Christian Kleinerman：AI 模型、企业数据与产品决策

Christian Kleinerman 在哥伦比亚长大，曾在当地和美国创办公司，1999 年加入 Microsoft。他从事过 SQL Server、一体机和云服务工作，后来在 Google 负责 YouTube 基础设施。这些数据领域的经历让他加入 Snowflake；在 2023 年这场访谈时，他担任产品高级副总裁。

他说，早期创业经历教会他不要在人才上妥协，也让他认识到构建可扩展软件很困难。一款航空公司排班产品原本看似可以开发一次、反复销售，但定制需求使它更像服务业务。这段经历影响了他对平台的兴趣。

在 Microsoft，Kleinerman 学到了简洁的价值：SQL Server 不必具备老牌竞争对手的每项功能，只要让一部分功能更容易使用，也能吸引用户。在 YouTube，他看到时机和消费者行为与技术及商业模式同样重要。他的产品原则是尽可能简化，但不要过度简化。

他说，产品如果能如宣传所说正常运作、响应迅速并交付预期结果，就会让人感到神奇，尽管持续做到这一点很难。这些基本功与更有雄心的功能清单同样重要。

Kleinerman 看到生成式 AI 周围的炒作和错失机会的焦虑，但也看到背后的创新。他预测，生成式 AI 可能让许多人机交互变得更简单，并将其潜在重要性与移动互联网及互联网相比。这些是他在 2023 年 9 月的观点，而非已确定的结果。

他认为创意工作是较早采用的领域，因为令人意外的输出在其中可能有用；其他行业则需要更加关注正确性和数据准备程度。Stebbings 认为实施服务存在机会；Kleinerman 同意教育和服务很重要，因为技术栈仍在演变。

企业当时正在试验模型、检索、数据库、提示和微调的不同组合。Kleinerman 说，组织必须学习哪种方法适合哪种场景。他预计采用速度会与数据成熟度相关，以金融服务和零售为例，并指出公共部门的监管可能减慢部署。

Stebbings 提出，政治激励可能阻碍用技术替代医疗工作者。Kleinerman 说，近期机会更可能是辅助工作和提高生产率，而不是全面替代，尽管他不排除激励问题日后出现。这是 2023 年的预测，并非劳动力市场研究结果。

他认为，自然语言界面可以把业务问题转换成检索和数据库操作，从而让更多人接触数据。他的雇主 Snowflake 销售数据基础设施，因此与这一观点有商业利益；访问改善也取决于底层数据和系统的质量及适用性。

Kleinerman 区分公开数据和企业私有数据。他认为，在类似公开来源上训练的模型可能趋同，而内容所有者可能改变访问规则或寻求授权收入。他不确定出版方能够保留多少收入，预测的是数据经济的变化，而不是提供经过核实的估值。

被要求划分数据与模型的价值时，他认为数据占更大份额，并推测可能超过总价值的 90%。他承认模型有大量创新，但预计部分模型能力会趋于商品化，直到下一次突破。这些比例只是他的经验估计，并非经过测量的价值分配；他的公司也与数据平台有商业利益。

他预计计算机视觉以及图像、语音和文本更丰富的结合会取得进展，但不知道现有公司或新公司中谁会领先。他强调，即使在一年内，竞争格局也可能迅速变化。他对多模态界面的预测应放在 2023 年访谈的背景下理解。

对于所谓围绕基础模型构建的“封装应用”，Kleinerman 区分了浅层实现和将重要领域专长应用于法律等工作流程的产品。他也看到初创企业研究训练和视觉等核心方法。他不认为每个建立在其他模型上的应用都会自动成为具有持久价值的业务。

模型大小取决于任务。广泛的消费者助手可能受益于丰富的通用知识，而针对特定企业任务调整的小模型可能以更低成本或延迟提供有用的准确性。他预计模型压缩和更高效计算都会取得进展；实际表现取决于具体模型和使用场景。

Kleinerman 预测，计算改进和先复用共同基础再微调，会降低训练成本。被问到当时的模型是否会在一年后消失时，他区分模型系列和特定版本：版本会变化，而系列可能延续。两者都是前瞻性判断。

他同意更换模型的能力很有价值，但不认为它单独决定赢家。模型抽象层可以根据不同模型的特点调整请求，而不是假定相同提示词在所有地方表现一致。目标是在技术变化时保留选择空间。

他说，最明显的采用挑战是正确性和可靠性：模型可能编造答案。企业还面临隐私、安全和输出权利不明确的问题。他举了一个金融交易策略的假设例子：模型生成的建议赚了钱，谁有权利仍是复杂且未解决的问题。

Kleinerman 描述了企业使用私有端点、让模型靠近数据，而不是把大量数据复制到其他地方的趋势。他说，这可以为数据处理方式提供一定保障。这是一种架构方法和公司定位，并不能保证每次部署都安全。

他认为 Microsoft 当时最近向客户作出的版权承诺具有意义，因为企业担心潜在诉讼。他也说，这只能解决部分顾虑，并拒绝断言版权法如何适用于生成式 AI。访谈没有确定任何具体索赔的条款或结果。

谈到透明度，Kleinerman 讨论了训练数据和方法的信息，以及将生成摘要与来源联系起来的引用。他以 Snowflake 收购的搜索公司 Neeva 为来源归属的例子。引用可以帮助用户审查输出，但他的讨论并不能证明引用能够消除幻觉。

被问到初创企业还是现有企业会获得 AI 价值时，他更看好能够接触数据的现有企业，并明确说以 Snowflake 为例具有自利性。他也指出，平台可以让初创企业基于数据创新。Stebbings 补充说，渠道可能在短期内有利于成熟公司；两人都在作预测。

Kleinerman 说，“开放”有程度之分：模型权重是否可用是一个界限，但使用限制也很重要。他提到自己理解的 2023 年 Llama 2 限制，同时承认这个标签本身存在细微差异。他认为开放权重有利于研究，并预计商业产品通常会以托管服务形式提供。

他说，将演示变成可靠产品比看起来更困难、耗时更长。他没有预测立即发生大规模裁员，而是预计未来 6 至 24 个月逐步提高生产率，随后组织再决定减少员工还是重新部署人员。这是他当时的预测，并非经过验证的就业结果。

Kleinerman 将 Snowflake 的策略描述为让包括 AI 在内的应用靠近客户数据，而不是维持分散的数据孤岛。他认为 AI 对公司是利好，并承认许多客户已经将数据托付给公司。作为产品高管，他与这一定位有直接商业利益。

Stebbings 问，AI 是否会降低用户界面的重要性。Kleinerman 说，有些任务如配置基础设施可能需要更少的显式控件，而其他数据交互仍受益于更丰富的界面。他预计个性化将继续发展，而不是所有场景都发生同一种变化。

他认为市场认知是 Snowflake 的一项挑战：人们可能仍主要把它看作云数据仓库，即使公司正在推广更广泛的应用和 AI 平台。成功的原始定位可能难以改变。这是他对公司策略和市场认知的描述。

随着时间推移，Kleinerman 更愿意在产品需要一致原则时自上而下作决定，同时仍重视倾听。他区分了两种情况：核心数据系统中，错误或损坏要求认真设计；查询编辑器等界面则可以根据用户反馈更快迭代。

在快问快答中，他强调人，并建议产品经理亲自使用、深入理解自己的产品。他在大多数岗位上偏好技术型产品经理，但承认存在例外，也不认为 AI 创始人必须位于硅谷。他认为易用性是 Snowflake 的一项正确决策，即使简化意味着发布前需要更多时间。

Kleinerman 回忆自己最初误判了 Satya Nadella 在 Microsoft 的决策，后来开始欣赏他清晰的思维和对结果的关注。他也认为 Snowflake CEO Frank Slootman 能通过清晰思考简化决策。这些是他对共事过的领导者的个人评价。

展望十年后，他预测 AI 将广泛提高生产率，并对经济产生净正面影响，但表示自己不知道具体幅度。当被要求在两个示意性 GDP 数字中选择时，他选择了较小的一个；访谈中这两个数字都不是有证据支持的经济估算。