Kevin Scott：“長期記憶”是AI創業最被忽視的機會2025 年 12 月 19 日，舊金山。矽谷創業社區 South Park Commons 的一場對話中，微軟 CTO Kevin Scott 聊職業拐點、與 OpenAI 合作、AI 時代更值錢的問題為什麼總被忽視。整場對話 56 分鐘，話題從創業試錯，一路聊到開源與閉源。他最關鍵的一句話是：AI 創業最怕的，不是技術落後，而是把“噪音”當訊號。什麼是噪音？看起來像積極訊號，但對你做的東西沒有價值，而且沒有關係的資訊。 媒體熱度、投資人興趣、技術熱詞，這些訊號容易獲取、容易量化，但可能正在把你引向錯誤的方向。這篇文章講四件事：第一， Kevin 如何學會識別正確的訊號。第二，今天的創業者面對什麼樣的環境。第三， ChatGPT 為什麼成功。第四， 如何識別被忽視的真實訊號。第一節｜放棄有趣的技術，選擇值得做的事Kevin Scott 原本想當一名大學教授。博士期間他研究動態二進制翻譯，技術含量極高，但他後來放棄了。原因很簡單：這事除了我，幾乎沒人在意。他說：我花了大量時間研究這些最佳化方法，能提升系統幾個百分點性能。寫論文、被引用、繼續寫論文……然後呢？在學術界，這就是標準路線。但在真實世界裡，這些百分比的提升沒有任何意義。Kevin 第一次意識到：學術界的評價標準，和真實世界的價值判斷，根本不是一回事。學術界看重論文數量、引用次數、同行認可，這套機制清晰、容易量化。但真實世界在意的是：有多少人因此受益？產生了多大價值？這兩套標準不一致，甚至是衝突的。於是他從學術界出來，進入Google。他做的第一個項目，是廣告稽核流程的自動化。這事聽起來一點也不酷。Kevin說：其實就是做一套自動過濾規則，判斷廣告文案能不能用驚嘆號、有沒有成人內容。但這個問題值錢。每天 5000 萬美元的廣告被卡住，人工稽核處理不過來。就這麼點改動，最終每年幫 Google 省了近 10 億美元。這讓他得到創始人獎。從那時起，他確定了一條職業準則。做每一件事，第一眼先看它有沒有可能產生真正的影響，其次才是技術有多有趣。他說，人生是從放棄最複雜的技術，轉向最有價值的工作開始的。這是他第一次識別出正確的“訊號”。第二節｜容易獲取的反饋，往往是噪音Kevin 20 年前做的那次選擇很簡單：學術界 vs 商業世界，二選一。今天的 AI 創業者面對的環境要複雜得多。現在做創業比過去任何時候都便宜。但也正因為便宜，試錯的人多了，噪音也就多了。什麼是噪音？他給出定義：看起來像是正反饋，但和產品價值無關的資訊。媒體熱搜、點贊數、風投的興趣，這些都可能是噪音。很多創業者依賴的這些訊號，恰恰也是最容易把你帶偏。因為這些訊號背後有自己的利益機制。媒體需要流量，選擇有話題性的故事。投資人看重多元的項目組合，對熱門賽道表現出興趣。技術社區追逐最新的模型、最大的參數量。但這些和有人願意為你的產品買單是兩回事。更麻煩的是，這些噪音還特別容易獲得。你發一條帖子，幾百個贊；寫一篇文章，上了熱榜；見幾個投資人，都說感興趣。你開始覺得方向是對的。但這可能只是說明：你踩中了一個熱門話題，成了轉發素材，而不是解決了真正的問題。很多創業者開始往熱門概念上靠：“我們是AI+教育”、“AI時代的瀏覽器”、“GPT時代的新筆記工具”……這些說法新穎、容易講，但不等於有人真正需要。Kevin 給了一個判斷方法：要分清楚兩件事。一件事是你希望它發生；另一件事，是它不管有沒有你都會發生。真正適合創業的，是後者。那麼，什麼才是真正的訊號？Kevin 用 ChatGPT 說明。第三節｜當所有人卷模型，OpenAI在做什麼ChatGPT 上線時，用的是老模型。業內很多人都見過，Kevin 說，包括他自己在內，沒人想到它會成為爆款。那為什麼它成了？因為所有人在追一個訊號，OpenAI 在追另一個訊號。2022 年底，每個實驗室都在追逐容易量化的數字：更大的參數量、更高的benchmark、更先進的架構。但這些是噪音。OpenAI 關注的訊號是：普通人能不能零門檻使用互動是否足夠自然能否成為日常工具這些才是真實需求。ChatGPT 的改動極小：一套老模型，加上 RLHF，加上一個輸入框。技術上沒有任何突破。但它讓普通人第一次可以直接和 AI 對話，不需要任何技術門檻。Kevin 明確表示：“它不是我們見過最強的模型，但第一次讓 AI 直接進入了使用者生活。”在他看來，這類機會有三個特徵：技術能力已經夠了但沒人認真設計用法因為看起來太普通、太基礎、沒熱度而被忽略。這些機會不會出現在熱詞榜上，也講不出宏大的故事，但可能打開兆美元市場。關鍵是：如何識別這樣的機會？第四節｜識別真實訊號的三個標準為此，Kevin 給出了三個判斷標準。標準 1 ：看能力和使用的差距他說：現在不是 AI 不夠強，而是很多人不知道怎麼把它用好。這意味著什麼？意味著機會不在能力端，而在使用端。他舉了長期記憶的例子。現在大模型能對話，但記不住歷史。使用者每次都要重新交代背景，AI 像個永遠喝斷片的“實習生”。技術上能解決嗎？完全可以。只需要做資料管道、內容壓縮、歷史記錄。但沒人做。為什麼？因為這不會上論文，也拿不到媒體關注。。Kevin 說：很多人不願意做這件事，是因為它看起來像修修補補，不像創造。但這恰恰是真實訊號。因為使用者真的需要，技術能力已經夠了，只是沒人認真做。標準 2：看誰在製造噪音如果媒體在報導、投資人在追逐、大公司在佈局，這很可能是噪音。這就像 Kevin 20 年前的選擇：他做的是所有人覺得不夠酷的事，但恰恰解決了真實問題。今天同樣如此。已經有太多資源在追逐那些熱門賽道，你作為創業者很難勝出。真正的機會往往在被忽視的地方：大公司覺得太瑣碎、媒體覺得不吸引眼球、投資人覺得不夠宏大。正因為被忽視，競爭反而更小。標準 3 ：做小實驗驗證Kevin說，做工具的成本已經非常低了。現在真正缺的，是願意動手的人。比如：讓 AI 記住使用者歷史。搭個簡單的上下文快取，看使用者是否真的需要。用現有工具搭建一個端到端流程。把 AI 對話、自動化工具、文件系統連起來，做一次完整閉環，看能不能真正替代人工。不寫 PPT，直接做互動原型。從產品體驗出發，而不是從概念包裝出發。現在是 AI 創業最好的時候，因為你可以不靠預測未來，只靠動手做個小實驗，就能找到好的方向。關鍵是分清噪音和真實訊號。你是追逐容易講的故事，還是解決真正的問題？結語｜訊號比方向更重要Kevin Scott 說，他不追求快樂，只想做有意義的事。因為有意義的事，自帶清晰的訊號。20 年前，Kevin 只需要選擇：學術界還是商業世界。今天的創業者面對更複雜的環境：媒體熱度、投資人興趣、技術熱詞，那些是噪音？那些是訊號？Kevin 的方法是：不要靠判斷去猜，要靠行動去驗證。做工具的成本從未如此低，但噪音也從未如此多。找對訊號，比找對方向更重要。 (AI深度研究員)

最新消息顯示，近年來以狂練肌肉和“夕陽紅”戀情引發關注的前世界首富傑夫·貝索斯，正在親身入局AI創業浪潮。據多位知情人士透露，貝索斯正參與創立一家名為“普魯米修斯項目”（Project Prometheus）的AI初創公司，並將擔任聯席CEO。得益於老闆是當今全球第三富豪，該創業公司種子輪就獲得62億美元（約合人民幣440億元）融資，堪稱資金最充沛的初創公司之一。這也是貝索斯2021年7月卸任亞馬遜CEO後首次擔任營運職務。儘管他也深度參與火箭發射公司藍色起源的營運，但官方頭銜只是創始人。據悉，普魯米修斯項目將與貝索斯“把人類送往外太空”的興趣相契合。創業公司將聚焦電腦、航空航天、汽車等領域助力工程與製造的人工智慧。貝索斯的聯席CEO是物理學家和化學家維克·巴賈傑（Vik Bajaj）。他曾在GoogleX部門與Google聯合創始人謝爾蓋·布林緊密合作，該部門主要孵化一系列雄心勃勃的初創業務，包括後來成為Waymo的自動駕駛汽車。巴賈傑的職場社交帳號也顯示，離開Google後他參與過多次創業，並從本月開始成為普魯米修斯項目的聯創和聯席CEO。普魯米修斯項目也延續了今年AI創業的熱門方向——將AI應用於物理任務。許多曾效力GoogleDeepMind、OpenAI和Meta等大公司的研究專家紛紛“自立門戶”，探索機器人、藥物設計，以及數學和理論物理領域取得重大突破。貝索斯也在去年投資過一家名為Physical Intelligence的初創公司，主攻將人工智慧應用於機器人領域。多位知情人士表示，普羅米修斯項目已僱傭近百名研究人員，其中不少是從OpenAI等大機構挖來的。與聊天機器人相比，這些公司的主營業務有著相近但顯著的區別：大語言模型通過分析海量的文字來獲取技能，包括模仿人類的語言系統、編寫電腦程序等。這些新公司正在幫助AI從物理世界中學習技能。今年夏天，一群從Meta等大機構離職的研究人員創辦名為Periodic Labs的公司，致力於建構能加速物理與化學等領域研究的人工智慧技術。這家獲得3億美元融資的公司計畫在北加州建立一處大型實驗設施，安排機器人進行“大規模科學試驗”。理論上，通過分析試驗過程中的對錯，AI將能學習如何“獨立完成試驗”。據知情人士透露，普羅米修斯項目也將展開類似的工作。 (財聯社AI daily)

（邁阿密美國商業論壇，貝佐斯談AI時代創業）2025 年 11 月 3 日，一筆價值 380 億美元的交易，正在重塑 AI 雲端運算的戰局。OpenAI 宣佈，將部分訓練和推理工作負載轉移至 AWS，直接啟用後者部署的 GB200 GPU 叢集。這意味著，長期依賴 Azure 的 OpenAI 開始尋求多元化。AWS 從此前的缺席者，變成了在一些關鍵任務上的重要合作夥伴。市場的焦點，很快聚焦在算力歸屬與託管權之爭上。而在近期的邁阿密論壇上，亞馬遜創始人貝佐斯給出的判斷，完全跳出了技術競爭的視角：AI 的機會，不靠預測，要靠試錯。這不是一句口號。他不是反對趨勢判斷，而是反對那種等所有資訊都明確才出手的決策方式。他談的不是技術路線，而是創業者該怎麼做決策、怎麼建構產品、怎麼帶團隊。這套方法論，值得每個 AI 創業者細讀。第一節｜別預測未來了,貝佐斯只問一個問題“你不能圍繞變化來建立戰略,得圍繞不會變的東西來。”這是貝佐斯在這場對話中強調的核心原則。當主持人問他：你是怎麼做長期決策的？他沒有談任何預測模型，只反問了一句：“十年後，人們會希望亞馬遜配送變慢嗎？這肯定不可能。”對他來說，AI 能不能落地，不取決於趨勢走向，而取決於需求是否恆定。如果人們十年後仍然想要更快、更便宜、更可靠的服務,那這件事今天就值得去做。AWS 與 OpenAI 的 380 億合作，本質上也是在押注幾件不會變的事:1. 企業對穩定算力的需求不會變OpenAI 訓練和部署模型，需要長期、可預測的算力供給。AWS 從 GPU 叢集到核能資料中心的佈局，就是為了保證這件事十年後仍然成立。2. 客戶不想為效率買單,他們想為成果買單貝佐斯很明確：沒人願意等更久、付更多錢,只為得到同樣的服務。這句話看似簡單，但它幾乎排除了大部分靠慢慢最佳化的 AI 方案。3. 系統的可用性、安全性將始終是主戰場他用太空項目為例：你不能說,“我愛 New Glenn 火箭，就是希望它不那麼可靠'。” 這同樣適用於 AI 工具：未來的 AI 系統也要和基礎設施一樣：穩定、清晰、值得信任。這就是他的方向感來源。在別人用資料預測爆款時，他在尋找那種不管環境怎麼變、十年、二十年後依然存在的客戶需求。所以，如果你今天在思考一個 AI 產品、一個組織決策，甚至一個創業方向，不妨也問問自己：十年後，這這種需求還會存在嗎? 會變得更強，還是會被替代?對他來說，這個問題比任何技術趨勢都重要。第二節｜找到方向後呢?試一輪、錯一輪,再快點試找到了不變的需求，接下來呢?主持人問貝佐斯：有時候直覺和資料是一致的，那決策就容易。但更多時候，它們是矛盾的。那你怎麼決定?貝佐斯的回答非常幹脆:“資料很重要，但它不能告訴你一切。它往往看不到變化，也看不到你沒測量到的地方。那些真正重要的東西，要靠直覺，靠嘗試。”他舉了一個更具體的例子：AI 建築許可審批。在訪談現場，他直接對著邁阿密市長說：你們應該有個 AI 應用，讀取建築許可申請，10 秒內給出是或否的答案。如果是否，就告訴你要改那六個地方。市長笑著說，這是個百億美元的生意。貝佐斯回應：我很忙，但在座的某個人我相信會有人做這個。這就是他理解的 AI 機會：不是預測那個賽道會火，而是基於直覺，直接動手試。亞馬遜最成功的幾個產品，比如 Echo、AWS、第三方市場，都不是有人要求的功能。沒人說“我想要一個會放音樂、能對話的黑色圓柱體”。他說，我們自己也不知道人們會不會喜歡，只能靠直覺去嘗試。這種嘗試，不是盲目行動，而是先做一個小版本，再從反饋裡修正。探索意味著走在沒人走過的地方，如果不去試，你永遠不知道會怎樣。這也是他對組織能力的要求。在亞馬遜，他要求團隊儘早行動，而不是等資料完美。他說，大多數決策都是可逆的，如果錯了，就改回來，不需要開會討論半年。他稱這種思維方式為雙向門：“有些門是一旦跨過去就不能回頭的，但大多數門，是可以推開又退回的。只要是可逆的，就該讓高判斷力的人直接去試。”這套方法論,同樣適用於 AI 探索。沒人知道下一個突破來自那裡，靠預測永遠慢一步，因為能被預測到的，早就被別人試過了。在 AI 世界裡，很多團隊喜歡做萬無一失的項目，而貝佐斯相信，能快速試錯的組織，才有真正的學習能力。沒有一開始就完美的模型，也沒有完全可控的結果。只有願意多試幾次的團隊，才能真正靠近正確方向。如貝佐斯所說：發明不是規劃出來的，是探索出來的。第三節｜AI 時代,什麼樣的組織會被淘汰?方向對了，方法也有了，但能不能做成，還要看組織。貝佐斯並不迴避 AI 對人的影響。他很清楚， AI 會影響每一個行業：醫療診斷會更準確，藥物發現會更快，製造業會變得更高效。幾乎每個行業都會因此變得更有生產力。但他更關注的，不是技術能做到什麼，而是組織該怎麼應對變化。在10月底，亞馬遜宣佈裁掉約 1.4 萬個白領職位，大多集中在中層管理崗位。有人說這是 AI 導致的自動化失業，但貝佐斯給出的解釋完全不同：這是效率提升，不是 AI 的末日。事實上，根據亞馬遜內部資料，公司已有相當比例的程式碼由 AI 工具生成，這一比例達到 70%。那些冗餘、重複、慢反饋的崗位，確實不再需要那麼多人處理。但這不代表組織裁員就結束了，而是組織結構要變，人的角色要重構。他的判斷是:快速變化的時代，對創業公司是機會，對大企業是壓力。原因很簡單：創業公司從一開始就在快速迭代，可以快速調整。而很多大型組織太慢了，做一個決策要拉很多部門、匯報很多層級、顧慮太多風險。AI 不會突然替代所有崗位，但它一定會加速淘汰那些不能快速試錯的組織形態。比如:一項新功能試了兩年還沒上線一個問題要層層匯報才有人敢拍板管理者做的工作只是傳遞資訊這些，在 AI 工具參與之後，很快會顯得多餘。AI 不是用來取代人，而是用來提升整個組織的運行效率。貝佐斯的標準很清晰：未來的組織，不是看能不能用 AI，而是有沒有能力快速調整。世界在變，你能不能跟得上，不看你的 PPT，看你能不能動手去試。真正危險的，不是 AI 本身，而是你什麼都不做，還以為自己看得懂未來。結語｜一種可行動的判斷方式當市場在計算 380 億算力的分配時，貝佐斯在思考三件更本質的事：不要圍著變化做決策，要圍繞不變的需求動手真正的 AI 項目，不是預測出來的，是反覆試出來的組織的進化，不是靠表態，而是靠能不能快速調整、快速動手AI 確實是一次技術革命，但技術不會自動帶來機會，判斷力才會。很多最重要的發明，最開始都不是計畫出來的，而是憑直覺出發的。所以，當別人還在等看清賽道時，什麼樣的人和組織已經可以開始走了?答案是：那些不靠看懂，而是靠先試的人。這或許就是，在 AI 時代的判斷方式。 (AI深度研究員)

比爾·蓋茲小女兒的AI創業項目，剛剛拿下了800萬美元融資。老爸雖然說是一分錢沒掏，不過，海莉·比伯、克裡斯·詹納等一眾名人可是都上車了。看來嘛，科技巨頭的面子，總是要給的。（doge）下面一起來看看，蓋茲之女——菲比·蓋茲 (Phoebe Gates) ，到底開了一家什麼樣的AI公司。全新的線上購物方式今年 9 月，菲比·蓋茲（Phoebe Gates）和索菲婭·基安尼（Sophia Kianni）創立的初創公司Phia，成功拿下800萬美元種子輪融資。更吸睛的是，股東名單裡居然有兩位娛樂圈大咖——金·卡戴珊的母親克里斯·詹納（Kris Jenner），以及賈斯汀·比伯的妻子海莉·比伯（Hailey Bieber）。官方表示，該公司計畫利用這筆資金在工程、人工智慧研究、產品和行銷領域「組建一支世界一流的團隊」，以加速下一階段的增長。作為一家初創公司，Phia剛一出道就能吸引這些個名流關注，多少離不開「蓋茲家族」的光環。但另一方面，Phia自身的調性也確實夠特別。雖然技術底色依舊是AI，但做的不是晶片、機器人那一套，而是——AI時尚。今年4月，菲比和索菲婭共同打造的AI購物助手Phia，正式上線。問世不到半年，Phia就已經積累了超過60萬使用者。這款應用的核心功能，是在你瀏覽商品時即時比對新品與二手價格，幫你用最低價買到心儀的服飾、鞋履或配飾。形式方面，Phia既可作為iOS軟體，也可作為瀏覽器的擴展程序使用。安裝成功後，只要進入商品頁面，就會出現一個醒目的按鈕：「我應該買這個嗎？」。點選後，Phia會迅速掃描網頁，從成千上萬個購物管道中抓取資料，比較同款或相似商品的新舊價格，並給出判斷——當前價格是偏高、正常，還是值得立即入手。Phia表示，其資料庫已與The RealReal、Vestiaire Collective、ThredUp、StockX、eBay、Poshmark等頂級轉售平台接入，覆蓋超過2.5億件商品。此外，它的演算法由一支來自Pinterest、Millennium、Meta、亞馬遜等科技公司的工程師團隊自研完成。生態方面也成熟得很快，Phia已在超過4萬個購物網站上線，還有超過5000名直接品牌合作夥伴。在官網上，兩位創始人這樣解釋產品初心：我們希望創造一種全新的購物方式，讓人們在找到心儀的單品時，也能守住自己的錢包。Phia的願景很簡單：讓您成為房間裡最聰明的購物者。與此同時，菲比與索菲亞還在今年4月推出了播客《The Burnouts》，每期都會邀請商業和文化領域的頂級專家對話。目前，該頻道在油管上已經有14萬粉絲，值得注意的是，這部分流量未來同樣能反哺到主心骨Phia上。回到Phia本身，從市場角度來看，消費者確實需要一種更高效率的線上購物模式。過去十多年，得益於移動網際網路的成熟，線上購物的規模經歷了前所未有的爆發式增長。資料顯示，2010—2025年間，全球電子商務銷售額從約0.6兆美元躍升至約6.4兆美元，足足翻了十倍不止。與此同時，線上購物也從「新管道」變成了日常生活的一部分——全球網購使用者已接近30億人。然而，與規模的狂飆形成鮮明對比的，是技術的停滯。十多年過去，使用者在購物時依然走著同一條老路：搜尋→瀏覽→加入購物車→結帳→收貨→評價。這個流程自亞馬遜、淘寶確立以來幾乎沒有變化，電商的介面、邏輯與互動基本還是2010年代的模樣。此時矛盾就出現了：商品數量SKU在暴漲，消費者的搜尋請求也越來越頻繁，但連接兩端的平台，卻始終缺乏一個真正高效的資訊篩選機制。具體表現為，人們花在做功課上的時間越來越多，還很容易被各種優惠策略搞得一頭霧水。結果就是——人們花在「做功課」上的時間越來越多，卻仍常常被各種滿減、返券搞得一頭霧水。Phia這類工具的出現，或許能讓使用者跳出推薦演算法的資訊繭房，以更主動、更高效的方式消費。講完乾貨，咱再聊聊Phia的誕生，這其實也是一段挺有意思的故事。這家公司的兩位創始人——菲比和索菲婭，原本只是史丹佛大學隨機分配到同一間宿舍的室友。沒想到，一次「隨機匹配」，竟成了創業搭檔的起點。由於對氣候和商業等話題的共同愛好，二者沒多久就一拍即合，決定一起做一番大事業。像許多野心勃勃的史丹佛校友一樣，她們也把宿舍改造成了「創業實驗室」——廚房裡貼滿靈感文章，地板上堆著打客戶電話的筆記，白板上寫滿了奇思妙想。在所有討論的話題中，有一個詞總是繞不開：衣服。菲比和索菲婭都是典型的「購物狂」，宿舍到處堆滿了包裹、鞋盒和沒拆吊牌的外套。可每次購物前，她們都得做無數功課——查價格、比平台、看折扣、搜測評，幾乎成了一場資訊戰。後來她們才發現，原來這種「購物焦慮」幾乎人人都有——「天下苦功課久矣。」於是，兩人決定幹脆自己解決這個問題。二者的創業之路可謂是相當順利，沒多久就項目賺到了第一桶金，來自Soma Capital和一位史丹佛教授的早期投資——那就是Phia的雛形。2023 年，她們搬到紐約，正式成立Phia。而這個公司名，其實就是兩位室友「Phoebe + Sophia」的組合。有趣的是，那間宿舍其實原本還有第三個空床位，只是後來沒人入住。想想看，如果當時真多了個室友，公司也許就不叫Phia了，而是「Phia+X」。菲比和索菲亞先不聊素未謀面的第三位室友了，咱還是先把注意力放回到兩位創始人身上。雖然Phia的兩位創始人中，有一位天生有「蓋茲家族」的光環，不過，另一位創始人——索菲婭——的履歷同樣相當耀眼。索菲婭出生於2001年，成長於美國弗吉尼亞州。還在念中學時，她就開始對氣候問題感到不安。有一天夜晚，星空被厚重的霧霾遮住，她形容那一刻是「世界正在以驚人的速度升溫的訊號」。從那時起，她決定投身環保運動。2020年，她創立了網站氣候紅雀（Climate Cardinals），這是一個把氣候變化相關資訊翻譯成多種語言、以消除資訊壁壘的公益平台。索菲婭的努力很快引起聯合國關注。2020年7月，聯合國秘書長安東尼奧·古特雷斯任命她為聯合國氣候變化青年顧問團的七位成員之一，為全球氣候行動提供建議。當時，她才18歲。此後，她多次以聯合國代表的身份參與重要國際會議，包括COP26、COP27、COP28等。2021年，索菲婭進入史丹佛大學，主修科學、技術與社會（STS）這項跨學科專業。在那裡，她遇見了未來的創業夥伴——菲比·蓋茲（Phoebe Gates）。2002年，菲比出生在美國華盛頓，是比爾·蓋茲三個孩子裡最小的那個。2022年，她考進史丹佛大學，主修法學和生物學理學，還順帶輔修了非洲研究。在校期間，菲比也經常活躍於網際網路，經常在社交媒體上分享校園生活、時尚搭配和社會議題目前，她在ins上已有超50萬粉絲。不過，比起當網紅，菲比在這段時間裡萌生的創業念頭，可能才是讓老爸最操心的事。一出生就頂著「蓋茲家族」的光環，菲比註定逃不開審視「蓋茲二代」的聚光燈，也因此更想靠自己闖出一條路。她在採訪中說得很明白：我不會靠家裡的光環過一輩子，我想靠自己創業。於是，當Phia的雛形剛有點樣子時，她就興沖沖地跑去跟老爸提出了「輟學創業」的想法。結果沒想到，這位當年在車庫輟學創業的男人，這回卻一口拒絕了自己的女兒。你確定要這麼做嗎？菲比當時整個人都愣住了，有點摸不著腦袋——明明爸爸就是因為輟學創業才有了微軟，為什麼自己就不行？他們總是說，你必須先把學業完成，不能直接輟學去開公司……這很好笑，因為我爸爸就是這麼做的，這也是我能付得起史丹佛學費的原因。既然輟不了，那就早點畢業吧……於是她乾脆提前一年修完所有課程，拿到了學位。當然，事後也證明，老蓋茲並不是反對她創業，只是單純反對輟學。真正開始做Phia之後，父親雖然不會給錢，但依然成了她的「幕後智囊」。遇到拿不準的事，我會打電話問爸媽，比如：要不要聘這個人？要怎麼擴張？我爸雖然不是「時尚女王」，但關於戰略的問題我都問他。 (量子位)

前世界首富比爾·蓋茲的女兒，菲比·蓋茲（Phoebe Gates）繼承了父親的創業基因。這位2002年出生、年僅23歲的女生創立的面向網路購物消費者的AI企業Phia，近期完成了800萬美元的種子輪融資。但和他父親中途輟學創業不一樣，她完成了在史丹佛大學的學業。Phia做什麼？菲比·蓋茲創立的，是一家名為Phia的購物平台。公司名字來源於菲比，以及另外一位創始人索菲亞·基亞尼（Sophia Kianni）英文名字的聯合。在官網上，寫著公司成立的初衷：“我們曾經討厭購物。太貴、太浪費，或者根本無關緊要——我們總是覺得我們滿足於更少。所以我們開始懷疑（是否有必要）。如果有一種購物方式不會強迫您在錢包和衣櫥之間做出選擇呢？這就是我們建立Phia的原因。幫助您找到自己喜歡的時尚，同時節省錢和時間。我們對Phia的願景很簡單：讓您成為房間裡最聰明的購物者。”Phia網站首頁事實上，兩人和眾多年輕女性一樣，都曾經熱衷於網路購物，日常習慣是在購物網站上蒐羅心儀的衣物，但每次都需要打開大量的標籤頁，下單前手動比價。這讓她們迫切希望能有一個工具提高購物效率。今年4月，Phia正式上線。作為一個移動端的購物應用，內建圖像識別和搜尋演算法。使用者可以比較不同平台上相似商品的價格，估算轉售價值、追蹤降價情況，為消費者推薦個性化產品。官網顯示，Phia已經和150多個知名電商平台建立了合作關係，包括The Real Real、Vestiaire Collective、eBay、Etsy等。消費者每筆購物都會為Phia帶來少量佣金，由此形成公司收入。憑藉著高效的購物體驗，以及菲比在社交媒體上的持續推廣，這款應用很快就躋身App Store購物免費榜前30，迄今積累了超50萬使用者，銷售額達到數千萬美元。在菲比全職投入到公司營運前，公司已經完成120萬美元的Pre-種子輪融資，投資方為Offline Ventures，投後估值1500萬美元。今年9月，Phia宣佈完成800萬美元種子輪融資，投後估值達到3200萬美元。本輪融資由凱鵬華盈領投，股權佔比約15%。而跟投機構則包含眾多明星，包括“卡戴珊家族”掌舵人、演員兼製片人Kris Jenner，全球體育IP零售巨頭Fanatics創始人Michael Rubin和Facebook前首席營運官Sheryl Sandberg等。為何創業？早在史丹佛大學就讀期間，菲比就告訴她的父母，比爾·蓋茲和梅琳達·蓋茲，她有一個創業想法。但她的父母說：“好吧，你可以把這當作副業，但你需要留在學校。”菲比採納了他們的建議，她僅僅用了3年時間，在2024年獲得人類生物學學位後，開始將所有時間投入Phia當中。除了有一個曾是首富的父親，菲比還是一個網紅。她在Instagram上擁有超過50萬粉絲，在TikTok上擁有271萬粉絲。這兩個因素都極大地提升她在創業時的各種便利。菲比曾對媒體表示，她經常向她的父母尋求商業上的建議。“我父親不是時尚女王，所以有些事情我絕對不會去找他，但當我在做出這樣的決定時，我會打電話給我的父母：我們要僱用這個人嗎？我該如何考慮擴大業務規模？他們對不同的事情都非常有幫助，但我稱他們為高級戰略的東西。”對於未來，菲比的目標是讓它足夠成功，這樣她就可以投資於對她來說更加重要的事情。“我們的女性領導人如此之少，這太荒謬了。”她說：“風險投資資金的2%流向了女性。我想創造我想生活的世界。所以我希望Phia非常成功，然後我可以轉身對女性創始人進行更多投資。我希望在我生孩子之前，投資於女性公司的風險投資資本佔20%。這真的驅使著我。” (證券時報)

“事實證明，不焦慮的人做不好AI 應用。”「明年可能是to C 應用的元年。」9 月28 日，Lovart 創始人陳冕告訴我們。第二天，「元年」 被加速－OpenAI 發布Sora app，幾天後超越ChatGPT 和Gemini，登上美區App Store 下載總榜第一。Sora app 開啟了消費性AI 超級應用的可能性。過去2 年多里，從聊天機器人到AI 搜尋、深度研究、再到智能體，數輪成長最快的AI 應用都集中在生產端。今年5 月開始內測、7 月正式開放上線的Lovart 也是一個服務設計生產場景的垂類Agent。截至目前，Lovart 獲得了約20 萬日活用戶，年化預估營收超越3,000 萬美元。但陳冕仍覺得不夠快。在Sora app 發布前，他已在思考接下來的to C 機會：模型成本不斷降低，這讓to C 更可行。 to P（生產者）產品也讓更多人能創作AI 內容了──那最終內容消費是否也會改變？只是，Sora 讓一切又加速了。我們確實要考慮如何更快go big。因為在這個時代，每個巨頭都比想像中更厲害，更沒有邊界。配合新野心，山姆·奧特曼（Sam Altman）已在瘋狂鋪設算力和能源設施。 9 月底，OpenAI 宣佈與輝達合作新資料中心，總耗電量將達10 吉瓦（GW），超過夏日高峰時的紐約市。此外還有總計17 吉瓦的其他項目正在推進。本篇訪談的第一部分發生在Sora 發布後，產品經理出身的陳冕分享了他對Sora 的體驗和觀察：我意識到這是一個社交產品，它可能比「AI 抖音」 還要大。訪談第二部分，我們複盤了4 個月來Lovart 的實踐；以及2023 年以來，陳冕摸索的AI 應用創業破局之路：AI 應用怎麼做成長？就是提前描繪未來，然後等它發生。垂直應用公司本質在做兩件事：特殊的互動，和特殊的上下文。因為頻繁換工作，陳冕過去被認為沒有耐性，而這次開始創業後，他經歷過公司瀕臨倒閉，也在最困難時拒絕過收購意圖。一些投資人和同行評價他很有韌性。現在的韌性來自信念，信念又來自認知。我不是為了創業而創業，是為了贏而創業。山還在、我們也能到達，那為什麼不能努力往那裡走呢？Sora app 發布：“每個巨頭都比想像中更厲害，更沒有邊界”“我想到了to C 是下一個機會，但沒想到就猝不及防地在這個假期突然發生了。”晚點：我們上次聊剛好是Sora app 發售前夕，現在Sora 出現，產業又有了大變化。陳冕：對，變化總會比你想像的時間早一點。幾天前，我說明年是消費性AI to C 應用的元年，這個判斷沒變；但沒想到，關鍵的timing 就猝不及防地在這個假期發生了。我之前判斷巨頭的速度不會那麼快，但顯然錯了。 OpenAI 比想像中更激進，它不只追求AGI，也追求最牛的產品。晚點：Sora app 上線後，你從凌晨3 點開始連玩了4 小時，你看到了什麼？陳冕：我真的被驚到了。這種感覺我至今只體驗過3 次，前兩次是抖音和ChatGPT，第三次就是Sora app。我意識到這是一個社交產品，它可能比「AI 抖音」 還要大。晚點：怎麼在使用中獲得這種感知的？陳冕：一開始我本來對Sora 沒有預期，因為它上線很突然。我使用的第一個感受是順滑，很快就完成了前幾部作品。例如我讓ChatGPT 寫了一個“無間道” 天台對決的腳本，然後用Sora 的cameo（出境秀）功能讓我和Sam Altman “合拍”，那是我第一次打開聲音——Sora 2 是一個音畫同出的模型——當時我就感覺，新世界的大門打開了！編者註：cameo 的玩法是，使用者在Sora 介面裡拍攝自己的臉部（類似人臉辨識步驟），念數字，產生AI 形象和音色，然後選擇授權範圍。這樣你自己或被授權的其他人就可以在生成影片時讓你「出鏡」 合拍。 Sam Altman 向所有用戶開放了cameo，所以它一度刷屏Sora。這影片有鏡頭語言，有敘事；音畫同步很好，音色很像我本人；角色一致性也很好。而這一切不需要抽卡，一次就能成功。更重要的是社交－最開始除了和Sam 合拍，我不知道幹嘛，因為其他人我都不認識；所以我就給同事分享邀請碼，拉大家一起玩；這時我驚覺，這不就是社交嗎？這是一個特別大的aha moment。邀請更多人後，我再去刷資訊流，又體驗了Sora 的另一個關鍵機制－Remix（重新創作）。 Remix 核心解決的是共創。這是我自己思考過的問題，就是怎麼更簡單地讓使用者接力共創，這是激發更多AI 內容的關鍵。 Sora 在Remix 上做了滑動互動，很順滑。我認為最優秀的互動不會超越點擊和滑動，而且它都太複雜了。整體來說，Sora 的關鍵連結都設計得很好，完成度挺高。晚點：比Sora app 早4 天，Meta 也在「Meta AI」app 上上線了AI 短視頻功能Vibes，但幾乎沒什麼聲量。陳冕：單純的AI 生成短片產品早就有了，這次的核心還是社交。 OpenAI 自己也說，如果沒有cameo，就不會有這款產品。晚點：你覺得Sora 的模型有甩開其它公司嗎？ Google Veo3 先前已能實現音畫同出。陳冕：妙就妙在，它在模型能力最適合的時候，做了它最適合的產品型態。晚點：一家中等體量的AI 新創公司有可能率先做出像cameo 這樣的新互動，從而引爆市場嗎？陳冕：首先，Sora 不只是產品創新，它的模型也是SOTA（State of the Art，業界最優）水準。只有掌握頂尖模型，同時它的文化、組織還能孕育產品創新的公司才能做出Sora。第二，如果一家中型公司真做出了Sora，我覺得也能火，但接下來會面臨巨大挑戰。首先是人臉資訊的隱私、監管問題，其次是成本，Sora 已到了蘋果總榜第三，卻一分錢沒收，影片產生是很貴的。更現實的是，一旦它火了，巨人馬上就會跟進。巨頭有流量、有資金，中小公司根本扛不住。所以AI 社交這註定是巨頭戰場。晚點：你認為Sora 未來可能會是多大的產品？陳冕：它有可能是個虛擬世界的微信。未來人類的社交可能分成兩個世界—「虛假的真實」 和「真實的虛假」。那種對人更有吸引力還未可知，很可能兩個世界會同時存在，爭奪我們的時間。如果把它看作社交產品，這可能是一個數十億級用戶的機會。晚點：這會怎麼影響AI 領域大小公司的動作？陳冕：這是一場所有模型巨人都輸不起的仗。無論你認為Sora 成為超級應用程式的機率是10% 還是20%，錯過的代價都太高，而贏下的意義又太大。所以想抓住這個時代最頂尖超級應用的公司，和現在已經擁有超級應用程式的巨頭，都不會放過這個機會。晚點：社交有網路效應，有先發優勢和時間窗，你認為留給其他人的時間還有多久？陳冕：可能就3 到6 個月。晚點：Sora 對新創公司的影響是什麼？陳冕：好的一面是，Sora 會為AI to C 帶來資本湧入和注意力，所有新創公司都可以好好思考to C。但同時，我們確實要考慮如何更快go big。因為在這個時代，每個巨頭都比想像中更厲害，更沒有邊界。晚點：你把OpenAI 算作巨頭，它其實既有巨頭級的資源；又有一個新公司的銳氣和飢渴——團隊扁平，同時尚未獲得一個能帶來穩定利潤的業務。陳冕：這就是為什麼要盡快go big，資本正以史無前例的速度聚集。人類歷史上從未有OpenAI 這樣，在推出第一款主力產品後，短短幾年內就估值超過5,000 億美元的公司。一切都在被加速，市場極度樂觀，能投的都在往這個方向砸錢。晚點：這種樂觀中有什麼風險嗎？陳冕：成長速度的錯配。因為太樂觀，人們對無法被加速的事也抱持過高期待，當預期落空，就會沮喪懷疑。典型的就是建設算力和能源設施都需要時間。在基礎架構更完備前，Super App 短期的成本會很高。如果應用發展和算力建設周期有較大錯配，甚至可能帶來短暫的泡沫破裂。而且算力越緊張，資源越會往頭部集中。我們非常希望基建和能源設施能更快完善，不要被實體底層卡住。晚點：除了算力和能源基建，還看到了什麼無法被加速的事？陳冕：人心。使用者習慣的改變需要時間。再往下，真實與虛擬的邊界會越來越模糊，我們怎麼接受？能多快接受？當然新事物都是在爭議中前進的，人心不會變得那麼快，但也一直在改變。“不是服務所有人，而是服務有創作欲的人”20 萬活躍用戶、3,000 萬美元年化預估收入。晚點：5 月Lovart 剛開始內測後，你就去了舊金山。當時你提到，要在未來幾個月努力做到“幾千萬ARR”，現在實現得怎麼樣了？陳冕：Lovart 目前的年化預估收入已超過3,000 萬美元。截止9 月底，我們日活用戶到了15 萬到20 萬，在7 月beta（內測）結束前，每天是1 萬到2 萬，beta 放開後迅速到了8 萬到10 萬；Nano Banana 後，Lovart 更好用了，用戶又上了一個台階，到了約20 萬。所以我們不是先爆、再微跌，而是一步一階往上漲。這是我挺開心的一點。晚點：這些用戶是怎麼分佈的？陳冕：1/3 在美國，美國也是Lovart 目前用戶數和收入最多的市場。晚點：3000 萬美元的預測年度訂閱收入能涵蓋服務成本嗎？陳冕：不行，現在的Agent 都不行，因為API 很貴，而且我們有一定免費額度，免費到付費的轉換需要時間。但我對Agent 的長期商業模式毫不困惑，token 一定會更便宜，就和電與上網流量一樣，都是早期貴，普及後會很便宜。訂閱至少會是一個基礎的商業模式，未來也可能發展出以思考時間收費的方式。晚點：Lovart 團隊去北美後，為什麼還沒有接受全球化機構的投資？陳冕：我們未來一定會考慮全球化資金，但5 月Lovart 上線那會兒，我們剛敲定融資。當時去北美的更優先工作是搭建團隊和離全球用戶更近。晚點：直接接觸美國用戶後，看到了什麼？陳冕：在灣區，我最常被問到的問題是，我的熱情和願景是什麼？很多人會問我們，這個產品它到底是給所有人用的，還是給專業人士？現在答案更清楚了：因為我做這家公司的願景，就是希望把創作能力平權，釋放更多人的想像。 AI 時代，能做、想做設計的廣義設計師和創作者的數量正在變多。所以我們現在的定位是：“for everyone who wants to create”，不是服務所有人，而是服務所有有創作欲的人。對非專業人士，Lovart 像AI 創作工作室，能幫你把創意落地。一個典型場景是北美的一些中小商家，例如咖啡店主，他想做自己的全套視覺物料，包含logo、包裝、菜單等等，如果去找設計師來做會很貴，現在AI 可以讓它更普惠。我們也在美國接觸了許多專業設計師，他們追求自我表達，不會用AI 直接出結果，而是更多把Lovart 當作靈感助手，讓它出底稿，自己再完善。所以不論是專業設計師、半專業創作者還是一般用戶，只要有創作需求，都能用Lovart 來做設計。“AI 應用公司怎麼做成長？提前描繪未來，然後等它發生”“垂直應用公司本質在做兩件事：特殊的互動，和特殊的上下文”晚點：2023 年創業之初，你曾把AI 應用的創業機會分成5 個方向：生產端是Office 和Adobe，消費端是搜尋、社群和泛娛樂。這個判斷現在有更新嗎？陳冕：目前沒有超出這個框架。現在所有大體量的To C 和To P（生產者）產品，基本上都是Office 類別的生產工具和Adobe 類別的視覺創作工具。Coding 可以看作是新時代的Office 。程式語言是LLM（大語言模型）的原生語言。處理文字、訊息、程式碼，都是LLM 的內生能力。但所有這類應用創業都面臨一個挑戰：如何與大模型廠商拉開差異？另一類是“Adobe 系”，圍繞著多模態模型展開。它離大模型的主軸有一段距離，既能利用大模型的能力，但又能在自己的場景下做出差異化。所以最開始我們選擇從這個角度來切入。晚點：這種距離還成立嗎？ OpenAI、Google 等核心模型公司都在更多投入多模態。陳冕：有距離，不是指巨人不做多模態。再往下，追求AGI 也會經過多模態和世界模型等環節。但模型巨頭的最主軸仍是語言，是構建“通用智能”，是創造一個高智商的通用人。我們作為垂類產品，則是在通用人的基礎上，創造一個設計師或創作者，它需要更多行業經驗和數據。應用公司的生存空間，正是在於你既能用好這個「通用人」 的能力，又不要去做一個通用人就能做好的事。晚點：這個思路怎麼體現在你們的產品設計上？陳冕：垂類應用公司本質是在用產品表達兩件事：一是這個行業裡的特殊工作方式，它決定了人機互動方式和產品介面；二是一個行業中要積累的經驗和數據，它決定了怎麼給context（上下文）。例如為什麼我們要做ChatCanvas 功能？就是因為在互動上，你和設計師溝通時，絕對不會只對著他的臉說話，而是必須對著一個桌面或畫布，上面擺滿圖片等素材。設計的溝通離不開視覺對齊。ChatCanvas 是Lovart 今年7 月正式上線的功能，它可以在畫布中框定區域，然後透過自然語言互動讓Agent 修改和編輯。如果你和一個人說話時只需要看他的臉，這就是Chatbot 要處理的通用場景；如果你必須對著視覺素材，那就是ChatCanvas 的場景。晚點：ChatCanvas 這種互動方式好像挺自然的。為什麼Lovart 之前沒人做出來？陳冕：因為在模型能力到之前，大多數人不會做這件事。今年有幾個密集進化：GPT-4o 更新Image-1（4o 系列的文生圖模型），在指令跟隨、一致性、文字生成能力上都大幅提升，然後是Google 的Nano Banana，包括字節的Seeddream 4.0，能力持續上台階。這些變化太快了，所以大部分人還來不及做。晚點：而你們提前預判了模型的提升，提前做了準備？陳冕：對。 AI 應用公司怎麼做成長？其實就是提前描繪未來，然後等它發生。應用公司本身不掌握模型創新，所以要預判它的演化，先設計出模型到下一階段後可能出現的互動方式，等模型ready 的那一刻，你就瘋狂show 出來。Lovart 本身就是這樣一個提前構建，原定五一上線，上線前GPT-4o 發布了Image-1，我們特別開心，等Nano Banana 出來後，就更開心了。晚點：具體來說，你們要在產品、工程上做什麼，才能接住不斷提升的模型能力？陳冕：第一個是密切跟進模型迭代。還是以ChatCanvas 為例，我們最早設計這個互動時，連GPT-Image-1 都還沒發。這時的模型理解不了複雜的多輪指令、一致性差、編輯能力較弱，很難實現「指那裡改那」 的體驗。但如果你密切追蹤模型迭代，和模型團隊交流，就會發現他們正集中攻克這些問題。有些紅極一時的做法，例如ControlNet，反而在模型提升後就不常用了。（編按：ControlNet 是一種神經網路結構，透過增加額外條件來控制擴散模型的圖像生成過程。）第二，我們有一個明確假設──模型在變強，但短期是更像人，還沒超越人。所以Lovart 的設計哲學就是「還原人與人的溝通」。我們怎麼跟真人設計師溝通，就怎麼跟Agent 溝通，以此評斷互動是否合理。我賭ASI（超級人工智慧）還沒那麼快到來。晚點：ChatCanvas 等互動創新之外，你們也在Lovart 裡更新了影片產生能力，設計群組有這個需求嗎？陳冕：做影片的人大部分都會做圖，因為影片往往是從分鏡稿開始的。所以一個做圖的公司大機率會延伸到視頻，因為你很多用戶的下游場景就是視頻。晚點：做3D 也是這個邏輯？陳冕：3D 不太一樣。短期內，我們的重點還是圖和影片。因為現在的主流裝置主要展示平面視覺內容，3D 內容的消費還沒起來，生產需求就沒那麼多。晚點：除了這些已經上線的功能，你還看到了那些未被滿足的需求？陳冕：設計師還需要更多context。例如要為《晚點》做一套品牌設計，就需要理解《晚點》的歷史、調性、觀眾、過往視覺風格和你們的喜好。我們把設計的context 抽象化成兩個類別：Reference（參考）：包括私有和公有兩種。私有reference 是品牌過往的風格素材；公共reference 是流行趨勢，例如宮崎駿或多巴胺風格。Preference（偏好）：來自長期合作中對顧客美感的積累，例如有人喜歡極簡，有人偏好插畫。 AI 設計師要透過多輪互動發掘並記住這些偏好。本質上，未來的AI 設計師要能持續吸收、學習這些上下文，最終給出更滿足你需求的產出。晚點：“給設計更多context”，落到產品上是什麼樣的？陳冕：我們正在做一個context 模組：透過多輪對話補齊上下文，沉澱長期的素材庫，記住使用者偏好。首先是在prompt 過程中，我們做了一個小模型，它會追問用戶，補充更多context，比如品牌歷史、過去的物料等等，我們也支援直接甩個鏈接，理解其中的多模態資訊，比如通過官網理解風格。以上過程做的多了之後，就會慢慢沉澱一個使用者自己的素材庫，在未來呼叫中，Lovart 就可以從reference 和preference 函式庫上調相關風格，和使用者確認、快速達成共識。晚點：大模型現在對美感和風格的判斷能到什麼程度？陳冕：肯定沒有人那麼好，但在很多場景已經夠用。例如它看到《晚點》的風格，不會覺得這是娛樂媒體。多模態模型的理解和辨識能力都在快速變強，這還是在「提前準備，提前描繪未來」。晚點：怎麼能做到持續提前描繪未來？或者說怎麼提高成功率？陳冕：核心就兩點，離使用者更近，離技術更近。真正的困難是取捨：你見到用戶後，一定會發現一些需求，模型還滿足不了，那這個點你做不做？要不要用傳統方式做？例如我們做全球市場時發現，現在除了英文和中文，影像模型在生成其他語種時的效果都不好。那一個很有意義的討論就是，該用那一種方式加文字？用模型直接生成文字：美學風格更一致，但現在容易翻車，可控性不好。用傳統方式，拖一個文字框加文字：好用、可控，但美學不一致，更大的風險是，如果模型很快迭代了，這些「補丁」 可能就白做了。這類問題沒有簡單答案。從使用者體驗角度，如果模型短期內解決不了一個剛需，那麼用別的方式頂上可能是對的。但如果模型馬上有大進展，又可能摧毀掉過去的努力。晚點：你自己離科技更近的方法是什麼？你創業前的工作經驗比較是在產品和商業化。陳冕：最有效的方法是技術同學讀論文，再講給我聽。我常用“人” 的比喻來理解大模型：pre-train（預訓練）像培養“合格的人”，post-train（後訓練）是給他“入行經驗”，reasoning（推理）是“思考與決策”，RL 是人在實踐中學習。所以，身為一個產品經理，我的優勢是在沒有那麼懂技術的情況下，能用產品思維快速提煉、類比，把技術能力落到產品上。晚點：5 月聊時，你曾擔心，多模態生成領域的閉源模型會甩開開源模型，這不利於應用新創公司。現在這件事持續發生，Veo3、Nano Banana、Sora 2 等陸續出現。現在怎麼看這個問題？陳冕：現在不擔心了。開源、閉源，本質影響兩件事：一是成本。開源成本更低、更可控，但即使用閉源模型，token 價格也必然越來越低；二是要不要做後訓練。閉源沒法做後訓練，但後來我們發現，即便不做後訓練，我們在上下文工程還有很多可以做的，AI 應用公司在工程側、產品側的空間已經足夠複雜了。晚點：你有在意的競爭對手嗎？陳冕：細到「創作型Agent」 這個品類，除了我們，其他還偏小。整體來說，這個領域有潛力的公司有3 個類別。一是2023 年那批做多模態生成的，如Krea、Higgsfield、Freepik 等，他們都可能往Agent 轉型，Midjourney 不一定，它更偏模型。然後是Adobe、Canva 這類垂直產業巨頭，但這類新產品一定要到一定收入量，例如年收入超過1 億美元，才對他們有意義。第三是核心模型公司，我認為它們短期內會更專注於通用Agent 和coding 等能力。我覺得現在處在一個新變化的孕育期。 To P 創業窗口期已接近關閉，你現在聽到的產品都是競爭後的結果。我更看好下一波to C（消費者）應用程式的機會。晚點：所以你們何時會做to C？陳冕：一定會做。我覺得明年會出現有趣的公司，可能是to C 元年。影像和視訊模型的成本都在不斷降低，Veo3 前段時間開始打5 折，Nano Banana 也比GPT-Image-1 便宜很多，確定性的成本下探會讓to C 更可行。然後是to P 過去的發展，讓更多人都能創作AI 內容了。那最終內容消費是否也會改變？（編按：以上訪談發生在Sora app 發布之前。Sora app 其實就是一個生成式AI 從生產端產品到消費端產品的變化。）“事實證明，不焦慮的人做不好AI 應用”“往往在你覺得短期有點高估它（技術進展）時，過兩天你又發現低估了它。”晚點：Lovart 5 月內測的目標之一，就是要做第一個上線的垂類Agent。這之後你們一直保持很快的更新節奏。這種迫切來自那裡？陳冕：一切都在加速，timing 在AI 時代更重要了。過去抓住一個成功業務形態，可以吃10 年，現在也許只能活兩年。每一波新產品和新體驗的建置窗口期都很有限，不能快速做出產品、取得用戶，這一波就錯過了。但下一波也不遠，錯過也別太急，要提前想下一波。所以一個公司現在想持續成功，就不能像行動網路一樣抓住一個PMF 後就慢下來。你想想，如果Manus 沒有在第一個產品後做出Manus，我們沒有很快做出Lovart，公司狀況會完全不同。人們的情緒也不斷在「不過如此」 和「FOMO（害怕錯過）要死」 間來回搖擺。既怕技術不發展了，又怕技術發展太快。整個情緒、業務、產品、融資和經營節奏，都面臨很大挑戰。但這也是好事，表示技術真的發展很快。往往在你覺得短期高估它時，過兩天你又發現低估了它。晚點：從2023 年創業以來，你們錯過了什麼比較重要的時間窗口嗎？陳冕：幾乎沒錯過重大的。總共是這樣幾波，一是23 年創業時，現在我也沒後悔，我們沒有一上來就做全球市場。因為當時Midjourney、Stable Diffusion、Leonardo 等文生圖應用都出來了，搶「全球版圖」 已晚，我們在中國市場跑得最快。第二波就是Agent，我們做了Lovart。第三波抓得準不準？就看我們to C 做得怎樣。晚點：沒錯過重大窗口的原因是什麼？陳冕：我很焦慮，團隊也很焦慮。但如果真想做好AI 創業，你需要和焦慮共處。核心是要搭建一個高頻迭代的組織：能不斷理解新技術；能明確快速變化中，有些事沒辦法做得很深，所以必須選擇槓桿最大的事，優先做。晚點：這可能會帶來頻繁的方向和團隊調整，還有混亂，你覺得這是個問題嗎？陳冕：確實有人抱怨今天這樣、明天那樣，但這在現在不能避免，除非技術放緩。一定有一些人比較喜歡優化確定性的事物。但現在常常是來不及優化，技術又變了，這對心態和組織是個考驗。晚點：核心團隊裡，你很焦慮，其他人呢？陳冕：沒有人是淡定的。從reasoning、強化學習到Agent 潮，再到大家發現做情境工程有很多空間，總共就半年多。你想自己慢慢搞，就很有可能跟不上。事實證明，不焦慮，做不了AI 應用。晚點：近期你最焦慮的事是什麼？陳冕：最近我們在做的context 模組，我認為方向是對的，但不是我們還不夠快？晚點：實際上context 模組什麼時候會上線？陳冕：應該是10 月底。“過去他們說我沒耐性，現在他們說我有韌性”晚點：你們公司在23 年底到24 年初曾瀕臨倒閉，最後還是撐過來了。一些投資人和同行認為你已經被驗證的特質之一是韌性。陳冕：這事兒好好玩，我沒創業時換過很多次工作，大家覺得我沒耐性。創業後，對我的評價是有韌性。我創業這次確實更有韌性了，但我不是個盲目堅持的人。過去頻繁跳槽，是因為認知不夠，那十年逐漸累積許多樣本後，現在的韌性來自信念，信念又來自認知。我有幾個大假設：AI 是不是還在快速發展？ AI 是不是會取代所有虛構內容的創作？如果是，我們沒理由不繼續。晚點：最困難時，你們曾獲得收購邀約，團隊裡有人想接受，但你拒絕了。當時是怎麼想的？陳冕：先澄清一下，那不是完整的收購邀約，是有幾個收購意向，我都擋掉了。和團隊溝通前，我已經決定拒絕。回頭看，我可以有更好的溝通方式，這也是我作為CEO 的成長：如果自己相信，就要把信念堅定傳遞給團隊，我沒想過要賣。這也不是一個感性決策，而是一個理性判斷：我不是為了創業而創業，是為了贏而創業。當時我認為，山還在、我們也能到達，那為什麼不能努力往那裡走呢？晚點：你什麼時候發現創業比你最開始想像的更殘酷？陳冕：我到現在都不覺得創業很殘酷。它焦慮、痛苦，但同時又很快樂、很酷。有人說過：當你做一件你熱愛、也很痛苦卻又很爽的事，那可能就是你的「天命」。這有點像極限運動，它確實很危險。但在過程中，你不能總是想著危險，否則就真掛了，你得專註解決眼前每一件事。它也有點像魂類遊戲：小怪兩刀把你放倒，BOSS 更是一刀秒，可一旦摸到那條“正確路徑”，也能戰勝原本強大的對手。挫敗感拉滿、正回饋也拉滿。我覺得這是創業的魅力，也是我熱愛這件事的原因。晚點：你的投資人之一，明勢合夥人夏令說你是「遇強則強」 的創辦人。陳冕：是有點這樣，我們遇過3 次比較大的挑戰：第一次是找第一個產品的PMF，我覺得我先看到了PMF，後來被驗證，我很快樂。第二次是差點倒閉。我覺得這怎麼會倒閉？不會的！然後沒倒閉，更加快樂。第三次是怎麼做出Lovart——在明確知道上一代產品不是未來時，怎麼盡快做出下一代產品，怎麼用想像力描繪未來，而且我們居然第一個做到了，更加快樂。每一次都是最焦慮、最痛苦的時候；但每一次跨越，我的成就感都越來越大。當然再往下，你可能還會承受更大的痛苦。但痛苦和快樂是並生的。晚點：你害怕自己身上的什麼特質嗎？陳冕：害怕自己迭代速度不夠快。至於要不要焦慮這件事，其實需要取捨。如果科技發展放緩，我們要沉下心做精細化，穩一點；如果仍在加速，就必須擁抱新東西，用極致的焦慮逼自己保持高敏感、快吸收、快決策。晚點：你說焦慮需要“取捨”，但一般認為焦慮是一種情緒，挺難被控制。難道你有一個開關，可以去打開和關閉焦慮嗎？陳冕：我可以用一些方式遮蔽它。例如你應該接收多少外部資訊？至少在目前，我覺得還是要保持高頻訊息接觸。以及我要在冷靜下來時，去處理情緒，我覺得這個我是可以控制的。晚點：你好像在用底層的理性控制上層的感性表達？陳冕：對。有些人會覺得我超級感性，能量很高、非常嗨。但本質上我是個感性的理性者。因為AI 真的沒辦法計劃，我越來越依賴各種資訊給我的feeling，以及靈感湧現。但做決策還是理性，例如團隊上也是，迭代很快，合適的人留下，不合適的及時調整。晚點：我看到你最近的「感性」 一面，是分享了TI14 Dota 2 的比賽結局，Extreme 戰隊輸了，你說：「青春總有遺憾」。陳冕：對，他們跨越六年、輸了三次。每次都是在2 比2 時輸掉最後一局。我是Dota 老玩家，所以有些感傷。這也是一種投射，他們也是為了自己的喜歡的事在努力奮鬥，有非常多波瀾起伏，也有非常多遺憾。但是如果不去做，就沒有青春。青春就是奮鬥的過程。晚點：你現在還能感覺到青春在心中湧動嗎？陳冕：現在就是我的青春。過去在學校、各家公司的工作，都是為了現在。這是我真正第一次自由的、全情的、瘋狂的想做成一件事情。 （晚點LatePost）

AI創業的黃金賽道正從基礎模型轉嚮應用層，特別是能夠實現業務閉環的AI Agent。下一代產品需具備深度推理、主動服務與全球普惠能力。商業模式上，混合定價已成主流，但基於結果的定價短期內仍面臨挑戰。企業必須將定價視為核心戰略，才能在激烈的市場競爭中立於不敗之地。引言人工智慧的浪潮，正從技術演示的喧囂，轉向商業落地的深水區。當大眾還在驚嘆於模型的參數量與能力邊界時，真正的從業者與創業者們，已經開始冷靜思考一個更本質的問題：機會究竟在那裡？錢要怎麼賺？今天，我們不再空談技術的顛覆性，而是要深入骨髓，剖析AI產業的結構性機會與商業模式的演進。結合OpenAI董事局主席Bret Taylor、首席產品官Kevin Weil的最新洞察，以及對超過240家軟體公司的定價資料分析，我們試圖描繪一幅清晰的AI創業與商業化地圖。這幅地圖將指引我們，看清那些是巨頭的領地，那些是留給創業者的黃金賽道，以及如何為手中的AI產品，制定一套既能捕獲價值又能持續增長的定價新規。一、🧭 AI創業的三大機會市場：那裡是紅海，那裡是藍海？AI產業並非鐵板一塊，它已經分化出清晰的層次結構。對於創業者來說，找準自己的生態位，遠比盲目追逐技術熱點更為重要。目前來看，三個層次分明的市場已經形成，它們的機遇與挑戰截然不同。1.1 前沿模型市場：巨頭的遊戲場第一個市場是前沿模型或基礎模型。這裡是科技巨頭與頂級實驗室的角鬥場。建立前沿模型，需要天文數字的資金投入、頂尖的人才儲備和龐大的算力基礎設施。這就像雲服務市場一樣，最終只會剩下少數幾個超大規模的玩家。目前，嘗試進入這個領域的初創公司，結局大多是合併或被行業巨頭收購。對於絕大多數創業者而言，這裡幾乎沒有可行的商業模式。原因有二：資本壁壘極高：建構和訓練一個領先的基礎模型，成本動輒數十億美金，這不是普通風險投資能夠支撐的。資產快速貶值：技術迭代速度太快，今天的前沿模型，可能在6到12個月後就變得不再領先。這種快速的價值折舊，要求玩家必須通過不斷擴大規模來獲取投資回報，形成了一個資本的無底洞。所以，除非你擁有馬斯克等級的融資能力和行業影響力，否則，將創業的賭注押在基礎模型上，無異於駕駛一葉扁舟衝向驚濤駭浪。1.2 工具層市場：夾縫中的生存挑戰第二個市場是工具層，特別是資料平台和相關工具鏈。這個領域包括資料標註、模型評估、開發框架等。在AI發展的初期，工具層確實誕生了一批有價值的公司。但現在，這個市場正變得越來越擁擠，並且面臨著巨大的生存壓力。最大的風險，來自於基礎設施提供商的“上游整合”。就像亞馬遜AWS和微軟Azure在雲市場中不斷推出自己的資料庫、中介軟體服務一樣，基礎模型提供商和雲巨頭們，也在積極佈局自己的工具鏈。當這些巨頭推出功能相似甚至更好用的免費或低價工具時，獨立的工具開發商將面臨致命的打擊。創業者需要捫心自問：如果OpenAI、Google或者AWS推出了一個與你競爭的產品，使用者為什麼還會繼續選擇你？你的護城河究竟在那裡？這是一個曾經不錯的市場，但它正在接近尾生。對於新入局者，這裡的機會窗口正在迅速關閉。1.3 應用層市場：真正的黃金賽道第三個市場，也是最被看好的領域，就是AI應用市場。這裡是創業者的應許之地。與前兩個市場不同，應用層不直接銷售技術本身，而是銷售能夠帶來商業成果的產品。這些產品，通常以AI Agent（智能體）的形式出現，深入到具體的行業和業務流程中，解決實際問題。客服領域：像Sierra這樣的公司，利用Agent自動接聽電話、回覆線上聊天，極大地提升了客戶服務效率和質量。法律行業：像Harvey這樣的公司，為律師事務所提供合同審查、反壟斷分析等專業服務，將律師從繁瑣的重複性工作中解放出來。這些應用層公司，可能是利潤率更高的企業。它們雖然需要向模型提供商支付“技術稅”，但它們銷售的是直接的業務價值，客戶願意為此付出更高的價格。隨著時間的推移，產品本身的重要性將遠超底層技術。一個特別值得關注的創新點，是Agent的自我反省機制。Bret Taylor提出了一個極具洞察力的觀點：讓AI監督AI。要打造一個90%時間都正確的Agent非常困難，但讓另一個Agent去發現並修正那10%的錯誤，可能是一個更容易解決的問題。這種“雙重檢查”機制，將是提升AI應用可靠性、推動生產力真正爆發的關鍵。二、💡 下一代AI產品的四大關鍵訊號：未來已來，只是尚未流行當創業方向鎖定在應用層後，下一個問題是，什麼樣的AI產品才能在未來脫穎而出？OpenAI首席產品官Kevin Weil分享了四個關鍵訊號，它們預示了下一代AI產品的形態和能力。2.1 訊號一：推理突破，從“知道”到“會想”人們常常誤以為AI的強大在於它“知道”得多，像一本無所不包的百科全書。但真正的變革在於，它開始**“會想”**了。新一代AI不再是簡單地從資料庫裡調取一個現成的答案，而是能夠自主地串聯多個步驟，完成一個完整的推理過程。這種能力，被稱為“思維鏈”（Chain-of-Thought）。舉個例子：舊模式：你問“每年有多少人能爬上珠穆朗瑪峰？”它會從某個資料來源裡找一個數字給你。新模式：它會先在內部反問自己幾個問題，“這座山有多高？攀登路線有那些？不同季節的天氣如何？歷史成功率是多少？”然後，基於這些資訊的綜合分析，給出一個更嚴謹、更具邏輯的推斷。這種從“調取答案”到“建構思路”的轉變，讓AI能夠處理財務分析、科學論文審查、複雜程式碼邏輯梳理等需要深度思考的任務。這才是AI從一個“聰明的工具”進化為“智能夥伴”的根本所在。2.2 訊號二：介面重塑，主動服務成為標配你印象中的ChatGPT，可能還是一個需要你主動提問的聊天框。但未來的AI產品，將徹底顛覆這種被動的互動模式。它的目標，是成為你身邊一個無處不在、主動服務的智能夥伴。要實現這一點，AI產品必須具備幾個核心能力：Memory（記憶）：它能記住你的身份、偏好、工作習慣，以及上次中斷的任務。Vision（視覺）：它能理解和生成圖像、視訊，即時為你建立設計內容。Voice（語音）：它能像朋友一樣與你自然流暢地連續交談，而不是一問一答的機械式互動。這背後，是**“共處感”的設計哲學**。AI需要能聽懂你的口語化表達，感知你的情緒和習慣，甚至在你猶豫不決時，主動為你補充和建議。這種體驗將徹底改變產品形態。未來的AI不再是一個需要“點選進入”的獨立應用，而是默認在場的存在：打開信箱，AI已經幫你整理好今天要重點回覆的郵件，並擬好了草稿。切換到會議軟體，AI已經根據昨天的討論，自動拉取了需要跟進的議題。打開PPT，AI正在幫你重寫那一頁邏輯不清的幻燈片。當AI不再需要被召喚，而是與你的工作流無縫融合時，它才會真正成為不可或缺的生產力工具。2.3 訊號三：產品閉環，任務完成度決定價值市場的風向正在轉變。使用者已經不再關心你的AI模型有多聰明、技術有多酷炫，他們只關心一件事：事情是不是真的能做成？AI正在從“技術展示品”快速進化為“生產力工具”。衡量其價值的標準，不再是能力邊界，而是交付質量和任務完成度。什麼叫“把事做成”？比如，你想讓AI幫你發一封資料分析郵件。一個及格的AI會幫你寫好文案。而一個優秀的AI，則需要完成一個完整的業務閉環：自動呼叫CRM系統裡的最新銷售資料。套用你慣用的郵件範本和語氣。傳送郵件給指定的收件人。記錄傳送狀態，並設定好後續追蹤提醒。這背後，AI不再是單打獨鬥，而是作為一個總指揮，調度和組合各種外部工具（文件、資料庫、API介面、信箱等）來解決問題。要做到這一點，產品必須滿足三個條件：工具呼叫穩定：確保在執行多步任務時不會中斷。流程可追溯：一旦出錯，能夠清晰地回溯問題出在那個環節。結果可寫回：任務完成後，產生的資料和狀態能夠被其他系統讀取和使用。一個常見的行業誤區是，以為把模型API接到網頁上，就算做了一個AI產品。這遠遠不夠。真正的價值，在於建構穩定、可靠、可追溯的端到端任務閉環。2.4 訊號四：全球落地，普惠能力成為分水嶺未來幾年，頂尖大模型之間的技術差距可能會越來越小。屆時，真正的競爭壁壘將體現在技術之外的維度。OpenAI反覆強調一個理念：讓模型盡快被更多人、在更多地方用起來。這背後是普惠和全球化的戰略思路。一個有趣的對比是，今天全世界大約有3000萬程式設計師，但未來，AI可能讓30億人都具備一定的程式設計能力。因為“程式設計”的定義被改寫了，它不再是寫一行行複雜的程式碼，而是用自然語言告訴AI你要做什麼。在這種趨勢下，決定成敗的關鍵因素將是：全球部署的速度：誰能更快地將服務覆蓋到全球市場？定價策略的靈活性：誰能為不同國家、不同規模的客戶提供更靈活的定價方案？本地化的深度：誰能為不同文化、不同語言的使用者提供真正落地的產品體驗？這考驗的是一家公司的基礎設施、客戶支援、版本適配、語言本地化等綜合營運能力。未來的競爭，不再是技術演示，而是關乎實用性、穩定性和全球觸達能力的全面較量。三、💰 AI定價的五大趨勢與新規：如何為智能定價？一個好的產品，需要一個好的定價策略來釋放其商業價值。然而，AI的出現，讓傳統的軟體定價模式開始失靈。基於對超過240家軟體公司的調研，我們發現了AI定價的五個核心趨勢，它們構成了AI時代的定價新規。3.1 趨勢一：混合定價成為主流過去，軟體定價主要依賴按席位收費（Per-Seat）和固定費率訂閱（Flat-Rate Subscription）。這兩種模式簡單、可預測。但對於AI產品，它們顯得力不從心。因為AI的價值和成本都與“使用量”強相關。因此，**混合定價模式（Hybrid Pricing）**正迅速成為主流。即“基礎訂閱費 + 基於使用量的計費”的組合。這種模式的採用率已從幾年前的27%躍升至41%，而傳統模式的佔比則在持續下降。混合定價的優勢顯而易見：平滑過渡：它可以在現有訂閱模式上疊加，對原有定價體系衝擊小。自然增購路徑：讓客戶以較低的門檻“免費”或低價試用，隨著使用量的增加而付費，盈利路徑清晰。成本可控：通過限制免費使用量，可以有效控制API呼叫等成本，避免被無利可圖的客戶拖垮。相對可預測：買家仍然可以根據基礎訂閱費和預估使用量來控制預算。3.2 趨勢二：定價組合拳的多樣化探索混合定價並非單一模式，它衍生出了多種靈活的組合方式。創業者需要根據自身產品的價值主張和客戶的付費習慣，選擇最合適的“組合拳”。以下是一些常見的混合定價模式及其優缺點，我們通過一個表格來清晰呈現：3.3 趨勢三：基於結果定價，理想豐滿現實骨感基於結果定價（Outcome-Based Pricing），即“按成果付費”，聽起來是AI定價的終極理想形態。它直接將產品的收費與為客戶創造的價值掛鉤，傳遞了極強的產品自信。然而，在短期內，這種模式難以大規模普及。目前，只有大約5%的企業在嘗試這種模式，預計到2028年，這一比例也只會增長到25%左右。它面臨著四大難以踰越的障礙：一致性難題：不同客戶對“成果”的定義千差萬別，導致需要大量定製化的合同和衡量標準。歸因性難題：你能否清晰地向客戶證明，他們取得的業務增長完全或主要歸功於你的產品？在複雜的商業環境中，這幾乎不可能。可衡量性難題：如何精準、及時、透明地衡量成果？如果衡量機制不被信任，計費就無從談起。可預測性難題：你能預測你的產品將帶來的成果嗎？如果成果波動巨大，供應商將面臨巨大的財務風險。所以，雖然基於結果的定價是未來的方向，但目前來看，它更像是指路明燈，而非腳下的大道。3.4 趨勢四：價格透明化，價值被高估將價格公開在網站上，似乎是一種政治正確。它能吸引潛在買家，篩選不合格的線索，並主動定義產品的價值。但現實是，許多AI公司，尤其是初創企業，並未全面採納價格透明化的做法。這背後有充分的理由：定價結構複雜：混合定價模式本身就比傳統定價複雜，很難用一張簡單的價格表說清楚。差異化報價策略：針對不同規模、不同行業的客戶，企業往往需要提供差異化的報價。公開統一定價會喪失這種靈活性。避免價格戰：一旦價格公之於眾，就容易成為競爭對手攻擊的焦點，將競爭從價值導向拉低到價格導向。策略尚未成熟：很多初創公司自己也還沒完全想明白定價策略，過早公開會給後續的調整帶來巨大阻力。因此，價格透明化並非必然趨勢。對於許多AI企業來說，保持一定的定價靈活性和保密性，在當前階段是更務實的選擇。3.5 趨勢五：定價能力滯後，企業準備不足定價，正日益成為一項極其重要的戰略性任務。它需要對成本結構、競爭格局、客戶感知價值有深刻的理解。然而，大多數公司在這方面的準備嚴重不足，普遍存在兩大短板：人員能力缺口：缺乏具備專業定價分析、價值建模和市場洞察力的人才。工具落後：仍在依賴Excel表格進行複雜的定價測算，無法支援即時、資料驅動的決策。許多公司正陷入所謂的定價“無人區”——早期“拍腦袋”定價的方式已經失靈，但正式的定價委員會和專業的定價負責人又尚未建立。這導致定價策略缺乏清晰的所有權和戰略方向。給創業者的建議是，從產品開發的第一天起，就應該開始思考和設計定價策略，而不是等到產品上線前才匆忙決定。定價能力，將是未來AI企業核心競爭力的一部分。結論我們正處在AI商業化大爆發的前夜。通過對行業頂尖大腦思想的梳理，我們可以得出幾個清晰的結論。AI創業的黃金機會，已經明確地從基礎設施層轉移到了應用層，特別是那些能夠深入垂直行業、提供端到端解決方案的AI Agent。未來的明星產品，將不再以技術參數為傲，而是以其深度推理、主動服務、任務閉環和全球普惠的能力贏得使用者。與此相對應，商業模式的核心——定價，也必須隨之進化。僵化的傳統定價正在被淘汰，靈活的混合定價成為新常態。創業者需要像設計產品一樣，精心設計自己的定價組合拳，並在可預測性、靈活性和價值導向之間找到最佳平衡。技術創新和商業模式創新，如同驅動AI產業發展的雙翼，缺一不可。只有那些既能打造出真正解決問題的產品，又能設計出巧妙捕獲價值的定價策略的企業，才能在這場波瀾壯闊的變革中，飛得更高、更遠。📢💻 【省心銳評】別再迷戀模型的參數了。真正的戰場在應用層，決定生死的不是算力，而是產品閉環能力和聰明的定價策略。價值交付不清晰，再強的技術也只是空中樓閣。 (運通鏈)

這是一個投資人不願看到的騙局。故事主角是一家知名AI創業公司11x.ai（簡稱11x）。早在2022年，年僅24歲的Hasan Sukkar創辦11x，憑藉著推出AI員工聲名鵲起，迅速獲得a16z、Benchmark等知名風投超5億元的融資。然而，造假風波上演。知名科技媒體TechCrunch爆料，“11x一直在宣傳它所沒有的客戶”。簡單說，11x通過宣傳虛假客戶、創新ARR計算方式等途徑，營造業務繁榮的假象。實際上，不少試用客戶反饋產品不盡人意，短暫試用後選擇終止合同。事情仍在調查中。消息稱，11x的B輪領投方a16z可能正在考慮採取法律行動。如此一幕，算是給當下AI創業潮敲響警鐘。01. 90後打造AI員工，融資5個億這要從一位90後創始人說起。哈桑·蘇卡爾(Hasan Sukkar)，根據公開資訊可以大致梳理他的成長軌跡：天賦異稟，14歲就建立了一個線上交易平台。2015年，17歲的蘇卡爾因敘利亞難民危機移民到英國，之後進入埃克塞特大學學習工程學。他曾在麥肯錫當過兩年顧問，這段經歷為日後創業埋下伏筆。在蘇卡爾看來，數位化員工將成為全球企業日常工作中不可或缺的一部分。於是在2022年，他帶頭創立了11x，致力於打造可替代人類員工的自動化數字員工。“我們的使命是幫助人們擺脫單調重複的任務，專注於更具創造性和更人性化的任務”。AI熱潮下，11x進展迅速。很快公司推出名為Alice的AI員工，名聲大噪。11x宣稱，Alice是“全球首位數字工作者”，聚焦在銷售領域。相比於傳統的自動化工具，Alice可以自主運行，管理從識別潛在客戶到安排會議的整個外呼銷售流程，無需人工干預。理論上，這將是人類員工無法競爭的對手。畢竟Alice採集了數兆字節的資料和超過5億條線索，從而線上索中整理出最具價值的潛在客戶名單。“她”無所不知、學習速度快，更關鍵的是能做到永不停歇。11x給出一組資料：Alice為銷售團隊預訂的會議數量是人類銷售代表的5倍，價格卻低10倍。很快，投資人找上門了。2023年8月，11x完成200萬美元種子輪融資，由Project A Ventures領投，No Label Ventures、Tiny Ventures以及天使投資人Felipe Navio和Mandeep Singh也參與了此輪融資。隨後，11x又推出另一名AI角色Julian，與Alice共同組成公司兩大產品，為企業提供AI銷售自動化工具。兩“人”分工協作——Alice負責銷售線索的挖掘、研究和客戶拓展。Julian則是一款AI電話銷售代表，能夠使用30多種語言，並能處理與潛在人類買家的來電和去電對話。這是一門想像力巨大的生意，畢竟各行各業都離不開銷售，但過往銷售人員卻要花費長時間在繁瑣的行政工作和資格審查中。如今可以將這類無需動腦卻又必不可少的工作交給數位化員工，讓人類銷售得以解放雙手。於是，11x成為AI圈炙手可熱的創業公司。2024年9月，11x宣佈獲得由Benchmark領投的2400萬美元A輪融資。同月，11x又獲得約5000萬美元的B輪融資，由a16z領投，公司估值約為3.5億美元。至此，創業短短三年，11x迅速累計融資7600萬美元（約合人民幣5.4億元），身後雲集Benchmark、a16z等全球知名VC機構，堪稱AI狂飆時代的一抹寫照。02. 造假風波，90後CEO選擇辭職故事講到這裡，如無意外，11x將成為下一個明星獨角獸。但意外還是發生了。早在今年一季度，一篇調查報導打破了11x光環——據美國科技媒體TechCrunch披露，該公司存在著虛假的客戶宣傳、產品不盡如人意、虛假的ARR計算方式等問題，遠不及表面看到的那樣光鮮。最致命的問題是，11x被爆出造假客戶名單。報導中提到，與許多初創公司一樣，11x在網站上展示一些合作的客戶，然而事實卻是，11x被爆出官網中有多家標記的企業並非公司真正的客戶。具體操作並不複雜。比如一家名為ZoomInfo的企業，曾對11x的AI SDR進行了為期一個月的短期試用，但在發現不如預期後便當即停用，“然而自去年11月以來，11x一直在銷售電話、網站，甚至是其AI撥號器上等多個管道聲稱我們是客戶。”該公司發言人表示。ZoomInfo律師發給11x創始人的電子郵件顯示，11x存在多項法律訴訟理由，“包括但不限於欺騙性貿易行為、商標侵權、盜用商譽和虛假廣告”。與此同時，11x的數字員工噱頭十足，他們的銷售人員經常告訴潛在客戶，由於這家初創公司的技術，客戶可以預期在幾個月內看到會議、演示和電話預約數量大幅增加。但實際銷售結果卻是許多公司在試用後就取消了合作，因為他們對產品不滿意。一家嘗試過該產品的公司表示：“自動傳送的電子郵件數量與預訂的會議數量之間的實際結果令人失望。”對此11x解釋它相信其產品的表現優於人類SDR，“性能最終取決於使用者輸入的質量”，並不保證節省成本或創造收入，這顯然違背了企業借助AI助手的初衷。此外，還有客戶抱怨11x產品讓人產生幻覺，或者根本無法載入。如此種種，將11x引入更為嚴重的風波。他們的行銷方式是，要求希望試用的企業簽署一年期的合同，拒絕提供任何短期試用選項。作為替換方案，11x提供3個月解約條款，也就是說客戶可以在三個月後選擇終止合同，作為一種變相試用機制。但公司在計算年度經常性收入(ARR)時，卻並未區分試用客戶與長期客戶，而是按照全年合同金額計算。這種計算方式下，即使一部分客戶會在試用後流失，公司的業績也會顯得比實際更好。站上風口浪尖，11x創始人蘇卡爾曾發文反駁，否認公司編造財務報表，並強調公司不存在任何財務問題。不過他也承認，文中提到的客戶確實曾付費並試用一段時間後便不再續費。如今，這些客戶的標識已經在11x官網中移除。（11x此前展示的客戶，目前已刪除。來源：TechCrunch）最新一幕是，蘇卡爾選擇辭去公司CEO一職，11x首席技術官Prabhav Jain被任命為公司新任首席執行官。03. AI醞釀史上最大泡沫？警惕FOMO情緒無獨有偶，最近另外一家明星AI公司也陷入爭議。起因是近日，Manus首席科學家季逸超在一場活動上宣佈，公司收入運行率（RRR）達到9000萬美元，瞬間在眾多中英文媒體中形成刷屏級傳播。但很快引起業內質疑——3月上線至今，短短幾個月的時間，一個AI產品的增長勢頭就能達到年收入超6億元人民幣？且Manus用的並非常見的ARR指標，而是RRR，後者通過將一個月的總收入乘以12來得到預測性年度收入。為此，Manus創始人肖弘在社交平台回應。他解釋選擇用RRR資料而非ARR的原因——在他看來，RRR是嚴謹的財務資料，而ARR容易造假：“產品上線初期，很多公司用7天現金收入乘以52來算ARR，這裡包含了年付使用者的現金，可能多出好幾倍。而且產品早期熱度高、嘗鮮者多，很容易高估未來。”不過，這一觀點也對應了11x面臨的問題。實際上，這也是AI創業公司的套路，帳面上看，收入暴增，但實際上使用者並不一定為產品本身買了單，反而導致大量的ARR資料誤導市場。這樣一幕，似曾相識。回想網際網路泡沫時期，公司強調點選量和頁面瀏覽量；移動網際網路時代，下載量和日活成為衡量成功的通用標準。每次技術變革都會催生一批新的“虛榮指標”，如今AI也面臨相似的局面。AI創業火爆，正在締造人類歷史上最大一波創業潮。而FOMO情緒（害怕錯過）渲染下，所有投資人都在問自己：下一個OpenAI在那裡？我會不會錯過？過去兩年，全球AI融資瘋狂歷歷在目，無數年輕創始人被推上財富之巔。但潮水終將會退去。正如一個名為“AI墓地”的網站裡，2025年至今已記錄277個AI工具被關閉。想起幾個月前，知名科技企業Fiverr CEO在公開信中直言，99%的AI創業項目會在一兩年內被淘汰——市場會快速出清，最終留下的，要麼是像OpenAI這樣的底層基礎設施公司，要麼是聚焦垂直場景、真正解決問題的應用層產品。此情此景，為每一位AI創業者敲響警鐘。 (華爾街見聞)