AI对营销行业的重构 - AI不仅提升营销效率，更带来营销方法论的根本变革，从"传统工作更快"转向"全新方法做以前做不到的事"[2] - 三大核心变革方向：工作边界扩大（营销团队可独立完成技术性任务）、内容生产效率提升（视频制作从数周缩短至几小时）、营销策略创新（突破传统玩法限制）[4] - 资深从业者Olivia Borsje基于16年经验总结出涵盖10大核心问题的「AI Playbook」，对比传统与AI时代营销实践差异[3][8] 品牌定位方法论革新 - 传统定位依赖耗时数月的大规模调研，AI实现高频动态定位：ChatGPT可分析竞品主张，Listen Labs等平台用AI执行用户访谈并实时生成报告[8][9] - 虚拟用户工具如Evidensa解决小众用户调研难题，虽不能完全替代真人但相关性达较高水平[9][10] - 定位策略转为持续迭代模式，建议按业务节奏（每月/季度）定期更新定位以保持竞争力[10] 信息传递与品牌形象构建 - AI颠覆传统文案流程：生成初稿+测试不同客户群体响应，使信息传递从"主观静态"变为"动态优化"[12][13] - 品牌形象需人类主导创意，AI生成易导致同质化；当前AI存在社交内容盲区（无法解析TikTok视频等C端关键渠道）[14][15] 市场推广渠道AI化 搜索领域变革 - 从SEO到GEO的战略转移：需监控AI对话中的品牌曝光（Scrunch AI工具），内容策略转向"品牌直接相关"（如Wise案例显示AI摘要减少网站转化）[21][22][23][24] - 付费搜索广告形态重构：Perplexity尝试对话内原生广告，ChatGPT探索结构化产品数据接入[29][30] 社交与视频渠道 - Meta等平台的AI广告生成尚未成熟，实际应用中仍需人工整合素材；虚拟网红兴起但真实性需求反弹[33][37] - ABM领域Clay等工具实现高度个性化营销，自动化SDR工作流工具如Lindy提升效率[40] 传统渠道复兴 - 电视/户外广告成本下降：AI生成专业级动画提示词（需半页专业指令），内部AI设计师成关键角色[41][57] 技术工具与运营优化 - 网页生成工具Flint实现营销人员自主建站，Coframe采用Multi-Arm Bandit算法加速A/B测试[44] - 客户生命周期营销进入精准化阶段：Wistara等平台实现"Right User, Right Content, Right Time"[47] - 效果衡量突破点击量局限：营销组合模型（MMM）和增量测试（Incrementality Tests）成为新标准[50][51] 团队架构演变 - 岗位重构：产品营销经理（PMM）与创意总监重要性提升，新增内容策略/GEO经理、AI营销运营等复合型角色[60][61] - 部门协作模式变化：营销与工程/产品部门共同探索高价值领域，外部工具合作优先于内部搭建[55][56]

核心产品升级 - 推出混合推理架构 单一模型同时支持思考与非思考双模式 用户可通过深度思考按钮自由切换[5][7] - 上下文窗口扩展至128K 显著提升长文本处理能力[7] - 采用思维链压缩技术 思考模式输出token数量减少20%-50% 非思考模式输出长度也显著缩短[12] 智能体性能突破 - 工具使用与智能体任务表现通过后训练优化大幅提升[8] - 编程智能体在SWE-bench评测达66.0分 较V3-0324版本45.4分提升45%[9] - 多语言代码修复能力达54.5分 较前代29.3分提升86%[9] - 终端命令行评测31.3分 较前代13.3分增长135%[9] - 搜索智能体在browsecomp中文测试达49.2分 较前代35.7分提升38%[11] 技术架构创新 - 基础模型在V3版本基础上额外训练840B tokens[15] - 采用UE8M0 FP8 Scale参数精度 分词器与chat template较V3版本有重大变更[15] - 提供Strict Mode Function Calling Beta接口 确保输出严格符合Schema定义[14] - 新增Anthropic API格式兼容 可无缝接入Claude Code等框架[14] 开源生态建设 - 基础模型与后训练模型已在Huggingface和魔搭平台全面开源[15][19] - 开源组织路径分别为HUGGINGFACE.CO/DEEPSEEK-AI和MODELSCOPE.CN/ORGANIZATION/DEEPSEEK-AI[19] 商业化进程 - 新版价格表将于2025年9月6日凌晨生效 同时取消夜间时段优惠[16] - 当前至9月6日前为过渡期 仍按原价格政策计费[16] - API服务资源已完成扩容以支持新定价策略[16]

公司转型背景 - 公司最初致力于开发基于神经信号转换的可穿戴硬件设备 旨在实现无声语音交流 这是创始人长期追求的愿景 [4][5] - 硬件原型在初步功能实现后获得首轮融资 团队规模扩展至40人 包括神经科学和机器学习领域的顶尖专家 [5] - 但硬件产品面临根本性挑战：消费级市场尚未成熟 用户缺乏明确使用场景 且软件生态无法支持跨应用无缝体验 [7][9] - 行业环境加剧了硬件路线的困境 Humane AI Pin和rabbit r1等同类产品相继失败 证明语音工作流程尚未跨越鸿沟 [7] 战略转型决策 - 2024年年中董事会后启动战略评估 最终决定彻底放弃硬件业务 全面转向软件方向 [9][11] - 转型核心逻辑是优先构建软件层实现产品市场匹配（PMF） 为未来硬件发展奠定基础 [9] - 尽管存在企业级（如医疗或国防）市场的融资机会 但基于创始人-市场匹配度考量 坚持消费级方向 [10] - 2024年7月18日正式停止硬件研发 集中资源开发语音听写平台Wispr Flow [11] 组织调整执行 - 实施激进裁员措施 团队从40人缩减至5人 裁员比例达87.5% 以避免后续二次调整并保持剩余团队稳定性 [11][12] - 转型后招聘策略趋于保守 直至2025年1月团队仍不足10人 体现对组织规模控制的谨慎态度 [12] - 领导层在过渡期强调确定性 通过每日到岗和明确目标维持团队士气 [19] 产品发布与市场表现 - 开发周期大幅压缩至6周 于2024年10月1日完成产品发布 较原计划提前3个月 [13] - 发布效果显著：获得数百万浏览量 登顶Product Hunt当日及周榜第一 [13] - 用户数据表现优异：20%付费转化率（远超行业3-4%平均水平） 日均听写次数约100次 键盘输入占比降至25-30% [2][13] - 2025年1-2月实现近90%月度自然增长 用户自发分享产品体验 确认达到PMF状态 [13] 核心成功要素 - 决策速度至关重要 从犹豫到执行仅用一周 整个转型在六周内完成 最大限度减少不确定性暴露时间 [17] - 坚持从客户实际需求出发 放弃科幻式创新 转向解决具体痛点（打字慢于说话4倍） [2][20] - 通过用户行为数据验证需求 而非依赖主观判断 键盘输入占比下降至30%以下证明替代效应 [2][13] - 融资能力支撑转型 公司完成3000万美元融资 为业务调整提供资源保障 [2] 行业洞察 - 语音识别技术存在明确应用场景 但需聚焦具体痛点（如输入效率）而非硬件形态创新 [2][9] - 消费级硬件创新受制于软件生态成熟度 跨应用无缝体验是技术突破的关键门槛 [9] - 用户习惯改变需要渐进过程 日均100次听写行为表明高频使用可培养新输入习惯 [2][13]

大会概况 - 2025年上海Inclusion·外滩大会于9月10日至13日举行 主题为“重塑创新增长” [2] - 首次设立“创投Meetup”活动 由蚂蚁集团战略投资部主办 联合8家顶尖创投机构共同打造 [2] - 为创业团队与投资人搭建高效开放的面对面交流平台 通过1对1创投交流及项目路演实现精准赋能 [2] 参与机构与资源 - 蚂蚁集团战略投资部深度参与宇树科技、智谱华章等明星项目成长 提供全链路支持 [2] - 明势资本、金沙江创投等8家机构曾成功培育理想汽车、滴滴出行、智谱AI等标杆项目 [2] - 形成“1+8”创投矩阵 聚焦AI科技赛道投资 具备深厚积淀与精准眼光 [2] 活动形式与安排 - 活动时间为2025年9月12日下午13:30-15:30 地点为上海黄浦世博园区H馆 [4][12] - 设置AIGC、具身智能、智能硬件、芯片及设备四大赛道及专属交流区 [5] - 采用15分钟1对1对话模式 投资人提前研读BP 现场直击商业化路径及技术壁垒等关键问题 [6] - 全程通过外滩大会官方小程序直播 扩大项目曝光度 [7] 参与条件与报名 - 面向处于AB轮中早期的创新者及专注前沿科技的企业 [4] - 需深耕AIGC、具身智能、智能硬件、芯片及设备四大赛道 [4][8] - 报名时间为2025年8月12日至9月5日 最终筛选32个优秀项目（每赛道8个）获得入场资格 [11][12] 资源对接价值 - 项目精准匹配对应赛道投资人 深入沟通产品设计、技术细节及商业逻辑 [5] - 联动蚂蚁集团生态资源与机构力量 提供从资本到落地的全链路支持 [2][7] - 项目可进入超12000人的“AI产品市集”社群 获得AI新品资讯及曝光渠道 [4][9]

AI产品评估的重要性 - AI行业正从概念验证转向构建能通过经验、清晰度与目标来定义、衡量并解决问题的系统[2] - 编写Evals正迅速成为AI产品开发的核心技能 决定产品的生死[3] - 缺乏Evals能力可能导致错失打造有影响力AI产品的最大机会[6] Evals的核心定义 - Evals是衡量AI系统质量和效果的方法 为AI产品清晰定义"好"的标准[9] - 与传统软件测试不同 Evals处理更偏向定性或开放式的指标 如输出内容的相关性或连贯性[11] - Evals类似于驾照考试 需要评估感知、决策和安全三个维度[10] Evals的三种方法 - 人工Evals：内置产品中的人工反馈机制(如赞/踩按钮)或请领域专家标注[13] - 基于代码的Evals：通过检查API调用或代码生成结果进行评估[14] - 基于LLM的Evals：利用外部LLM系统作为"裁判"自动化评估输出质量[15] 通用评估标准 - 恶意/语气：评估输出是否包含有害或不当言论[21] - 总体正确性：评估系统在核心目标上的表现[21] - 幻觉检测：评估是否准确利用提供上下文而非凭空捏造[22] - 其他常见领域包括代码生成、摘要质量和检索相关性[23] 优秀Eval的组成要素 - 设定角色：给裁判LLM明确角色定位[24] - 提供上下文：包含需要评估的实际数据[24] - 阐明目标：清晰说明希望衡量的内容[24] - 定义术语与标签：精确定义成功与失败的标准[24] Evals构建流程 - 第一阶段收集数据：收集真实用户交互 记录边缘案例 构建代表性数据集[26] - 第二阶段初步评估：编写初始Eval prompt并在数据集上运行[27][29] - 第三阶段迭代循环：优化Eval prompt 扩充数据集 迭代AI Agent prompt[33] - 第四阶段生产监控：设置自动化流程持续评估 对比Eval结果与真实用户反馈[35] Evals设计注意事项 - 避免起步时设计过于复杂 应先专注于具体的输出评估[38] - 需要测试边缘案例 采用小样本提示提升Eval性能[38] - 必须用真实用户反馈验证Eval结果[38] Evals实施建议 - 选择关键特性进行评估 如聊天机器人的"幻觉检测"[42] - 编写简单Eval检查LLM输出准确性[42] - 在5-10个代表性案例上运行Eval[42] - 持续迭代优化直到准确率达标[42]

随后，Manus 创始人肖弘在即刻上对这个数据进行了一些解释： Peak 参加了今年的 Stripe Tour 并且分享了我们最新的收入数据。我们开玩笑说，也许应该在写一篇文章科普下：How to calculate ARR, Correctly。 8 月 20 日，在新加坡的 Stripe Tour 上与 Stripe CEO 对谈的时候，Manus 首席科学家季逸超（Peak）表示， Manus 从三月份推出至今已实现 9000 万美元的年化营收规模（revenue run rate），1 亿美元大关近在咫尺 。 之所以用 Revenue Run Rate 这个数值，是因为它是一个严谨的财务口径数据，计算方法也相当简单：当月的 Revenue *12。 需要注意的是，Revenue 并不等于 Cash Income。很多 AI 产品都会有年付选项，这部分只能算作预存款，而不能记为 Revenue。如果我们按照这种【错误方式】披露， 可以算出一个一个比 1.2 亿美金更大的数。（再次说明，这是不正确的计算方法。） 另外一个重灾区是关于 ARR 的计算。一个典型的错误的做法是：在产品上线的初期，用 7 天的 ...

文章核心观点 - 大模型重塑用户需求调研的方式并非简单替代传统数据处理流程，而是通过构建“真实人格智能体”直接模拟用户的心智模式和决策框架，从而产生对用户需求的“好猜想”[2][3][4] - 商业洞察的关键在于从追求数据的“真实”转向理解用户动机的“真相”，大模型方法通过解释性理论构建解决了传统大数据归纳主义的根本缺陷[5][6][13][44] 商业调研范式转变 - 传统大数据方法面临四大挑战：爬取全量数据成本高达数百万/平台、数据更新频次难以实时、数据清洗困难（虚假内容/水军/广告）、从噪音中提取有效信号难度大[7][8] - 成功案例表明深度质量优于广度数量：某新消费品牌仅深度访谈30个用户（每次2小时）即准确预测细分市场爆发，半年内做到细分类目第一[9][18] 真实与真相的哲学辨析 - 提出“橙汁理论”区分两类洞察：实验室A通过精密仪器得到橙汁成分的客观“真实”，实验室B通过品鉴师体验得到主观感受的“真相”[10] - 商业世界中大数据提供“真实”（用户点击/转化率/关键词），但无法揭示“真相”（点击背后的渴望/转化动机/词语情感）[11][12][14] 大数据归纳主义的三大困境 - 逻辑层面缺陷：归纳推理存在根本谬误（如罗素火鸡案例中364天数据无法预测第365天的感恩节）[20][21][22][23] - 实践层面误区：相关性不等于因果性（典型案例显示冰淇淋销量与溺水事故高度相关，真实原因是夏季变量未被测量）[24][25] - 认识论层面局限：知识是被创造性猜想而非从数据中被动发现，商业中常见错误包括将深色界面与留存率、有机食品与长寿等相关性误判为因果关系[25][26] 好猜想的科学框架与应用 - 科学进步模式为“问题→猜想→批判→更好的猜想”，而非“观察→归纳→理论”，爱因斯坦相对论、达尔文进化论等均源于大胆猜想而非数据积累[27][28][29] - 好猜想需满足三大标准：难以篡改（如地球倾斜23.5度不可随意修改）、可检验（需冒被证伪风险）、具备解释深度（揭示现象背后的心理机制）[30][31][32] - 商业中坏猜想示例包括“用户不买因价格太高”（易篡改）vs好猜想“千禧一代因自我认知冲突拒绝抗衰老产品”（指向特定心理机制）[33] 大模型驱动商业启蒙 - AtypicaAI通过构建“真实人格智能体”实现85%准确率的人类行为决策模拟，其方法本质是将橙汁提炼为浓缩粉再用语言模型还原，模拟完整用户体验[37][39] - 案例显示传统社媒数据仅捕捉表象（如礼盒“精美包装”提及率68%），而大模型发现深层动机（消费者实为寻找“表达品味的载体”或降低送礼失败风险）[41][43] - 大模型方法实现从“用户标签”到“用户人格”、从“快照”到“电影”、从“是什么”到“为什么+如果怎样”的认知方式升级，使规模化创造性猜想成为可能[44]

核心观点 - AI行业正在经历快速变革，从证明AI可解决问题转向构建能定义、衡量并解决问题的系统[9] - 记忆和上下文成为AI应用新的护城河，跨时间记忆、适应和个性化能力是关键[9][39] - 垂直领域AI采用速度加快，尤其在长期依赖人工操作、服务密集型行业[42] - 浏览器竞争加剧，下一代Agentic浏览器将嵌入AI实现多步自动化和实时决策[56] - 生成式视频技术将在2026年进入正式可用状态，重塑互联网内容创作[61] 优秀AI创企标准 - 超新星型公司：第一年ARR达4000万美元，第二年1.25亿美元，毛利率25%[16][19] - 流星型公司：第一年ARR 300万美元，第四年达1.03亿美元，毛利率60%[16][19] - 新增长标准Q2T3：连续两年四倍增长，后三年三倍增长[20] - 员工效率：超新星型ARR/FTE达113万美元，是传统SaaS的4-5倍[19] AI基础设施发展 - 模型层由OpenAI、Anthropic等少数企业主导，同时进行垂直整合[25] - 开源模型如Kimi、DeepSeek在特定任务上表现优异[27] - 基础设施进入第二篇章，焦点转向定义问题而非解决问题[30] - MCP协议成为Agent访问外部API的通用标准，简化集成流程[34] 开发者平台与工具 - AI工程成为软件开发不可或缺部分，自然语言成为新编程接口[33] - 最优秀工程团队构建能通过开发循环实现学习的自适应系统[33] - 记忆成为核心产品要素，持久化跨会话记忆仍是挑战[38] - 上下文管理工具如MemOS、LangMem正在解决记忆稳定性问题[38] 垂直领域AI进展 - 医疗健康：Abridge自动完成临床记录，SmarterDx自动化编码流程[43] - 法律：EvenUp生成法律索赔文件，Ivo自动审查合同[51] - 教育：Brisk Teaching帮助教师简化评分和内容创作[51] - 房地产：EliseAI自动化物业管理沟通和租赁审计[51] 消费级AI趋势 - ChatGPT和Gemini周活跃用户分别达6亿和4亿，成为生活习惯[47] - 语音成为重要交互方式，Vapi等平台支持跨语言情感互动[47] - Perplexity成为AI搜索首选工具，推出Agent浏览器Comet[48] - 创作门槛降低，Suno、Runway等工具让消费者成为创作者[48] 2025年五大预测 - 浏览器成为Agentic AI核心交互界面，新浏览器大战开始[56] - 2026年成为生成式视频元年，重塑娱乐、营销等领域[61] - 评估与数据溯源成为AI产品开发关键催化剂[67] - 将出现AI原生社交媒体巨头，可能由AI网红主导[73] - 行业并购激增，医疗、金融等领域迎来整合浪潮[77] 创业启示 - 速度重要但方向更关键，需产品直觉和用户同理心[81] - 聚焦高价值痛点，快速提供10倍价值后逐步扩展[84] - 构建技术和数据壁垒，为战略收购做好准备[83] - 创始人洞察力成为关键竞争优势[84]

全球化创业趋势与AI企业出海合规 - 全球化创业成为当下趋势，AI企业出海需关注合规要求及法律风险[2] - 企业出海合规分享会将于2025年8月21日20:00举行，由北京嘉润律师事务所高级合伙人李慧君主讲[6] - 分享内容涵盖创业公司出海的软硬件法律风险、北美/欧洲/东南亚地区合规差异案例拆解[6] - 重点关注股权架构、数据合规、实体运营等法律问题，面向关注出海合规的创业者/业务负责人[7] 近期重要行业活动 大湾区国际创客峰会 - 11月15-16日在深圳南山区举行，由柴火社区主办[9] - 跨国际跨产业AI硬件盛会，汇集全球maker展示最新AI硬件项目[9] - 邀请100位海内外influencers及社区领袖作为创新大使[9] MiniMax Agent全球挑战赛 - 8月11-25日线上举行，奖金15万美元[10] - 设立Original和Remix赛道，鼓励原生案例创作和二创[11] Cursor北京黑客松 - 8月30日13:00-19:00在北京举行[12] - 6小时内完成从0到1的产品开发，提供Cursor官方Credits奖励[12] - 开放观众席位供Cursor爱好者现场投票[12] 2025 NVIDIA创业企业展示（重庆站） - 8月28日在重庆举行，聚焦AI智能体和企业出海领域[13] - 活动内容包括AI智能体应用创新、私有化部署展示、投资机构洞察分享[13] - 提供训推算力试用、AI智能体培训课程等专属福利[13] - 详细议程包括NVIDIA初创加速计划介绍、AI智能工厂、Google Cloud工作模式等主题演讲[16]

模型成本与市场需求 - AI创业者普遍认为模型降价将改善收入状况，但实际情况是只有老旧模型成本下降，而市场始终需求最新模型[2][3][4] - a16z数据显示大语言模型成本每年下降10倍，但仅限于性能老旧的模型，最新模型成本保持稳定[5][6] - 当新模型发布时，99%市场需求会立即转移，用户总是追求最高质量模型[16][20] 模型定价与使用趋势 - GPT-4价格从2023年3月的60美元/百万tokens降至2024年3月的1.5美元/百万tokens，但最新Claude 3 Opus仍保持75美元/百万tokens[19] - 前沿模型单位token价格未上涨，但token消耗量爆炸式增长，任务长度每6个月翻一番[24][26] - 20分钟"深度研究"当前成本约1美元，预计2027年24小时AI Agent运行成本将达72美元/次[26] 商业模式挑战 - 固定费率订阅模式面临崩溃，Anthropic取消200美元/月无限套餐，因用户token消耗激增1000倍[28][33][34] - 行业陷入囚徒困境：按量定价理论上可持续但用户偏好包月制，固定费率导致比烂竞争[35][36][39] - 重度用户补贴不可持续，Windsurf已倒闭，多家公司面临资金链危机[13][27][43] 潜在解决方案 - 建立高切换成本的企业级服务，如Devin与花旗银行合作，获取稳定高利润率收入[39][40] - 垂直整合模式如Replit，将AI作为引流品，通过其他服务盈利[40][42] - 新云厂商(neocloud)可能成为可行方向，但需避免无规划的早期入场[44][45]