新闻资讯
News and information
-
26
02/14
手机上80%的App面临失业？
GitHub上的开源项目OpenClaw近期迅速走红。在与YCombinator的访谈中，创始人PeterSteinberger抛出一句话：“未来的操作系统不再需要图标，只需要意图。”他甚至激进地判断，80%的App将因为不再被主动打开而自然消亡。这并非危言耸听，而是三种交互结构正在重塑“入口”。01.调度层重构：OpenClaw的“蜂群”思路OpenClaw不依赖单一模型，而是在后台协调多个Agent分工协作。它像一个中控台，让AI从“回答者”变成“执行者”。尽管目前在多步骤规划上成功率仍有衰减，但它证明了：在App之上，已经可以建立一层新的执行结构。02.硬件层接管：豆包手机的“视觉暴力”字节跳动选择了更直接的路径——不等待接口开放，利用视觉识别让AI自己“用App”。这验证了界面层接管的可能性，但在当前30TOPS的端侧算力瓶颈下，跨应用操作仍面临延迟（约3秒）与成功率（约50%）的现实挑战。方向已验证，但摩尔定律还需要时间。03.系统层洗牌：Apple与Google的攻守易形更深层的变化来自金钱流向。过去十年，Google每年向Apple支付约200亿美元保住“默认搜索框”；而据彭博社报道，未来Apple可能反向支付10亿美元以接入Gemini。这意味着入口的定价权已变：流量分发不再靠搜索框，而靠系统级AI。App不会消失，但角色正在边缘化。当AI能直接理解意图并跑通流程，“打开App”将不再是第一步。未来的手机将以意图为起点，而App终将从“交互终点”退化为被AI调用的“数字管道”。入口权的迁移，已经开始。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/14
AI能订酒店了，旅游中间商慌不慌
你有没有发现，这两年订机票和酒店时，你越来越少认真搜攻略了？以前你可能会搜索、对比、翻评价、选房型，再慢慢决定；现在更常见的场景，是刷到一条内容，看几条评论，直接下单。甚至，你已经开始习惯直接问AI：“我三天去成都，帮我排个行程。”对消费者来说，这是体验升级；对行业来说，这是决策权结构的变化。平台裁员是这种变化最直观的外化信号：近年来即便全球旅游需求持续恢复，Expedia、Traveloka等大型OTA仍陆续精简组织。一个反常问题浮出水面：越来越多人在旅行，为何平台却不再需要那么多分发和运营岗？最近在巴厘岛举行的HBXGroupMarketHubAsia交流活动，提供了一个很好的切口，把镜头从C端拉到B2B分销中间层，答案会更清楚。HBXGroup（Hotelbeds母公司）正好站在这层中间地带：一端连酒店库存和价格规则，一端连各类渠道与卖家，其系统每天要处理约78亿次搜索请求。它不需要讲故事，它只需要回答一件事——什么产品、什么价格、以什么规则，能被系统卖出去。也正因为分销处在供给与渠道之间的中枢位置，当决策越来越交给算法时，最先感受到变化的，往往正是这一层中间商。从HBXGroup最新披露的2026财年第一季度数据来看，其整体交易规模（TTV）同比增长16%，达到20.23亿欧元。但收入仅同比增长5%，整体变现率（takerate）约为8.4%，比去年同期下降约0.9个百分点。简而言之：交易在涨，但每一笔交易留在平台的钱更少。与此同时，MEAPAC（中东、非洲与亚太）已经成为HBX增长最快的区域，季度交易规模增速达到20%，但也是公司三大区域中takerate最低的市场。从长远趋势来看，规模扩张无法单纯依赖渠道铺设或价格优势，而必须建立在更高交易效率之上——包括更精准的需求判断、更灵活的动态定价，以及更高效的供给调度能力。也正是在这一现实约束下，AI的角色定位发生明显变化，不仅是提升内部效率的工具，更是贯穿定价、分发、撮合交易与履约的一套“交易决策引擎”。相关能力开始被产品化，并逐步输出给酒店端与合作伙伴，用于支持实时调价、需求预测和库存配置。简而言之，增长潜力和竞争压力都在亚太，而AI投入正好指向交易效率与定价能力。01真正的变化不在AI，而是决策权很多人把这一轮变化理解为“AI更聪明了”，但真正发生的，是旅行决策正在从用户界面，迁移到系统内部。过去，决策权在用户手里：你搜什么、比什么、选什么，平台只是把库存摊开给你看。现在，决策权前移到系统：筛选、排序、组合先在后台完成，用户看到的只是系统已经裁剪过的结果。搜索、比价、规划这段原本由人承担的决策链路，正在整体被系统接管。用户省下的是时间，行业失去的是“页面时代”的定价权。行业关注点，正在从流量入口，转向谁能真正组织一笔交易。把目光放回中国市场，会发现许多在海外被视为“下一代分发形态”的变化，在国内早已成为日常。在小红书、抖音等平台上，消费决策早已脱离“搜索—比价—筛选—下单”的路径，更多是在同一个内容场景中完成触达、建立信任并直接成交。发现、影响与交易被压缩在同一流程里，而算法在其中实际承担着最关键的一步——决定用户会看到哪些选项。对多数用户而言，真正的决策空间，早已发生在算法完成筛选之后。你并不是在全市场里挑选，而是在系统为你构建的一小部分候选集中确认结果。中国超级App生态，本身就是这种分发逻辑的提前样本。用户并不关心背后是OTA、品牌官网还是第三方系统，只在意是否顺手、是否能立即完成购买。随着生成式AI和个人助手进入消费场景，算法正在从“信息过滤器”升级为“决策组织者”，开始直接承担目的地判断、行程组合与产品匹配，甚至在授权前提下完成下单。从你在算法提供的选项中选择，正在走向由算法替你完成选择。也正是在这样的环境下，“未来的旅行决策者不一定是你”这句话，正在逼近现实。02技术重构分发，抬高供给侧生存门槛在这种新的游戏规则下，旅游业者的竞争焦点正在发生根本性偏移。过去你可能是在和平台争夺曝光，或者和同行厮杀价格，现在则是在争夺一个更底层的基础：你的产品，是否具备被算法瞬间调用的能力。在以代理系统为核心的新分发体系中，分发的决定权已经从流量渠道转向数据结构。如果说过去只要能上架、能买流量，就有机会成交，那么现在的准入条件，已经变成了产品本身的结构化程度。当用户把行程交给AI助手时，如果你的价格规则、库存状态、退改政策，甚至房型标签无法被机器稳定解析，哪怕你在社交媒体上再红，在算法的世界里也等同于不存在。这种透明而冷酷的机器筛选，正在快速收紧供给侧的准入边界。更进一步看，真正被AI重构的，并不只是分发方式，而是整个行业的定价权和履约标准。当下一个下单者从人类变成系统，酒店和供应商面对的考题就变成了一组极其具体的能力指标：你的权益边界能否自动校验，你的退改规则是否可以被实时判断，你的产品标签是否支持系统直接组合行程。这些技术颗粒度将直接决定你是否还能留在可成交的池子里。当算法成了新的采购方，你的产品还能被它“上架”吗？如果进不了交易流程，流量再大也只是热闹。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/14
科技赋能居住革命，5G+AI装修管理软件寻求资源支持
在房地产行业步入深度调整期的今天，如何有效去化库存、提升居住品质，已成为关乎经济与民生的双重课题。在这一背景下，一项旨在通过前沿科技重塑行业生态、改善人居体验的创新项目正悄然萌芽。由拥有近十五年房地产行业经验的资深人士代晓光创立的“5G+AI数智化装修管理软件”项目，试图为这一复杂难题提供全新的技术解决方案。从行业痛点到民生使命：一个创业者的初心该项目的诞生，并非偶然。创始人代晓光在房地产领域深耕近十五年，亲眼目睹了行业的起伏与变革。他深切体会到，当前房地产领域所面临的问题，远远超出经济范畴，更紧密关联着普通百姓的生活质量与社会福祉。商品房库存去化缓慢、装修过程不透明、居住体验参差不齐等现象，不仅影响市场健康，也间接牵动着农村留守儿童、城市务工家庭、养老居住环境等多元社会议题。基于这样的观察，代晓光坚信，唯有真正扎根行业、理解痛点的人，才可能找到可持续的解决路径。他怀揣着“通过技术改善居住民生”的强烈使命感，主导研发了这款整合5G通信与人工智能技术的装修管理平台。在他看来，房地产是民生保障的重要一环，只有让人住得更好、更舒心，整体社会的幸福感才能真正提升。这也构成了该项目最核心的创业初心与价值导向。5G+AI：重塑装修全流程的数智化引擎该项目并不局限于某一环节的优化，而是旨在对装修全过程进行系统性的数字化重塑。其技术核心建立在5G与人工智能的深度融合之上。借助5G网络高带宽、低延迟、广连接的特性，软件能够实现装修过程中设计方案、施工进度、材料加工、物流配送、质量验收这五大关键节点的数据实时同步与多方共享。这意味着业主、设计师、施工方、材料供应商等各方可在同一平台上无缝协作，彻底告别信息孤岛与进度黑箱，实现全过程的可视、可管、可控。而在用户体验侧，AI技术则扮演了“场景增强”的角色。通过高精度三维建模与虚拟现实技术，系统能够将大型家电、定制家具、软装搭配等元素，以高度逼真的方式沉浸式呈现给消费者。购房者或业主可以在决策前“预览”未来家的样貌，甚至模拟不同光照、布局下的生活场景，从而极大提升参与感与满意度，减少后续纠纷与修改成本。对接政策与展望未来：一条稳健可行的发展路径尽管项目构想宏大，且被团队视为在商业与技术模式上均具备创新性，但其发展策略却尤为注重稳健与合规。代晓光明确表示，项目的推进离不开与政府主导方向同频共振。当前阶段，核心挑战并非资金，而是亟需获得相关政府资源的支持与协同，以推动模式在真实场景中的落地验证。这一思路已初见成效。据悉，项目方案已于近期按程序上报至相关中央部委，建立了初步的沟通。这为项目后续与地方试点、产业政策对接奠定了重要基础，也体现出项目寻求在规范框架内助力行业转型升级的思路。展望未来，团队的愿景并未局限于国内。一旦模式在本地市场得到成功验证，他们计划将这套系统与运营经验拓展至海外市场，尤其是那些同样面临建筑业数字化转型需求的国家和地区，展现出立足中国、面向世界的技术自信与商业雄心。科技的温度，在于服务民生对于代晓光而言，房地产归根结底是服务于人的行业。他的心得体会朴素而深刻：“只有让百姓住得踏实、舒心，社会发展的根基才会稳固。”这个5G+AI装修管理软件项目，正是他将科技能力与民生关怀相结合的一次重要实践。在行业转型的十字路口，或许正是这种以技术为手段、以人为尺度的创新，能为中国房地产市场的健康发展与人民居住品质的提升，开辟出一条兼具效率与温度的新路径。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/13
软件没有死，但“通用软件”已死
AI时代如何投资软件：谁会被颠覆，谁会发展壮大？近期，软件股正在遭受重创！这种下跌并非针对特定标的，也非战术性调整，几乎是无差别的打击。观察当下的行业现状，与其说是板块轮动，不如说更像是一场大清算，甚至到了彻底投降的地步。无论是增长领头羊、赛道赢家、基础设施平台，还是通用型SaaS或垂直型SaaS，全都在同步跌落。我今天在X上看到的一张图表，极其直观地展现了这种残酷现状。在数十家知名软件公司中，股价较近期高点的回撤幅度非常集中。这种跌幅通常只会在企业面临生存危机时出现，而非仅仅源于周期性的不确定性。这不是板块轮动，这是在投降。看来在投资领域，“硬件”已经成了新的“软件”。——PaulAndreola我最近看到一条推文，完美捕捉到了这种情绪。文中提到，眼下的波动已经超出了普通回撤的范畴，那些在一年期限内输不起的投资者，正对整套商业模式丧失信心。不确定性一旦增加，细节上的差异往往会被忽略。大家开始精简持仓，抛弃复杂的投资逻辑。软件股不再被视为商业模式各异的集合，而变成了一个同涨同跌的单一交易标的。与此同时，软件行业的竞争边界正在发生明显变化。以往定位为券商平台的Robinhood，现在正尝试将全方位的报税服务、遗产规划以及专门的理财顾问功能集成到一个应用中。这不仅仅是产品线的扩张，也预示着软件类别、金融服务和专业服务之间的传统界限正在瓦解。随着软件开发成本降低、分发变得更容易，相邻行业开始产生碰撞。投资者不再纠结颠覆是否会发生，转而关注它将从哪里率先突破，以及会对现有的利润池造成多深的打击。正因如此，最近一期由GokulRajaram担任嘉宾的《InvestLiketheBest》播客节目对我来说显得格外重要。我曾总结过该节目许多期的核心观点，最近的一期是关于HenryEllenbogen的访谈。在此，我想再次向主持人PatrickO'Shaughnessy表达谢意，感谢他通过免费分享这些节目内容所创造的巨大价值。Rajaram曾在Google、Facebook、Square和DoorDash负责过产品打造，并投资了700多家公司。在对话的前半部分，他并没有复述AI将改变一切这类空泛的论调。相反，他提出了一套思维模型，旨在区分哪些软件业务在结构上极易受到冲击，而哪些又具有出人意料的韧性。当你把他的观点串联起来时，比如关于记录系统、定价模式、数据持久性、工作流深度和产品黏性等，一套清晰的分析框架便浮现出来。这套框架能帮助投资者更精准地判断，哪些软件股最容易被颠覆，而哪些公司其实拥有比市场认知更深的护城河，正在默默地保护着自己。在接下来的内容中，我将尝试重构并扩展这一框架。它并非一份简单的核对清单，而是探讨AI智能体时代软件经济学与持久性的一种思维方式；最终，它也将作为一个视角，带我们看清这场行业多年未见的、极为盲目的抛售潮。问错了问题如果你观察大多数关于AI和软件的讨论，就会发现话题往往集中在一个非黑即白的问题上：AI到底会不会颠覆软件公司？这种视角很有诱惑力，因为它足够简单，但也带有很强的误导性。颠覆是否会发生并不是重点，核心在于它发生的位置、演进的速度，以及软件栈的哪些层级在结构上暴露在风险中，哪些层级则拥有天然的屏障。GokulRajaram提出了几个观察软件业务的角度，用以评估其脆弱性或防御能力。▍1.记录系统与其它一切软件Rajaram在这方面做了一个区分，他认为市场目前很少能对此准确定价。他指出，传统软件公司可以归为两类本质不同的范畴：记录系统，以及按效用或结果定价的软件。“当下最该感到忧虑的，是那些将产品定价与效用挂钩的软件公司”。并非所有软件都是一样的。有些系统位于公司运营的核心。另一些更接近表层，在不引发组织性冲击的情况下，它们的功能可以被复制、增强或逐渐替代。在多数企业的核心位置，都存在着所谓的记录系统。这些平台包括财务系统、核心ERP平台、CRM数据库、医疗记录以及法律档案库等，长期积累着企业的各种关键数据。这些系统早已超越了普通工具的范畴，承载着企业多年运营积淀下的家底。更换这类系统，从来不只是一个简单的技术问题，更是一项足以左右个人前途的重大抉择，背后潜藏着巨大的职业风险。正因为动到底层根基的代价太高，哪怕市场上出现了明显更优秀的替代方案，往往也难以在企业内部真正落地。每个垂直行业都有自己的记录系统，其中既有根基深厚的老牌厂商，也有近年崛起的新秀。这类系统存储了该行业绝大部分的核心数据，比如法律行业的Filevine或Clio，销售领域的Salesforce，以及医疗领域的Epic。以Salesforce为例，你不能只凭一句“我的产品更优秀”就想取而代之。看看CRM系统里装载的内容，那是企业的客户档案，而客户支持系统则记录着客户的各种反馈与诉求。除非你能提供一套简单且无缝的方案，把Salesforce、Jira或Zendesk里的数据完整搬迁过来，否则客户绝不会轻易搬家。实际上，光是开发出这样一套迁移机制，往往就需要投入长达2年的精力。过去十年，在这些记录系统的周围，涌现出了一层日益庞大的软件生态。这些工具的作用在于自动化流程、提升协作效率、提供数据分析或优化特定功能。它们虽然很有价值，却不具备基础性的地位。在很多情况下，这些工具并不直接拥有核心数据，其运作高度依赖背后的记录系统。在AI智能体时代，这种依赖关系成了决定胜负的关键。核心洞察在于，AI原生产品自然会先从外层软件下手。它们无需取代核心系统就能创造价值，通过伴随在系统侧边拦截工作流、自动化任务，就能逐步削弱现有软件的商业地位。正因如此，软件行业的颠覆在早期阶段往往悄无声息。此时一切看起来依然运转正常，客户也没有大规模流失。然而，客户购买的账号席位开始缩减，使用的功能也在变少，他们转而更多地依赖外部自动化方案。这种静悄悄的转变会逐渐掏空现有的商业模式，却不会触发任何重大的系统搬迁或数据迁移。这种态势也解释了为何老牌软件公司的防御色彩日益浓厚。当核心平台意识到外部智能体正将自己视作“毫无灵魂的数据库”时，它们的直觉反应就是收紧访问权限、捆绑竞争性功能，或者针对数据提取收费。其中的战略逻辑非常清晰：如果价值正通过接口不断外溢，那么接口本身就成了短兵相接的战场。“到了2024年，情况发生了变化。这些老牌软件商发现，那些新兴的AI和智能体公司正在逐步接管它们的功能，仅仅把它们当成一个存数据的‘原始仓库’。于是从去年开始，你会看到这些公司纷纷收紧策略，切断了API的访问权限。”对于投资者来说，核心系统与外围软件的区别不仅是技术上的细节，更是衡量被颠覆风险的首要结构化维度。如果一家公司的产品已经深深嵌入客户的业务运作肌理，它所遵循的商业逻辑，与那些仅仅叠加在现有基础设施之上的软件有着本质区别。随着软件开发门槛的降低，以及AI智能体能以极低的边际成本复制各种功能，软件栈的外层已经沦为各方激战的战场。核心层虽然目前黏性更强，但恐怕也无法永远高枕无忧。▍2.定价模式：是隐形的护城河，还是潜在的“负债”？投资者在谈论软件公司的护城河时，焦点往往集中在产品功能、品牌实力、客户黏性或网络效应上。定价模式很少被列入其中，因为在大家看来，它似乎是次要的，甚至只是某种修饰性的商业细节。然而，在AI驱动的时代，软件公司向客户收费的方式，或许是预判其会被颠覆还是能成功自保的核心指标。乍一看，定价似乎纯粹是一个商业层面的决策：是按席位收费还是按使用量计费？是采取订阅模式还是消耗模式？以按人头计费（席位制）的软件为例。在过去几十年中，这种模式几乎就是SaaS成功的代名词。企业将许可证卖给具体的员工，每一个席位都对应一个职能岗位，营收规模则直接取决于客户的员工人数。在那个由人类主导工作、软件仅提供辅助的时代，这套商业逻辑运作得天衣无缝。然而，随着AI智能体的介入，这套逻辑开始土崩瓦解。如果智能体能够代劳原本由人类处理的部分工作流，企业所需的账号席位就会不可避免地缩减。这种变化不会在一夜之间爆发，也不会引发激烈的系统更迭，它往往以一种循序渐进、甚至让人难以察觉的方式悄悄演进。Zendesk就是一个很好的例子。从根本上讲，Zendesk是按席位计费的，每一个席位都对应着实际的产出效用。也就是说，每个席位都代表一名处理特定工单量的客服人员。这类公司确实应该感到担心，因为我完全可以在Zendesk系统的基础上接入AI智能体，从而慢慢分流掉原有的工作量。企业不再需要购买50个席位，可能减到20个就够了，剩下的空缺由30个AI智能体来补位。这种蚕食是渐进发生的。客户不需要做一个孤注一掷的决断，这更像是一个灵活且可随时调整的“双向门”决策。在我看来，这类公司正处于最危险的境地。这正是某些软件品类在结构上更容易受到冲击的原因。当定价模式与人力投入深度绑定时，AI根本不需要通过取代产品本身来打击公司的盈利模式。它只需减少原本该软件所需的人力投入，就能让软件商的收入大幅缩水。这本质上就是目前市场看空Adobe的核心逻辑。相比之下，那些定价与数据、产出成果或系统级功能挂钩的软件，其表现则大不相同。如果一个平台掌握着长期积累的核心数据集，或者运行着关乎生死存亡的关键流程，它的价值就很难被拆解成一个个可以被轻易替代的零件。即便AI智能体可以增强或自动化部分工作流，核心系统依然稳如磐石。在这种情况下，定价模式背后体现的是一种更深层的掌控力。这类公司卖的不再是简单的账号席位，其实质在于提供对企业“运营家底”或“业务骨干架构”的使用权。那些被颠覆风险较低的公司，其产品的核心价值不再由席位数量决定，其底气源于长期积累和沉淀下的深厚数据。数据随时间沉淀的价值越高，公司的防御能力就越强。以ERP系统NetSuite为例，先撇开其具体的收费模式不谈，由于它实际上掌控着整个企业的核心业务流，具有极强的不可替代性。在这种背景下，很难想象会有人为了替换它而押上自己的职业前途，因为这种冒险缺乏足够且令人信服的理由。这种差异解释了软件行业的一个怪现象。在AI叙事的冲击下，有些公司表现出惊人的韧性，而另一些公司即便产品普及度极高且口碑载道，依然显得弱不禁风。这种脆弱性的根源未必在于技术层面的落后，更多时候取决于底层的商业模式架构。即便一家公司拥有卓越的产品，如果其定价模式允许竞争者逐步蚕食其业务价值，它依然难以自保。与此形成鲜明对比的是，某些公司的产品或许并没那么光鲜亮丽，但由于其定价逻辑植根于某种难以被复制或绕过的核心资产，这类公司反而展现出了极强的生命力。虽然企业理论上可以把商业模式从“按人头计费”转向“按量计费”，但GokulRajaram指出，这种转型过程极为痛苦，通过私有化来完成或许是更好的选择。“这些公司需要将定价模式改为按效果收费，并且产品的研发逻辑也要随之调整。这绝非易事，因为你原本能稳定赚取每个席位20到30美元的收入，现在却要改成按每解决一个问题收一美元甚至几毛钱，谁也无法预料最终的财务表现会如何。由于这种定价模式的转变极具挑战，我认为其中不少公司可能需要通过退市私有化来完成商业模式的重塑。对一家上市公司来说，这种转型带来的压力和不确定性实在太难承受了。”▍3.数据半衰期如果说定价模式揭示了软件业务的脆弱程度，那么数据则指出了背后的深层原因。各种数据的价值并不等同，它们“老化”的速度也大相径庭。在AI智能体时代，一家软件公司能否长久生存，正日益取决于它所掌控的信息是否具有持久的价值。有些软件产品产生的数据具有极强的瞬时性。比如即时消息、待办任务、短期协作以及碎片化的交互记录，尽管这类数据在产生之初很有用，其价值却会迅速流逝。随着时间推移，这些数据的关联性逐渐减弱，预测能力不断缩水，战略意义也随之消散。一旦AI智能体复现了这类产品的功能，底层数据几乎无法提供有效的保护。如果未来的系统能轻而易举地重构过去的业务流，那么所谓的历史积累也就失去了防御价值。另一些软件平台所积累的数据，其性质更接近于企业的运营家底。财务记录、客户往来史、供应链关系、合规档案以及运营日志，这些内容不仅仅是软件使用过程中产生的副产品，更是构成企业自身的血肉骨架。替换一个承载着此类数据的系统，早已超出了技术项目的范畴，对于依赖它的企业来说，这往往是一场关乎生死存亡的冒险。正是这种差异，解释了为什么某些软件公司即便技术架构显得陈旧，在变局面前依然稳如泰山，而另一些公司虽然产品时尚且用户活跃度极高，却始终笼罩在危机感中。衡量风险的核心变量并不在于创新的快慢，真正的关键在于系统中所积淀数据的“半衰期”长短。当数据拥有较长的半衰期，AI智能体便难以将其绕过。即便AI可以实现工作流的自动化、增强决策能力并优化交互界面，却很难凭空重构几十年积淀下的档案记录、人脉关系以及各种隐性知识。由此产生的是一种结构性的防御力。这种力量通常不会体现在功能参数的对比表或产品演示中，而是深藏于巨大的系统迁移阻力与组织变革风险之中。“像ERP系统，甚至像Salesforce这种承载着销售数据与档案的平台，里面存储的是真实的客户资产。想要撼动它们，绝非易事。”相比之下，如果数据的价值流失得很快，AI智能体几乎能瞬间发起竞争。它们不需要重构过往的历史信息，只要能复现现有的功能即可。随着时间推移，这种局面会引发一场微妙却强力的价值迁徙。原有的软件系统会逐渐失去吸引力，价值将流向那些能够摆脱旧有架构束缚、且能交付同等成果的新层级。“以Slack为例，它的处境恐怕更加危险。Slack内部存储的数据大多缺乏跨越时间的生命力，其‘半衰期’非常短暂。”对投资者而言，最关键的问题在于，数据能否在对客户或组织真正有意义的时间跨度内持续发挥作用。如果一家软件公司的数据在短短几个月后便失去意义，那么它所处的赛道，与那些数据价值能随年岁增长而不断积淀、产生复利效应的公司，完全是两码事。▍4.工作流深度测试每家软件公司都同时运作在两个截然不同的现实层级上。一个层级关乎数据，另一个层级则关乎行动。我们在第一部分讨论过的“记录系统”构成了第一个层级。这里是信息随时间不断积淀的场所，存储着企业的运营家底，也编码了组织运行的真实逻辑。想要替换这种系统确实极难，因为这无异于改写历史。然而，绝大多数的颠覆往往并不会从这里拉开序幕。工作流深度则属于第二个层级。它体现了一款产品在多大程度上介入了基于这些数据的决策过程与执行环节。有的产品仅能完成某些单一任务的自动化，而有的产品却能协调由逻辑判定、审批流程、例外处理以及组织行为交织而成的复杂链条。这种深浅之别，决定了AI智能体是否能在不重构企业底层运行逻辑的情况下，真正实现对该软件功能的有效替代。其次，你需要锁定高价值的工作流。这些工作流应当具备足够的深度与复杂度，并且需要调用特定的定制化数据。在企业软件的早期阶段，大部分产品只是服务于人类的工具。虽然它们能辅助工作流，却无法从根本上独立完成任务。AI的出现彻底改写了这种互动关系。当软件进化为智能体，它不再仅仅扮演辅助角色，而是开始接管并执行工作流。这也正是颠覆很少从记录系统开始的原因。变革往往源于那些与核心系统对接的简单流程。这些流程大多具有重复性、遵循特定规则且高度标准化，AI可以在不触动企业数据底座的情况下实现自动化。“我认为这个赛道的一大挑战在于，底层模型的能力正变得如此之强，以至于如果你试图创办一家业务逻辑‘轻薄’、没啥门槛的公司，那些基础模型厂商分分钟就能把你吞并。”因此，从AI原生公司的视角来看，战略目标并非直接挑战“记录系统”本身，而是盯上建立在其之上的“工作流”层。通过将一个切口虽小但价值极高的特定流程实现自动化，智能体能够为企业带来立竿见影的经济效益。这为老牌软件公司制造了一个悖论：“记录系统”固然难以更替，但构建其上的工作流往往脆弱得令人意外。一个工作流与组织逻辑纠缠得越深，自动化就越困难；反之，如果它越浮于表面、越模块化，就越容易被拆解。过去十年间崛起的许多SaaS公司恰恰处于这个危险的“中间地带”，它们的复杂度足以支撑其订阅制收费，但模块化程度又高到足以被AI智能体像剥洋葱一样，一层一层地剥离。因此，对于投资者而言，工作流深度测试是对“记录系统”分析的有力补充，而非替代。核心问题不再仅仅是这家公司是否拥有关键数据，而是它所攫取的价值，是否与其围绕数据构建的执行逻辑达到了血肉相连、不可分割的程度。▍5.其他结构性优势？到目前为止，该分析框架的重点一直落在软件本身，即定价模式、数据耐用性以及工作流深度。但如果AI降低了软件的开发门槛，并让功能的复制变得易如反掌，那么生命力最强的公司，将日益趋向于那些护城河延伸至软件之外的企业。换句话说，核心问题不再是产品在技术上是否领先，而在于其业务是否在结构上与那些纯软件手段难以复刻的现实因素深度纠缠。在传统的SaaS时代，防御力往往源于规模效应和分发能力。但在AI时代，这些优势的瓦解速度正在加快。模型在持续进化，智能体变得越来越廉价，交互界面也逐渐趋于通用商品化。真正难以被复制的，是那些处于软件与物理世界、金融体系、监管合规或社会关系交汇点上的事物。某些公司通过将自己植入难以重建的网络中，从而获得持久的生命力。Gokul：“在AI时代，我认为黏性主要源于几个方面。首先，你必须具备网络效应。比如DoorDash之所以有黏性，并不只是因为它有一款精美的App，而是因为它构建了一个由餐厅、配送员和消费者组成的庞大网络。你不能只攻击其中一环，你必须……”Patrick：“你没法靠‘氛围感编程’（Vibecoding）凭空变出后面这两样东西。”另一些公司则通过成为资金流的中介来建立壁垒：“第二个关于黏性的例子，是当你的系统中承载着财务往来或资金流动时。许多记录系统（例如餐饮系统Toast）都集成了支付功能。我认为这非常有意思，因为你不能只做一个收银终端（POS），你还必须让资金在其中流转。看看银行就明白了，银行就是个很好的例子。一旦你使用了像Mercury这样的商业银行，你的资金流就会锁定在其中，很难切换，因为这背后嵌入了监管合规等一系列复杂因素。所以，我非常看好这种‘金融服务+软件’的组合模式。”……此外还包括合规义务，或者是实际的物理运营基础设施：“第三种黏性来自硬件。你可以拥有真实的物理载体。Toast也是一个绝佳的例子，他们会免费给你提供硬件设备，但如果你想退货，就得付钱。无论如何，硬件就摆在那儿。竞争对手不能只开发一套软件就完事了，他们必须得拿着自己的硬件设备上门，把Toast的机器拆掉，再把自己的装上去。”这解释了为什么某些公司在剧烈的技术变革面前，依然表现出惊人的韧性。它们的价值主张不仅体现在功能层面，更是系统性的。想要取代它们，不仅需要重构软件，还要重构信任、网络、流程、硬件、法律框架以及经济关系——或者是这些因素的综合体。在这种语境下，切换成本无法用研发工时来衡量，而要用组织动荡程度来评估。“如今软件的半衰期极其短暂。除非你拥有某些能让它长久生存的特质——汉密尔顿·海尔默（HamiltonHelmer）曾提出过《策略七力》（7Powers）。你必须确保从第一天起，业务模式中就嵌入了这七种力量中的某几种，公司才具备生存根基。”总结：软件公司颠覆风险审计框架行文至此，一个清晰的评估范式已初现轮廓。我们可以通过以下五组核心矛盾，来审视一家软件公司的根基：记录系统（Systemsofrecord）vs.表层工具（Surfacetools）按席位定价（Seat-basedpricing）vs.基于数据的经济模式（Data-basedeconomics）长效数据（Timelessdata）vs.瞬时信息（Ephemeralinformation）深层工作流（Deepworkflows）vs.浅层自动化（Shallowautomation）持久结构优势（Durablestructuraladvantages）vs.浅层优势（Shallowones）拆开来看，这些观点直观易懂；但合而为一，它们构成了一套极具杀伤力的评估工具，能帮我们洞察在AI智能体时代，一家软件公司究竟是稳如泰山，还是金玉其外。这种方法的价值并不在于它能板上钉钉地预判输赢，而在于它提供了一个更有意义的切入点：它迫使你打破“所有软件公司风险均等”的错觉。你不再只是机械地询问一家公司是否能“免疫AI”，而是开始深挖一系列结构性问题——它的价值到底根植于何处？这种价值被剥离的难度有多大？第一个问题：这款产品在客户的组织架构中，究竟扮演着什么角色？这个问题看似简单，实则一针见血。如果它身处运营数据与决策流程的核心，那么动它的代价和“政治风险”就会极高。反之，如果它只是寄生在现有系统之上的外挂，那么替换它可能只是为了图个方便，而非关乎生死。这种定位上的云泥之别，往往就是韧性与脆弱的分水岭。第二个问题关乎经济架构：这家公司是在将“人力劳作”变现，还是在将某种“独立于员工人数”的事物变现？如果营收规模随着席位、功能或那些AI能自动化的使用量而增长，那么这种商业模式就面临着被逐渐蚕食的风险。反之，如果营收与长效数据、合规义务或系统级产出挂钩，那么公司就站立在更坚实的地基上。第三个问题聚焦于时间：公司数据的价值能持续多久？如果昨天的信息到了明天就变得无足轻重，那护城河就很浅。如果数据的相关性在数年间不断复合增长（复利效应），那么颠覆它就不只是做一个更好的界面，而是需要重构整个组织的记忆。第四个问题考察工作流的拓扑结构：AI智能体是否能在不更换底层系统的情况下，直接复现核心工作流？如果答案是肯定的，那么这家公司就很容易被蚕食式替代；如果是否定的，挑战者就必须面对重建整个技术栈这一难如登天的任务。最后一个问题则跳出了软件本身：有哪些非软件类的结构性优势在支撑着业务？网络效应、金融链路、硬件部署、监管牌照以及组织习惯，这些都充当了隐形的防御堡垒。一家公司对这些结构的依赖程度越高，就越不容易被纯粹的软件创新所取代。综上所述，这些问题构成了一份颠覆风险审计表，让我们能从多维视角而非单一维度来看待软件业务。一旦你采用了这些理念，当前软件股的动荡看起来就不再那么混乱了。软件股并非一个同质化的资产类别，有些公司之所以更脆弱，并不是因为管理不善，而是因为它们的价值恰好位于那些极易被AI拆解的层级；而另一些公司则表现出更强的生命力，这并非因为它们对技术变革免疫，而是因为它们的优势深深植根于AI难以轻易复刻的资产之中。结论当前软件行业的抛售潮看起来惊心动魄，但背后其实有着理性的支撑。AI智能体确实正在从根本上改变许多软件股的尾部风险概况（即极端崩盘的可能性）。ThomasReiner在下方的推文中指出，即便一家公司能在未来15年内保持14%的增长（这已经远超一般的行业基准水平），其估值也“仅仅”相当于20到25倍的自由现金流（FCF）。我不太确定Rainer到底使用了多少折现率（DiscountRate），所以我自己重新算了一遍：如果按10%的折现率计算，其内在价值确实就在20倍自由现金流（FCF）左右。我之前曾提到，投资者需要保持一份谦逊，去正视我们正在见证的这种指数级技术跃迁。你真的敢拍胸脯保证，某只软件股X、Y或Z在15年后还会存在吗？“这类分析（如现金流折现模型DCF）包含两个核心假设。当然，假设远不止两个，但我重点点出这两个：1.留存率（RetentionRates）：你假设留存率会持续保持高位且稳定，这样你才能预测未来10年的稳定现金流。一旦留存率松动，现金流就会一落千丈。2.终值（TerminalValue）：你假设这门生意是有‘终值’的。换句话说，你假设它的终值不是0。那么现在发生了什么？这两个根本性的假设正受到前所未有的质疑，这就是估值雪崩的根源。”——JaminBall所以，我再次强调，目前的抛售在我看来并非完全失去理智——尤其是考虑到此前某些软件股那高高在上的估值。真正不理智的行为，是市场将那些本质上完全不同的（软件）商业模式“一刀切”，仿佛它们注定要走向相同的命运。事实果真如此吗？在某些情况下，确实如此。然而，如果我们回顾开篇提到的那个表格，你会发现，根据本文的框架，过去一年跌幅最惨重的几只股票，恰恰是那些在智能体（AgenticAI）时代防御力最为薄弱的商业模式（比如Wix、Duolingo和Figma）。当你学会透过记录系统、定价架构、数据半衰期、工作流深度以及非软件护城河这几层棱镜去观察时，软件行业就不再是一个面目模糊的整体。有些公司在结构上就极易被竞争者“蚕食”价值；而另一些公司则被深厚的数据引力、极高的迁移摩擦以及对现实世界流程的深度嵌入紧紧守护着。这两者之间的天壤之别绝非细枝末节，但如果你依然只盯着传统的SaaS指标（如ARR、NDR等）看，就极易与真相擦肩而过。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/12
这脑洞神了，两AI“互喷”，竟治好祖传科研软件95%老毛病？
过去几十年，科学计算领域诞生了无数开源工具，却鲜有能「开箱即用」。深势科技Deploy-Master以执行为中心，用自动化工作流一次性部署验证超5万个工具，为AgenticScience铺平道路。过去几十年里，科学计算领域积累了数量空前的开源软件工具。从生物信息学、化学模拟，到材料计算、物理仿真与工程设计，几乎每一个学科方向，都形成了自己的工具生态。在GitHub等平台上，成千上万个代码仓库声称可以被用于科研实践。但一个长期存在、却始终没有被系统性解决的事实是：绝大多数科学软件，停留在「被发布过」，而不是「可以直接运行」的状态。在真实科研实践中，我们往往需要花费数天甚至数周时间，反复解决编译失败、依赖冲突、系统不兼容等问题，才能在本地「勉强跑通」一个工具。这样的运行环境高度依赖个人经验，往往是临时的、不可移植的，也很难被他人复现或复用。每个研究者、每个实验室，都在手工维护自己的运行环境，而不是在一个共享、可复现的执行基础设施之上开展工作。这种模式带来的问题，并不只是效率低下。更关键的是，它在结构上限制了科学软件的三件事情：可复现性、大规模评估，以及系统性集成。即便容器化、云计算和HPC平台已经显著降低了算力门槛，这一「部署瓶颈」依然真实存在，并且长期制约着科学软件的可用性。随着AIforScience（AI4S）的兴起，这一问题被进一步放大。在新的科研范式中，AI系统不再只是输出预测结果，而是需要与真实的科学工具发生紧密交互：1.调用求解器；2.执行模拟程序；3.运行分析管线；4.处理真实数据。在这样的背景下，一个工具是否「真的能跑」，不再是工程细节，而是第一性问题。这一问题在AgenticScience场景中表现得更加尖锐。如果工具依赖隐含环境、执行高度脆弱，那么智能体的规划将无法真正落地，执行失败也无法被结构化分析，更不可能转化为可学习的执行轨迹。从这个角度看，工具是否部署就绪，已经成为制约AI4S与AgenticScience规模化发展的结构性瓶颈。基于这些观察，深势科技逐渐形成了一个判断：科学软件的问题，并不在于工具不够多，而在于缺乏一个能够将工具系统性转化为可执行事实的共享基础设施。Deploy-Master，正是在这一背景下被提出的。在真实世界中，部署并不是一个孤立步骤，而是一条连续链路：工具能否被发现、是否被正确理解、能否构建环境、以及是否真的可以被执行。Deploy-Master正是围绕这条链路，被设计为一个以执行为中心的一站式自动化工作流。SearchAgent，百万级仓库搜索在大规模场景下，部署的第一个难题并不在构建，而在发现。如果候选工具集合本身存在系统性偏差，后续所有自动化都会被放大为偏差。为此，他们从91个科学与工程领域出发，构建了一个覆盖AI4S实际应用场景的学科空间，并使用语言模型扩展搜索关键词，在GitHub与公共网络中进行大规模检索。初始召回得到的仓库，会作为「锚点」，通过依赖关系、引用关系、共享贡献者和文档链接等信号进行迭代扩展，从而避免仅依赖关键词搜索带来的盲区。随后，他们通过结构启发式规则剔除明显不可执行的仓库，并由agent进行语义判断，确认其是否构成一个可执行科学工具。通过这一多阶段漏斗流程，他们将最初约50万个仓库，收敛为52,550个进入自动部署流程的科学工具候选。这一步的意义，不仅在于筛选工具，更在于第一次以结构化方式刻画了真实科学工具世界的规模与边界。BuildAgent，双模型辩论在构建阶段，大家面对的并不是一个「有明确说明书」的世界。大量科学软件仓库的构建信息是零散的、不完整的，甚至相互矛盾的。README文件可能早已过期，已有Dockerfile也未必反映当前代码状态，而关键依赖往往只存在于作者本地环境中。BuildAgent会系统性地遍历仓库中的构建线索，并在必要时进行补充信息检索，生成初始构建方案。早期实验表明，仅依赖单一模型生成构建规格，成功率只有50%–60%，失败主要源于构建信息中大量隐含、未被显式表达的假设。为此，Deploy-Master引入了双模型评审与辩论（debate）机制：一个模型提出构建规格，另一个模型独立审查并主动寻找潜在不一致、缺失依赖或环境假设，提出修正建议。两者通过多轮交互，不断修正方案，直到形成稳定、可执行的构建规格。这一机制将整体成功率提升到了95%以上。每一个工具最终都会通过一个最小可执行命令进行验证。只有通过执行验证的工具，才会被视为成功部署，并被进一步结构化、注册和发布到玻尔与SciencePedia上，使其可以被直接使用，或被其他agent（例如SciMaster）调用。从构建时间的分布来看，大规模部署并不是一个「均匀」的过程。尽管大多数工具可以在7分钟左右完成构建，但整体分布呈现出明显的长尾特征。一部分工具仅包含轻量级脚本或解释型代码，构建过程相对简单；而另一部分工具则涉及复杂的编译流程、深层依赖以及系统级库配置，其构建时间显著更长。这种差异并不会阻止整体流程的推进，但它决定了部署在规模化条件下的成本结构。在成功部署的50,112个工具中，我们观察到一个高度异构的语言分布。工具覆盖了170多种编程语言，其中Python占据了最大比例，其次是C/C++、Notebook形式的工具、R、Java等。绝大部分语言部署成功率都稳定维持在较高水平。少数成功率相对较低的语言，主要集中在依赖复杂编译链或系统级库的场景，例如C/C++、Fortran以及部分R工具。这并不意味着这些语言「天生更难部署」，而是反映了其工具链对底层环境的耦合程度更高，从而放大了构建规格中的不确定性。从部署的角度看，语言本身并不是决定性因素，环境耦合强度才是。在2,438次失败的构建尝试中，他们对失败原因进行了系统性统计。结果显示，失败并非均匀分布，而是高度集中在少数几类问题上。最主要的失败来源是构建流程错误，包括构建步骤与仓库当前状态不一致、关键依赖缺失、编译器或系统库不匹配等。这类失败远远多于资源不足、网络异常或权限问题。与此同时，资源相关错误在高并发阶段也确实出现过，并直接推动了对调度策略和隔离机制的后续改进。这进一步说明，在规模化部署中，失败不应被视为异常，而应被视为系统暴露问题、进而自我修正的信号。通过统一的执行基础设施，他们得以系统性地观察科学软件在真实环境中的部署行为：哪些环节最容易失败、哪些隐含假设最常被触发，哪些工具链最容易放大不确定性。这种可观测性本身，正是Deploy-Master希望建立的基础之一。它让「科学软件难以部署」从一种经验判断，转化为可以被量化、被分析、被持续改进的工程对象。从可运行工具，到AgenticScience的执行地基Deploy-Master的直接产出，是一个由数万条执行验证工具构成的集合。但更重要的是，它为社区Agent与各类MasterAgent提供了一个长期缺失的基础前提。对Agent而言，工具调用并不是抽象动作，而是必须在现实环境中成功落地的执行过程。只有当工具被统一构建、验证并注册为可执行能力，Agent才真正拥有稳定的actionspace，规划、执行与学习之间的闭环才得以成立。这也使得不同来源的社区Agent，可以共享同一批经过执行验证的工具能力，而不再各自维护脆弱、不可复现的运行环境。这一方法论的意义，并不局限于科学计算。科学工具往往被视为自动化部署中最困难的一类：依赖复杂、系统耦合强、文档不完整、对环境高度敏感。如果在这样一个「最难场景」中，仍然可以通过以执行为中心的设计，在万级规模下稳定地产生可运行工具，那么结论已经非常清晰问题不在工具类型，而在于是否建立了以执行为核心的基础设施。这一判断同样适用于更广泛的软件工具生态：工程工具、数据处理系统、专业软件乃至各类AgentTooling。只要工具最终需要被执行，其部署问题就无法绕开「不完美信息」这一现实前提。Deploy-Master并未解决所有问题。异构硬件、分布式计算、语义级I/O接口以及与物理实验系统的闭环集成，仍然是未来需要面对的挑战。但有一件事情已经足够清楚：在AgenticScience时代，执行不是推理之后的附属步骤，而是所有能力得以成立的前提。当「工具能不能跑」不再是一个默认假设，而成为一个被系统性验证的事实，科学智能体才真正开始拥有与现实世界交互的基础。而Deploy-Master，正是迈向这一执行现实的一次尝试。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/12
软件会不值钱吗？黄仁勋在思科一句反问：谁会从零做工具
黄仁勋：AI会用工具而非重做工具，软件价值标准改变。这两天，全球软件股遭遇重锤。从印度到香港，从中国到纳斯达克，软件类股票普遍下跌。导火索是Anthropic发布的Claude更新，展示了前所未有的自动执行能力，能调取日历、理解流程、执行任务，直接切入传统生产力工具的核心领域。市场开始恐慌：AI会不会从头重做工具，彻底替代现有软件？就在这波集体焦虑爆发之际，黄仁勋出现在旧金山一场由思科主办的AI大会上，和思科CEOChuckRobbins对谈了近一个小时。他的观点很明确：AI不会重做工具，而是会用工具。就像人不会重新发明螺丝刀，AI也会直接使用已经成熟的软件，通过调用接口、组合功能来完成任务。真正的改变，不是工具被替代，而是使用者从人变成了AI。第一节AI不重造工具，而是用工具在思科现场，黄仁勋没有回避那个争议最大的提问：AI会不会取代现有软件工具？他先抛出一个反问：“如果你是一个AI，或者一个通用机器人，你会怎么做？重新发明一套全新的工具，还是直接使用已经存在、已经被验证有效的工具？”比如说：“你会用螺丝刀，还是从零发明一把新的？你会用锤子，还是重新设计锤子的原理？”答案显而易见：当然是直接用。所以黄仁勋的观点是：AI会用工具，而不是摧毁它们。这个道理看似简单，但市场的反应却完全相反。过去两年，业内一直在说AI是下一个操作系统，说AI会重写一切界面。黄仁勋认为，这个说法只看到了表象，却忽略了本质。真正的变化，不是软件被替代了，而是使用软件的方式彻底变了：以前，工具是给人用的：你点按钮、填表单、跑流程。现在，工具是给AI用的：AI通过调用接口、调度动作、组合功能，来完成一整套任务。这背后的技术突破，黄仁勋称之为“ToolUse”（工具使用）。他明确指出，最新一代AI的核心进展，不在于生成内容有多流畅，而在于能不能真正干活。比如打开浏览器、填写申请表、写代码、调服务，这些过去需要人手动操作的事情，AI现在都能自己完成。正因如此，他不断强化与Synopsys、Cadence、SAP、ServiceNow等传统工程软件工具企业的合作，而不是另起炉灶。这些现成软件早就被验证稳定、高效。AI要做的，不是重新创造它们，而是学会用好它们。这也意味着，原本被担心会过时的软件工具，反而变得更重要了。它们不再只是给人用的界面，变成了AI可以调用的功能模块。第二节软件变成了AI持续学习的载体AI会用工具。用完之后呢？会留下什么，还是什么都不留？这涉及到AI在未来组织中的位置。黄仁勋认为：未来的公司，不是让AI在人类的环里工作，而是让AI成为公司的环。过去，我们说的是人在环里（humanintheloop），AI只是一个助手、一个建议者，在特定时刻被调用。但黄仁勋认为，未来应该反过来：AI应该是那个始终在场、不断积累、持续记录的底层参与者。AI的角色变了，软件的角色也必须跟着变。从使用工具变成学习载体。以前软件只是工具，AI用完就完了。现在软件要承载AI的持续学习，让AI每次使用都能积累经验。这需要软件做到两点：第一层，软件的运行方式变了。以前是预录制的：你点什么，它跳什么，每个按钮、每条流程都是提前写死的。现在是实时生成的：AI根据你的意图，动态决定该调哪个模块、走什么流程、通知谁审批。你说我想发起报销，它就自动从对应系统调数据、填表、发送通知。每次执行的路径和结果，都可能不同。第二层，软件还需要记录每一次使用的经验。黄仁勋提到英伟达内部的部署时说，他不愿把所有敏感对话放在云端，而是在本地建了AI系统，只为一件事：记住我们问过什么问题。为什么？在他看来，企业最值钱的，不是答案，而是问题本身。因为问题代表了企业在意什么、曾遇到过哪些挑战、判断过什么方向。这些问题，就是企业的经验、认知和节奏。所以未来的软件不是用一次就完，而是每次使用都会留下记录，积累成企业的知识资产。这些记录不是静态存档，而是可以被后续的AI调用学习、形成更好的判断。通过软件，企业的所有动作和思考逐渐沉淀为可复用的流程。这就是黄仁勋提出的核心理念：让AI始终在场、全程参与，让软件成为能够持续进化的平台。第三节什么软件适合AI工厂？能被高频调用的软件要成为AI持续学习的载体，关键看它能否融入AI的工作场景。黄仁勋描绘的场景是“AI工厂”，AI不是偶尔帮个忙，而是持续运转、完成生产任务。在这样的场景下，软件必须满足一个核心标准：能被AI高频调用。具体来说，就是有API接口、能程序化调用。拿芯片设计来说，过去是五个工程师在不同软件间切换、手动整合。现在AI同时接入设计工具、内部文档、设计规范，就能自动完成整个流程，而且更快。这个转变背后，是软件价值标准的重构。以前软件值钱，看用户数、收费规模、粘性强度。现在看的是AI能不能调、能不能高频调、能不能生成结果。软件的使用形态也随之改变。从交互界面变成任务节点，不再是人去点，而是AI去调；不再靠界面吸引用户，而是靠API吸引AI。既然价值标准变了，软件企业该做什么？黄仁勋给他们的建议很实际：先盘点现有工具。哪些工具有API接口？哪些系统可以通过代码调用？哪些流程能被程序化执行？这些就是AI能立刻用起来的工具。而那些只能靠人工点击、手动操作的工具，需要考虑是否加上接口、开放调用能力。这不是否定软件，而是重新定义软件的位置。软件不再是终点，而是AI工作流程中的入口。软件的战场，已经从争夺用户，变成了争夺AI的调用。结语软件终于被用起来了“谁会从零做工具？”黄仁勋的这句反问，说清了一件事：软件没死，只是位置变了。它不再是人机交互的终点，变成了被AI调用、组合、嵌入的起点。软件价值标准也变了：“不是功能多不多，而是AI能不能调得动。”最终的问题不是软件会不会被淘汰，是你们的软件产品，AI用得上吗？本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/12
为什么越来越多的软件被“用完即弃”？
软件快消品化，对企业系统意味着什么？在很长一段时间里，软件在企业中的地位几乎没有被质疑过。一套系统一旦上线，就意味着长期运行。ERP、CRM、MES、PLM等核心系统，往往以五年甚至十年为周期来规划。开发和实施成本高昂，但只要使用时间足够长，这种投入就被视为合理。软件因此被默认为一种需要“摊薄成本”的长期资产。但近两三年，一种与这一逻辑明显不一致的现象正在频繁出现，越来越多的软件，并未被设计为长期存在。有人为一次活动搭一个应用，用完即弃；业务部门为应急需求快速做一套系统，任务结束后整体重写；AI生成的工具版本被高频替换，而不是持续维护。这些做法在传统软件观念中显得不够严肃，却正在成为大量企业的真实选择。这些变化指向一个正在加速、却仍被低估的趋势：软件正在从“耐用品”走向“快消品”。它不再默认长期存在，而是围绕具体任务被快速生产、快速消耗。推动这一转向的，是软件生产成本、组织方式与商业模式的同步变化。01从反直觉现象看起：软件为什么开始“用完即弃”如果回到十年前，许多今天已司空见惯的做法几乎难以成立。a16z创始人曾分享过一个案例：有人用零代码工具为朋友的生日聚会开发了一个专属App，用于展示信息和扫码签到，聚会结束后即删除；还有一位母亲开发了NewsforDinner，只服务于一个家庭，用来筛选适合晚餐讨论的新闻话题。这类应用规模极小、生命周期极短，但真实存在。在企业端，同样的现象正在大量出现。业务部门为了应对一次促销活动、一个旺季周期、一条临时产线或一次监管检查，快速搭建内部系统。任务完成后，这些系统被直接弃用，或在下一个周期整体重构，而不是进入长期维护状态。如果沿用传统软件逻辑，这种行为看起来并不“经济”。但前提已经发生改变。零代码平台、AI代码生成和云资源按需计费，使软件开发的时间成本和资金成本同时下降。当开发一个系统的成本，从“数十万、数月”下降到“几百元、几天”，大量原本不值得被系统化的需求开始浮出水面。这一变化可以用“杰文斯悖论”来理解。当资源利用效率显著提升时，总消耗量往往不降反升。AI让代码生产极其廉价，并不会减少软件开发，反而推动软件进入更多原本无法覆盖的场景。结果是，软件数量快速膨胀，而单个软件的生命周期却在不断缩短，逐步呈现出快消品的特征。02四个正在同时发生的结构性变化“软件消费品化”已经在多个层面落地，同时发生在生产方式、组织结构、开发工具和商业模式之中。第一，软件正在从系统形态转向任务形态。在多智能体平台中，软件不再以长期运行的系统存在，而是以完成一次任务的能力出现。蚂蚁百宝箱Tbox、360智能体工厂的实践表明，用户输入目标后，平台会自动拆解任务、调度不同智能体协同完成。交付物往往是一份报告、一条视频或一次执行结果，而不是一个需要持续维护的应用。制造业中的实践更具说服力。美的在洗衣机工厂部署的智能体体系，覆盖质检、排产、混线生产等多个环节。多个智能体以秒级响应完成原本需要人工小时级处理的任务，完成后即进入下一次调用。这里的软件，本质上是被反复消耗的生产要素，而非固定资产。第二，业务部门开始主导系统搭建。低代码和无代码平台的普及，正在改变企业内部的软件权力结构。Gartner与IBM的研究均指出，2025年前后，约70%的新应用将通过低代码或无代码方式完成。国内平台如简道云、轻流，已支撑百万级企业用户。在实践中，这类系统多强调“阶段可用”而非“长期完美”。零售企业用无代码平台快速搭建库存系统以应对阶段性波动，制造企业为特定产线配置临时管理工具，促销或旺季结束后直接下线重构。这些系统并未被视为长期资产，而是一次性投入后的自然退出。第三，AI开发工具正在改变维护与重写的成本对比。在AI辅助开发环境中，越来越多团队发现，整体重写往往比持续维护更划算。某互联网公司引入AI开发工具后，将原本约90天的开发周期压缩至30天，多个内部系统在一年内经历多次整体替换。这是成本结构变化后的理性选择。第四，结果付费正在为短生命周期软件提供商业合理性。按功能或席位收费，建立在长期使用前提之上。当软件本身可能只服务一个阶段，企业更愿意为可量化的业务结果付费。AI客服按销售提升分成、工业设备按产出计费，本质上都是在为“完成一次任务”买单。这种模式，天然匹配一次性软件的存在方式。03TOB软件行业正在承受的四重冲击当软件形态发生变化，行业沿用多年的运行逻辑与价值共识开始整体松动。这种变化同时作用于产品判断、研发组织、商业模式和客户关系，对整个ToB软件行业形成系统性冲击。首先，传统“好产品”的判断标准正在失效。过去，ToB软件的优劣往往围绕架构是否优雅、系统是否具备长期可扩展性、代码是否易于维护展开。这套标准建立在软件需要长期运行、不断叠加功能的前提之上。但在大量以任务为导向、生命周期有限的应用场景中，评价重心正在发生迁移。企业更关注的是交付速度是否足够快、结果是否可以被量化验证，以及在需求变化或业务策略调整时，弃用和重建的成本是否足够低。稳定性和完美架构不再是前置条件，而是在部分场景下才被重新考虑的因素。其次，研发模式从系统建设转向能力制造。在传统模式下，研发团队的核心任务是围绕一个统一系统持续演进，强调代码复用、版本兼容和长期维护。而在软件消费品化的趋势下，研发工作的重心逐步前移到组件、模板、工作流以及智能体协作规则的设计上。代码未必追求长期沉淀，但能力必须可以被快速组合、快速复制，并在不同任务中反复调用。研发更像是在搭建一条高效率的生产线，而不是守护一个不断膨胀的系统。再次，软件的定价逻辑开始发生结构性变化。按年订阅、按账号收费的模式，建立在软件长期使用和客户高度锁定的前提之上。当软件被频繁重写、阶段性使用时，这种定价方式的合理性自然下降。越来越多的厂商开始尝试按结果付费、按任务计费或按调用量计费，使成本与业务价值形成更直接的对应关系。这一变化正在削弱传统SaaS对ARR的高度依赖，也迫使厂商重新思考增长、续费与客户价值的衡量方式。最后，客户关系从长期绑定走向项目制协作。在新的软件形态下，厂商在更多场景中扮演的是高效执行者和能力提供者，而非长期系统伙伴。合作关系围绕明确目标展开，项目完成即阶段性结束。这并不必然意味着客户黏性下降，但它要求厂商通过效率、结果和专业度持续赢得下一次合作，而不是依赖系统迁移成本形成事实上的锁定。04边界与代价：哪些软件不应被消费品化需要强调的是，消费品化并非普适答案。它解决的是效率与覆盖面问题，而非所有软件形态下的最优解。适合这一模式的，通常是个人微需求、部门级临时项目、探索性验证，以及流程相对清晰、结果可以被快速检验的任务型场景。在这些领域中，软件的价值更多体现在是否及时完成任务，而非是否长期存在。不适合的边界同样清晰。核心业务系统、安全与合规系统、金融交易、医疗、航空航天等高可靠领域，仍然必须坚持长期可维护的软件逻辑。这些系统直接关联组织运行、安全责任或生命财产风险，一旦失效，代价远高于开发和维护成本。在此类场景中，稳定性、可解释性、可追责性以及对极端情况的覆盖能力，始终高于交付速度和灵活性。需要警惕的是，如果在不具备条件的领域盲目推动消费品化，可能带来新的隐性成本。频繁重写会累积技术债务，短生命周期系统可能削弱组织对关键流程的理解，过度依赖即时生成工具，也可能在合规和安全层面留下难以追溯的风险。这些代价在短期内不易显现，却会在系统规模扩大后集中暴露。因此，未来的软件行业很可能呈现出更加清晰的分化格局：一端是强调速度、低成本和结果导向的快消品软件，用于支撑高频、变化快的业务需求；另一端则是强调质量、稳定性和长期价值的精品系统，用于承载组织最核心、最不可替代的能力。企业真正需要的，并不是在两者之间二选一，而是具备区分和匹配不同软件形态的能力。05结语软件的消费品化，并非厂商策略选择，它是AI时代生产效率提升后的必然结果。当代码生成成本趋近于零，软件数量必然爆发，生命周期必然缩短。这既带来风险，也释放创造力。数字垃圾和技术债务的隐患真实存在，但更多人得以低成本构建工具、验证想法，同样不可逆转。而真正重要的，不是简单赞美或抵制这一趋势，是建立判断力，判断哪些软件应该快，哪些必须慢；哪些可以用完即弃，哪些值得长期投入。这种分层能力，将决定企业与软件厂商在新周期中的位置。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/12
春节红包只是“开胃菜”，互联网大厂AI对决，瞄准的是未来
用户关掉最后一个红包界面，留在手机屏幕上的AI应用图标，才是这场大战的真正“战利品”。玩转AI特效、万元小马卡、吃喝玩乐免单、AI社交派对……当数十亿红包砸向14亿人的春节，一场没有硝烟的AI入口争夺战正在上演。春节临近，互联网大厂们将红包战场从移动支付、短视频转向了AI。百度文心助手、腾讯元宝、阿里千问、字节豆包通过现金红包、免单计划、春晚合作等形式，试图将AI助手推向国民级应用。这场看似熟悉的撒钱营销，不仅是流量的争夺，更是对自身AI战略的一次全民级压力测试与成果验收。从发红包的方式，到红包背后的战略意图，一场围绕AI技术实力、生态融合与用户心智的深层竞争已然拉开序幕。流量争夺战与能力试炼春节AI红包大战在2026年初达到白热化。2月2日至3日，阿里千问宣布投入30亿元启动“春节大请客”，且独家冠名了东方卫视、浙江卫视、江苏卫视、河南卫视四大马年春节晚会，成为目前最大手笔的玩家。这场战役中，腾讯早在1月25日就宣布于2月1日在元宝APP上线春节红包活动，发放总额10亿元的现金红包。百度也在1月25日晚间宣布启动马年春节红包活动，用户在百度APP内通过AI互动、集卡等玩法就有机会瓜分5亿现金红包。字节跳动旗下火山引擎成为2026年央视春晚独家AI云合作伙伴，AI助手豆包也将配合上线多种互动玩法，抖音APP“集祥马”单个活动奖金总额为3亿元。▍百度：庞大搜索用户基础支撑百度是春节AI红包大战启动最早的大厂。以百度APP和文心助手为核心，推出总额5亿元的春节红包活动，活动周期从1月26日持续至3月12日，覆盖整个春节档期及元宵节，是目前活动周期最长的。百度的春节红包活动有三种玩法：看视频领钱、前1000名集齐稀有卡得万元、通过文心助手猜口令。具体来看，用户在百度APP搜索“春节红包”进入“奇幻人生”主题会场，可体验近200款AI特效玩法，可通过选择剧情分支获得红包奖励；在体验AI互动剧情时，可随机获得对应主题的“人生卡”，集卡活动分四轮瓜分奖池；小红书官方账号百度搜索将发布线索进行“看马图猜口令词”，通过文心助手猜出口令词触发隐藏红包。截至2月1日，百度APP文心助手春节红包活动中，已有近5000万人次使用AI功能抢红包，上线首日即因热度爆棚官方紧急宣布扩容。此外，百度还以“首席AI合作伙伴”身份亮相2026北京广播电视台春节联欢晚会，进一步扩大活动影响力。百度此次红包活动的优势在于：一是流量基础雄厚，百度APP月活超7亿，文心助手月活已突破2亿，为红包活动提供天然流量池；二是AI功能绑定深度，将红包与拍照搜物、AIGC视频创作等核心功能深度融合，有效培养用户使用习惯，实现从“抢红包”到“用AI”的转化；三是活动周期长、玩法丰富，覆盖集卡、剧情互动、口令猜谜等多种形式，持续吸引用户留存。▍腾讯：社交优势下的防守反击腾讯元宝于2月1日正式启动“上元宝分10亿”新春活动，持续至2月17日，总投入10亿元。活动核心玩法聚焦社交裂变与AI互动，用户每日登录即可获得5次抽奖机会，通过完成AI对话、生成文字或图片祝福、分享活动链接等任务可额外解锁40余次抽奖机会。奖品包括现金红包、限量100张的“万元小马卡”、惊喜权益（QQ音乐/美团券）、红包膨胀卡等，其中“万元小马卡”分三阶段发放，截至2月3日上午11点，已有37张“万元小马卡”被抽取。值得关注的是，2月1日，元宝中的AI社交新玩法“元宝派”正式开启公测，派友在里面互动聊天也会随机分到红包。本次活动上线14小时后，元宝登顶苹果应用商店免费榜，瞬时流量激增导致服务器短暂波动。腾讯红包活动的最大优势在于社交生态壁垒。微信超14亿月活用户为红包裂变提供无限可能，“分享红包给好友双方获抽奖机会”的设计或实现用户指数级增长。微信零钱直接提现降低用户提现门槛，提升参与意愿。“元宝派”群聊功能将AI与社交场景结合，解决AI应用留存率低的行业痛点。此外，万元大奖的设置具备强话题性，快速引爆社交网络。▍阿里：生态联动下的全面进攻2月2日，阿里千问宣布投入30亿元启动“春节大请客”，将于2月6日正式上线。据了解，活动以“免单+现金红包”为核心，联合淘宝、闪购、飞猪、大麦、盒马、高德等阿里全系生态业务，覆盖吃喝玩乐全场景。据《华夏时报》报道，阿里千问除了春节免单，还将发放大额现金红包，但千问尚未透露具体活动形式。不过有业内人士认为，千问的春节红包玩法或将延续此前“会办事的AI”的思路。此外，千问APP的AI买电影票功能正在灰测，即将全面上线。此外，阿里千问独家冠名了东方卫视、浙江卫视、江苏卫视、河南卫视四大马年春节晚会，还作为“AI演员”，用AI生视频、AI识图、AI问答等方式，带来创意好玩的春晚节目，期间更有专属口令红包。阿里红包活动的优势体现在生态协同与差异化模式。今年1月15日，千问APP宣布全面接入淘宝、支付宝、淘宝闪购、飞猪、高德等阿里生态业务，实现点外卖、购物、订机票等AI购物功能。本次红包活动联合阿里全系生态业务，实现“AI+生活服务”全场景覆盖，30亿元的高额投入形成规模效应，吸引用户关注。千问大模型开源生态成熟，下载量稳居开源大模型全球第一，技术底座扎实。▍字节跳动：春晚舞台上的流量王者去年12月28日，字节跳动宣布火山引擎成为央视春晚独家AI云合作伙伴，豆包将在除夕夜通过AI春联定制、智能猜灯谜、多语言翻译、祝福生成等互动功能参与春晚。此外，字节跳动旗下抖音APP的春节系列活动“欢笑中国年”也开启了，目前能搜到活动入口的有跃马攀峰、新春来抓马、集祥马分3亿、好友联欢会，这些活动的时间都在1月30日至3月3日。虽然字节跳动红包活动未公开总金额，但“集祥马”单个活动的金额已经达到3亿元。字节跳动红包活动的优势在于顶级IP加持与流量转化效率。央视春晚独家AI云合作伙伴身份实现国家级曝光，快速提升国民认知度。抖音、今日头条等生态提供海量流量，2025年底豆包已成为国内第一个日活跃用户数破亿的AI产品，尤其是豆包以其贴心、俏皮的对话特点指导用户穿搭、监督孩子做作业等内容深受欢迎，用户粘性较高。从行业共性来看，春节AI红包是互联网大厂抢占C端流量与用户粘性的关键抓手。春节作为全民级场景，覆盖用户规模最广、使用频率最高，是AI产品破圈的最佳窗口期。2015年，微信借助春晚“摇一摇”红包，在短时间内新增约1亿绑卡用户，改写移动支付格局，这一成功案例成为大厂们的共同参考。当前AI行业尚未形成高频刚需场景，用户认知仍停留在“偶尔使用”阶段，通过红包激励可快速降低用户尝试门槛，培养“遇事问AI”的使用习惯。长期主义与生态角逐不过，春节AI红包大战只是表象，背后是各家公司在AI领域的深层战略布局，而这些布局决定了其在AI时代的长期竞争力。百度的AI战略围绕“全栈自研+体系化能力”展开，构建了“芯-云-模-体”的完整生态。在技术底座层面，百度2025年11月发布自研全新一代昆仑芯M100、M300两款芯片，解决当前AI研发中的算力成本与安全自主双重痛点。2026年1月，昆仑芯从百度分拆，并计划向港交所提交上市申请，机构估值达500亿美元。文心大模型持续迭代，在1月15日发布的LMArena大模型竞技场排名中，文心大模型ERNIE-5.0-0110拿下文本榜国内第一、数学能力榜全球第二的成绩。在场景落地层面，百度形成智能体矩阵，包括搜索智能体、数字人智能体（慧播星）、代码智能体（秒哒）等；RoboTaxi（萝卜快跑）业务商业化领先，截至2025年10月累计订单量突破1700万单，覆盖全球22座城市。同时，百度智能云为AI业务提供算力支撑，形成“技术-场景-商业化”的正向循环。腾讯围绕“社交+AI融合”，以混元大模型为技术底座，以元宝为C端载体，深度绑定微信生态。在技术研发上，面对模型能力的短板，腾讯果断接入DeepSeek模型并加码GPU算力，借开源东风推动元宝跻身行业头部。同时，腾讯也在大力引进AI人才，先是招揽了OpenAI前研究员姚顺雨出任首席AI科学家，后又引入原新加坡SeaAILab高级研究科学家庞天宇负责强化学习前沿算法探索。在产品布局上，腾讯将AI能力全面融入微信、QQ、腾讯会议等国民级产品，实现AI总结公众号文章、生成会议纪要等功能，强化生态协同；推出“元宝派”AI社交新玩法，致力于打造一个能让AI与用户群体共同娱乐、协作的“社交空间”。阿里则坚持“AI即基础设施”的战略思路。技术层面，阿里构建了“芯片-云-模型”全栈能力，自研AI芯片真武810E内存为96GHBM2e，片间互联带宽达到700GB/s，可应用于AI训练、AI推理和自动驾驶；千问大模型坚持开源路线，截至2026年1月21日，衍生模型数突破20万，全球累计下载量超10亿次，稳居全球开源模型第一梯队。在业务布局上，阿里推进“AItoC+AItoB”双轮驱动：C端以千问APP为核心，全面接入淘宝、支付宝、飞猪等生态业务；B端通过阿里云向企业输出AI能力，已服务超100万家企业客户。据多家媒体消息，阿里还计划未来三年投入4800亿元用于AI基建和云计算。字节跳动的AI战略以“豆包为超级入口+多模态技术+软硬件协同”为核心，追求“AI无处不在”的生态目标。技术层面，字节聚焦多模态大模型研发，挖来原GoogleDeepMind副总裁吴永辉带队，押注长期技术壁垒；豆包大模型采用分场景优化的“模型家族”策略，针对不同场景优化响应速度与算力效率，2025年底日均Token处理量达63万亿，半年增长超200%。在产品布局上，豆包全面嵌入字节生态，抖音的特效制作、剪映的脚本生成、飞书的总结功能均接入豆包能力；推出AI手机助手，深度嵌入手机系统，实现跨APP复杂操作；海外版本Dola全球日活突破1000万，加速全球化布局。整体来看，四家公司的AI布局各具优势，但也各有短板与挑战。百度AI布局的优势在于体系化能力与技术积累。从芯片、云服务到大模型、应用场景，百度形成了完整的AI生态闭环，这种布局虽然前期投入大、见效慢，但能够形成强大的竞争壁垒。百度的短板在于其搜索业务根基正在动摇，AI结果的介入进一步收窄了广告收入空间。腾讯的AI优势在于社交护城河与用户基础。微信超14亿月活是任何竞争对手都难以复制的资源，同时生态产品丰富为AI功能提供多元化落地场景，通过将AI与社交深度结合，有机会打造出独特的AI社交体验。腾讯的短板在于模型能力相对薄弱，尽管接入了DeepSeek模型，但自研的混元大模型仍需时间追赶。阿里的AI优势体现在商业整合能力和开源生态。“电商+本地生活+云服务”生态为AI提供丰富场景，千问APP可直接调用阿里全系业务能力，而千问大模型的开源策略吸引了大量开发者，形成技术协同效应。阿里的挑战在于内部协同复杂，或影响AI功能快速落地，且缺乏超级流量入口。字节跳动AI的优势在于流量转化效率与产品创新速度。抖音、今日头条的庞大用户基础为豆包提供了天然的流量池，而快速迭代的产品能力则使其能够迅速响应市场需求。字节的短板在于生态整合能力相对较弱，且在B端市场面临阿里、百度的激烈竞争。春节红包是AI普及的序章，而非终局。未来几年，AI领域的竞争将更加激烈，焦点将从用户规模转向使用深度，胜负手在于能否创造刚性需求。基于目前发展现状，不成熟地进行一下预判。短期来看，流量争夺仍将是核心战场，春节红包活动的效果可能会直接影响市场格局。这一阶段的竞争焦点将集中在用户拉新、功能迭代与场景丰富度，红包激励、社交裂变、生态联动等手段仍将持续发力。中期来看，竞争将从流量争夺转向“模型能力+场景融合”的深度比拼。技术层面，大模型能力将逐渐趋同，开源模式将降低技术差距，自研模型的差异化优势将成为关键。场景层面，腾讯的“社交+AI”、阿里的“生活服务+AI”、字节的“内容+AI”、百度的“搜索+AI”或形成清晰的差异化路径，用户可能会根据使用场景形成固定偏好。这一阶段，留存率将取代下载量成为核心指标，AI产品需找到真正的高频刚需场景，才能实现可持续发展。长期来看，生态整合与技术壁垒将决定最终格局。具备“模型-数据-场景”正向循环的企业将胜出，中小玩家将因算力、数据、场景不足逐渐出局。此外，全球化竞争会成为重要战场，而监管政策与本地化能力将成为关键。值得注意的是，行业竞争的核心终将回归用户价值。当前AI行业仍存在“C端定位模糊”“缺乏高频刚需场景”等问题，春节红包营销只能带来短期流量，无法解决长期留存。未来，能够真正解决用户痛点、提供不可替代价值的AI产品，才能在竞争中站稳脚跟。同时，技术伦理、数据安全等监管政策将逐渐完善，合规能力将成为生存的基本前提。结语红包活动的热闹终将过去，当用户关掉最后一个红包界面，留在手机屏幕上的AI应用图标，才是这场大战的真正“战利品”。百度、腾讯、阿里、字节跳动的重金投入，不仅是流量争夺的短期行为，更是各自AI战略的集中落地与实力展示。从红包活动的差异化玩法，到背后的技术底座、生态布局与战略路径，四家大厂的竞争已全面覆盖“技术-流量-场景-商业化”全链条。春节AI红包的喧嚣，是水面之上的浪花，其下涌动的是中国互联网企业向人工智能时代全面转型的深沉洋流。百度体系化布局的厚重底蕴，腾讯社交生态的无形网络，阿里商业场景的全面覆盖，字节流量驱动的快速迭代，各自在AI棋盘上落下不同的棋子。这场决定未来格局的漫长竞赛，没有简单的模仿者，只有坚定的探索者。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/12
互联网首诊终于来了，谁会是行业最大赢家？
京试点互联网诊疗首诊，儿童专科先行，行业迎破冰。近日，一纸关于互联网诊疗首诊的文件瞬间点燃行业热情：国家卫生健康委办公厅同意北京市规范开展互联网诊疗首诊试点。本次试点依托首都医科大学附属北京儿童医院和首都医科大学附属首都儿童医学中心开展，在儿童生长发育、儿童营养、儿童皮肤疾病三大专业进行，试点时间为2026年1月至12月。国家卫健委在试点机构总结工作经验的基础上，将适时开展评估工作。自2018互联网诊疗凭借常见病、慢性病复诊服务获得政策认可后，能否将服务范围拓展至特定疾病的首诊，便成为行业8年来持续关注的期待。2022年底至2023年初，针对新冠肺炎临时制定的互联网诊疗首诊政策，曾在特殊时期为患者解了燃眉之急，也让行业看到了首诊放开的可能性。如今，在常态化医疗服务体系下，互联网诊疗首诊的政策窗口终于被打开一道缝隙。然而，行业在一阵欢呼雀跃之后，更需要从理性视角思考这场试点的深层价值与未来走向。边界严格的首诊试点需要明确的是，互联网诊疗首诊试点有着清晰的边界设定，包括医疗机构、科室、接诊医生等的多重限定。首先，首诊试点的医疗机构选择并非偶然，而是经过多维度的综合评估。主管部门统筹考量了医疗机构的综合管理能力、互联网复诊业务量与运营经验、外地患者就诊规模，以及医师团队的专业服务能力等核心指标。最终结合北京市医疗机构的实际情况，确定了两家在儿童医疗领域具有优势的三甲医院。试点的三大专业方向同样经过了审慎筛选，既兼顾了儿童群体的高频就医需求，又考虑了互联网诊疗的可行性与安全性。区别于以往的互联网复诊，此次互联网诊疗首诊试点，是在严守诊疗安全和质量底线的前提下，在限定机构与限定专科内进行的一次有益尝试。在试点框架内，医生可以直接通过互联网完成对患者的首次诊断，并根据病情开具处方，这是互联网诊疗模式的一次突破性探索。从试点落地几天以来的运行情况看，互联网首诊服务的可及性较高。按照试点安排，患者可通过“北京儿童医院”小程序或“首都儿童医学中心”公众号，进入各自的互联网医院板块，选择标有“首诊”字样的号源或科室预约。1月31日下午开放预约，患者最快可在2月1日进行线上首诊。首都儿童医学中心互联网医院的首诊预约情况（截至2月3日15点）以首都儿童医学中心为例，动脉网在近几天时间里观察到，其互联网首诊号源整体保持供需平衡，其中儿童皮肤科、儿童生长发育号源相对抢手，临床营养科的号源相对充裕。截至2月3日下午3点，儿童皮肤科当日可约号源已约满，次日剩余小部分号源，5日号源则较为充足。从目前的运行态势来看，此次试点并非“雷声大雨点小”的象征性举措，而是切实满足了患者需求的有效探索。总的来说，首诊试点是一次小范围、供需精准匹配的政策试水，核心目的是在可控范围内积累经验、验证模式，短期内直接为互联网医疗企业带来的变化有限。因此，此次试点的行业价值更多体现在象征意义的层面。它释放了一个关键信号：主管部门对患者就医需求与行业发展期待始终保持关注，并在充分考量医疗安全的前提下，为首诊打开了政策窗口。这一信号让行业清晰地看到：基于就医需求与行业期待，未来首诊范围有逐步扩大的可能性，行业长远发展因此有更充足的信心。首诊破冰的行业机遇首诊试点虽未直接覆盖互联网医疗平台，但间接为互联网医疗企业带来的机遇也不可忽视。首先是在专科需求层面，首诊试点的选择为互联网医疗平台的专科布局提供了重要参考。此次首诊试点的专科范围，进一步印证了儿童生长发育、儿童营养及儿童皮肤科仍是跨区域医疗需求较为旺盛的领域。近年来，聚焦专科专病、纵深建立服务能力，已成为互联网医疗平台的重要战略举措。此次试点选定的三大专科，也对应着几大高潜力的健康消费赛道。儿童生长发育领域，骨龄检测、身高管理相关服务与产品正处于市场快速放量阶段；儿童临床营养对应的特医食品，逐步向个性化、精准化发展；儿童皮肤科的创新药、专业护理产品，则精准契合了家长对儿童安全用药的核心需求。互联网医疗平台可借助自身灵活的运营机制与强大的资源整合能力，在高需求的细分赛道持续深耕，进一步丰富服务供给、满足用户多层次需求，在专科专病领域构建起差异化的竞争优势。其次是在用户渗透层面，首诊试点的落地有助于促进更多患者尝试在线诊疗服务，增强公众对互联网医疗的信任度，进而提升整个行业的服务渗透率。据中国互联网络信息中心的报告数据，截至2025年6月，全国互联网医疗用户数约3.93亿人，渗透率为35%（互联网医疗用户数占网民总数的百分比）。纵观整体数据变化情况，自2022年以来，互联网医疗用户数大致维持在4亿左右，变化走势趋于平稳，主要波动在于下半年数量通常比上半年更高，推测是流感季线上寻医问药需求增长所致。再看各大互联网医疗平台的用户增长曲线，也呈现出增速放缓的特征。深究背后的原因，主要来自两个方面：一方面，对于公立互联网医院而言，互联网诊疗服务局限于复诊场景，且绝大多数医院设定了严格的复诊门槛，患者必须先在本院本科室完成线下就诊，才能在线上进行复诊，制约了患者的使用意愿。另一方面，对于第三方互联网医疗平台而言，用户来源对购药场景的依赖仍然较高，许多用户是因购药需求才接触平台，大部分患者仍缺乏对在线诊疗服务的深度体验。简而言之，当前的互联网医疗行业正处于“存量用户、存量市场”的发展阶段，而首诊试点的落地，有望成为撬动增量的关键支点。首诊服务能更好地覆盖此前未接触过互联网诊疗的患者群体，以及被本院就诊－复诊“拦”在闭环外的患者。若新增患者形成足够规模，则将为行业带来新的增长活力，推动互联网医疗进入又一轮增量开拓阶段。若大三甲首诊才是常态，第三方平台如何定位？毫无疑问，首诊试点是互联网医疗行业的重大利好契机，但随着试点逐步推进，行业需多一层思考：若未来顶级医院的互联网首诊实现常态化，第三方平台该如何找准自身定位？本次首诊试点选择落户北京的大三甲医院，根源仍然在于优质资源的分布不均。北京市卫健委在相关解读中提到，北京优质医疗资源集中，外地患者来京就医需求大，部分三级医院重点科室外地患者占比很高。开展互联网诊疗首诊，可进一步支持在京医院专家，发挥专业优势为外地患者提供更加高效的线上诊疗服务。近年来，国家一直在大力推进优质医疗资源的均衡配置，其中，依托各地高水平医院打造的国家医学中心、国家区域医疗中心承担了重要职责，长远目的正是助力分级诊疗制度建设，减少患者跨区域就医。尽管互联网医疗平台在优化资源配置方面也起到了不可忽视的作用，但不可否认的是，大三甲医院仍是提供优质医疗资源的主力军。基于上述格局判断，未来若互联网医疗诊疗首诊试点范围扩大，也可能优先在大三甲医院体系内推进。此外，回顾互联网医疗发展历程，医保政策曾一度是业内翘首以待的关键政策，但从实际落地情况来看，绝大多数平台并未从中获得大规模收益，“接诊一单、报销一单”的理想状态不仅没有出现，未来也几乎不可能实现。目前，能通过医保支付间接获益的企业，要么深度赋能了地区医保基金监管，要么通过O2O模式连接了互联网医保购药。从医保政策的落地路径来看，首诊试点的推进逻辑可能有相似之处，即政策红利的释放范围相对有限，并更多向公立医疗机构倾斜。在首诊政策的未来范围存在不确定的前提下，互联网医疗企业也许要做好这样的准备：若首诊主要在大三甲体系内推进，第三方平台需更加清晰地找准自身差异化定位。因此，对平台而言，与实体医院的协同与互补仍需进一步加深，构建不可替代的生态价值。例如，成为医院的数字化专科运营伙伴，运用技术能力、院外资源，共建高效的线上专科服务中心；共同构建稳健可靠的医、药、险闭环，尤其是针对特定专科专病，联合商业保险公司开发设计更精准的支付产品，提升创新药物和器械的可及性；在合规前提下，充分运用院内外一体化的数据积累，助力医院开展临床研究……总而言之，看待首诊试点这一政策机遇，互联网医疗企业应跳出单纯的流量思维，立足医疗服务体系的现状与未来趋势，以更宏观的视角思考平台对提升医疗体系运行效率的价值。行业更应关注的是，如何凭借自身的技术与运营优势，弥补现有医疗体系的短板，而非站在个体的角度，一味追逐首诊带来的短期流量与销售收益。最后，还有一点值得全行业警醒。当前业内仍存在线上问诊由于患者点选诊断后“秒开处方”现象，正在侵蚀行业的发展根基。如今，首诊试点的窗口已经打开，未来行业的发展存在更多可能性。在这样的关键节点，平台更应坚守医疗本质，切勿为了短期利益而操之过急。唯有如此，互联网医疗行业才能走得更稳，企业才能走得更远、获得更大的胜利。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
01/07
豆包和DeepSeek们，再不做小程序就晚了
hatGPT的“应用”定义了一种有别于豆包手机的新模式。ChatGPT的应用商店上线已经有一个多礼拜了，效果如何可以先放一边，但是它绝对给所有AI大厂打开了新思路。这里面当然包括了字节、腾讯、阿里等中国巨头。对于任何Agent来说，最头疼的问题就是跳转。要从对话框跳出到外部App，链路太长，转化率太低。要是像豆包手机那样釜底抽薪，直接接管操作系统，又会引起超级App们的强烈反弹。OpenAI这一招，对整个行业都是一种醍醐灌顶式的启发：大语言模型完全可以把小程序生态建在自己内部，而不用借助于外部已有的生态系统。这意味着，豆包、元宝、DeepSeek等国内AI产，在做Agent这件事上，不需要非得依附于母体超级App，它们自己就有机会成为新的超级App。且相比OpenAI，国内大厂在小程序基建上优势更大，完全可以立刻复制。A自打ChatGPT的“应用（Apps）”功能一上线，OpenAI就明确其对标的是苹果AppStore。这并非OpenAI在生态构建上的首次尝试，此前推出的插件（Plugins）和GPTs商店（GPTStore）都可视为其探索生态的序章。然而，无论是需要开发者手动开启、入口分散的插件，还是更像提示词模板集合的GPTs，都未能在大众用户层面激起足够的水花。此次的应用商店则显示出截然不同的企业战略。从形态上看，GPT应用商店借鉴了成熟的应用分发模式，设置了“精选”（Featured）、“生活方式”（Lifestyle）、“工作效率”（Productivity）等清晰的分类，并引入了排行榜、热门趋势等引导发现机制。首批上架的应用包括Canva、Booking.com等知名产品，后续还增加了AdobePhotoshop，覆盖了从设计、出行到娱乐的多元场景。但其革命性在于“对话原生”。用户无需离开对话框，无需下载安装，仅通过在对话中“”应用名称，或由ChatGPT根据上下文智能推荐，就能直接调用第三方服务。这次更新的本质，是将过去分散、抽象的API调用，封装成了用户一个应用合集，通过Agent来调用。对话框从一个问答工具，演变成了统一的服务入口和任务编排中枢。ChatGPT应用功能最核心的地方在于代替用户完成中间的过程，让用户可以在对话框提出需求后，直接等到结果。比如下图中，用户只提出了需要预算和时间，但是并没有告诉GPT使用什么软件，通过哪种方式。整个中间所有的过程，全都是ChatGPT自己判断的。用户不再需要思考“我该用哪个App来完成这件事”，由AI来理解、拆解任务，并调度最合适的方式来执行。这使得从查询信息到预订酒店、从数据分析到内容创作的全流程服务，都可以在一个统一的界面内闭环完成。这种体验上的转变是具有启发意义的，它将用户彻底从繁琐的操作中解放出来。对于开发者而言，OpenAI提供的SDK和UI库也试图降低门槛，甚至允许非编码人员创建定制化的AI助理。这标志着AI的竞争焦点，正从单纯的模型能力比拼，转向平台生态的构建与服务能力的整合。GPT应用商店的出现，与其说是创造了一个新的“商店”，不如说是定义了一种新的模式，让用户发出需求后直接得到结果，大大减少用户需要的操作量。B国内大模型厂商完全可以效仿OpenAI，而且在预想之中，能比OpenAI做得更好。首先来说一个普遍共识，国内大厂在小程序生态的基建和用户习惯上，拥有比OpenAI更深厚的土壤。根据中国通信院的数据，微信小程序的月活跃用户已稳定在9亿以上，支付宝小程序也拥有近7亿的月活，即便是起步较晚的抖音小程序，月活也逼近3亿。中国用户早已熟悉了小程序“即用即走、无需下载”的轻量化体验模式。将这种模式的交互方式从“点击”升级为“对话”，用户的教育成本相对较低。这意味着，国产大模型复制GPT应用商店模式，在技术和用户基础上几乎没有障碍。以字节跳动的“豆包”为例，2025年日活跃用户（DAU）突破1亿，且据中国通信院称，这是字节史上推广费用最低的破亿产品。无法否认的是，豆包的成功得益于抖音这个日活超9亿的超级流量池的哺育。但如果豆包在App内部自建起一个类似于ChatGPT应用那样的Agent生态，其战略地位将发生根本性变化。它将不再是抖音的流量消耗方或附属功能，而是有机会转化成一个独立的“服务分发操作系统”，甚至反向为字节的业务矩阵提供新的价值。届时，豆包的护城河将不再仅仅是流量，更是其作为新一代入口所掌握的服务调度能力。然而这种前景光明的转型，也伴随着对现有商业模式的巨大冲击，那就是广告业务。当前无论是微信、支付宝还是抖音，其小程序生态的盈利都高度依赖广告。目前小程序领域流量最大的就是游戏小程序。《2025年中国游戏产业报告》提到，国内小程序游戏市场收入535.35亿元，同比增长34.39%，其中内购收入364.64亿元，占比68.11%，广告变现收入170.71亿元，占比31.89%。不仅仅是小程序变现依靠广告，很多APP的收入也来自于广告。抖音就是如此。虽然抖音没有公开过具体数字，但是显然，广告收入是抖音的主要收入来源之一。然而问题在于，AIAgent的运行逻辑天然与广告模式相悖。Agent的核心目标是高效、精准地满足用户指令，这意味着它会本能地“跳过”一切非必要环节，其中就包括广告。前一阵发布的豆包手机，当用户发出“点外卖”指令时，AI可以自动完成关闭外APP件的开屏广告以及APP内的弹窗广告，用户也全程无需看到任何开屏广告、弹窗或推荐信息流。这对用户体验是极大的提升，但对广告曝光却是致命的打击。这意味着，一旦AI内嵌的小程序生态成为主流，传统的广告商业模式可能大面积失效。但是ChatGPT本身已经有商业化模式了，因此AI嵌入小程序的变现模式，不妨可以继续走以前的老路。我能想到的方式有三种：其一是服务抽成模式。这类似于苹果AppStore的30%佣金，平台从通过AI完成的每一笔交易额中抽取一定比例的分成。无论是预订酒店、购买商品还是外卖点餐，只要交易在生态内闭环，平台就能分享价值。其二是订阅制模式。参考ChatGPTPlus的成功经验，平台可以为付费用户提供无广告、响应更快、能力更强的高级Agent服务。这部分收入可以直接覆盖高昂的算力成本，并成为稳定的利润来源。其三是交易佣金模式。这更接近美团、滴滴的模式，平台作为服务撮合方，从每笔实际完成的交易中收取固定或可变的佣金。这三种模式的共同点，是变现逻辑从“流量变现”转向了“价值变现”。平台的收入不再与用户的“注意力时长”挂钩，而是与为用户创造的“实际价值”直接相关。对于高度依赖广告的平台而言，确实是一次“阵痛”。但从长远看，这或许也是商业模式升级的必然契机。AI大模型通过内建小程序生态，恰好为这种从卖流量到卖服务的商业化转型，提供了最直接的实现方式。C然而，即便AI大模型厂商成功构建了内部的小程序生态，并设计好了全新的商业模式，一个古老而又核心的问题依然会摆在它们面前——流量。这几乎是所有平台型应用无法回避的终极拷问：如何让用户高频地打开你、使用你？当一个AI聊天机器人想要将自己定位为新的“超级App”时，它也就继承了上一代超级App们（微信、支付宝、抖音）曾经面临的所有挑战。一个功能再强大、应用再丰富的生态，如果缺少足够的用户活跃度作为基础，终究只是空中楼阁。用户只有在频繁使用且用得顺手的前提下，才会在这个平台上产生延伸性的服务需求。如果用户本身对这个AI聊天工具的使用频率就很低，那么内置的订票、购物小程序被唤醒的机会自然也微乎其微。AI大模型在应对这个挑战时，面临着与传统App不同的特殊困境。用户使用抖音，可以出于“无目的”的消遣，在信息流中打发时间。用户打开微信，则源于高频的社交刚需。但目前阶段，用户使用AI聊天机器人，更多是“有需求时才想起”的工具性行为。它缺乏天然的、能够让用户无意识沉浸其中的场景。这种“用完即走”的工具属性，使得培养用户黏性和长期使用习惯变得异常困难。要破解这一困境，AI平台必须采取分层递进的策略。当务之急，是找到一个高频的应用场景，以此作为培养用户习惯的切入点。豆包的做法是在“截图”之中做嵌入。截图是一个相对高频简单的应用，而豆包将AI搜索、翻译、信息摘要等日常任务与截图做结合，让用户养成一种“截图时就该带有翻译、问答这些功能”的习惯。通过便利性，逐步建立用户信任和使用惯性。当用户习惯初步养成后，再逐步引导其尝试更复杂、低频但高价值的场景，例如行程规划、法律咨询等。这些场景恰恰是小程序生态能够大放异彩的领域。整个过程就像是修建一条高速公路，必须先有足够多的便民入口吸引车流，主干道的商业价值才能真正体现。实际上这里存在一个微妙的“时机”问题。过早地将AI应用独立出来，试图完全脱离母体App的流量扶持，可能会因为用户习惯尚未养成而导致流量不足，使生态建设陷入停滞。毕竟大部分用户的行为范式还停留在移动互联网时代，尚未适应在AI对话框内完成一切任务的流程，需要时间去培养和教育。但反之，如果布局过晚，过于依赖在现有超级App内作为附属功能存在，又可能错失成为新一代平台入口的先机。一旦用户习惯了在豆包里问一句、在DeepSeek里搜一下的碎片化AI体验，再想将他们迁移到一个独立的、作为系统级中枢的AI平台上来，难度将呈指数级增长。因此，AI大模型的小程序生态战略，本质上是一场关于用户心智和行为习惯的争夺战。还有一点，对于那些被接入的服务商来说，他们的心情也是五味杂陈。他们既渴望新流量，又害怕沦为大模型背后的“各种接口”和“数据提供方”，从而失去对自己用户的掌控权。至少在小程序时代，这些开发者或多或少还拥有一定的话语权，能和用户之间拥有交互的权力。可一旦嵌入进AI中，他们就再也不能得到用户了。但这也是一次新的尝试。大家其实都在摸索，如何在保护自己品牌独立性的同时，利用好这个新的流量入口。这不一定是一场零和博弈，更像是一种分工的重新调整。不需要把这个过程想象得太激烈。就像当年从电脑网页转向手机App一样，起初大家也觉得手机屏幕小、操作不便，但不知不觉中，移动互联网就因为其便利性成了主流。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
01/06
占星App不务正业后，更加赚钱了
把冥想、经期追踪塞进占星App。提到占星应用，大多数人的第一反应可能是是每日星座运势、星盘解读、配对分析，再有噱头一点就是用AI给你画个soulmate出来。但如果你近期打开过一些热门占星应用,就会发现情况已经大不一样了。「CHANI」是目前在美国最炙手可热的占星应用，它除了提供占星解读之外，它还加入了冥想引导、肯定语等SelfCare功能。这一转变不只是功能上的加法，更是商业模式的重构，从依赖冲动消费的娱乐产品化身高频的生活方式平台。点点数据显示，最近30天，「CHANI」的收入达到83.25万美元，同比增长了15.17%，成功跻身全美最赚钱的占星应用第一梯队。「CHANI」｜图源：点点数据更有趣的是「Stardust」,它把占星和经期追踪结合在了一起,创造了一个全新的品类。这款应用最近30天的收入也达到了39.73万美元。「Stardust」｜图源：点点数据占星应用的这些转变，可能会重新定义这个市场。「CHANI」：将“情绪按摩”产品化传统占星应用会告诉你“未来会发生什么”，如果结果不妙，就引导用户选择人工占星师的“情绪按摩”，也就是通过人工咨询来缓解焦虑、找到应对方法。「CHANI」的创始人ChaniNicholas看到的是将这种“情绪按摩”彻底产品化的机会。ChaniNicholas在成为全职占星师之前，做过很长时间瑜伽治疗师，冥想一直是工作内容的一部分。这段经历让她深刻理解,占星只是预报,如何应对始终取决于我们自己，而冥想、肯定语这些工具，恰恰能直接作用于情绪和潜意识，把抽象的星象含义转化为具象的心理调节行为。于是在「CHANI」的产品设计中，“预测→应对”的逻辑被清晰地呈现出来:当用户在“Home”主页看完当日占星解读和月相解读后,紧接着就是“每日仪式”,包括11分钟的简单冥想,以及一共11节课的“土星回归”应对课程。核心的出生星盘解读、运势预判依旧被给予两个独立的标签页,同时用户也可以便捷找到包含全套“疗愈工具”的LISTEN标签页，包含了冥想、肯定语、睡前故事。「CHANI」主页中“每日仪式”部分的冥想内容｜图源：应用「CHANI」相关标签页｜图源：应用这个产品架构的核心价值在于，原本需要支付高昂费用、由人工占星师提供的“情绪按摩”,被拆解成了可规模化、可订阅的产品功能。一个应用就承包了用户从占星预测到情绪疗愈的全套需求。「CHANI」在产品官网野心勃勃地写道,自己是Top1的占星应用,能帮助用户“实现愿望、自我发现、提升正念、疗愈心灵”。这一思路源自ChaniNicholas的亲身经历，她认为,最艰难的时光往往也最能助力个人成长,占星本身就是对自我的探索。功能边界的拓宽,自然支撑起了更高的定价。在「CHANI」中,所有的音频内容都被设置为订阅会员专属，定价11.99美元/月,略高于常见的占星应用。为了避免陷入和大的音频平台“卷”内容体量的境地,「CHANI」格外强调内容和占星功能的关联,以及内容的纯手工、专业性。应用简介中写道，所有内容均针对用户当周的上升星座定向推送,且应用内所有内容为ChaniNicholas和专业占星师创作,完全没有AI，因为她们相信占星领域需要注入人的温度。「CHANI」的业务也在向实体延伸,在它的官网用户可以买到星座主题的香薰蜡烛、精油以及笔记本、马克杯等物品。Stardust：当占星遇上经期追踪如果说「CHANI」是在占星的基础上叠加功能,那么Stardust的思路则完全相反，先找到一个高频刚需场景,再融入占星元素。这是一条完全不同的路径。「Stardust」的诞生源于创始人RachelMoranis的审美需求，她觉得市面上的经期追踪应用要么太粉、太花，要么就是关注性和生育,过于严肃。设计师出身的她，决定做一款自己想用的产品。「Stardust」根据月经周期和月亮周期给出指导建议及伴侣功能｜图源：应用「Stardust」抓住了一个古老的关联，月经周期和月亮周期都是约28天，并把它变成了产品语言。用户不再只是在“追踪生理周期”,而是在“与宇宙同步”。具体到功能层面,「Stardust」提供的不只是经期预测，还包括基于月亮周期提供专属的身心状态分析、周期类型划分,以及对应的生活和行动建议。经期追踪这件原本枯燥的事,被赋予了仪式感和神秘色彩。此外,「Stardust」还对经期追踪应用的社交设计进行了创新。传统应用的伴侣模式大多关注备孕这个短期刚需场景——他们想要了解女性什么时候容易受孕。「Stardust」则希望让月经信息更广泛地服务于亲密关系中的理解和沟通。当双方一起使用伴侣功能，App会根据女生的生理周期向伴侣推送情绪状态和可能的需求。比如女性在黄体期孕激素升高,容易疲惫,她的伴侣可能已经从「Stardust」上得到了这个提示：“根据她的周期,她很可能会想要你抱着她入睡”。当对方理解女性的荷尔蒙波动,就更容易多一些理解,并给出伴侣需要的关照。由于经期信息共享已经跳出了备孕这种功能性的需求,而转向对亲密关系的助力,「Stardust」的伴侣模式早已不局限于异性恋，用户可以添加同性伴侣，甚至邀请多位伴侣追踪自己的经期信息。据悉这一功能深受用户喜爱，截止去年年初，有1/3的用户邀请了自己的伴侣尝试伴侣功能。写在最后「CHANI」和「Stardust」代表了占星应用进化的两种路径:「CHANI」在占星的核心体验上叠加冥想、疗愈等功能，把占星从预测工具升级为自我成长平台。它的优势在于专业内容的深度和品牌调性的统一。「Stardust」则先找到经期追踪这个高频刚需场景，再用占星元素赋予它差异化和情感价值。它的优势在于用户有明确的使用理由，打开频次天然更高。但无论哪种路径，底层逻辑都是占星用户的需求正在从“看运势”转向“过日子”。而当占星不再只是茶余饭后的消遣，而是融入日常生活的一部分时，应用也就顺势完成了从娱乐工具到生活方式产品的华丽转身。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
01/06
2025，被AI带飞的三大赛道
情绪、教育、创作类AI爆发。在刚刚过去的2025年，你最常用的AI应用有哪些？不久前，一份“2025十大AI提示词”榜单刷屏，出现最高频的分别是：股票、八字、情感咨询、朋友圈文案、景点推荐、双色球号码、失眠、解答这道题、离婚财产分割、人生的意义。这份榜单从侧面印证了一个变化：AI正在从“闲聊工具”转向“决策参与者”。它开始真正介入人们的情绪、学习与表达，也由此引出了2025年被AI“卷飞”的三大赛道：情绪类AI、教育类AI、创作类AI。它们分别对应着人的心理需求、成长路径与表达能力，覆盖了AI最容易形成高频使用的核心场景。但热闹之下，有的赛道迎来需求爆发，有的已经进入体系化竞争，还有的在颠覆与争议中前行。本文将聚焦这三大赛道，复盘它们在2025年的真实进展，并进一步探讨，这些需求是否已经被验证为长期价值？现有的商业模式能否跑通？进入2026年，这些AI应用是否会迎来突破口？情绪类AI：需求爆发了，赚钱还没跟上“你是一个命理学大师，深谙八字及奇门等传统命理方法......”这段话在小包手机里可以找到三次，出现场景分别是豆包、DeepSeek以及ChatGPT。对她而言，AI的价值早已不止于“玄学解惑”。感情里的拉扯、求职前的焦虑、深夜突如其来的低落，那些不方便向亲友倾诉的情绪，都可以扔给AI这个最稳定的接收器。这种真实存在的情感需求，背后藏着百亿级市场潜力。中研普华产业研究院数据显示，2025年中国AI情感陪伴市场将爆发至38.66亿元，预计2028年将突破595亿元，年复合增长率达148.74%。需求的爆发催生了丰富的赛道生态，大体分为硬件和软件两类。根据应用市场分析公司Appfigures数据，全球337款活跃创收的AI陪伴应用中，128款诞生于2025年，赛道扩容显著。除豆包、DeepSeek等通用大模型外，垂直玩家精准卡位：陪聊赛道有谷歌Character.AI、字节猫箱；Soul、Grok上线AI伴侣功能，韩国LoveyDovey深耕AI恋爱领域。这些产品核心共性是拟人化陪伴：支持文本或语音交互，搭载长期记忆机制，能记住用户偏好并持续构建情感联结，24小时实时响应情绪需求。特性上各有侧重，如Character.AI可生成动态形象，实现多角色流畅对话；字节猫箱主打高自由度角色扮演与剧本定制；LoveyDovey以亲密互动和个性化对话风格还原沉浸式恋爱体验。图源/Character.ai官网截图硬件端，AI陪伴玩具、智能陪伴机器人等产品在2025年集中出现，其中跃然创新2025年8月底宣布完成2亿元A轮系列融资，中金资本旗下基金、红杉中国等一线投资机构共同参投。该公司推出的AI挂件BubblePal，不到一年卖出25万台，销售额或直接破亿。AI陪伴赛道正处于“需求爆发但格局未定”的窗口期。“情绪AI市场目前集中在宠物类、恋人类两大产品形态，但整体仍处于早期创业阶段，尚未出现真正的头部玩家，大家都在摸索适合自己的商业化路径。”AI陪伴应用软件Solulu联合创始人陈默默告诉「AIX财经」。这种“无头部垄断”的格局，恰恰源于情绪需求的多元与广阔。以Solulu为例，陈默默介绍，该应用的核心用户群体，锁定在大学毕业刚进入社会、处于人生探索期的“奥德赛一代”，这群年轻人面临着职业选择、人际关系等诸多无标准答案的人生难题，需要的不是简单的对错评判，而是持续的倾听与陪伴。而相比传统的情绪解决方案（如找亲朋倾诉或者咨询心理医生），AI的优势在“私密感”与“即时性”。“很多人有情绪困扰，要么因‘病耻感’不愿求助心理咨询，要么问题未到病理层面，更或是需要即时疏导却找不到渠道。”陈默默解释道，传统心理咨询从寻找机构、预约服务到线下沟通，流程繁琐且耗时，但很多时候情绪却是一瞬间的爆发。热闹的需求背后，商业化仍在摸索阶段。目前情绪类AI的盈利模式主要分为两类：一类是直接售卖AI陪伴硬件，客单价跨度较大，从百元级入门款AI挂件到数千元智能陪伴机器人，凭借硬件本身的实体价值与AI功能溢价回收成本；另一类是C端应用采用的会员订阅制，有月卡、周卡、季卡和年卡等，价格高低不等，多数集中在15元-50元/月。广告盈利模式因多数产品用户量级不足，短期内难以落地。陈默默指出，“从用户层面看，目前不少产品能实现单点盈利，但公司层面仍难达到持续稳定盈利，前期的技术开发、团队管理成本太高，会稀释短期收益。”从2025年看，情绪AI更像一个“需求已被验证、商业仍在爬坡”的赛道，它不会消失，但注定是一个慢变量行业。教育类AI：三大门派混战，慢但是走得远如果说情绪类AI仍停留在需求先行阶段，教育类AI则已进入稳定发展期，尤其是在应试教育体系主导下，展现出巨大潜力。非凡产研数据显示，教育类AI产品在多份流量与MAU排名榜单中的占比稳定在20%左右，且多款产品实现月度翻倍增长。相比图片、视频等创作工具，教育AI呈现出更强的“持续使用”特征。硅谷早期投资人JW对「AIX财经」表示，在应试教育为主的环境下，AI教育将对传统教育模式形成显著冲击：一方面，AI教育有望推动教育公平，让不同群体都能自主选择适配的学习方式；另一方面，教育体系内的信息具备强结构化特征，更利于AI技术的学习与落地。从玩家结构看，目前主流的AI教育赛道主要集中在应试教育阶段，大致可以分为三类：一类是教育原生公司，依托内容与用户积累，将AI嵌入解题、测评与学习机（如猿辅导、作业帮、好未来、新东方）；图源/好未来官方微博第二类是互联网公司，从工具型入口切入，凭借流量与分发能力快速获取用户（如字节、阿里）；第三类是技术型厂商，深耕学校与教育机构，服务课堂与教学管理（如科大讯飞和网易有道）。这三类玩家，几乎覆盖了目前应试教育的所有核心需求：名师授课、作业辅导、实时答疑甚至学习监督。此外，还有一些教育AI创业公司避开应试教育的红海，瞄准了更细分的需求场景。例如，2025年才入局的TaalaAI，其创始人Peter向「AIX财经」表示，大学生从校园迈向社会的过渡阶段，需要针对性的成长支持，而现有教育场景中这类衔接性指导仍有优化空间，这正是他们的切入点。AI教育产品Asksia前联合创始人Bella此前同样聚焦大学生人群，她也提到，当初的切入原因，正是因为这一群体存在长期且明确的痛点。尤其在2025年，模型能力的提升进一步放大了教育AI的效率优势。Peter举例称，以前让AI写代码、做小游戏，会存在许多bug，如今生成的成果已可直接使用。在这个过程中，教育的重心也随之转移，相比单纯的知识积累，如何驾驭AI正在成为新的能力分水岭，这正是当前市场的空白，也是他们瞄准的方向。在商业化层面，教育类AI是三大赛道中路径最为清晰的一条。会员订阅、课程/服务打包、B端合作是主流模式，传统在线教育机构还通过售卖AI硬件进一步拉高客单价，增厚利润。其中，会员订阅被视为核心商业模式，受功能属性不同价格差距大，主流区间集中在15-200元/月。Peter解释，会员订阅模式与AI服务的Token消耗特性直接相关：“Token消耗难以精准结算，不像传统服务能明确标价，也不像人力成本易核算，每个人与AI的对话模式、使用场景差异较大，无法制定固定收费标准。”而订阅制能有效规避这一问题，更利于长期把控成本与收益的平衡。2025年，教育类AI确实迎来了一轮加速发展，但上述人士均不以短暂风口来审视，如Peter所言，教育本身就是一个永恒的课题。这或许也是AI第一次进入一个“不会被轻易放弃”的行业。创作类AI：效率起飞，淘汰加速至于内容创作，可能是这一年被冲击得最直接、也最剧烈的行业。如果要用一个词概括，AIGC纪录片、广告片导演丁一给出的答案是“迭代”。这一年AI核心技术实现关键飞跃，尤其在“场景一致性”与“人物一致性”上取得突破性进展，AI生成视频的连贯性大幅提升，以往反复调教素材的繁琐过程被简化，试错成本显著降低。丁一向「AIX财经」介绍：如今1分钟左右的视频，3天内即可完成，单人便能独立承接项目；相较于以往每月仅能承接2个项目的效率，现在可同步推进多个。项目账期也比传统模式明显缩短，传统几十万的广告项目，现仅需几万块即可完成，利润可达50%（远超传统实拍30%的上限）。类似变化也出现在更加规模化的内容生产场景。此前有摄影师向「AIX财经」感叹，不少公司已广泛采用AI工具，每天可高效生成2000余条视频，分发至不同账号进行爆款测试，其效率远超携带单反相机拍摄的传统模式。创作产能的暴增，并非来自单一工具，而是多条技术路线的同时成熟。先是“文生图/图生图”领域，已经形成国内外玩家同台竞技的成熟格局。国际上有Midjourney、AdobeFirefly这类标杆产品，国内则聚集了美图（旗下美图秀秀、WHEE双产品发力）、字节系的豆包和即梦AI等实力玩家。它们的核心应用场景十分广泛，从广告营销设计、社交媒体配图，到电商产品海报、个人艺术创作都有覆盖，本质上是在替代或辅助传统图片拍摄、图库购买、聘请专职设计师等环节，大大降低了图像创作的门槛和成本。其次是更进一步的“文/图生视频”，处于快速演进的前沿阶段。其核心应用场景包括短视频制作、动态海报、创意广告片头、影视概念预览等，这些环节往往制作成本高昂、周期长，也因此这是AI创作赛道“取代焦虑”最集中的地方。2025年9月底OpenAI发布Sora2刷新行业标杆，国内方面，字节即梦AI、快手可灵、腾讯混元、阿里通义万相等大厂集体入局，PixVerse、生数科技（Vidu）等创业公司也在加速追赶。与此同时，单纯的文字生成能力对传统内容生产的冲击已趋于“常态化”，包括广告文案与脚本生成、电商商品详情页制作、小说/剧本辅助创作等。而这类文字生成功能的技术门槛相对较低，国内通用大模型已能轻松实现。玩家扎堆、能力叠加，让创作类AI在2025年完成了从单一工具到生产体系的转变。对于2026年，丁一给出的预测词是“爆发”。但爆发的另一面，是“取代焦虑”。丁一认为，尽管AI目前无法替代导演的核心职能，比如契合时代审美的创作判断、讲好故事的叙事能力，但会加速淘汰行业尾部的“工具人”及低效从业者。其中，传统特效、拍摄等技术类岗位受冲击最为明显，他甚至直言：“2026年，传统特效公司或将被淘汰一半。”也因此，当AI在情绪、教育赛道多以“赋能者”角色被讨论时，在内容创作的一线，无论是写手、画师还是设计师，它带来的更多是“冲击感”与职业重构的紧迫感。AI并没有消灭创作，而是让大家重新思考“谁还能靠创作吃饭”。热闹过后，谁能在AI赛道活下来？情绪类AI、教育类AI、创作类AI的短期热度或许会随着新鲜感消失，真正决定未来的，一是盈利模式的可持续性，二是核心行业难题的实质性突破。三大赛道首先面临一个共性挑战，即商业化的不确定性。此前一位AI行业资深投资人对「AIX财经」直言：纵观国内平台型企业，广告与流量变现仍是主流商业模式。目前国内消费者为AIToC应用付费的路径，几乎走不通。在这一前提下，三条赛道走上了不同的路。情绪类AI仍处于早期的探索阶段。JW从投资人视角出发，认为目前情绪陪伴类产品在用户体验上不及大厂语言模型，市场对其是否为伪需求尚存争议。短期内，营销造势与新奇产品形态能吃到红利，如Grok凭借二次元虚拟伴侣Ani，月活跃用户突破2000万；AI恋爱应用“LoveyDovey”更以35万月活用户，撬动1.2亿元年化订阅收入，成为目前最赚钱的情绪陪伴产品之一。但在多位从业者看来，这并非终局。“长期来看，核心在于情感壁垒和长期关系的建立，要能多元覆盖用户需求点，并与现有产业如心理咨询、养老等结合。”陈默默称。相比之下，JW认为AI教育商业化路径清晰，ToB端与学校、教师合作盈利稳定，ToC端依托AI学习机等硬件普及率和家长强付费意愿，变现能力突出，市场空间广阔。不过这更是针对应试教育场景，这个场景下家长拥有决策权且付费意愿强烈，但像TaalaAI这类聚焦大学生职业规划、技能发展的产品，用户付费热情相对不高。不过这也不是TaalaAI一家面临的问题，后续寻求B端合作或许是突破方向。创作类AI赛道的商业化呈现出明显的两极分化：ToB端以“价值替代”为路径，以ROI为衡量标准，赛道将快速整合并涌现平台型服务商；ToC端的消费级产品（如AI短剧）付费意愿较弱，但专业AI工具因用户有付费刚需，往往能快速实现商业闭环，JW认为，短期内，“B端养C端”或“工具养内容”，可能是大多数玩家不得不面对的现实。丁一也向「AIX财经」证实，目前他们的创作工具繁多，国内与国外AI工具交叉协同，单个项目常搭配多款工具使用，核心成本消耗便集中在算力付费上。除了盈利模式之外，三大赛道还面临各自的行业约束。对于情绪类AI，陈默默称，长期留存与同质化竞争是目前行业所面临的核心挑战。“如何主动发起与用户的交互，如何理解并运用用户的记忆，是所有产品都要解决的关键。”尤其是轻交互类产品，用户新鲜感消退后极易流失，长期用户价值的挖掘成为痛点。此外，同质化则让赛道陷入低水平竞争，比如直接调用第三方大模型、不做任何场景化优化的“套皮AI”，在中国市场很难获得商业支持。教育类AI面临的，则是市场鱼龙混杂，伪概念争议时有出现。Peter提到，部分产品存在“硬造需求、套AI外壳”的情况，并非真正解决用户痛点。Bella也补充，不少产品忽视了学生真实学习节奏，仅停留在技术堆砌。不过她也指出，当前AI教育仍处于快速探索阶段，随着各产品模型能力的差距逐渐缩小，能否在真实学习场景中实现长期复用，将成为决定产品突围的关键。创作类AI赛道的挑战，某种程度上也折射出整个行业的“取代焦虑”。丁一指出，当前行业面临两大核心问题：一是专业人才供给不足，导致项目承接能力难以匹配市场需求；二是部分创作者对AI技术接受度低、学习能力不足，从而错失了时代赋予的发展机遇。此外，版权问题也成为创作类AI赛道不可忽视的变量。此前，番茄小说平台将作者作品数据用于AI训练的行为引发轩然大波，不仅催生了大量AI生成的“代写作品”，更引发签约作者集体抵制。有网络作者向「AIX财经」感叹，即使深知AI是未来趋势，自己平时也会使用，但这并不妨碍抵制这种行为。“因为我们无法预知，今天主动‘投喂’给AI的数据，未来会不会成为反噬自身版权与创作权益的回旋镖。”以上这些问题尚无标准答案，只能在时间中被反复验证。2026年，AI与人类的博弈与共生，仍将持续上演。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
