OLD
有限狀態機｜可窮舉
產品先列出所有狀態、流程與例外；系統照規格確定性執行。錯誤通常能定位到某個節點或條件。
開場 · 設計對象已經變了
舊方法失效，不是工具不夠新，
是我們正在設計不同物種
傳統軟體像有限狀態機：流程、節點與分支可以枚舉，產品經理先畫完整地圖，再交給工程實作。AI 原生產品更像機率分布：同一輸入執行十次，結果可能不同；中心密集、邊界模糊，也沒有一張能事先畫完的路徑圖。
NEW
機率分布｜不可窮舉
自然語言輸入打開近乎無限的行為空間。設計不再是把路徑畫滿，而是塑造輸出分布，持續讓好結果更常發生。
方法論的真正斷裂：「畫完整張地圖」正在退場；產品設計變成「雕塑一個分布」。介面可能只剩一個輸入框，但背後的驗證、責任與迭代系統反而更複雜。
產品是什麼 · 兩條鴻溝
產品，是替「人想要什麼」與「系統能做什麼」搭一座橋
人｜意圖、判斷、價值
人知道自己想達到的狀態，也能判斷什麼結果值得接受；但未必知道如何把意圖拆成機器可執行的操作。
⇄
機器｜表示、計算、執行
機器能表示資訊、搜索空間並高效執行；但它不天然知道世界真正重視什麼，也不會自動替結果負責。
執行鴻溝
把「我想要的」翻譯成「機器能執行的」。過去產品的大量成本，用在學習命令、設計選單、操作介面與固定流程。
評估鴻溝
把「機器做出的」翻譯成「我能判斷的」。生成越容易，越需要回答：對不對、好不好、能不能信、誰來負責。
產品工作的重心，正從此岸的「怎麼做」，遷往彼岸的「什麼算好」。
七十年的方向 · 橋的成本轉移
有效帶寬提高，是因為人越來越不必學機器
從完整編碼、點擊選單、觸控手勢到自然語言與多模態，互動介面越便宜，是因為機器吸收了更多人機「碼本」：預訓練裝入公共知識，Memory／Context（記憶／上下文）持續裝入私人知識。
打孔機／命令列
輸入需要完整編碼，學習成本幾乎全在人。
GUI／滑鼠
圖形使用者介面（Graphical User Interface）讓點擊選擇取代記憶命令。
觸控／感測器
滑動、停留與環境訊號讓輸入更接近人的自然行為。
自然語言／多模態
人給一段模糊意圖，機器仍能理解並展開搜索。
有效帶寬
＝
原始訊號 × 碼本重合度2022 交叉點 · 大斷裂
「做」變得便宜，
「驗」開始指數級變貴
模型能力讓學習、操作與構建成本一路下降，但驗證、信任與責任成本向上攀升。真正的範式轉移不是舊方法升級，而是產品工作的核心岸邊換了位置。
兩條成本曲線的交叉
執行鴻溝成本 ↓評估鴻溝成本 ↑2022 交叉點
更懂我
提高頻寬，允許模型補全意圖，也接受它偶爾偏離；探索空間更大，但確定性更低。
⇄
更可控
用流程、規格與限制釘死結果；確定性提高，卻同時壓縮模型可理解與可探索的空間。
根本 trade-off（取捨）：舊世界寫錯規格，通常浪費一次執行；新世界寫錯判斷，會安靜地污染整個輸出分布。頻寬與確定性，第一次被顯式定價。
驗證器定律 · 核心論證
搜索無上限，驗證器卻不會自己出現
思想實驗是：給機器無限算力，讓它生成所有可能輸出，它會因此變聰明嗎？不會。單是圍棋的局面空間就約有 10170 種；若好與壞都散落其中，而系統缺乏來自生成邏輯之外的判斷座標，再多搜索也只是把可能性變多。
智能上限
＝
搜索能力 × 驗證器品質模型可以不斷採樣、重寫、延展；可能性本身不稀缺。
真正的判斷需要目標、世界知識、責任與後果，不會由生成量自動長出來。
同一套邏輯算兩遍，容易重複同一盲點；那是自洽，不是驗證。
AlphaGo → AlphaGo Zero → AlphaZero 的啟示：關鍵不只是算得更多，而是讓輸出接受獨立裁判。AlphaGo 使用 16 萬局人類棋譜；AlphaGo Zero 不讀人類棋譜，只靠規則與自我對弈，簡報標示 490 萬局、3 天、4 張 TPU（Tensor Processing Unit，張量處理器），以 100:0 擊敗 AlphaGo；AlphaZero 再以同一套方法跨圍棋、國際象棋與將棋。知識來源從模仿人類，轉成直接向環境學習。
現實世界 · 為什麼更難
圍棋天然有裁判；產品必須先定義「棋盤」
圍棋的勝負二元清楚、回饋乾淨即時、自我對弈成本近乎為零。現實產品恰好相反：目標互相衝突、回饋延遲又混雜噪音，而每一條真實訊號都可能用使用者的時間、信任甚至真實後果換來。
沒有唯一輸贏
銷售 Agent 應最大化營收、利潤率、復購率，還是關係品質？標準不只不唯一，甚至會互相衝突。
回饋不乾淨、不即時
真實世界的訊號稀疏、延遲且充滿噪音。這不只是系統慢，而是訊號本身不乾淨。
真實回饋並不免費
每次驗證都可能消耗時間、信任與實際結果，產品不能像棋局一樣無限、零成本試錯。
過去從世界抽象出規則來設計；今天要抽象出多維投影，先定義一個可判斷的空間。
驗證器工程 · 人機分工
有效探索＝機器搜索力 × 人定義的空間與方向
機器擅長搜索、遍歷、試錯與組合；人擅長定義空間、判斷方向與為結果負責。好的 Prompt（提示詞／給模型的指令）不是把答案寫死，而是「給棋盤＋給指南針」。空間收得太窄，方向錯；空間放得太寬，搜索效率又會崩潰。
MACHINE
搜索／探索
遍歷可能、試錯、組合與生成，在已定義的棋盤裡提高找到好解的機率。
HUMAN
空間／方向
決定哪些維度值得看、哪些結果不能接受，以及哪一種好值得被獎勵。
一個好的驗證器，要同時學會「判斷」與「更新判斷」
現實結果說了算：留存、利潤、信任與實際後果，不能被模型自評取代。
責任位置：最終判斷屬於人與真實世界。
回頭修正 reward（獎勵訊號）的來源，做誤差分析、更新評估、拆回特性。
責任位置：人與模型共同迭代判斷框架。
在穩定棋盤與 reward 重新搜索，生成、驗證、迭代。
責任位置：機器負責大量試錯與候選生成。
知識的載體也在改變：過去是接口與規範；中間是 Agent Runtime（智能體執行環境）與人工規定；正在浮現的是模型吸收規則後形成的權重。好的 Prompt 不是控制機器，而是人與模型對齊認知、共同定義世界的一個方向。
介面也會液態化 · 判斷權遷移
固定軟體會退場，
介面成為每次重新生成的行為分布
報紙、雜誌與傳統軟體把同一張版面交給所有人；Feed（動態資訊流）已經讓每個人看見不同內容，但框架仍固定。AI 原生介面再往前一步：輸入是一段持續變化的行為流，推薦系統或 Agent 直接生成當下需要的介面；每次執行都像「日拋介面」。
固定版面
設計完成後可穿透，知識被寫進按鈕、選單、SOP 與產品流程。
動態介面
沒有兩個人的頁面完全相同；介面由行為、情境、目標與模型即時共同決定。
成本轉移
過去一個人學會、百萬人共用；現在一人一介面，學習成本從設計端轉到系統訓練與推論端。
產品競爭的主戰場，沿著判斷鏈一路後移
「打孔機、命令列」
先解決機器能否接收到人的指令。
GUI、NLP
讓系統理解點擊、手勢與自然語言。
Agent 全模態
從片段訊號推斷完整目標，補齊「我要什麼」。
棋盤＋Reward
今天的產品第一性：建立能持續校正的驗證器。
現實價值迴路
未來不只判斷答案好不好，還要判斷什麼目標值得追求。
錯誤的必然 · 三種壞驗證器
前面的失敗，多半不是模型太笨，
而是驗證器給了滿分答案
萬能會話框
把理解力當成全部產品能力。機器探索過早崩潰，實際缺的是棋盤與可行動邊界。
萬能工作流
把動態對象塞回固定流程，機器被釘死一次；本質是探索力歸零。
萬能專家
給搜索力與權重，卻沒有獨立驗證。結果可能流暢、自洽，但無法證明與現實對齊。
同一條公式：有效探索＝機器搜索力 × 人定義的棋盤 × 人給的指南針。任何一項當成全部，另外兩項歸零，乘積就是零。
框架為何必須自己死掉
認知鎖定
人只能用舊框架解讀新信號，像拿舊地圖找不到新大陸；鎖住的是想像。
資產鎖定
舊流程、SOP、架構與既有產品線會排斥新做法；鎖住的是行動。
驗證器鎖定
KPI 與舊市場訊號仍在獎勵昨天的答案；鎖住的是判斷標準。
方法論 · 三個時點
做產品之前、建產品時、上線以後，
驗證器都必須在場
動手前
先造驗證器，再造產品
Evals（評估測試集合）是第一個交付物，不是最後補上的品管。若寫不出「什麼算好」，代表還沒想清楚要為哪一種判斷負責。
構建時
人管什麼算好，機器管怎麼做好
人設計棋盤、定義 reward、把 how 留給模型搜索；而 reward 必須來自生成邏輯之外的獨立觀測。
上線後
讓驗證器連上真實世界，持續迭代
所有不可避免的錯誤，都始於脫離現實、沒人啟動更新的舊驗證器。驗證器要接住真實物理回饋，隨世界一起演化。
驗證必須在生成之外，避免用同一盲點替自己打分。
判斷要指向真實價值與後果，不只是代理指標或漂亮輸出。
世界改變，驗證器也必須更新；框架不是護城河，而是可替換的暫時結構。
AI 接管了「怎麼做」；留給人的、也最重要的，是替機器構建棋盤，為探索設定方向。
資料來源：本場完整演講音檔、依原始順序整理的 21 張簡報，以及現場 FAQ 整理。簡報中的數字與案例均為講者分享口徑；本文以原生文字、比較、曲線與框架重構，未堆放投影片截圖。
現場問答 · FAQ
從產品、組織到商業，
AI 真正重構的是什麼？
以下依現場對談整理。為提升可讀性，已校正明顯同音錯字與口語重複，保留張帆老師原本的論點與例子；第三題後半與第四題依完整內容補齊。
Q1AI 如何重構產品？
核心不是再做一個看似酷炫的 AI 功能，而是先分清楚：產品的價值究竟來自人，還是來自模型；再讓 AI 在明確環境裡產生可驗證、明顯優於通用模型的結果。
先分清兩種智能
面對不可預知的問題，追求廣泛的泛化能力。它必須把能力上限推得很高，因此成本也高。
在特定環境與任務裡追求最優解。核心不是涵蓋所有問題，而是把情境、目標與能力精準匹配。
金融、醫療、教育等大產業本身不等於「垂直」；真正的垂直，是在一個界定清楚的環境裡有自己的解法與判斷標準。就像巴菲特與索羅斯各自在自己的投資框架裡成立，換到另一套環境未必仍是最佳答案。
產品經理的價值：高效駕馭模型，建立一個在特定環境中比通用大模型更準、更快、成本更低的系統。訓練目標也不該只是模型分數，而要對準真實世界的物理與業務結果。
Q2AI 如何重構組織？
個人效率提高，不等於組織效率提高，甚至可能反向惡化。AI 讓每個人的產出速度變快後，組織更需要規則、共用底座與清楚邊界。
個體層：看「勞動力替代」，不要只看 Demo
判斷 AI 是否真的提效，不是看做出幾個酷炫展示，而是看一個人是否能穩定承接過去兩、三個人的工作量，或讓客服、營運等真實職務產生可衡量的替代與產能提升。只計算 Token 消耗、使用率或展示數量，容易鼓勵粗放浪費。
組織層：速度越快，交通規則越重要
大家都慢慢走路時，沒有紅綠燈也不一定出事；當每個人都像開快車，若仍沒有公路、交通規則與共同標準，整個組織就會撞成一團。
- 各部門各自做工具與資料，會加速形成數據孤島。
- 局部看起來有效，從公司全局看可能都是無法連接、無法治理的垃圾資料。
- 不是每個人都該自由建立一套系統；組織要界定哪些工作可自由探索，哪些必須由專業團隊統一承接。
真正的重構：把 AI 的個體能力，轉換成組織可以共享、治理與規模化的能力，而不是累積更多短期自嗨的孤島。
Q3AI 如何重構商業：泡沫還是革命？
判斷標準很直接：AI 產能若能轉化為可持續的業務價值，就是革命；若始終無法進入核心業務與財務結果，就仍是泡沫。
不要只看投入，要看是否進入財報
算力、模型與產品投入再大，都不等於商業價值。真正要看的，是 AI 是否實際改善收入、成本、利潤、轉化或核心營運指標，並出現在企業的財務與經營結果裡。
技術紅利通常晚於技術出現
電腦普及初期，也曾出現「到處看得到電腦，唯獨生產力統計裡看不到」的落差；後來隨組織流程與商業模式一起改造，生產力才真正釋放。AI 也會走過類似歷程：今天未必已大規模反映在財報，但最終仍會進入商業核心。
不要把新引擎裝回舊馬車
當生產要素發生革命性變化，商業形態不會只是漸進式替換。就像蒸汽機轉向電力，不是拿新發動機更高效地拉舊車，而是重新設計汽車、工廠與整套產業鏈。AI 也不只是替換原有流程裡的一個人或工具。
最大的風險，是繼續沿著舊路徑擴張，甚至用 AI 加速複製舊做法，最後才發現原本昂貴的能力已快速貶值。企業更該提早判斷：第一性與產業鏈正在如何改變，下一個真正有價值的位置會出現在哪裡。
商業的驗證器：不是媒體聲量、模型分數或使用次數，而是真實業務價值是否被創造並可持續累積。
Q4作為碳基生物，在 AI 面前該如何自處？
不要用戰術上的勤奮，掩蓋戰略上的懶惰。
不要追著每一個熱點，低效率地學習表層工具；更重要的是每天認真思考三件事：
- AI 時代的第一性是什麼？哪些底層條件真的改變了，而不是只換了工具名稱？
- 人與機器如何分工？哪些工作交給機器搜索與生成，哪些方向、判斷與責任仍必須由人承擔？
- 如何取得更好的結果？在新的分工裡，建立自己的判斷力、環境理解與獨特優勢。
一句話總結：少一點追熱點的忙碌，多一點對第一性與人機分工的深度思考。
Audio deep dive
Podcast｜先造驗證器，再造 AI 原生產品
NotebookLM 繁體中文深度對談
從機率產品、兩條鴻溝到驗證器定律，整理 AI 原生產品的設計方法。
雙人對談 · 繁體中文