AI原生应用（AI Native）思维是一种基于AI构建和运行应用程序的方法，是一套技术体系和方法论。

一、参考云原生思考AI原生应用概念

AI原生应用（AI Native）思维是一种基于AI构建和运行应用程序的方法，是一套技术体系和方法论。AI表示应用程序需要更好的利用AI能力和适应AI，而不是传统的AI来适应人；Native表示应用程序从设计之初即考虑到AI的应用和能力，原生为AI而设计，在用好AI以最佳姿势运行，充分利用和发挥AI大模型的智能+CUI优势，提高应用程序的智能化水平。

对标目前已有的云原生概念，如下图所示：

AI原生类似可以表示为如下场景：

二、基本概念

在过去十年中，AI 和机器学习 (ML) 技术的开发和使用呈爆炸式增长，特别关注 AI 领域的 ML 方面，其中 ML 通常被视为 AI 的一个子领域。这也是本文中使用这些术语的方式。使用 AI 一词的理解是，大部分 AI 讨论都围绕 ML 的子领域展开，但 AI 不仅仅是 ML，AI 的其他方面仍有大量工作，例如机器推理实例。

目前，人工智能技术已经成熟，现在被认为是稳定的，最先进的技术被用来解决许多类型的难题。 AI 技术在存在固有随机性和非确定性的情况下表现出色，并且在可用数据中捕获模式和相关性的复杂性（有时基于非常复杂的输入）需要付出大量努力才能被人类专业知识驯服。在这些情况下，人工智能技术可以在可用数据上进行训练，然后学习表示和预测数据中的固有行为。

为了解决“AI原生”这一术语缺乏清晰定义的问题，首先需要澄清该术语的使用方式。”AI原生”通常作为一个前缀，用于修饰诸如系统、功能或实现等实体，例如一个更具体的实体，比如特定的功能或接口。无论该前缀用于哪个实体，可以认为高层次的”AI原生”概念保持一致，它包括在实体的所有子组件中普遍使用AI和必要的数据基础设施，而不是将基于AI的组件添加到现有的非AI实体中。

术语”AI原生实现”用于在讨论最广义概念时消除歧义。如果讨论一个系统、一个功能（可以是泛指的功能，也可以是网络功能）或一个应用，那将会产生混淆，因为所有这些都可以是AI原生的。相反，将使用泛指的术语”实现”，该术语将涵盖上述所有内容以及其他任何可以被视为AI原生的实体。

从实现的角度来看，添加AI能力到一个系统可以采用不同的方法：

• 第一种方法是用 AI 技术替换已有的功能模块，比较方便对比替换前后的收益

• 第二种方法是添加一个全新的基于 AI 的模块，这种模块没有任何历史包袱，适合在探索性项目中应用

• 第三种方法是添加一个基于 AI 的模块，由它驱动传统模块，就像一个Sidecar，在传统模块之上，提供基于 AI 的自动化、优化或额外的功能

但无论是简单地使用 AI 替换一个、多个或所有模块中的现有功能，甚至添加新功能，这些并不能实现严格意义上的 AI Native，类比到应用架构中：AI 应该和代码、数据一样成为一等公民，即无代码、不编程；无 AI、不工作。一等公民可以在整个架构中横向、纵向使用，而不仅限于某一层，数据基础设施也是如此，数据和知识需要跨层共享，AI 技术也可以应用于每一层甚至跨层，以实现架构中无处不在的智能。

因此，AI原生应用概念可以简要定义如下：

AI原生应用是指在设计、开发、部署、运营和维护过程中，具有内在安全、可信的AI能力应用，其中AI是功能的自然组成部分。

实现一个AI原生应用的过程，往往需要利用数据驱动和基于知识的生态系统，在这一过程中，数据与知识将被消费和生产，以实现新的基于AI的原生功能。在需要时通过学习和自适应的AI增强能力，来替代以往静态的、基于规则的机制。

我们在理解AI原生应用时需要区分「AI原生」与「基于AI」的区别：

• AI原生：指将 AI 嵌入其核心，如果AI不是产品的一部分，产品就不会存在。

• 基于AI：指使用AI为用户提供新功能，从这个方面看，AI就是一个附加组件。

三、AI原生的进化之路

其实不论是上面我们提到的AI原生应用思维分层（主要特征），以及目前业界对AI原生应用的定义，不难看出AI原生的进化之路都是层层递进且贯穿全部产品研发、交付过程的。

成为 AI 原生意味着能够利用技术来完成能想到的任何工作。这意味着专注于更有价值的工作并推动真正关心的业务成果，而不是淹没在工作中那些可能并不感兴趣或机械般重复的平凡事物中。

要想成为AI原生，简单来说我们需要进行如下进化：

Think in AI：不论是产品设计、功能设计、架构设计这些典型场景，还是研发过程各阶段本身，如开发、测试、发布与运维，都需要深入思考AI能做什么、不能做什么。诸如产品中哪些最核心的能力是由AI提供的；应用架构中前后端与模型应用是怎么组合的；开发/测试等研发环节都可以用什么AI能力或工具来帮助我们更快速、更高质量的持续交付产品价值等等。甚至是我们有一个idea，是否可以通过提示词组合、一步步的做出一个产品MVP，更进一步：

• 试想下，未来产品与研发的「交互界面」是否会从PRD进化为一个简单的MVP+关键需求描述？

• 很多埋藏的很深的产品功能，是否可以被简单的AI激活或唤醒？

• 每个产品都有很多很多的「Backlog」，所谓的一直排不上的「需求列表」处于一直膨胀和积压的状态，以往我们会说优先级不高或者是人力不足，但是AI是不是可以重构产品的这个「需求列表」，使这些永远也排不上的需求得到良好的满足？

…

数据与知识生态驱动：AI原生使数据和知识更为重要，主要体现在如下几个方面：

• 重要的业务数据和知识经过人工标注形成高质量的数据集，作为SFT、微调、Post-Training等各阶段「养料」喂给大模型，使模型具备更好的效果，从而支撑产品最终能力跃升并取得更好的业务效果。

• 通过反馈的系统化收集（如点赞和点踩），基于RLHF过程通过奖励模型进一步打磨模型应用，使反馈成为促进产品能力提升的关键环节。

• 将一些变动频繁、隐藏在「深处」的知识通过Embedding方式「外挂」到产品，使AI原生应用具备了「翅膀」，延展了自身能力。

• 通过用户真实的Query，洞察用户意图和长期被压抑的诉求，使用户需求得到更好的满足。

• ……

• 所有这些，都带来一个巨大的变化，设计和实现一个产品能力时，要优先考虑数据和知识生态，诸如需要什么样的数据和知识、怎么组织数据效果会更好、怎么通过反馈提升产品能力等等，这些思考将更为重要。

从规则到自适应：以往不论是产品还是研发同学，实现产品能力时往往都是规则或策略的方式，如什么条件下产品给出什么响应，这个在研发同学的大脑中往往就是一系列的「if-else」或者「switch-case-default」，产品同学的PRD中也经常可以看到类似的陈述。在AI原生应用里将带来巨大的变化，结合上面数据驱动的特点，我们将不再需要思考那么繁琐的规则：

• 通过持续优化业务数据，并增强AI模型学习过程，AI将掌握相关产品能力，并根据学到的知识给出稳定性、可靠的能力输出。

• 通过大模型的泛化和推理能力，AI将具备自适应能力，即通过0样本或少样本学到的部分知识，在遇到其他没学到的输入条件时，也能给出较为准确的输出。

从简单使用AI到内建AI：我们以往经常会提到「内建质量」，其代表了规模化敏捷SAFe的核心价值观，所谓内建质量是指“产品一旦被发布之后就有了好坏之分，通过某些检验方式已经无法提高或保证它的质量，所以质量检验必须内置在产品或服务构建的过程中，而不能在它发布之后”，简单来说就是建设各环节、各角色为质量共同负责的一个体系和机制。那么AI原生并不是简单的「基于AI」构建产品，而是「内建AI」，同样这里也代表了一个体系和机制，贯穿各环节、各角色，如果没有这个，产品将不会存在。简单来说以往我们使用AI能力就是简单调用一些AI能力，如API等，但是内建AI不同，它是一个系统也是一个闭环，真正的做到「AI无处不在」。同样，类似内建质量的最佳实践「质量左移」，内建AI的最佳实践也是「AI左移」，即在产品设计、功能和架构设计方面思考AI、使用AI，在一个个产品idea涌现初期就使用AI。

与AI共同成长：任何新鲜事物刚刚诞生时都会或多或少存在问题，不论是文心一言还是Comate都在快速成长的过程中，大家需要接纳它们、看到不足及时反馈，与AI共同成长需要思考几个问题：

• 业务或产品是否能直接使用现有的AI能力？如果现在还不能，那通过哪些路径可以改进？

• 业务数据是否支持了某个通用场景，是否可以贡献并与现有大模型共建能力，使之具备更好的能力与效果？

• 通过现有的大模型基础能力，通过能力或平台复用等方法，是否可以快速构建业务或产品自身能力？

• 业务或产品是否有长效机制，定期复盘或实验AI能力的变化与提升，持续关注并改进自身能力建设？

• ……

• 总之，与AI共同成长需要我们以发展的眼光看待新鲜事物，并保持乐观、开放、自驱等心态来面对AI带来的各方面变化。

四、AI原生应用成熟度模型（供参考）

为了业务或产品在其AI原生应用之旅中提供指导，Ericsson开发了一个AI原生应用成熟度模型。该模型由五个级别的矩阵组成（L1到L5），另外还有一个级别为L0，表示非AI原生应用的水平。每个级别都有几个维度来进行系统评估，如架构、协作、数据摄取等，可以根据其AI原生程度进行分析。

下图供参考：