44. 百大UP创业AI，流量真是护城河吗？- 图灵的猫｜王依然

创作工具的机会在生成前后

王依然用本地素材检索说明了这个判断。大模型帮人找东西时，背后仍可能调用传统搜索、深度学习和向量检索。对创作者来说，问题并不抽象：硬盘里有大量 AIGC 素材、视频片段和中间版本，文件名往往不足以说明里面是什么；当目录越来越大，想找回某个镜头或某张参考图会很困难。

主持人以视频播客举例：单轨素材约 30G，两轨约 60G，多保留几个剪辑版本便会占掉数百 GB。素材又很难被当成废文件删掉，因为它记录了拍摄劳动，也可能在未来复用。王依然关注的是一种压缩与归档方式：既节省空间，又保留参考视频的清晰度和检索可能性。这不是宏大的新入口，却是创作者已经每天面对的麻烦。

他的早期产品也沿着这一思路做过尝试。团队没有把它做成一个自动完成脚本的按钮，而是希望它帮助创作者定位灵感、分析提纲，并基于既有内容进行补全。后来又加入逐行修改：用户可标出不满意的片段，让系统针对那一行调整，而不是在聊天窗口里反复请求一整段新稿。用户还可以先写初稿，再参考工具提出的编辑意见修改。

这种设计一部分来自当时模型写作的质量，另一部分来自创作者对作者性的要求。内容工具越靠近最终表达，越不能假设用户愿意把判断全部交出去。模型可以缩短写作和修改的时间，但不会自动知道一位创作者想保留的节奏、口吻和立场。

理解用户，不等于已经找到 PMF

王依然做过多年内容创作，也有接近九年的 AI 开发经历。这样的组合让他能观察到许多具体问题：素材在哪、画布何时卡住、哪些步骤让创作者觉得麻烦。但他也在访谈中承认，懂得问题并不保证产品能被持续使用。早期写作工具后来没有继续沿原方向推进，原因是团队认为自媒体创作属于存量且需求较窄的市场。

成熟创作者通常已有自己的工作流；新手则可能直接向通用 AI 提问，不愿额外为一个工具迁移流程。产品若不能给用户带来足够明显的增量，场景知识再多也不能转成稳定付费。这比判断谁更懂创作更难，因为它还涉及进入市场的时机、用户教育、价格和替代品。

访谈中的 Granola 与 Tape 是两个对照。王依然欣赏 Granola 从用户痛点出发做减法，只保留少数核心能力；他也观察到 Tape 的体验并不靠功能堆叠，而靠产品名称、气质和低学习成本与明确收益的匹配。它们提醒创业者，用户不一定要一个看上去最炫的界面，往往只需要一个不打断习惯、结果又足够好的工具。

画布适合展开，不一定适合收束

今年上半年，王依然所在团队一直在讨论一个现象：很多 AI 产品都把无限画布当作默认界面。画布很适合把素材、节点与尝试同时放在眼前，也容易让产品显得像新一代的创作环境。但他认为，创作并不是一味展开的过程。

灵感阶段可以发散；进入大纲后，创作者要把材料收成一条线；写脚本时又会打开更多可能；剪辑成片时还得删去不必要的部分。素材节点变多时，画布未必能替用户组织内容。团队的早期版本因此使用了七到九个固定工作流节点：自由度较低，却能让用户完成一个任务明确的流程。

无限画布也有实际的工程问题。空间越大，缓存、存储和渲染越难保证流畅。即使界面足够漂亮，用户也会问一个更朴素的问题：学会后，它到底替我省下了多少时间？这也是王依然评价工具时经常回到的标准。

模型越强，表层需求越危险

谈到 AI 应用的生存空间，王依然借用了锤子和钉子的比喻。过去，人们提醒创业者不要拿着锤子找钉子；现在的变化是，模型能力增长得太快，很多只包了一层简单交互的产品会先被模型本身覆盖。团队如果没有对业务流程、用户数据和真实约束的理解，功能很可能只是在替模型暂时补一个口。

这不意味着所有应用都没有机会。王依然仍然看到很多小场景有存在价值，只是它们不能停留在表层提示词或轻量外壳上。能经受模型迭代的产品，要么深入用户的流程，要么在本地数据、权限、工程稳定性上做出模型本身不会自动提供的能力。

这也解释了他对网页端工具的谨慎。创作用户常常不愿把所有素材上传给一个可能停止运营的服务；本地端若能理解文件、整理资产并在设备上完成部分工作，就更接近用户实际保存和编辑内容的方式。不过，本地权限也意味着风险。一个能替人整理文件、调用应用的代理，理论上也能改动文件或误删内容。产品的任务不只是取得更多权限，还要把用户愿意交出什么、系统能够做什么说清楚。

token 变便宜，竞争不一定变轻

主持人把模型供给比作柠檬，应用比作销售柠檬水的门店：原料变便宜，似乎应该利好应用。王依然接受长期成本下降是好事，但把短期影响拆成了两面。用户可能感到一次调用更便宜；应用公司却会发现竞争对手同时获得降价，于是更低的成本很快被补贴、获客和更快的模型迭代消耗掉。

在他看来，用户在多个工具间切换时，常看的正是补贴力度、token 价格和最新模型。创作工具的界面、skill 设计和宣传功能也会趋同。团队曾内部孵化一款同类小工具三个月，最后选择停止：若想追赶第一梯队，就得以大规模融资和长期补贴为前提，而这种路径不适合他们当时要做的事。

如果模型公司自己进入应用端，情况会更复杂：它既能从模型成本中受益，也能控制用户入口。对独立应用团队来说，讨论成本时不能只看每次调用多少钱，还要看谁掌握了分发、数据和用户的日常工作流。

流量能启动产品，不能替产品跑完整程

百大 UP 主身份带来的好处很具体。团队公开创业之后，有投资人主动找来；推出小产品时，一条视频或动态就能带来大量关注，愿意体验内测的用户也更容易聚集。这些都是普通小团队需要花很长时间才能得到的冷启动资源。

但王依然没有把它当作护城河。他提到，第一批内测里确实有不少粉丝使用，付费率也不错；等到非粉丝用户进入，数据就更接近一般市场水平。粉丝对创作者的喜爱可以帮助他们给产品一个机会，却不等于他们会为任何产品长期付款。

因此，他认为自己的影响力能帮助融资和增长，却不能代替产品价值。标签还会反过来限制选择：外界可能默认一个做内容的百大 UP 主只能做创作工具，但他也想做小硬件、AI 玩具，甚至更远的影像创作。流量带来的是起跑线，并不能决定产品会跑向哪里。

出海的讨论也呈现出同样的差异。团队曾在北美、欧洲和东南亚尝试销售，并在 Twitter、TikTok、Product Hunt 上发布。海外的付费意愿和汇率条件让它成为一条更长的营收线，但团队无法像在国内那样依靠既有影响力快速获取大量早期用户。为了同时服务两个市场，他们还曾做两套官网和设计，这些看似细小的工作也是创业成本的一部分。

vibe coding 把产品分成两层

当越来越多人能用 AI 编程做出网页、小游戏和一次性工具，产品的定义正在变化。王依然把其中一类称为个人脚手架：用户设置一套要求，让 AI 围绕这套要求生成可用的小产品。这类作品可以服务小圈子，也能为个人提供一次性的便利；它不一定需要商业化才有价值。

另一类是系统工程。它要承受高流量、复杂数据和更深的需求，要求长期稳定运行。王依然用双十一期间的淘宝说明两者的差别：一个能生成出来的界面，和一个能在高峰期持续服务大量用户的系统，不能按照同一标准衡量。vibe coding 降低了做出第一类产品的门槛，但没有抹去第二类产品的工程工作。

这让未来的供给更丰富：很多只供个人使用的小应用会出现，成本可能只是生成时的 token 和 API 调用；与此同时，真正需要规模和可靠性的服务仍然会考验团队。产品数量增加不等于每个产品都要成为公司，反而让创业团队更需要辨认自己究竟在做哪一类东西。

AI 电影：画面变得便宜，创作没有变轻

访谈后段，王依然把话题从创作工具延伸到电影。他更想尝试的是做一部电影，而不只是做另一个剪辑工具。团队正在围绕内部灵感尝试 AI IP，但他没有把模型能力当成电影门槛消失的证明。画面只是作品的最低要求；剧本、审美、镜头运转和对节奏的控制仍需要创作者自己掌握。

他提到，纯靠提示词抽取的画面仍容易被看出来；以实拍素材作为参考再交给 AI 生成，效果会更真实。即使画面足够好，故事也不能松散。节目用丧尸片和游戏的玩法作比照：观众会因为剧情失去耐心，玩家也不会因为画面复杂就忽略玩法本身。

AI 的变化在于，它让原来无法承担演员、设备和团队成本的人有机会把想法做成作品。已有审美积累的创作者，可以用更低成本完成过去没有渠道发布的内容；短视频和内容平台也提供了新的分发出口。平台同时需要筛选：一句话生成的片段和经过剧本、分镜、镜头设计的作品，不能被当作同一种内容。

王依然期待未来出现更多 AI 原生导演和内容形态，但他的判断没有绕过创作训练。工具减少了制作障碍，反而让故事、镜头和选择更容易被观众看见。技术能扩大表达的人群，不能自动补齐表达本身。

硬件在寻找模型能力的落点

对 AI 应用保持谨慎的同时，王依然更愿意关注硬件。他认为，大公司不一定容易进入所有非连续的小场景；一家团队未必做成苹果式的巨头，也可能做成能长期经营的设备公司。与泛情绪陪伴产品相比，他更在意贴近现实任务的小设备，例如与手机配合的录音卡，或能够承担明确交互的胸针、相机和玩具。

他把今天的处境比作电力已经富余、但还没人知道该怎样做冰箱和彩电。大模型提供了能力，真正难的是把能力装进合适的外壳：设备要解决什么场景，用户愿意给什么权限，交互该怎样发生，供应链如何稳定交付。硬件的前期投入更大，后续门槛也可能更高。

这个判断与他对软件的观察相连。软件被 AI 降低门槛后，做一个功能越来越容易；硬件仍需要材料、供应链和生产配合，也更直接地进入人的物理生活。模型能力、设备形态和现实任务能否匹配，决定了它会成为一个短暂的新奇玩具，还是一个被用户持续使用的产品。