает понимание всех нетехнических ограничений сценария: рабочего процесса, систем закупок и компетенций персонала.
Во-вторых, стремление к «скорости совместимости с экосистемой» должно иметь приоритет над стремлением к «степени функционального разрушения».
Может ли ваше решение быстро подключаться к основным облачным платформам? Может ли оно быть совместимым с распространёнными промышленными протоколами? Могут ли существующие разработчики освоить его с минимальным обучением? Достижение «подключи и работай» в экосистеме часто имеет гораздо большую коммерческую ценность, чем «прорывная функция», требующая перевернуть всё и обучить рынок.
В-третьих, «плотность итеративной обратной связи» должна заменить одержимость «полнотой верхнеуровневого проектирования».
Не тратьте месяцы на проектирование безупречной окончательной архитектуры продукта. Вместо этого как можно скорее внедрите даже грубый минимально жизнеспособный продукт (MVP) в реальные сценарии и установите высокочастотный цикл обратной связи с коротким циклом. Реальные жалобы и потребности, полученные от пользователей на передовой и партнёров, могут направить правильное направление эволюции гораздо лучше, чем идеальный план в переговорной комнате.
Заглядывая вперёд на следующие два-три года, ландшафт предпринимательства в сфере ИИ в Китае продемонстрирует несколько чётких эволюционных тенденций.
С точки зрения коммерческой отдачи, «малые модели для вертикальных доменов» сформируют замкнутые циклы значительно быстрее, чем «универсальные большие модели». В таких профессиональных областях, как здравоохранение, юриспруденция и промышленный контроль качества, требования к конфиденциальности данных, предметным знаниям и надёжности чрезвычайно высоки, и универсальные модели часто оказываются недостаточными. Малые модели, оптимизированные для конкретных сценариев, с контролируемыми затратами и возможностью прямого встраивания в рабочие процессы, первыми достигнут масштабной выручки.
Конкурентный фокус приложений, созданных на основе ИИ, сместится от сравнения того, насколько функции круты, к измерению «близости к экосистеме». Это означает, что способность приложения органично интегрироваться в такие супершлюзы, как WeChat и DingTalk, а также эффективно взаимодействовать с локальными экосистемами чипов и фреймворков, такими как Huawei и Baidu, будет более важной, чем прорывы в отдельной функции.
С другой стороны, мы предполагаем, что региональная дифференциация усилится. Дельта Янцзы и Большой залив, опираясь на свои глубокие основы в производстве и коммерческих услугах, соответственно разовьют два характерных пути: «ИИ + производство» и «ИИ + услуги». Первый уходит глубоко на заводы, фокусируясь на оптимизации процессов и интеллектуализации цепочек поставок; второй связывает торговцев, реконструируя маркетинг, обслуживание клиентов и трансграничную торговлю.
Итак, появилась ли потенциально огромная «вторая кривая роста»?
Например, комплексная цифровая и интеллектуальная модернизация государственных предприятий.
Это не закупка ИТ в обычном смысле, а глубокий спрос, связанный с реинжинирингом управленческих процессов, управлением данными и промышленной коллаборацией.
Решения на основе ИИ, способные понимать логику работы государственных предприятий, соответствовать требованиям безопасности и надёжности, а также превращать технологическую ценность в улучшение эффективности управления, откроют устойчивый и масштабный рынок.
Все эти тенденции вместе указывают на один вывод — в Китае успех ИИ будет всё больше зависеть от способности точно встраиваться в сложные бизнес-экосистемы и совместно с ними эволюционировать, а не от изолированных технологических вершин.
Золотой век ИИ в Китае принадлежит делателям, и ещё больше — мыслителям, которые умело используют инструменты.
Теперь начните с того, чтобы определить экосистему, в которой вы находитесь.
Эта статья взята из публичного аккаунта WeChat «Dongzhen Shanglue», автор: Dongzhen Shanglue
