「在放下找钉子的锤子后，我们赚到了第一个 100 万美金」｜和Mootion联创童超聊做产品、AI视频创业全景和出海

欢迎收听十字路口，我们关注新一代 AI 技术浪潮带来的行业新变化和创业新机会。十字路口是乔布斯对苹果公司的一个比喻，形容他站在科技与人文的十字路口，伟大的产品往往诞生在这里。AI 正在给各行各业带来改变，我们寻找、访谈和凝聚 AI 时代的积极行动者，和他们一起探索和拥抱新变化、新的可能性。

我是主播科技杨元辰，联合创办了街旁、新世相和糖岛。我相信科技，尤其是 AI，会在未来十年彻底改变社会，赋能人类。欢迎大家找我聊天，碰撞想法，链接下一个可能性。

我是主播荣慧，目前在一家专注科技投资的风险投资机构工作，之前在第一财经周刊担任驻硅谷记者。

哈喽，欢迎大家来到本周的十字路口。本周我们做客的朋友是童超，童超是 Mootion 这个 AI video app 的联合创始人和 CPO。那我们一开始先来和童超做一个快问快答吧。

36岁，毕业于乔治·华盛顿大学和香港科技大学。我现在是 Mootion 的联合创始人，曾经是 360 AI 的负责人、产品负责人，以及创新奇智的产品负责人。

可以用一句话介绍一下 Mootion 是什么吗？

一句话的话，我觉得 Mootion 的定位是：让没有用过 AI 的人，也能做自己的视频，讲自己的故事。

创业 Mootion 有多久了？

我们这个项目已经做了两年半。

Mootion 融了多少钱？

到现在大概融了七八百万美元。

用户规模呢？

2025 年年初，海外用户大概有200万。

收入规模方便讲吗？

我们在年初大概做到120万美元左右。

可不可以请童超再花两句话向大家介绍一下自己？因为我们知道，AI 视频产品在市面上可以说是成千上万，也可不可以给大家推荐一下 Mootion，争取让大家听完之后就想去试一试、用一用？

十字路口的朋友大家好，我是童超，Mootion 的联合创始人。Mootion 希望让没有用过 AI 的人开始讲自己的故事，做自己的视频创作。

目前，我们可以非常简单地让用户通过4个步骤，完成自己想做的内容。无论是短视频、生活场景，还是一些行业场景，都可以用 Mootion 来完成。

在使用 Mootion 的用户里面，他们做出过哪些视频爆款吗？不管是在小红书、抖音，还是 YouTube 上？

1. 用户已经做出爆款

产品发布不久，我就请我们自己的运营同学做了一个实验。我说，你能不能尝试用 Mootion 每天花5分钟做一个视频，看看在小红书上会有什么样的反馈？

很有意思的现象是，他大概花了两个月的时间，每天花5分钟做视频，现在大概有1万多粉丝。两个月的时候，大概已经有1.3万粉丝了。

我给大家看几个不同场景的视频例子。第一个是一个欧洲用户做的视频，内容跟宗教相关。他现在大概有十几万粉丝，视频大概有几百万播放量。

这可能是偏短视频领域的一类内容。很多人会做我们称为 faceless 的视频，也就是不露脸的视频，通常能够得到比较好的浏览量。

我还收集了一些其他用户的例子。这是一个卡通故事，你可以看到里面有一个菜单。我们专门做了一个功能，让老师和学生通过生成式 AI 故事来促进教学。

这个是一个双语故事，里面同时有中文和英文。除此之外，我们也有一个自研模型，在专业视频制作领域同样可以提供比较好的使用体验。

给大家看另一个视频。这是一个波兰专业视频工作室制作的作品。当这个人戴上眼镜、进入虚拟环境之后，里面所有角色的画面，都是由我们生成的。

这是广告片，还是 MV？

这是一个 MV。他们先有了歌曲，然后想做一个非常专业的 3D 片子，所以用到了我们模型的能力。我们和他们对接，最终做出了这样一个比较专业的 3D 作品。

听播客的朋友应该看不到视频，所以在收听过程中也比较难切换到其他平台搜索。可能还是要请童超再介绍一下，用户究竟会用 Mootion 做哪些类型的视频？

我觉得可以分成几个类别。

第一类，从用户的角度来讲，是短视频创作者。他们完全用生成的方式，去替代原来的素材剪辑。

第二类，就是刚才第二个视频展示的教学场景。很多老师和学生会利用 Mootion，来完成教学场景中的内容。

第三类是专业创作者。他们更多会用到我们底层的一些能力，同时结合自己大量的专业技巧，制作非常专业的 MV、广告，甚至是 3D 动画短片中的一些环节。

用户用 Mootion 做过最出圈的爆款是什么？

2. Mootion选择长期用户

这是个好问题。我们更多关注的是，如何给用户更持续的创作能力，而不是持续去做爆款。

我们内部其实也讨论过，如果从产品角度去看，一个爆款可能只有1周的生命周期。但过了这1周之后，我们要继续做什么？我们的选择是持续做爆款，还是延续性地寻找更长期的价值？

我们究竟是服务一个生命周期只有1周的爆款，还是服务一个能够使用10年的用户？我们的选择是后者。

之前不管是 Pika、Vozo，还是 Viggle 这一类 AI 视频公司，都做出过刷屏的爆款。之前 Vozo 的创始人 CY 也上过十字路口，他提到过，他们几次比较里程碑式的增长，都和爆款出圈有关。

但是，如果 Mootion 没有这样的爆款，是不是也从侧面说明，Mootion 其实还没有真正击中市场的痛点？

这是个很好的问题，也是一个很好的观察角度。

从我的理解来看，第一，视频内容本身可以覆盖非常多的场景，并不只限于我要在 TikTok 上做一个好内容，或者在 YouTube 上做一个好内容，然后通过这个渠道变现。视频在非常多的领域里，仍然有自己的价值。

第二，拿爆款作为增长或运营手段，我完全同意。这是一种很好的杠杆。无论是在冷启动阶段，还是到了一个新的里程碑，有一个非常好的反馈，都会让很多人好奇，进而来到你的产品。

但从增长角度来讲，我们可能没有在这件事上做太多文章。我们还是会回到刚才的思路：更长期地做这件事，可能会更好。

第三，是不是击中了用户的痛点？我觉得不能只从流量角度观察，而应该从收入角度观察。如果用户真金白银地给你付钱，而且付费率也很好，我觉得毫无疑问，这应该就是达到了用户的痛点。只是它可能没有在流量上得到很好的展示。

你有关注过吗？因为你们上线已经有一段时间了，一直在续费的用户，往往是用你们做什么的用户？

其实很典型。你会发现，短视频里那群做 faceless 内容、自己把账号运营起来的人，会持续付费。

我的观点是，AI 可能把产出能力从原来的20分提高到50分，这已经非常好了。但你想运营一个好的账号，剩下的30分或者40分，还是需要用户自己完成：你有没有好的故事，有没有好的表达，有没有好的展示，有没有好的运营？这些事情其实都不是 AI 直接解决的，而是和用户自身直接相关。

第二类用户，还是老师和学生。我有一次做用户访谈，一个老师告诉我，他一开始通过某种渠道了解到 Mootion，然后自己尝试了一下。他针对某个知识点，用 Mootion 做了一个两分钟的片子，拿给学生看。

他发现，学生在课堂上的参与度突然变得非常高，大家的眼睛都盯着屏幕。

最近有一个刷屏的 AI 视频，做了一集《猫和老鼠》。很多用户第一次看的时候，都不知道那是 AI 做出来的，还以为是《猫和老鼠》众多剧集中的一集。

我当时看到它的时候，感觉这也很像 Mootion 想要做的视频：有脚本、有剧情，有连贯的人物，长度大概也是1分钟左右，好像和 Mootion 的目标非常一致。

但是我们也知道，《猫和老鼠》这个视频，是随着基础模型升级而智能涌现出来的，里面几乎没有工程化操作，也没有太多人的交互。所以我很想问你，你看到之后会感到焦虑吗？

你们做了很多产品功能和流程优化，但会不会有一天，基础模型的能力一升级，就把这些东西全部淹没，所有努力都灰飞烟灭？

3. 基础模型反而带来机会

我觉得这是个好问题。最近一两周，很多朋友都在和我聊《猫和老鼠》的事情。

首先从技术角度来讲，test-time training 一定是一个很有潜力的方向。我们自己也在做一些跟进研究。我相信，这部分能力确实有可能把视频生成能力带到下一个台阶。

但第二点是，对于 Mootion 这样的应用来说，基础模型能力升级其实是好事，而不是坏事。

我们观察视频创作时，如果观察一个用户完整的创作过程，会发现视频创作是一个环节很多、流程很长、利益相关人也很多的任务。它不像之前大家可能关注过的 Jasper 或者 Copy，文字的工作可能就是我想一下，然后输出结果。但视频是一个很长的工作流。

我们会认为，一个 AI 可能颠覆的任务，环节越长、过程越多、利益相关人越多，就越难被彻底颠覆。同时，在这么长的流程、这么多环节和这么复杂的利益关系中，把好的体验和功能设计出来，本身也是很重要的能力。

你刚才提到，视频制作的环节非常多，参与的角色也非常多，因此它不会像文字工作一样，轻松地被模型基础能力淹没，因为里面有很多细节。

但其实也有一个争议：大家会觉得，今天很多做应用的人是在做“套壳”。如果你看过往的技术发展史，会发现“套壳”这个词总会出现在一个技术 hype 的时期。等技术 hype 过去之后，就没有人再提套壳了。

AI 其实我觉得也是这样。现在处在一个 AI 快速发展的阶段，所以很多人会高估现在技术的存在，高估现在的技术能力。当你高估它的时候，就会觉得在基础模型之外做的所有事情，好像都只是浅浅的一层。

从我们的观点来看，当你真正从外部进入一个产品，开始做产品的时候，你会发现，基础能力就像我刚才讲的，可能只有50分，但用户要的是一个80分的东西，那30分由谁来填？是产品来填。

Mootion 本质上就是在填这30分，填补从基础能力到用户真正需要的产品之间的路径。

所以在这件事上，套不套壳对我们来讲并不关键。假设未来基础模型的能力提升，能够做到刚才《猫和老鼠》那样的效果，那么应用和产品设计能力反而会越来越成为差异化能力。

这种差异化能力，会决定用户到底选择 A、选择 B，还是什么都不选。

我们自己作为创业者，第一，不要有技术洁癖，不要只做高精尖、别人没做过的东西。第二，也不要有技术幻觉，不要觉得技术现在已经非常好，或者两个月之后就会变得超级无敌。

我觉得还是要更实际一点，做客观评估，然后回到自己正在做的事情上，这比较重要。

前段时间，张一鸣难得出来做了一次分享。有人把他现场分享的 PPT 拍下来给我看，其中一页讲的是，要去寻找那些在90分到100分之间的产品机会，因为用户不接受20分、40分、60分、80分的产品。

这和你刚才提到的观点好像不太一样。一方面，你会不会担心，今天大模型只有50分，你们花很多时间把它做到80分，但其实也有很多人在等着大模型直接变到90分，等到那个时候再出来做产品？

这个对我们来讲可能确实是个问题。

但从现在的技术方向，以及真正达到用户要求的过程来看，刚才说的那30分，在视频创作里是非常重要的。视频创作流程很长，环节很多，利益相关人也很多，其中存在一层非常重要的能力，就是你对视频创作的理解，以及你对用户的理解。

即使基础模型到了90分，这个90分也会变成60分。因为我刚才说过，基础能力会变成 commodity，水涨船高，所以你变成了新的60分。那剩下的30分谁来做？仍然是产品公司来做。

这个事情，早做一定比晚做好。至于模型能力要不要等到90分之后再做，我觉得这是对技术的考量。

可以给我们举一两个例子吗？模型可能今天只有五六十分，但你们在产品上大幅提升了体验，让用户最后做出来的作品也变得很好。有没有这样的交互或设计上的例子？

4. 产品补上关键三十分

我觉得可能有三四件事可以讲。

第一，我自己有一个习惯。从产品去年上线开始，我每周至少会访谈一个用户。不管用户来自哪个国家，我都会抽20分钟左右和他聊一聊。我积累了很多用户反馈，其中有一个非常一致的声音：他们认为 Mootion 是一个非常易用、非常简单的产品。

我们对用户讲的是，可以通过4个步骤完成一个视频创作。每一步都像一个引导，是非常简单的傻瓜式操作。

我们把视频创作从起点开始的整个流程——脚本怎么写、镜头怎么表达、叙事有哪些类型——全部连接在一起，做了自动化，让 AI 去完成自动化。这才完成了我刚才说的从50分到80分的能力，用户看到的就是一个80分的产品。

第二件事也很有意思。去年12月，我们在东京做了一个小范围的用户见面会。交流过程中，有一位我觉得可能60多岁的老者，他自己是一个导演。他问我，你们是一个亚洲团队，对吧？为什么你们的平台在生成亚洲人形象的时候，不能生成真正的亚洲人？

确实，从模型角度来讲，很多训练数据偏西方。所以即使用户给出的指令是生成一个日本人或中国人，生成出来的形象也很容易带有明显的西化属性。

他说，你们为什么不能解决这个问题？这件事当时被我忽视了，是我忽视的一个细节。回来之后，我就专门做了优化，优化模型，让它更好地遵循指令，生成不同种族形象时也能更加匹配。

后来我才知道，他是日本非常有名的制片人和导演，叫浅井隆。周迅的第一部电影《苏州河》，就是他参与制片的。

第三件事，是因为我今年2月去了一趟阿拉伯地区。我走访了中东的一些国家，发现他们3月份要进入斋月。在斋月期间，很多人会制作大量内容，所以我们很快推出了一个新功能，可以更好地生成伊斯兰教故事，让他们进行分享。

这里面有一个问题：如果你拆解伊斯兰教的教义，会发现他们有一位真主和23位先知。这些人物在教义中不能有具体形象，要么用光，要么用光圈来代表，因为他们是神圣的。

我们看遍了所有 AI 生成能力，发现没有哪个模型默认就能生成这样的内容。于是我们很快上线了这个功能，3月1日就发布了。之后才发现，使用量增长得非常快，一度每天有10%多的用量来自这类内容。

最后一件事也很有意思。现在 AI 的推理成本其实不能忽略。我们想让每个人都能使用，就必须让用户用得更便宜，否则不可能把规模做大。

从这个角度来讲，我们在背后的架构和推理测试上投入了很多。这些对用户不可见，但用户能看到的是，我们足够便宜，体验足够简单，价格足够低，同时还能生成足够好的内容。

从产品上线到现在，去年6月底上线，半年左右的时间，我们优化了整个毛利空间，最后毛利空间大概提升了50%。

前面说到通过4个步骤完成一个视频创作，这4个步骤是怎么得出来的？为什么不是3个，也不是5个？

你刚才说，是把整个视频创作流程连接起来，然后做了自动化。这里面有没有一些对创业者比较有借鉴意义的地方？

这是我们拆解了整个视频创作环节之后定义出来的。

我们认为，用户要做几件事。第一，他想要什么，以及他手上有什么。第二，他要得到一个完整的内容结构。第三，他要把主要功能和内容组织好之后，选择要叠加的附加元素，比如特效、转场、声音、音乐等等。最后一步是合成和分享。

合成分享之后，单纯得到一个视频，可能还不足以支撑内容的传播。比如视频描述怎么写，hashtag 怎么设置。所以我们把整个过程定义成4步。

刚才荣慧问到的自动化细节，我觉得非常感谢我们其中一个投资方。他们是一家非常专业、国内非常优秀的影视公司，给了我们很多影视创作方面的帮助。

比如脚本怎么写，脚本结构是什么，影视作品中好的脚本结构应该怎么写，AI 能不能写出这类脚本；再比如镜头表达，什么样的镜头能够表达惊恐的表情？一定是眼睛的特写。什么样的镜头能够表达特别欢快的场面？一定是超广角，而且有非常多的人。

这些事情需要我们告诉 AI，或者由我们定义能够让 AI 生成的内容类型。叙事类型其实也是一样的。

但我很好奇，AI 为什么不知道惊恐的画面要拍人物特写，欢乐的场面要用大广角、拍很多欢乐的人？这难道不应该是 AI 自己就知道的吗？为什么你们还要自己去做这件事？

另外一个类似的问题是，刚才你提到毛利优化。我在想，这好像也是今天很多人对创业者的一个反向建议：不要在成本上做优化，因为大模型很快就会自己把成本降下来。

听起来，你们做这些事情有一点逆潮流、逆主流观点。你怎么看？

先说第一个问题。我们在做测试的时候，也期待大模型具备这样的能力，它应该能够理解这些内容。但很抱歉，它确实不懂，即便到现在也还不懂。

第二，从毛利角度看，这件事其实很有意思。我们一开始的目标，是优化推理架构，因为它太慢了。我们要生成一个好的视频，而且希望它能快速生成。

但我们发现，慢的背后其实就是成本，因为消耗了更多 GPU 时间，所以成本就更高。当速度变快之后，成本自然也能降下来。

其实就在你刚才回答我问题的时候，我真的很难相信大模型不知道一个惊恐画面要拍人物特写，所以我直接问了 Claude，让它帮我生成一个纹身视频的 prompt，并且给出明确的画面需求。

我只说了“一个惊恐女人”这6个字，它就延展出了一段文字 prompt。里面明确写到，一个年轻女性双眼睁大、瞳孔放大，镜头从女性脸部特写慢慢拉远，展示她孤立无援的处境。

所以我想说，今天这个模型好像是可以做到的。会不会你们半年前做不到，但你们花了很多时间，用刚才说的方法训练模型，而到了今天，这些时间和努力反而被浪费了？你会有这样的担心吗？

如果你只做单点测试，会发现它有时候确实可以做到。但你把它放到一个完整的工程里，要求是：给我一个用户的 prompt 和素材，你要把它们组织成一个有效的完整内容。

比如，这个场景和故事包含64个场景，这64个场景在语义上是连贯的，而且每一张图片、每一个视频，都要表达当时对应的语义。这个就非常难。

如果只给它一个输入，它可能可以做到。但当你把它变成一个系统，变成一个 network 的时候，它就会 fail。这是非常大的差异。

我很好奇，你们现在公司里的技术研发人员大概有多少位？他们是怎样组成的？

我们现在人很少，只有20个人。我们只有1位财务同学和1位运营同学，剩下的全部都是研发人员。

研发人员里大概一半是算法同学，另一半是工程人员。

收入和功能迭代之间，有没有特别相关联的拐点？

5. 模板推动付费增长

去年12月，我们做了一个很重要的功能，听起来可能很简单，叫“模板”。

所谓模板，就是不同的入口。这个模板和设计模板不一样，它背后其实是一套 AI 工作流。

刚才荣慧很关心，为什么你做这件事的时候看起来可以，但为什么大模型自己不能做？背后就是需要很多不同的工作流。

比如刚才提到的伊斯兰教故事，背后就是一长串 AI 工作流。你也可以理解为一个 agent 在工作，它要连续完成一系列任务，然后把内容做出来。

我觉得这是一个非常重要的变化。通过这样的界面，我们更快、更深地进入了用户场景。当用户在这些不同入口中得到好的内容之后，我们的付费率有了比较大的提升。

我在使用的过程中发现，你们有一个设计是不让用户自己选择视频模型。用户应该没有办法自由选择今天用 Flux、可灵，还是 Vidu。这个设计是出于什么考虑？

我觉得这和我们的定位有关。我们希望让没有用过 AI 的人能够做自己的内容，讲自己的故事。所以我们认为，用户本质上要的是效果，而不是模型。

就像赵本山说的，别看广告，看疗效。用户其实并不关心这是什么模型，或者后面的品牌是谁，他们要的是最终结果。

我们的选择是，如果把这些模型都交给用户，反而会增加他们的学习成本。什么是可灵？什么是 Vidu？什么是海螺？什么是 Pika？什么是 Sora？这些都会增加他们的学习成本。

我们都是所谓 AI 圈子里的人，很容易接收到这些信息。但还有太多普通用户，AI 的渗透率远远没有达到我们以为的、人人都知道的状态。

有太多人没有这些信息。所以我认为，与其把模型选择交给他们，不如让他们专注于效果和创作。

但我在想，像我们录播课的前一天，可灵发布了2.0，确实非常惊艳，十字路口公众号也写了很长一篇文章介绍可灵2.0。一定会有很多用户多多少少看到这个新闻。

他们会不会来问，你们这里有没有可灵2.0？或者，他们会不会因此流失，跑去使用可灵2.0，或者其他支持可灵2.0、和 Mootion 类似的竞品？

你怎么看？听起来好像是放弃了这些用户。

因为我自己其实很了解这类用户。我们可以把他们统称为 AI 尝鲜者，或者技术尝鲜者。他们就像接受曲线最前面的3%的人。

这些人很活跃，有很多看法可以影响别人，所以我们会看到他们大量的消息。从这个角度来讲，这个群体对新事物的接受程度非常强。

如果我现在没有创业，我估计也是他们中的一员，会尝试很多新技术，也会做很多分享。

但这些用户有一个明显的问题：坦白讲，他们的生命周期其实非常短，大概只有1个月。因为一个月之后，按照现在的技术迭代速度，一定会有新的东西给他们使用。

他们也并不在意某个场景究竟该用什么。对他们来讲，最大的价值是“先用上”，而不是某个具体场景。既然最重要的是尝鲜，他们的 switching cost 就非常低，很容易转移。

对我们来讲，这可能就是一个取舍。做产品很多时候就是取舍：技术不成熟、资源不充足、用户不清晰等等一系列问题，不可能拥有所有资源，也不可能在某一个时间点获得充足的声量。

所以做好取舍，识别最重要的问题，对于产品来说是最核心的。

刚才提到你每周会做一次用户访谈，这一点很有意思。大部分 founder 都会说自己很在意用户反馈，但每周保持这个频率，无论是操作上还是坚持上，都挺有挑战。

你现在还在做吗？

6. 创始人保持用户体感

我还在做。我每周大概要给50个用户发邮件，完全是 cold call。可能会有1、2个人回复，我就安排在这一周或下一周访谈。

对用户来讲，通过邮件联系，回复率确实很低。但我觉得这件事非常重要，因为我们谈到了很多 AI 技术。当技术还不成熟的时候，用户的心智和接受点究竟在哪里，其实很难找到。

这个点只有问用户才知道。但你的用户又有很多类型，所以需要不断找到不同的用户。我自己会坚持做这件事。

另外，作为产品负责人，有这种体感也很重要。做产品时很容易先入为主，但在技术不断变化的过程中，你也很容易失去体感，不知道用户到底在想什么。

而且用户的接受点也在变化，你一定要随时知道它在哪里。目前实现这一点，只有不断和用户交流。

你说这个让我想到，之前 Stripe 的 CEO Patrick 发过一条推文，大概意思是，他把 user research 当作一种思维方式。User research 不是直接告诉你应该做什么功能或产品，而是先让你形成自己的思维模式，然后再用这个思维模式去做产品。

没错，我特别同意。

这有点像我刚才说的体感。用户意识是一个很容易被高认知的人丧失的东西。因为你自己的认知很高，所以会认为自己说的可能是对的，但你服务的人可能是一个自己完全不熟悉的群体。

那你怎么和他们产生共情，和他们产生交集？我觉得你要不断把自己扔进那个场景，扔进他们的处境里，才能得到你接下来要走的方向。

第二，你要能够很快切换到另一个身份，或者同时拥有两三个、三五个身份来思考：我的产品应该怎么做。

这是不是来自你之前的一些经验或教训？

我觉得是有的。

我自己学过计算机科学，也学过 machine learning，是有技术背景的人。只谈我自己的感受，有技术背景的人很容易产生我刚才说的技术幻觉：你认为它都能行，但当你真正把手弄脏之后，才发现它不行，然后就卡在那里。

过去的经历给过我类似的负反馈。我经常提醒自己，把技术扔掉。不管是什么技术，A、B、A、B、C，各种各样的技术，当我要解决一个用户问题的时候，那个问题到底是什么？

我过去做过很多尝试，拿着技术去找问题，也就是我们说的“拿着锤子找钉子”。有时候会成功，因为这把锤子恰好能在那个场景里砸中钉子，但大多数时候都是失败的。

这些失败经历给了我非常强的负反馈，提醒我在做现在这个产品时，不要再犯同样的问题。

你们找过哪些“拿着锤子找钉子”但没有找到，让你感到非常挫败？最大的一次挫败是什么？

这样的事情太多了。但对 Mootion 来讲，我觉得有一个很有意思的、不能算挫败，却非常重要的教训。

我们刚开始的时候，非常专注于基础技术研发。我们大概做出了世界上第一个 3D 动作生成模型。这不是一个很大的模型，但应该是世界上第一个。

它的作用，是生成 3D 电影、动画或游戏里角色的动作。你输入一个文本 prompt，就可以生成相应的动作。

我们当时非常兴奋。2023年年底，我们拿到了这个模型，然后把它推出去。很快，2万多名专业 3D 创作者给了我们很好的反馈。

但过了两个月，我发现了问题：你往后走要干什么？这个模型究竟要干什么？你生成了角色动画，然后呢？它能不能真正放进游戏工业或影视工业里？还不行。

如果不行，这件事接下来怎么走？就走不下去了。

所以我们用了两个月时间，很快做了一个决定：这个事情不成立。要么做一个非常专业的工作流，服务专业创作者；要么就停掉这件事，去做另外一个方向。

我们当时非常快地做了决定，把这个模型的能力内化到现在的产品里，用来支撑更好的生成可控性。

这就是为什么我一直提醒自己：即便在创业一开始，我也会遇到这个问题。因为有很多技术可能性和技术机遇摆在面前，你总忍不住伸手去探索。

但当你没有想好自己究竟在解决什么问题时就出发，一定会被打回来。这件事发生在创业最初的4、5个月里，成本其实非常高。

这和你过往的工作经历是不是也有关系？你刚才提到 360 和创新奇智，这些经历对你有什么影响？

7. 上一代AI留下教训

我觉得创新奇智确实是一个重要的经历。

创新奇智算是上一代 AI 公司，大概从2016年做到2022年，包括当时的 AI 四小龙。那一代公司其实都受到 DeepMind 的影响。

DeepMind 给了大家一个非常强的希望：除了下国际象棋，还能下更复杂的围棋，而且在很多领域都有很好的进展。所以那一波 AI 公司，心里其实都有一个 AI 技术梦想，然后开始创业。

但问题也在这里。如果你拿着技术去找场景，就是典型的拿着锤子找钉子。

第一个问题是，当时的锤子不够硬。以 CV、NLP、machine learning 为主的技术，可能只在某个细分场景里达到可以工业化、产业化使用的性能，但普适性非常弱。

也就是说，即便锤子砸到了钉子，你还需要投入很多人和额外工程，才能补足、实现可以交付的能力。这个模式非常重，并不符合我们认为 AI 能够改善劳动力、提升劳动效率的设想。

第二个问题，还是拿锤子找钉子。作为一家创业公司，即便融了很多钱，你究竟有多少次挥动这把锤子的机会？其实是有限的。

这就会导致，你越往后挥，风险越高，敢不敢挥下去的决心也越小，因为你不知道这件事到底能不能成。

如果前面的钉子没有砸中，不能持续帮助你提升营收，后面就会出现很大的挑战。

所以这段经历让我时刻警醒：即便使用新技术去做产品或应用，也一定要先想好用户是谁，以及究竟解决什么问题。

创新奇智当时是一家非常明星的企业，是李开复老师 all in 的一家 AI 公司。我记得当时也有新闻说，CEO 为了追随李开复老师，放弃了1800万年薪来做创新奇智。公司前后融了7轮，背后还有软银这样的国际大基金支持。

如此黄金的阵容，最后当然也很努力地上了港股，但上市之后一直年年巨亏，股价现在已经暴跌了80%。

我知道你当时是产品总监，应该是非常核心的高管之一。你刚才也提到拿着锤子找钉子，一直很难受。可不可以讲讲，当时你们找过哪些钉子？我觉得，AI 上一个时代的故事，可能对眼下正在发生的这个时代，也有一定借鉴意义。

你说的这一点我非常赞同。即便技术发生了代际变化，大家面对的场景其实仍然相似。这一点从商汤也能看出来，商汤正在经历自己的转型，很多商汤的朋友也在经历技术路线的转型。

回到具体场景，当时我们探索过非常多的行业，包括零售、工业和制造。这些都是非常头部、体量非常大的行业，但各自都有问题。

先说工业。工业的细分赛道非常多，不同细分赛道的要求也不一样。中国制造业增长很快，同时也意味着客户的要求越来越高。

面对不同赛道的高要求，当时的 AI 技术存在局限。受制于技术，你挥起锤子的时候，不一定能砸到工业这颗钉子。

金融确实是一个很理想的 To B 行业，因为金融从业者的认知水平比较高，也愿意接受新技术。同时，金融行业对 To B 公司来说，可能是很好的收入来源。

但当时的金融行业也有一个问题：它对模型和技术有非常强的诉求。你需要提供一个模型，而模型的归属、后续更新维护等，都要归属于银行，或者保险、证券公司。

对于上一代 AI 公司来说，这很困难。模型部署进去之后，要持续更新和维护。它不像现在，OpenAI 出一个 0720 版本，就可以解决很多问题。上一代模型很难这样持续解决问题，你需要不断投入人力和劳动力去维护、更新。

零售的问题则是太小了。每个场景都不大，虽然机会很多，但每个场景都不大。你没有现在 AI 技术的普适性，就需要投入大量横向人员，去服务10个、50个、100个项目或客户，这件事很有挑战。

你觉得，之前创新奇智的经历，会让你在这一波 AI 浪潮中看到哪些类似案例？

我的判断是，这一波 AI 可能不会重演上一代的情况。

我自己经历过上一代，又在这一代继续工作。举个例子，如果8、9年前，我们设想 AI 能让一个县城里的老奶奶和 AI 说话，这在当时是绝对不可能想象的。

但现在在国内，我相信你一定能找到这样的例子。今年春节回家，我有一个年龄很大的远房亲戚对我说，有个什么什么“DeepSeek”好像挺好的，让我帮他找找。他说的是 DeepSeek。

这个事情放在8、9年前，根本无法想象。背后的原因是，这一轮 AI 最大的区别，就是它的普惠性。它能让更多普通人、没有用过 AI 的人享受到 AI 的能力。我认为这是这一代生成式 AI 最大的价值。

至于 Transformer，我们大概在2022年就做过一个 Transformer 架构的模型，是一个不太大的模型，大概刚到十亿参数左右。但这件事并不重要。上一代的 CV 往往是在榜单上打榜，说自己是第一，明年又有新的新加坡国立的机构来打榜，又变成第一，背后却不知道是怎么做的。现在大家都是架构透明，也可以用海量数据开始去做，你会发现有路径可能达到我们所追求的智能目标。这和上一代的路线不可同日而语。

这一代 AI 最大的价值就是普惠。当你具备普惠能力之后，你现在的锤子就有了更好的能力，能够真正砸到钉子。

第二，我认为现在的技术演进可能还只是万里长征第一步。沿着这条技术路线，未来还有非常多的进化可能。

无论这个价值最终体现在 B 端还是 C 端，一定都会有继续放大的机会。所以这一代 AI，无论是应用还是模型，都可能有很大潜力，不太会出现上一代 AI 公司集体哑火的情况。

但单独来看，如果只看大模型公司，这个问题仍然悬在他们头上。你做了模型，但模型之间存在竞争。DeepSeek 出现之后，大家都会受到冲击。

如何面对市场、面对自己的技术，这对大模型公司来说确实是个问题。但如果做的是应用，包袱会小很多。

之前聊天的时候，你提到过在 OpenAI 见到 Ilya 的事情。

这件事也挺巧的。我们创业没多久，机缘巧合之下，李开复老师介绍我们的团队。当时我的合伙人去了硅谷，正好在那里待了一个月左右。

在 ChatGPT 发布前大概一周，他见到了 Ilya 和 Greg。后来给我带回来的消息是，他们好像要做一个应用，但 Ilya 自己也说，不知道这个事情会怎么样。

然后事情发生了，ChatGPT 变成了改变世界的应用和产品。

这件事给我很大的冲击。除了刚才说的拿锤子找钉子之外，第二点是，在技术快速演进、不断爆发的情况下，其实没有谁比谁的认知高多少。

尤其面对市场时，没有谁比谁高明太多。大家都差不多，都在探索和享受技术带来的收获，同时寻找自己在市场和用户侧的价值。

所以这件事给我们最大的启发就是，处在 AI 时代，最要紧的是多实践、快犯错，然后满负荷迭代。

Ilya 和 Greg 并没有透露太多内部消息，也没有给出多么深的见解，但他们当时的预期，以及后来发生的反转，给了我们很多启发。

这也让我想到，我很早以前听过陈士骏的一次演讲。他讲到 Steve Chen，也就是 YouTube 的创始人之一，说过一段让我印象很深的话。

大家很多时候以为，一个很厉害的创业者像上帝、像先知一样，知道什么事情会发生，然后才去做。但他说不是这样，这是大家对创始人最大的误解。

回到 AI 视频领域的创业，可不可以请童超帮我们盘点一下 AI 视频创业的全景图？也可以重点讲讲，你比较看好哪些方向。

8. 生成与剪辑终将融合

我觉得模型公司相对比较平，大家都在同一个水平线上，挑战更好的模型性能。

从应用角度，我大概把整个视频领域分成5类。

第一类是偏 AI 剪辑的类型，用 AI 解决原来剪辑的问题。比如 Descript、OpusClip，之前我记得 Koji 也谈过 OpusClip，还有 Captions。

第二类，我理解可以叫 talking head，也就是画面里有一个人。这个人可能是数字人，也可能是真人被制作成数字人。比较典型的有 HeyGen、Hedra、D-ID，还有我今天早上看到的 Synthesia，一家英国公司，好像刚过了1亿美元的 ARR。

这一类产品最终产出也是视频，但路径是让一个真人出现在不同场景里。

第三类是视频特效，比如 Pika 或者 Viggle。它们做的是在视频内部生成不同效果，这很像传统视频制作中的后期特效，只不过现在用生成方式来解决。

第四类就是 Mootion 这样的产品，完整地端到端生成一个内容。它不像视频模型公司那样生成一个 video clip，而是生成一个完整内容。

这类产品包括 Mootion、Fliki，以及美国的 InVideo。大家基本都在这个方向上竞争。

最后一类是单点功能，比如 video dubbing、video translation，或者 face swap、换脸。这些更像整个视频创作过程中的某个单点功能，由专门的公司来做。

我对整个视频应用大概分成这5类。但我有一个观察：这些公司其实都是铲子，负责完成最终内容的一部分，或者串联其中一个环节。

在这个基础上，我们自己也有一个变化。我认为，生成和剪辑最终可能会融合在一起。

从用户视角来看，我并不关心这个片段或效果究竟是生成的，还是我自己拍的，也不关心我拿到一段素材之后，如何剪成我想要的 Highlights 视频。用户并不关心中间过程。

所以未来可能出现的情况是，AI 剪辑、传统剪辑，以及现在的视频生成——无论是做特效，还是像 Mootion 一样做整体生成——会出现融合趋势。

在这个融合趋势之上，其实有一个机会：谁能够先定义出剪辑和生成融合之后，产品形态究竟是什么。

这可能是一个很大的机会。先做个预告，Mootion 可能会在今年年终或下半年，推出第一个这样的产品形态，也请大家期待。这也是我们对这个问题的思考和呈现。

至于刚才荣慧问到比较关注哪些产品，我自己从产品创新性和体验角度来说，很欣赏 Descript。

Descript 在尝试用自然语言交互的方式，去更新和迭代现在比较繁琐的视频剪辑能力。它里面其实还有很多小问题，我自己也每天在用，但这个方向很好地指引了 AI 在剪辑和视频创作中应该承担什么角色。

它启发我们去思考，AI 在整个视频创作过程中可能发生什么变化。所以从这个角度，我非常欣赏 Descript。

另外还有一个大家接触可能比较少的产品，是一家英国公司做的，叫 VEED，产品网址是 veed.io。

这个产品很容易理解，但它很有意思的一点是，它在跟着用户一起成长。VEED 第一次上线大概是在2019年，当时用户并不多。

他们的创始人非常像一个和用户沉浸在同一环境里的创业者。他在 Twitter 和其他社交媒体上公开了自己的创业过程和经历，所以有很多用户会给他们反馈、互动。

他们后来也做了很多迭代，大概从2023年或2024年开始集成 AI 功能，做产品升级。ChatGPT 里第一个 VideoGPT，就是 VEED 做的。

这是一个非常有意思、非常 Agile 的团队和产品。他们大概用了两年做到100万美元 ARR，又用了3年，现在可能已经做到2000多万美元 ARR，成长还是很快的。

但背后你会发现，他们的迭代和方向一直都在及时响应用户需求。

这一代做 AI 视频的创业者里有很多华人。你自己最欣赏哪一位？

这个问题很好。你让我突然说一个名字，我还真不一定能马上想起来。

我觉得 HeyGen 的 Joshua 确实是一个很值得欣赏、学习的创业者。他有点像我刚才说的 VEED 创始人。

我知道他们的产品经历过 pivot，但他们做了很多有利于用户、紧跟市场的产品设计和迭代。这件事很值得学习。

我觉得这也可能是华人创业者很重要的特点，或者说很重要的优势。

有没有谁正在做自己的 AI 视频产品，但产品还没有发布，或者已经发布却还没有得到市场足够多的关注，而你认为假以时日，他和他的产品一定会取得很了不起的成绩？

我比较期待国内有更多基础视频模型出现。现在可能可灵相对领先，但应该还会有不同的技术路线，去获得更好的视频结果。

从这个角度来讲，我还挺期待 3AI，也就是曹悦的 3AI。我听说他们可能很快会有一些发布，所以我比较期待。

你和他们打过交道吗？

我还没有直接和他们打过交道。因为我们都是创新工场的被投企业，所以间接会有一些联系。

你期待他们的原因是什么？

因为他们用了不同的技术路线。具体细节不方便公布，但这条不同的技术路线可能会带来不一样的结果，和 DiT 可能会有一些区别。

你自己在一线，应该能非常强烈地感受到，从 Sora 开始，之后一系列视频模型你追我赶。一年之内感觉百花齐放，像是过去了快10年。

你最佩服哪个视频大模型团队？

9. 可灵完成模型产品化

我觉得可灵团队真的很厉害。

我曾经参加过可灵某个版本的发布会，也和他们团队有过一些交流。我觉得他们非常难得。

Sora 之后，可灵其实蛰伏了一段时间，正好卡在他们研发过程中出现了 Sora。但他们最终拿出来的结果，包括可灵出海之后在国内和海外的表现，以及创作者给他们的反馈，都非常难得。

它的差异在于，一个做内容的公司、一个我们理解的互联网公司，用非常短的时间达到了 SOTA，然后把 SOTA 转化为一个很多用户喜欢、愿意持续使用的基础模型产品，这非常难得。

从你的观察来看，为什么他们可以做得这么好？一方面，快手肯定有钱，也有用户数据，这些大家都知道。有没有什么你观察到、感受到的背后成功因素？

我觉得就是坚持。

对于可灵来说，更多成果应该来自 research 团队，产品其实没有那么厚，提供一层产品就可以了。

在 research 方面，我觉得他们非常坚持，认准了这条技术路线，做了比较大的投入。而且 Sora 出来之后，他们也没有乱掉阵脚。

能够稳定地拿出好的内容、好的结果，按照自己的节奏做产品化和更新，我认为这是比较重要的。

在国内，至少到目前这个时间点，这可能是非常关键的一种属性和差异化。

据你所知，可灵内部有哪些灵魂人物，是他们成功的关键？

这个问题很好。你突然让我想名字，我还真不一定能马上想起来。

但确实有两三位比较关键的人，在引导整个 research 的方向。他们都是研究者。

从策略上看，他们做对了什么？

你说的是哪方面的策略？

从你的观察来看，可灵是不是选对了路线，然后坚持下来，最终得到结果？

我觉得他们技术路线选对了，这肯定是正确的。类似 Sora 的技术路线，如果选错了，可能就没有办法在这么短的时间内给出这样的结果。

第二，如果说到策略，我觉得可能未必完全是产品团队的功劳。他们很快做了国际化，把产品延伸到了海外。

这一点甚至在我看来，比快手自己过去的出海做得还要好。

现在大厂非常强，不管是快手的可灵，还是字节。像生数科技、PixVerse 这样的创业公司，也在做视频模型。你认为他们还有希望吗？

我觉得现在视频基础模型的能力还没有收敛，仍然处在发散阶段。这一点和语言模型有比较大的差异。

在这种状态下，我认为创业团队的新思路、新方向、新成果，以及大厂持续不断的高投入和新成果，可能还会并行一段时间。

但最终结局是谁，我也不好说。春节时突然杀出 DeepSeek，国内很快就收敛了。视频领域可能还会继续跑一段时间，但最终杀出来的是谁，现在无法预料。

我觉得大家都有机会。

现在还有一种说法是，字节所到之处，片甲不留。尤其是在视频领域，不管是剪映、CapCut，还是上周在 Product Hunt 榜首的 Pippit AI，都是字节推出的视频工具。

我自己看了一下，感觉非常震撼，好像又消灭了很多创业公司。对字节做的各种 AI 视频产品，你最喜欢、最看好哪一个？

我自己还是觉得即梦是一个很好的基础。

即梦有一个很大的、也很大胆的产品尝试。你打开即梦的时候，第一屏是一个类似抖音的信息流。

这很难得，因为它真的在尝试把 AI 内容变成用户可以拉长时长、持续消费的内容。

这意味着，即梦很有可能从一个单纯的生产力工具，变成一个能让生产力工具产出的内容被用户消费的产品。我觉得这是一个很大胆的尝试。

也有可能是因为即梦的负责人是我认识的朋友，所以我觉得他们在这一点上是很好的尝试。

但这件事现在还只是一个尝试。至于它能不能留下来，或者未来能不能变成一个新的抖音，我觉得有可能，但还有很长的路要走。

最后我们聊一下出海。Mootion 一直做海外市场。童超可不可以讲讲，目前用户量最大的3个市场是哪里？你们分析背后的原因是什么？

10. 全球市场各有增长逻辑

按照大的区域来分，第一是巴西，巴西是我们用户最多的市场。

第二主要是阿拉伯地区，大概是中东海湾的6个国家。

第三是美国。

从我们的观察来看，阿拉伯地区是一个意外。巴西其实在预期之内，因为巴西事实上是很多硅谷创业公司出海的第一站。

大家很看好巴西用户对产品的接受程度，以及对新事物的尝试意愿。同时，巴西也是一个体量非常大的单一市场。

阿拉伯地区则是相对意外的市场。其中一个很典型的国家是阿曼。昨天我看了看数据，我们在阿曼可能已经有7万多用户了，但阿曼全国人口只有不到500万，大概四百多万。

所以我们在这个国家的渗透率其实非常高。

2月份，阿曼投资管理局和教育部邀请我过去交流。他们也很好奇，为什么这样的产品在阿曼有这么高的渗透率。

我去了当地用户真正使用产品的地方，拜访了阿曼绝大多数比较好的私立和公立学校，真实看到老师和学生使用我们的产品，赋能他们的课堂和教学。

这一点让我非常惊喜。阿曼的情况，也代表了整个阿拉伯地区可能存在的类似用户场景。

美国则比较符合预期。我们出海本来就会重点考虑北美市场，所以目前主要就是这3个市场。

可以分别说说这些市场的用户特点吗？如果大家没有去过这些地方，可能会想不到他们有哪些不同。

巴西用户普遍接受新事物很快，也愿意尝试。他们会自己发起一些小的用户群，讨论新产品和新东西。

所以在巴西做渗透、做新增，速度可能会很快。

但巴西用户有点像我们5年前或者10年前的中国用户，他们的付费习惯还没有那么好。这一点需要考虑。

如果你要做冷启动，巴西可能是一个很好的新增市场，但同时也要考虑3个月之后，付费和转化要怎么解决。

阿拉伯用户则是完全不同的群体。他们非常严谨，因为有很严肃的宗教约束。

严谨意味着他们对新事物的接受和转化相对谨慎。但反过来，正因为教义比较严谨，他们对带有 AI 属性的新东西反而会非常期待。

这是一个很有意思的两面性。所以当你在阿拉伯地区找到一个小切口，就会很大程度上放大人们对新产品、新概念的好奇，增长也会很快。

我们在阿拉伯国家的增长，几乎90%都是自然增长。我们只做过两三个 influencer 内容，除此之外全部都是自然流量。

所以当你找到切口之后，阿拉伯国家的自然传播会是一个非常好的数据。

阿拉伯国家的付费会有一些挑战，但要选择好中东国家。海湾6国的付费情况会好很多。

说到阿拉伯国家，他们比较谨慎，是不是也意味着用户忠诚度会比较高？

没错。我们从自己的数据中也发现，阿拉伯用户一旦接受并完成转化，生命周期会比较长。

你刚才提到去日本做活动，之前聊天的时候也谈到过台湾。这两块市场可以分享一下吗？

日本和台湾是我们今年开始发现用户新增比较好的区域，这个信号非常明确。

在日本和台湾，基本上也是自然传播。到了万级别用户之后，我们会在自然传播的基础上做一些助推，比如找 influencer，通过他们的内容影响更多用户。

日本和台湾这两个市场很相似：用户接受起来比较难，进入市场比较难，但一旦进入之后，忠诚度非常高，付费率也很高。

日本和台湾加起来大概有1.5亿人口。这些人口相对难进入，但进入之后，用户生命周期很长，转化率和付费率都非常好。

你提到的这5个市场里，有看到哪些同行？

其实很多。阿拉伯地区比较少，大家可能对那里相对陌生。

但在巴西，很多硅谷朋友创业时第一站都会选巴西。印度、巴基斯坦相对少一些。美国就更多了，日本也有不少，台湾可能相对少一点。

我这次去阿曼时，有一位老师告诉我他使用的 App。他说自己用了 DeepSeek，还给我看了 PixVerse。我觉得很有意思，华人的产品已经渗透到了世界各地的用户中。

你觉得在现在这个时期，华人创业者的优势是什么？

我觉得可能有3个比较独特的优势。

第一，中国创业者，至少我认识的很多朋友，非常接地气。大家能够在技术还不成熟的时候，通过很多方法找到 PMF 的路径，让产品快速增长。

这一点我认为中国创业者可能比很多美国创业者做得更好，这是一个很重要的差异。

第二，不得不说，在移动互联网和互联网这样一个超级内卷的市场里成长起来的创业者，在增长和运营策略上，可能是降维打击。

尤其是在新产品冷启动和规模化增长的时候，中国创业者手里可能拿着一些秘密菜单。

第三，在中国的创业者环境里，我们同时拥有两种人才。

第一种是很好的研究人员，甚至是很年轻的研究人员。他们不一定是顶尖的，但有很多年轻、有想法的研究人员。

第二种是很好的全栈工程团队。作为创业者来说，这一点非常重要。

这意味着，我们可以很快把很多新技术传递到用户那里。这种技术供给，在其他国家并不容易找到。

我觉得这3点综合起来，会让华人创业者，尤其是 AI 领域的创业者，非常快地突飞猛进，找到自己的方向。

最后一个问题。你觉得现在这个时代，还需要在当地找一个人，或者找一个 representative 吗？

我相信 AI。

第一，我们没有任何想法，需要在任何国家或区域设一个代表。我们相信 AI 的力量，觉得 AI 可以像一个员工或实习生一样，代表我们和用户沟通。我们其实也在这么做。

第二，我也相信用户的力量。在全球化背景下，你在当地的用户就是最好的代表。你不需要找一个人来代表他们，用户自己会有足够的动力和能量，帮助你做当地市场的拓展、反馈和迭代。

我觉得要相信这两种力量。

今天非常感谢童超的时间，我们分享了 Mootion 的故事，也请童超给我们对整个 AI video 这个大领域做了很多的科普和点评。那我们再过一年的时间回头再看今天这期内容的时候，应该能看出非常多的新意和线索。好，在此谢谢童超，也欢迎你再来十字路口。

拜拜拜拜，多谢多谢大家，拜拜。

如果你认为有朋友也会喜欢本期十字路口的内容，请转发微信推荐给他们。最后，欢迎你加入十字路口的会员群，我们鼓励大家在群里聊天互动、交朋友，寻找未来的同路人。