流派与争议：技术驱动派与场景驱动派

一句话定义

AI 产品的方法论分裂为两大流派——技术驱动派主张「能力先行、场景后置」，场景驱动派主张「场景与数据先行、能力够用即可」；此外在开源闭源、通用与垂直等维度存在多条持续争论的断层线。

为什么重要

流派不是站队游戏，而是立项时的世界观选择：它决定你先招算法还是先跑客户访谈、先建模型还是先建评测集。多数 AI 产品的失败不是执行差，而是用一个流派的成本结构去执行了另一个流派的战略。

前置知识

kp-003 产品形态、kp-004 简史——争论的语境。

核心概念

• 技术驱动派（Scaling 派）：核心信念是模型能力沿规模定律（Scaling Law）持续提升，今天做不到的明天能做到，应尽早卡位通用能力。论据：Sutton「苦涩的教训」——七十年里通用方法加算力反复战胜精心设计的领域知识；GPT 系列的路径证明能力外溢会自动开创新品类。风险：能力兑现时间不确定，烧钱周期长。
• 场景驱动派：核心信念是通用模型能力趋于同质化，价值沉淀在垂直数据、工作流与信任里，应从具体场景切入。论据：写作助手 Jasper 的兴衰说明薄封装没有壁垒，而 Cursor 等深嵌工作流的产品在模型迭代中反而受益；企业客户为「解决我的问题」付费，不为「最强模型」付费。风险：可能被下一代通用能力直接碾过。
• 断层线二：开源 vs 闭源。闭源派强调能力领先、安全可控、商业模式清晰；开源派（以 Llama 系列为代表）强调生态扩散、成本与自主可控。对产品经理的实际含义是 kp-008 的选型选项差异。
• 断层线三：通用 vs 垂直。「大模型将吃掉垂直 SaaS」与「垂直 know-how 不可替代」两种叙事并存，2023 年以来两者呈现为「基础模型公司向应用延伸」与「应用公司自建小模型」的双向渗透。

原理与机制

两派的分歧可以用一条公式化的资源分配律概括：技术派把预算优先投给「能力上限」（模型、算力），赌时间窗口内能力提升自动创造需求；场景派把预算优先投给「价值密度」（数据、评测、工作流集成），赌模型同质化后竞争转向交付层。两条断层线（开源/闭源、通用/垂直）与派别正交——场景派里既有用闭源 API 的也有自研开源模型的。判断一个团队真正属于哪派，看它的关键评审会讨论的是 benchmark 名次还是用户任务完成率。

公式或模型

不适用——本节为方法论立场分析。

图示

实例或案例

• Jasper：写作 Copilot，2022 年估值 15 亿美元，ChatGPT 发布后因核心场景被通用产品覆盖而大幅裁员——场景薄、无数据壁垒的典型样本。
• Cursor：AI 原生 IDE，站在模型进步的肩膀上（技术派的红利）却赢在编辑器工作流重构与快速迭代（场景派的打法），说明两派在执行层可以融合。
• Midjourney：闭源、无 API、纯消费订阅，以产品体验与社区立足——对「不开源就不行」「不做企业服务就不行」两种论断的同时反驳。

常见误区

• 把流派当信仰：正确姿势是按 kp-007 的场景评估结果选资源分配律，而不是先选阵营再找证据。
• 用 demo 代替流派论证：技术派最常见的失效方式是「演示驱动开发」，把最好的样本当平均能力（对照 kp-018）。
• 以为争议会有裁决：开源闭源、通用垂直的争议随成本曲线动态再平衡，产品决策要按当下时间点的条件做，而不是等待定论。

直观类比

技术驱动派像先修高速公路再等车流，场景驱动派像先找客流再修路。修错顺序都亏钱；高明的团队是边修路边数车——用评测数据与用户数据决定下一步投给路还是投给站。

自测题

1. 一家创业公司应该先招算法负责人还是先做客户访谈？两派会怎么答？

要点：技术派先建能力团队；场景派先验证场景与数据可得性；理性做法是按 kp-007 评估结果定顺序，而非按信仰。

1. 「苦涩的教训」对产品决策的含义是什么？

要点：不要在「人工规则/精调流程」上做长期重投入，因为通用能力进步大概率会覆盖它；把护城河建在数据与工作流上更持久。

1. Jasper 与 Cursor 的分野说明了什么？

要点：同样用通用模型，价值密度取决于工作流嵌入深度与迭代速度，而非「是否最早接入大模型」。

与其他知识点的关系

kp-008 把本节的立场争论落成可执行的选型决策表；kp-031 的伦理争议是断层线在价值维度的延伸；kp-009 说明无论哪派，数据闭环都是唯一能随时间复利的资产。

延伸阅读

• "The Bitter Lesson"，Rich Sutton，2019——技术驱动派的思想源头。
• 《跨越鸿沟》（Crossing the Chasm），Geoffrey Moore——场景派理解早期市场与主流市场差异的经典框架。