核心观点 - 现阶段纯靠AI陪伴功能收费难以实现商业闭环 需依赖游戏化机制 IP运营或硬件销售等辅助手段 [4][6] - 陪伴技术栈的发展前提是赢得用户物理世界的"在场权" 需通过硬件终端实现低摩擦数据输入 [8][11] - 当前技术条件下需在数据价值与可行性间寻找平衡 避免过度追求高维度输入导致工程复杂度失控 [10][11] - 硬件路径虽面临挑战但能提供明确商业模式验证 相比纯软件更易形成商业闭环 [13][14] - 创业团队应优先寻找产品市场匹配(PMF) 通过硬件销售回收成本 再逐步迭代陪伴能力 [13][14] 商业模式分析 - 游戏化上头机制成为营收支柱 用户付费动力源于"Wanting"冲动而非情感连接 [6] - IP或审美驱动粉丝经济 用户为情感投射载体付费而非陪伴价值认可 [6] - 硬件销售收取"好奇税" 实体溢价构成首笔收入 后续陪伴续费存不确定性 [6] - 纯软件商业模式在国内市场表现脆弱 硬件自带价值锚点和商业闭环 [13] 技术实现路径 - 输入(Input)优先于输出(Output) 需实现多模态实时感知和高分辨率生活流捕捉 [8] - 视觉模态信息量>声音>文本 但需权衡技术发展阶段与工程复杂度 [10] - 7×24小时在场设备面临海量多模态数据处理挑战 当前AI难以有效处理噪声数据 [10] - 纯软件存在系统权限局限 需专用硬件承载传感器 手机终端可能向分布式传感演进 [11] - 摄像头模组引入重大技术挑战 包括散热/存储/算力/续航及隐私安全问题 [11] 发展策略建议 - 优先通过硬件销售建立用户触达渠道 获得持续数据输入和迭代试验田 [13] - 缩短验证周期 避免长期"伪验证"陷阱 硬件路径提供更明确的商业模式信号 [14] - 在"数据价值"与"可行性"夹缝中寻找平衡点 不过度追求技术完美 [11][14] - 构建"低摩擦感知终端+高保真推理内核+可持续记忆模块"的技术栈组合 [11]

AI数字员工发展瓶颈 - 当前AI数字员工尚未实现真正落地 主要因为缺乏自主性和高昂维护成本 现有系统多为自动化工具而非具备真正自主性的员工[2][3][4][5] - 大模型虽带来质变 但推理速度存在明显延迟 在电话销售等对时效性要求高的场景中 几秒钟延迟就足以破坏用户体验[8] - 知识更新滞后问题突出 依赖RAG和外部知识库的更新由人类完成 导致更新滞后且质量参差不齐 成本甚至超过管理人类员工[18] 技术实现挑战 - 时效性和打断机制不足 通过Redis批处理技术对无用消息进行剔除 并实现生成过程中的动态打断机制 显著改善交互体验[9] - 场景定义存在局限 人类预设场景会遗漏边缘案例 通过基模自主进行历史事件场景抽象 比人工预定义效果提升明显[10][12] - 意图澄清能力不足 需要参考ChatGPT学习模式 通过follow up问题逐步澄清用户真实意图 使回复从"供参考"变为"具体答案"[13][17] 发展路径建议 - 采用局部替代策略而非完全替代 重点处理可重复、可验证的固定工作 形成小范围自我调整后再逐步放权[20][22] - 建议让AI以"实习生"角色进入真实场景 在实战中被评估和优化 模型将吃掉弥补模型短板的复杂工程而非应用本身[23] - 通过建立可测量的小闭环 使AI从"实习生"成长为可信赖员工 最终通过迭代而非宣布实现真正AI员工[24]

创业公司核心原则分析 - 创业公司成败几乎完全取决于创始人团队 联合创始人的重要性堪比房地产地段 想法可调整但更换联合创始人极其困难 [3][6] - 早期投资本质是投资创始人 创始人团队是创业公司最重要的资产 优秀团队的价值远大于个体成员总和 [7][8] - 团队是"非线性系统" 需考虑相对适配性 技能互补 目标一致 关系持久性 创始人散伙是创业失败常见原因 [8] 产品开发与市场验证 - 快速启动产品是核心原则 推出产品后才真正开始工作 之前都是浪费时间 产品推出能帮助理解用户需求 [3][9] - 采用"发布-学习-迭代"循环 接触真实用户前一切努力都是纸上谈兵 快速迭代促进快速成长 [9][10] - 避免"虚假精准感"和"掌控欲" 需要向现实低头顺势而为 创业需要持续迭代而非一次性交付 [10][11] 产品理念与用户聚焦 - 爱上问题而非解决方案 对交付方式保持灵活 随着产品成熟度和市场变化迭代解决方案 [12][13] - 采用"观点坚定 态度灵活"原则 基于现有认知坚定执行 但需根据市场反馈灵活调整 [13][14] - 理解用户是核心 创业本质是创造价值 最能掌控的维度是产品对用户生活的改善程度 [3][15] 增长策略与价值创造 - 专注于做出用户真正热爱的产品 而非单纯追求增长 用户增长路径取决于价值传递 [15][16] - 增长容易但理解用户核心需求困难 产品不解决用户问题则增长无意义 需先创造价值再谈增长 [16][17] - 创业原则往往反直觉 需先为一小群用户传递巨大价值 再考虑扩大影响 [17][18] 市场定位与用户服务 - 缩小目标用户范围至极致窄群体 在细分领域形成垄断再逐步扩大 满足部分用户全部需求优于满足所有用户部分需求 [19][20] - 提供超出预期的客户服务 无法规模化的客服是创业公司优势 能建立极强用户忠诚度 [21][22] - 用无法规模化的事为可规模化产品铺路 亲自做客服是用户探索的重要方式 [23][24] 指标衡量与资本效率 - 选对衡量指标至关重要 避免仅关注营收而忽略规模化潜力 需聚焦活跃用户数 CAC LTV等关键指标 [26][27] - 警惕古德哈特定律 当指标成为目标时就不再是好指标 指标只是核心目标的替代品 [27][28] - 专注资本使用效率 每分钱追求最大回报 低成本运营保持公司灵活敏捷 延长试错时间 [30][31] 融资与盈利能力 - 实现"泡面盈利"可改变与投资人关系 获得谈判筹码 但不适用于所有人生阶段 [32][33] - 让自己处于能对投资人说不的位置 不迫切需求资金反而更容易融资 [33][34] - 利用阶段优势 年轻时靠低成本生活 年长后靠经验和人脉 避免完全受制于投资人 [34][35] 专注力与持久力 - 避开内外干扰保持专注 创业核心是搞懂用户痛点并快速迭代 需要设计低干扰环境 [36][37][38] - 坚持是成功关键 面对挫折保持韧性 交易告吹不是个人否定 需记住初心持续前进 [39][40]

DeepSeek V3.1发布及UE8M0 FP8技术影响 - DeepSeek V3.1发布提及"新的架构、下一代国产芯片"，引发市场广泛关注 [2] - 国产芯片企业股价显著上涨，寒武纪早盘大涨近14%，总市值跃居科创板首位 [4] - 半导体ETF在半天内大涨5.89% [4] UE8M0 FP8技术解析 - UE8M0 FP8是MXFP8格式中的缩放因子，MXFP8由Open Compute Project在2023年定义，是一种8位微缩块格式 [7] - MXFP8将张量切分为固定长度的块，每个块单独指定2的整数次幂作为缩放因子，扩展动态范围数十倍 [8] - UE8M0表示无符号、8位指数位、0位尾数位，动态范围覆盖2^(−127)到2^128 [11][15] - 该格式无需浮点乘法或规格化逻辑，缩短时钟关键路径，减少信息损失 [15] - 相比传统FP32缩放，UE8M0 FP8节省75%流量 [18] 国产芯片厂商适配及市场反应 - 寒武纪MLU370-S4、思元590及690系列芯片支持FP8计算，架构设计和低精度优化领先 [22] - 海光深算三号DCU、沐曦曦云C600、中昊芯英"刹那"TPU、摩尔线程MTT S5000均支持FP8精度 [26] - 华为昇腾路线图显示2025Q4支持原生FP8，下一代芯片可能于2026年推出 [23] - 国产芯片概念集体高开，科创50大涨3%创近三年半新高 [24] 行业影响及生态协同 - UE8M0 FP8提升国产芯片性价比，同等硬件可运行更大模型，减少对英伟达、AMD等国外算力依赖 [27] - DeepSeek通过精度格式改动主动贴合国产芯片性能点，推动软硬协同生态建设 [28] - 这种模式类似"Wintel联盟"，通过技术绑定构建生态护城河 [28]

活动背景与核心议题 - 面向海外市场的创业者面临增长难题 包括难以找到精准用户入口 不确定产品特性与商业模式是否匹配渠道 广告投放效果短暂且缺乏流量转化方法论 [2] - AI为企业出海提供增长利器 活动旨在探讨如何将机遇转化为实际市场与增长 [2] - 活动由Founder Park联合Google推出 邀请Google大中华区新客户部移动业务负责人严欣怡分享 通过实际案例拆解从0到1的海外增长法则 [2] 活动具体信息 - 活动形式为线上分享 时间定于下周四（8月28日）20点至22点 [3] - 参与方式需扫描海报二维码报名 名额有限且需经审核 [3][8] - 目标受众包括AI从业者 跨境业务相关负责人 出海营销从业者 出海创业企业负责人 游戏或应用出海项目负责人 [7] 核心讨论话题 - AI时代Startup如何选择适合自己的海外营销策略 [5][7] - 如何更好地利用大媒体实现快速增长 [5][7] - AI赋能的广告实操 出海真实的挑战和案例 [5][7] 活动附加信息 - 活动为免费性质 但报名需经审核 [8] - 公众号提供更多相关阅读资源 包括AI产品Evals搭建教程 BVP年度AI报告 AI创业出海案例及Deep Research在Go-to-Market中的应用 [9]

AI对营销行业的重构 - AI不仅提升营销效率，更带来营销方法论的根本变革，从"传统工作更快"转向"全新方法做以前做不到的事"[2] - 三大核心变革方向：工作边界扩大（营销团队可独立完成技术性任务）、内容生产效率提升（视频制作从数周缩短至几小时）、营销策略创新（突破传统玩法限制）[4] - 资深从业者Olivia Borsje基于16年经验总结出涵盖10大核心问题的「AI Playbook」，对比传统与AI时代营销实践差异[3][8] 品牌定位方法论革新 - 传统定位依赖耗时数月的大规模调研，AI实现高频动态定位：ChatGPT可分析竞品主张，Listen Labs等平台用AI执行用户访谈并实时生成报告[8][9] - 虚拟用户工具如Evidensa解决小众用户调研难题，虽不能完全替代真人但相关性达较高水平[9][10] - 定位策略转为持续迭代模式，建议按业务节奏（每月/季度）定期更新定位以保持竞争力[10] 信息传递与品牌形象构建 - AI颠覆传统文案流程：生成初稿+测试不同客户群体响应，使信息传递从"主观静态"变为"动态优化"[12][13] - 品牌形象需人类主导创意，AI生成易导致同质化；当前AI存在社交内容盲区（无法解析TikTok视频等C端关键渠道）[14][15] 市场推广渠道AI化 搜索领域变革 - 从SEO到GEO的战略转移：需监控AI对话中的品牌曝光（Scrunch AI工具），内容策略转向"品牌直接相关"（如Wise案例显示AI摘要减少网站转化）[21][22][23][24] - 付费搜索广告形态重构：Perplexity尝试对话内原生广告，ChatGPT探索结构化产品数据接入[29][30] 社交与视频渠道 - Meta等平台的AI广告生成尚未成熟，实际应用中仍需人工整合素材；虚拟网红兴起但真实性需求反弹[33][37] - ABM领域Clay等工具实现高度个性化营销，自动化SDR工作流工具如Lindy提升效率[40] 传统渠道复兴 - 电视/户外广告成本下降：AI生成专业级动画提示词（需半页专业指令），内部AI设计师成关键角色[41][57] 技术工具与运营优化 - 网页生成工具Flint实现营销人员自主建站，Coframe采用Multi-Arm Bandit算法加速A/B测试[44] - 客户生命周期营销进入精准化阶段：Wistara等平台实现"Right User, Right Content, Right Time"[47] - 效果衡量突破点击量局限：营销组合模型（MMM）和增量测试（Incrementality Tests）成为新标准[50][51] 团队架构演变 - 岗位重构：产品营销经理（PMM）与创意总监重要性提升，新增内容策略/GEO经理、AI营销运营等复合型角色[60][61] - 部门协作模式变化：营销与工程/产品部门共同探索高价值领域，外部工具合作优先于内部搭建[55][56]

核心产品升级 - 推出混合推理架构 单一模型同时支持思考与非思考双模式 用户可通过深度思考按钮自由切换[5][7] - 上下文窗口扩展至128K 显著提升长文本处理能力[7] - 采用思维链压缩技术 思考模式输出token数量减少20%-50% 非思考模式输出长度也显著缩短[12] 智能体性能突破 - 工具使用与智能体任务表现通过后训练优化大幅提升[8] - 编程智能体在SWE-bench评测达66.0分 较V3-0324版本45.4分提升45%[9] - 多语言代码修复能力达54.5分 较前代29.3分提升86%[9] - 终端命令行评测31.3分 较前代13.3分增长135%[9] - 搜索智能体在browsecomp中文测试达49.2分 较前代35.7分提升38%[11] 技术架构创新 - 基础模型在V3版本基础上额外训练840B tokens[15] - 采用UE8M0 FP8 Scale参数精度 分词器与chat template较V3版本有重大变更[15] - 提供Strict Mode Function Calling Beta接口 确保输出严格符合Schema定义[14] - 新增Anthropic API格式兼容 可无缝接入Claude Code等框架[14] 开源生态建设 - 基础模型与后训练模型已在Huggingface和魔搭平台全面开源[15][19] - 开源组织路径分别为HUGGINGFACE.CO/DEEPSEEK-AI和MODELSCOPE.CN/ORGANIZATION/DEEPSEEK-AI[19] 商业化进程 - 新版价格表将于2025年9月6日凌晨生效 同时取消夜间时段优惠[16] - 当前至9月6日前为过渡期 仍按原价格政策计费[16] - API服务资源已完成扩容以支持新定价策略[16]

公司转型背景 - 公司最初致力于开发基于神经信号转换的可穿戴硬件设备 旨在实现无声语音交流 这是创始人长期追求的愿景 [4][5] - 硬件原型在初步功能实现后获得首轮融资 团队规模扩展至40人 包括神经科学和机器学习领域的顶尖专家 [5] - 但硬件产品面临根本性挑战：消费级市场尚未成熟 用户缺乏明确使用场景 且软件生态无法支持跨应用无缝体验 [7][9] - 行业环境加剧了硬件路线的困境 Humane AI Pin和rabbit r1等同类产品相继失败 证明语音工作流程尚未跨越鸿沟 [7] 战略转型决策 - 2024年年中董事会后启动战略评估 最终决定彻底放弃硬件业务 全面转向软件方向 [9][11] - 转型核心逻辑是优先构建软件层实现产品市场匹配（PMF） 为未来硬件发展奠定基础 [9] - 尽管存在企业级（如医疗或国防）市场的融资机会 但基于创始人-市场匹配度考量 坚持消费级方向 [10] - 2024年7月18日正式停止硬件研发 集中资源开发语音听写平台Wispr Flow [11] 组织调整执行 - 实施激进裁员措施 团队从40人缩减至5人 裁员比例达87.5% 以避免后续二次调整并保持剩余团队稳定性 [11][12] - 转型后招聘策略趋于保守 直至2025年1月团队仍不足10人 体现对组织规模控制的谨慎态度 [12] - 领导层在过渡期强调确定性 通过每日到岗和明确目标维持团队士气 [19] 产品发布与市场表现 - 开发周期大幅压缩至6周 于2024年10月1日完成产品发布 较原计划提前3个月 [13] - 发布效果显著：获得数百万浏览量 登顶Product Hunt当日及周榜第一 [13] - 用户数据表现优异：20%付费转化率（远超行业3-4%平均水平） 日均听写次数约100次 键盘输入占比降至25-30% [2][13] - 2025年1-2月实现近90%月度自然增长 用户自发分享产品体验 确认达到PMF状态 [13] 核心成功要素 - 决策速度至关重要 从犹豫到执行仅用一周 整个转型在六周内完成 最大限度减少不确定性暴露时间 [17] - 坚持从客户实际需求出发 放弃科幻式创新 转向解决具体痛点（打字慢于说话4倍） [2][20] - 通过用户行为数据验证需求 而非依赖主观判断 键盘输入占比下降至30%以下证明替代效应 [2][13] - 融资能力支撑转型 公司完成3000万美元融资 为业务调整提供资源保障 [2] 行业洞察 - 语音识别技术存在明确应用场景 但需聚焦具体痛点（如输入效率）而非硬件形态创新 [2][9] - 消费级硬件创新受制于软件生态成熟度 跨应用无缝体验是技术突破的关键门槛 [9] - 用户习惯改变需要渐进过程 日均100次听写行为表明高频使用可培养新输入习惯 [2][13]

大会概况 - 2025年上海Inclusion·外滩大会于9月10日至13日举行 主题为“重塑创新增长” [2] - 首次设立“创投Meetup”活动 由蚂蚁集团战略投资部主办 联合8家顶尖创投机构共同打造 [2] - 为创业团队与投资人搭建高效开放的面对面交流平台 通过1对1创投交流及项目路演实现精准赋能 [2] 参与机构与资源 - 蚂蚁集团战略投资部深度参与宇树科技、智谱华章等明星项目成长 提供全链路支持 [2] - 明势资本、金沙江创投等8家机构曾成功培育理想汽车、滴滴出行、智谱AI等标杆项目 [2] - 形成“1+8”创投矩阵 聚焦AI科技赛道投资 具备深厚积淀与精准眼光 [2] 活动形式与安排 - 活动时间为2025年9月12日下午13:30-15:30 地点为上海黄浦世博园区H馆 [4][12] - 设置AIGC、具身智能、智能硬件、芯片及设备四大赛道及专属交流区 [5] - 采用15分钟1对1对话模式 投资人提前研读BP 现场直击商业化路径及技术壁垒等关键问题 [6] - 全程通过外滩大会官方小程序直播 扩大项目曝光度 [7] 参与条件与报名 - 面向处于AB轮中早期的创新者及专注前沿科技的企业 [4] - 需深耕AIGC、具身智能、智能硬件、芯片及设备四大赛道 [4][8] - 报名时间为2025年8月12日至9月5日 最终筛选32个优秀项目（每赛道8个）获得入场资格 [11][12] 资源对接价值 - 项目精准匹配对应赛道投资人 深入沟通产品设计、技术细节及商业逻辑 [5] - 联动蚂蚁集团生态资源与机构力量 提供从资本到落地的全链路支持 [2][7] - 项目可进入超12000人的“AI产品市集”社群 获得AI新品资讯及曝光渠道 [4][9]

AI产品评估的重要性 - AI行业正从概念验证转向构建能通过经验、清晰度与目标来定义、衡量并解决问题的系统[2] - 编写Evals正迅速成为AI产品开发的核心技能 决定产品的生死[3] - 缺乏Evals能力可能导致错失打造有影响力AI产品的最大机会[6] Evals的核心定义 - Evals是衡量AI系统质量和效果的方法 为AI产品清晰定义"好"的标准[9] - 与传统软件测试不同 Evals处理更偏向定性或开放式的指标 如输出内容的相关性或连贯性[11] - Evals类似于驾照考试 需要评估感知、决策和安全三个维度[10] Evals的三种方法 - 人工Evals：内置产品中的人工反馈机制(如赞/踩按钮)或请领域专家标注[13] - 基于代码的Evals：通过检查API调用或代码生成结果进行评估[14] - 基于LLM的Evals：利用外部LLM系统作为"裁判"自动化评估输出质量[15] 通用评估标准 - 恶意/语气：评估输出是否包含有害或不当言论[21] - 总体正确性：评估系统在核心目标上的表现[21] - 幻觉检测：评估是否准确利用提供上下文而非凭空捏造[22] - 其他常见领域包括代码生成、摘要质量和检索相关性[23] 优秀Eval的组成要素 - 设定角色：给裁判LLM明确角色定位[24] - 提供上下文：包含需要评估的实际数据[24] - 阐明目标：清晰说明希望衡量的内容[24] - 定义术语与标签：精确定义成功与失败的标准[24] Evals构建流程 - 第一阶段收集数据：收集真实用户交互 记录边缘案例 构建代表性数据集[26] - 第二阶段初步评估：编写初始Eval prompt并在数据集上运行[27][29] - 第三阶段迭代循环：优化Eval prompt 扩充数据集 迭代AI Agent prompt[33] - 第四阶段生产监控：设置自动化流程持续评估 对比Eval结果与真实用户反馈[35] Evals设计注意事项 - 避免起步时设计过于复杂 应先专注于具体的输出评估[38] - 需要测试边缘案例 采用小样本提示提升Eval性能[38] - 必须用真实用户反馈验证Eval结果[38] Evals实施建议 - 选择关键特性进行评估 如聊天机器人的"幻觉检测"[42] - 编写简单Eval检查LLM输出准确性[42] - 在5-10个代表性案例上运行Eval[42] - 持续迭代优化直到准确率达标[42]