文章核心观点 - 当前AI应用层面临挑战，包括基础模型能力增强导致应用易被质疑为“套壳”，以及商业化困难，但演语科技通过聚焦专业内容创作者、将应用做厚融入工作流、并激进把握模型红利，实现了显著增长，成为行业样本[2][3][6][37] 行业背景与挑战 - AI应用层在2024年面临更大困难：基础模型能力增强并覆盖更多场景，使应用层容易被质疑为“套壳”产品[2] - AI应用普遍面临商业化难题：大量应用能获取用户但难以获得付费，获得付费也难以实现用户留存[2] - AI应用公司面临“身份认同”问题：需要明确自身在基础模型能力之外的独特价值[3] - 行业内AI应用公司获得投资较多，但在营收层面有亮眼表现的公司不多[3] 公司案例：演语科技概况 - 演语科技（Evoken）完成近3亿美元的B+轮融资，由Granite Asia、腾讯、顺为资本联合领投，其他机构参投[3] - 该轮融资刷新了国内AI应用层单轮融资记录，融资后公司估值超过20亿美元，成为国内少有的AI应用独角兽企业[5] - 截至2026年5月，公司年度经常性收入（ARR）已超过3亿美元，与Suno（3亿美元ARR）处于同一梯队，超过了HeyGen（约1亿美元ARR）[6] - 本轮融资实际于2026年上半年早些时候完成，目前ARR较融资完成时增长了近3倍[9] 成功策略一：聚焦付费意愿强的专业用户 - 公司营收增长由三块业务支撑：LiblibAI（中国最大的AI素材网站和创作者社区之一，累计用户超3000万）、LibTV（2026年3月上线，5月收入已是首月的13倍以上）、星流（AI设计Agent，累计服务用户超千万）[10] - 三条产品线围绕同一类人群：靠内容创作吃饭的专业用户（prosumer）[12] - 专业内容生产者将AI工具订阅费视为生产成本而非消费支出，只要AI能压缩生产成本，付费意愿就强[14] - LibTV上线头三个月服务了近千个短剧团队、影视制作机构等，这些用户以前制作成本需数万元，使用AI工具可将成本压缩一个数量级，同时提高产出频率[13] - 公司创始人认为，关键在于AI交付的是可直接使用的“结果”而非“功能按钮”，用户付费意愿更高；AI正从辅助工具转变为直接交付服务的主体[14] - 公司选择不做普通用户，因为其创作需求低频，而是专注于垂直领域的专业内容生产者[19] - 公司收入增长未呈现脉冲式曲线，而是站在了AI内容生产市场扩张的过程中[20] 成功策略二：将应用做厚，融入完整工作流 - 为避免成为易被替代的“薄”应用，公司产品设计深入内容生产全流程[21] - LibTV是一套基于无限画布和节点式工作流的创作系统，将剧本、分镜、剪辑等所有环节组织在同一空间，更接近真实影视制作方式[21] - 创始人将AI创意工具发展分为三阶段：1.0单点生成（如Midjourney）、2.0工作流（如ComfyUI）、3.0 Agent（AI参与工作流规划与执行）[26] - 应用层积累的“用户如何结合AI与手动操作完成任务”的工作流数据具有价值，是底层模型所不具备的，这构成了应用侧的壁垒[23] - 例如，LiblibAI上50万个原创模型是3000万用户在过去几年逐步上传、训练、迭代积累的结果[23] - 当用户整个生产流程在一个平台跑通，迁移成本本身构成壁垒[24] - 创始人认为，工具和服务的用户粘性可以很强，关键在于产品是否好用；未来Agent形态将使应用与用户关系更接近“服务提供方与客户”，粘性更高[24][27] 成功策略三：激进把握模型红利，加速商业化 - AI视频、图像等领域底层模型快速变化（如Seedance 2.0、Veo），这对应用公司既是增长窗口也是挑战[28] - LibTV的增长是典型案例：2026年2月字节跳动即梦上线Seedance 2.0引发热潮但产能不足；3月18日LibTV上线，首日访问量破10万；4月2日火山引擎开放Seedance 2.0 API公测，LibTV第一批接入，为用户提供免排队的完整生产流程体验[30][31][33] - 创始人认为，应用公司需要“借力底层模型”而非被其取代，核心价值应在基础模型之外；若仅为模型不成熟打补丁则是“对抗”和“找死”[33] - 在模型迭代期，应更激进地进行商业化增长，因为API和算力成本高，没有足够收入难以竞争[34][35] - LibTV上跑量最大的内容是新品类（如AI短剧、AI漫剧），这些是如果没有AI就不会存在的新市场，意味着从零开始分配份额，无需从他人手中抢夺用户[35] - LibTV在3月上线后，第一时间接入Seedance 2.0，两个月内收入增长13倍[36] - 跑得越快，服务的团队越多，沉淀的工作流数据越深，生态厚度成为后来者的追赶门槛[37] 公司业绩与行业意义 - 演语科技整体收入同比增长超过3000%，三条产品线各自跑通了付费[37] - 公司案例表明，AI应用层不想只当“Token批发商”，就必须明确谁会掏钱、为何掏钱、如何维持使用，并能在每次模型进步时将其转化为新收入[37]