Vivian在哪里

Podcast

Vivian在哪里

主播 未知 出品 Vivian在哪里 4,265 订阅 48 集 3周前更新

在小宇宙收听
Vivian在哪里49|WTCC主持人笔记:AI硬件出海与GTM重塑

Vivian在哪里49|WTCC主持人笔记:AI硬件出海与GTM重塑

Vivian在哪里

两天前,上海 WTCC 大会,我作为主持人,和一线 AI 硬件出海创业者、海外营销和渠道增长专家,一起聊一个核心问题:AI 硬件出海,怎么找到真正的 PMF? 我是 L Ventures 的 Vivian,我们专注早期 AI、硬科技与出海的孵化与投资,同时运营声量创投生态,帮助创业公司面向资本市场放大声量、搭建影响力。 这场圆桌,我们首先达成一个共识:过去中国制造出海那一套成熟打法,放到 AI 原生硬件身上,已经行不通了。 硬件是慢的,开模、供应链调整动辄两三个月;而 AI 很快,模型、交互体验几周就会迭代变化。这种快慢拉扯之下,众筹、独立站、线下渠道,到底该怎么搭?整场对话最核心的实战结论:AI 硬件出海,不存在万能的 GTM 公式。 首先是 GTM 路径要重新理解。传统消费电子出海,大家习惯线性流程:众筹起量,再转独立站、平台,最后铺线下。但这套先后顺序,在 AI 硬件时代失效了。 众筹、DTC 独立站、平台电商、线下分销,不是递进步骤,而是四套独立工具,需要按需组合。 众筹适合新概念、开创性产品,用来验证付费意愿、拿到第一批种子用户、获得海外媒体曝光,但它的用户以极客为主,不能代表大众市场; DTC 独立站自主权最高,尤其适合软件需要高频迭代的 AI 设备,可以直接触达用户,快速验证、小步快跑; 亚马逊这类平台,更适合已经被市场教育成熟的品类,全新 AI 品类直接上架,很容易没有流量、溢价困难; 线下渠道是规模化营收的必经之路,但它对供应链、毛利、售后、退货管控要求极高,绝对不能过早入场。 0-1 冷启动,怎么选? 众筹不是靠一条 Demo 视频就能爆,上线前要做好叙事打磨、红人盲测和社群预热。同时要理性看待众筹,众筹金额只是手段,它真正价值是验证需求、沉淀社群,不要被账面数字迷惑。 如果你的产品软件迭代节奏极快,我会更推荐直接 DTC 冷启动。众筹预售周期太长,等到半年交付的时候,当初的 AI 体验很可能已经过时。DTC 可以按周迭代落地页、营销叙事和软件版本,用现货交付打磨更健康的商业模式。 线上验证跑通,想要再切入线下,可以参考火箭发射模型:先完成入轨前的全量校验。 供应链稳定性、本地化售后、全球合规、毛利与退货红线,四项缺一不可,如果有一项不达标,贸然铺线下,库存、现金流都会面临巨大风险。校验全部完成之后,再从小范围优质展厅拿到品牌背书,逐级推开分销管线,稳步放量。 再聊聊怎么找到真实 PMF,避开自嗨。普通用户不会为大模型参数买单,他们只关心设备能不能简单自然地解决真实痛点。 我们现场总结了几个验证思路:用概念 Demo 提前做市场前测、品牌叙事落到真实场景、持续追踪 CAC 和社群活跃度,优先用广告 A/B 测试、红人盲测替代传统问卷。 另外,如果你是一个新品类的开创者,团队虽然手握定义权,但要承担高昂的市场教育成本,核心是共建早期用户社群;品类跟随者不用教育市场,但容易陷入价格战,跟随着机会在于深耕垂直场景,靠稳定交付取胜。 AI 硬件还有一个底层变化:商业模式变了。传统硬件是一锤子买卖,而 AI 硬件售出,服务才刚刚开始,硬件变成服务入口,长期会走向硬件微利,叠加订阅、算力增值服务。同时海外用户普遍有隐私焦虑,很多场景下,我们要适度弱化 AI 标签,强调端侧本地计算、数据安全。 这场圆桌里大家最大的共识,就是硬件和 AI 天然的节奏错配。硬件改模成本高、周期长,AI 模型迭代又极快,辛苦做出来的功能,很容易被新模型抹平。 一个破局思路,是做「终端即接口」:不用自己硬做通用大模型,团队核心精力放在传感器、交互体验、端侧算力调度,做好模型的选型与适配。架构提前解耦,抓住硬件独有的优势 —— 它能捕捉空间、体感、环境这些纯线上软件拿不到的物理上下文,这是很难复制的壁垒,设计之初预留算力余量,后续升级多模态,不用重新开模。 最后展望2027年赛道方向,AI 硬件出海会告别概念混战,走向场景深耕、稳定交付。三个方向值得持续关注:成熟消费电子的 AI 无感升级、具备主动感知的物理智能体,还有长期用户记忆与上下文管理能力,这会是长期竞争的核心壁垒。 最后我们总结:AI 硬件出海没有标准答案,没有万能 GTM 公式,所有渠道和产品策略,最终都要匹配你的产品、匹配你的用户。 以上就是本次圆桌的笔记分享,谢谢大家。

5 分钟 67 次播放 3周前

Vivian在哪里48|裁员 30 人背后:a16z 正在重构顶级 VC 新战术与组织进化论

Vivian在哪里48|裁员 30 人背后:a16z 正在重构顶级 VC 新战术与组织进化论

Vivian在哪里

几周前,硅谷风险投资巨头 Andreessen Horowitz(a16z)悄然完成了一轮针对内部团队的重大调整。 a16z 裁撤了其Full Stack Talent(全栈人才招聘)团队中的大部分成员(该团队此前规模约 34 人)。受影响的岗位主要集中在负责为被投企业(Portfolio Companies)寻找和招募 C-suite 高管、技术头人的共享服务中心。被保留的少数人才专家不再作为独立的中央平台存在,而是被直接“下沉分流”至 Growth、Crypto、AI 等具体的垂直细分投资组中。 在外界过去的印象中,a16z 一直是“VC 平台化”与“投后全要素赋能”模式的鼻祖与行业天花板。在上一轮牛市中,“像运营大型企业一样运营 VC”、“用数百人的投后团队在竞争中碾压传统 VC”是 a16z 最骄傲的招牌。 那么,这样一家掌管近几百亿美元资产、向来不差钱的巨擘,为什么裁员?为什么偏偏选在 Talent(招聘)这个核心平台职能下手?更深层的问题是:在精简了泛化中台之后,a16z 到底把筹码重注在了哪些“王牌职能”上?其最新布局的“a16z 学院”与各种孵化计划,又透露出顶级 VC 从“后置投后服务”向“极致前置孵化”演进的什么新趋势? 为什么裁?庞大中台模型的“ROI 危机”与转向 要理解这次裁员,首先要回看 a16z 当年的起家逻辑与它所面临的现实范式转移。 Marc Andreessen 和 Ben Horowitz 创立 a16z 之初,提出了著名的“Agency Model(好莱坞经纪公司模式)”。他们认为,传统 VC 依靠单打独斗的合伙人效率太低,而 a16z 要像 CAA(著名好莱坞经纪公司)那样,建立强大的后勤平台——PR(公关)、Government Relations(政府关系)、Talent(招聘)、Market Development(市场拓展)应有尽有,用巨量资源砸向创业者,通过“全要素平台赋能”在源头锁定最顶尖的创业者。 然而,十余年过去,这一模式正遭遇深刻的宏观与效率挑战: [图片] 1. 资本退出的“低速时代”与 LP 精算管理费 在过去高利率、一二级市场倒挂、IPO 窗口受阻的大环境下,DPI(现金回报率)彻底取代了 TVPI(账面回报率),成为 LP 考核 VC 的硬指标。 在牛市时期,凭借庞大的 AUM(管理资产规模),VC 可以获得丰厚的管理费收入,用以养活数百人的庞大中台。然而,当市场进入精细化运营周期,LP 对管理费的开支效率越来越敏感——“我支付的管理费,究竟是转化成了更高的投资回报,还是投入到不产生直接 Deal 价值的中后台人员?”当挤干水分的周期到来,GP 必须重构成本结构,把每一分钱用在刀刃上。 2. “中央集权中台”向“去中心化垂直单元”的必然演进 随着 a16z 的管理规模跨过数百亿美元门槛,它已经不再是一家单一的 VC,而是一个涵盖 Crypto、Bio+Health、Growth、Games、AI、Infrastructure 等多个平行基金的“投资集团”。 在过去,中央 Talent 团队试图统揽全局。但现实是:一个通用的中央招聘平台,根本无法同时深刻理解高能物理级别的 AI 科学家、Web3 领域的匿名极客以及生物医药领域的顶级 R&D 负责人。当不同领域的门槛越来越高,“中央大中台”的通用招聘匹配效率大幅下降。将 Talent 职能拆散并“下沉”至各个Vertical具体基金,形成小而精的垂直服务单元,成为了组织演进的必然。 为什么偏偏裁“Talent”职能?——AI 时代的降维打击与服务错位 在许多创业者眼里,VC 帮找人是“最实惠”的投后服务,为什么 Talent 部门首当其冲? AI 彻底改变了“人才 Search, Mapping & Screening”的工作流 这也许是本次裁员中最具戏剧性也最深刻的信号:作为全球投 AI 最猛烈、最激进的 VC,a16z 正在用 AI 吃掉自己内部最容易被标准化的岗位。在过去,一个数十人的 Talent 团队,大量日常工作是极其繁重的“劳动密集型”体力活:在 LinkedIn、GitHub、Google Scholar 上抓取数据并整理人才 Mapping 表格;批量初筛简历、记录候选人状态;协同 Founders、候选人与 VC 合伙人之间极其繁琐的日程 Schedule 调度。 但现在,AI Agent 和智能化 Talent 工具在 Headhunting 前期的取代率极高。基于 LLM 的人才知识图谱,可以在数秒内精准锁定某个细分论文领域的顶尖学者,甚至能结合社交媒体数据对人才的跳槽意愿做预测。AI 替代了 70% 的前端数据整理与初筛流程,基础的招聘中台因此产生了严重的人力结构性冗余。 从“帮创业者找人”到“教创业者找人” 在实践中,a16z 与众多 被投企业逐渐发现了一个痛点:VC 替创始人做猎头,常常是“吃力不讨好”的。 顶级人才(尤其是突破性 AI 项目的 Co-founder、VP of Eng)的加盟,90% 依赖于 Founder 自身的个人魅力、愿景以及深度技术对话。VC 的中央招聘团队or推荐背书的猎头人选,往往带有“猎头范儿”,缺乏具体业务场景的深刻洞察,匹配度反而不如细分 Vertical 内的深度头人。 a16z 逐渐意识到:与其维持一个数十人的团队亲自帮企业做 Headhunter 的活,不如只保留少数极资深的人才合伙人(Talent Partners),其核心职责转变为“教 Founder 怎么建立 Hiring 体系”以及在最关键时刻进行顶级资源背书。 重构组织——当下a16z 最重视的四大“王牌职能” 裁撤泛化的中央招聘团队,并不意味着 a16z 放弃了投后或运营。相反,这标志着资源正在向四大“核心阵地”加速集中: [图片] 极度靠前的“孵化与原初造物”能力(Incubation & Pre-Idea Sourcing) 在当前 AI 突破日新月异的时代,传统的“等待创业者写好 BP 后来 Pitch”的 VC 逻辑已经失效。真正顶级的人才在离职第一天甚至离职前就已经被锁定。a16z 正在把大量的资源从“投后服务”前置转移到“投前孵化与人才培育”。 政策与监管套利力 在当前美联储政策转向、AI 监管趋严、Crypto 行业合规压力巨大以及地缘政治日益复杂的背景下,a16z 在华盛顿和政策端的投入不降反升。 合规不再是防御性工作,而是一种核心竞争壁垒。能够为 Portfolio 争取合规空间、游说监管机构、摆平政策障碍的能力(例如在华盛顿建立强大的政策智库与游说网络,帮助加密项目与 AI 企业进行合规护航),其壁垒和价值远高于传统的 HR 招聘。 内容与思想领导力(Thought Leadership & Distribution Engine) “a16z 是一家碰巧做投资的媒体公司”——这句名言至今依然成立,甚至在 AI 时代被进一步放大。 在信息爆炸时代,如何通过顶级播客、深度研究报告(如《16 Changes to the Tech Landscape》)、AI 趋势预测来锁定全球顶尖 Founders 的“第一心智(Top of Mind)”,依然是 a16z 的杀手锏。相比后端笨重的招聘服务,前端强力的思想输出能产生极高的杠杆效应,一篇文章或一场播客就能吸引上百个顶级项目自动上门。 极致的 Core Dealmakers(产生 Carry 的核心投资人) 在 VC 的底层逻辑里,最顶级的 Dealmaker(能拿到生成式 AI 或突破性领域标杆项目的人)永远是第一生产力。精简中台成本,本质上是为了给最核心的 Dealmakers 提供更强力的激励与跟投支持,确保在头部项目的竞价战中无往不利。 先于投资做孵化的新战术——从“a16z 学院”到 Speedrun的深度观察 在本次 Talent 团队调整的背后,隐藏着 a16z 近年来最大的一次战略跃迁:将投资触角无限前置,甚至自己做“教育机构”和“孵化器”,在项目成为“公司”之前、在人才提出“Idea”之前就完成锁定。 [图片] 如果你仔细观察 a16z 最近的动作,会发现其在孵化侧的投入达到了空前的强度: 创办“Horowitz Andreessen Academy(HAA)”:抢夺最源头的人才密度 2026 年下半年,a16z 联合知名创业者 Gagan Biyani 等人,在旧金山正式孵化并领投了The Horowitz Andreessen Academy(HAA,霍洛维茨-安德森学院)。 它是什么?这不是一个普通的线上课程,而是一家位于旧金山、面向刚高中毕业或大学早期的顶级年轻 Builder(建造者)的全日制、免学费学院。 逻辑是什么?在 AI 时代,“知识(Knowing)”的获取门槛被压到了极低,而“执行与造物(Doing)”的价值陡增。a16z 发现,最顶尖的 AI 开发者和创新者年龄越来越小,传统的大学教育模式正严重滞后于技术演化。 VC 的终局图谱:通过出资 $35M+ 领投并直接参与 HAA 的建设,a16z 实际上将自己变成了一所“终极创业大学”。通过将这批最聪明的 18-20 岁技术极客集中在旧金山同一栋大楼里,a16z 在他们甚至还没想好要建什么公司时,就已经建立起了深度的信任与股权绑定关系。 Speedrun 与 Alpha Fellowship:打造自有的超级孵化与人才输送管线 除了 HAA 这种基础教育级别的尝试,a16z 的Speedrun孵化计划也已经从最初的游戏/互动媒体扩张为全领域的 AI 孵化平台: 12 周极速迭代:Speedrun 提供最高达 $1M 的 Pre-seed 资金,直接把创业者接到旧金山办公,并为其配备顶级 mentors。 Alpha Fellowship(Pre-Idea 级支持):针对极其年轻的开发者,提供“Pre-Idea, Pre-Team, Pre-Entity”的极早期支持。即使你只有一个初步的想法甚至只是个人技术很强,a16z 也会通过 Alpha 计划给你资金和场地,带你在旧金山进行 8 周密集的 Build。 孵化器与人才网的融合:有趣的是,Speedrun 内部不仅包含 Founder Track,还设置了Talent Track。这实际上填补了被裁撤的泛化招聘团队的空缺——通过孵化器内部的社群生态,让最顶尖的技术人才在 4 周内直接嵌入到最爆发的 Speedrun 初创公司中,实现去中心化的、基于实际 Build 过程的自动匹配,而不是靠猎头打电话。 为什么新一代的 VC 必须走向“孵化优先”? 估值溢价的挤压:在 Seed/Series A 阶段,好项目的争夺已经演变为资本的死磕,估值往往被推到天价。只有在 Pre-Seed 甚至 Pre-Idea 阶段自己动手“孵化”,才能以极具吸引力的条款获取高比例股权。 AI 时代的“造物门槛降低,筛选门槛升高”:有了 Cursor、Claude 等 AI 工具,建立一个 MVP(最小可行产品)的难度降低了 90%。每天市场上都会诞生成千上万个 AI 应用,传统的筛选方式成本极高。通过自己的 Accelerator/Academy 制定规则(必须有 Working Demo,必须有实际 Ship 的速度),VC 可以建立高效率的“Filter”。 彻底锁定网络效应:当 Founders 的第一个联合创始人、第一批 $100K 资金、第一个旧金山办公桌乃至第一批核心工程师全部来自 a16z 的孵化生态(HAA/Speedrun),竞争对手 VC 根本无从下嘴。 a16z 组织架构进化论对全球 VC从业者与创业者的启示 a16z 的这次重组与战略转向,不仅是一家机构的自我革新,更是全球风险投资行业演进的风向标: 告别“大中台”,转向“小团队 + 超级平台” 盲目堆砌投后人数的“军备竞赛”时代彻底结束。未来的顶级 VC 不会再拼谁的 HR 团队大、谁的行政后勤全,而是拼: 能否通过AI 自动化极大地简化后端重复劳动;能否通过垂直 Pod 架构提供高浓度的产业资源;能否通过品牌与内容杠杆形成顶级的人才虹吸效应。 投后赋能的“去中介化”与生态化 VC 替创业者做猎头、做公关的“包办婚姻”模式证明了效率低下。取而代之的是建立能够发出有效声量和影响力的生态系统——无论是通过创业者社群、孵化器 Cohort,还是极客学院,让创业者与人才在系统内部自发碰撞、自行组合。VC 的角色是“提供土壤与催化剂”,而不是“亲自当下场搬砖的工人”。 对创业者的要求:拥有自身的 Hiring & Distribution 进化能力 对于创业者而言,a16z 的变化意味着不能再幻想“拿了 VC 的钱,VC 就会帮我配齐所有高管”。在 AI 时代,创始人自身的Talent Brand(人才吸引力)、招聘与组织能力依然是企业生存的最底层壁垒。同时,AI 时代极度看重“Shipping Velocity(交付速度)”,一个能快速出 demo、能持续迭代的团队,比一个懂写漂亮 BP 的团队在当下的 VC 眼里价值高出十倍。 结语:VC 的终局是“人才OS”而不是“人才Agent" 从创立之初用“好莱坞 Agency 模式”打响 VC 平台化第一枪,到今天果断裁撤泛化 Talent 中台、重注“前置孵化器与学院”,a16z 展现出了极强且冷酷的组织进化能力。 VC 的本质,终究是对人类顶尖创造力的捕捉与下注。在这个 AI 重塑一切的节点上,a16z 告诉了行业一个残酷的真相:不要在后端的繁琐服务中沉溺,去最源头的地方——去旧金山的大楼里、去最年轻极客的写字桌前,在他们写下第一行代码之前,成为他们唯一的伙伴。 关于我们 L Ventures × 声量创投生态,核心团队来自一线美元基金,深耕一级市场,运营GP/LP与产业投资方社群,陪伴创业者长期成长。 我们提供超早期投资与孵化、产业战略咨询、投融资品牌叙事架构搭建、组织架构升级服务,前置搭建并长期维护企业声誉体系与公共传播策略。依托行业专家级生态伙伴网络,联动产业、科研与资本资源,为创业企业与投资机构提供深度、全周期陪伴式服务。 联系我们 后台私信留言,或加小助理VX:WhereisVivian131,对接团队。 引用与参考资料 (References) Axios Tech Report:Andreessen Horowitz restructures talent team in shift from agency model, 2024–2026. a16z Official Newsroom & Podcast:The Future of Building, Talent Systems, and Ecosystem Networks in AI Era. Speedrun & Alpha Fellowship Program Announcements: Andreessen Horowitz Accelerators Portal (speedrun.a16z.com). The Horowitz Andreessen Academy (HAA) Initiative:SF Builder Academy Project Filings & Public Launch Briefings, 2026. PitchBook & CB Insights Data:VC Exit Markets, DPI/TVPI Ratios, and Management Fee Efficiency Benchmarks. 免责声明 (Disclaimer) 本文为基于公开行业新闻、机构公告及风险投资市场趋势分析的独立观察与讨论,不构成任何投资、法律或财务建议。文中提及的机构运营细节、数据和战略规划均来源于第三方公开报道与市场猜测,可能随时间推移有所调整。市场有风险,投资需谨慎。

15 分钟 2k+ 次播放 1个月前

Vivian在哪里47|6人深度对谈,投资人与创业者视角:从Jev决策到Personal Agent到主动式 Agent

Vivian在哪里47|6人深度对谈,投资人与创业者视角:从Jev决策到Personal Agent到主动式 Agent

Vivian在哪里

本期播客背景:大模型技术正经历从“单一文本生成”向“复合决策与行动”的深水区演进。一方面,以 TypeSafe AI 的 Jev(System 1)以及 OpenAI Decisions API 为代表的“只决策、不聊天”轻量化模型引发了硅谷与国内开发者社区的剧烈讨论;另一方面,Personal Agent(个人代理)在消费级市场的爆发(如 Muse 上线几周内达成 340 万下载量,带动 Meta 股价上升约 11%;Instinct 估值冲至 100 亿美金,用户月平均消费超 1300 美元),让主动式(Proactive Agent)与端侧 Personal OS 重新成为资本与创业者瞩目的焦点。 本期播客《Vivian在哪里》由Vivian联合成为资本 / C Engine 成智引擎共同发起。我们邀请到了来自 AI 投资、Personal OS创业、主动式 Agent 研发以及 AIGC 互动体验领域的一线从业者——张辰 Chris、李晶晶、乐元、石天放与郭秉钰。 在长达两小时的高浓度碰撞中,大家围绕“Jev 与决策型模型的本质”、“Personal Agent 的爆发逻辑”、“主动式 Agent 的四大工程瓶颈”以及“LLM 双轨驱动下的创业红利”四大核心议题,展开了一场信息密度极高的深度对话。 以下为本期播客的全文精编实录。 本期嘉宾与主持人 主持人:Vivian AI 早期投资与孵化基金合伙人,声量创投生态主理人,《Vivian在哪里》主播。持续关注 AI 时代下的技术变革、出海形态与年轻创业者成长。 嘉宾:张辰 Chris / 李晶晶 成为资本: 深耕科技领域的老牌美元基金,长期押注前沿技术、企业软件与 AI 赛道,陪伴多家硬核科技企业穿越周期。C Engine 成智引擎:聚焦 Physical AI、世界模型、AI4S 等前沿科技方向,面向技术创业者提供“-1到0”、“0到1”的资源、场景与资本对接,挖掘下一代 AI 基础设施与应用机会。 嘉宾:乐元 Vibemyspace 创始人,个人 AI 操作系统(Personal OS)探索者 嘉宾:石天放 Personal AI 产品 & 主动式 Agent 从业者 嘉宾:郭秉钰 AIGC 产品 & 主动式 Agent 从业者 暖场分享:Jev 模型背景、生态位与应用洞察 晶晶:谢谢大家!在进入今天的正式圆桌讨论前,我先花大约 10 分钟时间,提纲契领地帮大家回顾一下 Jev 这个模型,做个抛砖引玉。 大家对 Jev 这个名字的来源应该有所了解,无论在 TypeSafe AI 团队内部还是开发者社区中,它都被赋予了一个极其响亮的名字——System 1 模型。这个名字取自经济学里的杰文斯(Jevons),也就是杰文斯悖论(Jevons Paradox)的提出者。这深刻反映了其创始人 Di(此前在 OpenAI 深度参与 RLHF 与 Alignment 研发)对未来大模型产业生态的宏大构想:他并不希望看到少数头部巨头以垄断姿态吞噬所有场景,而是主张用大量轻量、高频、细小的专用模型去填充数字世界的每一个缝隙。 Jev 最早引爆开发者社区的核心特征,在于它的输出机制与传统 LLM 的长文本生成完全不同。它彻底剥离了自然语言输出,仅保留三种最基础的原子化结构输出: Choice(离散选择):在给定的预设选项中输出最佳选择; Score(标尺打分):对特定维度打出精准的分值; Noul(概率/置信度度量):输出基于伯努利分布等演化而来的概率度量。 大家能看到,在 Jev 9 月 15 日发布后的短短半个月内,OpenAI 迅速在 DevDay 上推出了 Decisions API。这充分说明,仅从云端 API 调用的模型架构来看,巨头复制同类功能的门槛并不高。但 Jev 真正的价值在于它在速度、准确度以及 Token 成本这三维坐标系中,开辟了一个全新且极度精准的生态位。 无论是在 Token 消耗量的降本幅度上,还是在特定高频任务的表现上,Jev 都展现出了惊人的效率。在其发布后的 5 天内,GitHub 上迅速涌现出超过 500 个基于 Jev 开发的开源项目。通过我们对其下游应用场景的梳理,其核心落地方向主要集中在以下四大领域: 大模型评估与数据标注(LLM Evaluation & Data Labeling):过去传统的 Evaluation 依赖人类专家或昂贵的通用大模型(LMS),成本高且速度慢。Jev 能够在极低成本下精准输出结构化打标结果,成为 Model Evaluation 的极佳入口。 轻量化系统级路由器(System Router):在 Agent 架构中承担中间连接器的角色(例如 JavaUse 等开源项目),毫秒级评估任务复杂度并分发至最合适的下游模型。 端侧 Phone Use 与 Computer Use 提速:在 Personal Agent 执行终端任务时,Jev 展示出了极其惊艳的执行力,例如在 7 秒内快速完成复杂的国际航班搜索与条件过滤,大幅抹平了传统 Agent 的卡顿感。 连接软件与物理硬件的桥梁(Physical Hardware Integration):在 Embodied AI 与智能家居领域,通过简单传感器信号输入,Jev 可以毫秒级做出逻辑判断(例如:结合视觉传感器判断洗衣机内的衣服是否已被拿走,并联动 Personal Agent 发送提醒)。此外,在 SEO 营销、海量数据分析等场景中,Jev 也展现出了极高的数据提取效率。 如果说其他厂商都在追求做更复杂、更像人的“小红书”或“豪华购物中心”,那么 Jev 实际上就是在极致效率与低成本赛道上做出了“得物”或者“拼多多”。它为 AI 智能向全社会扩散的过程,提供了一个全新的工程坐标。 下面,就把时间交给 Vivian 和各位嘉宾,正式进入我们今天的深度圆桌讨论! * 话题一:聊聊 Jev Jev 是什么,为什么火? 彻底砍掉文本生成的“离散决策”革命 Vivian:各位《Vivian在哪里》的听友们,大家晚上好!欢迎收听本期节目。今天这场讨论,起源于我和成为资本以及 C Engine 成智引擎的几位朋友前段时间交流时的一个强烈感受:AI 的底层风向好像变了。前两年大家都在卷“谁的模型能写更长、更漂亮的文章”,但最近硅谷和国内突然爆火了一批完全相反的模型——比如 TypeSafe AI 发布的 Jev 模型,以及 OpenAI 推出的 Decisions API。 这类模型有一个极其反直觉的特征:它完全不生成任何自然语言文本,不能陪你聊天,甚至不能输出一个完整的句子。它只接收上下文,然后毫秒级地直接输出分类选择(Choice)、概率打分(Score)或者置信度/概率度量判断(Noul)。也就是大家说的“只决策,不聊天”(Decisions, not strings)。 Chris,如果让你给刚进直播间的观众一句话解释,为什么“彻底砍掉文本生成”反而是一件划时代的大事? Chris:谢谢 Vivian,也感谢晶晶刚才非常精彩的抛砖引玉。一句话总结:Jev 的本质是用“限定输出”换取了极致的速度、确定性与极低的 Token 算力成本(Decisions, not strings)。 过去两年,整个行业陷入了一个巨大的思维定势,以为只要做 Agent,就必须把所有的逻辑判断都塞进开放式的 Prompt 里。让通用 LLM 去判断“用户刚才点击了什么按钮”、“这封邮件该发给财务还是法务”,背后要消耗巨大的 Token 算力,生成一堆像“好的,根据您的要求,我认为应该选择选项 A”这样在毫秒级场景下毫无必要的废话。 我们不妨回过头去拆解一下 AI 决策机制演进的三大历史阶段: 在第一阶段,传统规则树依赖程序员写死的 if-else 分支。这种方式成本低、响应快,但极其脆弱,遇到稍微复杂一点的语言模糊性就哑火。 第二阶段,大家以为有了 LLM 就能解决一切,但强行用生成式文本做离散路由,不仅每次调用需要花费几美分甚至更贵,而且延迟往往在 1 到 3 秒。更可怕的是,LLM 随时可能因为输出 Token 格式错乱导致下游解析代码报错。 到了第三阶段,像 Jev 这种决策模型,它保留了大模型在海量预训练中获得的复杂上下文理解力与泛化能力,但彻底把“自然语言输出”这层冗余抹掉了。它直接输出精准的概率矩阵或结构化 JSON(包含 Choice、Score 以及 Noul 这三种原子决策 Primitive)。 大家在构建多 Agent 系统(Multi-Agent System)时会发现,80% 的中间环节根本不需要“说人话”。比如 Agent 矩阵在后台协同(Agent-to-Agent,A2A 通信),A 节点处理完数据,要判断下一步是调取 SQL 数据库,还是向 B 节点发送拦截信号。这本质上是机器与机器之间的通信。以往大家用 LLM 强制让它们用文本对话,相当于两个 CPU 之间通信还要先翻译成英语和汉语,效率低得可怕。 像 Jev 这样的模型,本质上是给后台协同的 Agent 矩阵装上了一套数字世界里的“脑机接口”。它让机器间通信重返原生的高维信号传导,这才是构建高并发、复杂多 Agent 系统真正的工程底座。 System 1 与 System 2 的分工对 Agent 架构的重塑 Vivian:乐元,如果用丹尼尔·卡尼曼《思考快与慢》的理论框架来定位:LLM 这几年一直在卷 System 2(长思维链 CoT、慢思考、深度推理),而 Jev 占的恰恰是 System 1(毫秒级直觉判断,官方响应 70–500ms,小规模实测中位数大约在 0.3 秒)。这个快慢分工对你做 Personal OS 和 Agent 架构到底意味着什么? 乐元:这是个很好的问题,我们也在做这个方向。先谈环境(Environment),它的边界正在持续拓宽,以往很多工具、权限调度模块,连同 Agent 自身,都可以归入环境范畴。很多人关注点集中在基础模型,但 Agent 应用的构建复杂度其实很高。围绕任务的全链路都属于 Agent 体系,核心疑问是:Jev 在这套系统里承担什么角色? 本质是:收到用户请求后,系统该在何种条件下路由至专家模型。任务路由并非新概念,业界已有不少实践,典型如调度模型调用图像生成模型,抽象看就是任务分类、打分与分发。 但要权衡路由的实际收益:Jev 仍是基于基座大模型后训练得到,没有硬件层面的特殊加速,提速局限在特定场景。 另一种可能性是,路由能力未来会被模型内化。推理使用同一个模型,识别特定任务时自动切换推理分支,实现 System1 快速判断,不再需要外部工程层做任务分发。 所以回到 System1/System2 的划分,对大模型来说,快思考和慢思考未必是两套完全独立的系统,这点仍有待持续验证 从第一性原理看“极限信息压缩器” Vivian:天放,从技术角度拆,Jev 本质上是不是“通用分类器 + 大模型的理解力与多模态能力”?它用“限定输出”换来了“低成本和高速度”(比如输入 $0.042/百万 Token,输出免费),这个 Trade-off 的技术含量到底在哪一层? 天放:我觉得它绝不是一个简单的“静态分类器”。从第一性原理(First Principles)来看,它更像是一个比 LLM 还要进阶一层的“极限信息压缩器”。 当年大模型第一次震撼人类的底层逻辑是什么?是它把过去人类寻找知识的复杂查找链路压缩了。过去你需要 Google 搜几百个网页,LLM 直接把知识压缩在权重里给你答案。 而今天的 Jev 决策模型,在压缩的道路上比 LLM 更进了一步:它把 LLM 输出自然语言文本的那一层冗余 Output Bits 也给抹掉了! 这种极限压缩体现在三个维度: 模型体积与算力压缩:可以在 1B 到 3B 的极其微小的参数规模下,继承百亿参数大模型的泛化理解能力,直接把 Token 成本降到每百万 Token 几美分(如 $0.042/1M input tokens)。 思维链开销压缩:传统 LLM 为了保证推理正确率,需要显式输出一大串“Thinking Token”(CoT)。决策模型通过内部隐向量空间(Latent Space)直接得出结论,省去显式输出思考 Token 的开销。 杂音过滤压缩:在海量的上下文(Context)中,自动提取最关键的微小信号,抹平无关杂音。 当然,按照信息论的法则,这种 Trade-off 必然有代价——你牺牲了中间 Reasoning 的可解释性,过程变成了纯黑盒。但你换来了毫秒级的确定性响应速度。 对互动娱乐与高频场景的颠覆 Vivian:秉钰,互动剧情里的节点选择、分支判断,本质也是高频、低延迟的决策——Jev 这类“只做判断、不生成文本”的模型,对互动娱乐内容的产品形态有什么启发?会不会让剧情分支从“预置选项”走向“实时判断、实时生成”? 秉钰:这对互动体验是颠覆性的。 我之前做车载 Agent 和多模态交互时发现,如果你只是把 AI 用在单次一问一答里,用户对 200 毫秒和 1 秒的感知可能没那么强烈。但如果你把 Agent 放在高频、连续的多轮交互场景中,这种毫秒级决策模型带来的提升是质变。 比如在开放世界 AI 游戏或者实时语音交互中,系统要求响应延迟必须死死控制在 200 毫秒以内(人类无感卡顿的临界值)。决策模型能够在极短的窗口内,持续对用户的表情、语调、文本信号做概率打分。 更重要的是,它让未来的剧情分支彻底告别了“预置选项树”。 传统互动剧情最大的痛点是每到一个节点就会弹出一个突兀的选择框(A. 攻击 B. 逃跑),这会瞬间破坏沉浸感。而有了基于 Jev 的实时路由后,系统不再需要强迫用户做出显式选择,而是根据用户在场景里的隐式行为(比如视线停留、语速变化、操作轨迹),在后台悄无声息地做概率判断,自然地推演剧情,真正走向“实时判断、实时生成”。 * 壁垒之争 —— Jev 的护城河高不高? 编程原语(Programming Primitive)的定义者红利 Vivian:Chris,你曾经提到过一个很犀利的判断:Jev 本身的技术壁垒其实不高——大模型火之前大家本来就在训练分类模型,区别只是“类别由用户实时提供,而不是预先写死”。真正值钱的是它定义了一个 Programming Primitive 来判断“分类讨论”这个概念。 Chris:没错。如果单看模型架构,它确实没有极其高深的技术壁垒。很多顶尖的模型工程师基于开源底层做裁剪和微调,几周内就能搭出一套接口。区别只在于:过去传统的分类模型是“类别预先写死在代码里”,而 Jev 是“类别由用户在 Request 里实时输入”。 但它真正值钱的地方,在于它定义了一个全新的 Programming Primitive(编程原语)——它把“分类讨论与离散决策”这个抽象概念,抽象成了一个通用的、极简的开发标准。 回顾科技史,范式革命早期最报贵的资源永远是对开发者心智与编程原语的占领: Manus第一次定义了 Sandbox Agent 的工作流,瞬间占领了全球开发者对个人 Agent 范式的想象; Open Canvas率先定义了协同画布交互范式,后续所有巨头都在跟进这个 UI 框架。 谁先定义了 API 的标准形态并让全球开发者形成代码习惯,谁就占据了生态最顶端的位势。 面对巨头全线跟进,创业公司的生存壁垒 Vivian:天放,巨头已经在跟进:OpenAI 发布了 Decisions API(还支持图片输入),Anthropic 跟进大概率只是时间问题。如果巨头在 API 层直接提供同类能力,轻量决策模型公司还剩什么? 天放:巨头的杀入是必然的。当 OpenAI 把 Decisions API 集成进自己的生态后,普通的 API 贩子会瞬间被清场。 轻量决策模型公司能够活下来并形成壁垒的路径只有两条: 深度绑定端侧与物理世界(Edge / Physical AI):通用巨头的 API 依赖云端 HTTP 请求,即使再快也有网络延迟。但在机器人避障、车载交互、智能硬件等场景,必须在端侧(Edge Device)毫秒级完成。 垂直场景的数据飞轮(RLHF/RLAIF):深入工业自动化、垂直营销等场景,积累特定领域的“动作-反馈”数据,这才是巨头摸不到的绝密护城河。 资本视角:叙事泡沫还是估值重估? Vivian:Chris,我们可以看到 TypeSafe 甚至喊出了 100 亿美金级别的估值,这应该怎么理解——是叙事泡沫,还是 Decision AI 赛道价值重估的开始?投资人核心看什么? Chris:资本买的其实是新一代 Agent 间通讯语言标准的期权。如果它能成为“Agent 决策路由”的代名词,占领开发者心智,它就拥有了极强的先发优势。 结合我们成为资本的“AI 应用剪刀差理论”,大家可以更清晰地理解这个空间: 剪刀差的上轨:底层模型的智能上限(推理能力、多模态理解力、泛化决策力)。 剪刀差的下轨:调用底层 API 的算力与 Token 成本。 在 2022 到 2023 年大模型爆发初期,算力成本极高,而智能上限极其有限,两条线紧紧交织在一起,没有任何剪刀差。 而到了 2026 年的今天,智能上限随算法突破陡峭上升,Token 成本呈指数级下探,两条曲线交织出的阴影面积(剪刀差空间)正以几何级数扩大!决策模型就是把下轨的 Token 成本进一步拉到了极致。投资人核心看的就是:你做的事情,究竟是不是基于当前剪刀差空间做出的“AI Native 原生定义”? 一线团队的落地实践与自研成本考量 Vivian:乐元、秉钰,你们的产品现在是否有用到 Jev?怎么用的?如果让你带团队复刻一个 Jev,你觉得需要多少资源,多长时间,对你的产品是否有意义? 乐元:在 Vibemyspace 中,我们已经在路由层和动态 UI 生成前置判断里使用了类似 Jev 的轻量决策机制。 至于复刻,我认为技术上可行,而且成本未必很高。直接基于开源大模型,对推理阶段的 Token、注意力机制和决策输出方式进行改造,就有机会实现类似能力,特定任务上的效果甚至可能更好。 但复刻一个模型不难,难的是复刻整个生态。对于我们产品来说,目前自研这种通用决策模型的意义还不大,但我们可能会考虑在核心场景做一些后训练。 秉钰:我们的产品在视频生成与互动分发中,早就有在实践“多模型路由”——非核心场景用开源模型控成本,核心视频场景调 Seedance、H3 这类成熟模型。复刻 Jev 本身在工程上不难,但对我们团队而言,核心精力应该放在场景编排和体验设计上,而不是重复造底层轮子。 * 话题二:硅谷个人 Agent 为什么突然爆发 为什么是现在?—— Muse 和 Instinct 做对了什么? 模型能力突破与算力成本塌缩的双重临界点 Vivian:聊完底层决策模型,我们进入今天的第二个重磅话题。最近硅谷和国内的 Personal Agent(个人代理)突然迎来了一波爆发式的讨论和融资。 先看一组数据:Muse 上线两三周获得了 340 万下载量,甚至带动 Meta 股价上涨约 11%;Instinct 几个月内估值冲到 100 亿美金,创始人称用户平均每月通过它消费超 1300 美元。个人助理这个 idea 从 Siri 时代做到现在,为什么偏偏这一波爆了? Chris:因为两个条件同时成熟了: 模型能力突破:尤其是 Computer Use / Browser Use 能力终于突破了临界点,能够真正走完真实世界的复杂跨应用流程。 算力成本塌缩:几个月内,同档智能的推理成本降到了约原来的 1/6。一年前用 Browser Use 操作几步就要几美金,日常小事根本算不过账;现在算得过来账了。 Muse 和 Instinct 极度敏锐地感知到了这种剪刀差的变化,重新设计了符合当下技术供给的产品形态。Muse 借力 Meta 庞大的消费级社交网络分发矩阵快速触达泛人群,而 Instinct 则将复杂的自动化闭环直接塞进了离用户最近的交互窗口。 Personal Agent 的三种主流模式解构 Vivian:乐元,我们看到头部 Personal Agent 的三种打法:Muse:免费 + 靠 Meta 在 Facebook/Instagram 疯狂投放出圈;Instinct:邀请制 + iMessage 交互,像一个真人私人助理;OpenAI DOTS:起步就是 $100/月,嵌套在 Codex 内。哪种形态更可能跑出来?为什么? 乐元:我抛个“暴论”,我觉得目前这几种形态可能都还不够。 最近看到一份 Assistant Benchmark,整理了超过 100 家 Personal Agent 产品,主要使用场景还是 Social 和 Travel。 这些场景的问题是有需求,但频次不够高,Token 消耗也有限,很难支撑持续、高频的使用。大量复杂、高价值的任务仍然发生在 PC 端,所以我感觉这些产品未来很可能还是会向 PC 回归,最后殊途同归:移动端负责低门槛交互,PC 端承担更复杂的任务执行。 Muse 选择流量投放,Instinct 选择原生消息入口,DOTS 选择高价值的专业用户,本质上是在AI时代的人口红利期,争夺不同的用户入口。短期是交互和获客效率的竞争,长期还是任务频次和用户价值的竞争。 用户真实留存与付费意愿的判定公式 Vivian:天放,你自己也在做 Personal Agent,从一线体感上,你怎么判断“时机到了”?哪些功能用户真正留下来、愿意付费? 天放:我总结了一个极简的付费意愿公式:用户付费意愿 = AI 提供的确定性价值 -用户自己解决的成本 只有当某件事情极其繁琐、高频、像「“脸上的痘”式刚需场景」一样不扣掉就浑身难受(极其痛苦的刚需场景)时,用户才会有强烈的付费意愿。比如:自动处理每天几十封杂乱邮件并提炼待办、跨系统自动报销、多来源信息监控汇总。 多模态技术与个人 Agent 的深度重组 Vivian:秉钰,多模态如何和个人 Agent 结合?个人 Agent 又给多模态互动创作带来哪些可能?多模态领域是否可能诞生类似 Muse/Instinct 的爆款? 秉钰:多模态让 Agent 拥有了“看”和“听”的能力,而不仅仅是读文字。未来的多模态 Agent 可以根据你拍摄的照片、浏览的视频,实时生成专属你的个性化互动内容。 如果多模态领域诞生类似 Muse 的爆款,它绝不会是一个静态的创作工具,而会是一个“高频互动的内容伴侣 Agent”——它既懂你的视觉偏好,又能实时帮你生成、剪辑甚至亲自扮演故事中的角色。 个人 Agent 的下一个战场“主动式 Agent” —— 主动性、上下文与生态 主动式 Agent(Proactive Agent)的四大工程瓶颈 Vivian:用户主动发起的请求,各家 Agent 能力其实差不多;真正的差异在 Proactive(主动性)。天放,请从技术视角拆解:主动式 Agent 难在哪? 天放:主动式 Agent 的研发极其折磨工程团队,难点是全方位的: 信号源捕获与数据壁垒:系统事件如何无感且毫秒级地捕获? 意图对齐与“过度打扰”的分寸:频繁弹窗会毁掉产品,必须精准把握触发时机。 记忆与上下文提取:模型上下文有限且昂贵,如何高效管理长短期记忆? 验证与反馈闭环:执行动作后,如何根据用户反应进行隐式强化学习? 生态割裂与数据隐私防线 Vivian:Always-on Agent 要接 Gmail、日历、硬件,上下文越全越好用。但这带来了生态打通与隐私安全的双重考验。比如 Instinct 刚和 Shopify 合作打包购物全流程,Amazon 转头就封禁了 Muse;国内豆包手机发布一周内,小红书、滴滴、微信等也出现了交互屏障。天放,你怎么看这个问题? 天放:这正是当前最刺眼的现实问题。生态割裂:各大超级 App 都想把数据围在自己的篱笆里。海外可以通过开放 API 或 Browser Use 突破部分限制,而国内的超级 App 孤岛现象更严重,这逼着 Agent 创业者要么做深垂直场景,要么走向 OS 级合作。隐私边界:Instinct 的数据条款曾引发极大的争论(用户授予其存储和训练的权利)。技术上要做到理性隔离,产品上要给用户充分的感性掌控感。一旦隐私防线崩塌,产品将面临毁灭性打击。 Personal Agent 与 Personal OS 的维度差 Vivian:乐元,你提到你在做 Personal OS,为什么这么说?它和 Personal Agent 有什么区别? 乐元:Personal Agent 是一个“打工人”,而 Personal OS 是“整个办公室和基础设施”。Personal Agent:侧重于单点任务的执行(如订票、发邮件)。Personal OS:侧重于为用户构建高密度上下文(High-Density Context)环境,管理个人的数字资产、身份权限与本地数据,并根据任务动态编排 UI 界面。Agent 只是运行在 Personal OS 之上的调度节点。 4. 娱乐型 Agent 与效率型 Agent 的底层背离 Vivian:秉钰, Muse、Instinct 都是效率型个人助理;你之前有个判断——普通人消费 Token 的核心场景大概率是娱乐。娱乐型 Agent 的“主动性”应该长什么样? 秉钰:这两者的底层逻辑是完全背道而驰的:效率型 Agent:核心诉求是帮用户减少做功。任务完成,立刻“隐形”。娱乐型 Agent:核心目的是增加用户的参与感、戏剧性与沉浸感!在一个虚拟社区或生成式游戏中,娱乐 Agent 的主动性体现在:主动制造悬念、主动挑起戏剧冲突、主动抛出引子,引导用户产生情绪波动与注意力投入。 * 话题三:LLM 与 Jev 两条腿,模型发展态势对 Agent 创业方向的影响 LLM 与 Jev 两条腿,会怎样重新定义 Agent 的产品设计 双轨架构下最先被重构的三大架构层 Vivian:Chris,Jev 本身壁垒不高,但它对 Agent 创业的影响会非常大——它重新定义了产品设计思路。哪些环节会最先被重做? 张辰 Chris:过去所有判断都走生成式 LLM(贵、慢、有幻觉);现在可以彻底拆成“Jev 类模型做路由与触发(System 1) + 生成式模型做执行与表达(System 2)”。 我们建议团队重构以下三层架构:路由层(Routing Layer):极速判断意图,精准分发至小模型/大模型/API/决策模型。触发层(Trigger Layer):明确定义 Proactive Agent 在何种条件/时机主动执行任务。全天候成本控制层(Always-on Cost Layer):混合极低成本决策模型与高阶 LLM,实现 24/7 低成本在线。 “Agent 积木化”与工作流编排的新范式 Vivian:乐元,假如未来在不同细分的能力上出现更多类似 Jev 的专用模型,对大家做产品会有什么样的影响? 乐元:这会导致“ Agent 积木化”。产品经理和架构师不再需要指望一个通用大模型包打天下,而是像搭积木一样,把最适合做离散判断的模型放在前端做路由,把最擅长写代码的模型放在中台,把最擅长情感共鸣的模型放在输出端。 产品设计的核心竞争力将从“写 Prompt”全面转向“系统级工作流编排与上下文调度能力”。 工程理性的回归:决策模型与确定性代码的结合 Vivian:天放,“站在 18 个月后看现在,你认为今天大家疯狂用生成式 LLM 做的很多应用中,有哪些会被证明其实用‘简单的决策模型 + 确定性代码’就能优雅解决?” 这种是不是一种“智能的倒退”? 天放:这绝不是智能的倒退,而是工程合理性与商业理性的回归。 过往大家把所有逻辑都塞给生成式大模型,是用巨大的算力去弥补工程设计的懒惰。18 个月后大家会发现:复杂的表单校验、接口路由、状态机跳转,用决策模型做分类 + 确定性代码(Deterministic Code)去执行,既零幻觉、又便宜了 99%。 真正的智能,是在正确的节点上用最合适的算力消耗去解决问题,而不是盲目追求“全局生成”。 视频生成爆发前夜:互动娱乐的平行宇宙 Vivian:秉钰,你在自己的产品里已经在实践“多模型路由”。在视频生成成本和一致性未来 2–3 年明显改善的判断下,互动娱乐视频创业现在最该卡住的位置是什么?视频是否是继 Coding 之后下一个有确定性商业模式的 AI 方向?如果 18 个月后视频生成像今天的 LLM 一样便宜,互动内容平台会长成什么样? 秉钰:视频和多模态绝对是继 Coding 之后最具确定性的 AI 商业化方向之一。 现在团队最该卡住的位置是:用户参与感编排与核心 IP / 社群生态的构建。当生成技术同质化后,决定谁能赢的一定是“谁的产品能让用户深度参与并产生情绪羁绊”。 如果 18 个月后视频生成极其便宜,互动内容平台将彻底撕掉传统电影与游戏的边界,形成类似《头号玩家》式的“平行宇宙”——用户不再是静态的观影者,而是随时可以穿梭进入不同 IP 故事中,与具备高度 System 1 直觉和 System 2 深度的 AI Agent 共同推演剧情的参与者。 Vivian:感谢四位嘉宾今天带来的极具深度和前瞻性的精彩分享!也感谢成为资本与 C Engine 成智引擎对本期播客的大力支持。AI 生态正在以月为单位狂飙突进,期待下一次能与大家继续碰撞出思想的火花!我们下期《Vivian在哪里》不见不散! (本文根据播客实录整理,未经嘉宾本人书面审阅,仅供交流学习使用) 免责声明:本期播客实录仅为行业观点交流,所有嘉宾发言均代表个人看法,不代表所属机构立场,亦不构成任何投资、商业或技术落地建议。文中提及的 Muse、Instinct 等产品的下载量、估值、用户消费、股价关联等数据,均引自行业媒体与创始人公开表述,未经独立审计核验,仅作讨论参考。技术预判、产业推演属于前瞻性观点,不保证未来落地。本内容版权归节目所有,转载请注明出处。

85 分钟 4k+ 次播放 1个月前

Vivian在哪里46|服务了80%头部AI应用后,他拆解了中国企业出海的真相、出海人的基因与未来十年

Vivian在哪里46|服务了80%头部AI应用后,他拆解了中国企业出海的真相、出海人的基因与未来十年

Vivian在哪里

从2018年两三人的初创团队起步,到如今拥有超200人团队、服务国内80%头部AI应用及大模型的出海营销领航者,麦炽科技(AdsMarch)创始人兼CEO韩宗良见证了中国企业从“粗放买量”到“全球品牌沉淀”的完整代际演进。 本篇来自出海播客对话实录——从三一重工的海外品牌起步,到陪跑 MiniMax、智谱AI 等科技巨头;从亲历上一代移动互联网“盲目追求 DAU”的资本盲目,到拆解“精神债务”驱动下的出海创业哲学;再到对中国出海营销服务业全球化“奥美时刻”的破局思考。本文将为您呈现中国企业走向全球的代际变化、组织重构与底层逻辑。 01 创业基因与历史宿命: 从武汉拍广告片到心怀“中国复兴” 每一个选择走上全球化赛道的创业者,骨子里或许都有着强烈的“向外闯”的基因与对大周期的深刻洞察。 对麦炽科技(AdsMarch)创始人韩宗良而言,这种基因早在大学时期就已经萌芽。广告专业出身的他,在大学期间便展现出强烈的商业探索精神,带领社团对接社会企业、拍摄广告宣传片。在毕业前夕,甚至在武汉与大学老师共同尝试创业。尽管这次初试水因种种现实因素未能完全延续,但却在他心里种下了一颗创业的种子。 2015年毕业后,加入了工业巨头三一重工,负责海外社交媒体与品牌建设,搭建并运营 YouTube、LinkedIn、Facebook 等海外阵地。在三一重工的几年里,站在工业巨头的视角,敏锐地捕捉到了一个长期的历史性趋势: “刚加入三一重工的时候,它的海外营收与销量占比大概只有 20% 左右。而今天再去观察,这个数字已经接近甚至超过 50%,未来必然会超过 50%。不仅是三一重工,新能源汽车、比亚迪等中国制造业企业都在经历这一跨越。” 2018年前后,国内移动互联网的流量红利已近尾声,红海竞争白热化。在毕业第三年时,他下场创业了: “当时移动互联网爆发的黄金期(2013-2014年)错过了。与其去赶国内互联网的末班车,不如提前布局一个未来必然持续上升的全球化赛道。” 支撑这一决定的,除了商业嗅觉,还有他对历史周期的深入研究以及内心深处对“中国复兴”的坚定信仰: “中国人在骨子里都有着一腔热血和强烈的民族自尊心。大家都在学习历史,知道中国历史上曾经辉煌过。每个人其实都在等待和推动这一天的到来——让中国再次伟大。” 2018年3月,韩宗良与两三个伙伴正式创立了麦炽科技(AdsMarch),总部设于北京,由此开启了出海营销的服务之路。 02 麦炽业务全景: 陪跑80%头部AI企业从0到1 经过数年深耕与能力迭代,如今的麦炽科技已经发展为拥有超200人团队、全国多地联动布局的专业出海服务商: 全国战略布局与业务分工 北京总部:聚焦于 AI 应用、大模型、科技 App 及硬科技企业的全球出海增长、策略规划与整合营销。 上海分公司:数十人专业团队专注于 DTC 跨境电商、品牌独立站增长与品牌全球化运营。 西安、济南、南通等分支机构:构建起高效的内容创作、素材制作、技术研发与运营支持体系,形成极高的人效比与交付响应速度。 作为谷歌(Google)官方一级代理商并荣获2024年谷歌大中华区“卓越突破奖”,麦炽科技搭建了覆盖全渠道与全生命周期的出海增长服务矩阵,包括:多渠道效果广告精准投放(Paid Media)、本土化网红/KOL背书(Creator)、海外社媒与品牌阵地运营(Owned)、海外线下 Event 落地执行,以及 AI MarTech 提效系统。 行业与核心客户壁垒 凭借对技术前沿的敏锐洞察,麦炽科技在两大核心板块形成了极高的行业渗透率与客户壁垒: AI 与科技应用端(70%—80% 头部渗透率):自 2023 年底深度聚焦 AI 赛道以来,麦炽科技作为首批核心服务商,陪跑了MiniMax的 C 端产品与大模型从 0 到 1 的全球化落地(合作近两年);同时服务了包括智谱AI、Vast(Tripo3D)、美图、Keep等在内的头部 AI 与 App 企业。在当前火热的 3D 生成、AI 对话、工具及内容生成领域,麦炽科技几乎覆盖了国内顶尖的 AI 出海力量。 DTC 品牌与传统实体端:为科大讯飞、贝壳、顾家家居等知名企业定制全球增长方案,推动中国制造、实体服务与品牌影响力在海外市场的双向协同。 03 洞察与反思: 出海营销的两个“代际真相” 在陪伴数百家企业走向海外的过程中,拆解了出海营销领域最深刻的两个“代际真相”: 真相一:从“虚假DAU”到“商业回收闭环” 回顾上一代移动互联网出海(2016-2017年前后),大量 App 出海的核心驱动力是美股上市或 VC 融资逻辑。企业往往在讲一个“先用低成本拉高日活(DAU),再考虑变现”的资本故事。他举了一个案例,当时一家准备上市的出海公司,产品做得很不错,但因为投资人死盯日活(DAU)指标,公司不得不调转方向,把大量预算砸向买量成本极低、但用户付费能力与回收极差的国家去拉新。这种单纯为了日活而放弃商业实质的做法,让产品错失了真正健康发展的机会。 而到了 2023 年开启的 AI 时代 2.0,市场环境与资本逻辑发生了根本性的转变: “现在的 AI 创业者和投资人变得极其务实。产品从诞生第一天起就着眼全球,且极其看重用户的付费意愿、ROI(投资回报率)与商业回收周期(Payback)。AI 是一次工业革命级的生产力重塑,大家不再相信虚无的流量故事,而是追求极致的商业闭环。” [图片] 真相二:从“粗放买量”到“细节即护城河” 早期出海往往靠弹窗广告和小广告强行灌量,但这种方式无法建立真正可持续的品牌。绝大多数中国企业出海最大的赢点在于要对用户的真诚: 很多企业把海外社媒账号的建立当成应付差事的作业,发几条通稿便弃之不理。但海外用户对产品的细节极其敏感: 应用商店与客服响应:用户遇到 Bug 或扣费疑问时,是否有积极、及时的官方对接与倾听?是在应用内、邮件里还是在线客服中给予真实反馈? 审美与审美表达:LinkedIn、YouTube、Instagram 上的视觉呈现是否具美感?发布的内容是否尊重当地用户的社交习惯与情绪诉求? 海外用户判断是否长期为一款产品订阅付费,核心在于看这个团队是否真正热爱自己的产品与用户。细节处的温度,才是对手无法复制的硬核护城河。 04 组织与人才演进: AI赋能下的“巴菲特式极简公司”与“出海黄埔军校” 随着 AI MarTech 工具在广告生成、自动化测试与跨平台数据归因中的普及,出海企业的内部组织形态与人才诉求正在经历重构。 1. 预测:“巴菲特式”极简公司与甲乙方能力平权 过去,大厂倾向于在内部建立极其庞大的前端开发、测试与营销团队,因为内部掌控力强、人才密度高。但 AI 的到来迅速拉平了甲乙方的输出质量差距,使得前端执行不再依赖庞大的堆人模式。 未来将出现大量“巴菲特式”的极简公司甚至 Solo Founder(一人公司): “就像巴菲特在老家,仅靠几个助理就能管理极其庞大的商业帝国一样。未来的甲方公司内部团队会高度精简,只保留核心战略、底层技术与产品迭代;而前端营销落地、红人撮合、本地化运营等环节,将大量外包给像麦炽科技这样的专业服务商。” 2. 出海人才三要素与麦炽的“黄埔军校” 针对出海人才的培养,麦炽科技总结了三大核心能力体系: 硬技能(Hard Skills):对全球媒体算法机制的深刻理解、数据归因能力与审美眼光; 跨文化同理心(Empathy & Context):具备海外留学/生活背景或强烈的好奇心,能跨越语言表面感知海外用户的心理诉求; AI协作力(AI Fluency):熟练运用 AI 工具进行创意生成与效能提效。 在麦炽科技内部,树立了两个宏大的愿景:“服务10,000个企业走向世界”(目前已完成 1,115 家,进度约10%);“成就10,000个出海人”。从麦炽“毕业”的员工进入一线大厂、头部甲方或成功自主创业,能够为行业输送实战型人才,是一家企业对社会最大的价值体现。” 05 创业哲学与底层驱动: “精神债务”与“出海创业长跑” 谈及创业者的底层动机与心路历程,对话中他也分享了对人性和出海创业本质的理解。 经济负债与“精神债务” 电影《兰博基尼》中的一句经典台词:“没有负债的人,是不会努力工作的。”在他看来,人的负债分为两种:经济负债:迫使一个人努力工作去偿还债务、改善生活;精神债务(Mental Debt):一个人在年轻、无能为力的时候,被迫承受了非常多不该承担的无力感与压迫。等到成年具备能力后,骨子里会产生一种强大的内驱力,想要做出一番事业去对抗过去所经历的压迫。 这种精神债务转化而来的强大内驱力,是许多优秀创业者能够冲破险阻、持续进化的深层支撑。 “胜利与失败,都是阶段性的” 出海营销并非暴利行业,而是一个需要脚踏实地、甚至匍匐前行的长跑赛道。市场行情变幻莫测。创业这件事九死一生,你不到最后一刻都不知道结果。失败是阶段性的失败,胜利也是阶段性的胜利。正因如此,麦炽科技不把“公司做得到底有多大”作为唯一目标,而是关注实实在在服务了多少客户、成就了多少人才。“留得住、沉得下”的经营理念是麦炽抵御周期的定心石。 06 初创与传统企业出海实战避坑指南 对于试图寻找第二曲线、试水出海的传统企业主与超早期初创团队,韩宗良给出了两条极其接地气的实战建议: 建议一:“请人吃饭,高强度对谈” “成本最低、效率最高的学习方式,就是花一个月时间请人吃饭,高强度约见 20 位已经在海外跑通的同行、代理商、媒体人与投资人。保持谦逊学习的心态,别人在饭桌上真诚分享的一句经验,可能你花很多钱都买不到。” 建议二:“拿钱换时间,建立底座” “通过参与高质量的实战体系课程或找专业顾问咨询,快速建立 60-70 分的底层认知框架。避免在对海外市场一无所知的情况下,盲目投入重金进行粗放式试错,避免用真金白银去踩重复的坑。” 07 做出海要关注宏观变化与行业预判 除了微观落地,他习惯从 10 年、20 年乃至 30 年的超长跨度去研判宏观趋势。在他看来,外部宏观环境研究并非“虚无缥缈的空谈”,而是指导企业战略提早布局的唯一指南针(正如麦炽在 2023 年底提前重仓 AI 赛道)。 中国服务业全球化的“奥美时刻” 回顾全球商业史,美国与日本企业的全球化进程,无一例外地带飞了其本土的服务商体系。奥美(Ogilvy)、宏盟(Omnicom)等全球广告巨头,以及四大会计师事务所、顶级律所的崛起,正是伴随着美国制造与品牌的全球扩张而发生的。 “中国的汽车出海、实体产业及互联网产品,在海外常常找不到性价比高且沟通顺畅的本土服务商。中国企业的全球化,必然会带着中国的营销、法律、审计等商业服务一同走向全球。我们长期看好中国的服务赛道——5 到 10 年后,整个中国出海服务业的格局将与今天截然不同。” 目前,中国的出海服务行业正处于约 30 岁左右的“中青年期”,远未到达成熟上限,未来充满着长期的黄金机会。 汇率周期、购买力迁移与入境/进口新爆发 从全球宏观金融视角来看,汇率对一个国家的国民购买力和消费形态有着决定性影响。随着未来国际货币格局重塑,一旦人民币购买力持续提升,中国将快速成长为类似美国的全球核心消费大国。届时,不仅是“中国产品走出去”,把海外优质生产者与零售产品“引进来”推广给国内庞大消费群,也将迎来巨大爆发。 08 尾声彩蛋: 如果一切清零,100万美元重做出海,他会怎么选? 在访谈的最后,主持人抛出了一道有趣的假设题:“如果给您100万美元,作为一个一切清零的创业者,重新选择一个出海赛道,您会干什么?” 他提到了一条蕴含商业红利与文化成就感的新赛道——入境游(服务出口):随着中国对越来越多国家开放免签(如 144 小时过境免签),非常多的海外游客极其渴望了解真实的中国。中国拥有极其丰富且顶级的旅游资源,从新疆、内蒙到北京、上海、哈尔滨。针对海外游客提供定制化行程规划、借助 AI 提效工具快速设计行程,并提供专属落地接送与陪伴体验——这本质上是本土旅游资源的服务出口。 这不仅是一个增长快的商业机会,更是一个产生巨大骄傲感的方向:把中国最好的风土人情介绍给全世界,大家其乐融融,这才是真正有温度、有生命力的好赛道。” 09 结语:中国服务商的“奥美时刻” 告别了粗放买量与资本流量故事的上半场;中国企业走向全球的深度运营时代才刚刚开始。从三一重工的工业出海,到 MiniMax 等 AI 新锐的全球破局,再到未来服务业出口与入境消费的崛起,中国企业出海正在迎来属于自己的“黄金十年”。 “失败是阶段性的失败,胜利也是阶段性的胜利。” 在周期的长跑中保持敬畏、脚踏实地,真正具备全球品牌力、文化同理心与精细化服务能力的中国出海营销服务商,终将在世界舞台上迎来属于自己的奥美时刻。 如果您对我们的话题感兴趣请添加听友小助理vx:Whereisvivian131 引用: 电影《兰博基尼》(Lamborghini: The Man Behind the Legend)及关于创业动机与人性分析的相关文献。 《全球广告与咨询服务业演进史:从美国制造到奥美崛起》(Harvard Business Review 相关行业综述)。 免责声明 版权与内容声明:本文基于采访受访者的口述记录与公开资料整理而成,旨在进行行业经验交流与商业洞察分享。文中受访者的观点、推测与分析仅代表其个人或特定时期团队的经营心得,不构成对任何企业的商业要约或直接承诺。投资与商业决策免责:文中涉及的行业趋势预测、商业闭环分析、投融资观点及“入境游/服务出口”等赛道讨论,均属学术性与经验性分享,不构成对任何阅读者的具体投资建议、法律意见或营销策略保证。读者依据本文内容做出的任何商业投资或经营决策,需自行承担相关风险。商标与品牌归属:文中提及的所有第三方公司名称、产品名称、商标及品牌标识,其著作权与商标权均归其各自的合法所有人所有,本文引用仅用于客观案例陈述,无意侵犯任何合法权益。

35 分钟 3k+ 次播放 1个月前

评价

还没有人评价。听过的话,留个分数和一句短评吧。

播放列表

自动播放下一个

播放列表还是空的

去找些喜欢的单集添加进来吧