（一）Notion CEO：为什么RAG会彻底改变知识型工作？

01. AI 是 Notion 的机会

你会怎么定义 Notion？

坦白说，Notion 很难用一个词框死——它能做的事情太多了。我们的初衷是打造一个全能的工具，覆盖日常生活的大部分任务：个人用户拿来记笔记、做旅行规划、甚至统筹婚礼；企业用户则靠它搞定文档管理、任务追踪和内部知识库。为什么非得这么做？因为市面上 SaaS 工具太分散了，如果有一个产品能让用户 all-in-one 地完成大部分工作，或许才是更省心的选择。

不过要注意，Notion 实现这个目标的方式并不是往一个产品里塞满功能，而是构建更底层的 block——用户像搭乐高一样，用这些 blocks 创造性地搭建出完美适配个人或团队的用例。其实这事儿不算新，上世纪 70、80 年代就有人讨论过用 block 逻辑构建软件。到今天，我们无非是在云和 AI 的加持下，把过去受限于具体功能的软件枷锁给打破。

过去 20 年我们确实一直处于过度分散的 SaaS 世界，按理说通用工具应该是顺理成章的趋势，但为什么没人来做？

其实从很多角度都有人尝试过。比如 No-code 是从个人开发者视角切入，让每个人都能修改日常用的软件；Language model 则提供了另一个视角——底层知识和数据的管理必须统一；宏观上看预算，付 5 个 SaaS 的费用显然不如只给一个供应商划算。

而 Notion 更多是从计算、内容或文本相关角度出发——我们所有人都会阅读和写作，但对绝大多数人来说，电脑不过是台打字机或看 YouTube 的工具，本身没什么创造力。如果更多人能更有创造性地使用软件，情况可能大不相同。创造软件的人和用软件的人提供的价值天差地别，这也是旧金山房租那么贵的重要原因之一。

计算机先驱们很早就在讨论：操控计算机有一天会像识字一样普及。不过他们大概完全没想到 AI 会成为一个有趣的变量——language model 不仅能创造软件，还能帮人们完成大量思考相关的工作。接下来的发展会相当有意思。

你常提到 Notion 不仅是个生产力工具，更是一个应用构建平台。这个观点从何而来？为什么你认为人们想搭建更多应用？

我不认为人们想搭建更多应用。

Notion 的诞生源于大学时期读到的一篇论文——Douglas Engelbart 的《Augmenting Human Intellect: A Conceptual Framework》。今天人们用软件，通常是具体产品对应具体任务；但在计算机刚出现的 60、70、80 年代，人们使用电脑的方式要灵活得多——可以进入系统层面调整，甚至在操作系统运行时实时修改。这件事启发很大。

如今，人们和软件交互的方式有时显得很死板。那我们能不能创造一种全新的软件，让人们可以灵活调整和定制？这正是创立 Notion 的初衷——我们其实在重新审视计算机先驱们当年讨论过的议题。

不过，大多数人并不想创建软件，更多的是完成老板分配的任务。所以，我们在创立过程中学到的经验是：与其提供一个构建软件的工具，不如直接给用户各种 blocks 构建的模板，让他们上手即用。

AI 对这个目标带来了什么影响？

说实话，Notion 挺幸运的。我们一直没特别专注某个具体用例，而是把重心放在构建这些用例的乐高积木块上。这些“积木”包括最基础的文档编辑，还推出了关系型数据库、表格、评论以及不同的访问权限等。过去 5 年我们一直在干这事儿。

AI 更像是以新方式组合、驱动这些积木块的新引擎。正因为我们一直在构建完善这些积木，才能迅速把 AI 和已有功能结合起来。我们之所以是市面上大规模推出 AI 协作的软件之一，是因为在文本编辑器上花了很多年；也因为做了关系型数据库，所以能把 AI 和数据库结合；能快速推出 Notion Q&A，则是因为知识库产品的投入。RAG 能应用到 Notion 中，同样是基于我们做了各种各样的“乐高积木块”。AI 对 Notion 是一个特别好的机会，而我们正好抓住了它。

Notion 已经构建了很多核心模板和用例，比如项目管理工具、知识库等。在你看来，哪些功能受 AI 影响最大？

RAG 会彻底改变知识管理的方式——让人们摆脱繁琐的信息组织工作。Notion 最受人喜爱的功能之一是侧边栏，很多人用它整理知识库和个人 workspace。但以后我们可能不再需要这样的工具来组织知识库了。用户只要简单地把信息丢进 Notion，就可以通过各种方式检索。这才是知识管理的未来。

PC 时代早期，人们讨论 30 或 40 年后 PC 带来的最大变化会是什么。今天你对 AI 未来发展的期待呢？

对于 AGI 来说，30 或 40 年可能太久——甚至不用等到下一个 10 年，未来 1-2 年内 AI 就会有明显突破。这之中一个被低估的领域是 RAG。

今天 language model 已经能很好地理解人们输入到计算机中的内容——这意味着我们不再需要自己去做信息组织来方便未来检索，AI 在这件事上比任何人类做得都好。在 language model 之前，要在知识库搜点内容通常需要精确的关键词，有时还得问同事是否记得某个序列或信息存放在哪个数据库。但现在直接问 Notion AI 就行，很快就能得到答案。这确实让人兴奋，不少人也在讨论。另一个值得期待的是 Work Agent，这个领域也已经有很多人关注了。

02. Notion AI 的诞生

Notion AI 进展相当快，相比很多还不知道如何运用 AI 的产品。你们是怎么做决策和资源分配的？

我和 Simon 对 AI 都有足够强的 conviction。早些年去 OpenAI 办公室时，根本不理解他们在做什么，但当时已经见过很早期的 GPT demo。

必须承认，GPT-3 刚出现时我低估了它——虽然它能做市场营销策划、写初稿，但我不觉得有多大用。直到看到 GPT-4 的能力，想法才转变——它已经能思考、推理，完成各种各样的事，可以更实际地优化工作流。GPT-4 对我的影响很大，给了我很多信心，我觉得这是一个巨大的转折点。

什么是知识型工作？人为什么需要软件？从根本上说，软件就是所有人的信息处理活动——就像一张纸传到面前，人类改几个字，然后推给另一个人。而 language model 已经能帮我们完成这种信息处理。所以，这将完全改变我们与计算机的交互模式。

从那以后，我们团队基本全身心投入 AI 项目。积木已经搭好了，接下来就是弄清楚哪些积木能和 AI 结合，以及公司内部谁对技术有深入了解。虽然我们有搜索团队，但 ML 团队不大，所以需要招聘更多人才，同时还要让公司内部有共同信念，朝同一个方向前进。就像面临小行星撞击地球的恐龙，得为即将到来的巨变做准备。

为了让 Notion 成为 AI-first 的产品，你们在团队层面做了哪些工作？

早期主要靠“大力出奇迹”。我的 co-founder Simon Last 做了很多贡献，他快速学习了很多 AI 相关的东西。

Notion 团队里有很多对界面和设计感兴趣的人，前后端也分别有全栈型人才，内部有一部分专门做搜索，但 ML 人才不多，甚至可以说没有。过去一年，我们一直在边做边学。

我们在 AI 上的各种尝试很像烘焙——准备好所有原材料，放进烤箱，按下按钮就只剩等待，没人能预知成品什么样。所以得有足够的耐心，同时还要做大量调整和准备。

有人把这个过程总结为概率工程，感觉我们进入了一个充满随机性的领域。

是的，这类工作很像在搞园林培育，我自己并不擅长，所以很需要这样一类人来帮忙。

Notion 需要的另一类人是富有好奇心且学习能力强的。Language model 让每个人能实时调用 AI 完成任务，但怎么用好模型能力有很多技巧，如何把 LLM 和用户交互结合起来也很关键。这类人一般叫 AI 工程师，Notion 的 AI 工程师们都很年轻，很多还不到 21 岁。

这两类 AI 人才的工作能力都相当强。Notion 目前还没有很多 AI researchers——这类人才也很重要，但 Notion 毕竟在应用层，所以更多时间花在研究怎么用模型上。

从 GPT-3 到今天，GPT 能力提升很快，每代模型都带来新商业模式。你认为要充分利用 GPT 的能力还需要做哪些工作？

技术的本质是 trade off。Language model 带来了全新特性，这是过去被设定为具体功能的软件不具备的，但我们还不完全了解它的工作原理，所以人们一直在讨论怎么用好模型。对于企业和创业者来说，面对新技术也要做权衡——得时刻了解市场对各种新模型能力的评价。这个行业正在快速发展、不断变化。

技术层面，模型现在能处理更广泛的上下文信息，具备更强的推理能力，运行更快且资源占用更少。这对 Notion 很重要——我们需要像 GPT-4 这样既智能又高效的云服务，来完成复杂推理或快速总结文本，最好成本低、速度快。

除了技术因素，还应该关注人类行为习惯的改变——个人用户的行为惯性、公司的风险承受能力等也都在慢慢演变。就像 Steve Jobs 常说：你不能做出太新的东西，必须在保持大部分相同的基础上，改变一两个关键点。Off White 创始人 Virgil Abloh 的理念也是只需要改变 3%，足以推动边界，让人们接受新事物。

3% 理念（3 Percent Approach）是时尚品牌 Off White 创始人及设计师 Virgil Abloh 的设计哲学——在现有设计基础上只做出不超过 3% 的改变，使产品既熟悉又新颖。这种方法允许设计师在尊重原有设计的同时，通过细微调整创造新作品。

Language model 能力的提升，以及把 language model 和 SaaS 软件相结合，这两件事应该同步进行。因为如果一下子改变太大，人们可能不适应——RAG 的好处就在于它在现有交互习惯基础上给出了更好的输出。

你提到要在推理质量、速度和成本之间做平衡，Notion 是怎么用模型的？只用了 Llama 还是不同场景调用不同模型？

不同公司、产品的目标不同，选择的模型自然不同。Notion 会尝试各种模型，包括当下最领先的开源模型，但因为很看重推理能力，所以一般会调用高水平的模型。