美图，像创业公司一样生存

作者｜黄小艺 王兆洋

“成熟的老产品不能给新产品导流。”

对一家拥有 2.82 亿月活用户的公司来说，这是一条很反常的规则。

流量本来是成熟互联网公司最昂贵的资产，但在美图内部，RoboNeo、Picchi、MVLAND这样的新产品被要求先像创业公司一样活着：自己寻找第一批用户，在很短的时间里验证需求，不能靠国民级 App 把数据“抬”起来。

现在，这场实验有了第一份成绩单。

美图8月26日发布的中期业绩显示，上半年收入22.1亿元，同比增长 22.1%，净利润6.5亿元，同比增长39.5%。AI 生产力应用年度经常性收入（ARR）约 6.2 亿元，同比增长 47.8%。

这其中，就包括今年6月刚刚推出的AI应用Picchi 和 MVLAND，二者都在ARR上跨过了50 万美元大关。

尽管这个数字还远远算不上一条新增长曲线，却已经足够成为一个PMF的信号：拿掉超级入口，仍然有人主动找到这些新产品，留下来，并且付费。

这正好对应了今天 AI 应用竞争里的一个“不平等现象”。

创业公司需要靠用户主动搜索、持续使用和真实付费证明自己；大公司却可以依靠“祖传”的流量，随手把新产品塞进浏览器、办公套件、内容平台等超级 App，迅速得到一组足够漂亮的数据。

但数据越漂亮，真正的问题也越容易被遮住：产品获得的是市场支持，还是只获得了组织支持？

这也是在今天，值得重新讨论美图的原因。

这家几番沉浮的互联网公司，正在用实践回答两个行业基本问题：通用模型不断扩张后，应用层还能留下怎样的价值；以及互联网公司该如何摆脱惯性，继续长出AI时代的新产品。

大厂最擅长制造的，可能是假 PMF

每一次技术换代，上一代巨头都拥有最多的用户和资金，也最容易沿着旧地图寻找新大陆。

PC 公司曾经错过移动互联网。到了生成式 AI 时代，移动互联网公司又本能地把 AI 做成旧产品里的一个按钮：这里加一个助手，那里放一个输入框、加一个负一屏，再把它分发给原来就有的几亿用户。

微软是一个典型例子。Copilot 一度被铺进 Windows、Office、Edge 和一系列企业产品。到了 2026 年，微软又开始减少 Windows 中“不必要的 Copilot 入口”，合并重复的 Copilot 应用，退休一批功能。

国内大厂也在经历类似的冲动：AI 助手迅速进入搜索、办公、浏览器、手机和内容平台，独立应用的入口、名称与定位也在频繁调整。在这轮竞赛最热闹的 2024 年初，国内 Top 10 AIGC App 的用户规模同比增长了 37 倍，但头部产品的活跃率均低于 20%，三日留存均低于 50%，部分产品的卸载率甚至超过 50%。

“第一天”是热闹的，“第二次打开”是没有的。

美图曾经也犯过这样的错误。

2013 年，美图推出第一款智能手机。它把自己最擅长的自拍、美颜与影像算法装进硬件，希望将数亿软件用户转化成手机消费者。

这条路在最初几年确实卖出了钱。招股书显示，智能硬件收入占美图总收入的比例，从 2013 年的 59.7% 一路上升至 2016 年上半年的 95.1%。美图上市时，手机已经成为公司最主要的收入来源。

问题出现在规模上，美图的数亿软件用户，真正愿意为硬件付费的并不多，直到2018年将业务外包给小米时，美图手机六年累计销量仅为 350 万台，作为对照，小米仅在 2018 年前十个月的手机出货量就超过了 1 亿台。

美图找到了愿意为自拍体验支付溢价的小众用户，却始终无法获得硬件生意需要的规模效应。

这段历史留下的教训是：修图 App 里的活跃用户，到了其他市场仍然要重新争取一次。软件流量可以把新品送到用户面前，却无法自动迁移用户的预算、购买频次和品牌选择。

也正是因此，到了孵化 AI 原生产品的阶段，美图的第一反应就是拿掉成熟产品的流量捷径：把创新拆成独立的小团队，让每个产品用真实付费、留存证明自己。

一个完整的样本是Picchi，一款 AI 人像修图 Agent。它的“学我修图”功能，可以从用户提供的原图与成片中学习个人习惯；“学 TA 修图”，则让普通用户直接调用创作者的修图风格。

Picchi团队成员大多来自美图的成熟影像产品。公司禁止导流时，负责人Jill回忆，“大家一开始会有些小怨念，毕竟Picchi 和美图秀秀都在做修图，分流一点用户过来，冷启动会轻松很多。”

但事实证明，这个决策很对：因为Picchi的付费用户与美图秀秀的用户并不完全重合。

最初，Picchi瞄准的是使用微单和 CCD 的摄影爱好者。上线后，他们尝试用 CCD、高清修复、夜景增强等泛影像功能低价拉量，用过去的流量打法，追过万圣节、圣诞节和新年等节点。

但即使社交媒体上出现过互动很高的内容，进入产品的流量却没有留下多少付费、留存和品牌记忆。

转机发生在“学我修图”和“学 TA 修图”两个新功能的上线后。Picchi意外地发现了最早一批付费意愿强、还会主动推荐产品的用户是一群年轻且活跃在社交媒体上，对流量运营有真实需求的创作者，其中最具代表性的创作者—— Coser 群体。

“我们发现，Coser 有非常大量的 P 图需求，有的时候会深度精修甚至大幅进行后期处理，因为需要符合 Cos 对象的妆造或者角色设定。同时，他们付出高成本，也是希望得到更多流量的回馈，甚至有的可能会有商业化诉求。”Jill说。

这让修图从一种宽泛的审美需求，变成了具体的生产任务。需求越具体，用户对结果的判断标准越明确，持续付费也更容易成立。

找到这群人以后，团队的增长方法也随之改变。

“虽然公司是有支持的，但我们不舍得花钱，一开始投放的时候，是遵循‘量大、便宜’，尽量把一些泛影像圈的用户吸引进来，再根据留存数据去看这些人能不能留在 Picchi 里，但效果并不好。”

泛流量可以带来安装量，很难帮产品建立自己的用户心智。团队随后将寻找用户和投放素材变成了同一件事。

“我们反过来，先用社交媒体去触达那些典型用户，比如 Coser、年轻学生群体。通过社交媒体的反馈，把互动、点赞高的帖子制作成渠道物料投放，很快就在日本 Coser 圈有了小爆发，接着明显地辐射到韩国、泰国，甚至美国和巴西。”

把产品做深，应用不能只给模型套一层壳

找到用户和市场需求只是第一步，如何让他们愿意长久付费才是PMF的关键。

互联网产品主要出售注意力、内容、连接、交易效率和工具使用权。免费产品将用户注意力卖给广告主；订阅、内容平台和软件工具，则向用户收取会员费、服务费或交易佣金。

AI 带来了一种新的付费对象：智能本身开始被直接计量、消耗和交付。

也正是因此，随着通用模型的能力不断扩张，一旦应用把产品能力、成本和迭代节奏全押在模型厂商身上，就很容易沦为 Token 中间商：负责获客、设计界面和收钱，大部分智能与收入最终流向模型厂商。

从这个角度来看，应用层必须建立属于自己的智能。

而美图给这一批 AI 应用们，大致提供了三层智能。

第一层是美图自己的模型与算法。美图奇想大模型、人像编辑模型、音乐算法、图片和视频算法，以及过去积累的大量效果工具，都可以进入新应用。

第二层是围绕垂直场景做模型训练。产品团队会根据人像、MV、动漫风格和特定视频长度，对自研或开源模型进行专项调优。

第三层发生在应用内部。产品负责定义什么结果算好、怎样拆解任务、何时调用哪一种模型，再把用户的修改变成新的评测标准和训练数据。

以Picchi为例，在视觉大模型出现以前，美图秀秀里就有一个名叫Andy的修图机器人。当时的实现方法是写一棵标准的决策树：识别人物标签，然后执行一组固定操作。它可以判断图片里有没有人、人物是男性还是女性，很难继续理解光影、氛围和个人审美。

视觉大模型与Agent工具调用能力成熟以后，Picchi可以先理解照片，再调用美图自己的人像编辑模型、审美知识库和修图工具。

在修图的过程中，用户的需求会非常具体。“比如，我的左眼比右眼更垂，希望左眼再往上修一点，也有人会描述光线要调到什么状态，肤色才能显得更透亮。模型要理解这些细碎的偏好，还要在下一批照片中稳定复现。”Jill说道。

美图自有的垂直模型和后训练的价值也由此体现出来，“学我修图”可以根据多组原图与成片，为用户生成一个个性化小模型；用户不断补充的修改意见，又会沉淀成个人的审美数据。

MVLAND 也在做类似的工作。

它是一个基于音乐的视频创作平台。用户先上传一段音乐，产品就可以自动分析歌词、节奏和情绪，然后选择人物与画面风格，产品就生成故事，画面分镜与视频，最后根据音乐节奏卡点合成一支MV。

产品背后首先有一条由多个模型和工具组成的生产线。负责人Tom介绍：“音乐理解、图像生成和视频生成更多使用通用模型、知识库、提示词工程，以及美图自己的音乐、图片和视频算法也会进入链路，在对通用模型的选择上，始终是以效果为主。”

“我们的经验是，效果好才是最重要的，我们希望能做一个优雅的产品。”他补充道。

此外，效果较好的开源模型上线后，团队也会做针对性的调优。“比如某一款最新的视频模型出来，我们会调到适合生成MV片段状态，另外图片方面，因为MV对画面质感有自己的要求，我们都有相对应地进行优化。”

这三层能力，不仅体现在具体的产品调试中，也可以在财报里找到对应数据。

美图2026年中期财报显示，第三方API成本占影像与设计产品收入的比例仅为中等个位数百分比。从今年前五个月的统计来看，超过96%的输出是由自研模型层生成。

2026年上半年，美图研发支出达到4.731亿元，剔除去年通用基础模型训练支出的影响后，垂直模型训练和应用层优化相关研发支出实际增长了11.1%。

它们最终都指向同一件事：让应用从模型能力的调用者，变成垂直智能的生产者。

把自己做小之后，美图还要重新长大

新团队先确认用户、场景和付费，再向下调用模型、训练模型，最终把模型组织成一项可以交付的工作。

这种方式，让美图处在一个微妙的位置。

在拥有自有模型的大厂内部，一款AI应用有时会先服务于集团的竞争节奏。某个方向突然重要，竞争对手已经入场，公司也需要推出对应产品，展示自己的模型拥有相同能力。

产品很容易成为模型能力的陈列柜：每次更新都有新东西可以展示，用户任务与商业闭环却长期悬空。

纯应用创业团队更靠近用户，却很难持续投入垂直模型、后训练、推理优化和大量效果工具，也更容易受到API价格、模型迭代和供应商策略的影响。

恰好介于两者之间的美图反而找到了一个相对舒服的位置：前台的小团队像创业公司一样寻找用户，后台又能调用成熟公司的模型、算法和工程能力。

但舒服只是一时的，美图所处的这个位置也在迅速变窄。

上游模型正在直接进入应用：ChatGPT Images 和 Gemini 已经把生成、局部编辑、人物一致性等能力放进通用入口；另一侧，Adobe 正把创意 Agent 铺进全家桶，Canva 也把图像、视频、设计与发布串进同一套工作流。

基础模型继续向下吃功能，成熟软件公司则带着用户习惯、文件体系和协作流程向上补智能。

而夹在中间的更多创业公司，同样保持着强烈的用户饥渴。AI 图像和视频产品可以迅速更换模型、重组工作流，再通过高频投放进入新的垂直场景。一项产品能力刚被验证，很快就会遭遇功能相似、价格更低或增长更激进的竞争者。

Picchi 和 MVLAND 从 0 走向 1，靠的是找到一批具体用户。走向 100 时，它们要和更强的对手争夺用户心智，还要把一个地区、一个社群里的需求复制到更多国家和行业。

不同于互联网时期，AI应用还面临每一次生成产生的真实成本。模型路由、自研模型覆盖率、推理效率和积分定价，会从工程问题变成了商业问题。产品既要交出足够好的结果，也要让用户支付的每一块钱覆盖对应的智能成本。

但至少目前来看，美图这家公司已经找到了自己的身位：用多点开花的垂直场景，去倒推组织架构，让更多应用团队可以根据垂直场景的用户需求，参与定义技术方向和运营打法。

对于一家接近 18 岁的互联网公司，这也是年轻化的体现：让市场的答案，重新排在组织的答案之前。