Palantir成功的秘密，OpenAI都在大量招聘的岗位，FDE会不会是咱们这些毕业的软件工程师未来的出路呢？

大家好，欢迎收听老范讲故事的YouTube频道。

AI带来了很多矛盾，好像什么都能干，但是好像什么也都没有干得太好。业务都达到瓶颈了，只能通过降本增效、不断的裁员获得收益。没法开源，就只能节流。任何公司都不敢说我不拥抱AI，但是呢，真的依靠AI解决问题的效果，又不是那么很好。所以AI这一次真正带来的只有焦虑和内卷，一点希望都没有。这就是AI时代带来的最大矛盾。

现在呢，终于有了一线曙光，Palantir算是一线曙光吧。他们呢，自己有一种职位叫FDE。FDE是什么呢？叫Forward Deployed Engineers，叫前端部署工程师。他为什么有这样的一个奇怪的职位呢？而且这种职位的人数很多。他成功的一个核心原因，就是使用这种FDE职位。

大家想想Palantir是干嘛的？他主要服务的CIA、国防部、美军，他全服务这种人，就会遇到一个巨大的问题是什么？就是他们的需求千奇百怪，千人千面。你上去问说你到底需要什么需求呢，人家又跟你说不清楚，或者说完了以后呢，你也很难能够理解清楚，会有这样的问题。而且呢，他的很多的流程非常小众，就没有哪个说我把这事弄明白了以后，我开发一套系统，放之四海皆准，这个事其实挺难的。

当一个系统需求很难确定的时候，你就没有办法往前走。这种需求一方面是说不清楚，还有一方面，很多做企业AI化的项目呢，都会遇到一个问题是什么？就是甲方对于AI抱有不切实际的幻想，我觉得他这玩意儿下海能捞鱼、上天能揽月，就这样的一个状态。这个还是需要一个沟通过程的。

以前的软件交付其实主要走两条路。第一条路呢，就是工程定制。你跟我说你要什么，我派咨询团队进去出报告，出完报告了以后，咱们在后边一步一步的去实施。然后呢，咱们去验收，验收了以后发现还有什么bug，我们再去咨询，再去给你迭代更新。当然咱们现在讲迭代更新呢，基本上是以年，而且还不是一年，可能两三年迭代一次。两三年迭代一次，以这样的一个频度去把这个软件维护起来的。这是一种方式。

另外一种方式就是做标准化产品。就是我把这产品做标准了，你这个流程跟我这不一样，或者说你整个的决策机制跟我这不一样，照我这改。他是这样的一种方式。前面那个定制工程的那个呢，是肯定人家原来有流程，有决策机制，你必须得照人家那个做。做标准化软件呢，就是要求人家照你这改。你像Palantir这帮用户，那国防部或者CIA的特工，你说我把你拎回来给你做个培训，说现在决策流程是这样的，你必须这么填单子才能报销，这不是开玩笑吗？所以你必须要照人家那个流程做，但是你照人家那流程做呢，成本又非常非常高。定制工程一方面是很慢，另外一个问题是什么？就是很贵。

这个就导致没有办法，只能是上新的方法。那你说我能不能把这标准化产品，我把所有的可能性都覆盖了行不行？现在有一些SaaS系统呢，确实在干这种事情，那就功能大而全呗，非常非常臃肿，所有东西都在里头。那你做了这样的系统以后呢，就会遇到一个问题叫“辣子鸡问题”。什么是辣子鸡？大家有没有吃重庆辣子鸡这种体会？就是一大堆辣椒，你要在里边挑鸡。当有一个这样的系统交到你面前的时候，你就要在大量的、你都搞不清是干嘛的功能里头，去挑那么几个你可能用得到的功能。有可能用错了，还有可能就是你想要的这功能找不着。即使说我进行培训，或者是进行一个很复杂的配置，这种东西呢，没有专业技术人员的伴随，其实你也是搞不定的。这个有时候也是靠咨询师去搞定的，这个也很贵。

那Palantir呢就换了一条思路说，咱们算了，上FDE吧，咱们到现场给你改不就完事了吗？他叫现场或者前端交付工程师嘛，就是派人到现场去说，你哪不不满意我给你改改，或者说你需要一个什么新功能，我现场给你写一个。就是现场给人用的一个半成品的系统，人家用上了。他通过这样的方式去做，他们叫驻场工程师。

当然他们那个驻的现场呢，稍微有点危险，因为有的时候是战场，你需要让工程师到战场里去。他们呢，举了一个案例，比如说阿富汗美军，他到阿富汗去驻场去了。人家说我们的需求是出门怕地雷，看看怎么给你做一个地雷预测呀，或者说怎么去设计巡逻路线呀，还是怎么样。人说不要这么复杂，你能不能给我做一小功能，让我在这个地图上能画一圈，说这可能有地雷。然后下一个人呢，拿着地图，我能看到这个圈，说这个地方有可能有地雷，我绕着走不就完事了吗？他“我就需要这么个功能”。

以前的话，你要想搞定这件事，先上咨询师，写完报告，然后回去开各种需求讨论会，再去做系统系统更新，然后重新培训，是这样的一个过程。现在好了，他有现场的驻场工程师了，你要这功能吧，我噼里啪啦给你写一个。其实这种东西写起来并不复杂，你调这个Google Map的API就可以直接搞定，这个事相对来说还是比较简单的。

开始做完了以后，不是一个特别完善的产品，就是个半成品，人家就拿去用去了。用完了以后，发现被炸死的人少了。这个你想值多少钱？少死多少人呢？碰到地雷的几率一下就下降了，那人家就很喜欢。不算完，他再把这个功能呢，弄回到这个服务器上去，或者弄回到他们的系统架构里边去。下一个人再想要类似的功能呢，就直接可以选配这个项目了。他是这样来去工作的。

美军说我们以后在各个地方去部署你这个Palantir的系统的时候，我们都需要这个圈地雷的功能，或者我们都需要一些，比如说标注毒贩路线的功能，或者其他的在地图上画圈的功能，我们都需要。那它就把它变成了一个标准化的功能。再到现场的工程师能干嘛呢？就是圈地雷我画个红圈，圈毒贩我画个蓝圈，圈偷越边境偷渡者我画个黄圈。他可能就把这玩意稍微改一改就完了，或者我加个小图标。这些部分呢，你就没必要在服务器上，或者在整个的系统里改，这个现场工程师给人改了就可以了。

他现在通过这样的方式把这种问题解决了。最终呢，照着这条路Palantir的走下去了。很多的FDE去到不同的客户现场，现场咨询需求，现场实现。以前都是要去开需求讨论会，会有一个需求评审委员会，评审的人呢，都是离现场非常非常远的人。一评审说这不重要，我们先不做了，我们先做那个吧。这个对于现场这帮人就很郁闷。这就不用费劲了，人现场给你实现了。现场实现嘛，一定是很简陋的，先用起来解决问题，马上被地雷炸到的几率就下降了。这些小需求，他压根没有进到系统里去。但是呢，在地图上画圈这功能，大家都有了，它以后变成这样的一个东西：就是共性的上升到平台，个性的就各自实现就完事了。

Palantir是成功的，大家看看那个股价就可以了。而且大家注意一点，他们用户需求很廉价、很快速的把它解决掉以后，得到了一个什么东西？就是用户粘性不断上升。你说我把这种需求解决了，换一个供应商行不行？别开玩笑了，这样的东西你咋换？换完了以后你需要重新弄吗？这个是肯定没法换的，就属于绑死了，它的迁移成本非常非常的高。而且呢，它通过把这些功能不断的找到共性，把总的服务成本不断的下降。原来到阿富汗去，我要去做这个功能还稍微费点劲，后边呢，把它写到后台的系统里去了，比如说现在又要到哪个地方去扫毒了，要到哪个地方去执行一个别的任务，那再开发出来就简单多了呀。你的服务成本一下就下降了，合同的价值呢会不断的上升。他一开始可能会亏钱，因为你毕竟是要派人上战场嘛，你给钱少了，大家不去的呀。因为你可以解决更多的问题，而且都是高价值目标的问题，你的合同价值上升，利润上升，它最后形成了一个良性循环。

FDE呢，根据描述，好像只是换了个名字的外包和咨询。大家有没有这种感觉？你说了半天这不就是外包吗？你跑到人现场去，然后七拉咔嚓给人做了，给人交上不就完事了吗？或者说咱到现场去询问人有什么需求，这不是咨询干的活吗？那FDE到底是外包还是咨询，还是真的有一什么新东西呢？

首先给一结论：FDE呢，跟外包、跟咨询都是有差别的，但是呢，跟他们也有一定的相关性。咱们来讲一下他到底差在哪。

我上大学的时候呢，就有一种梦想，老师也在给我们讲，后边上班的时候，各个公司都在给我们讲，讲什么呢？叫“软件咨询工程师”。就是我们到现场去，用户说需要什么，我七拉咔嚓到现场给人做了，然后直接交付就完事了。我九几年上大学，那时候就在讲这个事情，但是呢，这个梦想一直没有实现。那为什么没法实现这么美好的愿景呢？原因是软件开发周期太长。你要去开发一个软件，可能正常一两年或者两三年，你才能把它写出来。那在这个过程中呢，沟通效率极低。程序员说的话，人家那个甲方听不懂；甲方说的话呢，程序员又理解不了。这个是一个非常痛苦的过程，为什么咨询服务那么贵？就是这个原因。而且呢，试错成本极高。你要一什么功能我没听明白，我七差咔嚓开始给你做了一两年，做完了交上来以后说，这不是我要的东西，跟我想的不一样，你就需要去为这个错误要买单。而且那么多软件工程师，软件工程师工资很高的，坐在空调房里写了两年，交出来的东西说不对，那你说这成本有多高？这个是以前没有办法走软件咨询工程师的一个核心原因。

原来解决的方法呢，就是要么开发一套通用产品努力销售，做SaaS就是这样的一个过程，靠销量把这个研发成本给它摊掉。另外一种方式就是定制开发了，高收费定制服务。你一旦需求分析错误了，你后边的所有研发、测试、部署成本就全都浪费掉了。为什么咨询师工资那么高？咨询师要比后边的软件工程师的工资还要高，因为他还得懂业务。它实际上相当于一个翻译，它能够把工程师的语言跟甲方的需求之间能够对齐。而且呢，有一整套的规范机制能够保证说我们确实说明白了。为什么搞这么复杂？因为一旦搞错了，你得分责任，谁错了，谁为这个错误来买单，这个事要搞清楚。当然还有一条路就是内卷了，用更低的成本、更多的人去把这事搞定，这个不建议不推广。

那么咨询跟FDE有什么区别呢？咨询是前期介入，出方案，按次付费就完事了。咨询的次数越多，你就给我越多的钱。而且咨询呢，通常是不保证结果的，我并没有说我咨询完了以后我就一定保证你这个是对的。你像华与华那就是咨询公司，能够保证所有买了他们这个方案的人一定能成吗？有些人当然看不上，他们说你这不叫咨询公司，你叫点子公司。国际上那些大咨询公司才是咨询公司。但是其实很多倒霉的公司，也都买了这种大咨询公司的服务，最后也都没玩转。所以咨询公司也好，点子公司也好，是不对结果负责任的。他们只出报告，我报告完了，把所有的该输出的东西都输出给你了，完事了，你该付钱付钱。后边你自己实施怎么样，跟我没关系。而且咨询公司核心要干的什么？就是要改变甲方的组织架构和决策流程，要让他跟SaaS系统配套。当然了，你为了干这件事还要干嘛？要神化你的SaaS系统，“这个东西是多少多少管理大师研究出来的，一定行，比你们这套土办法强多了”，这是咨询公司喜欢做的事情。华与华其实经常干这种活，就是不比价、不投标、不给钱我就不给你干。为什么一定要搞成这样？就是你得信我，你不信我这事咱没法整。而且报告交付了，你就去给钱，后边你自己执行怎么样，跟我没关系了。

外包呢是另外一条路。外包呢，是内部呢自上而下决策，我们决定要做一什么事，然后找人来实现。这个东西呢，是不可重用的。以后需要改什么东西，我就在内部决策，收集需求，然后再找人来干。日本人这种外派，其实基本上就是这种外包模式。

那么FDE跟咨询和外包的差异在哪呢？首先讲FDE呢，是一个合作模式，双人合作模式。Palantir里头呢，有两个职位，一个呢叫做Echo，他是行业里的人。比如说他要为间谍服务，他就得找几个间谍进来，他们能够听懂间谍说什么，也能够听明白说间谍上面这些管理机构他们讲的话到底什么意思。他们通常是从这样的机构出来的，而且还要求什么呢？稍微的有一些颠覆思维。你不能说你原来是间谍，你到这来说我们原来那就是金科玉律，一点都不许改，这种人不要。一定是从原来行业出来，还愿意去尝试新东西，愿意有颠覆的这些人出来做Echo。另外一种人呢，叫Delta，实际上就是软件工程师，是极客。这俩人配一对就出去了。比如说跑到人家那个战场上去，一个人就问他说：“兄弟们最近怎么样？有什么最大的痛点告诉我们，我们来给你去解决去。”把这事聊明白了以后呢，跟这个工程师拍着肩膀说：“我搞明白了，他们就要这这这这东西，你就给我做吧。”这个工程师呢，在后台很完善的、或者功能很强大的系统的支持下，在前台呢，给人做一个简单的实现。这个事就搞定了。他们就是这样的一对一对的出去干活去了。

他们跟咨询的最大差别就是，咨询就是咱们先签咨询合同，你要不愿意干，咱就别签合同，我就不来。签了合同你就要付钱，只要我交了报告出来，你就得付钱。FDE的话，前期有可能会亏钱。而且呢，FDE不是交报告的，FDE是直接出产品的，直接就交付产品出来，然后人家这个功能就可以用了。而且不断的迭代，你觉得哪不对我给你改改，再哪不对我再给你改改，他是这样来干活的，结合了外包的部分属性。这个是FDE跟咨询师的最主要区别。

那FDE跟外包的差别在哪呢？第一个是必须跟CEO和最高决策者沟通，要拿到核心需求下手。外包经常去做一些零零碎碎的东西，这个东西对核心的系统没有什么大的影响。这个其实是外包比较痛苦的地方，因为你一旦给人干了这种活呢，也挺费劲，吭哧吭哧干半天，但干完了以后呢，你的价值没有上升，你没有绑定他的核心利益。你要想绑定核心利益，必须要得到最上面人的支持。其实这块呢，有点像咨询师。咨询师的所有咨询合同，只面向CEO和老大去卖。因为他那个第一合同很贵，第二个的话，因为他需要去改人家的组织架构和决策流程，不跟老大去搞明白的话，你这项目就没法推进。所以在这一点上呢，有点像咨询师。但是外包无所谓，外包就是我找到任何一个神头鬼脸的一个小头头，他给我点小单子，我都能够把这单子做了。

FDE跟外包还有什么区别呢？外包呢，每一次都是人家有什么需求，我就从头给你做。下一次再来一个需求，我再给你从头做。而FDE的话，就是我跟人沟通了半天把项目做了，做完了以后发现这个东西可能有共性，对整个的后台系统的升级是有意义的。所以它后台系统也在不断的升级。其实外包也这么干，只是他不跟人说而已。为什么呢？这就跟现炒和预制菜的差别一样。你到一个外包公司谈合作去了，谈完了以后说：“呀，你这个我需要重新给你做，你那个我需要给你现做”，这样你才能收着钱。你不能说上来了说我们这有一个系统，我在哪干过，我给你改改就行了。这你哪去谈价钱？你谈不出价钱来。但是呢，不上预制菜，你肯定是没有利润的。所以他们一定会开发大量的现成模块，然后到现场去给你拼装去。这个也是中国的这些系统集成公司的一个习惯做法。

那你说为什么以前大家都想去做软件咨询工程师做不出来，而现在就可以有FDE了？到底发生什么样变化了呢？是彼得·蒂尔和Palantir这帮人实在是天纵奇才呢，还是有一些什么样的其他的变化出来了呢？

以前没有，是因为软件开发成本和周期实在是解决不了。现在后台是个大模型。原来你肯定是要写死的一套系统，而现在这种大模型，本身的功能很丰富很完善，啥都能干。虽然可能很多事呢，你直接让他干，他干的没有那么好，但是通过一些AI Agent呀，或者通过一些结构化提示词，你是可以让他干好的。甚至你让他做一次，发现做的有问题以后，你可以让他再做一次。现在的这种后台跟前端之间是个松耦合，以前是个紧耦合。什么叫紧耦合？原来比如说统计了姓名、年龄、族裔，但是呢，突然发现了一个问题，以前的性别只有俩：男、女。后来说叫男、女、不确定，变仨了。再后来呢，变成4个、5个、6个，不断上升。这个在原来的状态下就没法整了，你必须要重新升级版本，你要重新提需求，过需求评审会，上版本测试，然后部署，再重新培训。以前要走这么一个流程。现在后头是个大模型，他没有这个问题。你告诉他说这个性别我需要多存几个项目，或者说我现在需要多记一些字段，他什么时候开始在心理上认可自己是女的，原来没有记过，现在就直接可以干了。直接写一个备注，说某年某月，觉得自己应该心理是变成女了还是变成男了。这个对于大模型来说，都不是什么大问题。你只需要把这个数据拎出来以后，然后拿这个数据去作为上下文工程，它就直接给你输出出来了。现在有这样的一个特别棒的能力了，这是后端强大了嘛。

另外一头是前端。前端呢，有AI Coding了。大家可以快速地在AI的帮助下就可以把代码写出来了。现在前端写代码的速度比原来快好多。在AI Coding的帮助下，再加上后端是个大模型，所以以前没法干的事情，现在就能干了。而且AI Coding呢，其实最适合干这个活了。一上来说我要用AI Coding编程，写个微信、写个抖音、写个淘宝，您想太多了，这玩意不是干这个使的。这个东西最适合干的就叫“最后一公里”，我把最后你需要这点东西稀里哗啦给你抹上，它最适合干这个。所以呢，FDE这个东西以前不能有，现在有了。

那FDE这模式可以推广吗？说的这么好，大家要想清楚，Palantir的这个用户是什么样的？他是美国国防部跟CIA这帮人。一方面他们确实很难伺候，如果没有这么难伺候的甲方的话，他也不会想着上FDE这样的一个前期亏损、还吃力不讨好的一个模式。最后把前面该挨的打都挨过了，终于成为大家仰望的一个高峰了，它是这样的一个过程。但是呢，国防部跟CIA有一些别的特性：有钱。你想我帮着美国大兵少被地雷炸死几个，那你说你得给多少钱出来才算合算？他们是真的有钱，而且也舍得给，这个是他们所具备的一个独特的优点吧。另外一点是什么？就是他们的履约能力、契约执行能力和政策的一贯性都还是不错的。这个话用人话怎么讲呢？就是他们签了协议，后边真的给钱，不会说我签了协议后边就不给了。还有呢，就是很贵的协议，我们也愿意签。什么叫政策一贯性呢？就是前面人签的协议，哪怕你政府换了党派执政了，他们后边还接着执行。不像有些地方，换了一个最上面的领导，你前面的合同不认了。不会有这样的问题。所以呢，如果你的甲方具备这些特性：有钱、履约能力强、政策一贯性强，那么FDE模式是非常非常适合的，并不一定是所有项目都适合。当然了，我们中国呢更卷，程序员更多、更便宜，可能我们适用的范围会比美国要更大一些。

FDE呢还会带来另外一个好处是什么？就是创业。这些懂行的人，他们呢，其实一方面会跟客户沟通，能够理解客户需求；另外一方面呢，他们也会维持客户关系。当他维持了一堆这样的客户关系以后，再加上手头有一个能够干活的小兄弟，那这俩人干脆搭班子创业不就完了吗？所以如果现在有企业愿意招募FDE的话，这些毕了业的35岁以上的，既懂行业又懂编码的这些人，你们就搭伙去干活呗。给人解决一段问题以后，站稳了脚跟就可以创业了呀。像Palantir也在干这个活，他就不断的孵化这些人创业。因为一旦创业了以后，他就可以把这一部分成本就直接扔到外边去了，“你们以后就成为我的一个代理商、承包商，我就相当于把这事外包给你了”，这不也挺好的一个事情吗？所以呢，这是一个新的创业方向。

总结一下吧。Palantir成功背后的FDE模式，为AI时代的软件交付提供了新的模板。现在OpenAI等一些AI大厂，都在成立自己的FDE交付小组，到不同的企业里边去给人做交付去。不要老惦记做这种大而全的东西。前两天也有一个我的付费会员说，你看我做了这样的一个系统行不行。我一看我说，你这个玩意是不是不太接地气？你是不是稍微做一些能够解决具体需求的、小需求的这种东西，然后再逐渐的拓展出去？他说你说的好像也有道理。这当然这种话放之四海皆准，属于正确的废话。但是呢，你看看人家这个FDE的方式，其实这就是现在的新的方向。毕业的Echo和Delta，他们也可以重新上岗了。

好，这个故事今天就跟大家讲到这里。感谢大家收听，请帮忙点赞、点小铃铛、参加Discord讨论群，也欢迎有兴趣、有能力的朋友加入我们的付费频道。再见。

斯坦福大学的研究表明，近半AI创业者选错了方向。这里边到底谁对谁错呢？

大家好，欢迎收听老范讲故事的YouTube频道。大家都在指点江山，但是人家斯坦福大学肯定要更专业一些。

7月7号，斯坦福大学的HAI（叫以人为本的人工智能研究所）与数字经济实验室，发布了一个工作论文，叫“员工真正希望从人工智能中得到什么”。这样的一篇论文，有兴趣的可以自己去找这个论文来看一下。里边讲到很大比例的AI创业者呢，都找错方向了，大概41%的AI自动化，正在做没人想要的事情。那这论文到底说什么了呢？

他呢，首先做了一个打分。论文我们要去看他的研究方法，数据来源是不是可靠。像我老范坐在这，我可以一拍脑袋说，以我过去的经验怎么怎么样，大家听个乐就可以了。但是人家这个呢，一定是要有严谨的数据收集过程的。

首先呢，他们先去选择任务，每个月至少要做一次的任务，而且呢能够被数字化的任务挑出来，一共是2,131项任务。你说我这个任务十年碰不到一回，这用不着了；或者说我这个任务完全没法数字化，也用不着了。然后呢，对这些任务进行去重，你说这个任务跟那个差不太多，算一项，去重了以后呢，一共剩了844项任务。

然后呢，要求一帮人，对这些任务打一个五分制的分。首先呢，他选了1,500名美国的在职人员，囊括104个行业，和刚才我们讲的844项任务，就是你至少要参与过其中的哪项任务，你才可以对他打分。你说我这事从来没干过，你去给打个分，这个不行的。而且呢，在题目前面还要插上说，跟工作的乐趣和失业风险，你也要进行考虑，帮助受访者呢平衡理性和情感。

他呢，通过语音访谈，让被调查者回想真实的工作场景回答，避免拍脑袋。所以呢，他先对这844项任务呢，进行了一个有没有人想要的一个调查。调查的过程，就是刚才我们讲的语音访谈，说你干过这事吗？干过，那你到底想不想要呢？这样的一个过程。

然后，再找了52名拥有AI agent系统研发经验的研究者和工程师出来，也是5分制打分。他们打什么呢？按照现有的大语言模型和工具链，让AI单独完成该项任务的把握有多大。同时做任务分类，H1级全自动，H5级必须人类主导。他对这个844项任务，再去做一个这样的打分。等于两个维度，一个维度说你想不想要，另外一个维度说做得了做不了。

把这两个维度的分数搁在一起，把所有844项任务呢，变成了四个象限，上下左右四块。这四块里头呢，第一个呢叫绿灯区，所谓的绿灯区就是高需求高能力，什么意思呢？就是员工也很喜欢，现在的技术也可以实现了。第二个呢叫做低需求高能力，这叫红灯区，就是技术很炫，但是呢没人想要。第三个呢是高需求低能力的区域，就是呢市场特别想要，但是现在做不出来。第四个呢是低能力低需求的区域，现在技术也做不出来，市场也不想要。一共分了四个区域。

为什么说错配呢？他们说现在看了一下，41%的热情都给了高能力低需求，或者是低能力低需求的这个区域了。而上面这个高能力高需求，和高需求低能力这个区域呢，配置的并没有那么多。

那他这个是怎么统计出来的呢？他呢，抓取了YC 5,156个项目的描述，这个直接上爬虫就可以了。爬完了以后呢，找GPT来做分类，说这项目跟AI到底有没有关系。抓完了以后呢，发现有1,723个项目呢，跟AI是有关的。然后呢，对公司的项目，与刚才咱们讲这个844项独立的项目，进行对齐，你干这事儿跟上面的哪一项是相关的。这个也是由GPT就可以搞定的。做完了以后，按这四个象限一分，发现41%在红灯区，绿灯和高需求区，配置的并没有那么多。

那么四个象限里，都包括些什么样任务呢？首先咱们讲绿灯区，有29%的创业者在这儿。绿灯区就是高需求高能力，我现在完全能做的了，大家也需要。第一个是访客日程安排，大家都打了5分，我们需要这东西。因为在美国做的调查，美国很多事情都是需要预约的，而且预约这个过程呢又特别麻烦。他呢，跻身在绿灯区的top one。任务本质是结构化信息的写入加提醒，AI专家评估为，现有的大语言模型技术和日历的API，可以一步到位。因此属于两轴皆高的立刻可落地区域。

搜集的信息是这样搜集回来的，但是他真的表达的是说，大家赶快都去做AI日程排布，这样的一个功能吗？其实不是这样的哈。大家仔细思考一下，这个绿灯到底说明的是什么？说明的是有大量的需要去进行预约的，这种需求是没有被很好满足的。你说我要去看医生，那这个医生预约两个月以后，这个并不是说，你需要把预约系统做的更好，而是需要更多的医生。但是你说医生多了以后，是不是现在医生的薪资就降低了，就跟韩国似的，说我们多招点医生上来去上学，医生就跑去罢工，说不行，你这多招了医生上学了以后，我的薪水就降低了。这个事呢，肯定需要靠AI进行更深层次的解决，但是这个报告里他就不管了，反正我们搜集了，排日程是最有需求的。

第二个呢叫做维护紧急呼叫档案，就是911，你打了电话去，进去以后发现有很多档案是错的。那么自动化意愿呢，1-5分制算完4.67。需求呢是批量整理索引去重，典型的CRUD项目。这个CRUD就是create，read，update和delete，就是把这个数据库增删改查的，这样一个事情。专家判定的是，完全可以靠现在这个能力搞定的事情。为什么大家需要干这个活呢？传统人工处理，导致15%的紧急呼叫响应延迟。你给我打电话了，说我这出一什么事，结果发现呢，你登记的什么路牌，或者是很多这些信息是错的。AI呢，可以将错误率从8.3%直接降至1.2%。边缘计算设备呢，也可以提供实时的这种GPS通话，记录警力分布数据，响应时间也可以极大的缩短。这个是美国人很需要的一个功能。

然后呢，叫更正工资记录。这个自动化愿望是4.6。比如说你到底迟到了早退了，还是有需要有奖励，还是需要有处罚的事情，这些呢是要去反映在工资里边。在这一块读取误差，计算差额，写回表单，AI在这个表格处理文本生成上的能力，其实已经很成熟了。所以也放到绿灯区里头。

我以前是做过人力资源管理系统的，给员工算工资，是一个非常非常麻烦的事情。而且呢，他需要在极短的时间内完成，需要考虑的东西呢虽然很多很复杂，但是呢毕竟是有限的东西，相对还是要容易一些的。基于规则引擎和自动化系统，可以处理92%的常规薪资纠纷，准确率呢高达98.7%。以前人事部和财务部，每个月底算工资的时候，都是这个脾气特别不好的时候，我们一般在这个时候，都是躲着他们走的。他们非常需要这个玩意，可以释放员工80%的时间用于合规审计，降低企业用工的一些风险。因为每个人收到工资以后，都会去算一下我自己的东西对不对，为什么多了为什么少了。工资发下去，他们还会上来说，为什么少发我了，到底怎么回事，这个月谁谁谁说了要给我涨工资，或者要给我一什么奖励，我怎么没拿着。这个事还是挺多的。这个就是绿灯区的项目。

但是绿灯区的项目，刚才我们也讲了，大家需要去思考这个绿灯背后，可能隐藏着更深层次的市场需求。有可能并不是让你把表面上绿灯的事情做完，而是需要去思考，整个的社会希望向哪个方向发生改变。特别是一些非常高需求的东西，都不是让你直接去干活了。

再往后呢，叫高欲望低能力区，有30%的创业者在这块选择，就是大家很需要，但是又做不太好。因为有技术的人呢，就肯定喜欢做这件事嘛，在这块努力是没毛病的。第一个呢，叫季度预算整合。工人呢，希望借助AI减轻繁琐的汇总，但是呢牵扯到多表关联权限校验，解释性要求，专家认为当前的大语言模型，仍然很难做到端到端的自动化，能力低。所以呢落到这个区域里边来了。

再往后，医疗影像诊断的多模态分析。现有的模型对于罕见病，如肺淋巴管肌瘤的识别准确率是62%，需要结合基因数据和临床记录，就是可能需要更多的数据搁在一起，进行多模态识别吧。联邦学术技术可整合跨院数据，在保护隐私前提下，将准确率提升到89%。这一块肯定是有需求的，看片子原来其实人在这块也是有问题的，看片子的人，可能对于其他的什么血象，一些这样的数值也没那么了解。现在有AI以后的话，让AI大模型，把各种的数据进行综合考量，一定是可以把诊断率提高很高的。而且对人进行医疗诊断，这个是有很大需求的。

再往后呢，叫教育领域的个性化学习路径规划。当前自适应学习系统的知识图谱，覆盖率仅有40%，无法动态调整难度系数，就是说我们没办法去根据人的学习能力，或者学习反馈，去给他设计新的教学方法。而且呢这种教学计划的调整，是很难进行有效的结果评估的。所以这一块呢，目前为止大模型也做不太好。一旦跟教育有关，他的需求还是很高的。

再往后呢是生成生产设备的维护排期。这个也有很高的需求，什么意思呢？你需要去排期，说我的设备到底什么时候应该生产，什么时候应该去检修。目前为止呢，工业设备的传感器数据，存在很大的噪音，15%的噪音，就是里头有很多数据不准，导致呢故障预测误报率高达38%。现在经常有什么波音飞机怎么样了，或者其他的一些设备出什么问题了，是怎么回事？他收集了很多数据，回来以后来确定说，从工程上说，你这个飞多少公里需要检修一次，但这玩意他不准。在这里头呢，大模型也没有做的那么好，需求还很高。你飞机掉下来了，这玩意需求肯定高。所以这一块大家如果有能力的话，也可以努力的冲锋一下。

再往下呢，叫红灯区，就是低欲望高能力区，我现在可以做的很好，但是没人要。有21%的创业者在这里努力。第一个任务是撰写创意文稿，这个是AIGC干的第一个活写文章。大语言模型已经可以生成流畅的文本了，而且能力很高。但是呢工人愿望仅有1.6，5分1.6是他的愿望。72%的编辑认为AI创作缺乏深度，61%担忧技术价值被削弱。这就属于担心失业的这帮人。尽管技术可行，但是编辑岗位的自动化接受率，仅有17.1%，远低于技术乐观派的预期。

然后是客服聊天机器人。GPT4已经能够处理85%的常规咨询，一响应准确度高达91%。但是呢40%的客服人员认为AI缺乏同理心，32%担心客户满意度下降。但其实他们担心的还是失业嘛。员工呢更倾向于H4级协作，就是人类主导加上AI辅助。刚才我们讲了，有50多个专家打分的时候呢，H1是AI全都能搞定的，到H5是完全人搞定的。在这里头这些客服希望做H4级的工作，我自己呢又可以省点力气，但是呢我还是主导。但是现在所有的研发都是向H1级，就是完全由机器主导，完全脱离人这个方向去发展的。

还有就是物流分析师的供应商联络工作。这个呢现在大语言模型也可以做的很好了。它基于大语言模型的供应链管理系统，可以自动生成谈判策略，响应速度比工人快5倍。但是呢53%的受访者认为，AI无法处理供应商的隐形需求，比如账期灵活性，41%担心失去客户关系的一个控制权。你去管理供应链的时候，这个里边还有很多灰色的地方，这个是人类不希望被替代的。这个是红灯区。

最后呢，就是低欲望低能力区，就是没人想要，也做不好这个区域。20%的创业者呢在这个里边努力。第一项任务解读工程图纸，愿望分是1.75，5分里头只有1.75分。现阶段多模态理解，3D语义抽取仍然比较难。现在看不懂这个图，AI能力低，优化级别低。现在呢在这一块也没有那么大需求。

再往后呢，叫追踪行李去向。愿望呢是1.5。该任务需要电话航空后端多方沟通，当前通用的代理难以整合。这个技术低需求也低。现在不太好搞。

然后是心理咨询师的情感支持对话。GPT4的共情准确率只有53%，无法识别非语言线索，比如微表情，包括语气语调都比较难以识别。82%的心理咨询师认为，AI可能泄露用户隐私，且缺乏法律责任界定。

然后是律师的复杂案件策略制定。现有的法律AI对于判例的关联分析覆盖率仅有35%，无法处理跨法域的冲突。91%的律师认为，AI应该定位为法律检索工具，而非策略决策者。法律这块我不是特别懂，但是写程序这块我是知道的，你问他各种细节的东西，他都做的很好，但是呢他特别容易钻牛角尖。我们一定要看着他的COT，就是思考过程叫思维链，你一定要看着这个东西，发现他走错路了的时候呢，你要给他提供新的思路，把他揪回来，他才能回的来。所以呢甭管是心理咨询师，还是律师的复杂案件决策，这个事到目前为止还只能依靠人。

还有一项是什么呢，就是绘图创意。愿望分呢是1.71。他们认为呢生成式视觉模型，在客户化的创意上，版权合规上都还存在着局限性。Midjourney、达利生成的图片，在这块都是有问题的。专业设计师不期待AI全接管。达利3生成的设计方案呢，仅12%符合品牌调性，且缺乏文化隐喻的深度。你让他去理解一些我希望隐藏的一些含义，基本上没法整。艺术创作者，艺术创作的需求呢，集中在H5级别，就是人类完全主导，AI呢仅提供一些素材就可以了。这一块呢是低欲望和低能力区。

现在呢红灯21%，低欲望低能力是20%，他们俩加起来是41%。最后这种报告的意义在什么地方？我们是不是应该照着这个报告的方式，去选择我们的创业方向了？不是这样的。这个报告最重要的一点，是展示了有效的信息搜集和形成决策的一个过程。我应该怎么去搜集信息，我们应该如何去划归任务，我们应该去做什么样的访谈，访谈完了以后呢，怎么对这些任务进行象限的划分，怎么去判定大家到底都在做什么事情，而且哪一部分是可以靠AI来搞定的。你比如说我爬虫，爬了YC的四五千家的创业公司，找到其中跟AI相关的1,700家，再对他们进行844项任务的对齐，你们到底是做哪项任务的，然后再拿四个象限去套。后边的部分完全是AI搞定的，就是AI负责了整个的数据统计和分析的部分。前面怎么去找人去设计问卷设计报表，应该也是AI搞定的。他们只需要给1,500个人打电话，然后去找到51位AI editor的专家去打分，就可以搞定了这样的一个报告出来。

但是呢要注意一点，就是这个报告并不完全可靠。大家不要说这一块是绿灯的我要冲，那一块是高欲望低能力，我要去研发。不要去直接这么简单的使用这个报告。第一个呢是搜集信息的过程并不全面，存在情感和偏见。还有一点是很重要的，什么呢？就是打分的是打工者，不是决策者。打工的人是没有权利去决定我买谁家的系统的，他们是要被AI替代，是要失业的这帮人。所以他们在这个里边会有一定的偏差。未来的世界呢也是动态变化的，不是按照现在这个状态不一成不变的。所以呢我们可以去仔细的思考和解读这个报告，但是解读的方式并不是简单的是使用。

那么应该如何选择创业方向呢？你说我有关系有行业背景，也有行业数据，先找个绿灯区域先做起来，先挣一笔钱再说。或者说我是不是可以去做一些颠覆性的事情，你也可以在绿灯区域去找。刚才我们也讲了，很多绿灯区域都是需求极其强烈的，但是他强烈的过程，并不是因为说我们真的想要排好日程，而是说整个美国社会的预约制度，给大家带来了极大的痛苦。解决的方法并不是说我做好预约系统，而是增加前面的供给。这个可能就需要换一个思路去思考了。

第二个有技术，可以尝试一些高欲望低能力的区域，突破AI的技术瓶颈。最多的人在这块，30%的创业项目都在这。你比如说我去解读一下，医疗影像这块，肯定还是值得大家去努力的，而且这一块呢也更容易拿到钱。

至于红灯区呢，不是说到红灯区，就是高能力低需求，这些东西我们就躲着走。比如说智能客服机器人这种东西，大家注意访谈是来自于打工人，不是来自于决策者。打工人是害怕失业的，决策者是想降本增效的。所以呢对于决策者来说，这个区域未必是红灯区。大家做的时候自己去思考。

至于最后这个低欲望低能力区呢，确实需要谨慎一些。但是呢如果你是真爱，说我真的喜欢这一块，那也不妨去尝试一下。真正的有可能出大型公司的，这个领域呢，其实是绿灯区跟这个低欲望低能力区。这里头有可能会真正的出现，颠覆社会的这种大型公司。而其他这些区域里头，红灯区和高需求低技术的这个区域，咱们做一做，有可能会出一些小型的成功公司。大型成功公司，或者是真正的跨时代的这种，成为美股七姐妹那样的公司，是比较难的。

好，这个故事就跟大家讲到这里。感谢大家收听，请帮忙点赞，点小铃铛，参加discord讨论群，也欢迎有兴趣、有能力的朋友加入我们的付费频道。再见。