1、通用型AI搜索是大厂的游戏，而垂类搜索的价值增量难抵切换成本
2、C.AI类产品的破圈和商业化难题
3、AI+Coding是初创公司的机会吗？
4、AI+硬件，将在中国卷出来的软件能力和硬件供应链优势结合
5、过去半年内对AI的行业洞察有哪些？
6、聊聊OpenAIo1的发布
7、AI在ToB领域如何落地？
8、对独立开发者做AI产品有什么建议？
#1.
通用型AI搜索是大厂的游戏，而垂类搜索的价值增量难抵切换成本
2024年谷歌搜索的收入约为2300亿美元，对应的MAU大约是38亿，ARPU约为60美元，对应4美元的CPC和6美元的CPM。对比Perplexity，2000万美元的ARR和两千万的MAU，测算订阅的ARPU约为1美元。
这将Perplexity的变现问题收敛到了：
●聚拢/分辨高质量用户的效率和购买转化的效率有多高——分发策略
●给用户传递的价值有多大——任务执行
比起百度，最有可能实现AI搜索的是字节。字节有具备大流量入口的抖音（抖音8亿DAU，百度2亿DAU），同时字节也拥有最多的跨行业应用，能够以豆包作为入口，联通各类应用数据，完成执行。从有最大流量入口、有最多跨不同行业的应用矩阵来看，通用AI搜索对于大厂友好更多。
而就垂类AI搜索而言，要打破垂直应用的切换成本是非常困难的。比如VSCode作为一款工具，它的用户粘性远远大于搜索工具的迁移成本。
在这种情况下，AI搜索在垂直领域聚拢高质量用户的效率与传统的垂类应用相比并没有太大的差别。
#2.
C.AI类产品的破圈和商业化难题
很多AI应用在用户粘性和付费上表现得并不乐观，不同市场的打法和数据有很大不同，同样的陪伴对话能力对于不同用户的价值差异也很大。目前情感陪伴方向主要有三类应用：
●基于小说的提问，更多面向青少年，尤其是25岁以下的用户，他们与带有人设和故事感的智能体对话，带来读小说的体验。
●基于游戏的提问，类似九十年代互联网的对话式游戏，用户选择路径进行下一步操作；
●一些擦边类内容。聊天时长较长的用户通常都在聊一些NSFW（NotSafeForWork）的内容。
●一些功能性的应用。比如情感问题倾诉。AI算命，用户次日留存率大约在30%-40%，平均对话轮次大约在5到10轮。聊得比较久的用户有时会持续两个小时，但这种情况通常出现在他们遇到了特定问题。
C.AI曾提到他们的精准用户每天可以聊天两个小时，上面聊天时长很长的场景主要是语C和擦边内容。它的用户主要是14到21岁的学生，GenZ的内心需求和精神世界需要这样的场景，但他们的付费意愿较低，这是目前AI情感陪伴应用面临的一个主要问题。
C.ai被认为是达到PMF的AI产品：它的使用时长、留存率和用户规模都比目前大家更为追捧的perplexity要好得多。他的收费商业化乏力，是因为团队本身的重心不在这儿。如果认真去研究这个赛道，其他人如果想要赚钱，只要路子野，是有机会。
然而随着这类应用的不断出现，google和应用商店也开始对这类应用进行一定的打击，对于google认为的NSFW内容不进行展示。
如果这类大流量口不对AI应用放行，国内留给其他娱乐类应用的空间已经很少，双边生态起量的机会在一定程度上已经被大厂给封锁。
#3.
AI+Coding是初创公司的机会吗？
1、壁垒不高，叠加模型能力限制产品发展
Cursor之所以火爆，一方面是因为带货效应，另一方面是他们确实在产品上付出了努力。他们的界面设计，如在交互上使用DIFF功能来审核信息等。
从Cursor的数据可以发现，其技术护城河不在于索引本身，更多的是工程和产品体验层面的know-how。
在Cursor的社区中，去年已经索引了13万个仓库，共有13亿次下载，平均每个代码仓库有1万次下载。这些数据表明，他们在产品和用户体验上有独到之处，提升了用户的黏性和满意度。
2、国内需求不高，真正写代码的程序员都在用国外的应用
国内有能力的程序员早已在使用国外的工具（如Cursor、GitHubCopilot）来提高工作效率，这些工具在国内的普及度已经很高。程序员没有强烈的动机去寻找或使用新的国内替代品，因为现有的工具已经满足了他们的需求。
同时，代码生成工具主要解决的是一些基础代码问题，无法处理复杂的算法逻辑。国内用工成本相对较低，与其使用代码生成工具，不如多招几个实习生，成本可能更低。对于企业而言，投资于这些工具的性价比不高。
OpenAI的切片数据就显示，去年中的某一天，中文用户占比小于日文用户，不到10%，国内真正使用这类工具的用户并不多。
在2B端，大厂们包括字节和百度，都是从原有的内部编程辅助工具开始，从内部打开逐步向外发布。这些公司多年前就已经在内部开发了类似的功能，他们的目标客户群也大多集中在金融和国企等行业，这类公司内部的程序员，并不愿意使用采买的AI编程工具。
3、全球范围来看，代码生成能力会不断提升
与人类语言表达不同，代码生成更加强调逻辑推理能力。如果将prompt看作一棵树的根节点，那么生成过程就像是在进行BFS（广度优先搜索）。而通过SFT（SupervisedFine-Tuning）方式训练的模型，再结合维基百科等进行搜索，实际上是在树结构中进行DFS（深度优先搜索）。
以o1模型为例，它在进行MCPS（Model-ConstrainedPerplexitySearch）时进行了多种DFS检索，并通过价值函数在每次检索时进行优化。由于整个探索空间相对较大，在大模型向推理、数学和代码方向发展的过程中，代码和数学方向的推理结果通常是唯一的，只有一个或几个正确答案。
随着逻辑推理能力的增强，大模型在代码生成方面的表现会进一步提高。按照这个趋势发展下去，代码生成的效率将会不断提升，搜索工具已经将程序员的工作效率从10%提高到30%，而Cursor则可以从30%进一步提升到40%。
当效率提升到某个临界点时，或许产品经理直接根据需求文档就能生成整个系统的代码，最终完全不再需要人工干预。
#4.
AI+硬件，将在中国卷出来的软件能力和硬件供应链优势结合
AI+硬件，将在卷出来的软件能力和硬件供应链优势结合，这为初创公司和传统硬件厂商都带来了新的机遇。目前能发现的两个主要趋势是全球化与出海带来的新需求，以及在已经得到验证的场景中通过硬件入口切入：
出海带来的翻译需求：
比如用户在使用海外模型时，往往会先把prompt翻译成英文，再把输出内容翻译回中文或其他语言，这无形中增加了对翻译服务的需求。
信创“出海”中东：
由于一些突发事件，中东市场已经开始显示出新的“信创”机会，尤其是在3C领域。中东有5亿人口，他们对硬件爆炸事件的反应相当激烈，也在某种程度上创造了一个中国出海的新机会。
（2）会议纪要/对话分析类产品（Plaud）：Plaud今年的收入大约达到5000万美元，取得了相当不错的成绩。
事实证明，如果专注于一个场景，将软件产品化程度做到极致，再叠加硬件形态，依然可以取得可观的成果。
（3）寻找长期存在的硬件入口
现在，许多产品都找到了长期存在的硬件入口，比如手机壳、工牌等。工牌天然地处于一个使用场景中，且距离用户的嘴巴相对较近。有客户利用B2B2C模式，通过工牌进行客户画像分析，帮助企业更好地管理员工。
消费电子需求的溢出
（2）从个人溢出到场景。具身智能虽然还有较长的路要走，我们可以先把它放到特定场景中去尝试，如儿童机器人、陪伴机器人，或者像Lovot这样的产品，将属于个人的消费电子场景化。
#5.
过去半年内对AI的行业洞察
AI的发展仍然处于早期阶段，类比互联网发展历程，从1995年浏览器出现到2000年泡沫破裂，再到移动互联网时代，AI也将经历类似的长期发展过程。
在过去一年里，除了大模型公司，纯做AI应用且拿到较大规模投资（5000万美金以上）可能也就20家。这些公司的平均员工数量是20-50。
尽管资本市场看似平静，但从事AI应用创业和探索的人仍然非常活跃。今年有很多创业者采用更高效的组织方式，在快速推进AI应用的落地。这些创业者的团队规模较小，可能只有3-5人，但执行力非常强。因此机构的投资策略也在适应这样趋势，以更快、更新、更早的方式支持这些创业者。
曾经的流量特别便宜，如今一方面是融资环境发生了变化，另一方面公司内部资金的流向也在发生转变，很多公司发现与其将资金投入内容生产，不如投入内容运营。
通过分析YCombinator过往的项目，可以发现AI创业方向已经相对饱和，大多数可以想到的AI应用方向已经有人在做。AI创业这波浪潮中，大家在模型能力、方向选择、项目实施、市场推广上没有的巨大差异，所以大公司在许多共识方向上优势明显，体量很大。
AI硬件领域，除了提到的电脑、手机、耳机、手表、眼镜，还有很多可能性，比如戒指（如oura）、传感器（如cgm血糖监测），身体可以携带很多类似的传感器，但这方面的潜力大大被低估。
传感器还可以应用于医疗领域，替代摄像头帮助家属了解护理的真实情况。
#6.
聊聊OpenAIo1的发布
o1的出现展示了AI如何在特定领域里已经超越了人类。例如，o1在北美数学竞赛中能够进入全美top500，在数学、物理、化学等学科上也已经达到了顶尖水平。这就像AlphaGo超越人前后的区别。
如何有效利用AI工具将会成为一个重要课题，尤其是在AI超越人类能力的情况下，我们未来需要着重学习如何将AI的智慧转化为人类可用的资源。
o1的强大之处在于能很好地处理需要逻辑链和推理链的复杂问题，并且展现出类似人类智慧的思考过程，尤其在代码生成方面表现出色。因为o1在专业性和解决复杂问题的能力显著增强，用户需要提出更高质量的问题才能充分利用其潜力，因此模型的进步对用户的思维和提问能力提出了更高的要求。
就使用场景而言，o1在复杂的多步决策任务中有很大潜力，比如开放世界游戏的剧情编排、销售流程的个性化设计等，通过强化学习等方法，可以让AI完成具有明确目标和需要对抗的任务。
然而，o1还不是“终极形态”，它的速度和效率仍然存在很大提升空间，现在需要30秒才能回答一个问题。从技术的发展角度来看，它仍然处于一个相对基础的阶段——从“有”到“能用”，再到“好用”的过程才刚刚开始。
比如现在普遍认为根据scalinglaw卷参数的回报不够好了，紧接着发现可以在pretraining和posttraining时使用强化学习，除了文本之外的多模态的大模型也没有充分发展。
短期的角度看，OpenAIo1可能适用的两个潜在应用方向：
1）数理化等高等学科的教育场景。可以与现有的AI教育平台为大学生提供更高水平的AI辅助教育。
2）跨学科研究和推理。由于o1在强化学习过程中接触了多个学科，增强了跨学科推理能力，可能在材料科学和应用感知等领域带来新机会。
OpenAI的最新融资目标在50到70亿美金之间，最低投资限额是2.5亿美金，已经超出了很多基金的总规模。之所以认为o1非常重要，是因为那些掌握巨额资金的金融集团的决策者们如何看待o1是决定性的，是视作新时代的开始，还是阶段性的技术进步呢，这种差异决定了资本流向。
#7.
AI在ToB领域落地
AI在ToB领域有巨大潜力，且ToB业务比toC简单很多，只需要看能否提升ROI。对toB业务来说，通过把人工处理的事情中非常简单的部分拆解成超级小的SOP，再通过大模型实现完全自动化，只需要考核大模型处理得是否准确，完成大部分工作即可。所以做toB不用像toC那样费力猜测用户想要什么，只需要观察ROI和盈利能力。
SaaS商业模式在中国仍然可以跑通，核心是看能否帮助企业把ROI打正。大模型在SaaS领域的应用是非常有效的，因为如今所有的数据都存储在数据库中，如MySQL或MongoDB，开发者只需要从数据库中提取数据，再用大模型处理数据就能大幅提高效率，不需要从头构建基础设施或开发APP，和10年前完全不同。
#8.
对独立开发者做AI产品的建议
独立开发者需要具备良好的综合能力，包括审美能力、用户沟通能力、产品落地能力、运营和营销能力等。成功的关键在于认识到自身的不足，并积极寻找方法弥补。
当前时代对独立开发者具有巨大的友好性，利用各种技术和AI工具来弥补个人能力缺口，可以使更多人有机会成功开发和推广自己的产品。