编者按：本文来自微信公众号 真格基金（ID：zhenfund），创业邦经授权发布。

大家好，我是真格基金的管理合伙人戴雨森。

在真格基金，我们专注投资全球华人创业者的第一笔钱。这几年我主要关注 AI 的天使轮项目，在第一轮主导和深度参与投资 Kimi、Manus、与爱为舞、Genspark、无问芯穹、Youware 等 AI 创业公司。真格基金也天使投资了 HeyGen、Opus Clip、MaxAI 等在全球都有不小影响力的 AI 应用。

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。好在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。

比如我们投的 Genspark，上线 45 天就实现了 3600 万美元的 ARR。这个速度，在传统 SaaS 时代可能得一年以上才能做到。这说明一件事：AI 产品真的越来越有用，用户真的愿意为其付费。

我们正在见证 AI 革命进入新纪元。

8 年投资，8 年创业：看 AI 真正跨越鸿沟

我是 86 年生，98 年开始上网，算是个互联网原住民。从中学起就一路见证了互联网 20 多年的波澜壮阔发展。22 岁联合创办聚美，赶上移动互联网大潮；现在做早期投资，又很幸运遇上了生成式 AI 这波技术革命。我自己的亲身体会是，每一次技术大变革带来的应用落地，都是创业者和投资人最好的机会窗口。

我在 2017 年转做投资，那时移动互联网已经进入下半场，年轻人单靠创新走到最后的机会越来越少，取而代之的是老司机和大公司的补贴、烧钱，比如 O2O 大战、社区团购大战，大量同质化的公司最后是比拼资源和效率。当时大家就在讨论，移动互联网的创新周期是不是已经结束了？我们是小红书的天使投资人，也有不少同行觉得它可能是中国移动互联网最后一个大 DAU 产品。

当 22 年底 ChatGPT 上线的时候，我特别兴奋，用到凌晨四点，我回忆起 99 年第一次用到 Google 的感觉：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。

虽然早期的大模型还不够聪明，也有很多幻觉，但它让我第一次觉得，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 浪潮到来之前，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。

ChatGPT 是一个真正的转折点，让 AI 变得人人可用，也真的好用。我一直很喜欢认知技术创新的框架「跨越鸿沟」，它的主题是创新技术怎么从早期市场进入主流市场。当时直觉就很强：ChatGPT 可能是第一个能真正跨越鸿沟的 AI 产品。现在每个月全球有一亿人在用 ChatGPT，已经验证了这一点。

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。但最近我们想，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或许更高。例如张一鸣、王兴、黄峥，都是第三次才做出大公司。

而现在的 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。但同时 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。我们投资的不少公司创始人如 Manus、Kimi、Genspark、Heygen、Youware 等都符合这个画像。

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。

花一点小钱看未来，其实很值

做早期投资的难点在于反馈周期太长。投一个项目，5-10 年才知道对不对。有些项目一开始声量很大，最后不一定走得远；反而一些看起来没那么热闹的，拉长时间可能更有价值。像泡泡玛特，几乎中国 VC 都看过，大家后来都说错过了很可惜。

这有点像训练 AI 模型，是不断调整模型权重减少损失函数的过程。对于早期投资这个「模型」的训练和优化的确需要更长的时间。不过现在技术变革越来越快，我们可以参考过去新技术几十年甚至上百年的演化路径，在很短时间里走过完整的技术周期，这是好事，不然还没等看到结果，我们就老了。5 年、10 年走完之前 100 年的路，虽然发展路径能借鉴，但心态也得跟上，要学会适应更快、更大的变化。

强化学习中重要的是环境（Environment）和奖励（reward）的设计。那我们在学习 AI 的时候这两者是什么？我认为一大核心是不断学习新的技术，不断体验新的产品。

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。

比如第一个真 · Agent 产品 Devin 刚发布那天，我就充值了 500 美金试用，大为震撼。朋友圈里我写道：「Devin 作为第一个真正能用的真 · Agent 产品，它的出现可能标志着人类历史的一个重要时刻。500 美金可以买两瓶茅台，或者可以开一个 Devin 账号，提前体验未来。」后来 Manus 的产品设计也受到了很多 Devin 的启发。

另一方面，AI 也让执行力变得更平价。以前你有个想法，要找人写代码、做设计，过程很重，所以有人开玩笑说我有个好想法，就差个程序员了。而现在使用 Cursor、Manus、Youware 这些工具，很快就能把想法变成一个 demo，甚至是可以使用的产品。

当执行力不再稀缺，我认为工作的关键反而变成：

1）你要做什么。这是人的主观主动性，英文叫 Agency。我们和创业者交流，很关注他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。

2）你选择什么。也就是所谓的 Taste（品味）。AI 可以创造很多选项，但是选择最后还是人来做。Midjourney 一次给你四张图，Vibe Coding 给你多个实现方案，你选哪个？也许有一天 AI 的 taste 会比人更强，但现在，决定还得人来做。Agency（主观能动性）和 Taste（品味），是 AI 时代人与人之间的关键分野。

愿意花点钱去体验可能代表未来的产品，本质上也是一种发挥主观能动性的选择。

给用户创造了价值，就总有办法变现

我常举一个例子去说明指数增长：

假设有一个池塘，其中荷叶每天的面积都会翻倍增长。第一天只有一小片，第二天变成两片，第三天四片……以此类推。如果到第30天，整个池塘被荷叶完全覆盖，但如果第 29 天的早上去看，池塘还有一半没有被覆盖呢。

我认为 AI 现在的发展，正如 William Gibson 所说，「未来已经到来，只是尚未均匀分布」。AI 模型已经在写作、编程、数学、推理等领域超过 99% 的人类，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。

举个例子，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？但 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。

这是一个启示。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」。商业模式的完善需要时间。我相信，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。

也可以问一个问题：如果你被要求一辈子不能再用 ChatGPT，你愿意出多少钱？不少人可能会开出很高的价格。这说明它已经变成一个不可替代的工具。

当然，也有人说这些收入是 vibe revenue（氛围营收），用户尝鲜付费一次就走了。确实有这个风险，但我觉得 AI 产品和传统产品最大的不同是：它的进化速度非常快。你买的车不会进化、APP 一年下来可能也没什么大更新，但 AI 的能力却在飞速进化。两年前你可能觉得 ChatGPT 没啥用，但现在已经迥然不同了。

去年我们见证了很多模型能力升级的例子。比如 SWE-bench 被用来测试 AI 完成 GitHub 上编程任务的能力。2024 年初 GPT-4 得分还只有 4-5 分，到 24 年底 o1、o3 mini 已经做到 60-70 分，25 年中，领先模型突破 80 分，我们的被投企业 Kimi 刚发布的开源模型都突破了 60 分。巨大的能力升级，会大幅提升用户的价值，进一步推动用户留存。

所以关于 AI 能不能赚钱这件事，我们越来越有信心。

在行业早期，奢谈终局都没有意义，唯有下场开始执行。就像 2015 年，很少有人能预见今天的字节跳动。那时大家还在讨论今日头条有没有壁垒。现在看似顺理成章，但经历过的人都知道，短视频赛道其实已经死过一轮，Vine、秒拍都没做大。很多事，只有回头看才显得显而易见，人在局中时都只有奋力突围。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。

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。Manus 也一样。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。

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。当时「情感状态」这个功能，谁变单身了大家都看得到，也是自带话题的设计。

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。我觉得在技术革命早期，有明确的亮点，快速吸引用户才更重要。

并且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：第一，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；第二，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。

当 AI 替你工作，你愿意付它多少工资？

我最近在想，AI 可能会带来一种新的商业模式：虚拟雇佣。

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。

现在如果有一个 agent 真能帮你完成工作，那你可能会愿意把原本付给员工的钱，部分转给它。这个时候，它的价值就远超传统订阅模式我们为工具付费的价值。

比如一个工具订阅费 100 美元，很多人觉得贵，是因为你还得亲自操作。但如果它能节省你时间，甚至直接把活干完，那就完全是另一回事了。

我们最近也常讲一句话：Attention is not all you need。这是从 Transformer 的论文标题「Attention is all you need」来的。

移动互联网的商业模式基本都是围绕「注意力」展开的。你刷短视频、看信息流，平台再用这份注意力去变现。但人的注意力是有限的，世界上就那么多人，每个人每天就那么多时间，在移动互联网渗透率已经很高的当下，如果你做的应用还需要用户持续的注意力，那本质上都是零和的有限游戏，都得从抖音小红书抢时间。

而如果 AI 能直接帮你做事，解放注意力，想象空间就完全变了。你可以有 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？

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。

本质上，它们都在朝「虚拟雇佣」的方向走。

AI 应用的价值会越来越大

应用或者是「套壳」到底有没有长期价值？这是这几年大家一直在讨论的话题。有人认为模型越来越强大，会吞噬应用的价值。我却恰恰认为相反：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。

首先，从事实看：Cursor、Perplexity 刚出来时，很多人说这些只是套壳，很快会被模型公司干掉。但现在就算 ChatGPT 做了搜索，Perplexity 也还在快速增长；各家模型公司都推出了自己的代码产品，Cursor 也还是 AI coding 的首选，年化收入到达 5 亿美金，最新一轮估值已经接近 200 亿美金。

所以哪怕和通用模型正面撞上了，只要 AI 产品能解决问题，提供独特价值，也不是世界末日。好产品总有它存在的价值。

第二，应用公司能使用的模型也在越来越强大。如果我是一家应用开发公司，模型公司会不会有比我好十倍的模型？

2023 年初大家确实有担心：OpenAI 有人、有卡、有数据、有钱，如果它一家独大，能训练出 100 分的模型给自己的产品使用，而应用开发者手上只有 10 分的模型，那就没得打。

但现在我们看到，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。

最近在思考一个框架， AI 应用的价值积累可以分为三层。

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。

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：首先是公开的上下文（public context），如用于搜索的新闻报道等；其次是组织专有的上下文（organizational context），比如说组织内的文件，流程，数据等；再者是用户私人的上下文（personal context），如用户和 AI 的交互记录，个人信息和偏好等。这里组织专有的上下文和用户私人上下文都是模型可以建构的壁垒。

在上下文之外，还有环境层（environment），这里包括模型可以调用的各种工具如 computer use，MCP，A2A 等协议，以及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。

我认为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。」

第一次，我们都可以当（AI 的）老板了

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。当然，要当一个好老板不容易，也需要很多学习。

学习当个好老板，要多试试未来、多用点新的 AI 产品。就像当年面试产品经理，我们会让 TA 打开手机看看常用 App，来感受 TA 对移动互联网的认知程度。现在也一样，对 AI 产品的体验学习很重要。无论是 Genspark、Manus 还是 Deep Research，你都可以试试看这些新产品，看看 AI 到底能在多大程度上帮你提高效率、节省时间。

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。通过当更多更好 AI 的老板，Sam Altman 预言我们很快就会看到一个人的独角兽公司，而大公司拥有更多的资金和算力，也可能使用更强大的 AI 去管理更大的团队和处理更多元化的业务。

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。

我们已经看到在推理、研究、编程等越来越多的领域，模型能力进展，给 AI 应用带来了魔法般的体验，也看到了用户数和收入的爆发式增长。

也许这一次，水真的烧开了。

本文为专栏作者授权创业邦发表，版权归原作者所有。文章系作者个人观点，不代表创业邦立场，转载请联系原作者。如有任何疑问，请联系editor@cyzone.cn。