世界很大，用户很具体｜Beating InSide 02 活动回顾

「Beating InSide」是动察Beating联合投资机构发起的系列AI主题活动栏目。

我们相信，重要的行业判断，很少诞生于公开舞台，而是在一次次面对面的交流中逐渐形成。每一期，我们围绕一个关键议题，邀请创业者、投资人和行业实践者走进同一个现场。让讨论先于共识，让连接与合作自由流动。

1979 年，索尼推出第一代 Walkman。它去掉了传统录音机的录音功能，也没有外放扬声器，需要戴上耳机才能听音乐。公司内外都有人怀疑，这样一台功能有所减少的机器，究竟会有谁买。

产品发布时，索尼把记者带到东京代代木公园，让他们戴上耳机，一边听介绍，一边看工作人员带着机器慢跑。上市之后，推广人员又走上山手线、街头和校园，请人亲自听一听。

他们需要解释一种当时还不习惯的生活方式。原来音乐可以跟着人走。

后来进入海外市场，Walkman 一度被改成不同的名字。美国叫 Soundabout，英国叫 Stowaway，澳大利亚叫 Freestyle。但盛田昭夫出差时发现，人们已经在打听日本那个叫 Walkman 的东西。索尼最终统一了名称。

一个全球产品，在成为全球品牌之前，先让人明白了它与自己生活的关系。

今天的 AI 应用，开发和分发都快了许多。一个团队可以很快接入模型、生成界面，把产品交到不同国家的用户手里。但使用的理由，仍然需要重新寻找。

能聊天的角色，为什么值得每天回来见一面？什么都能做的 Agent，应该先替谁完成哪件事？视频有了一百万播放，为什么没有带来相应的付费？

9 月 10 日，动察Beating联合锦秋基金、AhaCreator、腾讯云，在北京举办「AI 应用创始人的全球化野心」活动。来自用户研究、增长营销、AI 办公、语言学习和互动娱乐等方向的实践者，带来了各自在全球市场里的尝试。

这个晚上，创始人们反复谈起的，是技术进入生活之后，那些还需要亲自弄明白的事。

下载在降，收入在涨

锦秋的投资同事开场分享了一组最新数据。

基于对全球 2300 多款 AI 应用的持续追踪，锦秋观察到：AI 应用正在进入第一次真正的大分化。

2026 年 7 月，移动端 AI App 整体下载略有收缩，但 DAU 保持稳定、收入仍在增长。更重要的是，下载、活跃、收入三条曲线已经不再同涨同跌：有的产品还在买量获客，有的已经进入存量深化，也有 113 款 App 实现下载、DAU、收入同步增长。

第一个变化，是 ChatGPT 们从快速增长切换到存量深化。

通用助手仍占据 69% 的移动端监测收入，但第一轮大规模装机已经完成。头部产品的竞争重点，正在从“获取更多用户”转向“让已有用户用得更多、付得更多”。留给后来者的问题也变得更尖锐，用户已经有了 ChatGPT，为什么还需要你？

第二个变化，是新内容消费可能正在成为通用助手之后的“第二极”。

7 月，新内容消费类 App 下载、收入、DAU 同步增长。产品也正在从“陪聊”走向“可玩的世界”：加入故事、关系、状态、目标和世界设定，把开放聊天变成可持续推进、可重复消费的互动内容。

背后的产品逻辑是：有限规则 + 无限生成。

第三个变化，是多模态创作市场远未收敛。

视频生成仍高度分散，用户在不同产品间频繁迁移；与此同时，App 与 Web 端开始出现明显分化：移动端的单次娱乐化生成逐渐商品化，Web 端复杂、可编辑、可交付的工作流仍在扩张。视频、3D、音频也处在不同的市场成熟阶段。

第四个变化，是创业公司的 AI App Factory 还没有真正成型。

旧的 Factory 靠复用代码、快速上新和买量；新的探索则开始复用模型、上下文工程和用户数据，用多个产品快速测试不同的“消费理由”。但稳定的用户入口和可复制的 PMF 验证机制，仍在形成中。

AI 应用不是没有机会了，而是机会正在分化。

下一阶段，比下载和 Demo 更值得看的，是：用户为什么回来、为什么付费，以及什么样的产品能够真正沉淀价值。

看见之前，先让人看懂

一个品牌想在海外找到合适的创作者，找人只是第一步。接下来还有建联、议价、内容核对、交付跟踪，以及合同与跨境结算。一场达人合作，背后往往是一长串需要反复确认的工作。

AhaCreator 做的是连接全球品牌与创作者的 AI Native 达人营销平台。它将全球创作者网络、真实投放交易数据与这些执行环节接入同一套 AI 工作流，希望让团队在合作规模扩大之后，仍然有精力判断该找谁、做什么内容，以及哪些投入值得继续。

商务负责人谢坚白的分享，就从几个投放决策开始。进入新市场，先找大达人，还是先找最懂产品的人？一条视频有了一百万播放，是否就应该追加预算？内容讲得很深入，播放量却很低，又该不该换方向？

问题的答案，需要沿着用户使用产品的细枝末节去找。

Hakko AI 做游戏陪伴。虚拟角色能对话、能互动，但直接介绍这些功能，玩家未必知道它与自己有什么关系。

AhaCreator 的做法，是把 AI 角色放进 GTA、《原神》等玩家熟悉的语境，让创作者展示自己与角色相处的反应。观众先看到一种可以想象的游戏体验，再决定是否尝试。

换到汽车智能硬件品牌 Ottocast，判断顺序又变了。首先要确认达人的车型是否适配。车不合适，粉丝再多，也无法完成真实体验。专业度、报价和拍摄方式，都要在这个前提成立之后继续比较。

到了 SeaArt 这样的 AI 内容创作社区，困难则出现在合作规模扩大之后。初筛、邮件、报价和交付跟进占据了大量时间，团队反而没有精力判断，什么样的内容能够打动什么样的人。

AhaCreator 将这些执行环节连接起来，让团队把注意力重新放回重点人选、预算和内容。即使同属音乐创作者，K-pop 与电子音乐的受众也不同；专业电影创作者和日常短视频作者，期待看到的产品用法同样不同。

一个笼统的「AI 人群」，装不下这些差别。

谢坚白也提醒，投放效果不好，要继续往下拆。播放和点击都少，先检查内容与人群；有人点击却很少试用，就亲自走一遍入口；试用之后留不住，再回到产品本身。

每一次合作，都应该留下下一轮判断的依据。用户在哪一步离开，往往比内容总共被多少人看见，更能说明问题。

用户推翻了我们的画像

Trooly.AI 联合创始人兼 CTO 孙皓，讲了几次被用户纠正的经历。

参与 AI 聊天产品 Museland 时，团队曾认真讨论，核心用户到底是二次元，还是泛二次元。产品里的头像、全屏图和原创角色都采用动漫画风，这个问题看起来顺理成章。

直到他们去深访最忠实的用户。

一位家庭主妇并不认识那些动漫角色。她想做的是把霸凌别人的学生角色一个个教好，让他们改邪归正。她在产品里体验着自己想成为的教育者。

另一位退役军人，则在这里寻找理想伴侣。

两个人都在产品中留下来了，但他们留下的理由，超出了团队最初对动漫文化的理解。后来，产品开放角色肖像上传，有人放上自己的照片，有人上传喜欢的真人，原来的用户画像又被改写了一次。

产品提供了什么选项，也会影响团队最后看见什么行为。如果平台所有生图模型都是动漫风格，用户和动漫角色聊天，究竟能说明多少事？

访谈还解释了另一个困惑，为什么用户愿意长期使用，却不愿意向朋友分享？

部分用户把这里当成私人空间，不希望现实中的熟人知道。让他们留下来的私密性，同时提高了熟人传播的成本。使用意愿和分享意愿，需要分别理解。

随后，孙皓又尝试过用二次元文字小说和角色扮演的方式帮助用户学外语。同一个社群里，出现了两拨对「产品变好」有不同定义的人。

一拨人希望剧情更自由、互动更好玩。另一拨人要单词本、复习题，最好还能围绕教材学习。加强学习任务，会打断前一拨人的沉浸感；放任剧情发展，后一拨人又会觉得没有学到东西。

他把这次经历称为「沙发床」困境。团队需要决定先把哪一种体验做到位。

这些尝试，最终将他们带到了市场研究与原型测试。产品为什么被使用、为什么被放弃，应该更早进入决策。

孙皓举了一个退货研究的例子。同样填写「尺码不对」，可能是商品规格有问题，也可能是用户习惯欧洲码，却没理解网站标的是美国码。两种原因，指向完全不同的修改方向。一个标签只能告诉团队有问题，追问才能帮助他们判断该从哪里改。

AI 内容产品里的情况也类似。一位受访者只想获得几十秒的互动乐趣，因此不愿意花同样长的时间看广告。她觉得产品有意思，却不代表愿意为这点乐趣承担更多等待。

另一位创作者起初说自己没什么创造力，随后又主动修正了这个说法。她想创作，也一直在尝试，只是作品发出去后没有多少回应，有时便想删掉。

如果访谈停在第一句话，团队可能会继续增加生成工具。往后再问几轮，问题才延伸到发布之后，完成第一条作品的人，为什么愿意做第二条？

孙皓认为，完整、自然的对话，能让用户有机会展开经历，也有机会修正自己最初的表达。

好的访谈，需要给理解留出时间。

一个故事，如何留住你

珀乐互动科技 CTO 徐京徽，把讨论带到了互动娱乐。

现场，他播放了一段30秒的世界模型交互演示，并由此抛出一个具体问题：既有的内容资产，能否继续成为用户进入故事的入口？

过去内容生产中积累的场景、人物和创作构想，在新的技术条件下，可以被重新组织为可探索、可交互的内容空间。一张图、一段文字或一个角色设定，都有机会成为一次互动体验的起点。

这种变化也回应了泛娱乐行业正在面对的问题。生成式AI提高了文本、图像和视频的生产效率，但内容数量的增长并不会带来同等幅度的用户关注。相似的人物、题材与叙事结构可以被更快地生产出来，用户依然需要更明确的参与感，以及能够持续发展的内容关系。基于这一判断，珀乐希望探索一种连接叙事内容与游戏交互的体验，让用户进入故事，并通过对话、选择和行动影响后续发展。

当用户拥有行动空间，内容系统也需要处理更多问题。以场景中的两扇门为例，模型可以生成用户走向其中一扇门的连续画面。门后会出现什么，此前的选择如何影响下一段剧情，人物是否记得刚刚建立的关系，都需要应用层持续管理。在徐京徽看来，现阶段的实时生成能力主要解决画面呈现与环境响应。长程记忆、角色一致性、剧情延续和跨媒介状态管理，仍需要应用层完成组织。

针对这些问题，珀乐通过自研互动大模型 PoleCharacterGLM处理角色与叙事判断，并通过Harness调度系统组织世界模型和其他生成能力。人物知道什么、想要什么，与用户有怎样的关系，会先进入判断，生成的结果随后被检查，并写回世界状态。

具体到产品层面，珀乐互动科技正在推进的全模态互动叙事平台Kaelis，尝试把体验组织成一个个“小世界泡泡”。每次进入都围绕明确的事件、人物与规则展开。用户提出行动，系统呈现角色回应和场景变化，关键结果成为下一轮体验的条件。

为了说明这类玩法如何承接预设选项之外的行动，徐京徽以“伪装成使者进入城内”为例，说明系统如何处理预设选项之外的行动。系统需要结合用户身份、现有证据、守卫关系和时间窗口，判断潜入、受阻或暴露等可能结果。行动产生的嫌疑也会继续影响后续剧情。

这类设计让创作者将精力集中在人物动机、主要冲突和关键结果上。用户产生的不同路径，则由系统在既定规则与当前状态中承接。徐京徽表示，Kaelis让同一套IP世界在小说、漫画、影视、动画、游戏与音频等内容形态中保持连续。未来，用户从小说、视频或游戏等不同入口进入时，仍然能够延续同一段关系与经历。经过授权与筛选的优质世界线，也可以为番外、活动、游戏任务和后续作品提供创作参考。

当内容开始保存用户参与过的痕迹，故事便获得了持续发展的条件。对于泛娱乐行业，这也提供了一种新的IP体验与长期运营方式。

漏斗留给自己

Floatboat 联合创始人 Judy 负责全球增长、商业化与品牌。进入创业公司之前，她做过媒体、社区和投资；真正下场做产品后，她发现过去熟悉的增长动作，需要被重新组织。

发通稿、运营社媒、找达人、做社区，团队几乎都尝试过。功能也在快速更新，定时任务、内置浏览器，以及通过即时通信工具驱动 Agent 的协作方式，不断进入产品。

但功能发布得快，用户未必理解得快。

Judy 将增长拆成两个循环。一个追踪用户从哪里来，经过触达、注册和激活之后，有多少人留下。另一个追踪钱，获客花了多少，用户什么时候付费，长期能带来多少收入，需要多久回本。

媒体报道能够带来长尾流量，也可能让投资人主动找来。她并不否认这些价值，但团队仍然要知道，声量之后究竟发生了什么。

「热闹是行业的，漏斗才是自己的。」

一次让她印象很深的建议，是将通用工作台放进 Airbnb 房东的实际工作里。

当团队开始讨论它如何优化找房等实际环节时，潜在使用者爽快付费。原本要花很多时间解释的 Agent 能力，进入具体任务之后，价值更容易被理解。

这也改变了他们选择内容与达人的方式。团队把使用场景细分，再针对每种场景寻找合适的表达者，反复打磨内容。用户先看到自己的问题，才会继续关心产品如何解决它。

另一个反复试验的环节，是价格。

公测时，Floatboat 设置过每月 40 美元的付费档位。有人觉得贵，觉得积分消耗得太快。团队继续追问后发现，用户对任务结果可能相当满意，甚至认为产品完成的工作，相当于一名实习生半个月的工作量。

同一项服务，与普通软件订阅比较，和与完成这些工作所需的人力比较，会得到不同的评价。团队需要让用户看清它实际交付了什么价值。

但用户愿意付费，还只是账的一边。Agent 每执行一次任务，都会产生算力消耗。获客、首单、长期收入与回本周期，需要从产品早期就一起计算。

增长因此成为一项持续的核算工作。每个渠道带来什么样的人，他们有没有完成任务、会不会再来，最终能否覆盖服务成本，都要有答案。

曝光会过去，团队对这些问题的理解可以留下。

把一次创作，留给下一次使用

LumonFlow 的分享，将「留下什么」带回了内容生产内部。

团队此前尝试过日本的角色扮演聊天产品，以及面向北美用户的女性向聊天和同人内容。随着视频生成能力发展，他们也开始探索从剧本到视频，再到实时互动的体验。

最先遇到的问题是，几个人怎样一起修改一套提示词？

一个故事同时包含世界观、人物设定、语言风格和角色动机。如果四五个人都在修改同一段复杂提示词，一个局部调整就可能影响其他部分，协作变得困难。

团队于是尝试拆开这些内容。人物、场景、任务和风格分别维护，由相应的创作者或工程人员负责，再按照需要组合起来。

进入视频生产后，同样的方法继续延伸。内容方向被拆成题材、人物关系、冲突、情绪和桥段，剧本再转成角色与场景资产，进一步拆成分镜，最后调用视频模型生成镜头。

每次创作使用了哪些元素，它们怎样排列，带来了什么反馈，都可以被记录。点击、完播和付费等数据，再帮助团队判断哪些组合对哪些受众有效。

一次生产由此能够留下可复用的材料和方法。下一次面对不同人群，可以保留有效的结构，调整人物、题材或表达方式，继续验证。

当角色关系和剧情状态都能保存，内容还可以按用户选择逐段生成。一段剧情结束，选择改变状态，再生成下一段，互动体验便有了延续的基础。

珀乐从世界与叙事出发，LumonFlow 从内容拆解与生产协作出发，两条路径在这里相遇——持续体验需要持续记忆。

增长，要对自己负责

Inspired AI 的贾子健，带来了更直接的提醒。

团队旗下的 TalkMe 帮助用户练习口语，ListenLeap 则让用户通过播客等内容学习语言。他把自己的分享范围限定在面向消费者的产品，尤其是出海实践。

他的第一条原则，是一个好产品应该能用一句话说明白。用户没有义务花很长时间理解创业者的技术构想。自己能得到什么，需要足够清楚。

第二条更具体，「了解前 1000 个用户比赚 10 万美金重要。」

有人向他请教创业方法，他会建议对方找一个竞品，把应用商店里的用户评论一条条读完。抱怨发生在什么场景，用户为什么期待某个功能，什么原因让人离开，这些细节要亲自接触。

团队很早就建立了收集反馈的习惯。不同渠道的意见进入内部群，核心成员逐条看、逐条回应。

刚开始寻找合作达人时，他们也采用过非常笨的办法。全公司一起联系与产品相关的创作者，连续做了两个月，从大量人选里，逐渐积累出能够合作的一批人。

今天看到的渠道、口碑和用户推荐，背后是这些长期重复的工作。

贾子健并不把好增长与快增速直接画等号。突然涌入一批用户，有时反而会让团队不安：他们究竟是因为流量红利而来，还是因为产品确实有价值？如果不知道原因，下一步就很难判断。

他也把融资状况和产品价值分开看。资本市场的情绪会变化，用户是否愿意使用和付费，仍然需要创业者自己验证。

「增长要对自己负责，不是做给 VC 看的。」

谈到营销内容，贾子健又问了一个朴素的问题：团队自己愿不愿意看那些纯粹由 AI 批量生成的广告？如果自己都会划走，又为什么认为用户会停下来？

生产内容的成本变低之后，选择什么值得被发出去，仍然需要人的判断。

模型越来越强，应用积累什么

腾讯云的分享，将问题带到了基础设施和组织一侧。

当创始人通过用户反馈调整应用时，云服务团队也在通过与 AI 应用创业者的对话，重新判断自己应该提供什么。分享者用「co-design」描述这种合作，先理解真实任务，再回到产品和服务本身。

计算、网络和存储之上，还需要模型服务、数据与上下文，以及让 Agent 执行任务的运行环境。应用能否真正工作，取决于这些环节能否配合起来。

他还提出了一个个人判断，AI 应用的价值，可以从 Agent 与 Context，也就是智能体与具体上下文的结合中寻找。

模型继续进步，一部分提示词、工具调用和调度能力可能被吸收。应用则需要想清楚，哪些经验来自自己对用户和业务的长期理解，哪些只是暂时补上模型的不足。

DeerFlow 联合作者带来了一次临时搭建 Agent 的尝试。他从一个模型开始，逐步加入网络搜索、网页读取和任务规划工具，再继续补上文件操作与代码执行能力。

模型由此可以先查资料、安排步骤，再编写程序。加入用户资料和行为设定之后，系统还可以进一步获得个人背景。

但第一次搜索锦秋基金投资项目时，结果就被现场观众指出了错误。连上搜索工具，并不意味着回答已经可靠。

随后，模型尝试生成一个带折叠动画的 3D 手机页面。它创建工程、安装依赖，也开始调用浏览器截图，检查自己的结果，并继续修正。

直到这一环节结束，复杂页面的演示仍未顺利完成。

现场同时呈现了进步与距离。搭起一个能够调用工具的 Agent，已经可以很快；让它在有限时间里稳定交出符合预期的结果，仍然需要处理执行、检查和错误恢复。

通用能力在扩大，具体问题仍然需要被认真定义。

工具变强之后，人能做什么

1973 年，思想家伊万·伊里奇在《Tools for Conviviality》中讨论过人与工具的关系。他关心技术能否扩大普通人自主行动和创造的空间，也警惕工具不断扩张之后，人反而只能适应系统替自己规定的生活。衡量一种工具，需要考察使用者能够通过它做什么，以及是否仍能决定做事的目的。

把这个问题带回今天，AI 应用的价值就多了一把尺子。

口语产品里的练习，能否让人更有信心与真实的人交谈？工作台替用户完成任务之后，省下来的时间是否真的回到用户手里？互动故事允许自由输入，又是否能让一个意料之外的选择，真正改变后续的世界？

这些结果，有些发生在屏幕之外，很难被一次点击完整记录。

一个人更快完成任务，可能意味着单次使用时长下降；一个学习者终于敢在现实中开口，最重要的进步也未必发生在 App 内。增长需要核算，产品对人的意义，却还要沿着使用之后的生活继续追问。

这也让「理解用户」变得更复杂。知道一个人会点击什么，能够帮助系统预测下一次行为。理解他想成为什么样的人，才可能帮助团队判断，哪些能力值得被交到他手里。

那位想把学生角色教成好人的家庭主妇，为一个聊天产品赋予了团队未曾预设的用途。那个想创作却缺少回应的人，也在提醒工具的设计者，生成完成以后，表达还没有结束。

人会带着自己的愿望使用工具，也会在使用中修改愿望。好的产品需要为这种变化留出余地。

全球化进一步放大了这个问题。同一套模型可以服务不同语言的人，但效率、审美和理想生活，很难共享同一套答案。AI 的个性化能力，值得被用来容纳这些差异，让更多人有机会按照自己的意愿学习、工作和创造。

创始人当然需要回答，公司怎样增长、用户为什么留下。随着工具越来越强，他们也将有能力回答一个更大的问题，「产品壮大之后，使用它的人，是否拥有了更多塑造自身生活的可能？」

世界会因此多出一些原本不会被写出的故事、不会被说出的句子，以及一个小团队过去无力完成的工作。

一家 AI 公司能抵达多少国家，写在业务版图上。它让多少人有能力走向自己原本到不了的地方，才会写进人们的生活里。