“接下來(lái)，那些不能帶來(lái)收益的產(chǎn)品將買不起算力。創(chuàng)業(yè)項(xiàng)目如果不能扎實(shí)地幫用戶端到端交付結(jié)果、帶來(lái)收益，可能會(huì)死掉一大批。”作為一家AI Native初創(chuàng)公司，K2 Lab（攀峰智能）創(chuàng)始人王銘和其團(tuán)隊(duì)正快速踐行這一想法。

近期，K2Lab宣布再次完成數(shù)千萬(wàn)元天使輪融資，這也是K2Lab三個(gè)月以來(lái)完成的第二輪融資。王銘透露，攀峰智能計(jì)劃今年持續(xù)完成多輪融資，AI Native團(tuán)隊(duì)的融資節(jié)奏不同于過往，核心是追求融資效率、快速跑馬圈地。

K2 Lab的首款產(chǎn)品Moras定位KOC Agent OS，為海外KOC達(dá)人打造“選品洞察-內(nèi)容創(chuàng)作-視頻發(fā)布-數(shù)據(jù)分析”的全鏈自動(dòng)化工作閉環(huán)。

與業(yè)內(nèi)主流Agent工程化方案一致，Moras采用了Harness Engineering體系。通過前期大量行業(yè)選品的深度knowhow和海量品類的爆款視頻理解，Moras把內(nèi)容電商鏈路中的市場(chǎng)洞察、選品策略、賣點(diǎn)提煉、分鏡腳本、爆款hook、智能剪輯、違規(guī)預(yù)檢、視頻發(fā)布每一步原子級(jí)能力都沉淀形成了Agent Skills，并在Harness的調(diào)度下進(jìn)行意圖解析、任務(wù)編排與執(zhí)行驗(yàn)證。

目前K2 Lab整體的Token消耗量按賬單倒推每天將近在10億級(jí)別。但王銘認(rèn)為，盡管現(xiàn)在AI商業(yè)上已經(jīng)形成小閉環(huán)，但要完成商業(yè)邏輯、做好基建、構(gòu)建完整的A2A（消費(fèi)者-商品）電商Agent OS，需要海量且持續(xù)的投入�！�真正高的算力消耗是放量后，按照我們今年實(shí)現(xiàn)數(shù)千萬(wàn)美金ARR（年度經(jīng)常性收入）的目標(biāo)和Agent OS的開發(fā)建設(shè)，計(jì)劃消耗的Token價(jià)值將達(dá)到數(shù)千萬(wàn)美金�！�

據(jù)悉，Moras的首輪共創(chuàng)達(dá)人用戶已于3月完成邀請(qǐng)測(cè)試，首周達(dá)人發(fā)布出單率超過70%，活躍達(dá)人通過Moras的平均月度成交GMV接近10000美元，有達(dá)人注冊(cè)后第一周時(shí)間達(dá)到了1萬(wàn)美元GMV，在測(cè)試期間月度GMV突破了10萬(wàn)美元，相較于傳統(tǒng)KOC達(dá)人的變現(xiàn)效率和變現(xiàn)能力，提升了上百倍。

王銘認(rèn)為，移動(dòng)互聯(lián)網(wǎng)時(shí)代，平臺(tái)的定義是超級(jí)入口，云端中心化，核心是流量聚合和分發(fā)，讓用戶多停留。AI時(shí)代，平臺(tái)的定義是Agent OS，端側(cè)分布式，核心是意圖的截取和執(zhí)行，讓用戶少操作。Agent OS代表的是下一代平臺(tái)，將用戶從繁雜的操作中徹底解放，實(shí)現(xiàn)“意圖即結(jié)果”。

K2 Lab選擇從一開始就用AI Coding，幾乎全員Coding，目前代碼AI生成率達(dá)到了99%。甚至通過自研的開發(fā)Agent去完成開發(fā)、測(cè)試等工作。團(tuán)隊(duì)使用SOTA開發(fā)模型，同時(shí)基于Harness框架進(jìn)行開發(fā)，定義好規(guī)則，最終可以產(chǎn)出質(zhì)量不錯(cuò)的系統(tǒng)。通過這種方式，也在極大地提高了團(tuán)隊(duì)全員的戰(zhàn)斗力。

當(dāng)然，除了前期仍然需要找到適合的專業(yè)人才來(lái)夯實(shí)地基外，AI時(shí)代的機(jī)會(huì)讓王銘不過度糾結(jié)于個(gè)體是否有在內(nèi)容電商或海外深耕的過往經(jīng)驗(yàn)。在他看來(lái)，AI目前可以將團(tuán)隊(duì)里的內(nèi)容電商專家關(guān)于選品、網(wǎng)感、熱點(diǎn)捕捉、爆款腳本撰寫、商業(yè)視頻制作、高效發(fā)布及數(shù)據(jù)分析迭代的先驗(yàn)知識(shí)，實(shí)現(xiàn)系統(tǒng)化的工程能力，甚至在多個(gè)環(huán)節(jié)，AI的能力已經(jīng)遠(yuǎn)超許多普通創(chuàng)作者。

選擇基于海外TikTok的另一個(gè)重要切點(diǎn)是，平臺(tái)上做得好的商家和達(dá)人還不多，相對(duì)早期，商業(yè)化鏈條長(zhǎng)、門檻較高，這給了團(tuán)隊(duì)重要的生長(zhǎng)土壤和時(shí)間窗口。

王銘認(rèn)為，科技加速導(dǎo)致生態(tài)位搶占的窗口期越來(lái)越短。AI時(shí)代是一片全新的神奇土地，土壤肥力遠(yuǎn)超互聯(lián)網(wǎng)時(shí)代，可能長(zhǎng)出一大批萬(wàn)億甚至十萬(wàn)億美金市值的公司，且生長(zhǎng)速度極快。為此，他們也在竭力爭(zhēng)搶這段窗口期，用兩三年的時(shí)間快速在A2A原生電商賽代搶占第一生態(tài)位。

以下為對(duì)話實(shí)錄經(jīng)編輯：

Q：攀峰智能在今年1月份宣布融資，近期又完成了新一輪融資。融資節(jié)奏很快，你認(rèn)為當(dāng)前投資人主要看重哪些方面？

王銘：我認(rèn)為投資人首先關(guān)注的是團(tuán)隊(duì)。AI時(shí)代存在不確定性，但人是相對(duì)確定的。我本人是第四次創(chuàng)業(yè)，在大廠做過生態(tài)，也孵化過AI原生產(chǎn)品。我們的團(tuán)隊(duì)比較健全，團(tuán)隊(duì)雖然成立僅幾個(gè)月，已有30多人，在內(nèi)容電商、Agentic工程、模型算法、海外增長(zhǎng)、達(dá)人建聯(lián)、AI產(chǎn)品交互、融資等關(guān)鍵點(diǎn)位都配備了資深專家。AI是一場(chǎng)大戰(zhàn)，窗口期可能就兩三年，現(xiàn)學(xué)現(xiàn)招是來(lái)不及的。

其次，投資人認(rèn)為我們比較懂模型。我從2021年開始接觸大模型，與通義千問的前身大模型M6團(tuán)隊(duì)就有合作。我對(duì)新鮮事物好奇心強(qiáng)，很早就開始關(guān)注AI。2023年ChatGPT出現(xiàn)后，我們便全面投入AI。2023年前后在美國(guó)跑出來(lái)的比較大規(guī)模且能夠付費(fèi)的Agent，基本是生產(chǎn)力、ToB或ToG的，這與釘釘?shù)男闹瞧ヅ�。為此，我們�(cè)?024年底將釘釘推動(dòng)成為阿里AI toB的入口。

再者，是我們的切入點(diǎn)。我們半年內(nèi)看了三四百個(gè)項(xiàng)目，總結(jié)出“四做五不做“的原則：不做國(guó)內(nèi)市場(chǎng)、不做ToB、不做非剛需場(chǎng)景、不做純工具。我們傾向于盡早構(gòu)建平臺(tái)能力，像美團(tuán)、滴滴、抖音那樣的雙邊生態(tài)�？偨Y(jié)來(lái)講，我們的切入點(diǎn)扎實(shí)，離營(yíng)收近，能快速看到正反饋。

Q：但團(tuán)隊(duì)總帶有過往經(jīng)驗(yàn)的慣性。

王銘：人只要有經(jīng)歷就會(huì)有慣性。但AI時(shí)代要求我們必須打破慣性，快速學(xué)習(xí)并上手嘗試新事物，應(yīng)用到實(shí)際場(chǎng)景中。多次創(chuàng)業(yè)的優(yōu)勢(shì)在于，我們不會(huì)執(zhí)著于明顯行不通的路，會(huì)遵循第一性原理，實(shí)事求是，與時(shí)俱進(jìn)。

之前投資人也非常關(guān)心，或者認(rèn)為將過去所積累的資源發(fā)揮到極致，你的創(chuàng)業(yè)成功率會(huì)大大增加，但我們是非常反直覺的，放棄ToB生意，放棄國(guó)內(nèi)的資源。

Q：既然你提到放棄ToB和國(guó)內(nèi)的資源，那么在獲取新資源方面，會(huì)遇到什么樣的挑戰(zhàn)？

王銘：其實(shí)對(duì)于我們，最大的挑戰(zhàn)是團(tuán)隊(duì)對(duì)海外用戶文化的理解。我們?cè)袌F(tuán)隊(duì)大多base在國(guó)內(nèi)。因此，我們吸收了大量在歐美留學(xué)、生活、工作甚至創(chuàng)業(yè)過的聯(lián)合創(chuàng)始人和成員。我們計(jì)劃從5月份開始，部分團(tuán)隊(duì)成員包括我會(huì)長(zhǎng)期駐扎海外，深入接觸、理解當(dāng)?shù)匚幕陀脩�，理解用戶行為背后的深層原因是什么�?/p>

Q：主要是歐美市場(chǎng)嗎？

王銘：按順序是美國(guó)、歐洲與拉美，然后是日本、東南亞�？隙ㄐ枰镜鼗瘓F(tuán)隊(duì)。

Q：關(guān)于產(chǎn)品，你們提到Moras產(chǎn)品將內(nèi)容電商鏈路的各個(gè)環(huán)節(jié)進(jìn)行了Agent Skills沉淀。既然對(duì)海外用戶了解較少，那這些沉淀是基于國(guó)內(nèi)還是海外經(jīng)驗(yàn)？是如何獲取的？

王銘：我們團(tuán)隊(duì)有關(guān)鍵負(fù)責(zé)人來(lái)自TikTok，曾帶來(lái)TikTok近半數(shù)的全球GMV，非常專業(yè)。另一方面，是AI給了我們機(jī)會(huì)。如果沒有AI，做好內(nèi)容電商可能需要團(tuán)隊(duì)大部分人都有相關(guān)背景。但有了AI，它可以快速學(xué)習(xí)人類知識(shí)并泛化、自主進(jìn)化。這意味著人在其中的作用不再是決定性的。如果一件事需要花費(fèi)120分努力才有一點(diǎn)結(jié)果，那可能做錯(cuò)了，如果沒那么費(fèi)力就能取得好結(jié)果，那可能方向?qū)α恕?/p>

我們的產(chǎn)品邏輯是，將人類關(guān)于選品、網(wǎng)感、熱點(diǎn)捕捉、爆款腳本撰寫、商業(yè)視頻制作、高效發(fā)布及數(shù)據(jù)分析迭代的先驗(yàn)知識(shí)，通過AI進(jìn)行系統(tǒng)工程化的實(shí)現(xiàn)。AI在多個(gè)環(huán)節(jié)上的能力已超過許多普通人，其組合后的效率和效果會(huì)遠(yuǎn)超人類。海外TikTok上做得好的商家和達(dá)人少，一方面是因?yàn)樵缙陔A段，但更是因?yàn)檫@件事鏈條長(zhǎng)、學(xué)習(xí)周期長(zhǎng)，且海外市場(chǎng)不像中國(guó)市場(chǎng)這么卷。

Q：這確實(shí)是一個(gè)差異化的切入點(diǎn)。國(guó)外達(dá)人對(duì)商業(yè)化變現(xiàn)的理解可能還不夠深入。

王銘：是的，這給了我們很好的切入點(diǎn)。切入后，Multi-Agent的進(jìn)化、垂直模型的進(jìn)化，以及未來(lái)流量向A to A遷徙，都可能帶來(lái)更大機(jī)會(huì)。未來(lái)可能是去中心化的入口，誰(shuí)掌握了某個(gè)場(chǎng)景的Agent OS或群體托管權(quán)，誰(shuí)就可能成為新的入口。

Q：談到入口，設(shè)計(jì)Agent還是需要有一個(gè)與用戶交互的入口，目的是為了讓用戶信任Agent。

王銘：我說(shuō)的入口不是指交互界面，而是指像上一個(gè)時(shí)代的超級(jí)App那樣的中心化節(jié)點(diǎn)。下一個(gè)時(shí)代可能沒有這種超級(jí)節(jié)點(diǎn)，但交互入口可能如App、眼鏡、耳機(jī)，依然存在。相對(duì)來(lái)講，企業(yè)級(jí)場(chǎng)景的釘釘可能生命周期會(huì)長(zhǎng)一些，短期內(nèi)很多還是需要在釘釘進(jìn)行協(xié)作。

過去很多互聯(lián)網(wǎng)產(chǎn)品不是人直接與服務(wù)器交互，但現(xiàn)在如果是你自己?jiǎn)为?dú)使用的不需要跟其他人互動(dòng)的某個(gè)產(chǎn)品的話，就大概率會(huì)被顛覆。因?yàn)槲磥?lái)是人跟Agent交互，Agent再與服務(wù)器交互，不需要復(fù)雜的界面。所以，中心化的入口會(huì)消失，只是用戶界面仍然需要。

Q：有點(diǎn)像釘釘現(xiàn)在想做的Cli，以及One Person Company的概念。

王銘：對(duì)。但我個(gè)人不太看好自己做一個(gè)“龍蝦”。未來(lái)可能基于更優(yōu)秀的開源框架，大家貢獻(xiàn)Skill。對(duì)于消費(fèi)者，你是一個(gè)Skill；對(duì)于達(dá)人和商家，你是一個(gè)Agent OS。

Q：所以你們定位的KOS Agent OS，最終是構(gòu)建給消費(fèi)者的嗎？

王銘：我們從KOC切入，是因?yàn)樗麄兡茉诹髁客莸乜焖賹?shí)現(xiàn)增長(zhǎng)并帶貨。我們認(rèn)為未來(lái)電商有兩種形態(tài)：一種是純A to A（消費(fèi)者-商品）；另一種是A to A to A，中間以人作為信任錨點(diǎn)來(lái)完成帶貨。隨著AI生成內(nèi)容泛濫，社會(huì)信任危機(jī)必然出現(xiàn)，屆時(shí)人將成為關(guān)鍵的信任節(jié)點(diǎn)，但需要AI工具降低其表達(dá)、創(chuàng)作，以及商業(yè)門檻。

我們的定位是幫助達(dá)人、商家構(gòu)建Agent OS，并將一套電商Skill接入到消費(fèi)者的Personal AI中，同時(shí)提供購(gòu)物所需的context和服務(wù)。未來(lái)我們希望延伸到用戶、達(dá)人、商家一整套的Agent OS。例如如果某用戶的購(gòu)物頻率極高，我們積累了足夠多的商家和達(dá)人后，也可能直接為用戶打造一個(gè)電商場(chǎng)景的專屬消費(fèi)型Agent。最終，每個(gè)人可能都有一個(gè)Personal AI，我們作為Skill嵌入，或者為需要專屬Agent的用戶提供完整解決方案。

Q：如何區(qū)分今年出現(xiàn)的Agent與過去的Agent，有哪些進(jìn)展？

王銘：今年Agent的關(guān)鍵進(jìn)展有幾個(gè)：一是自主進(jìn)化，在不改變模型（比如微調(diào)、后訓(xùn)練）的情況下，通過使用越用越好。二是記憶系統(tǒng)（Memory）的進(jìn)化，能有機(jī)結(jié)合歷史上下文，輸出更懂用戶的AI。三是Agentic大幅滲透，從明確的Workflow走向更自主的Agentic AI，能自動(dòng)決策、判斷和工作。四是自動(dòng)化開發(fā)的Agent，當(dāng)現(xiàn)有工具無(wú)法解決問題時(shí)，能自己編寫代碼或Skill。

Q：你們?cè)谶@些方面都有投入嗎？

王銘：我們之前主要做Agentic和Multi-Agent協(xié)作，去年開始做原子級(jí)能力（Skill）。今年會(huì)探索自主進(jìn)化和Memory系統(tǒng)，但我們不會(huì)直接自研做Memory系統(tǒng)，而是基于市面上現(xiàn)有框架探索、后續(xù)再看是否要自己開發(fā)。

此外，我們會(huì)布局垂直領(lǐng)域的多模型，在多模態(tài)理解模型、Agentic調(diào)度模型等大廠尚未重點(diǎn)布局的垂直領(lǐng)域或個(gè)性化場(chǎng)景，訓(xùn)練自己的模型，這類模型直接影響Skill分發(fā)、Multi-Agent協(xié)作，而模型層面的進(jìn)步又會(huì)影響Agentic的可用性，同時(shí)對(duì)成本控制也至關(guān)重要。

Q：Claude確實(shí)很強(qiáng)，但也貴。

王銘：是的，很貴。但我們鼓勵(lì)團(tuán)隊(duì)多用好模型，從公司成立第一天就為全員報(bào)銷Token費(fèi)用，要求非研發(fā)同事也使用AI，實(shí)現(xiàn)全員AI編碼。我們的HR系統(tǒng)、BI系統(tǒng)、A/B測(cè)試數(shù)據(jù)標(biāo)注系統(tǒng)、自動(dòng)化客服、選品系統(tǒng)等，都不是研發(fā)人員開發(fā)的，而是由HR、財(cái)務(wù)、運(yùn)營(yíng)、產(chǎn)品經(jīng)理通過AI編碼完成。

Q：幾乎所有生產(chǎn)系統(tǒng)都是AI開發(fā)，代碼比例有多高？

王銘：生產(chǎn)級(jí)系統(tǒng)也完全由AI編碼，代碼AI生成率在99%以上。我們現(xiàn)在很多編碼工作甚至不是人直接在做，而是由我們開發(fā)的開發(fā)Agent完成。需求提給Agent，它開發(fā)、測(cè)試通過后，再交給研發(fā)驗(yàn)收。

Q：測(cè)試是怎么解決的？這也是大家比較關(guān)注的。

王銘：以前問題多在改Bug上。現(xiàn)在使用頂級(jí)模型后，其改Bug能力非常強(qiáng)悍，生成一個(gè)完全沒有bug的產(chǎn)品相對(duì)容易。我們?cè)偻ㄟ^自研的測(cè)試Agent進(jìn)行自動(dòng)化測(cè)試和界面測(cè)試，最終是可以產(chǎn)出質(zhì)量不錯(cuò)的產(chǎn)品，生產(chǎn)效率很高。

現(xiàn)在的邏輯是，我們有時(shí)不需要完全理解AI寫的成千上萬(wàn)行代碼。它已經(jīng)是一個(gè)合格的程序員，可以暴力地快速重寫整個(gè)系統(tǒng)，總有一次能寫對(duì)。你要想完全看懂、理解，然后再通過人工改所有的Bug，我覺得已經(jīng)是上個(gè)時(shí)代的思維方式。關(guān)鍵在于Harness的設(shè)計(jì)。我們很早就開始基于規(guī)則和OpenSpec等框架進(jìn)行開發(fā)，定義好規(guī)則后，結(jié)合模型能力，產(chǎn)出系統(tǒng)。而測(cè)試更多是驗(yàn)收需求是否實(shí)現(xiàn)、主流程是否無(wú)誤，以及通過AI自動(dòng)化測(cè)試發(fā)現(xiàn)潛在Bug。

Q：你們對(duì)Harness的設(shè)計(jì)思路是怎樣的？Moras經(jīng)歷了哪些主要迭代才確立以Harness方式進(jìn)行開發(fā)設(shè)計(jì)？

王銘：我們出來(lái)創(chuàng)業(yè)幾個(gè)月，從第一天就開始AI Coding，經(jīng)歷了三個(gè)階段：

生產(chǎn)力增強(qiáng)階段：用AI增強(qiáng)小團(tuán)隊(duì)產(chǎn)能，但模型能力未到，也缺乏Harness框架，需要人工大量改Bug和加固，增強(qiáng)產(chǎn)品穩(wěn)定性。

規(guī)則制定階段：開始思考如何駕馭AI，制定各種規(guī)則，后來(lái)采用OpenSpec開發(fā)規(guī)則框架，規(guī)范AI Coding行為，防止違反安全規(guī)范或需求。其實(shí)這時(shí)候包括海外使用AI Coding的團(tuán)隊(duì)也有了Harness的思想。

Harness時(shí)代：隨著模型能力提升和行業(yè)認(rèn)知統(tǒng)一，尤其是春節(jié)后Claude Code源碼泄露事件展示了其完整的駕馭方法論，業(yè)內(nèi)開始進(jìn)入系統(tǒng)性的Harness時(shí)代。這一事件其實(shí)極大拉齊了行業(yè)水平，進(jìn)一步提高AI Coding的普及和社會(huì)生產(chǎn)效率提升。

Q：交付結(jié)果也決定了商業(yè)模式。你們的邏輯是按結(jié)果定價(jià)，有人認(rèn)為這太理想化。像近期KOC測(cè)試的出單量和成交量有很大提高，你們?nèi)绾卧u(píng)估當(dāng)前的商業(yè)化結(jié)果，是否滿意？

王銘：完全超預(yù)期。以前是專業(yè)的人結(jié)合AI能做到這樣的結(jié)果，因?yàn)锳I每一次協(xié)作都會(huì)有衰減，但現(xiàn)在能取得與人類相似的結(jié)果，這讓我很震驚。例如，一個(gè)海外達(dá)人如果自己養(yǎng)號(hào)，可能需要2周到1個(gè)月才能穩(wěn)定出單，而我們現(xiàn)在的產(chǎn)品首周出單率就非常高，之后能持續(xù)穩(wěn)定出單。

Q：這種商業(yè)模式是否需要特定的組織或文化基礎(chǔ)？

王銘：大多數(shù)人包括我們也沒有完全轉(zhuǎn)過來(lái)，我們團(tuán)隊(duì)也在探索如何將AI打造成類人形態(tài)、如何與用戶交互。但至少在商業(yè)模式上以終為始去行動(dòng)的話，我們就是要在產(chǎn)品打造和團(tuán)隊(duì)文化上快速轉(zhuǎn)變，思考如何雇傭AI。

比如我們使用的AI產(chǎn)品大多是按Token或訂閱收費(fèi)，而自己做的是按效果付費(fèi)的產(chǎn)品，這本身就需要轉(zhuǎn)變。這意味著我們可能要在功能、按鈕、交互設(shè)計(jì)上，從讓用戶點(diǎn)擊App轉(zhuǎn)向把AI當(dāng)成人來(lái)設(shè)計(jì)，用人的口吻與AI溝通。這對(duì)企業(yè)組織是挑戰(zhàn)，但對(duì)用戶而言反而接受的門檻更低，因?yàn)橛脩粲姓?qǐng)真人干活的經(jīng)驗(yàn)。

最絲滑的方式是不要讓用戶進(jìn)行Token的單位換算，用戶最能理解的符號(hào)就是金錢或時(shí)間。所以我們一步到位，采用“底薪+分成”（CPS）模式，讓用戶每月支付幾十美金底薪雇傭AI，AI先消耗Token干活，賺到錢后再分成，這樣用戶容易理解。

Q：你們的產(chǎn)品是高毛利還是低毛利？

王銘：長(zhǎng)期看，可能從低毛利走向高毛利。一方面，隨著模型能力增強(qiáng)，未來(lái)可能不需要最SOTA的模型就能在特定場(chǎng)景做出好效果，成本會(huì)下降。另一方面，要做到細(xì)分賽道第一，垂直模型是必做的，這既能提升效果，也能降低成本。AI時(shí)代最終會(huì)逐漸平權(quán)，毛利可能不會(huì)一直維持高位，但規(guī)�？梢苑浅４�。這是一個(gè)從低到高再到下降的過程。

Q：算力成本會(huì)計(jì)入研發(fā)成本嗎？

王銘：不算。我們的算力成本主要看經(jīng)濟(jì)模型，因?yàn)槲覀兪巧虡I(yè)模式創(chuàng)新，不是純工具創(chuàng)新。當(dāng)然，研發(fā)的Token投入也不小，但會(huì)隨著規(guī)模攤薄。AI Native創(chuàng)企的成本邏輯是：人的工資應(yīng)小于公司研發(fā)的Token消耗；公司研發(fā)的Token消耗遠(yuǎn)遠(yuǎn)小于產(chǎn)品端的Token消耗。這才是AI時(shí)代的杠桿�；ヂ�(lián)網(wǎng)時(shí)代，大廠的人效比可能人均產(chǎn)值幾百萬(wàn)、工資百萬(wàn)，但AI時(shí)代的人效比會(huì)非�？膳隆�

Q：融資節(jié)奏很快，已經(jīng)拿到這筆錢了嗎？

王銘：AI Native團(tuán)隊(duì)的融資節(jié)奏不同，每天都在融資，沒有明確的輪次概念，追求融資效率，有錢就拿，拿了就開啟下一輪。我們雖然對(duì)外公布的是第二輪融資，但第三輪快結(jié)束了，第四輪馬上開啟。今年計(jì)劃往很高的融資目標(biāo)走。

Q：你最開始提到未來(lái)的窗口期就兩三年，這兩三年會(huì)發(fā)生什么？

王銘：科技加速導(dǎo)致生態(tài)位搶占的窗口期越來(lái)越短。AI時(shí)代是一片全新的土地，土壤肥力遠(yuǎn)超互聯(lián)網(wǎng)時(shí)代，可能長(zhǎng)出萬(wàn)億甚至十萬(wàn)億美金市值的公司，且生長(zhǎng)速度極快，像OpenAI三年做到8500億美金的估值。我們要做的是在這片新土地上快速找到空地，丟下種子，用兩三年時(shí)間在細(xì)分賽道站穩(wěn)生態(tài)位，構(gòu)建雙邊用戶商品與達(dá)人的飛輪，以及數(shù)據(jù)與垂直模型的飛輪。兩個(gè)飛輪都轉(zhuǎn)起來(lái)后，細(xì)分賽道的第一名基本就確定了。

Q：AI時(shí)代的企業(yè)市值也在“通脹”。

王銘：一定會(huì)非常高。AI將大幅提升全球生產(chǎn)力，帶來(lái)巨大的經(jīng)濟(jì)增量。這意味著會(huì)出現(xiàn)許多營(yíng)收千億美金、估值萬(wàn)億美金的AI公司。

Q：你們講的多模態(tài)內(nèi)容電商垂直模型到底是什么？

王銘：準(zhǔn)確說(shuō)，是我們A to A Agent OS中必然涉及到的幾類模型：一是推理模型；二是電商場(chǎng)景的理解模型和生成模型；三是Multi-Agent進(jìn)化架構(gòu)所需的調(diào)度模型。大概就是這四類模型。底層可能會(huì)用第三方大模型基座，但有些場(chǎng)景未來(lái)可能不再依賴第三方。

Q：我們會(huì)自己訓(xùn)練基座模型嗎？

王銘：垂直模型會(huì)用開源模型進(jìn)行后訓(xùn)練。通用模型很難為垂直場(chǎng)景蒸餾數(shù)據(jù)，因?yàn)槠浯怪鳖I(lǐng)域數(shù)據(jù)不夠豐富、不夠垂。例如，在爆款腳本這件事上，通用模型寫不出太多爆款，但我們能拿到大量爆款數(shù)據(jù)，讓模型在這個(gè)領(lǐng)域超過通用模型。

我們從第一天起就存儲(chǔ)了所有生產(chǎn)過程中的數(shù)據(jù)：AI使用的提示詞、操作過程、用戶與AI的交互行為、最終被驗(yàn)證的爆款內(nèi)容等。然后反向歸因，讓AI提煉爆款規(guī)律。這些數(shù)據(jù)會(huì)讓模型收斂。我們Day 1就存下了所有數(shù)據(jù)，很多公司可能為了控成本不會(huì)這么做。但在垂直場(chǎng)景，誰(shuí)跑得快、數(shù)據(jù)多，誰(shuí)的模型就更好，就能吸引更多用戶，形成馬太效應(yīng)。所以這兩三年的窗口期非常關(guān)鍵。

Q：你當(dāng)前階段最焦慮的事情是什么？

王銘：坦白說(shuō)，因?yàn)閯?chuàng)業(yè)次數(shù)多，我心態(tài)比較好，沒有特別焦慮。如果非要說(shuō)，近期比較焦慮的是一些政策動(dòng)作，比如收緊ODI（境外直接投資），導(dǎo)致我們的資金出海路徑受阻。這是我們創(chuàng)業(yè)前沒想到的變數(shù)。

不過，這也不是特別大的影響，只是可能讓我們?cè)诿绹?guó)市場(chǎng)高舉高打的拓客節(jié)奏稍微晚一些，轉(zhuǎn)為滾雪球式發(fā)展。我創(chuàng)業(yè)心態(tài)比較平和，相信“菩薩畏因，眾生畏果”，不為結(jié)果焦慮，多做該做的事。夢(mèng)想可以很大，走好腳下的路，結(jié)果不糾結(jié)。

（本文作者 | 楊麗，編輯 | 楊林）