请你提供具体的相关内容呀，没有具体信息我没法准确写出“AI 真正跨越鸿沟”的描述呢。比如是关于某一领域中 AI 从表现不佳到卓越突破的过程，还是不同阶段 AI 发展的对比等相关内容呢？

大家好，我是真格基金的管理合伙人戴雨森。

在真格基金，我们专注投资全球华人创业者的第一笔钱。这几年我主要关注 AI 的天使轮项目，在第一轮主导和深度参与投资 Kimi、Manus、与爱为舞、Genspark、无问芯穹、Youware 等 AI 创业公司。真格基金也天使投资了 HeyGen、Opus Clip、MaxAI 等在全球都有不小影响力的 AI 应用。

24 年行业都在关注大模型公司的军备竞赛，大家都在问：训练大模型烧了这么多钱，应用什么时候落地，商业价值到底在哪？而我们认为新技术的落地需要时间，就像送孩子上学，前期学费是投入，要等他长大才能赚钱。好在和历史上其他创新技术相比，生成式 AI 的应用落地速度非常快，今年我们已经看到随着模型能力的飞速进展，不少 AI 应用开始有实打实的收入。

比如我们投的 Genspark，上线 45 天就实现了 3600 万美元的 ARR。这个速度，在传统 SaaS 时代可能得一年以上才能做到。这说明一件事：AI 产品真的越来越有用，用户真的愿意为其付费。

我们正在见证 AI 革命进入新纪元。

一、8年投资，8年创业看AI真正跨越鸿沟

我是 86 年生，98 年开始上网，算是个互联网原住民。从中学起就一路见证了互联网 20 多年的波澜壮阔发展。22 岁联合创办聚美，赶上移动互联网大潮；现在做早期投资，又很幸运遇上了生成式 AI 这波技术革命。我自己的亲身体会是，每一次技术大变革带来的应用落地，都是创业者和投资人最好的机会窗口。

我在 2017 年转做投资，那时移动互联网已经进入下半场，年轻人单靠创新走到最后的机会越来越少，取而代之的是老司机和大公司的补贴、烧钱，比如 O2O 大战、社区团购大战，大量同质化的公司最后是比拼资源和效率。当时大家就在讨论，移动互联网的创新周期是不是已经结束了？我们是小红书的天使投资人，也有不少同行觉得它可能是中国移动互联网最后一个大 DAU 产品。

当 2022 年底 ChatGPT 上线的时候，我特别兴奋，用到凌晨四点，我回忆起 1999 年第一次用到 Google 的感觉：一个简单的输入框，用自然语言什么都可以问，问什么都有答案。这是我对终极产品的向往：把极为先进的技术包装在超级简单的界面背后，像魔法一样让普通人具备非常强大的能力。

虽然早期的大模型还不够聪明，也有很多幻觉，但它让我第一次觉得，AI 不再只是在科研界的热议话题，而是真正能用起来的产品。在生成式 AI 浪潮到来之前，虽然AlphaGo已经击败李世石和柯洁，特斯拉也已推出 FSD，但 AI 离普通人的生活还比较远。当时谈 AI，还更多是在讲科技研发和未来愿景，跟大众产品还很有距离。

ChatGPT 是一个真正的转折点，让 AI 变得人人可用，也真的好用。我一直很喜欢认知技术创新的框架“跨越鸿沟”，它的主题是创新技术怎么从早期市场进入主流市场。当时直觉就很强：ChatGPT 可能是第一个能真正跨越鸿沟的 AI 产品。现在每个月全球有一亿人在用 ChatGPT，已经验证了这一点。

我们曾经把早期成功创业者分成四类：小天才、老司机、科学家、操盘手。但最近我们想，是不是还得区分“技术变革的早期”和“技术成熟期”，不同时期成功几率大的创业者画像和打法可能都不一样。过去十年是移动互联网的成熟期，在下半场，容错率更低，经验和资源更重要，打过仗交过学费的连续创业者胜率或许更高。例如张一鸣、王兴、黄峥，都是第三次才做出大公司。

而现在的 AI，又回到了技术变革的早期。创业者需要对新技术很懂，对技术边际变化带来的机会很敏感，这就给年轻创业者带来了很多机会。但同时 AI 也要通过成熟的形态如 App 或网站去落地，因此对创业者提出了更高的要求：既要懂前沿技术，又要有很强的产品执行力。我们投资的不少公司创始人如 Manus、Kimi、Genspark、Heygen、Youware 等都符合这个画像。

与此同时，很多产业成熟期的方法论，比如 AB 测试、精细化投放等，在产业早期却未必最有效。举个例子，AB 测试适合找到产品方案的细节差异，但技术早期往往是要在没有数据的情况下做选择，选对了就是 10 倍起步，选错就全盘皆输。

例如 Transformer 出现之后，BERT 和 GPT 哪个技术路线更好，OpenAI 不是 AB 测试出来的，是靠判断选出来、执行做出来的，甚至在模型规模到达一定规模之前，BERT 反而是效果更好的方案。但这种选择的能力，反而是 AI native 创业者面对大厂的机会。

二、花一点小钱看未来，其实很值

做早期投资的难点在于反馈周期太长。投一个项目，5-10 年才知道对不对。有些项目一开始声量很大，最后不一定走得远；反而一些看起来没那么热闹的，拉长时间可能更有价值。像泡泡玛特，几乎中国 VC 都看过，大家后来都说错过了很可惜。

这有点像训练 AI 模型，是不断调整模型权重减少损失函数的过程。对于早期投资这个“模型”的训练和优化的确需要更长的时间。不过现在技术变革越来越快，我们可以参考过去新技术几十年甚至上百年的演化路径，在很短时间里走过完整的技术周期，这是好事，不然还没等看到结果，我们就老了。5 年、10 年走完之前 100 年的路，虽然发展路径能借鉴，但心态也得跟上，要学会适应更快、更大的变化。

强化学习中重要的是环境（Environment）和奖励（reward）的设计。那我们在学习 AI 的时候这两者是什么？我认为一大核心是不断学习新的技术，不断体验新的产品。

第一批吃螃蟹的人往往会得到不菲的奖励。例如当年第一批做互联网创业的人，很多是最早买电脑、最早上网的；第一批做移动互联网的人，也常常是最早买 iPhone 的。现在 AI 产品其实已经很便宜，一个月可能只要花 20 美金，也就一顿饭的价格，但能帮助你先看到未来，也先抓住机会。

比如第一个真 · Agent 产品 Devin 刚发布那天，我就充值了 500 美金试用，大为震撼。朋友圈里我写道：“Devin 作为第一个真正能用的真 · Agent 产品，它的出现可能标志着人类历史的一个重要时刻。500 美金可以买两瓶茅台，或者可以开一个 Devin 账号，提前体验未来。”后来 Manus 的产品设计也受到了很多 Devin 的启发。

另一方面，AI 也让执行力变得更平价。以前你有个想法，要找人写代码、做设计，过程很重，所以有人开玩笑说我有个好想法，就差个程序员了。而现在使用 Cursor、Manus、Youware 这些工具，很快就能把想法变成一个 demo，甚至是可以使用的产品。

当执行力不再稀缺，我认为工作的关键反而变成：

• 你要做什么。这是人的主观主动性，英文叫 Agency。我们和创业者交流，很关注他是不是那个真正行动的人，清楚自己要做什么，想办法推进，招人、找钱、做产品，遇到问题也能努力解决往前走。

• 你选择什么。也就是所谓的 Taste（品味）。AI 可以创造很多选项，但是选择最后还是人来做。Midjourney 一次给你四张图，Vibe Coding 给你多个实现方案，你选哪个？也许有一天 AI 的 taste 会比人更强，但现在，决定还得人来做。Agency（主观能动性）和 Taste（品味），是 AI 时代人与人之间的关键分野。

愿意花点钱去体验可能代表未来的产品，本质上也是一种发挥主观能动性的选择。

三、给用户创造了价值，就总有办法变现

我常举一个例子去说明指数增长：

假设有一个池塘，其中荷叶每天的面积都会翻倍增长。第一天只有一小片，第二天变成两片，第三天四片……以此类推。如果到第30天，整个池塘被荷叶完全覆盖，但如果第 29 天的早上去看，池塘还有一半没有被覆盖呢。

我认为 AI 现在的发展，正如 William Gibson 所说，“未来已经到来，只是尚未均匀分布”。AI 模型已经在写作、编程、数学、推理等领域超过 99% 的人类，已经有不少人在用 Cursor、Manus、Genspark 等工具给自己的工作 10x 提速，他们看到的是完全不一样的世界。但对于没有体验这些产品的人来说，世界没有什么变化。

技术扩散需要时间，所以才会有从创新者、早期采用者到大众市场的创新扩散曲线。现在，我们已经能直观地看到那道鸿沟的存在。

举个例子，Google 刚出来时是个基于先进技术，非常好用但没盈利模式的产品。那时候华尔街有很多质疑，说它不做广告，还鼓励用户尽快离开网站，这怎么赚钱？但 2002 年，Google 通过 AdWords 和 Adsense 找到了商业模式，现在搜索引擎广告是互联网行业最赚钱的印钞机之一。

这是一个启示。新技术驱动的产品，早期常常是“用户爱用但不知道怎么赚钱”。商业模式的完善需要时间。我相信，只要产品能给用户创造足够大的价值，总会有办法把价值提取转化出来变成收入。不论是订阅、广告还是导流，商业的本质就是你为用户创造更多价值，并从中提取利润。

也可以问一个问题：如果你被要求一辈子不能再用 ChatGPT，你愿意出多少钱？不少人可能会开出很高的价格。这说明它已经变成一个不可替代的工具。

当然，也有人说这些收入是 vibe revenue（氛围营收），用户尝鲜付费一次就走了。确实有这个风险，但我觉得 AI 产品和传统产品最大的不同是：它的进化速度非常快。你买的车不会进化、APP 一年下来可能也没什么大更新，但 AI 的能力却在飞速进化。两年前你可能觉得 ChatGPT 没啥用，但现在已经迥然不同了。

去年我们见证了很多模型能力升级的例子。比如 SWE-bench 被用来测试 AI 完成 GitHub 上编程任务的能力。2024 年初 GPT-4 得分还只有 4-5 分，到 24 年底 o1、o3 mini 已经做到 60-70 分，25 年中，领先模型突破 80 分，我们的被投企业 Kimi 刚发布的开源模型都突破了 60 分。巨大的能力升级，会大幅提升用户的价值，进一步推动用户留存。

所以关于 AI 能不能赚钱这件事，我们越来越有信心。

在行业早期，奢谈终局都没有意义，唯有下场开始执行。就像 2015 年，很少有人能预见今天的字节跳动。那时大家还在讨论今日头条有没有壁垒。现在看似顺理成章，但经历过的人都知道，短视频赛道其实已经死过一轮，Vine、秒拍都没做大。很多事，只有回头看才显得显而易见，人在局中时都只有奋力突围。比起终局，我更关注当下：谁在用，得到了什么价值，以及未来还会在哪些场景继续产生价值。

四、增长的关键不在投放而是有没有“魔法体验”

投放是移动互联网后期的必修课，然而现在很多 AI 应用的成功，投放不是重点，甚至根本不需要投放。关键是能不能让用户有魔法般的体验产生自然传播。当用户突然遇到一个体验好十倍的产品，这时候，口碑和自然增长的力量，远比投放更管用。

DeepSeek 就是个例子，一上线火遍全球，但没花一分钱在营销上。Manus 也一样。过去几年，投放这件事被高度专业化，做增长的人越来越多，但技术范式一变，这些成熟方法不一定还管用。

我很开心 AI 把我们带回了那个靠产品力打动用户的时代，需要产品经理用判断做选择，用体验打动人。回头看互联网早期，投放还不是个显学，大家靠的是产品、内容和口碑本身。比如 Facebook，用户加了几个好友就会上头，呈现出非常好的留存，产品设计本身就很有利于病毒传播。当时“情感状态”这个功能，谁变单身了大家都看得到，也是自带话题的设计。

再说留存和新增的选择。做增长的人总说留存重要，但这有个隐含前提：产品够普世。很多小众产品，比如豆瓣、即刻，用户留存都很好，还在用的人绝对是真爱，但是它不增长了。我觉得在技术革命早期，有明确的亮点，快速吸引用户才更重要。

并且在技术还不完善的时候，留存差一点也正常，技术本身还在演进。回头看亚马逊刚起步的时候，能买的东西很少，体验也一般，但重点是产品进化的斜率高不高。

AI 时代，ChatGPT 就是典型。一开始功能没那么强，很多人试完，觉得和 AI 瞎聊几句也没啥用，留存远没有现在好。反倒是 C.ai 这样情感类的 AI 产品当时留存高，因为核心用户粘性强。但你逐渐会发现，这类产品的用户群相对集中，大多数人没感觉。而 ChatGPT 的需求是更加普适的。哪怕一开始留存一般，但产品能力随着模型进步非常快，从 good to have 变成 must to have，走入了真实的高频场景。

所以比起留存，我现在更看重一个 AI 应用是否有吸引用户的亮点：第一，产品有没有在某个场景的吸引力，不靠补贴和投放，用户自己愿意来使用；第二，产品是不是在快速变好，斜率是否够高。这可能就是技术革命早期和成熟期做增长最大的区别。

五、当AI替你工作，你愿意付它多少工资？

我最近在想，AI 可能会带来一种新的商业模式：虚拟雇佣。

过去我们对工具付费，通常想的是它的价值加上你的时间成本。但雇一个人不一样，本质上是买他的时间。工具和员工的定价机制是两套逻辑。

现在如果有一个 agent 真能帮你完成工作，那你可能会愿意把原本付给员工的钱，部分转给它。这个时候，它的价值就远超传统订阅模式我们为工具付费的价值。

比如一个工具订阅费 100 美元，很多人觉得贵，是因为你还得亲自操作。但如果它能节省你时间，甚至直接把活干完，那就完全是另一回事了。

我们最近也常讲一句话：Attention is not all you need。这是从 Transformer 的论文标题“Attention is all you need”来的。

移动互联网的商业模式基本都是围绕“注意力”展开的。你刷短视频、看信息流，平台再用这份注意力去变现。但人的注意力是有限的，世界上就那么多人，每个人每天就那么多时间，在移动互联网渗透率已经很高的当下，如果你做的应用还需要用户持续的注意力，那本质上都是零和的有限游戏，都得从抖音小红书抢时间。

而如果 AI 能直接帮你做事，解放注意力，想象空间就完全变了。你可以有 10 个、100 个 agent 并行干活，真正的限制变成了：你到底想让它做什么？

只要 AI 真的帮我创造了价值，比如它帮我节省或赚到了 100 块钱，我付他 20 块，可能是个很自然的决定。这已经不再是按月订阅，而是更像“给 AI 发工资”。

这种正向循环不仅可以突破人类的注意力上限，也有机会突破传统订阅的价格上限。现在像 Cursor、一些 AI 工具已经开始按使用量计费，帮你做了多少任务，系统自动算账。

本质上，它们都在朝“虚拟雇佣”的方向走。

六、AI应用的价值会越来越大

应用或者是“套壳”到底有没有长期价值？这是这几年大家一直在讨论的话题。有人认为模型越来越强大，会吞噬应用的价值。我却恰恰认为相反：模型越强大，应用就越能够通过专有的上下文和环境来创造增量价值。

首先，从事实看：Cursor、Perplexity 刚出来时，很多人说这些只是套壳，很快会被模型公司干掉。但现在就算 ChatGPT 做了搜索，Perplexity 也还在快速增长；各家模型公司都推出了自己的代码产品，Cursor 也还是 AI coding 的首选，年化收入到达 5 亿美金，最新一轮估值已经接近 200 亿美金。

所以哪怕和通用模型正面撞上了，只要 AI 产品能解决问题，提供独特价值，也不是世界末日。好产品总有它存在的价值。

第二，应用公司能使用的模型也在越来越强大。如果我是一家应用开发公司，模型公司会不会有比我好十倍的模型？

2023 年初大家确实有担心：OpenAI 有人、有卡、有数据、有钱，如果它一家独大，能训练出 100 分的模型给自己的产品使用，而应用开发者手上只有 10 分的模型，那就没得打。

但现在我们看到，头部模型公司竞争激烈， API 的差距在不断缩小。如果应用公司始终能使用接近 SOTA 水平的模型 API，那么加上好的产品设计、用户数据、使用习惯、品牌效应等，就可能做出更好的体验。

最近在思考一个框架， AI 应用的价值积累可以分为三层。

最底层是模型能力，这一层是相对通用和公开的，确实需要大模型公司通过开源模型或者闭源 API 的方式来提供。

中间层是模型权重中并不直接具备的上下文（context），这里又可以细分成三层：首先是公开的上下文（public context），如用于搜索的新闻报道等；其次是组织专有的上下文（organizational context），比如说组织内的文件，流程，数据等；再者是用户私人的上下文（personal context），如用户和 AI 的交互记录，个人信息和偏好等。这里组织专有的上下文和用户私人上下文都是模型可以建构的壁垒。

在上下文之外，还有环境层（environment），这里包括模型可以调用的各种工具如 computer use，MCP，A2A 等协议，以及模型可以改变迭代的 code base 等。

随着 AI 产品越来越完善，更多的价值创造会出现在上下文和环境这两层，这也就是 AI 应用的壁垒。

我认为应用创业者真正该做的，是去思考 6-12 个月以后 SOTA 模型会有哪些能力，再基于这个做准备。正如乔布斯引用一位传奇冰球教练的话：“我永远滑向冰球将要去的地方。”

七、第一次，我们都可以当（AI的）老板了

能够自主完成任务的 Agent 的出现，意味着第一次我们每个人都可以当（AI 的）老板。当然，要当一个好老板不容易，也需要很多学习。

学习当个好老板，要多试试未来、多用点新的 AI 产品。就像当年面试产品经理，我们会让 TA 打开手机看看常用 App，来感受 TA 对移动互联网的认知程度。现在也一样，对 AI 产品的体验学习很重要。无论是 Genspark、Manus 还是 Deep Research，你都可以试试看这些新产品，看看 AI 到底能在多大程度上帮你提高效率、节省时间。

技术升级往往会带来组织的 scaling law。一方面，新技术可以让更小的团队完成更多的工作，另一方面，新技术也可以让大公司管理更大更多的业务。例如移动互联网革命中，既出现了 Instagram 这样被 10 亿美金收购时只有十来个人的 mini 公司，也出现了美团这样能够使用技术高效管理几百万骑手的超级公司。

AI 革命可能让组织的 scaling law 进一步发展。通过当更多更好 AI 的老板，Sam Altman 预言我们很快就会看到一个人的独角兽公司，而大公司拥有更多的资金和算力，也可能使用更强大的 AI 去管理更大的团队和处理更多元化的业务。

AI 的发展有点像烧开水，在水已热但还没烧开之前，可能只能泡咖啡，但一旦到达 100 度的沸点，将会解锁蒸汽机，带来各行各业巨大的生产力变革。

我们已经看到在推理、研究、编程等越来越多的领域，模型能力进展，给 AI 应用带来了魔法般的体验，也看到了用户数和收入的爆发式增长。

也许这一次，水真的烧开了。

本文来自微信公众号：真格基金，作者：戴雨森