文稿内容如下： 我最早听到PLG这个词是在刚从toC转做toB没多久的时候，PLG中文释义就是产品驱动增长，其实在toC领域基本都靠PLG，纯数字化服务，纯数字化做增长获客转化，PLG其实是toB领域推出的一个名词，本质上是传统的SLG-销售驱动增长的一个孪生兄弟，目的是想通过纯产品的方式，例如一些面向C用户的工具来推动企业B端产品的获客从而进一步转化。 作为产品我们日常使用的一些工具几乎都有toB业务，比如Axure、墨刀、Figma等等，如果我们单独自己使用，那他们对于单个使用者来说就是一个工具，提升我们的工作效率，但在我们平时的工作当中都离不开上下游的同事伙伴的协作，比如产品经理出完原型要交给设计师，设计师对于原型可能有些自己的想法，沟通后需要在原型上调整，这个过程就涉及到两个职能间的协作，而很多工具都有一个提升协作效率的梦，除了提供工具外还提供协作功能，一旦有了协作其实就是一个面向企业的toB产品了。 上面举的例子就是一个典型的PLG打法，一个toB产品的定位是面向企业的，但真正使用工具的是员工，在产品初期可以通过给员工提供一个小工具提升他们的效率从而再进一步通过员工这个点撬动员工的领导或老板来形成企业级的产品购入。 那什么催生了PLG的打法呢？或者PLG出现的背景是什么？ 我个人的理解，PLG的出现有以下几个原因： 1.传统SLG，销售驱动增长获客的方式不具备网络效应，就是说一个销售获客的能力是有限的，在这种请看下公司追求规模化那必定需要提高销售团队的规模来达成这一目标，那成本必定成倍增长，而通过PLG的打法，用户可自传播，通过互联网形成网络效应，产品自发的实现获客增长，理论上甚至不需要多少成本就能获得数以万计的用户。 2.员工影响企业决策的能力变大了，toB产品采购的决策者是企业老板或部门领导，PLG打发触达的往往并不是这些人，而是企业员工，最近十几年互联网的发展都倡导扁平化，且优秀员工是企业最重要的生产资料，老板和员工的关系更像是合作者，在这样的背景下，员工的话语权越来越高，对上的影响越来越大，有了这样的背景就使得员工推荐老板采购一些toB的产品成为了一个可能。 3.toB产品saas化，中国的saas生态虽然不比国外，也没有孕育出像salesforce这种百亿美金市值的企业，但无数的toB行业的老炮创业者都在为中国saas做贡献，像分享销客、北森等等都是中国saas领域的龙头产品，而saas产品最大的特点就是标准化，云化、开箱即用，这就给PLG提供了一个很好的环境，用户可以直接在线上就能了解体验到toB产品的AHA时刻且可直接在线去购买产品，而无需像传统的toB软件售卖需要POC，采购后还需要部署，部署完后还需要大量的售后人员去培训。所以PLG的诞生离不开中国saas产业的发展。 我记得我两年前在做一款面向销售的创新saas的时候，也做过PLG，而这种PLG的方式并不是从用户角度出发自然演化出来的，而是因为当时新产品在Go to market 阶段遇到了一些困难，所以想通过PLG的方式试一试，具体的做法就是用户可直接在线注册使用，产品目标群体是销售，销售在上传文件分享给自己的客户，当客户打开的时候，销售就会收到用户浏览的通知，并且直接发起音视频沟通；这里的接收到通知就是一个AHA moment，但比较遗憾，这种方式也没能够做出一些增长，我觉得这个点可能并没有解决实际销售的痛点，后来复盘去看，很多痛点都是产品或企业老板自己“觉得”出来的，用户并不痛，但老板觉得痛。 现如今很多toB的企业老板会滥用PLG，并没有掌握PLG真实的意义，我理解它的意义在于满足一个企业员工的痛点或痒点再逐步把产品迭代满足toB场景的一些例如协作等需求形成一个企业服务产品。而现在很多老板都是因为增长和成本的困扰强行PLG，通过PLG做增长，不是说这种方式没有机会，而是如果因为增长或降低获客成本去做这个事情，那就想病急乱投医，头痛医头，脚痛医脚，你指望找一个产品法师来救命，那其实很容易走偏，我碰到过这样的老板。 PLG还有一些其他维度，比如对于一个有一定规模的saas产品，很多toC的玩法可以用到其中，比如我怎么提升新注册用户的留存，那可以做一些onborading（新用户上手）的优化设计，比如我想提升用户线上的付费转化，那可以通过降低产品内部的交易摩擦来实现这一目的等等。 实际上PLG对于很多toC的产品经理来说是容易上手的，因为toC的产品本身就是PLG，PLG、SLG、还有一个名词叫做MLG（市场驱动增长），关于这个名词后面再为大家单独介绍。 公众号/小红书：产品萧书 知识星球：https://t.zsxq.com/L0oXg

时间轴： 00:00 交易模型：指导产品设计与优化的关键 01:40 狭义的交易模型 02:52 广义交易模型优化互联网产品设计 06:02 交易模型运用在自己实战经验中的实例 13:44 交易模型及其在产品设计中的应用 文案内容： 交易是经济学中涉及比较多的一个名词，在商业场景下基本都会涉及交易行为，而互联网产品中的交易也无处不在，我记得早年在做toC会员权益设计那会儿因为缺乏系统性的设计方法，在规划和设计产品的时候常常感到困惑，直到后面读了一些经济学的书籍之后才逐渐清晰，其中有一本俞军老师写的《产品方法论》中提到的交易模型更是解决了我产品当中的困惑，这里就来和大家讲讲什么是交易模型？ 狭义上的交易指用户支付金钱去购买产品或服务，从用户角度出发，他付出的成本是金钱而收获的是产品或服务给他带来的价值，这里交易模型的核心就是就是假使用户都是理性的，那么当用户认为获得的收益大于付出成本时候就很容易能达成交易，就好比我们去商场或一些电商平台买东西，我们下决策的时候都会掂量这个商品是不是值得买，这个决策的过程就是比较成本和收益的过程。 如果光凭狭义上的交易模型，很难给产品设计带来指导意义，因为如果产品或服务方想要促成交易，只有两种选择，要么价格降低，要么提升产品给用户带来的价值：原先我可能提供一个剪辑工具，为了让你买，同样的价格我再加一些免费素材给你。所以这里就需要再衍生出一个新的概念，叫做广义上的交易模型，在这个模型下用户付出的交易成本就不仅仅是金钱了还比如像花费的时间、心理成本、生理成本、未来的不确定性成本等，收益也不仅仅是产品服务本身，还有像提供的情绪价值等。 在做一些交易导向的产品设计时，如果参照上述的交易模型标准，通过产品优化不断去降低用户成本或者提升产品价值就能够更大限度的促成交易的可能，促成交易也是产品设计的终极目标，这点是毫无疑问的，那下面我就用我自己经历的一个项目来阐述我是如何通过这个模型来主导产品设计的。 当时我负责的是一个素材网站的企业模块，企业需要在线购买素材会员才可在网站内下载素材，那这里的用户就是企业 ，什么情况下企业会买会员呢？按照交易模型即企业主认为他付出的成本大于收益的时候就愿意去买了，为了促成交易，我们可以先从降低成本的角度切入，广义的成本上面提到了不仅是金钱，还有比如用户在购买过程中花费的时间，很多企业在采购素材的时候特别会在意某几条重要的权益条款，版权保障信息等，所以围绕这一点就需要把这几条核心的权益突出展示包括版权保证信息都需要着重展示出来，这样用户就能用更少的时间了解他们，还有像在线的支付流程是否足够短足够简单，这也是降低交易成本的一种方式，除了时间之外还有信任成本，如果用户对一个产品信任度低也会增加交易成本，在产品中增加一些大企业客户的介绍，行业内KOL的介绍，提升产品设计的专业度都是降低这一成本的方法；另一个维度就是提供更多的价值，比如情绪价值，最简单的就是提升产品交互的易用性，用户使用产品时能够感到愉悦而不是因为糟糕的体验而感到困惑，还比如像在特定的环节或容易出错的环节给予一定的温馨提示，也能让用户感受到产品是有温度的，除此之外提供额外的服务也是一个优化方向，比如在权益条款中体现一些客户的专属一对一服务，专属的下载通道等。 俞军在交易模型的书籍里面也列举了很多降低交易摩擦（成本）的实例，比如现在的在线买菜的APP，原先用户买菜要自己去菜场，而有了APP就不用出门了，这是不是降低了生理成本，还比如很多电商平台都有7天无理由退货，这背后是降低了未来不确定的成本，用户买的时候不会有如果实际的商品不符合预期带来损失的后苦之忧了。 我们身边很多接触到的软硬件的应用仔细去研究它的设计，基本都尊崇交易模型，可以把这个模型带入到你目前参与的产品中看看，有哪些地方还存在交易摩擦，还有机会去优化的。 公众号/小红书：产品萧书 知识星球：https://t.zsxq.com/L0oXg

本期播客介绍了GPT背后的神经网络模型的原理、历史演进以及GPT训练方法，希望大家听完能有所收获。 本期播客的文稿前往公众号《产品萧书》，地址： https://mp.weixin.qq.com/s/dOrVgwBLxItW27XuZLUwAQ 播客内涉及的插图： 异或问题图例： *通过一个直线（线性函数），无法把图中的“X”和“O”划分开 循环神经网络短期记忆影响大图例： 时间轴： 00:00 深入解析AI与机器学习：从基础到前沿 05:18 深度学习的发展与应用：从单层感知器到卷积神经网络 09:57 深度学习中的卷积神经网络与循环神经网络 15:06 揭秘GPT背后的 transformer 神经网络 17:08 介绍GPT及其运行原理 19:30 探索GPT的训练历程与原理 公众号/小红书：产品萧书 知识星球：https://t.zsxq.com/L0oXg

节目概要： �本期内容深入探讨了人工智能绘图技术的发展历程，从20世纪70年代的首个AI绘画机器至今，历经多次技术革新。早期尝试如AARON和Painting Fool项目为后来的技术发展铺平了道路，分别展示了通过机械臂和计算机程序分析图片信息创造艺术作品的可能性。随着深度学习模型的兴起，特别是2012年后通过大量数据训练的模型，实现了图像生成的重大进步。生成式对抗网络(GAN)和Deep Dream模型的推出进一步推动了AI绘画的边界，展现了人工智能在创作奇幻图像方面的潜能。此外，文章还讨论了不同的图像生成技术和模型，包括基于深度学习的自动编码器、变分自编码器和扩散模型，以及它们在生成高质量图像方面的应用。这些进展不仅体现在技术创新上，也反映在实际应用中的多种AI绘画工具发展中，例如MidJourney和Stable Diffusion，它们能够将文本指令转换为具体的图像内容，体现了从理论研究到实际应用的转化。这一系列的发展标志着人工智能绘图技术从概念验证迈向广泛应用的成熟阶段。 时间轴： 00:00 AI绘画的早期探索- AARON、Painting Fool 03:03 AI绘画开始结合深度学习-2012 吴恩达的猫脸 04:31 生成式对抗网络- GAN 的诞生及训练原理 07:00 谷歌图片生成模型Deep Dream的诞生及训练原理 10:04 Open AI推出生图工具DALL-E 12:20 介绍了CLIP生成图像描述模型原理 14:29 介绍了生图模型VAE（自分编码器） 原理 17:00 介绍了生图模型Diffusion原理 20:23 介绍了Mid journey和Stable Diffusion AI生图工具原理 播客内涉及到的模型图片和训练原理图片： AARON机械臂： AARON绘画作品： Painting Fool 作品： 吴恩达的猫脸： 生成式对抗网络训练原理图： Deep Dream 作品： Deep Dream训练原理： AE（自动编码器）原理图： diffusion模型原理图： 加噪： 减噪： Midjourney作品： Stable Diffusion作品： 图片来源于互联网，若有侵权主动联系作者删除 公众号/小红书：产品萧书 知识星球：https://t.zsxq.com/L0oXg