摘要

2024年的主线是行业从热情高涨进入冷静期，并从“卷 benchmark”转向以用户价值和商业闭环校准技术路线。 李子玄称之为“以终为始”，樊家睿提炼为“多模态、认知和预判”，李杨则用“回归理性”概括：AI native、Super App不会一蹴而就，机会正从老需求里的新解法长出来。
快手的样本说明，大厂的优势不只在资源，也在把模型嵌入既有数据、流量和变现链条。 “升级理解，做好互动，探索生成”分别落到推荐与治理、千万级MAU的AI小快、以及大语言模型加数字人直播带来的日均3,000万元广告消耗；但跨部门协同仍要求唯一目标、资源倾斜和组织韧性。
可灵AI选择尽早收费，本质是用付费行为验证PMF，并争取覆盖昂贵的训练与推理成本。 从7月到当时约五个月迭代近20次，用户曾达到500万，首月营收流水突破1,000万元；李杨的判断很直接：“如果我们像传统互联网那样去探索，我们连回血的机会都没有，可能就被干废了。”随后出海也给目标和营收带来了正向反馈。
大厂拥有流量和深口袋，但创业公司的可守价值在技术预判、模型边界认知和细分生态位。 樊家睿认为生数科技从2022年、甚至更早就坚持Diffusion Transformer融合路线，追求可任意输入输出的通用多模态；李子玄则提醒“豆包确实太强了”，却只代表某类最大体量需求，J人、P人、F人、T人仍可能形成差异化市场。
多模态竞争已从生成“能不能用”转向一致性、可控性和速度能否打开新产品形态。 生数科技列出的演进是7月面部一致性、9月主体一致性、11月多主体及多角度、多场景一致性；其判断是国产团队正从跟随转向“都是源于此岸而非彼岸”，但影视正片距离真正的荧幕级产业应用仍很远。
智谱暴露了应用层最关键的未解题：展示能力不等于找到稳定、可付费的用户故事。 视频通话、AutoGLM点外卖都处于从0到1阶段，同一个动作可能是固定点和合谷宫保鸡丁，也可能要花30分钟挑零卡糖；与此同时，B端token价格可能跌至原来的百分之一、千分之一甚至万分之一，单靠调用量增长无法补偿，必须让模型承担更复杂、更高价值的任务。
对2025年的期待与判断，是应用土壤变厚，并可能由多模态的“高效、通用”触发黑天鹅。 李杨期待技术突变和垂直应用百花齐放，但不判断黑天鹅一定是好是坏；李子玄提醒企业构建护城河，并把人的解决方案等替代方案纳入判断；樊家睿给出更具体的门槛：Vidu生成4秒视频约需20秒，只有生成速度做到小于等于生成时长，实时交互、永续生成和全新内容消费品类才真正打开。

精读

1. 2024经历冷静期，但从benchmark回到结果

李子玄用“以终为始”概括产品转向：目标不能停留在模型榜单，而要落实为团队真正追逐的用户指标；一旦目标成为指标，目标本身可能就不重要了。
李子玄以Perplexity为例：六个月留存率是45%，目标是向50%的多邻国学习；同时提高用户首次对话里的搜索次数，用行为指标刻画心智与体验，而非继续单一地“卷 benchmark”。
樊家睿给出的关键词是“多模态、认知和预判”。他的核心判断是，中国团队已开始自主选择一致性、速度等技术方向，“都是源于此岸而非彼岸”，行业主体性与技术领先同步增强。
李杨则称2024年为“回归理性”：语言模型走向深度推理，视觉生成迭代速度更快；产品端也不再执着于立即发现AI native或Super App，而是“去老的需求里面找新机会”。

2. AI能力展示离真实用户故事仍有一段脏活

智谱清言的视频通话能识别镜头外的景象并与人互动，李子玄称其为“划时代的功能”，却坦承仍在从0到1阶段：用户究竟会因何使用、模型究竟解决什么需求，都没有被完全定义。做题或练英语等需求虽已被观察到，也仍未完全明确。
AutoGLM点外卖暴露了同一场景内部的巨大差异：有人只想重复购买和合谷宫保鸡丁，有人会逛30分钟并坚持零卡糖；若AutoGLM忽略这些偏好，所谓自动化反而显得“不太了解我”。
张海庚的共鸣是，技术抵达用户最后一公里并不浪漫，其中充满“dirty work”。团队既要画完整用户故事、比较替代方案，也要走出清华周边，理解不用苹果手机、不用Mac、甚至不知道Chrome的人如何看待这些东西。

3. 新需求与老场景存在三种不同关系

樊家睿把市场分成三类：第一类是老场景里爆发出的新需求远超想象，用户在流量平台上玩出的AI内容，已经超出传统技术能够实现的范围。
第二类以游戏、动漫为代表，新需求暂时与旧场景相接，却可能因实时交互和一系列内容生成走向不同的产品形态；问题是现阶段技术还不能完整覆盖产业要求。
第三类包括短剧与影视，旧场景对真实性、可控性的要求高于当前模型能力。樊家睿没有把差距说成永久约束：基础模型继续演进后，新需求可能反过来超脱原有生产方式。

4. 快手先把大模型嵌进主业，再探索外部产品

李杨强调快手的大模型不是拿开源模型做二次训练，而是做“from scratch”的训练；除语言模型外，还布局图像、音频、TTS、文生图可图及视频生成。
内部应用战略被压缩成“升级理解，做好互动，探索生成”。升级理解利用短视频、直播及评论数据改善推荐和平台治理，快手已经从中获得了平台治理和推荐精准性的收益。
“做好互动”采取了刻意克制的路线：AI小快只有被用户在评论区主动@并提问才回答，定位是补充视频之外的信息，而非用机器人占领社区。即便如此，其MAU已达到千万级。
“探索生成”已经连接收入：大语言模型叠加数字人直播能力，为快手广告带来的日均消耗约3,000万元，而且李杨强调这是均值。

5. 可灵的高速迭代来自用户反馈与行动反馈

可灵AI在6月6日由快手正式发布后，影响力和使用场景都超过团队事前预期。其两条原则是“learning from users”和“learning from acting”：先从用户反馈中判断要做什么，再以产品实验验证优先级并反哺模型。
从7月起约五个月，可灵迭代近20次，接近每周发版。李杨强调这不是无目的追版本号，而是持续回答“哪个功能适合哪个场景、场景痛点是什么”，再把答案送回模型研发。

6. 大象能跳舞，但必须压缩协作损耗

面对大厂是否迟钝的追问，李杨承认跨部门、多角色协同难度更高。快手的解法一是把阶段目标收束到唯一事项，二是整合底层资源与横向团队，让所有人反复对齐同一交付结果。
可灵并非Sora发布后才启动：快手从2023年末已经投入视频生成，Sora带来的启示是迅速切换到DiT架构。团队当时甚至认为，一年内做到“可用”都属于乐观估计，却仍倾斜算力与数据资源。
卫诗婕追问快手是否借大模型找回士气，李杨回答“可灵AI出来了之后，应该整个公司沸腾了”。他的双线比喻是“一边爬山、一边航海”：既用AI帮助短视频主业弯道超车，也孵化新的高价值产品。

7. 可灵用素材切口、收费与出海完成三次聚焦

李杨认为可灵当前不是完整替代视频产业，而是先进入素材价值链：过去需要实拍或购买版权库素材的部分镜头，如今可由模型生成；模型不完美，但切入点已经成立。
可灵曾公布用户达到500万，正式开放即开始商业化，首月营收流水突破1,000万元。快速收费曾被质疑太着急，团队却认为昂贵的训练与推理成本不允许照搬互联网“先免费换规模”的路径。
他的表述没有回旋：“我们连回血的机会都没有，可能就被干废了。”收费不只争取回收成本，也是验证场景是否值得持续投入、PMF是否存在的方式。
随后团队选择出海，海外产品对目标和营收都带来了正向反馈；海外创作者往往同时使用多个工具，也为单点能力更强的产品留下了机会。

8. 创业公司的防线是路线认知，而非与大厂拼流量

樊家睿承认互联网大厂具备天然流量优势，却认为创业公司能够凭技术认知、产品最终形态的预判，以及技术、用户和市场之间的回流，在价值链上“吃到很厚的一块”。
生数科技称其团队早在2022年9月便发布Diffusion Transformer融合架构论文，早于Sora团队的DiT；路线目标一直是简洁、高效、通用的多模态底座，而非随市场热点切换方向。
他的关键区分是，当前许多“多模态”仍只是文本、视频、音频模型参数的叠加。真正通用的底座应支持任意模态输入与输出；在“模型边界决定产品边界”的阶段，理解模型边界并持续突破它，就是创业公司的重要优势。

9. 豆包很强，却没有消灭聊天机器人和Agent的生态位

李子玄的判断很坦率：“豆包确实太强了，这一点毋庸置疑。”但豆包与Kimi的用户定位已出现差异，现阶段留存率相近，反而说明多数产品仍只是调用模型，个性化尚未真正形成。
李子玄用“J人、P人、F人、T人”说明需求不会完全同质化：豆包可能满足某类最大体量用户，却不代表其他人群没有市场；同时，豆包自身也存在留存上的风险，当前结果不代表最终成败。
AutoGLM面对手机厂商以及高德地图、百度地图等大厂，选择用视觉方式提升泛化：即使模型没见过某个App，也要能识别界面并完成操作，避免传统RPA因机型、API和按钮变化产生高昂维护成本。
李子玄同时保留怀疑：“今天说这些可能都还算是假设。”手机厂商也可能提升泛化，但其AI能力往往服务新手机销售；AutoGLM也可能更利于已有手机市场渗透，并通过合作划分生态位，而不必把厂商都视为敌人。

10. App不会简单消失，串联层与细分层会同时生长

对“未来应用越来越少”的预测，李杨认为此前两种说法并不相同：拥有更多DAU的大型App可能变少，但个人独立开发者制作的插件和小型应用可以变多；他认为这两个趋势都可能成立。
AutoGLM更像稀缺的串联层，而非权益体系的替代品。用户不会只因饿了么增加自动点餐就放弃美团，也不会轻易舍弃滴滴会员；AutoGLM应跨App完成任务，而不是重建每个App。
李杨从出海交流提出明确反对：国内用户和商业叙事偏爱大而全，海外用户却更偏好细分领域的精细服务，因此他“不太赞同未来的应用会越来越少”。

11. Vidu正用一致性把技术突破接回产业需求

生数科技称Vidu在运营增长相对薄弱的情况下，主要靠自然流量成为全球用户体量最大的一个视频生成软件。最初锚定专业、半专业创作者，后来发现普通用户拥抱AI及付费的意愿均远超预期。
B端第一类机会是传统技术做不到的泛互联网娱乐内容，如多个IP交互；第二类是游戏、动漫的新工作流；第三类影视正片暂未达到要求，但宣发、材料和素材已能形成成熟合作。
其代表案例是与索尼中国合作《毒液：最后一舞》AIGC短片。樊家睿称这是全球范围内首例获得知名IP授权的电影AIGC生成短片，也是国内大模型与国际顶尖IP的首次商业合作，实际推进同时处理了合规、法律和IP问题。
其技术主轴由产业反馈推动：7月面部一致性、9月主体一致性、11月多主体以及多角度、多场景一致性。单张图片、不需要单独微调即可扩展到人物、动物、商品、三折叠手机、特斯拉和虚拟角色，是其技术演进的重要方向。

12. Sora带来的是资源确认，不是生数科技的战略转向

面对“Sora出现后才把视频提到最高优先级”的传闻，樊家睿直接纠正：团队在2023年末已有基于融合架构的视频雏形，逐帧质量较高，并能生成4秒视频。
真正的约束是市场当时被“Transformer能够压缩一切”的路线覆盖，坚持融合架构的团队难以获得足够资源。Sora发布后，外界才回头确认这条路线，资源随之集中。
樊家睿因此仍感谢Sora“及时发布”，但拒绝把国产进展叙述为跟随：他称团队从一致性到视觉模型的智能涌现、上下文理解和关联能力，都是“原生于此时、此地”，而非美国出现技术引领后再跟随。

13. B端降价迫使智谱重算收入公式与收费时点

李子玄把商业拆成收入减成本，再把收入拆成P乘Q。过去以为token调用量Q会增长、价格P相对稳定，但价格可能跌到原来的百分之一、千分之一甚至万分之一，调用量不可能同步增长万倍。
李子玄认为机会不在简单生成更多文本，而在消耗更多token完成更高价值任务，例如更深的推理或AutoGLM规划完整操作路线；这类任务才可能给B端重新注入活力。
智谱选择同时看网络效应和轻量级增长，而非机械划分B端、C端。开放平台也能一端服务创作者、一端通过API赋能合作方，重点是形成什么壁垒，而不是收入标签属于哪一边。
C端收费则保持谨慎：接近第一梯队的模型继续免费，可能质量最高的模型提供有限次数，会员主要用于测试水温和用户分层。李子玄认为应先看留存、接近PMF再收费；电商、商城以及作为入口或渠道与其他App合作等模式仍待验证。

14. 2025的分水岭是护城河与实时生成能否同时成立

李杨期待技术出现“黑天鹅事件”，但明确说未必是好是坏；他更有把握的是应用会百花齐放，因为技术仍在发展、用户认知和使用习惯正在形成，垂直团队也已开始聚焦并获得反馈。张海庚另补充，开源进步和技术普惠也是土壤增厚的关键。
李子玄提醒“产品只是一个结果，它不是一个能力”。豆包的抖音投放渠道不可替代，Minimax团队对美国Gen Z与Gen Alpha的理解也可能更深；真正能守住优势的仍是企业文化、理念、人才激励、资源和关系。
李子玄要求把非技术替代方案也算进去：部分四五线城市律所会招收付费实习生，若采用AI或裁掉实习生，可能反而少掉原本能赚的200元。“人性的复杂”意味着AI不一定天然具备降本增效的购买动力。
樊家睿把2025归纳为多模态的“高效和通用”：音视频或3D场景视频、更多一致性和更长的上下文理解与关联窗口将进一步融合。Vidu生成4秒视频约需20秒；若生成速度做到不超过生成时长，实时交互、永续生成乃至未见过的内容消费品类才可能出现。

与 Marimo 的 Akshay Agrawal 共建协作式 AI 开发的未来 2025年1月7日