Spotify、Adobe 和 LinkedIn 产品负责人谈 AI 时代的设计

Harry Stebbings 召集 Adobe 的 Scott Belsky、Spotify 的 Gustav Söderström 和 LinkedIn 的 Tomer Cohen 开展产品圆桌讨论。Belsky 介绍自己从负责 Creative Cloud 产品转向战略和新兴产品；Söderström 是 Spotify 联席总裁，Cohen 负责 LinkedIn 产品。

Belsky 预计，AI 将帮助团队开发、测试和调试代码，并探索更多界面方案。设计师不必花很长时间逐一构建每个版本，而可以生成选项，再挑选值得测试的方案。他预测，团队能用更少的周期找到更好的解决方案。

Söderström 提出一个更大的转变：过去人们认为界面就是产品，机器学习只是辅助；他认为现在 AI 越来越成为产品，而界面帮助它收集有用的信号。他以 TikTok 简洁的视频界面为例，说明设计如何放大推荐系统的作用。

Belsky 说，有了 AI，界面不一定会消失。界面帮助人们理解自己能做什么，也可能呈现为语气、对话方式或人格等新形式。例如，Spotify 的 AI DJ 就要决定产品如何与听众交流。

Cohen 说，AI 战略不能简单交给专业团队，产品负责人和高管也必须理解它。他把这场转变比作从桌面转向移动端：团队需要放下旧假设，围绕相关性作出选择，而不是把所有东西塞进更小的屏幕。

Cohen 说，AI 优先的产品可能提供概率性的体验，而非完全确定的结果。习惯掌控每项输出的领导者必须学会设定目标和约束，同时接受变化。Stebbings 问，对于上市公司而言，不可预测的输出和幻觉是否尤其令人担忧。

Belsky 区分了不同场景：在音乐发现或 Photoshop 生成式填充中，出人意料的结果可能有用，用户也可以重试；但在法律文件中，错误的后果严重得多。错误能否接受取决于具体任务和风险。

Söderström 说，设计 Spotify DJ 时，团队需要决定它应该像工具、通用助手，还是一个具有真实个性的数字化人物。设计师既要了解用户，也要了解模型能力。他以 Midjourney 展示多个低分辨率选项为例，说明界面如何适应缓慢且不完美的生成过程。

Stebbings 问产品人员如何同时了解多个模型。Cohen 预计，平台会根据目标、成本和效率，将任务路由到合适的模型，同时向设计师和开发者隐藏部分复杂性。他认为这一层有初创企业的机会。

Belsky 预测，未来会有长尾模型，包括专用、开放和本地运行的系统，而不是由少数云端模型处理所有事情。他预计路由会同时考虑适用性和成本。Cohen 还设想，在模型层路由之外，应用层可以协调多个专门的智能体。

Söderström 说，在 Spotify 的规模下，成本已经成为产品设计的限制：如果为 5 亿用户每人生成两分钟语音，就需要生成 10 亿分钟。因此，公司许多内部工作关注的是如何经济地交付功能，而不仅是技术上能否实现。

他还设想用一个模型将用户完整历史——包括互动和内容——嵌入为共同表示，同时用专用模型处理语音和视频等任务。Belsky 指出，路由层也可以利用用户上下文在模型间选择。两人讨论的是可能的架构，并非已确定的蓝图。

被问到 AI 成本是否会遵循类似摩尔定律的曲线时，Söderström 预计硬件和软件效率会持续改善，同时指出更大的前沿模型与达到早期模型能力的小模型都在进步。Cohen 则提到共同优化软件和芯片，在功耗、容量与成本方面的潜力。

Cohen 说，不知道具体任务，就无法给模型规模和数据量排出重要性顺序。一个训练不足的大模型可能不如训练充分的小模型；专门的求职教练也可能比通用生活教练更合适。关键问题是团队要解决什么问题。

在 Belsky 看来，模型落地包含大量最后一公里工作，需要依靠对客户和产品的了解。他提醒团队不要过于沉迷技术突破，以至于忘记用户实际获得的体验。他认为，在快速变化中，对客户的同理心有助于领导者选择值得追求的新能力。

Söderström 说，Spotify 的瓶颈随着时间变化：先是寻找技术人才，后来是准备数据，以及教会全公司围绕模型的实际能力开展设计。Spotify 曾将“AI 就是产品”列为内部重点，帮助大家建立共同理解，避免最初低估技术、随后又过度兴奋。

Cohen 说，产品评审现在会检查提示词，就像团队过去坚持查看移动端设计一样。写提示词需要技巧，但它也让设计师和产品经理能够自己生成早期想法，而不必先说服工程师构建原型。Belsky 则介绍了设计团队主导 Adobe Firefly 早期界面开发的经历。

再次谈到模型和数据时，Söderström 预计模型规模在一段时间内仍然重要，但长期来看，对个体用户的深入理解会很关键。他以 Medprompt 为例，说明通用模型结合精心设计的提示词，能在医疗任务上取得良好表现；但有用的上下文仍需提供。

Söderström 说，Spotify 会自行构建部分模型，也会与合作伙伴使用其他模型。它并没有秘密打造 GPT-4 竞品：Spotify 的目标，比如经济地为大量听众生成音频，与通用 AI 实验室不同。他说 Spotify 与 Google Cloud 有大量合作。

Belsky 说，当专业知识和数据让 Adobe 拥有优势时，公司应该自建模型，例如图像模型；对于通用语言模型则应与伙伴合作。Cohen 也作出类似区分：LinkedIn 的机会在于将模型与自己对职业关系和用户需求的理解结合，而不是竞争构建每项底层技术。

Cohen 称，数据收集和质量是产品工作的核心责任，不能完全交给数据科学家。在他看来，第一项工作是明确算法目标；接下来要确保系统获得追求该目标所需的相关、高质量数据。

Belsky 说，Adobe 特别关注训练数据的来源和商业使用安全性。他表示，Adobe 不会用客户创作内容训练模型，除非客户为此将作品提交到 Adobe Stock 并获得报酬。这是他对公司当时政策的描述。

Belsky 还看到企业利用自有客户数据实现数字体验个性化的潜力。Söderström 说，Spotify 从播放列表和早期用户行为表示中认识到了使用数据的价值。他补充说，获得授权的数据不仅解决技术问题，也能解决商业和知识产权问题。

Söderström 认为，第一波 AI 技术令人印象深刻，但总体上强化了现有商业模式。他预计，当新技术带来现有企业难以跟进的商业模式时，颠覆性变化会更大；但他承认还不知道那种模式是什么。

Belsky 认为，每次平台转变都不一样。从本地部署软件转向云端、从桌面转向移动端都是重大变革；而 Adobe 可以在 Photoshop 等现有产品中加入 AI 界面，也可以单独提供 Firefly。他相信，在这次转变中，既有客户关系可能有利于现有企业。

Söderström 指出，Adobe 转向订阅制后，新功能对其自身模式的冲击较小。他将此与 Spotify 的流媒体模式比较，称竞争对手花了多年才跟上。他也承认，AI 可能只是提高现有企业的生产力，而不会颠覆它们。

Cohen 指出按席位收费的软件可能面临一种矛盾：如果 AI 让组织用更少的人完成相同工作，按用户收费就可能削弱供应商自身的收入模式。嘉宾讨论了按完成的工作或价值收费的可能性，将其视为新兴选择，而非已经确立的替代方案。

Belsky 将问题延伸到按小时收费的专业服务。即使 AI 把工作从几小时缩短到几分钟，律师的判断仍可能有价值；问题是如何为这种价值定价。他也预计软件采购会演变，但没有给出具体时间表。

关于企业采用，Belsky 说，当一家公司看到同行取得有用成果时，变化可能呈跳跃式发生。他倾向于先与小团队作为设计伙伴合作，再扩大销售，并介绍了使用品牌自身知识产权试验定制版 Firefly 模型的做法。

Söderström 同意采用仍处于早期，但预计企业可以更容易地在现有系统之外并行试验 AI，而本地基础设施迁往云端则更困难。他预测一旦广泛使用开始，采用曲线会更加陡峭；这是他当时的预测。

Cohen 告诉职业生涯早期的产品人员，工作中的任务会发生变化，持续学习因此必不可少。他引用 LinkedIn 对技能需求变化的估计，建议将广泛技能与某个领域的专长结合，同时培养人际能力和想象力。他给出的数字预测是估计，并非保证发生的结果。

Belsky 建议人们在自己的工作中试用新工具，再与团队开展小规模试点，发现真正的用途。即使同事经验更丰富，初级员工也可以引入有价值的做法。Söderström 补充说，新人可以受益于最新知识，学习提示词也无需先请求许可。

Belsky 从跑步中总结出一个领导经验：有想法时，他不会马上停下来记录，而是继续思考，这个过程往往能让想法变得更好。在工作中，他会用同样的方法，稍等一会儿再给出反馈或决定如何解决产品问题。

Cohen 提到复杂性守恒：产品团队可以在设计中吸收复杂性，也可以把它留给用户处理。LinkedIn 的用户有许多不同目标，他希望 AI 能根据用户需求调整体验，而不是不断增加可见功能，从而简化产品。

Belsky 说，他对设计团队是否应集中管理反复改变过看法。有时将设计师分配到各业务团队有助于获得资源；后来为了服务不同的战略，他又把设计团队集中起来。领导者应该愿意在情况变化时调整方法。

Cohen 说，他不会招聘不愿意或没有能力深入学习 AI 的产品负责人。他们不必成为模型工程师，但应该理解目标、概率性行为、负责任的数据收集，以及如何快速学习。Söderström 最后说，技术颠覆对设计师和产品负责人而言是令人兴奋的时期，尽管最终结果尚不确定。