Published at 2025-07-06 | Last Update 2025-07-06

本篇笔记整理自 2025 年真格基金的一篇长文 从「没必要付费」到「非用不可」，AI 正在冲击人类历史上最快的增长纪录。 拆分了一些章节并增加标题，方便个人学习理解。

近日，真格基金展开了一场关于 AI 创业的深度对谈，核心点：

1. 真正的技术突破，不依赖营销也能实现自发传播。DeepSeek 是个例子。
2. AI 正在把我们带回那个凭产品力打动用户的时代。
3. 新产品正在快速验证：只要创造了真实价值，就有机会跨越鸿沟（从少数走向大众）。

水平及维护精力所限，文中不免存在错误或过时之处，如有疑问，请查阅原文。 传播知识，尊重劳动，年满十八周岁，转载请注明出处。

1. 关于 AI 下半场的思考（一）：技术/模型篇（2025）
2. 关于 AI 下半场的思考（二）：商业/应用篇（2025）

---

• 1 看 AI 真正跨越鸿沟
  • 1.2 早期 Google：技术极为先进，界面极其简单
  • 1.2 ChatGPT：AI 的 ‘Google’ 时刻
  • 1.3 ChatGPT：第一个跨越鸿沟的 AI 产品
• 2 对 AI 创业者的要求
  • 2.1 创业者分类
  • 2.2 AI 创业者：既要懂前沿技术，又要有很强的产品执行力
  • 2.3 成熟的方法论（e.g. 投放）未必在 AI 领域有效
  • 2.4 花一点小钱看未来，其实很值
• 3 AI 使得执行力不再稀缺，那以后工作的关键是什么
  • 3.1 你要做什么（主观能动性，Agency）
  • 3.2 你选择什么（品味，Taste）
  • 3.3 小结：AI 时代人与人之间的关键分野
• 4 给用户创造了价值，就总有办法变现
  • 4.1 用户爱用但不知道怎么赚钱
  • 4.2 商业的本质就是你为用户创造更多价值，并从中提取利润
• 5 在行业早期，奢谈终局都没有意义，唯有下场开始执行
  • 5.1 增长的关键不在投放，而是有没有「魔法体验」
  • 5.2 AI 把我们带回了那个靠产品力打动用户的时代
  • 5.3 是否有场景能吸引到用户主动使用
  • 5.4 产品进化的斜率是重点
• 6 当 AI 可以替你干活
  • 6.1 你愿意在哪种程度上为它付费？
  • 6.2 如果有 100 个 Agent 并行干活，你到底想让它们做什么
  • 6.3 模型吞噬应用 vs. 应用胜过模型
• 7 AI 应用的价值分层
  • 7.1 模型能力
  • 7.2 上下文能力（public/organizational/personal）
  • 7.3 环境（environment）
  • 7.4 小结：思考 6-12 个月后 SOTA 模型的能力，做基于这个做准备
• 8 第一次，我们都可以当（AI 的）老板了
  • 8.1 当好 AI 的老板不容易
  • 8.2 组织的 scaling law
• 9 结束语：水到沸点，蒸汽时代即将来临？

---

24 年行业都在关注大模型公司的军备竞赛，大家都在问：训练大模型烧了这么多钱，应用什么时候落地，商业价值到底在哪？ 而我们认为新技术的落地需要时间，就像送孩子上学，前期学费是投入，要等他长大才能赚钱。

和历史上其他创新技术相比，生成式 AI 的应用落地速度非常快，今年我们已经看到随着模型能力的飞速进展，不少 AI 应用开始有实打实的收入。

1.2 早期 Google：技术极为先进，界面极其简单

99 年刚出来时的 Google：一个简单的输入框，用自然语言什么都可以问，问什么都有答案。

这是我对终极产品的向往：把极为先进的技术包装在超级简单的界面背后，像魔法一样让普通人具备非常强大的能力。

1.2 ChatGPT：AI 的 ‘Google’ 时刻

虽然早期的大模型还不够聪明，也有很多幻觉，但 AI 不再只是在科研界的热议话题，而是真正能用起来的产品。

• 在生成式 AI 到来之前，虽然 AlphaGo 已经击败李世石和柯洁，特斯拉也已推出 FSD，但 AI 离普通人的生活还比较远。
• 当时谈 AI，还更多是在讲科技研发和未来愿景，跟大众产品还很有距离。

当 22 年底上线的 ChatGPT，就像 99 年的 Google。 它是一个真正的转折点，让 AI 变得人人可用，也真的好用。

1.3 ChatGPT：第一个跨越鸿沟的 AI 产品

认知技术创新的框架「跨越鸿沟」：创新技术怎么从早期市场进入主流市场。

ChatGPT 可能是第一个能真正跨越鸿沟的 AI 产品。

2.1 创业者分类

我们曾经把早期成功创业者分成四类：小天才、老司机、科学家、操盘手。

最近想，是不是还得区分「技术变革的早期」和「技术成熟期」，不同时期成功几率大的创业者画像和打法可能都不一样。

• 过去十年是移动互联网的成熟期，在下半场，容错率更低，经验和资源更重要，打过仗交过学费的连续创业者胜率更高。
• 现在的 AI，又回到了技术变革的早期。创业者需要对新技术很懂，对技术边际变化带来的机会很敏感，这就给年轻创业者带来了很多机会。

2.2 AI 创业者：既要懂前沿技术，又要有很强的产品执行力

AI 也要通过成熟的形态如 App 或网站去落地，因此对创业者提出了更高的要求：既要懂前沿技术，又要有很强的产品执行力。

2.3 成熟的方法论（e.g. 投放）未必在 AI 领域有效

与此同时，很多产业成熟期的方法论，比如 AB 测试、精细化投放等，在产业早期却未必最有效。

举个例子，AB 测试适合找到产品方案的细节差异，但技术早期往往是要在没有数据的情况下做选择，选对了就是 10 倍起步，选错就全盘皆输。

例如 Transformer 出现之后，BERT 和 GPT 哪个技术路线更好，OpenAI 不是 AB 测试出来的，是靠判断选出来、执行做出来的， 甚至在模型规模到达一定规模之前，BERT 反而是效果更好的方案。但这种选择的能力，反而是 AI native 创业者面对大厂的机会。

2.4 花一点小钱看未来，其实很值

第一批吃螃蟹的人往往会得到不菲的奖励。例如

• 当年第一批做互联网创业的人，很多是最早买电脑、最早上网的；
• 第一批做移动互联网的人，也常常是最早买 iPhone 的。

现在 AI 产品其实已经很便宜，一个月可能只要花 20 美金，也就一顿饭的价格，但能帮助你先看到未来，也先抓住机会。

当执行力不再稀缺，我认为工作的关键变成：Agency & Taste。

3.1 你要做什么（主观能动性，Agency）

这是人的主观能动性（Agency）。很关注创业者是不是那个真正行动的人，清楚自己要做什么，想办法推进，招人、找钱、做产品，遇到问题也能努力解决往前走。

【注释】zh.wikipedia.org

在哲学中，能动性（英语：Agency）是行动者在给定环境中行动的能力。 能动性可以被归类为无意识的、非自愿的行为，或有目的的、目标导向的活动（故意行为）。 能动者通常对他们的身体活动和活动旨在实现的目标有某种直接的认识。 在“目标导向行动”中，能动者对其自己的行为实施一种直接控制或指导。

3.2 你选择什么（品味，Taste）

AI 可以创造很多选项，但是选择最后还是人来做。也就是所谓的 Taste（品味）。

1. Midjourney 一次给你四张图，Vibe Coding 给你多个实现方案，你选哪个？
2. 也许有一天 AI 的 taste 会比人更强，但现在，决定还得人来做。

3.3 小结：AI 时代人与人之间的关键分野

Agency（主观能动性）和 Taste（品味），是 AI 时代人与人之间的关键分野。

已经有不少人在用 Cursor、Manus、Genspark 等工具给自己的工作 10x 提速，他们看到的是完全不一样的世界。但对于没有体验这些产品的人来说，世界没有什么变化。

技术扩散需要时间，所以才会有从创新者、早期采用者到大众市场的创新扩散曲线。现在，我们已经能直观地看到那道鸿沟的存在。

4.1 用户爱用但不知道怎么赚钱

新技术驱动的产品，早期常常是「用户爱用但不知道怎么赚钱」。

Google 刚出来时是个基于先进技术，非常好用但没盈利模式的产品。那时候华尔街有很多质疑，说它不做广告，还鼓励用户尽快离开网站，这怎么赚钱？

2002 年，Google 通过 AdWords 和 Adsense 找到了商业模式，现在搜索引擎广告是互联网行业最很赚钱的印钞机之一。

4.2 商业的本质就是你为用户创造更多价值，并从中提取利润

商业模式的完善需要时间。只要产品能给用户创造足够大的价值，总会有办法把价值提取转化出来变成收入。 不论是订阅、广告还是导流，商业的本质就是你为用户创造更多价值，并从中提取利润。

在行业早期，奢谈终局都没有意义，唯有下场开始执行。比起终局，我更关注当下：谁在用，得到了什么价值，以及未来还会在哪些场景继续产生价值。

5.1 增长的关键不在投放，而是有没有「魔法体验」

投放是移动互联网后期的必修课，然而现在很多 AI 应用的成功，投放不是重点，甚至根本不需要投放。

关键是能不能让用户有魔法般的体验产生自然传播。当用户突然遇到一个体验好十倍的产品，这时候，口碑和自然增长的力量，远比投放更管用。

DeepSeek 就是个例子，一上线火遍全球，但没花一分钱在营销上。过去几年，投放这件事被高度专业化，做增长的人越来越多，但技术范式一变，这些成熟方法不一定还管用。

5.2 AI 把我们带回了那个靠产品力打动用户的时代

我很开心 AI 把我们带回了那个靠产品力打动用户的时代，需要产品经理用判断做选择，用体验打动人。

回头看互联网早期，投放还不是个显学，大家靠的是产品、内容和口碑本身。比如 Facebook，用户加了几个好友就会上头，呈现出非常好的留存，产品设计本身就很有利于病毒传播。

5.3 是否有场景能吸引到用户主动使用

不靠补贴和投放。

5.4 产品进化的斜率是重点

再说留存和新增的选择。做增长的人总说留存重要，但这有个隐含前提：产品够普世。

• 很多小众产品，比如豆瓣、即刻，用户留存都很好，还在用的人绝对是真爱，但是它不增长了。
• 技术革命早期，有明确的亮点，快速吸引用户才更重要。
• 在技术还不完善的时候，留存差一点也正常，技术本身还在演进。

回头看亚马逊刚起步的时候，能买的东西很少，体验也一般，但重点是产品进化的斜率高不高。

AI 时代，ChatGPT 就是典型。

• 一开始 ChatGPT 功能没那么强，很多人试完，觉得和 AI 瞎聊几句也没啥用，留存远没有现在好。
• 反倒是 C.ai 这样情感类的 AI 产品当时留存高，因为核心用户粘性强。

但你逐渐会发现，这类产品的用户群相对集中，大多数人没感觉。而 ChatGPT 的需求是更加普适的。哪怕一开始留存一般，但产品能力随着模型进步非常快，从 good to have 变成 must to have，走入了真实的高频场景。

所以比起留存，我现在更看重一个 AI 应用是否有吸引用户的亮点：

1. 产品有没有在某个场景的吸引力，不靠补贴和投放，用户自己愿意来使用
2. 产品是不是在快速变好，斜率是否够高。这可能就是技术革命早期和成熟期做增长最大的区别。

AI 可能会带来一种新的商业模式：虚拟雇佣。

6.1 你愿意在哪种程度上为它付费？

过去我们对工具付费，通常想的是它的价值加上你的时间成本。但雇一个人不一样，本质上是买他的时间。工具和员工的定价机制是两套逻辑。

只要 AI 真的帮我创造了价值，比如它帮我节省或赚到了 100 块钱，我付他 20 块，可能是个很自然的决定。这已经不再是按月订阅，而是更像「给 AI 发工资」。

这种正向循环不仅可以突破人类的注意力上限，也有机会突破传统订阅的价格上限。现在像 Cursor、一些 AI 工具已经开始按使用量计费，帮你做了多少任务，系统自动算账。

6.2 如果有 100 个 Agent 并行干活，你到底想让它们做什么

如果 AI 能直接帮你做事，想象空间就完全变了。有 10 个、100 个 agent 并行干活，真正的限制变成了：你到底想让它做什么？

6.3 模型吞噬应用 vs. 应用胜过模型

应用或者是「套壳」到底有没有长期价值？

• 观点一：模型越来越强大，会吞噬应用的价值。

• 观点二：模型越强大，应用就越能够通过专有的上下文和环境来创造增量价值。

  头部模型公司竞争激烈， API 的差距在不断缩小。如果应用公司始终能使用接近 SOTA 水平的模型 API， 那么加上好的产品设计、用户数据、使用习惯、品牌效应等，就可能做出更好的体验。

7.1 模型能力

最底层是模型能力，这一层是相对通用和公开的，确实需要大模型公司通过开源模型或者闭源 API 的方式来提供。

7.2 上下文能力（public/organizational/personal）

中间层是模型权重中并不直接具备的上下文（context），这里又可以细分成三层：

1. 公开的上下文（public context），如用于搜索的新闻报道等；
2. 组织专有的上下文（organizational context），比如说组织内的文件，流程，数据等；
3. 用户私人的上下文（personal context），如用户和 AI 的交互记录，个人信息和偏好等。

1 & 2 可以建构壁垒。

7.3 环境（environment）

环境层（environment），这里包括

1. 模型可以调用的各种工具如 computer use，MCP，A2A 等协议，
2. 模型可以改变迭代的 code base 等。

随着 AI 产品越来越完善，更多的价值创造会出现在上下文和环境这两层，这也就是 AI 应用的壁垒。

7.4 小结：思考 6-12 个月后 SOTA 模型的能力，做基于这个做准备

应用创业者真正该做的，是去思考 6-12 个月以后 SOTA 模型会有哪些能力，再基于这个做准备。

正如乔布斯引用一位传奇冰球教练的话：「我永远滑向冰球将要去的地方。」

能够自主完成任务的 Agent 的出现，意味着第一次我们每个人都可以当（AI 的）老板。

8.1 当好 AI 的老板不容易

要当一个好老板不容易，也需要很多学习。

8.2 组织的 scaling law

技术升级往往会带来组织的 scaling law。

• 一方面，新技术可以让更小的团队完成更多的工作，另一方面，新技术也可以让大公司管理更大更多的业务。
• 例如移动互联网革命中，既出现了 Instagram 这样被 10 亿美金收购时只有十来个人的 mini 公司，也出现了美团这样能够使用技术高效管理几百万骑手的超级公司。

AI 革命可能让组织的 scaling law 进一步发展。Sam Altman 预言我们很快就会看到一个人的独角兽公司。

AI 的发展有点像烧开水，在水已热但还没烧开之前可能只能泡咖啡，但一旦到达 100 度的沸点，将会解锁蒸汽机，带来各行各业巨大的生产力变革。

---