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

雨桐

大家好，欢迎收听本期晚点聊，我是雨桐。这次是我和曼琪一起跟爱诗科技聊他们的创业故事。在上周六月六日，爱诗科技的 AI 视频 APP 拍我 AI 在国内上线。在此之前上线六个多月的海外版 APP Pixverse 移动端月活已超过一千六百万，爱诗的全球用户已超六千万。在去年下半年，用户用毒液特效模板生成的视频在全球观看量超过十亿次，这比看过毒液这个电影的人还要多。现在点开拍我 AI 和 Pixverse 产品，我们能看到很多好玩的特效，把任何人物封装成一个小玩具，平地入海变成美人鱼，让自家的猫跳科目三或体验一次绿巨人变身。病毒式传播的产品的创始人是一位技术背景的八零后，另一位联合创始人是投资背景的九零后。这次晚点聊我们和爱诗科技联合创始人谢旭璋一起聊了聊非产品背景的创始人怎么做出爆款产品。怎么看待视频生成模型的新趋势，以及怎么一次次在高压下做出选择。

今天很高兴邀请 PixVerse 做客《晚点聊》。我是曼琪，和我在一起的还有晚点科技组的作者雨桐。你可以先和我们的听友简单介绍一下自己。

我叫谢旭璋，英文名叫 Jaden。我现在在创业，做一家叫爱诗科技的公司，我们的产品叫 PixVerse，主要方向是 AI 视频生成。我们自己做模型，也做应用。目前我们的主要用户在海外，国内最近也会正式发布。

在创业之前，我原来在一级市场，是光源资本的从业者，负责他们整个 TMT，包括 AI 这些方向。

你们之前主要的市场是海外，最近要进入中国，所以我们可以先从最开始和现状这两头来聊一聊，给听友一个对 PixVerse 比较快速的认知。

1. 公司从海外起步

其实我们公司长期人都比较少。公司成立大概两年时间，是 2023 年 4 月成立的。第一年大概只有二三十个人，去年到现在整个公司在 50 人以上，但整体体量还是比较小。

因为人比较少、资源比较有限，所以我们在做很多方向选择的时候，早期会更加聚焦，做一些减法。比如在选择市场的时候，国内外的市场毕竟很不一样。鉴于人数限制，以及行业商业模式方面的考虑，我们最早先做了海外市场。

我们最早是在 2023 年 11 月、12 月在 Discord 上开始做的。视频生成这个方向真正火起来，其实是 2024 年 2 月春节，OpenAI 发布 Sora 之后。

你们是在差不多那之前 10 个月成立的。你们当时开始做的时候，为什么选择这个方向？当时视频生成又是什么状态？另外，你和王长虎怎么认识的，你们是怎么组队的？

2. 押注视觉生成

我先讲个前情提要。我创业之前在光源资本，看 TMT 和 AI。原来我们的机构在 TMT，尤其是互联网、移动互联网领域做得还可以，之前中国互联网上比较有名的一些 deal，我们投过里面的一些公司。

但是到了 2022 年之后，整个行业发生了很大的变化，感觉进入了移动互联网的黄昏。那时候我的体感是，有很多公司数据、团队都非常好，但如果它是做互联网的，不管是投资侧还是业务侧，都会有蛮大的阻力。

所以我当时就在看，有没有一些新的事情。那时候美国在 2022 年上半年出现了非常多做 AIGC 的公司，当时叫 AIGC，或者叫文生图。最早接触 Midjourney 和 Stable Diffusion，大概是在 2022 年年中左右。

那段时间我沉迷了几周到一个月，每天都在用 AI 生图。

确实能看出来投资行业不景气，投资人开始花更多时间看新的事情了。

对，我觉得当时确实应该花更多时间去看看新的事情。那时候很多从业者都会想，有没有下一个大的事情，或者下一个大趋势是什么。

当时我觉得文生图很酷，因为我是一个没有艺术细胞的人，画画很丑，也不会画画，从来没有做过短视频。但我发现文生图可以让我做出一些东西。

我记得最有震撼的一次，是我把自己的名字“谢旭璋”输入 Midjourney。它出来了一张很 fancy 的图，构图很精美，中间可能是一个人，看着一个圆形的天空。那个天空有点像玉的形状，我感觉和我名字里的“璋”有点关系。

我当时觉得，这个东西太厉害了，技术已经发展到这个程度了。所以那时候我玩了很久的文生图。那时我还在光源，团队也做了很多文生图。我还写过一篇小文章，叫“我用 AI 帮我做了一百张图”，我们把艺术史、绘画史看了一遍。

我们当时在想，人工智能技术在人类创造内容的时间流上，究竟属于一种什么样的工具。那时候我们还写了一篇文章，这件事挺有意思。

后来我发现，如果要更深入地做这个事情，因为我不会写代码，我想改变的东西其实很少，只能基于已有的东西做事情。所以我就想，有没有可能基于开源模型做一些调整。

我记得那个时候，我在网上发帖，也找一些读博士的高中同学、初中同学帮我发帖，看有没有做 AI 的程序员或者学者，有兴趣一起探索：基于文生图，能做出什么样的应用。

2022 年下半年，我找到了一些有兴趣参与的伙伴，他们主要在杭州。那时候有很长一段时间，每个周末我都去杭州，和他们一起探索在文生图里面可以做什么样的微调、什么样的好玩的东西。

我当时人在上海，所以每个周末都跑去杭州，在一个茶馆里，有点像黑客松一样，大家每天脑暴，想能做什么事情。

当时比较有意思的，一个是 Lensa 出来了。后来妙鸭其实和 Lensa 的逻辑类似，只是妙鸭晚了一年。Lensa 当时在美国上线后很火，我记得一个月已经有几千万美元的订阅收入。

那时候还有两项技术，一个是 ControlNet，一个是 LoRA，都出来了。这两项技术对文生图的可控性，包括保持角色形象的一致性，都有非常大的帮助。

我们当时做了一些探索，比如想能不能把 Lensa 搬到中国。我们做了一些微调，但后来应用没有上线。不过在这个过程中，我们积累了一些体感。

我当时的感觉是，这件事应该会很大。但如果只是一个 part-time 的兴趣小组，应该很难抓住最核心的机会。

到了 2022 年年底，ChatGPT 发布了。发布之后，中国真正从资本层面火起来，其实是在春节前后。因为我已经玩了这类模型一段时间，所以觉得这个东西在中国可能也会不一样。它在美国已经非常火了，于是我又把中国所有能聊到的生成式 AI 公司基本都聊了一遍。

当时我觉得还是有机会，因为大家可能想得还没有那么清楚，或者我会觉得自己想得比别人稍微清楚一点。所以到了那个时间点，我觉得应该 all in。

春节后我先提了离职，虽然还没想好具体做什么，但肯定是视觉生成相关的事情，然后准备去投身创业。

ChatGPT 刚发布、2022 年年底的时候，中国主要有哪些生成式 AI 公司？

那时候像现在的“六小虎”，大部分都还没出来，也都还没成立，只有那两家，包括智谱。对，这两家当时已经成立了。还有一些稍微逆时点的公司，比如做文生图、3D 的公司，已经开始成立了。

视频生成当时我记得还没有什么公司在聊。所以那时候我的感觉是，在海外，或者在我的逻辑里面，这件事已经非常有意义、非常有潜力，但中国还没真正开始，大家的反应好像稍微慢一点。

所以我觉得那时候应该 all in。当时我就准备投身创业。

长虎的经历是原来在微软、字节，都有非常丰富的经验。在字节的时候，他负责整个字节视频、视觉相关的一些 AI 技术。

因为我过去和很多字节出来的创业者有过合作，所以那段时间我在找创业伙伴时，长虎也在找创业合作伙伴。经过一些字节朋友的介绍，我们交流了一段时间，发现大家在很多方向上有共识。

具体到开公司的资本、对外事务和大方向，以及前沿科技的理解，他在技术、产品方面有优势。我们之间比较互补，于是决定一起做这家公司。

2023 年春节后，我们成立了爱诗科技，然后就开始了，大概是这么一个状态。

王长虎一开始看到的也是视频生成这个方向吗？

对。他过去 20 年甚至 20 多年的时间，都在做计算机视觉和视频相关技术。

对于人工智能从业者来说，这是一个巨大的机会：视觉生成，用人工智能辅助人类，或者让人工智能生成内容，成为了可能。

不管从技术层面，还是未来潜在的视频业务层面，都会发生很大的变化。长虎原来在字节参与过很多现在知名的国民级产品从 0 到 1 的过程，背后很多技术是他主导做的。所以在视频这块，他有比较敏锐的嗅觉和判断。

雨桐

你们最开始融资不顺利吗？因为你们刚成立的时候，好像大家更关注大语言模型的创业，视频生成那会儿还没有这么热。

我们第一轮融资还算比较顺利。可能出来融资几天，我们就敲定了。当时有一位产业里比较有名的投资人决定投资我们，包括我的原来老东家、我们个人，以及团队都放了一些钱。

所以第一轮融资其实相对比较顺利。

所以你们在 2023 年的时候，并没有觉得自己所在的领域特别火。

我觉得我们还是比较幸运的。那个时间点，做视觉生成方向的创业公司没有那么多。我们的团队背景、想法，在股东看来也比较有意思，所以最早还是比较顺利的。

你们成立差不多两年，也就是 24 个月。现在爱诗科技做到了什么？从产品、收入、用户这些方面，你们现在大概是什么状态？

3. PixVerse的全球规模

先从模型讲。我们的模型都是自己训练的，过去一年多时间里训练了 7 代模型，从 V1 到最近发布的 V4.5，大概发布了 7 代模型。

从我们的体感，以及很多评测、主观和客观盲测来看，我们的模型都排在全球比较靠前的位置。

产品方面，我们目前的用户量应该排在全球最前面。大概有 1,000 多万、接近 2,000 万月活跃用户，分布在移动端和网页端。我们应该是全球最早月活超过千万的视频生成平台。

雨桐

即梦现在是多少？

我觉得即梦和我们的产品还有一些不一样的地方。即梦里面比较大的比例还是在做文生图或者图相关的社区，但我们的平台基本以视频为主，没有提供文生图的能力。

雨桐

你为什么关注月活？月活比日活更好在哪里？

因为我觉得这个行业还比较早期。大家的产品形态，坦白说，现在还是一个工具，或者付费工具的形态，离社区、离每天使用的产品，可能还有一些 gap。

目前大量用户不付费，就没有核心体验。所以很多指标大家会更多以月为维度来看。当然我们自己内部月活和日活都会看。

你可以讲一讲你们的产品是什么形态。不是所有人都用过，尤其你们之前主要在海外，而且产品形态比较特别，它其实不是给专门做视频的人用的。

我觉得我们的产品形态还蛮有意思。最早这个行业里，Runway 在做这个行业。Runway 团队的背景更偏设计和专业影视制作。

去年我在美国和 Runway 的一些朋友有交流。当时我问他们，未来两三年的 vision 是什么。他们说想拿奥斯卡。这个目标很明确，相当于他们希望训练模型、做产品，服务相对专业的影视行业。

但因为 Runway 是这个行业的先行者，后面进来的人都会参考他们的一些产品路径。

我们最早的网页端产品，现在也服务很多专业影视创作者。很多专业 video creator 都在用我们的网页端产品创作，网页端用户量应该也是全球前几名。

但经过过去一两年的探索，我们觉得这个市场可能有机会，但更大的机会可能在更偏移动端、更偏 To C 的市场。

昨天我正好和国内一家比较顶级的影视公司的高管交流。现在我的体感，或者说过去一年的感受是，大家看到的所谓 AI 视频，比如微信视频号里面各种各样的 AI 视频，本质上 AI 参与的程度可能只有 10% 到 20%。

我们想象一个视听作品，它最核心的是什么？一个是剧本，包括剧情怎么展开、不同片段之间怎么衔接。这些目前都是人的工作。现在 AI 还没法把不同片段、不同剧情的推进做好，还是要人大量参与。

现在 AI 能解决的是部分视频素材的生成。但视频素材这个模态，或者说这个模块，在一个视听作品里面虽然很重要，但并不是视频的全部。视频是一个完整的视听作品。

现在 AI 视频能解决的是单一模态的素材生成问题。不管是偏语言模型、偏逻辑层面，还是声音、配音、配乐，以及未来多模态结合，目前 AI 视频能做的事情都还有限。

所以在专业创作领域，AI 视频目前没法真正实现端到端交付。它能够贡献的比例相对有限。

我们就会思考，在什么方向上有可能实现端到端交付，什么市场可能是更大、更有意义的市场。

我去看整个视频行业的发展。虽然电影院、电视这些渠道都还存在，但大家也知道，现在视频最大的用户量、最大的使用渠道，其实是在移动端的短视频平台。

全世界有几十亿人每天看短视频，但身边真正能够做出一个有热度、有人看的病毒式短视频的人，可能非常少。可能不到 5% 到 10% 的短视频消费者有能力创作短视频。

雨桐

这个应该说高了，肯定没有 5% 到 10%。

对，确实很少。早期抖音、快手的投稿率可能最高能到 10 个点以上，现在我估计一方面是头部集中，另一方面是大量长尾创作者拿不到流量分配。

但我们再看这个行业的发展，视频已经变成人与人之间，或者说信息传播最重要的媒介。特别是对年轻人来说，大家看各种东西都希望通过视频获取信息和内容。

在这种情况下，视频是很重要的传播媒介，但只有很少的人有能力创造视频，或者用视频讲述、传递信息。我觉得这里面有很大的机会。

4. 模板让普通人创作

所以我们最早就想，怎么能让普通人用 AI 做出第一个好玩的、和自己有关的、和身边环境生活有关的视频，并且发布出去。我们想解决的是这个问题。

大概在发布第三代模型的时候，我们推出了很多模板玩法。最火的一个效果叫“毒液变身”，可能很多听众在国内或者海外都看到过，英文叫 We Are Venom。

当时在《毒液》上映的时候，那个月全球可能有几百万人玩过我们的毒液变身效果。它的效果就是让任何人把自己、身边的宠物或者朋友，一键变成毒液。过程和结果都是 AI 生成的，有不确定性，也很酷。

那个月我觉得这个模板玩法充分验证了我们的一些想法。我们认为，这可能是全世界第一次有 AI 视频生成模型被广泛地由普通人使用并传播。

这个模板玩法应该是 2024 年下半年上线的。你们从更专业的用户转向泛用户，思考大概发生在 2024 年年中左右吗？

其实我们很早就想做 To C。当时我们接受过一些访谈，也对外讲过，我们想做 AI 视频，服务广大的普通人。

但一个原因是技术发展有不同阶段。最早几代视频模型，对普通人来说还没有太大的使用场景。第二个原因是我们自己的思考也在迭代。

在第三代模型出来之前，我们就感觉到，图生视频，或者说让普通人在手机上使用图生视频，是一个非常大的机会。那个时间点，我们就基于这个方向迭代模型和产品，最后毒液变身集中体现了我们的一些思路。

所以可以说，模板玩法是你们目前比较大的特点。

是的。但模板的本质，是让普通人用很低的门槛，使用视频模型做出高质量内容并分享。

对普通人来说，他根本不在乎是不是 AI，他在乎的是能不能简单地做出有趣、好玩、能分享的东西。

我们觉得模板最重要的是解决两个问题。第一是不需要写提示词，因为写提示词对用户来说非常难。我猜 95% 以上的用户都写不好提示词，特别是长提示词，甚至可能比拍照、拍视频更难。

第二，通过模板化的方式，我们大大提高了“抽卡率”。它不需要反复抽卡，大概率就能交付一个高质量结果。我觉得这就是它核心解决的问题。

雨桐

你也可以讲讲收入情况。我们 2024 年底聊过一次，当时你提到圣诞节的时候，你们在拉美赚了很多钱。这也和模板有关吗？

5. 订阅收入快速增长

我们应该是这段时间收入增速比较快的 AI 应用或者 AI 模型应用公司。过去几个月，我们的收入可能翻了 10 倍。现在单月收入已经超过 1,000 万元人民币，都是海外订阅收入，而且收入质量还比较高，毛利也比较高。

雨桐

你们一年的 ARR 现在是多少？

如果按订阅算，我个人觉得 ARR 这个东西比较虚，我不是很信这个概念。到底什么是 recurring，我觉得我们的收入是比较可持续的，因为是大量用户在付费，而且他们也会续费。

雨桐

你刚才说 ARR 比较虚，为什么？

我之前和很多美国投资人、从业者，以及国内朋友讨论过 ARR 到底怎么算。我的概念里，SaaS 的 ARR 是 recurring，要比较能重复、需要计算。但我发现现在很多人算 ARR，是把一天的收入乘以 365，或者把一个月的收入乘以 12。我觉得这和我概念里的 recurring 不太一样。

另外，我原来还看 TMT。互联网行业里的 To C 产品其实没有什么 recurring。比如腾讯游戏怎么算 recurring？《王者荣耀》不 recurring，每个人都是单次充值。Recurring revenue 本来更像 SaaS 行业的概念。

我们做的东西更偏 To C，虽然也是订阅模式，但对我们来说，更有意义的是看收入增速以及收入是否可持续，包括有多少人在付钱、付费率、ARPU 和复购。这些对我来说更有意义。

雨桐

你们现在除了订阅，没有别的收入方式吗？

我们在探索 API 收入。确实有很多合作伙伴找过来，希望接我们的 API，做 To Developer 或 To B 的业务。国内外现在已经有不少合作方接入我们的 API，再去做应用。

对我们来说，这也是通过合作方服务好终端用户的一种方式。

从 2023 年 4 月开始创业，到现在中间发生过哪些非常超出你想象、给你带来不一样体验的事情？

我没有想过我们能有一个月 1,000 多万人涌进来玩我们的产品。这在互联网里面也是一个很夸张的数字。

这是哪个月发生的？

最近其实一直在发生，最近每个月都是 1,000 多万人。

想想以前看互联网的时候，好像也很少有创业公司能在产品发布前几个月，就有这么多人涌进来，特别是在整个互联网流量红利已经结束的状态下。

所以我觉得 AI 代表了新的可能性，打开了技术和应用上的新可能，才会有新的流量红利出现。

你们从产品发布到 1,000 万月活，中间用了几个月？

首先，网页端和最终产品之间还是有 gap。我们移动端发布之后，第一个月就过了 1,000 万月活。

移动端正式发布是在 2024 年年底，11 月、12 月左右。12 月上线，1 月份就已经过了 1,000 万月活。

你们今年也上线了信息流功能。在自己的 App 里，用户可以发帖，发到你们自己的 App 里面。

以前的玩法是生成视频后，一键转发到 Instagram、Snapchat 这些地方。现在也可以发在自己的 App 里，相当于有点像一个内容社区。这个功能上线之后，你们观察到什么变化了吗？

6. 社区激励新的创作者

首先我们现在还做得很初期。我的观点是，整个 AI 行业的产品化都还很早期，很难用移动互联网成熟的产品形态去看 AI 行业。

比如在移动互联网里，不会让创作者去订阅。抖音会鼓励大家创作，给创作者分钱。但 AI 行业有推理成本，而且行业发展比较早，所以现在很多创作范式和创作模式，和成熟互联网产品不太一样。

因此很难用传统概念去套 AI 行业。

第二，对我们来说，我们也想探索社区的可能性，但要一步步来。最有意义的还是怎么吸引更多没有做过短视频的用户，第一次来这里用 AI 做出一个有意义的短视频并发布。

同时，我们也希望里面有创意的人，能够做出他们觉得好玩的模板，分享给别人，让别人一键做同款。

这两件事是我们会去探索的。至于内容消费社区，我觉得会一步步探索，不能把步子迈得太大。

你们现在有些模板并不是自己想出来、自己运营的，是用户投稿的吗？

是的。现在更多是通过投稿的方式，还没有直接的发布链路，但后续也会考虑。

线上有一些模板和玩法，其实是用户自己探索出来的。我们觉得用户的创造力和创意是无穷无尽的，而我们的创意是有限的。

我们希望未来把整个架子搭好，让大家上来唱戏。

雨桐

如果我是一个用户，我做的模板有很多人来用，那我可以在这个系统里得到什么奖励吗？能给我分钱吗？

目前还没有，我们还在思考。但很多时候，对用户来说，被人看见、被人认可他的创意，就是最重要的。影响力本身是一种激励，这可能在第一阶段尤其重要。

雨桐

剪映的很多模板是不是会给创作者分钱？

是的。他们有一个非常专业的剪映特效创作者生态。

但我觉得，那类创作者和 AI 视频特效创作者还是有一些差异。我们的用户通常是更普通、更泛 C 的人，可能不知道怎么剪视频，甚至不知道怎么拍视频。他们第一次做视频，可能就是用我们的产品。

我觉得这是一批新的 creator。

你刚才说到 API 业务的探索，以及 2024 年年中的思考：视频生成在制作一个完整视频时，其实只占一部分。现在这件事有变化吗？

有一些产品，比如接入你的模型，或者可灵、MiniMax 的模型，自己主要做应用。刚上线的 InVideo，还有和它很像的 Pippit、Creatify，都是接入很多不同的视频模型、语音模型和大语言模型，可以在一个流程里既生成视频，又有语音、配乐和字幕。这样的方向会是你们考虑的吗？

7. 视频模型的技术路线

我们会考虑。同时我们也会看，因为这里面的核心还是多模态生成问题。

现在各个模态之间还比较割裂。怎么让视频和声音结合，声音又包括音乐、音效、人声，再和逻辑结合——逻辑代表剧本如何推进、如何推演——多模态生成还没有被很好地解决。

如果每个模态本身都有问题，把它们组合起来，可能会有更大的问题。所以我们会和很多同行一起探索，也很愿意给探索这块工作的团队提供 API。

我个人觉得，这个机会很大，但目前各个模态的问题都还存在。

我觉得那种产品的使用门槛可能会高一点。刚刚描述的产品形态，更面向专业视频创作者。

对。我觉得现在 AI 行业有很多概念和 demo，但最后产品到底想做什么，其实最简单的判断方式，是看它进去之后第一屏主推的 feature 是什么。那个可能是它最核心的东西，其他 feature 可能更多是尝试。

很多产品提供了很多功能，但最核心的需求或场景，开始时可能并没有那么多。

从最开始到现在这 24 个月，如果总结一下，爱诗科技做过的几个关键决策是什么？

最早的一个决策，是做视频生成。我觉得这是第一个重要决策。

第二个重要决策，是不要过度花钱训练模型，而是用比较稳健的方式，在资源有限的前提下，提高每一代模型的迭代效率。

第三个重要决策，是在产品化方向上做更多 To C 探索，包括低门槛的模板化创作场景。

第一和第三个刚才已经讲过了。第二个可以展开一下吗？你说的“让大家接受资源有限”，这里的“大家”是指内部研发团队吗？你们有没有过消耗、挥霍资源的时候？

我们一直储备了比较充裕的资金，但也一直采用比较稳健的经营和花钱策略来训练模型。

现在回头看，我们训练出目前这个效果还不错的模型，使用的资源和 GPU 数量，应该是很多同行的十分之一，甚至可能二十分之一。

去年这个时候我们聊过，王长虎说如果你们有更多钱、买更多卡，可能会更早训练出 Sora。现在回头看，你不后悔吗？

不后悔。首先我们当时也没有 10 倍那么多钱，不可能多出 10 倍资源。我们的钱虽然充裕，但也没有那么多。

另外，我们希望更多地把组织效率做上去，而不是单纯砸钱。毕竟 AI 创业公司在中国开始，不会像美国一样有那么充裕的资金支持，大家需要更多提升效率，通过效率解决更长期的问题。

既然你把它称为一个决策，就说明另一种做法——花更多资源训练模型——在当时也是一个选项。行业里有没有其他人往这个方向做，而且效果也不错，可以作为参考？

可灵应该花了蛮多资源，具体量级我不知道，但它的资源和人数应该比我们多很多，而且做得也很好。

不过更多可能是一些不太正面的例子。国内外很多大厂在这件事上投入了大量资源，但目前模型训练可能还是遇到瓶颈。

我觉得这本身是一个非常难的技术问题，不是砸钱、砸资源、招足够多的人就能解决的。它对团队效率、团队认知，以及团队做事情的方式，都有非常高的要求。

雨桐

在全球范围内，视频生成行业公认比较头部、第一梯队的模型，有哪些公司在做？

8. 视频模型进入第一梯队

首先我觉得，不同模型的能力评估本身就比较主观。

在我自己的概念里，海外 Google 做得很好。国内同行里，可灵、海螺都做得很好，我们也觉得自己做得不错。

从用户量来说，这个行业用户量最大的 3 家公司应该都是中国公司，就是可灵、MiniMax 和我们。

你刚才没有提 OpenAI。

我们觉得 Sora 最后交付的模型，和当时 demo 的差距非常大，差了 10 个 pixels。

差了 10 个 pixels？

对。

所以 OpenAI 的视频生成已经不算第一梯队了吗？有点超前宣传？

我觉得它开了一个不太好的头，导致 AI 行业从那个时候开始，有非常多公司发一个 demo，说“我做到了什么”，但实际上交付不了对应的模型和产品。

现在去看 Sora，之前外网有一些人想用它现在的模型复现一年前 demo 的效果，好像没有人成功。所以 demo 或理论，和实践、产品之间的 gap 还是很大。

我们 2024 年 11 月聊过一次，那会儿你刚从美国回来，在美国待了一段时间。2025 年 2 月我们又聊过一次。

这两次我明显感觉到你的状态变化挺大。2024 年 11 月见面时，你比较焦虑。到 2025 年 2 月，可能你们的数据都起来了，状态就好很多。

你觉得这三四个月里，行业和你们自己发生了什么变化？

我觉得有几个点。

第一个，我觉得国内很多环境和舆论导向，会默认 AI 领域、美国比较前沿的技术，显著领先于中国。

去年很长一段时间，大家都在尝试复现、超越 Sora。很多人会觉得中国差了很多。我记得有一些大厂创始人说过，中国可能 10 年、20 年都做不出 Sora。

但当时我觉得，这和我们实际拿到的信息不太一样。

我觉得可灵对大家是一个很大的提振。可灵在去年六七月份开过一次发布会，当时想请很多同行去捧场，但最后现场只有我们去了。那次发布会上，我们是唯一一家夸可灵的公司，说可灵是在大模型、基础模型领域里，第一次有中国团队跑得比海外更快。

这背后有一些逻辑，也有一些事实。过去几年，中国以及全世界视频行业的发展，不管技术还是产品，中国公司其实跑得比较快。

过去几年最大的几个新短视频平台，比如最早的快手，以及后来的抖音、TikTok，都是华人或者华人公司做出来的。除了产品之外，它们还培养了大量做视觉、做视频相关技术的算法专家。

所以我们相信，中国公司和中国顶尖工程师的储备是很充裕的。可灵、我们、海螺能在这个行业里做得还不错，是有底层逻辑和人才储备基础的。

所以这个变化是，2024 年 12 月圣诞节的时候，OpenAI 终于把 Sora 放出来，大家看了之后觉得好像也没那么厉害。后来春节 DeepSeek 又特别火，让大家的信心更大了，是吗？

我觉得 OpenAI 这件事对行业影响也不好。它毕竟是行业很多风向的引领者，它做得比较差，其实不一定是好事。

但它也验证了我们的一些想法：这个技术确实很难，但中国或者华人团队是可以做得很好的。

今年 OpenAI 发布了 GPT-4o 的文生图功能，自己说是用自回归方式做的。中国也有团队在 4 月下旬发布了视频生成模型和产品，也是用自回归方式做的。

这件事对你们有什么新的启发或影响？因为它接下来也有可能把这个东西做到视频生成里。

GPT-4o 的 Image Generation 做得非常好。它把很多可控生成，以及对复杂语义的理解，都做得非常好。背后的 AR 相关技术路径，我们其实一直也在探索。

OpenAI 现在也在尝试视频，我们自己也在尝试。我觉得我们不一定会比它慢，在这块我们做了很多工作。

但即使有了自回归，或者在语义、语言输入方面做得更好的视频生成，也不一定在 To C 方面最有意义。

我刚才讲过，To C 用户可能不会写字，也不会写 prompt。对很多专业用户来说，这可能是有意义的帮助；但对普通人来说，他们更在乎的可能还是模型能力，以及如何更方便地使用。

这方面我们也会做很多探索。

接下来可以从你们的产品选择聊到 AI 应用创业里一个老生常谈的问题：和大公司的竞争。

你们现在做的是 To C 产品。刚才也提到，即梦和你们不完全相似，但有一些重合，因为它也有图生视频的部分。

另外，你们现在做的模板，在抖音和快手里本来就有类似的功能。比如在抖音里点加号，就有 AI 特效可以选，甚至有一些和你们一样的特效，比如微波炉特效。

你觉得你们跑出来的机会是什么？

首先有几个层面。

第一，我们的模型是整个产品背后的基础。对于模型迭代，我们还是比较有信心的。现在我们的迭代速度、模型效果，包括生成速度，在全球都排在比较前面。

所以我们觉得，只要技术效率能够保持下去，这会是产品化和产品迭代的重要基础。对于团队的迭代，我们有信心。

第二，我觉得我们所面对的视频行业，不是一个赢家通吃的行业。

不管国内还是海外，整个视频行业的发展都不是这样。电视台、电影院还存在，没有被优酷、爱奇艺、Netflix 取代；优酷、爱奇艺、Netflix 也存在，没有被抖音、快手、TikTok 取代。

视频是一个仍在发展、快速变大的行业。现在有短视频、长视频、直播，以及各种各样的平台。视频不是一个垂直赛道，而是一个很大的行业和商业生态。

我们更多是从解决问题的角度来想。这个行业里依然有很多人没有做过视频。过去视频行业发展的一个重要驱动因素，就是随着内容供给增加、内容形态变化，有更多人参与视频创作，从而带来新的产业发展。

我们觉得 AI 视频生成也会有类似作用。这是一个很大的增量市场，不存在一个大公司把所有事情都做完。

我们现在想得比较清楚，海外和国内都有很大的新机会。

你们已经在海外运营一年多了。海外的视频平台对你们压力大吗？还是更多是合作关系，因为你们可以分享到那些地方？

我感觉没有太大压力。我们的用户不仅把内容分享到 TikTok、YouTube 或 Instagram，很多人也分享到即时通信工具和自己的社交网络里。

比如 Telegram。我们想象一下，很多用户做出来的内容和自己有关、很好玩，但不一定适合发到公域。

很多人愿意发到群里。我自己就天天在各种群里给大家做视频，大家都很喜欢。

我们观察到，很多用户会在自己的圈子、群聊、私聊和朋友圈里分享。这也很重要。海外市场的渠道分布、用户场景更加多元。

一种新的创作方式，或者用视频分享生活、分享创意的方式，本身就是一个很有意思的新市场。

前几天我们科技组的同事也都在用，大家也是在小群里传。

是的。比如最近如果大家能使用 TikTok，可以搜索 PixVerse，会看到非常多普通人——可能从来没有做过热门短视频——这辈子第一个获得 1 万、10 万甚至 100 万赞的视频，就是用我们做出来的。

对他们来说很简单，只要给自己的宠物拍一张照片或者一段视频，让它跳舞、做一些动作，就能吸引很多正反馈。

这让很多普通人第一次拥有了这样的链路：自己的生活、自己的创作，被别人看见。

以前受限于创作能力，以及创作平台的流量分配逻辑，现在我们真的能让普通人第一次做出高质量视频，而且每个都不一样，每个都很好玩，和自己的生活有关。

这是我们看到的一个非常令人兴奋的新机会。

你们为什么在这个时间点进入国内市场，做中国的产品？

几个原因。

我们最早就想做一个全球产品，中国也是全球非常大的市场。之前一直没有进入，是因为团队经历、早期人太少、精力顾不过来。

但现在这个时间点其实蛮好。

首先，AI 视频的一些场景已经被探索过。去年毒液变身最火的时候，中国也有很多人在使用。那个月中国应该有几百万人用过毒液变身，远远比看过《毒液》电影的人多。

当时我记得，很多人在闲鱼发帖，找人帮忙代做毒液变身视频。

一条多少钱？

当时最贵的挂到 20 元一条，一般可能几块钱一条。

那你们错失了一个赚钱的机会。

对。当时我在闲鱼上看到很多人通过这个赚钱。

本身视频是一个很通用的媒介形态。美国好玩的玩法、欧洲好玩的玩法，在中国也一样。视频是一个更通用、更普世的传播媒介和沟通方式。

所以中国的需求和海外不会有太大区别。

另外，我们现在产品开发、模型迭代和团队精力都更充裕了。我们觉得现在是比较适合进入中国市场的节点。

毒液变身的门槛，或者说壁垒，在哪里？

如果我是另外一家想做视频模板的公司，也复制一个毒液变身，抖音、快手也可以做，怎么办？

首先，你得有一个很好的基础模型。基础模型必须是高质量的生成模型，才能让变身过程和结果符合用户预期。

这里面一方面是技术，另一方面是业务。

技术上，我们需要有一个模型，还要对模型进行微调，在很多技术层面做额外工作。

业务上，我们需要用户洞察，要提前做实验和猜测，判断用户喜欢什么。

毒液可能火几周到一个月。别的公司想做也能做出来，但一个月之后它可能已经不火了。如果迭代速度不够快，就很难跟上我们的效率。

你们怎么让持续出现热门模板这件事更有持续性？

这有点像早年的抖音。2017 年、2018 年的时候，抖音靠内容运营，经常推出一些拍摄方式，让模板病毒式传播，大家就会去拍类似的东西。

我们内部会不断产生一些创意。但更重要的还是基础模型。基础模型足够好，很多创意才有可能被满足。

在此之上，内部创意、用户投稿的创意，以及整个市场的趋势，都是重要的输入和创意来源。

更进一步，我们希望未来让用户参与创意产生，让用户贡献创意，帮助更多普通人进行更多元的创作。这是我们比较长期的思路。

你们之前在拉美和欧洲反响很好的“耶稣温暖你”，是在圣诞节前后上线的、很本土化的玩法。这是你们自己想的，还是用户的 idea 启发了你们？

这个 case 很有意思。

确实有很多用户想做宗教内容。宗教内容本身来自几百、几千年前的经典典籍，很多是文字，是不可视化的。

比如没有人知道某个神长什么样。但耶稣大家至少有一个大概的形象，因为有十字架上的标准形象。

我们发现，用户对于宗教内容的可视化有不少需求。于是我们想，会不会有一些玩法，能帮助用户通过创作获得温暖，实现一些自己想象中的场景。

当时大家就想做一个“赛博耶稣”，让他拥抱所有信徒。这个模板上线之后还挺火。在欧洲很多国家，包括德国、西班牙、意大利，都上过 App Store 总榜第一。

那段时间，很多人都在玩这个模板，也很喜欢。

这件事在欧洲这些有宗教信仰的国家，会引起一些讨论和争议吗？比如用 AI 生成耶稣。

我觉得会用 AI 做生成的用户，本身对很多新兴事物就有接受程度。

当时还有一件有意思的事。我联系过前任教皇的助理，通过一些共同朋友和他沟通，讲了我们的产品，问有没有合作的可能。

至少我们的感觉是，最严肃的宗教机构并没有特别抵触这件事。

我觉得这本质上是一种新媒体传播方式，让更多人把自己相信、想象的东西可视化，并得到一些温暖和快乐。

你们马上要上线国内版本。它在功能上和海外版完全一样吗？会有哪些区别？你们对这个产品的表现有什么预期？

最早版本基本会一样。中国是全球市场中的一个，所以我们觉得已经验证过的需求和场景逻辑，大部分可以复用。

发布之后，我们会看用户反馈，再决定要不要针对性地迭代升级。

正式发布国内产品之后，你们有没有预判过，可能会给竞争格局或者其他对手的动作带来什么影响？

我们的观点是，中国是全球非常重要的市场之一。

对我们来说，中国市场的规模很重要，是肯定要做的市场。但我们现在还没有精力把每个市场都做得非常精细。

目前海外还是更大的市场，海外有更多事情要做。中国这边，我们会有一些冷启动策略，先上线、看数据，再迭代，继续看怎么做得更好。

目前大概是这样的状态。

你们现在海外哪个市场最大？我直接在产品界面里看，会看到英语、俄语、泰语等很多语言，好像分布挺广。

首先，视频是一个更通用的传播媒介。一个好玩的模板或效果，在美国能火，在中国能火，在巴西、泰国和欧洲也能火。

视频传播、视频效果本身就是一种更通用的媒介。

我们在全世界 80% 的国家，都曾经在当地榜单上排名比较靠前。

对你们来说，哪个市场用户占比和收入贡献比较大？

人口大国，比如美国、巴西、俄罗斯，以及整个欧洲市场，对我们都比较重要。

这是你们之前没有计划的，就是先放一个全球版，最后跑出来哪个市场就是哪个市场？

我们现在还没有做得那么精细化。

为什么会有巴西？你们也没有多语言版本吧？

我们有多语言版本。巴西人比较爱玩，但我们确实对巴西市场没有那么多洞察。

所以巴西、俄罗斯用户比较多，可能不完全在你们最开始的预期里？

其实在预期里。我们的判断是，这是一个很普世的需求，人口大国肯定都会喜欢玩。

印尼也不少吗？

印尼也不少。

不是因为印尼不信仰耶稣吗？

我们的模板使用分布已经比较均匀。印尼也是人口大国，应该是全球人口第四多的国家。印度也是人口大国，印度也会时不时出现一些小的热度。

这可能也和每个地区的移动互联网、手机普及率有关。

对，这也有关系。

你们去年曾经说，爱诗科技的目标客群是每天玩抖音、TikTok 的用户。这个怎么理解？是想和他们竞争，还是希望帮助这些用户？

玩抖音、TikTok 的用户，代表的就是普通人。所有能看视频的人，都有可能成为我们的用户。

能看视频的人，可能都有通过视频表达的表达欲。无论是发私聊、群聊，还是发到公域，很多人都有表达欲，但表达欲没有被满足。

我们希望通过 AI 创作方式，降低使用视频表达的门槛。

每个人手机都有摄像头，但真正能拍好素材、配好音、做好剪辑，以及拍出来不怕被嘲笑的人，其实很少。

我们希望用 AI 帮助这些人迈出第一步，做出一个好玩、和自己有关、可以分享、值得分享的视频。不管他分享到公域还是私域，我们都希望帮助很多人迈出第一步。

关于 AI 视频会被用在什么地方，你们接下来比较大的重点是什么？

一方面你们是 To C，另一方面我感觉你和影视公司的人交流也挺多。

这件事挺有意思。

从去年 Sora 刚出来开始，因为当时中国只有我们的模型可以用，所以有很多影视剧公司和专业 creator 找我们交流。

那时候有很多交流，但最近少了很多。因为一方面技术还没有那么匹配，另一方面我觉得还需要继续发展，才能匹配他们的需求。

回到刚才的问题，更多是我们的选择。我们还是聚焦普通人，想让普通人更容易体验 AI 创作的乐趣，做出一个好玩、值得分享的视频。

视频生成领域接下来的竞争点和赛点是什么？谁先做到什么事情，可能会给现在的竞争格局带来比较大的变化？

最基础的还是模型和技术迭代。

现在视频生成模型还有很大的提升空间，不管是物理规律、运动幅度，还是生成速度，都有很多事情可以探索。所以 foundation model 的升级，仍然是最基础、最重要的事情。

在此之上，方向选择也很重要：你的模型用来做什么。

我经常打比方说，AI 视频生成模型不是一个全能的 AI 导演，而是一台新的 AI camera。这个 camera 被用在什么地方，也很重要。

类比传统 camera，有些用在电影行业，是一个大家伙，拍电影；有些用在短剧行业；有些用在短视频行业。不同使用场景里，摄像头能发挥的价值，以及怎么让用户体验产品化路径，都不一样。

所以模型迭代和产品方向选择，是相辅相成、互相促进的过程。最重要的还是技术，以及技术用来做什么。

你刚才说的第一个点，技术和模型提升，包括物理规律是否真实、时长和生成速度。

现在 PixVerse 普遍生成的视频时长，我感觉多是 4 到 5 秒左右。

5 到 8 秒，5 到 8 秒左右比较多。

5 到 8 秒，是受限于目前的模型能力，还是你们发现用户需要这么长？

我觉得行业里有两个反常识的伪需求。

一个是生成得越长越好，另一个是文生视频是最大的场景。

先说生成更长。它并不是真实的创作需求。我们去 B 站打开一个视频，或者在电影院看一部电影，数一下有多少镜头是长镜头、一镜到底。这样的镜头非常少。

我之前大概数过，95% 以上的镜头都在 8 秒以内。无论专业创作还是普通人创作，一分钟那么长的镜头都不是常用的镜头长度。

我们在线上也尝试过更长时长的镜头，发现使用的用户非常少。所以不是技术上做不了更长，而是基于用户需求和实际创作场景，我们发现 10 秒，或者 5 到 10 秒，可能是比较有意义的创作单元。

前段时间我和另外一家影视公司的核心人员交流，他提到一个痛点：现在视频单镜头长度太长了，他们想要 1 到 2 秒的镜头，不想要 5 到 8 秒，也不想要 10 秒。因为 1 到 2 秒更可控，更容易组织镜头之间的关系。

我觉得这不是反常识，而是 Sora 或 OpenAI 之前给大家灌输了“一分钟生成很厉害”的概念。但实际上这并不是真实需求，而且它也没有做到一分钟生成，只是镜头之间的拼接。

另外，文生视频也不是很多人使用的场景。无论专业创作者还是普通人，都不太用文生视频。因为文本语义和视觉之间的 gap 还是太大。

很难通过语义控制好风格化。很多专业创作者会用分镜，他们自己也会画分镜。

对大部分创作场景来说，不管普通人、专业用户，还是图，或者图加文字生成视频，仍然是最重要的场景。

所以生成时长不是技术限制，更多是你们的判断。

对。

具体在基础模型提升上，你们比较看好的趋势是什么？

有几个大方向。

首先，可能会有新的架构出现。比如 GPT-4o Image Generation 采用的 AR 路线，我觉得很有意思，和我们之前的一些想法类似。

我们现在是 DiT 架构，但自回归结合 Diffusion 的生成架构，我们也在做很多积极尝试。我们有信心，也应该会比较快地发布一个可用的、高质量的新架构模型，可能会是全球前几个，甚至最快的。

但正如我刚才讲的，这个模型不一定是普通人最喜欢玩的，可能对专业创作者更有帮助。

第二，我们觉得把生成速度压得更快更有意义。

我们线上的模型生成速度，应该是全世界高质量模型里最快的。只需要 5 到 10 秒，就能生成一个高质量的视频镜头。

对比同行，大部分闭源和开源的高质量模型，至少需要 1 到 2 分钟，才能生成一个高质量镜头。

我们希望在模型质量更好的情况下，保持生成速度。我觉得这对用户体验至关重要。

我可以安利一下，因为我自己在用你们的产品，体感确实挺快。差不多十几秒到 20 秒，看不同分辨率。如果是比较基础的分辨率，最快是不是 5 秒就可以生成一个 5 秒镜头？

对。最快我们应该是 5 秒生成一个 5 秒镜头。

那基本等于实时了，生成时间差不多等于视频本身的时长。

对。这个不是 demo，线上大家就可以体验。我们 1 月份已经有这个模型了。

我第一次用模板时可能需要等十几秒，第二次用的时候，哪怕换一张照片，好像也会快很多。

哦，那应该没有，那应该只是说正好那时候排队时间就比较短，是吗？

对，对，对，理论上每次都是如果没有排队的话，应该是基本一样。

你刚才提到，除了 To C 产品，也在探索 API 收入。你们会不会觉得这样做有点多，不够专注和聚焦？

我们觉得做一个标准化 API 平台，对我们来说是新的商业模式，还是值得探索的事情。

因为模型优化方向可能会不一样。你们可能会在全球第一批推出一个新架构的、高质量、可用的视频生成模型，但你也提到，这个模型可能不是每天玩 TikTok、抖音、快手的普通人会用，而是更偏专业用户。

相当于你们在往两个方向优化基础模型。这样不会分散精力吗？

首先，我们训练的底层模型还是通用模型。

不管是 B2B、B2B2C，还是直接 To C，实际上都是解决各种场景。这些场景合在一起，就是一个通用问题。

API 的反馈对我们反而有益。个人客户会有很多 feedback，企业客户或者更大的组织也会有 feedback。对训练一个通用模型来说，这些都是有益的。

视频生成领域的 To B 业务，也会有定制化做法吗？目前市场上的这些公司会做吗？

当然有。我们了解到，很多同行在做分销，也有很多人在做解决方案。

我刚才问是否足够聚焦、专注，是因为还想讨论模型和产品的关系，以及你们团队精力如何在两者之间分配。

2023 年爱诗科技成立时，包括一批“六小龙”公司成立，当时行业主流观点是模型和应用要双轮驱动，必须一起做。

后来大家的想法发生变化，觉得现阶段产品是不是做得特别好，并不是最重要的，最重要的是基础模型能力持续提升。模型能力提升之后，产品也会发生比较大的变化。

具体到你们这个行业和现在做的事情，你们怎么平衡模型和产品的关系？

它们有些地方肯定是一致的：视频生成模型性能越好，产品就越好用，生成速度和效果也会提升。

但另一方面，你们现在 To C 的产品形态里，有很多专业影视内容所需要的能力可能用不上，甚至方向相反。那部分能力你们是舍弃了，还是为了做更好的模型也会去做？

首先，AI 行业通常讲的模型和应用关系，更多是语言模型和语言模型应用的关系，大家一般是在这个语境里讨论。

视频生成和语言模型有很大不同。我们刚才打比方说，做的更像一台 AI 摄像头。摄像头没法直接卖来赚钱，它需要放到具体场景里，给到用户。

但研发 AI 摄像头本身，有很多基础和通用能力需要解决。比如分辨率、符合物理规律、清晰度、生成速度，这些都是通用问题，无论如何都要解决。

产品层面，确实要把通用能力应用在具体场景里。To C 这块，我们会有一些取舍。

比如 App 端和网页端是两个相对不一样的产品：一个更多服务普通人，一个更多服务专业创作者。

App 端功能相对少，我们没有把网页端很多专业创作功能放进 App，因为对普通人来说可能没用。但这不意味着我们不会迭代通用能力。

有些 feature 对普通人很有意义。比如最近有一个功能，最早是专业用户使用的“首尾帧”。

“首尾帧”最早是专业场景里给用户一个首帧、一个尾帧，再去补帧。最近我们发现，大量普通用户在用这个功能，让自己从小长大。

他上传一张小时候的照片，再上传一张长大后的照片，就能生成自己从小长大的视频。

这个功能最早我记得是即梦做的，后来大家都有了。但最后普通人广泛使用这个玩法，可能是在我们这里。

你昨天还在群里用雨桐的微信头像，开始是他的头像，后来变成他去旅游的照片。

对，就是类似的玩法。这个效果很有意思。

我觉得技术发展会打开更多可能性。我们很难用一个垂直行业，或者目前的认知，去框定技术未来会带来的可能性。

所以我们还是很重视模型这个基础，要把基础模型做得更好。同时，我们也会探索更多功能和模型能力的边界，和用户一起探索：基于更好的模型，能有哪些好玩的玩法给普通人或专业用户。

总体来说，你觉得模型和产品在你们的竞争力或壁垒里，分别占多大比重？

我们的概念里，这两个东西都很重要，没有哪个更重要。

有些人觉得模型决定一切，模型即产品；有些人觉得应用最重要。但我们的概念是两件事都重要。

如果没有技术模型，任何应用想法都无法实现；如果好的技术没有找到好的应用方向，它的价值和潜力也无法发挥。

所以不管内部协作，还是公司发展，我们都希望把这两块都做好。

我想补充问一下。你们现在做的方向，我觉得偏娱乐类，至少 App 端是偏娱乐类。

另一方面，大部分做视频生成的创业公司或大公司，比如快手、可灵，偏生产力，帮助专业影视制作者提升效率。

你怎么看这两大类选择？它们的切入难度和未来天花板分别是什么？

之前我们和一些创始人、投资人聊，他们认为生产力是这次 AI 最大的主线，空间最大，娱乐陪伴类不是。但也有人认为，娱乐陪伴可能对创业公司更友好。

我的理解是，我们也有生产力产品，所以两边都有。

我前面举过一个例子：现在生产力产品出来的结果，比如一个完整的 AI 视听作品，里面到底有多少是 AI 视频提升的生产力？

如果一个作品里 50%、90% 以上都由 AI 视频解决，我觉得 PMF 会很好。但现在的现实是，AI 视频更多变成了宣传噱头。一个视听作品里，大量工作仍然是人完成的。

AI 视频解决了很多素材创作问题，但很多素材可能还没有达到人的标准。

当然，解决生产力很重要，但要看解决了多少。如果只解决 10% 的生产力，那它是不是就要打折扣？

另一方面，我们的网页端也在服务很多专业用户，生产力这块也有很多人在用。

至于普通人，我觉得是两个很不一样的定位和方向。

比如 Adobe 有 Photoshop，也做文生图。但它很难在 Photoshop 里把文生图放在最重要的位置。它的生产力用户是使用复杂设计、编辑功能的人，要让原来巨大的创作者生态和内容生态，适应一种新的、更平权、更低门槛的生产方式，大概率不 work。

所以对很多生产力产品来说，如果要做普通人，可能不得不做一个新产品，因为很难用一个产品服务好两类人群。

在视频领域，做长视频的创作者使用的工具和产品，和普通看短视频的人使用的创作工具、产品，仍然是两套不同的产品逻辑。

我觉得这不是简单的难易问题。

在专业创作场景里，模型当然也在做，但多模态协同生成的问题，不仅是视频单一模态要解决的问题，还涉及多模态。这是整个 AI 行业需要努力的方向。

普通人这块，更多要想清楚是不是要做这件事。如果要做，整个组织、产品化方向、产品端、运营和增长手段，以及内部产品团队的协作方式，都会发生变化。

对已经在服务专业创作者的团队来说，这也是一个很重要的决策。

所以很难说哪个容易、哪个简单，我觉得都很难。更难的是，在专注做一件事的时候，同时把另一件事也做好。这对所有组织都是巨大挑战。

你们比较在意的竞争对手是谁？全球范围内。

技术层面有很多值得尊重的对手和同行。

最早发布高质量视频生成的可灵，海螺、MiniMax 也做得很好。海外有 Google，还有最早定义 Diffusion Transformer 的 Sora，我觉得这些都是技术上非常值得尊重的同行。

我们会关注他们的迭代和发展。

产品侧，目前和我们做同样事情的公司，视频领域做 To C 的好像还没有。我们也希望有更多人进入这个行业，因为如果没有良性竞争也不好。我们希望看到更多人一起探索这件事。

抖音、快手内部的模板，是不是和你们有一些重合？

有一点重合，但不完全一样。

抖音、快手为什么要做一个新的产品，比如可灵，也是因为很难在一个短视频专业创作工具里，同时承载一个 AI 创作工具。

同样地，可灵这种专业 AI 创作工具，能不能承载一个 To C 创作工具，我觉得也是一个需要思考的重大问题。

所以做产品矩阵是可以的，但里面涉及精力分配和团队聚焦的问题。

你和王长虎怎么分工？

公司早期人很少，所以很长一段时间里，我们都在研发模型。长虎负责核心模型研发，我更多负责其他事情，包括对外、融资、找关键人，以及自己比较擅长的事情。

随着公司发展越来越大，我们也会灵活调整分工。现在长虎更多盯核心产研。

产品也是王长虎自己在管吗？

他现在更多精力在产品上。

其实王长虎刚出来创业时，有些投资人并不看好，原因是觉得他做不好新一代 AI 产品，也做不好让年轻人玩的产品。

但最后这几家视频生成公司的状态来看，反而爱诗科技的 PixVerse 用户可能最年轻，玩法也最 fancy。专业视频用户可能更多是工作和专业群体。

你们最后跑出来的结果，和最开始大家的判断有反差。这是怎么实现的？是因为他本来就是一个心态比较年轻的人，和大家想的不一样？还是这个过程中你们交流很多、相互学习？

首先还是事在人为。

长虎的上下文足够丰富。他在字节经历过很多大产品的发展，有足够多的 context。

相比之下，很多有学术背景的同行，对于互联网产品、互联网产品如何从 0 到 1，可能没有长虎那么丰富的上下文。

另外，过去两年里，我们一直认为模型和产品同样重要，所以做了非常多产品探索。

我们两年里积累的认知和信息量，我觉得很多同行可能不具备。

2023 年做视频生成的公司可能没几个，到了 2024 年，很多人是因为 Sora 火了之后才进来的。我们在创业之前和创业期间积累的经验，对于长虎和整个团队来说，都有很大帮助。

另外，AI 产品本身就是新东西。以前互联网行业里，大家会找大厂背景、做过成功产品的人，但他不一定就能做到最好。

很多东西可以学习，也可以探索。尤其在我们这个领域，说白了走的是无人区，谁也没有走过这条路。很多东西是大家趟出来的，不是有一套经验就一定能做好。

长虎之前在字节还是偏研发岗位，你也不是典型的产品背景。他也不是典型的产品背景。

创业之后，你们没有想过找一个产品负责人，甚至产品合伙人吗？

产品方面有很好的同学在负责。我们公司内部比较扁平，大家也不太讲 title。

我举个例子。2023 年我们刚做 PixVerse、刚做内测时，要做 AI 产品的海外增长推广。

因为我看过很多互联网公司，认识一些增长方面比较厉害的专家，我们就和他们交流。后来发现，当时是一个网页端产品，在 Discord 和网页端都有产品，但在国内没有人有经验。

没有人在那个时间点知道，如何在海外全球市场把一个 Discord 或者网页端的 AI 生成式产品做好。

移动端和传统互联网产品的大量经验，并不完全适用。

这件事的 takeaway 是，生成式 AI 是一个新领域。很多经验可以复用，但很多经验根本没法复用。

所以它是一个新事情，最终要靠大家探索出来、做出来，而不是找一个符合简历背景要求的人，让他把事情做出来。

你们今年有什么大的目标？

今年还是继续加速奔跑，在模型和产品上都继续加速。

我们希望到年底，用户量至少能有 2 到 3 倍增长。

你们现在全球总用户数是 4,000 万吗？

现在已经超过 6,000 万了。

那就意味着到年底差不多小 2 亿。

我们希望到年底达到亿级别的总用户量。

我们觉得这个需求很普世，应该可以让很多人用起来。

更长远来说，三五年之后，你们想成为什么样的公司？

我们希望成为一家拥有规模化用户量和规模化盈利能力的 AI 公司。

什么叫规模化用户量？什么叫规模化盈利？

规模化用户量，可能就是我们能持续、稳定地增长，解决真正的需求，有很多人每天在玩，并且产生自然的口碑传播。

具体来说，超过多少才算规模化用户量？

我觉得千万日活以上。千万日活以上，可能就是大几千万到亿级别月活。

这些指标里，你们最关注哪一个？日活、月活、收入，还是注册用户？

对我们来说，比较重要的是活跃用户量。日活、月活都重要。

另外，我们现在会比较多看商业化指标。产品还是一个强调付费的创作工具，现阶段我们会看有多少人付钱，付钱之后有多少人留下来。

但产品也会迭代。我们希望未来有更多元的商业模式，比如看几个广告就能做一个视频。

如果这样，我们希望进一步降低使用模型的门槛，让更多用户拥有核心体验。到那个阶段，我们会更关注大盘用户的留存，以及长期使用行为。

你可以介绍一下海外版本现在有哪几档付费。国内版上线时，大概会怎么设置？

目前海外大概有 3 档。最便宜的是每月 10 美元，第二档每月 30 美元，最高一档每月 60 美元。

订阅费用和使用量有关，用量越大，付费越多，但单价会越便宜。

国内应该会复用一样的定价逻辑。目前海外所有国家都是一样的定价逻辑。上线之后，我们会看反馈，再决定是否调整。

巴西市场确实挺出乎意料。巴西经济状况也没有那么好，但他们敢花钱，而且花得不少。

毒液变身在国内火的时候，我们发现抖音评论区有很多人说：“求求了，6 块钱帮我做一个。”

大家愿意为一条让自己觉得有意思的创作体验付费，我觉得蛮有意思。

这三档里，哪一档付费的人最多？

专业用户和普通用户不太一样。普通用户肯定是更低价的那一档付费更多，专业用户的付费档位会平均更高一些。

付费用户占所有用户的比例，方便透露吗？

这个可能不太方便。

那续费率呢？比如这个月订阅，下个月还会不会继续订阅？

我们的续费率比想象中好很多。我觉得最后可能不比一些专业创作工具的续费率差。

现在面向专业视频创作者的视频生成工具，再次复购的比例一般是多少？

这有很多不同口径。比如专业到什么程度，是企业级、个人用户，还是其他类型。

如果说最普遍的个人用户，我觉得大概 50% 以上，或者大几十的复购率，就已经算很好的水平了，但很多产品也做不到。

刚才说第一个目标是规模化用户，你还提到三五年之后有规模化收入。收入大概是在什么体量？

收入体量是一个维度，另一方面我希望自己能挣钱。

大部分人工智能公司在早期，或者发展很长时间里，都会有比较大额的亏损。我希望在你刚才说的时间段内实现规模化盈利。

我觉得视频领域有可能做到，因为视频离真实使用场景、真实需求、真实流量和真实商业化更近。

海外 Midjourney 现在一年的订阅收入，应该是几亿美元，可能超过 3 亿美元。

我们相信，视频创作和视频分享是一个更普世的需求，用户量应该更大，市场空间也很大。

同时，我们希望把公司的效率做好，把技术做到足够平权。在帮助用户创作的同时，公司也能把钱挣回来。

你们 1,600 万月活，每个月消耗的算力成本大概是多少？

我们还可以。大部分大模型公司的推理成本可能算不过来账，但我们在推理层面还是有一些利润空间。具体比例不太方便说。

不算模型研发成本，只算模型服务、serving 的成本，你们的订阅费可以覆盖吗？

可以覆盖。

最后想聊一下你的职业选择。你毕业之后到创业之前，一直在光源资本，做了 6 年多、快 7 年。你这一批进入一级市场，应该是 2016 年、2017 年左右？

2016 年进入。

这一批进入一级市场的人，不管做投资还是投行、FA，可能都没有早 5、6 年或者小 10 年进入的人发展得顺利，因为很多大项目的机会在消失。

你可以讲讲当时入行的选择，以及后来慢慢想创业的过程和思考。

9. 从投资人走向创业者

回到最早，我上学的时候，学校和学院的创业氛围还比较浓厚。我是北大光华的，那个时候创业氛围比较浓厚，学长学弟创业也有一些声量。

刚上大学时，同学和学长学姐大部分人想去做 consulting 或投行，因为那可能是毕业后平均收入最高的工作，也确实是一条很好的职业路径。

但我大一时正好有一个访学团去硅谷。当时我是带队同学，组织了一个 study tour 去硅谷，主要负责美国的行程。

那趟行程见了很多北大校友，也见了斯坦福、伯克利等高校里和我们同龄的华人及其他同学，还和很多创业公司交流。

那时中国的“万众创业”还没有火，大家对创业没有那么多概念。校园里这件事对我的冲击很大。

我发现，大洋彼岸的同学想的事情，以及想探索的职业方向，和当时国内顶尖高校同学的想法不太一样。他们会讲“改变世界”，会说要创业、做 startup。

这对我的冲击很大。我当时就想，学商科以后能不能参与创新创业，这可能是一个很有意义的机会。

所以刚上大学时，就埋下了这样的种子。

到了大三、大四，也就是 2013 年、2014 年左右，中国开始出现创业热潮。毕业前，我经常去北大南门外几步之遥的中关村创业大街。

我在那里找过一份实习，是一家做孵化器或加速器的机构。他们有很多路演，我去帮忙做一些事务，看创业者怎么路演。

当时有很多类似 speed dating 的活动，创业者上台讲 idea，下面的投资人开始打钱。我觉得特别刺激、特别厉害。那时创业大街非常热。

后来选择光源，也有一些巧合。当时光源很小，可能只有 10 个人左右，其中大约 20% 是我的校友。

这个机构当时在行业内已经有一些名气，但在公众层面，大家可能还不知道光源是谁。

我发现它帮助快手、PPTV 融过资。这两个产品我都知道，也觉得很厉害。我想，一个既能帮助创业者融资，又能知道顶尖投资人在想什么的机构，应该是很好的职业起点。

这能让我更接近创业的两端：做公司的人和做投资的人。所以基于这样比较朴素的想法，我去了光源。

所以你当时去光源时，就已经想着以后要创业？

我在光源的几年里，数次有过创业冲动。

哪几次热潮让你有这个想法？

有一年我在看游戏。我自己比较喜欢打游戏，也觉得游戏是移动互联网非常好的赛道。

虽然游戏离资本化不近，但本身是很好的商业。它贴合人性，也有很好的商业模式。

那几年虽然不是移动互联网最黄金的阶段，但仍然有很多新公司跑出来。我觉得自己很幸运，在光源发展比较快的阶段参与其中，也有机会做一些贡献。

你没有想过创业做消费吗？

中间有一段时间看过消费，但消费和互联网差距还是蛮大的。

互联网的链条、产品化和逻辑，和消费品很不一样。互联网更通用一些，如果把问题和需求定义好，就更容易 scale。

消费从供应链到渠道，再到各种环节，链条更加复杂。看消费和看互联网，逻辑还是很不一样。

我从业这几年主要看互联网。大概从 2016 年到 2023 年离开这个行业之前，国内那几年里，50% 以上有百万日活的新 App，我应该都聊过，或者参与过，不管是帮它融资，还是部分项目由光源基金投资。

所以我算是比较亲身经历了互联网最后几年的发展。

但从 2016 年之后，你说的这些百万日活 App，应该没有什么长成中型公司的吧，更别说大型公司。

还是有的。比如得物，虽然不是我个人参与，但可能是整个团队参与的。

得物是什么时候成立的？

得物成立得蛮晚，是 2015 年 7 月成立的。

这几年有一个现象，还是有很多新的百万日活、千万日活公司出现，但大部分公司都比较低调，因为不想被巨头看见。

所以 2016 年到 2021 年，互联网还是有一波高潮。比如在光源内部，当时互联网一直是最大的赛道，不管 GMV 还是我们自己的投入，可能都是最大的。

但这件事在 2022 年之后就不是这样了，对吗？

我觉得 2021 年年底到 2022 年是一个拐点。

整个移动互联网确实到了一个阶段。一方面和中美关系、美元基金有关，另一方面行业本身也发展到了比较成熟的阶段，进入整合期。

巨头填补了很多流量空白。像字节这样的公司非常强，可以在很多新方向上后来居上，甚至吞掉一些原有业务，比如番茄小说、红果短剧，都做到了很大体量。

字节不仅对创业公司有冲击，对很多大厂已有业务也是巨大冲击。

我觉得到 2021 年、2022 年，从资本、行业格局来看，确实到了成熟，甚至整合的阶段。

你在光源的 6 年多，对现在创业有什么影响、帮助，或者说给你提供了什么样的语境？

那几年经历对我来说非常宝贵。

一个是我不能说多懂互联网，但至少上下文足够。我看过很多公司和内容平台，从文字、图文、视频、直播、长视频、音乐、音频、短剧，到社交社区和出海工具，几乎所有品类的平台都有一些了解，也看过很多公司的发展。

所以我有很多输入。

另外，这段经历也让我更愿意去冒险。我觉得很多事情都是事在人为，没有什么东西是被设计好的。

没有固定规则说什么样的人才能创业，什么样的人不能创业，或者什么履历的人创业就一定能成功。

这个行业没有固定范式。反而是那些更愿意冒险、看到非共识的人，可能把事情做出来。

对我来说，一个 takeaway 是，看准了就要敢赌；第二，看准了就要赌，并且要 all in，亲身参与。

这对我的认知、信息量，以及思考方式，都有帮助。

在你接触过的公司和创始人里面，什么人给你比较深的印象和启发？

有两类 founder 对我的影响非常大。

一类 founder 特别有 vision，对想做的事情特别热爱。他会基于自己的需求，或者独特洞察，即使所有人都不相信，也愿意冒险，去说服更多人相信他，并且一直坚持。

即使公司顺利或不顺利，他也能持之以恒地探索。

这类人对我的触动非常大，因为他们是真正能推动行业进步、持续做创新的人。

你和周围那些和你差不多时间入行、做一级市场的朋友，现在还会偶尔交流吗？你们会讨论什么？

交流很多，而且很有意思。

这几年和我交流的同行里，一半以上聊的不是我们公司，而是他们以后能做什么。

大家现在都在想什么？

确实。客观来说，一级市场环境和我刚从业时发生了很大变化。美元基金、人民币基金都因为宏观形势等各种原因发生了变化。

我的体感是，很多原来的同行会探索新的方向。有人想自己创业，有人想加入创业公司，也有人彻底转型。

这些情况都有。但我觉得本身还是一帮很聪明、很有经验的人，想做大胆尝试。现在很多同行也找到了不错的地方，开始做下一步的事情。

现在很多人可能和你之前类似，不是直接做 AI，但想加入新的机会，进入这波热潮。你对有这种考虑的人有什么建议？

我会建议先沉下心来了解。

你可能不会写代码，但可以了解技术的大概原理，以及它能解决什么问题。我觉得“能解决什么问题”，是可以通过学习、分析和独立判断得出的。

很多学术概念，现在有很多 AI 工具和课程，也没有那么难理解。

但更重要的是，以我的经验，当时我体验了足够长时间的文生图和视觉生成产品，也请一些有代码能力的朋友和我一起探索。

这些上手的、第一手的尝试，让我有了一些和同一时间其他同行不一样的认知和判断。

所以我才有勇气和决心，觉得自己看到了可能别人没有看到的东西，可以赌一把，把自己投进来，和大家一起探索未知。

你 2016 年到 2023 年在光源时，基本各类型互联网项目都看过。能做到千万月活的产品多吗？

凤毛麟角，还是有的。

比如什么类型？

有很多做社交的公司，会在爆发的那个月达到百万级日新增。我都看过。

但我从业那几年里很少，可能加起来不到 5 个。

这类产品的留存会持续吗？

大部分留存没有那么好，但也有能长期留存、稳定下来的公司。

这是一个比较超出你预期的体验吗？

对。因为它是一个比较可量化的东西，会让我和过去看过的产品进行对比，回头想想，会觉得它可能确实给很多用户创造了独特价值。

还有一个超出预期的事情，是在毒液变身之前那一代模型内测时，我们看到图生视频效果能这么好。

在模型正式发布前、训练出来之前的一段时间，我们发现它应该已经能让普通人玩起来了。

创业两年多以来，有没有比较难、比较低谷的时候？

Sora 发布之后、我们的模型还没有训练出来的那段时间，不能算低谷，更多是潜心研发、往前奔跑的状态。

那时是下一代模型还没有训练出来？

对。那个阶段确实是因为技术很难，需要一定时间周期。

市场上会有各种各样的声音：谁谁谁哪个月要发布模型，Sora 多么厉害，中国团队可能永远训练不出来。

这些都是噪音。对我们来说，更重要的是把手上的事情做好。

因为这是无人区，没有人把这件事走通。那个阶段需要相信自己、相信能力、相信选择的方向，是一个面对非共识的阶段，确实很不一样。

那时需要用什么方法和手段提升大家的士气和信心？有什么比较有效的方法吗？

很难说有什么具体方法。更多还是看组织内部是不是思想一致，大家对探索方向有没有共同共识，以及对自己的能力、能做的事情有没有信心。

我觉得这是最基础的。

我想到 DeepSeek 之后，一批大语言模型公司好像也面临类似情况。

但我觉得还是不太一样，只是有一点相似。

Sora 出来的时候，是大家都没做出来。其实 Sora 自己也没有真正做出来。

DeepSeek 那个阶段和这个情况、场景，区别还是蛮大的。

今天非常谢谢旭章来做客《晚点聊》，感谢大家的收听。

多谢雨桐，也欢迎大家体验我们的 PixVerse 产品，我们在国内马上会发布。

你说一下国内产品的名字。

国内产品会叫“拍我 AI”。

一方面，“拍我”是 PixVerse 的谐音；另一方面，我们觉得每个人都可以成为自己生活的导演。

我们希望“拍我”结合 AI 生成，同时拍自己和身边的环境，成为一种新的创作短视频内容的范式。

我们也希望通过努力推广这种新的创作方式，让更多有视频表达欲的普通人，第一次做出一个好玩的视频，发给自己的朋友、父母和家人去看，并得到很多正反馈。

这就是我们想做的事情，也欢迎大家体验，给我们反馈。

国内产品“拍我 AI”会在 6 月初正式上线，大家可以去试用。

今天节目就到这里，大家再见。

拜拜拜拜，谢谢。

本期节目就到这里，感谢收听。如果你对今天聊的话题有观察、好奇或疑问，欢迎在评论区分享想法，这也会成为我们节目的一部分，让整个讨论更完整。你也可以把我们的节目分享给对这个话题感兴趣的朋友，推荐更多你想听的主题和嘉宾。你可以从小宇宙、苹果Podcast等渠道关注晚点聊 Late Talk，也欢迎关注我们的公众号晚点Late Post。下期再见。