你应该这样构建基于 AI 的产品（译）
内容提要
本文讨论了构建人工智能产品的方法，建议避免仅仅包装现有模型，而是创建独特且有价值的技术。解决方案是创建自己的工具链，结合微调过的模型、自定义编译器和训练的模型。作者强调在需要的地方使用人工智能，而不是完全依赖它。最后，作者推荐使用类似Builder的方法来构建人工智能产品。
延伸解读
为什么“包装”大模型不是好生意
文章指出，仅通过API调用ChatGPT等模型的产品缺乏差异化，极易被复制。一旦OpenAI将类似功能内置，这类产品便失去价值。更关键的是，大模型成本高昂且响应慢，例如GitHub Copilot每月每用户亏损10美元，部分用户成本高达80美元。若产品核心只是转发请求，用户付费意愿很难覆盖成本，商业模式脆弱。
自建工具链：控制权与隐私的双重收益
作者建议结合微调模型、自定义编译器和训练模型来构建自己的工具链。这样做不仅能提升速度、降低成本，还能掌握改进主动权。例如，Builder.io因完全控制模型，可每日迭代，并满足注重隐私的大客户需求——这些客户明确拒绝使用OpenAI。若依赖外部模型，则无法保证其变得更智能或更便宜，也难满足严格的数据合规要求。
从普通代码开始，只在关键处引入AI
文章强调，构建AI产品时应先使用常规编程探索问题空间，尽可能延长不使用AI的阶段。以Visual Copilot为例，团队先手写逻辑处理布局转换，直到遇到目标检测等难题，才训练专门模型填补空白。这种分层构建方式避免了“超级模型”的复杂性和不可行性，最终实现一键生成响应式代码，且速度极快、成本极低。
Q&A
如何构建独特的人工智能产品？
构建独特的人工智能产品应避免仅仅包装现有模型，而是创建自己的工具链，结合微调过的模型、自定义编译器和训练的模型。
使用大型语言模型（LLMs）有哪些主要问题？
使用LLMs的主要问题包括高昂的成本、速度慢以及定制能力有限，这可能不适合所有用例。
为什么要避免在项目初期使用人工智能？
在项目初期避免使用人工智能可以帮助开发者使用正常的编程实践探索问题空间，逐步构建复杂功能。
如何提升人工智能产品的质量和效率？
通过生成数据和训练自己的模型，可以提升人工智能产品的质量和效率。
控制自己的模型有什么好处？
控制自己的模型可以带来更好的隐私保护和持续改进的能力，避免依赖外部模型的风险。
构建AI产品时应如何处理隐私问题？
通过控制整个技术栈，可以确保模型符合高隐私标准，避免数据泄露的风险。
