119: AI视频产品怎么Go Viral？6000万用户的PixVerse的答案

摘要

• PixVerse 已用消费级 AI 视频验证出罕见的用户与收入增速：全球用户超 6000 万，移动端月活超 1600 万，单月收入过千万元人民币。 移动 App 在 2024 年底发布后首月即破千万月活，过去几个月收入约增长十倍，全部来自海外订阅；更关键的是，不计模型研发，订阅已能覆盖 serving 成本并留下利润空间，“我们这个不是 demo”。
• 爱诗科技没有把视频模型当“全能 AI 导演”，而是定位成一种新的“AI camera”，并把更大的产品机会放在普通人的短视频表达，同时保留网页端的专业创作服务。 谢旭璋判断，当前 AI 在完整视听作品中的参与度往往只有 10%-20%，剧本、镜头衔接、声音与叙事仍高度依赖人；消费端却存在更直接的端到端需求——让不会拍、不会剪的人第一次做出“好玩、跟自己有关、值得分享”的视频。
• 模板化是 PixVerse 的增长发动机，因为它同时消除了 prompt 门槛和“抽卡”损耗。 谢旭璋估计 95% 以上普通用户写不好长 prompt，而经过模型微调与模板约束后，用户只需上传自己、朋友或宠物的照片，就能高概率拿到可发布结果；毒液变身单月吸引全球数百万人参与，相关视频观看量超过 10 亿次，成为“AI 视频生成模型被广泛的普通人使用并传播”的关键验证。
• 爱诗的模型壁垒不只看绝对效果，更看单位资源下的迭代效率和生成速度。 公司两年内以目前 50 人以上的团队训练了七代模型，从 V1 迭代到 V4.5；谢旭璋称其 GPU 使用量可能只有不少同行的十分之一乃至二十分之一，而线上高质量模型可用 5-10 秒生成一个约 5 秒的镜头，对比多数同行所需的 1-2 分钟，“砸钱、砸资源、招足够多的人”并不能自动解开视频生成。
• 下一轮模型升级并不等于一味追求更长视频或更强 text-to-video，这两项在谢旭璋看来都是被行业叙事放大的“伪需求”。 他自己统计，传统作品 95% 以上镜头在 8 秒以内，影视从业者甚至更想要可控的 1-2 秒镜头；真正主流的创作入口仍是图生视频或“图加文字”，爱诗则在现有 DiT 之外探索自回归与 Diffusion 结合的新架构，同时力争保持近实时速度。
• 竞争格局仍开放：谢旭璋把 Google、可灵、海螺等列入第一梯队，却认为 Sora 实际交付与演示“差了 10 个 pixels”。 他并不否认抖音、快手等平台与模板玩法重合，但强调视频不是赢者通吃行业，影院、长视频、短视频和直播长期并存；真正的组织难题，是专业生产力与泛 C 娱乐需要不同产品、运营和增长体系，很难在一个产品里同时做到最好。
• 国内上线与亿级用户目标构成下一阶段的主要兑现点，但谢旭璋仍把盈利质量放在规模旁边。 拍我 AI 于 6 月 6 日上线，此前国内用户已在闲鱼以几元至 20 元购买毒液视频代做服务；公司年内目标的表述从“至少两到三倍增长”收束为“亿级别总用户量”，三至五年希望达到千万 DAU、数千万至亿级 MAU，并实现规模化盈利，“帮助用户创作的同时，我们也能够把钱挣回来”。

精读

1. 移动互联网的黄昏，把谢旭璋推向生成式视觉

• 2022 年，谢旭璋在光源资本看到一个明显拐点：不少互联网公司“数据、团队都非常非常好”，但无论融资还是业务推进都开始遇到阻力。他把那种体感称为进入“移动互联网的黄昏”，于是开始寻找下一个大趋势。

• Midjourney 和 Stable Diffusion 给他的冲击不是抽象的技术判断，而是一次个人体验：他把“谢旭璋”输入 Midjourney，模型生成了一幅构图精美、意象似乎还与名字相关的图。一个自称“没有艺术细胞”、不会画画也没做过短视频的人，第一次感到自己能参与内容创造。

• 2022 年下半年，他每周从上海跑到杭州，与程序员和研究者在茶馆里做近似黑客松的探索；Lensa 的爆发、ControlNet 与 LoRA 对可控性和角色一致性的改善，都让他确信视觉生成会很大。团队尝试过中国版 Lensa 式应用，虽未上线，却得到一个关键结论：“part time 兴趣小组”的方式抓不住核心机会。

• ChatGPT 发布后，他几乎把当时能接触到的中国生成式 AI 公司聊了一遍；六小虎大多尚未成立，视频生成创业者更少。到 2023 年春节后，他在具体产品尚未确定时先提离职，判断只有“all in”视觉生成，才能把此前的一手体感变成真正的判断。

2. 互补合伙人与小团队，决定了爱诗早期的资源纪律

• 王长虎此前在 Microsoft、字节从事计算机视觉和视频技术超过二十年，并参与过多款大规模产品从零到一的技术建设。谢旭璋负责资本、融资、外部合作与大方向，王长虎补上技术和产品前沿判断，两人在朋友介绍下磨合后于 2023 年 4 月成立爱诗科技。

• 第一轮融资并没有因视频生成不热门而受阻：团队出门融资几天便获得一位产业投资人支持，光源资本、创始人和团队也投入资金。谢旭璋的复盘是，视觉生成创业公司当时不多，团队履历与方向判断反而更容易形成差异。

• 资源约束从一开始就是主动接受的前提：公司第一年长期只有二三十人，目前也只是 50 人以上，整体体量仍然较小。因为无法同时覆盖多个市场与产品形态，爱诗先做海外，2023 年底从 Discord、网页端等形态起步，把国内市场留到模型、产品和组织更成熟后再进入。

3. 七代模型与 6000 万用户，构成两条同时验证的曲线

• 爱诗在一年多时间里训练并发布了七代模型，从 V1 迭代到 V4.5。谢旭璋称，无论内部体感、主客观评测还是盲测，模型都处在全球较前位置；但他也承认视频模型评价存在较强主观性，因此没有把单一榜单当作最终答案。

• 用户口径需要拆开看：节目开场给出的数据是全球用户超 6000 万、移动端月活超 1600 万；访谈中谢旭璋概括为移动端与网页端合计“一千多万、接近两千万”月活，并称 PixVerse 是最早突破千万月活的视频生成平台之一。

• 移动端在 2024 年 11 月至 12 月前后发布，首月便突破千万月活。谢旭璋此前看过大量互联网产品，仍认为“一个月有一千多万人涌进来”极其罕见：在传统流量红利结束后，只有新技术和新应用可能性，才足以重新制造这种增长速度。

• 他没有把 MAU 神化：现阶段产品仍像付费工具，很多免费用户拿不到核心体验，距离每天使用的成熟社区尚有 gap。因此团队同时看 DAU、MAU、付费、复购和留存，只是行业早期、使用频率尚未稳定时，月度指标暂时更便于横向观察。

4. 专业影视尚不能端到端交付，AI 视频只解决了素材一环

• Runway 的定位给了爱诗一个鲜明参照。谢旭璋问对方未来两三年的 vision，得到的回答是“想拿奥斯卡”；这意味着其模型与产品天然面向影视、设计和专业制作，而后进入行业的公司也容易沿用这条路径。

• 谢旭璋对当前专业作品的估计更克制：大众看到的所谓 AI 视频里，AI 的真实参与度往往只有 10%-20%。剧本如何推进、不同片段如何衔接，仍主要由人完成；配音、配乐、音效、语言逻辑和多模态组合也远未形成可靠的一体化生产链。

• 因而 AI 视频现在更像素材生成器，而非完整视听作品的交付者。“它不是全能的一个 AI 导演，它是一个新的 AI camera”——摄像头本身很重要，但它被放进电影、短剧还是短视频，决定了模型最终能释放多少价值。

5. 泛 C 机会来自巨大的“观看—表达”缺口

• 全球每天有几十亿人观看短视频，但真正能创作出有人观看、能够传播的视频者极少。谢旭璋最初估计有能力创作的人可能不到消费者的 5%-10%，主持人当场反驳这个估计偏高；双方保留的共同判断是，消费规模与有效创作供给之间存在数量级差距。

• 手机摄像头普及并没有自动消除门槛：普通人仍要会拍素材、配音、剪辑，还要承受发布后可能被嘲笑或没有流量的风险。视频已经成为年轻人获取和传递信息的重要媒介，但绝大多数人的表达欲没有被现有工具满足。

• 爱诗因此把问题定义为：怎样让一个从未做过短视频的人，第一次产出“好玩的、跟自己有关的、值得分享”的内容。发布到 TikTok 等公域只是一个结果，发给朋友、父母、群聊或私聊同样成立；关键是帮助用户迈出第一次创作。

6. 模板同时打掉了 prompt 和抽卡两层摩擦

• 在第三代模型前后，团队判断图生视频在手机端会成为普通人的核心入口，于是同步改模型和产品，把复杂能力封装成模板。模板不是简单的 UI 包装，而是把模型能力、微调、提示词和预期效果组合成一个可重复交付的玩法。

• 第一层门槛是 prompt。谢旭璋估计，95% 以上用户写不好提示词，尤其是长 prompt；这件事甚至可能比直接拍照拍视频更难。模板让用户只需上传照片或视频，不必先学会怎样用语言描述运动、风格与镜头。

• 第二层门槛是“抽卡率”：开放式生成结果不稳定，普通人很难持续付费等待偶然的好结果。经过模板化约束，团队可以大幅提高成功概率；用户真正 care 的不是“它是不是 AI”，而是能否“简单地做出来有趣、好玩、能分享的东西”。

7. 毒液变身把模型能力变成了十亿次传播

• “We Are Venom”允许用户把自己、朋友或宠物一键变成毒液，变化过程和最终形象均由 AI 生成。毒液电影上映期间，全球数百万人在一个月内使用该模板；节目开场称相关视频累计观看量超过 10 亿次，“比看过毒液这个电影的人还要多”。

• 谢旭璋把它视为比单纯流量更重要的产品验证：这可能是第一次有 AI 视频生成模型被广泛普通人直接使用并传播。用户无需理解模型，只需把生活中的主体放进去，就能获得具备个人关联、视觉冲击和社交货币的结果。

• 这种爆款并非复制一个创意就够了。基础模型必须先保证变身过程和结果符合预期，团队还要微调模型、补充工程处理并提前判断文化热点；毒液的热度可能只持续几周至一个月，跟随者若无法匹配迭代速度，“做出来的时候它已经不火了”。

8. 社区的第一步不是复制抖音，而是让创作继续流动

• PixVerse 已加入信息流，允许用户把生成结果留在产品内，但谢旭璋反复强调社区仍很初期。传统平台会给创作者分钱、鼓励投稿，AI 产品却有推理成本，用户往往要付费才能获得核心体验，因此不能直接套用成熟移动互联网的产品范式。

• 团队现阶段盯住两条链路：第一，让没有做过短视频的人完成第一次生成与发布；第二，让有创意的用户制作玩法，供其他人“一键做同款”。完整的内容消费社区会继续探索，但他的态度是“要一步步来，步子迈太大”反而容易失焦。

• 线上已有部分模板来自用户探索，目前主要通过投稿进入系统，还没有完整的自助发布链路。谢旭璋承认内部创意有限，而“用户的创造力跟创意是无穷无尽的”，长期目标是把架子搭好，“让大家上来唱戏”。

• 模板创作者暂时没有分成，团队正在思考激励方式。与剪映的专业特效作者不同，PixVerse 希望出现一批本来不会拍、剪视频的新 creator；第一阶段最有效的奖励未必是现金，而是“被人看见”、创意被认可，以及影响力本身。

9. 千万元月收入已经越过纯流量故事

• 过去几个月，PixVerse 单月收入约增长十倍，目前已超过 1000 万元人民币，全部来自海外订阅，谢旭璋称收入质量和毛利都较高。公司尚未披露付费率，但付费者数量、续费与复购均进入核心经营指标。

• 他拒绝直接给 ARR，因为许多公司只是把一天收入乘 365、或一个月乘 12，未必满足 recurring 的含义。“到底什么是 recurring？”——在他看来，ARR 更适合 SaaS；To C 产品应看收入能否持续、多少人付钱、付费率、ARPU 与复购，而不是把一次性充值机械年化。

• 海外订阅分为每月 10、30、60 美元三档，付费越高，可用量越大，但单位价格会更便宜。普通用户更多选择最低档，专业用户分布更分散；谢旭璋只说其续费“比想象中好很多”，可能不比专业创作工具差，但没有披露具体比例。

• 更有含金量的口径是单位经济：在不计模型研发成本的情况下，订阅收入能够完全覆盖模型 serving 成本，推理本身有利润空间。公司目前没有成熟的第二收入来源，但正在测试 API，并考虑未来以广告换生成次数，降低免费用户获得核心体验的门槛。

10. 多模态工作流机会很大，但把缺陷相加不会自动成为产品

• 主持人提到一些聚合视频、语音、音乐与大语言模型的产品，希望一次完成画面、配音、配乐和字幕。谢旭璋认可方向，却认为各模态仍相互割裂：视频、音效、音乐、人声和剧情逻辑各自有问题时，简单组合通常会产生“更大的问题”。

• 他判断一个产品真正想解决什么，最简单的方法是看进入后的第一屏主推哪项 feature；功能列表很长，可能只说明团队在试验，并不代表核心需求已经成立。爱诗愿意为探索端到端工作流的伙伴提供 API，但没有把 demo 的完整感等同于 PMF。

• API 在他看来是标准化模型能力的新商业模式，而非必然分散精力：个人用户和企业客户的 feedback 都能暴露通用模型缺陷，反过来帮助训练。市场上确有定制、分销和解决方案业务，但爱诗更希望合作方接入标准 API，再由其服务终端用户。

11. 三个关键决策里，资源克制与方向选择同等重要

• 谢旭璋把爱诗的关键决策归为三项：第一，2023 年便选择视频生成；第二，不靠过度花钱训练模型，而是在有限资源下提升每一代效率；第三，把产品化重点转向 To C 和低门槛模板创作。前者决定赛道，后两者决定公司能否活着形成差异。

• 按他的估计，爱诗训练当前模型使用的 GPU 数量可能只有许多同行的十分之一，甚至二十分之一。公司并非没钱，而是一直保留较充裕现金，同时仍以资源有限为约束，把组织认知和训练效率做上去。

• 主持人追问：一年前王长虎还说更多钱和卡能更早训练出类似 Sora 的能力，现在是否后悔？谢旭璋的回答是否定的——当时公司本来也拿不出十倍资源，更不希望形成只会砸钱的组织；在中国创业，很难复制美国公司的资本供给。

• 他也不把克制包装成唯一正确路径：可灵投入的资源和人数明显更多，也做得很好。但国内外不少大厂投入巨大后仍遭遇训练瓶颈，说明视频生成“不是说通过砸钱、砸资源、招足够多的人就能解决”，团队效率和技术认知仍是硬约束。

12. Sora 的交付落差，打破了“美国天然领先”的想象

• 谢旭璋心中的领先模型包括海外的 Google，以及国内的可灵、海螺和爱诗自身；若按用户量，他认为全球最大的三个视频生成平台都来自中国公司——可灵、MiniMax 与 PixVerse。这个判断带有从业者主观性，但他没有把 Sora 的当前交付版本列入其中。

• 对 Sora，他用了一个夸张说法：正式模型与早期 demo“差了 10 个 pixels”。他还提到，海外有人尝试用现有 Sora 复现一年前的展示效果，却没有成功；因此问题不是榜单波动，而是理论展示与可用产品之间存在巨大 gap。

• 更负面的外溢是行业开始习惯先发 demo、再宣布“做到了什么”，却无法交付真实模型和产品。谢旭璋并不因竞争对手失速而完全高兴：OpenAI 是行业风向引领者，视频产品“做得比较差”也会削弱整个市场的信心和预期。

13. 中国视频产业积累，是本土模型跑到前排的底层原因

• 2024 年 11 月见面时，主持人感到谢旭璋明显焦虑；到 2025 年 2 月，用户和收入数据上升。主持人还将状态变化与 2024 年 12 月 Sora 正式发布后的观感、以及春节期间 DeepSeek 带来的信心变化联系起来；谢旭璋回应称 OpenAI 这件事对行业影响也不好，但它验证了中国或华人团队可以把技术做好。

• 他反对“中国可能十年、二十年做不出 Sora”一类判断。过去几年，快手、抖音和 TikTok 等新视频平台由中国或华人团队率先做大，背后培养了大量视觉、视频与算法人才；可灵、海螺和爱诗能进入前列，并非偶然追赶。

• 可灵在 2024 年六七月发布时邀请同行到场，最终同行中爱诗少见地公开捧场。谢旭璋当时就认为，可灵可能是大模型或基础模型领域里第一次由中国团队比海外跑得更快的案例；它既是竞争对手，也是对本土技术储备的集体验证。

14. 新架构值得押注，但近实时生成对产品更直接

• 谢旭璋高度评价 GPT-4o Image Generation 对复杂语义和可控生成的处理，也认可背后的自回归路线。爱诗当前线上模型采用 DiT，但正在积极尝试自回归与 Diffusion 结合的架构，并希望成为全球最早一批、甚至最快交付可用高质量模型的团队。

• 他的保留是：更懂语言、更能响应长 prompt 的模型，不一定最受普通人欢迎。专业创作者可能因此获得更强控制力，但泛 C 用户仍“不一定会写字、会写 prompt”，模型最终还要通过模板或更自然的交互被使用。

• 对消费体验更直接的变量是等待时间。谢旭璋称 PixVerse 的高质量线上模型只需 5-10 秒生成一个镜头，基础分辨率下最快可用约 5 秒生成 5 秒视频；多数闭源或开源高质量同行模型仍需至少 1-2 分钟。

• 爱诗下一步并非只追求速度数字，而是在更强模型下保持这一速度。“我们这个不是 demo，这个就线上大家可以去体验”——近实时反馈减少排队和抽卡成本，也让连续尝试模板更接近普通移动产品，而不是一次离线渲染任务。

15. 更长视频与 text-to-video，都是被叙事放大的需求

• 谢旭璋把“生成越长越好”列为行业反常识的伪需求。他自己数过影视与网络视频镜头，估计 95% 以上都在 8 秒以内；一镜到底本来就少，技术能生成一分钟，并不意味着创作者需要一分钟单镜头。

• PixVerse 常见输出为 5-8 秒，线上也试过更长镜头，但使用者很少。更反直觉的是，一家头部影视公司的从业者反而希望获得 1-2 秒镜头，因为越短越可控，也越容易在剪辑中组织；Sora 对“一分钟生成”的强调误导了行业，而其展示也更像镜头拼接。

• 第二个伪需求是把 text-to-video 当最大场景。语言与视觉之间 gap 太大，普通人写不好 prompt，专业创作者又常用分镜图控制风格和构图；因此无论泛 C 还是专业创作，更真实的主流入口仍是图生视频，或“图加文字”生成视频。

16. 大平台会重合，但视频行业从来不是赢者通吃

• 面对即梦、抖音和快手内置 AI 特效，爱诗首先押注基础模型迭代：生成质量、速度和快速支持新玩法，是模板产品存在的地基。没有足够好的模型，很多创意无法实现；只有模型没有场景，技术潜力也无法释放。

• 谢旭璋的行业类比是，电视台和电影院没有被优酷、爱奇艺、Netflix 消灭，长视频平台也没有被抖音、快手、TikTok 完全取代。视频不是一个狭窄赛道，而是持续扩大的商业生态，长视频、短视频、直播和不同渠道可以长期共存。

• 因而爱诗不把目标理解成与 TikTok“PK”，而是服务那些已经看视频、却还没做过视频的人。AI 带来的增量供给可能扩大整个蛋糕：更多普通人进入创作，形成以前不存在的内容和分发关系。

• 抖音、快手内部模板确有重合，但成熟短视频平台和专业创作工具都面临承载冲突。快手另做可灵，本身就说明新生产方式可能需要新产品；产品矩阵可以解决部分冲突，却会带来团队精力、用户定位和组织聚焦的新问题。

17. 私聊和群聊，让 AI 视频不必依赖公域算法

• PixVerse 允许一键分享到 TikTok、YouTube、Instagram，也观察到大量内容流向 Telegram 等即时通讯和私人社交网络。与自己、宠物或朋友有关的视频未必适合公开发布，私聊、群聊和朋友圈反而是更自然的消费场景。

• 谢旭璋自己“天天在各种群里面给大家做视频”，同事间也会在小群传播。这个行为意味着产品价值不完全依赖某一家平台分发：只要内容能制造惊喜和回应，用户关系链本身就能承担传播。

• 公域仍提供更强正反馈。团队在 TikTok 上看到，不少从未做出热门内容的普通人，用宠物跳舞等简单玩法获得人生第一个 1 万、10 万甚至 100 万赞视频；“自己的生活、自己的创作被人看见”，是比 AI 技术标签更持久的激励。

18. 国内需求早已存在，拍我 AI 只是补上正式入口

• 爱诗早期没有进入中国，主要因为人少、精力不足，而不是认为需求不同。到模型、产品和团队更成熟后，中国作为全球非常大的市场必须补上；拍我 AI 于 6 月 6 日上线，初期功能与海外版基本一致。

• 毒液模板已经完成过一次灰度验证：谢旭璋估计，当月可能有数百万中国用户使用。闲鱼上有人提供代做服务，一条通常几元、最高挂到 20 元；抖音评论区还有用户喊“求求了，六块钱帮我做一个”，显示单次娱乐创作也存在真实付费意愿。

• “拍我”既是 PixVerse 的谐音，也对应“每个人都可以成为自己生活的导演”。团队希望把拍摄与 AI 生成结合，让用户围绕自己和身边环境创作，再把结果发给朋友和家人，而非把国内版首先定义成专业生产工具。

• 国内会沿用海外 10、30、60 美元三档背后的用量定价逻辑，但具体价格和产品会依据上线反馈调整。团队会先冷启动、看数据再迭代，并承认海外目前仍是更大盘，尚无精力把每个国家都做成高度精细化运营。

19. 全球化不是逐国复制，本土文化仍能制造尖峰

• 谢旭璋认为视频比文字更普世：一个视觉上好玩的模板，可能同时在美国、中国、巴西、泰国和欧洲传播。PixVerse 曾在全球约 80% 的国家进入较靠前的应用榜单，重点市场包括美国、巴西、俄罗斯及欧洲。

• 印尼同样拥有较多用户，印度也会周期性出现热度；他把这些结果更多归因于人口规模、智能手机与移动互联网普及，而非团队做了特别细的当地洞察。产品有多语言版本，但运营仍接近“全球版先跑，看哪里自然长出来”。

• 圣诞节前后的“赛博耶稣拥抱信徒”展示了文化适配的另一面。宗教经典多为文字，用户却希望把信仰中的场景可视化；该模板让 PixVerse 登上德国、西班牙、意大利 App Store 总榜第一，团队还通过朋友联系过前任教皇的助理，感受到严肃宗教机构并未表现出强烈抵触。

20. 模型与产品不是二选一，而是通用能力和具体场景的循环

• 语言模型行业常争论“模型即产品”还是“应用更重要”，谢旭璋认为视频生成不能直接照搬这套语境。AI camera 仍需解决分辨率、清晰度、物理规律、运动幅度和生成速度等通用问题，但必须进入具体场景才可能产生收入与用户价值。

• 爱诗因此同时保留两套产品逻辑：网页端服务专业 video creator，功能较完整；移动 App 面向普通人，主动删掉多数专业编辑能力。不是底层模型放弃专业能力，而是不同终端只呈现对目标用户有用的那一层。

• “首尾帧”说明能力用途无法预先框死：该功能最初用于专业补帧，输入首帧和尾帧生成中间运动；普通用户后来上传童年照与成年照，让自己在几秒中长大，或把头像自然过渡到旅行照片，把专业功能变成高传播玩法。

• 这也是 API 和 To C 可以共享底层投入的理由：模型先扩展能力边界，产品团队与用户再发现新用途，实际使用反馈又回到训练。谢旭璋拒绝给模型和产品分配固定权重，“这两个事儿都很重要”。

21. 生产力与娱乐都成立，但同一组织很难同时做到极致

• 谢旭璋并不否定生产力，PixVerse 网页端已有大量专业用户；他的质疑是必须问清“到底解决了多少”。若完整作品中 AI 视频只贡献 10% 的素材，生产力价值也会相应打折，不能因作品用了 AI 就把全部交付归功于模型。

• 泛 C 娱乐面对的是另一种 PMF：不是把已有专业流程提效，而是让原本不会创作的人产生第一条内容。两者需要不同的产品界面、运营方式、增长渠道、团队协作和模型呈现，因此很难用一个产品同时服务好。

• Adobe 的类比最能说明冲突：Photoshop 拥有依赖复杂编辑功能的专业生态，很难把低门槛文生图突然放到最核心位置，又不破坏原有体验。专业工具若要服务普通人，往往必须另做产品；真正最难的是“专注做一个事情的时候，同时把另外一个事情也做好”。

22. 非典型产品创始人，靠行业 context 而不是履历模板补课

• 创业早期，王长虎集中解决核心模型研发，谢旭璋负责对外、融资、找关键人以及自己擅长的事情；随着团队扩大，王长虎目前把更多精力放在核心产研和产品。公司内部较扁平，不强调 title，也已有专门产品同事承担日常工作。

• 一些早期投资人曾怀疑王长虎能否做出年轻、fancy 的 AI 产品；主持人观察到，最终 PixVerse 反而可能拥有更年轻的用户和更 fancy 的玩法。谢旭璋认为，王长虎在字节经历过国民级产品建设，拥有互联网产品从零到一的足够 context，这一点比“是否做过标准产品经理”更关键。

• 两位创始人都不是典型产品背景，但爱诗从成立起便坚持模型、产品同样重要，并在两年里做了大量试验。更早进入视频生成，也让团队积累了 Sora 之后才入场者暂时不具备的信息量。

• 2023 年与海外增长方面专家交流时，谢旭璋发现几乎没人真正做过 Discord、网页端生成式 AI 产品的全球增长；传统移动互联网经验只能部分复用。“说白了我们走的是个无人区”——产品方法必须在真实发布与反馈中趟出来，而不是按简历招一个人便自然获得。

23. 投资经历的价值，是见过足够多范式后敢于押非共识

• 谢旭璋在北大光华读书时曾组织硅谷访学，看到同龄人谈 startup 和“改变世界”，与国内学生普遍选择 consulting、投行形成反差；后来他又在中关村创业大街的机构打杂，看创业者 speed dating 式路演和投资人下注，创业的种子由此留下。

• 2016 年加入光源资本后，他工作六年多，覆盖文字、图文、视频、直播、音乐、音频、短剧、社交、社区和出海工具。他估计，2016 至 2023 年中国做到百万日活的新 App 中，自己聊过或参与过一半以上；能像 PixVerse 这样快速破千万月活的案例，整个从业期可能不到五个。

• 2021 年底至 2022 年成为明确拐点：资本环境变化，行业进入成熟整合，字节等巨头用番茄小说、红果短剧等产品填补流量空白。投资经历最终给他的不是成功公式，而是“事在人为”和“没有固定范式”——看准非共识要敢赌，决定赌就要 all in。

• Sora 发布后、爱诗下一代模型尚未训练完成，是最接近低谷的阶段：市场充满“谁下个月发布”“中国永远做不出来”的噪音。团队没有特殊士气技巧，只能靠内部对方向和能力的共同信念继续研发；他的建议也由此而来——想进入 AI 的人应亲自长期使用工具、理解技术能解决什么，再形成别人没有的一手判断。

24. 亿级用户之外，规模化盈利才是三至五年的终点

• 谢旭璋先提出年内用户量至少再增长两到三倍；当主持人以当前 6000 多万推算接近两亿时，他把表述收束为“希望是亿级别的总用户量”。这个修正保留了目标的进取性，也说明公司更强调跨过亿级门槛，而非对外锁定精确年底数字。

• 三至五年的“规模化用户量”，被他进一步定义为千万 DAU，以及数千万至亿级 MAU：产品应持续稳定增长，解决真实需求，每天有人玩，并依靠口碑自然传播，而非只积累一次性注册。

• “规模化盈利”不仅是收入大，更是公司能够挣钱。谢旭璋认为多数 AI 公司可能长期大额亏损，但视频离真实使用、流量和商业化更近；他以 Midjourney 年订阅收入“几亿美金、可能不止三亿”为参照，判断普世视频创作的潜在用户盘应更大。

• 现阶段订阅已覆盖推理，下一步要同时扩大免费体验和商业模式：广告换视频、API 与更多用户层级都在候选范围。最终目标不是以烧钱换规模，而是把技术做得足够平权，“帮助用户去创作的同时，我们也能够把钱挣回来”。