AI应用行业面临的挑战与机遇 - AI应用行业正遭遇前所未有的同质化危机，模型更新快、工具功能趋同，仅靠产品功能难以建立长期护城河 [1][2] - 在注意力稀缺的碎片化互联网时代，流量分散在数以百万计的细分领域达人手中，规模化与极致的分发效率成为制造势力和定义认知边界的关键 [3] - 势力（Momentum）本身成为最大的护城河，指产品被持续使用、反复传播、不断进入用户认知边界的能力，一旦形成，后来者难以替代 [2] 传统达人营销模式的规模化困境 - 达人营销存在规模化悖论，其本质是充斥着大量非标环节的“执行苦役”，从达人筛选、价格谈判到催稿改稿和数据核算都依赖人工，规模放大将放大不确定性 [4][5] - 传统规模化解决方案主要有两种：组建自有团队（In-house）或委托代理机构（Agency） [6] - In-house模式在探索期或重点市场能实现高质量、强共创的合作，但随规模扩大，人多反而导致信息对齐困难、标准不一、产出质量参差不齐 [7] - Agency模式能快速启动项目，但在AI/科技领域，优质垂直Agency数量有限，达人资源池集中，导致多个品牌在同一批达人中反复投放，用户触达重叠度上升，且执行效率取决于机构人力投入与项目优先级 [8] Aha平台提供的创新解决方案 - Aha平台旨在同时优化达人营销的执行问题和供给问题，利用AI员工承担执行苦役，让品牌能并行推进大量多元、具备真实使用场景的AI科技领域达人合作 [9] - 平台建立了一个由大模型主导的达人匹配系统，储备了超过500万经过严选的高质量真实达人，覆盖全球140多个国家 [11] - 达人结构多元且真实，分布在AI科技领域的各种真实使用场景中，包括专业内容创作者、一线从业者和将AI产品作为日常工具的用户型达人 [12][13] - 匹配系统不依赖浅层标签，而是由AI像营销专家一样，根据品牌产品信息、受众等多维信息进行判断，并过滤受众不符的账号（例如账号在美国但63%受众在巴基斯坦）及营销号 [15] - 平台通过“一口价系统”解决价格非标问题，AI综合达人历史表现、受众价值、平台行情、国家系数等数十个因子自动计算合理市场价值区间，并完成意向确认和价格谈判，品牌看到名单时价格已谈妥 [16][17] - 合作流程平台化、可视化，从达人筛选、沟通、履约到发布的数据与状态统一纳入品牌后台管理，品牌可全局掌握，系统自动跟踪进度并提醒 [18][24][25] - 针对AI产品合作特点，平台简化了为达人开通会员或产品权限的流程，品牌可在平台内一次性获取信息并完成开通，减少沟通摩擦 [23] - 内容发布后，系统自动追踪每位达人的播放量、点击量、CPM和CPC等数据，品牌可随时查看预算消耗及单人表现 [26][27] Aha平台构建的系统化能力与安全保障 - Aha平台将工业化思维引入达人营销，帮助企业建立标准化达人营销流水线，形成可持续运转的组织能力 [28] - 平台提供平台级的合作安全保障机制，将风险控制前移并固化为系统能力 [29] - 所有合作达人需完成身份认证并授权其媒体平台的一方数据接口，确保品牌看到的画像和预估数据来自真实数据源 [29] - 构建多阶段反作弊体系，对刷量、数据造假或内容质量异常的账号直接永久屏蔽，对疑似风险账号纳入灰名单动态监测与调价约束 [31] - 合作流程中，AI员工完成双方身份验证、代签约授权与协议归档，品牌预算由平台托管，达人仅在内容通过验收后结算，若违约可申请退款 [31] - 平台内置标准化内容规范，覆盖不同平台的视频格式、时长、CTA设计等要求，确保规模化产出的内容质量 [31] 平台带来的效率提升与复利效应 - 使用Aha平台后，品牌整体效率可提升80%以上，过去需要一周确认一位合适影响者，现在仅需2分钟 [42] - 内容交付节奏显著加快，短视频上线周期从过去的三周以上压缩到约一周，长视频可在一到两周内完成发布 [42] - AI处在完整执行路径上，品牌的每一次决策（如达人通过/拒绝原因、审核偏好、定价区间、发布效果）都能被学习调优，数据持续反哺下一次投放，形成复利效应 [36] - 能力收敛至平台后，转化为系统化的组织能力，不受人员流动影响，使企业能在注意力竞争中建立长期、可复利的优势 [36] 市场验证与客户案例 - 自去年5月上线以来，Aha已服务上百家AI科技公司，包括Alibaba及多款AI出海榜Top 50产品，如AiPPT、Vizard、Zeemo等 [37] - 专业设计工具Pixso是代表性案例，其早期人工管理达人合作效率低下，从接触到内容上线需一个月以上，成为增长瓶颈 [39] - 引入Aha后，Pixso将达人营销转变为系统化运作，基于受众分布、内容类型、历史表现和价格区间快速获得匹配的影响者名单，并行推进多位达人合作，并实现流程的清晰和集中管理 [41]

文章核心观点 文章通过多位AI领域华人创业者的对话，揭示了2025年全球华人AI创投圈在具身智能、AI硬件、AI Agent及大模型等前沿领域的核心动态、技术进展、市场差异与未来展望，展现了中美在AI赛道竞争格局的变化以及中国团队独特的优势与挑战 [2] 中美创业环境与团队优势 - **机器人行业中美无代差**：至少在机器人行业，中美之间已不存在技术代差，但市场体感存在差异 [8] - **To B业务逻辑差异**：中国市场企业倾向于全栈自研，更希望供应商提供概念验证；美国及高劳动力成本地区客户更倾向于基于清晰分工和长期合作推进项目，海外客户毛利更高且更容易沉淀长期合作 [9] - **中国团队优势：聪明勤奋与市场打磨**：中国团队兼备聪明和勤奋，疫情期间在新能源汽车和智能驾驶等领域实现了快速追赶和超越 [10] 国内B端客户和消费者对新产品容忍度高、期待高，通过与客户联合共创能快速打磨出有竞争力的产品，再批量化复制并走向海外 [11] - **中国在AI硬件产业链的优势**：中国在硬件产业链上具有优势，且中国团队在软硬件结合方面具有得天独厚的优势，而美国同行在AI硬件产品上常面临交付困难 [11] - **中美To B市场逻辑差异**：欧美To B市场垂直专业性和服务深度高，切入口小但做得深；中国出海创业者更偏向To C，擅长整体流量和增长玩法，但新一代出海科技公司的决策行为正越来越接近欧美客户 [12] - **中国To B市场的机遇在于AI与劳动力价值**：中国To B软件市场挑战源于企业数字化成熟度不足，难以判断单点价值，而AI能将软件价值显性化，例如将AI转化为数字员工，其价值完全显性，因此AI在To B对标的是劳动力市场而非软件市场 [13] - **中国对新技术的拥抱速度更快**：中国对于新技术的拥抱和开放程度比绝大多数海外国家更快，即使在基座模型不如美国的情况下，在跨国项目中的结果也能成为客户全球合作的标杆 [13] - **大模型方向一致，中国应用转化更快**：中美在大模型方向上一致，中国基础模型可能只用海外模型十分之一甚至更少的算力就取得了高普及率的结果，且中国企业对于模型应用的转化率比海外团队快得多 [14] 2025年最令人兴奋的技术与行业进展 - **强化学习的跑通开启AI下半场**：强化学习在数学、编程、GUI等领域的成功验证，突破了依赖人类标注数据的限制，使机器能够超越人类认知边界，这被认为是AI下半场的开始 [15] - **Agentic AI在真实业务中跑通**：支撑Agentic AI在真实业务中运行的关键技术条件在2025年同时具备，包括长期任务和上下文记忆跑通、工具调用和执行稳定性质变、以及从人类示范转向结果驱动的自我优化 [16] - **Google回归与Gemini 3推动模型进步**：Google的回归让行业重新聚焦于模型能力的提升，Gemini 3的出现使多模态能力（特别是视频能力）进一步增强，符合模型发展趋势预判 [17] - **视频生成大模型内嵌物理规律**：视频生成大模型能越来越多地将物理规律内嵌到生成的视频中，这不仅进一步佐证了Scaling Law，也为具身智能行业的数据补充带来了信心 [17] - **数据规模验证Scaling Law边界尚远**：美国公司Generalist使用27万小时数据进行训练，未看到训练收益放缓，这使得业内数据讨论单位提升至十万小时级别，让行业认识到Scaling Law的边界还很远 [18] 中美科技资本环境差异 - **美国早期融资机制更简化灵活**：美国早期融资如采用SAFE协议机制相当简化，且更愿意在小圈子内闭环完成，更强调对创新和试错的支持，对创始人压力较小 [19] - **美国资本更具耐心**：美国整体在坚信一个技术或方向并进行长期投入方面，呈现出更加包容和耐心的状态 [19] - **中美风险偏好不同**：硅谷VC圈更愿意投资高风险项目以获得高回报，而国内资本可能更倾向于投资共识类项目，创业者希望中国VC能更大胆支持非共识和冒险的事情 [19] - **国内资本市场过度相信共识**：国内资本市场过度相信共识，而创业和技术的竞争力往往来自反共识，当前对做大芯片、集群、降token成本等线性思维的追求可能不经济 [20] - **中国早期投资比例偏低**：硅谷风险投资中有接近一半集中在早期投资，而中国的这个比例是硅谷的1/5到1/7，显示中国在早期投资领域仍需加强 [20] 具身智能与机器人行业洞察 - **专业化分工与成本优势**：机器人公司自建数据基础设施团队非其核心，但投入高、经验要求高，诺亦腾机器人作为第三方数据服务商，可通过多客户项目摊销研发成本，积累专业经验，拥有稳定市场空间 [23] - **人形机器人商业验证是关键期待**：行业最期待的颠覆性进步是人形机器人的通用性在商业领域得到验证，需要找到介于专用机器人和真人之间的、稳定可持续的应用空间 [23] - **家庭场景可能是商业化突破口**：与工业领域相比，家庭场景中确定性任务与高度柔性任务之间的“夹缝”更宽，例如扫地机器人这类“时空分离”场景，对容错性、安全性等容忍度更高，可能率先实现商业化 [25] - **真实数据与仿真数据需协作**：机器人学习内容可分为可枚举合成的“规则”和无法枚举合成的“人类先验”，因此真实数据与合成仿真数据需要协作，单一类型无法解决所有问题 [26] - **渐进式路线与规模化部署是关键**：具身智能需在真实场景中锻炼迭代，难以仅靠仿真或实验室环境达到所需泛化能力，必须通过实际部署实现规模化，类似特斯拉在自动驾驶领域采取的渐进式路线是构建护城河的关键选择 [27] - **优质真实场景数据稀缺**：不同于大语言模型有海量可获取数据，具身智能面临优质真实场景真机数据稀缺的挑战，难以一蹴而就，需坚定走渐进式发展路线 [28] - **B端场景利于当前技术落地**：在技术不成熟、数据缺乏的当下，工业、商业服务等B端场景允许通过做一定“减法”，较快速地实现落地闭环，而家庭场景复杂度太高 [28] - **世界模型是走向通用的必要条件**：具身智能要走向通用，需要类似高等动物内置的、能够预测、想象和模拟物理世界变化的隐式世界模型，这是非常强大的必要条件 [30] - **隐式与显式世界模型并重**：无界动力当前研发重点是将隐式世界模型内嵌于负责动作执行的VLA模型中，同时显式世界模型对于数据短缺情况下的数据增广和生成也有重要意义 [31] AI硬件与产品战略 - **Looki的核心是打造AI的“眼睛”和“耳朵”**：公司核心是给AI提供感知能力（眼睛和耳朵），让AI在物理世界生活，其首代产品L1是探索人机交互的起点，目标是实现以人为中心的AI，让物理世界成为AI的prompt [31][32] - **产品形态与功能将随技术演进**：AI硬件的形态将随着供应链、低功耗、无感化等技术的发展而不断延展，功能也将随着模型能力和记忆基础设施的升级而生长 [31] - **规划 proactive AI 与 General Agent**：下一代产品L2将实现适时主动式AI，L3是更远期设想，即出现一个懂用户的中心General Agent，负责理解用户指令并对接其他服务型Agent [33] - **AI硬件全球化最大挑战是数据合规**：AI硬件作为数据入口，面临数据需留在当地、进行数据审计、遵守不同国家数据所有权规定等合规挑战，这是传统消费硬件未曾积累的经验 [34] AI Agent 与平台商业模式 - **Aha平台实现Agentic AI在真实业务跑通**：Aha作为AI员工式达人营销平台，其飞轮效应被点燃，达人侧入驻速度在半年内从0增长到5万，呈现指数级增长，并获得了全球顶尖AI客户和头部大厂的认可 [16][34] - **增长源于强烈市场需求与双边网络效应**：营销预算正从传统广告向达人营销迁移，客户存在高效解决方案的迫切需求，平台通过自动化流程连接客户与达人，构建了客户越多、达人越多、体验越好、客户更多的飞轮效应 [34][35] - **主要竞争来自传统人工模式**：在中型及以上客户市场，主要竞争模式是外包给Agency或自建大型内部团队，而达人营销本身高度依赖人力执行，规模化时人力成本线性增长，因此客户迫切寻求降低人工依赖的解决方案 [36][37] 大模型与商业强化学习路径 - **商业强化学习是基座模型的延展，而非同一赛道**：未来趋势并非单一超级模型或无数垂类模型，而是通过分工与协作，让独立训练的模型解决统一目标，实现从个体智能到群体智能的飞跃，类似一个超级MOE（混合专家模型） [38] - **模型智商边际效果下降，需构建“大学”**：当前模型已足够强，重点应转向如何为模型构建“大学”，使其与业务耦合，找到最优解，从而实现从个体智能到群体智能的飞跃，这符合OpenAI AGI路径的level 4和level 5 [39] - **商业强化学习对标劳动力市场**：该领域被视为对标50万亿美金的劳动力市场，而非软件市场，突破场景的选择标准包括该工种当前的市场规模以及其是否可完全在数字空间解决 [40] - **行业存在供给热、需求冷的错配**：供给侧资本开支巨大，模型成本下降、算力提升，但需求侧真实落地并带来显著收益的应用仅约5%，大模型落地场景单调，未切入核心业务 [41] - **AI需嵌入物理世界并解决价值观测与成本问题**：AI应像电力一样通过影响物理世界来创造价值，当前挑战在于效果如何直观观测以及成本如何下降，需要找到大一统的方式解决垂类场景与模型的最优匹配，而非仅依赖人类标注数据 [42] 对2026年的行业展望 - **争议与百花齐放**：2026年AI产品可能出现百花齐放，同时也可能伴随很大的泡沫争议 [43] - **AI真正进入物理世界元年**：2026年有望成为AI真正进入物理世界的元年，也是商业强化学习落地的元年，期望AI能为二级市场带来明显的业务价值提升，而非仅体现在供给侧财报 [43] - **具身智能落地前景更光明**：期望2026年行业探索重心能从“小脑”（执行控制）转向“大脑”（认知决策），为具身智能的突破奠定基础 [44] - **行业稳健发展与全球化扎根**：希望AI行业更好，更多客户产品走过PMF阶段进入市场推广期，并在全球更多地区扎根 [44] 同时希望具身智能创业公司能走得稳、走得远 [44]

文章核心观点 - 达人营销是AI出海公司重要的增长杠杆，但其规模化执行面临巨大挑战，而Aha公司通过“AI员工+双边平台”的模式，对达人营销的作业模式进行了基础设施级重构，实现了规模化、可控、高效且安全的合作，并成功服务了大量AI企业客户 [1][2][3][9][28][30] 达人营销的价值与规模化困境 - 达人营销因其“活人感”能降低用户信任门槛，成为AI出海公司的重要增长杠杆 [1] - 行业成功实践表明，达人营销需要规模化，并将单次合作沉淀为长期增长资产，如Gamma通过广泛合作沉淀10%爆款带来90%用户增长，Notion通过数据追踪将合作转化为稳定资产 [2][3] - 达人营销规模化执行面临全链路难题：从“找人难”（粉丝量≠影响力、找到≠能合作）、价格博弈不透明（经历4-5轮沟通拉锯战），到执行过程沦为“保姆式”跟进的“人力黑洞” [5][7] - 品牌内部执行触达天花板后，转向与外部Agency合作，但面临其达人池有限、筛选损耗及反复对齐的问题；引入多家Agency则导致管理成本线性上升，去重比价困难，资源与方法论难以沉淀 [7][8] Aha平台的解决方案与核心能力 - Aha定位为连接品牌与创作者的双边平台，其核心是让AI员工承担所有“执行苦役”，人类负责关键决策把关 [9][10] - **智能找人**：重塑决策模式，让AI基于多平台数据像专家一样理解任务，评估达人价值与风险，经过一年多、十余个版本迭代，决策稳定性与专业性接近人类专家 [11] - **智能定价与建联**：通过一口价系统，综合数十个关键因子由算法模型计算达人合理市场价值区间，提供最优一口价，终结价格不透明问题 [12] - **全链路交付与安全保障**：内置授权校验、实时进度监控与催稿；采用预算托管机制，达人完成内容并通过质量验证后才获得付款，保障品牌预算安全 [13] - **品牌端可视化管理**：提供操作面板，清晰展示AI员工沟通进展、意向达人列表（附详细报价、CPM/CPC预估、匹配度分析及粉丝画像），将线下Excel作业升级为可视化平台 [15][16][18] - **高效履约与数据追踪**：品牌确认合作后无缝进入内容制作；平台提供实时更新的数据报表，可随时查看预算花费、播放量、点击量、CPM、CPC等数据，无需人工定期回收 [16][19] - 平台将能力系统化，转化为不依赖人员流动的组织能力，使达人营销方法论得以持续运转和沉淀 [21] 市场验证与商业成果 - Aha已跑通双边平台飞轮模型：品牌增加提升交易流动性，吸引更多优质达人；达人供给丰富又提升品牌体验，吸引更多品牌加入 [23] - **供给侧**：平台沉淀超过500万高质量可合作达人储备，其中已完成签约的达人超过5万名，覆盖从头部到长尾的全层级矩阵 [24] - **需求侧**：已成功服务300+企业客户，包括国内外大厂及AI产品出海榜TOP 50产品（如AiPPT、Vizard）等众多对效率与合规要求极高的AI品牌 [24] - **客户案例**：以客户Manna为例，使用Aha后，单个合作周期从“月”级缩短至最快3天；其通过Aha合作的42位达人中，出现了3条“大爆款”，其中一条几万播放量的视频带来几千次App下载 [26] 平台进化与行业契合 - Aha从1.0到2.0的进化，是对达人营销底层作业模式的“基础设施级重构” [28] - **可控性提升**：2.0版本保持品牌在反选、内容审核等关键路径的决策权，并新增外联邮件预审批、模板预览等功能 [29] - **匹配精准度进化**：依托海量AI行业投放数据，抽象出更细颗粒度的专家经验作为判断因子，使匹配逻辑更稳定地适配不同类型AI产品 [29] - **安全保障强化**：构建了达人信用与交付评分体系、多层反作弊体系，全流程确保数据真实与内容可信 [29] - Aha“AI + 双边平台”的解决方案，将达人营销从高度依赖个人经验的项目，转变为可计划、可掌控、可持续积累的增长资产，精准契合了AI企业对效率与系统化能力的生存需求 [30]