AI产品最怕的，是只能用一个场景

深度思想，谈 AI 与向往 —— 字节深思圈

做产品的老习惯是盯住一个杀手级功能，把它打磨到极致，再用它去撬动用户。这套打法在移动互联网时代屡试不爽。但放到 AI 产品上，它正在悄悄失效。真正危险的不是某个功能不够好，而是整个产品只有一个场景能用——一旦那个场景被通用模型顺手覆盖，产品就没了立足之地。

月之暗面的杨植麟在 2023 年的一场对话里，把这件事说得很透。他提了一个当时没人当回事、现在却越来越锋利的判断：AI 产品该比的，不是某个功能多强，而是单位时间里能解锁多少个"可用"的场景。

AI 产品的边界，是数据定义的，不是功能定义的

要理解为什么"单场景"危险，得先看清 AI 产品和传统产品的一个根本差别。

传统产品的边界由代码写死：产品经理定义需求，工程师确定性地实现，一个功能就是一个功能。但 AI 原生产品不一样。用杨植麟的说法，前端正在收敛成对话式界面，后端正在收敛到一个统一的大模型，真正的差异落在中间层——数据。一款 AI 产品，很大程度上是被两份数据集定义的：训练数据决定模型能提供什么能力，测试数据决定这些能力实际可用到什么程度。

这个差别带来的后果很实在：做一个新场景的边际成本被大幅压低了。传统方式下，每加一个场景都要重新开发一遍，成本是线性堆叠的；而在 AI 原生的范式里，只要底层能力和数据回流是通的，扩展一个新场景更像是"换个数据集"，而不是"重写一个产品"。

正因为扩展变便宜了，只做透一个场景反而成了最不划算的选择——你把所有筹码押在一个点上，而这个点恰恰是最容易被别人用更低成本复制的。

新的度量衡：场景摩尔定律

那 AI 产品该用什么来衡量自己？杨植麟给的答案，是他叫作"场景摩尔定律"的东西。

传统摩尔定律衡量的是晶体管数量、算力这些硬件指标。他把它搬到 AI 上：真正关键的指标，是每过一段时间，有多少个场景从"不能用"变成"可用"。而且这个过程必须是指数式的，不能是线性的。

为什么强调指数？因为线性意味着"每加一个场景，都要专门加一份数据、调一次模型"，那还是旧 AI 的做法，永远快不起来。只有当底层是一个足够通用的能力引擎，场景的解锁才能批量发生、互相加速。

他有个很形象的说法：别种树，圈地。传统产品经理像神枪手，精心挑一块地、种一棵树，赌它长成森林；AI 时代的做法是划下一整片地，让通用能力一口气推过去，一次性验证几十个上百个场景里哪些能活、哪些会死。找 PMF 的过程本身，也应该用 AI 的方式、用批量试错来做，而不是靠一次押注。

这个判断的含金量在于，它把 AI 产品的竞争力从"单点强度"换成了"解锁速度"。场景数到了一定程度，产品就自然长成一个入口——这个进程不需要人为规划，引擎天生通用，产品就会顺着边界摊开。

为什么单场景特别危险

把上面的逻辑反过来，就能看清单场景产品的死穴。

一是被覆盖的风险。一个只解决单一场景的产品，它的价值几乎全部依赖那一个场景的独特性。可通用大模型的能力是持续外溢的，今天你靠微调做出的一点增量，明天很可能被基座模型的一次升级顺手抹平。壁垒建在别人的地基上，地基一动，墙就塌。

二是缺数据回流。场景越多，用户在不同情境下的交互越多，回流的数据就越丰富，模型就越聪明，又能解锁更多场景——这是一个正向循环。单场景产品拿不到这个循环的复利，它的数据是单薄的、停滞的，撑不起持续进化。

三是估值逻辑吃亏。投资人看单场景产品，看的是"这个场景的市场有多大"，天花板一眼望到头；看多场景引擎，看的是"还能解锁多少场景"，故事是开放的。同样的努力，后者的想象空间完全不同。

需要说清楚的是，通用性和做多场景，跟"服务一个人人都在用的超级应用"并不矛盾。AGI 的 G 就是通用，它能解决的问题本来就越来越多，产品边界天然在扩张。顺势扩张，是顺应技术本性；死守一个点，是逆着本性走。

反方观点：这条规律不是对所有 AI 产品都成立

说到这里必须泼一盆冷水，场景摩尔定律有其适用边界，不能无脑套用。

第一，它对"通用引擎型"产品最成立，对深度垂直型产品未必。如果你做的是某个极窄行业的深活，比如前面聊过的本地商家代运营，壁垒恰恰来自对单一场景的极致理解和数据闭环，这时候摊开做场景反而稀释深度。深度和广度是两条路，不能混着走。

第二，“解锁场景"必须以"真的可用"为前提。如果为了冲场景数，把一堆半生不熟、没人真用的场景也算进去，那就是自欺。场景摩尔定律的分母是"可用”，不是"上线"。

第三，这套打法有个硬前提：底层通用能力要真的够。如果基座不稳，圈再多的地，长出来的都是杂草。先有通用引擎，再谈批量解锁，顺序不能反。

所以更准确的说法是：当你的产品本质是一个通用能力引擎时，请用场景解锁速度来要求自己；当你本质是一个垂直深活时，请用单场景的穿透深度来要求自己。最怕的是定位模糊——既不够通用、又不够深，卡在中间。

落到行动

如果你在做 AI 产品，可以用三个问题对号入座。

第一，你的产品到底是引擎，还是深活？这决定了你该用哪把尺子量自己，别拿错度量衡。

第二，如果是引擎，把仪表盘上的核心指标换成"本季度新增了多少个真正有用户在用的场景"，而不是 DAU。DAU 告诉你现在有多少人，场景解锁速度告诉你未来能有多少人。

第三，把资源投向能喂数据回流的地方。每多一个真实场景，都要让它的交互数据回到模型里，让下一个场景解锁得更便宜。场景之间互相加速，才是这条定律真正的复利来源。

AI 产品最安全的活法，是让一片地的树，长得比别人更快。