AI 时代的创业范式肯定和移动互联网时代不一样了。 具体哪里变了？还需要融资吗？用户怎么获取、成本怎么控制？这些关键问题都需要解答。 9 月 12 日，在 Google Cloud 初创企业峰会的圆桌上， 极客公园创始人&总裁张鹏，与高瓴创投（GL Ventures）合伙人王蓓、Fotor AI 创始人段江、 Google Cloud 大中华区客户解决方案董事总经理孙素梅（Jenny Sun）就这个话题进行了一场对话。 创业社区、投资人、典型创业者以及云平台，四个不同的视角，交流的观点很值得一看。 基于对话内容，Founder Park 进行了编辑处理。 TLDR: 创业新范式：先找到正确的用户 张鹏： 大模型带来了技术范式的变化，那么创业的范式是不是也变了？移动互联网时代是先免费圈用户，再谈连接价值。现在AI时代，这个打法还适用 吗？想先问问投资人，你们的投资逻辑有什么新变化？ 王蓓： 从移动互联网到现在 AI 的时代，确实范式变化很大。上一个时代大家看到的是比较疯狂的获客， AI 时代相对冷静一点，没有那么疯狂。 上个时代的技术范式变化，不止有软件还有硬件——比如手机的渗透，让很多人跳过 PC 直接进入移 ...

AI创业公司工作文化 - 硅谷AI初创公司创始人普遍存在极端工作现象 包括连续三周每周工作92小时 几乎废除周末 奉行不喝酒 不睡觉 不社交准则[1][2] - 创业者将办公室作为多功能空间 在工位旁打地铺或睡会议室沙发 部分租用每月700美元的共享睡眠舱[5][6][8] - 饮食极度简化 一天一顿外卖或依赖代餐补充剂 社交活动拒绝酒精饮料[9][10] AI行业投资趋势 - 2023年全球私营领域对AI创业公司投资总额约960亿美元 较2022年1034亿美元下降7.2%[13] - 获得融资的AI初创企业数量激增40.6%至1812家 但单笔平均融资额缩水 显示赛道玩家增多而资金门槛提升[17][18] - 资本转向理性投资 更倾向资助已占据制高点的大模型公司或有明确壁垒的垂直应用[21] AI行业竞争格局 - 同质化竞争严重 多数初创团队依赖基础模型进行套壳应用开发 缺乏差异化[21] - 商业变现能力不足 典型案例如Stability AI公司2023年营收仅1100万美元 远低于经营支出[19][20] - 技术迭代窗口期短暂 从GPT-4到新模型迭代仅需数月 加剧初创公司竞争压力[27] 创业者动机与行业生态 - 创业者受财务自由预期驱动 将AI浪潮视为21世纪淘金热 追求改变人生的天文数字回报[23][24][25] - 风险投资机构倾向押注全情投入的创始人 无形助长极端奋斗文化[25] - AI工具降低创业门槛 支持原型生成 代码编写和设计初稿 但同时使自我剥削更易实现[29]

AI与移动互联网时代的差异 - AI时代大模型公司追求通用智能而非单一垂直应用 与移动互联网时代操作系统厂商难以颠覆应用市场形成鲜明对比[2] - 大模型公司采用"模型即应用"战略 模型能快速扩展能力到任意领域并以更高维度直接竞争[2] - 大模型公司单位经济(UE)不理想 驱动其向周边场景渗透延伸能力寻找变现路径[2] 初创公司防御策略 - 行业know-how足够复杂难以被通用模型复制是抵御大模型渗透的关键[3] - 长期积累的用户数据能持续优化产品体验形成竞争壁垒[3] - 教育行业因know-how复杂性和数据积累特性成为抵御渗透的典型赛道[3] 教育行业核心know-how - 学习动机问题需要通过游戏化设计解决 如心流曲线设计保证挑战与能力平衡[5] - 教材设计需要精细编排 单词和句子结构呈现需循序渐进控制难度递增[8] - 正向反馈机制需要科学节奏安排与行为触发 而非简单语言赞美[9] - 传统教育公司通过数十年修订打磨形成教学体系 AI难以短期复制[8] 大模型在文科与理科的应用差异 - 大模型在理科领域仍会犯基础错误 如分不清3.11和3.8大小[13] - 大模型在文科领域表现突出 特别是在语言处理方面已超越人类水平[13] - 大模型能轻松完成新闻分级改写等传统需大量教研资源的工作[16] AI语言教育的突破点 - 大模型能提供个性化语言学习体验 如生成多样化例句展示词汇不同用法[22] - 结合配图与动画 AI能显著提升语言学习效率[23] - 系统能持续追踪学习轨迹 准确掌握知识点盲点构建个性化学习画像[23] - 大模型能模拟真实场景对话 解决"学会了却不会用"的核心痛点[26] AI对教育行业服务模式的变革 - AI能替代部分标准化服务工作 如通过学习数据提供个性化学习规划[32] - 基于用户行为数据 AI能给出专业学习建议建立信任关系减少销售干预[32] - 理想状态下教育公司只需保留教研和技术团队 其他服务由AI完成[34] 行业创业投资启示 - 深入具体行业探索AI实际改变比在大模型上修补更重要[36] - 行业know-how是基础大模型难以跨越的壁垒[36] - 找到比过去更好解决用户核心问题的方式是关键成功因素[36]

a16z 管理 460 亿美元资产，是全球最活跃的 AI 投资机构之一。 不是战略规划，而是实战拐点；不是选择路径，而是避免跑偏。 下一轮 AI 公司竞争，拼的不是增长故事，而是： 你有没有先把这几件事做对。 OpenAI、Databricks、Figma、Cursor……这些改变世界的公司背后，都有它的身影。 然而，很多人只知道这个公司名字，却不了解其独特的投资逻辑。 Ben Horowitz (本·霍洛维茨)，这家基金的联合创始人，网景产品经理出身，硅谷创业圣 经《创业维 艰》（The hard thing about hard things）作者，专注 CEO 心理建设。 2025 年 9 月11日，在这场长达 90 分钟的深度对谈中，他没有讨论模型参数，也没有喊 用 AI 快速赚 钱。 他聊的是"AI早期公司如何不死"、"CEO 怎么建立判断力"和"顶级投资人如何看人的潜力上限"。 整理这次对话，我们提炼出他给 AI 创业者的核心判断： 第一件事：先下决定，别拖着等更好选项 做 CEO，最大的问题不是不够聪明。 是你明知道问题在哪，却迟迟不动手改。 Ben Horowitz 讲了一个亲身经历的决策： ...

从创业到现在，已经过去了快半年时间，阶段性进展可以总结为几个标签：30人团队，现金流正向，月 入百万，有客户，有效果。过了生死线，可以更从容地考虑未来公司的发展。 以游戏比喻的话，算是过了游戏的第一章，熟悉了操作和世界观，勉强也有资格总结一份AI创业的新 手攻略，给准备出发和刚踏上旅程的创业朋友。 （PS：此处的AI创业需要缩小一下范围。限定为以公司的形式，以大模型为核心技术，为市场提供产 品或者服务，大概率需要融资加持，肯定会面临剧烈市场波动和竞争。个人自媒体、个人开发等不算在 内。） 一、关于个人 创业是一个漫长的旅途，中间会有各种各样的起起落落，只有在强烈的自我实现动机驱使下，才有可能 坚持下来。单纯为了财务自由，或者为了追求创业体验，都容易半途而废。 特别要警惕的一种情况是，大厂中高层，人过三十，找不到之前理想的工作，从而选择创业。当然会有 各种自我合理化的说辞，但这种情况下被动选择创业，可能就意味着你不适合创业，否则绝对不会在找 不到合适工作的情况下才出发。 你到底是在公司组织内无法自我实现，还是在公司的竞争中被动离开，这个需要问清楚自己。 2. 创业的CEO，一定要有决断力和抗压能力 如果说CEO ...

AI行业发展趋势 - AI领域创业者、投资人、前Uber资深工程师分享硅谷AI创业一线变化及新机会 [1] AI时代人才需求 - 未来最需要复合型人才 [2] AI教育理念 - AI时代父母教育理念需要调整 [2] AI应用项目盈利状况 - 讨论当前AI应用项目赚钱情况 [2] AI信息获取途径 - 探讨AI时代获取一手资料的最佳途径 [2]

AI行业发展趋势 - GPT-5未达预期突破 核心智力提升空间有限 主要优化用户体验和成本 [3] - Transformer架构的AGI能力上限已明确 未来进步空间极为有限 [3] - 模型小型化成为未来两三年关键趋势 通过精简数据降低使用成本 [3] - 中国每日大模型Token消耗量突破30万亿 呈现爆发式增长 [4] - 文字类AI应用去年爆发 语音类今年崛起 视频类预计下半年至明年爆发 [4] 创业环境与竞争态势 - AI Agent创业门槛和成本降低 但市场竞争愈发激烈 [1][4] - 硅谷VC要求产品上线且达到200万美元ARR才考虑投资 [4] - 中国创业公司短期内可达到200万美元ARR 但需12个月内实现更高ARR才能获得持续关注 [4] - 真正爆发式增长的应用门槛极高 需在AI外建立护城河如编辑能力、复杂工作流整合能力 [5] - 会议纪要、AI专有硬件等领域技术门槛低但实用价值大 商业机会多 [5] 投资策略与成功案例 - 投资AI创业公司成功案例寥寥无几 绝大多数将回归地面 [1] - 模型能力上限明确反而为创业者提供更多涌现机会 [3] - AI创作者社区公司通过复杂编辑能力满足用户图片生成优化需求 [5] - AI眼镜等硬件产品在大湾区供应链优势下具备快速解决问题能力 [5] 技术挑战与突破方向 - 数据瓶颈和推理天花板成为主要问题 盲目增加参数和数据量可能损害模型性能 [3] - AI内容实时生成存在延迟 但未来两三年内延迟将大幅降低 [4] - 海外大厂探索AGI前沿 国内应聚焦模型小型化路线 [3]

AI创业路径分析 - A16Z合伙人提出AI创业的两种核心路径：钻"油井"（深耕特定场景并掌握核心数据）与修"管道"（打通分散系统并自动化人工流程）[1] - 两种路径均可能构建规模庞大且壁垒坚固的公司 属于AI时代互补的财富逻辑[2][13] 油井路径：替换与重建 - 油井策略依赖稀缺性 通过掌握企业底层数据锁定客户并构建持久护城河[3][4] - AI极大加速记录系统替代趋势 旧系统在AI面前显得迟钝脆弱 销售周期缩短且替代机会加速出现[4] - 数据非结构化且分散的场景最适合油井策略 两类具体机遇： - 替换重建：用AI原生系统替代落后旧系统 例如Valon整合25个旧系统使利润率超60%[4][5] - 从零起步：切入人工处理流程市场 例如Rillet从中小企业起步开发AI驱动ERP工具 最终挑战NetSuite等老牌系统[7] 管道路径：系统连接与自动化 - 管道策略依靠连接性 通过规模化输送创造稳定回报 无需替换核心系统而是自动化"粘合工作"[3][8] - 最适合管道模式的两种场景： - 分散旧系统：例如Further为保险行业搭建AI工作空间 用行业文档串联分散系统形成顺畅工作流[9] - 人工中间层：例如Concourse开发AI助手接入企业财务软件 取代数小时人工操作[10][11] - 大模型能接管人力操作流程 实现数字化与规模化 过去无法解决的机会成为新市场[10] 路径实施逻辑 - 油井路径需漫长钻探周期 但成功后形成长期护城河 例如Vesta房贷审批系统实现多环节并行处理 将审批速度提升数倍[6][7] - 管道路径价值随接入新工作流复合增长 例如Sola通过插件录制操作生成AI代理 自动执行发票对账等人工工作[11][12] - 企业可同时存在两种需求 创业者需根据市场特性选择路径：关键数据场景选油井 分散劳动密集场景选管道[12]

核心观点 - AI House是西雅图通过历史建筑改造、多方合作共建的AI创新生态空间 融合物理空间、孵化机制和社区文化 打造全美首个城市级AI创业据点 [3][12][13] 背景与建设 - 项目由微软联合创始人Paul Allen创立的Allen人工智能研究所(AI2)孵化器部门拆分而来 2022年成为独立实体AI2 Incubator [4] - 截至2025年 AI2孵化器已培育40多家公司 总估值达12.5亿美元 帮助融资超3亿美元 [5] - 历史码头建筑Pier 70由投资人Dru Agarwal以1100万美元购入 改造后总面积10.8万平方英尺(约1万平方米) AI2孵化器作为基石租户入驻 [8] - 西雅图市政府与华盛顿州政府提供资金支持：州商务部拨款40万美元用于场地租赁 市经济发展办公室投入21万美元用于空间启用 [9] - 非营利教育机构Ada开发者学院引入教育培训资源 形成公部门资金+民间孵化器+非营利机构协同模式 [10][11] 孵化机制与资源 - 专注早期AI创业项目(种子轮/天使轮) 筛选标准强调"AI优先"和双创始人组合(技术专家+领域专家) [15][16] - 基金规模持续扩大：2020年首支基金1000万美元 2023年第二支基金3000万美元 2025年第三支基金达8000万美元 [18] - 入驻项目可获得数十万美元级别种子资金 并享受技术导师(如AI2前所长Oren Etzioni)、算力资源、云服务合作优惠及法务人事等支持 [19][20] - 聚集约100位驻地专家(资深创业者、AI科学家、工程师)提供指导 [21] - 当前联合办公区已入驻20家初创团队 规划总容量达1000个工位 [23] 社区生态与文化 - 定期举办技术分享会、创业沙龙、黑客马拉松等活动 硅谷投资人Vinod Khosla曾出席炉边谈话 [24] - 营造开放包容、互助共进氛围 不同赛道团队共享资源与经验 [26][28] - 与Ada开发者学院深度合作：学院总部迁入AI House 学员(女性、少数族裔等群体)可参与初创公司实习项目 [31] - 通过多元平等价值观降低AI创业门槛 增强社区归属感 [30][32] 对中国AI创新空间的启示 - 政府需统筹资源提供基础投入 引入科研机构、龙头企业、投资基金共建生态 [35][37] - 空间设计应开放共享 举办科普活动、技术展览提升公众参与度 [38][39] - 建立人才培养(联动高校/职教机构)、项目孵化到产业加速的全链条体系 [40][41] - 形成政府、平台公司、孵化器与资本良性循环的"AI生态飞轮" 推动技术从实验室走向应用市场 [43][45]

中国AI软件市场付费习惯 - C端付费率仅3%-13%，较北美市场低3-4倍 [4] - 头部AI企业年经常性收入（ARR）为1-10亿美元，较北美企业低5-100倍 [4] - C端用户年均付费30美元，仅为北美市场的五分之一 [4] - B端企业采购以项目制为主（单笔<100万元），预算较北美订阅制（年>1000万元）低10倍 [4] - 国内某Agent产品上线1个月数万用户中付费用户不足10人，而同类型海外产品3个月实现百万美元收入 [5] 中美市场差异根源 - 北美用户PC端与移动端使用率均衡（约50%），偏好功能复杂的独立软件并形成付费习惯 [7] - 中国用户移动端使用率超60%，依赖超级App的免费闭环服务，独立软件付费意愿被压缩 [7] - 企业数字化基础薄弱，软件提升效率的执行成本高于预期收益，导致采购意愿低 [7] - 国内低人力成本使免费模式更具吸引力，用户倾向接受广告或功能限制替代付费 [7] AI创投生态现状 - 2025年上半年全球新诞生AI公司近5000家，其中中国1380家，日均新增7家 [9] - 全球AI风投总额1400亿美元（占风投比例53-58%），中国AI领域融资820亿美元 [9] - AI创业隐藏门槛高，低成本算力、高质量数据及配套生态资源稀缺 [11] - 前10%头部团队获得市场90%资金，核心创始人圈层不足200人 [11] 科技巨头投入与生态建设 - 2024年美国四大科技公司AI资本开支1.7万亿元，中国七家头部互联网公司仅6300亿元 [13] - 国产大模型在复杂推理、长文本生成及结构化输出稳定性上落后于Claude Opus等国际模型 [13] - 国内大厂倾向内部孵化而非开放生态，形成"大厂主导、小厂陪跑"的僵化模式 [13] - 全球47%顶尖AI研究者本科毕业于中国院校，但仅少数留在中国工作 [14] AI硬件领域优势 - 中国AI硬件企业存量约1180家，2025年上半年新注册312家（同比增长73%） [15] - 同期AI硬件领域融资176亿元，较2024年上半年增长2.1倍，单月最高达42起 [15] - 大湾区为核心聚集地，拥有大疆、小米等企业积累的供应链与人才优势 [16] - 边缘计算与模型轻量化推动硬件智能化，中国在机器人、AR/VR等领域具备国际竞争力 [16]