价值百万的AI创业血泪史
今天为大家分享 8 个我参与/听闻的、可能价值百万的 AI 创业血泪经验，希望对你有借鉴参考价值：
血泪史之 1：操着卖白粉的心，赚着卖白菜的钱
我有个产品经理出身的朋友，前几年在元宇宙里做一些政府项目。今年初毅然决然地投入了 AIGC 的创业，并且和知名高校以及头部公司的联合创始人一起组队，团队背景看起来很是可以。因为我这个朋友不是第一次创业，比较成熟了，所以他们做的思路就是一上来就冲着赚钱去，绝不搞创业自嗨的行为艺术，也不打算靠长期 to VC 来维持。他们最初选择的方向，是给电商出图。
对，就是你现在看到最多的那种、满大街都是的 AIGC 典型应用：商家拍摄上传一个产品图（比如一瓶香水、一件衣服、一台冰箱），然后在平台上点点戳戳，做各种配置和选择，就能生成几十上百甚至上千上万张不同的电商展示图片，可以挂在淘宝页面上，吸睛引流，号称能提升转化率，并且能少雇几个摄影师和模特。做这个方向的实在太多了，光我身边熟人、朋友圈日常刷到的做这个领域的，保守数数就有几十家。你去百度或者 Google 搜索一下，相关的竞价排名的关键词，可能搜索结果页面第一页都展示不完。而且技术门槛不高，大家背后都是调用的别人的 API，前端套个自己的交互界面的壳子。所以内卷得非常厉害，报价根本报不高。我这朋友的公司，人数规模刻意精简在个位数、没敢激进扩张，每个月还得烧掉十几二十万的基础运营费用。
但是实际营收怎么样呢？他跟我聊过，散户的小客户基本上走马观花、把免费的 quota 用完，就满足需求走了；以后还要出图的话，大不了网上再搜一家别家的，用用免费的就够了，反正同类型的免费服务这么多，没必要绑死在特定一家。所以能留存的忠诚用户就很少。而愿意付费的客户呢，也抠抠搜搜，或者说这些客户早就拿捏了这类 AIGC 服务的弱点——「卷」——所以刻意压低报价。
我这朋友的公司，好不容易拿到比较大的上市公司的订单。你说上市公司应该也不差钱了吧？但你猜对方给的多少预算？电商出图，每个月几千张，就给了两万块。两万块什么概念呢，扣掉 API 调用成本、扣掉飞去广州跟客户交涉沟通砍单子的成本，薄到不如我花两分钟发条朋友圈能赚到的企业公关投放预算。就这钱，他们还得赚，还得感激涕零地感谢对方给单子。毕竟是拿了投资的公司，要做营收数据啊，又不是私人公司，可以直接掀桌子撂挑子：「老子不干了，受不了这气」。
而且小创业公司和正在投入做 AI 方向的商业巨头比，自身本来就没有成本优势。
我认识的另一个团队，今年转型做基于大语言模型的外语学习 App（这又是一个想到不难、门槛不高、卷到死的领域），底层技术就是 OpenAI。这种 App 在单位 token 的成本上要低于 OpenAI 自家投资的 Speak App 是一项艰巨的任务。不仅成本要低，LLM 的响应速度能否超越 Speak，似乎难上加难。如果仅仅是使用这些 LLM 供应商的 API 和服务，套个壳变成你的创业项目，将不可避免地发现自己在价格上与他们竞争。如果打算自己培育 LLM，那么在算力和数据集方面与他们的竞争也不可避免。所以一般小公司做 AI 创业，许多都是操着卖白粉的心，赚着卖白菜的钱，勉力维持着当下的状态，既不可能快速增长，也不敢轻易放下，就这么悬在那里，迷茫地期盼着出路。我祝福这些正在探寻盈利路上的 AI 创业者朋友们，能够尽快找到适合自己的商业变现路径吧。
血泪史之 2：融资很多很猛，烧得更多更猛
大家知道，AI 创业热潮，眼下早就不是第一波了。十年前，伴随着移动互联网的发展，当时就开始陆续炒作起一波。那为什么过去十年 AI 创业大部分宣告失败了？从本质上看，AI 行业在极其漫长的一段时间里，相当于用最贵的镐子，挖一块贫矿。各种模型、昂贵的科研人员、GPU 等就是最贵的镐子，而许多业务场景，就像那个贫矿。打着降本增效的旗号，看似投入了最先进的 AI 技术，一算下来投入产出比，根本是入不敷出。
我八月份就在上海接待了一个创业团队的联合创始人，聊他们的 AI 项目的增长局面。挺厉害的团队，有钱有资源有大公司背景，目前做的事情也是很典型能想到的 AIGC 应用方向，而且去年拿了一轮融资，将近一千万人民币。但是他面露愁容。一问才知道，还是为营收变现发愁。我觉得也正常，这行业这方向，大家都内卷，都不太能赚到钱，那就踏实苟着，一点一点积攒技术能力、客户案例和行业洞察呗。结果发现，他们等不了。我就纳闷了，1000w 还不够慢慢烧的吗？盘了一下，发现确实不够。做到这个阶段、拿了这个数额的融资，公司就已经七八十个人的团队要养了，其中一大半是技术。按照杭州的工程师成本，你算算看，每个月养人就百万了。再算上 AI 的成本，是不是大半年这轮融资的钱就要烧的差不多了。真的是如履薄冰，AI 创业者真的很难的。
好消息呢，是我这两天 follow up 了一下他们最新的进展，发现已经摆脱了原本那个内卷的方向，换了一个思路，开始做电子电路智慧云工厂，还跟华为云这样的公司合作，成了广东省工业和信息化厅党组领导下的战略项目。我非常为他们感到开心和欣慰。虽然我无法完全体会到他们一路走来真实的辛酸苦楚，但还是守得云开见月明，还在折腾，而且似乎折腾的上了轨道。
血泪史之 3：花费高昂成本用 AI 解决的问题，其实换个技术选型就能很便宜地实现
我在跟一些创业者接触的过程中，发现非技术出身的创业者，哪怕你有丰富的创业经验，很擅长追逐风口，但是在技术调研和落地实现上，很容易吃不懂技术的亏，被人忽悠，或者莫名其妙用 AI 去解决原本可能根本不需要 AI 解决的问题。
举个例子，我前段时间跟一个创业者闲聊，对方抛出一个做社交 App 的点子。一般的社交 App，一上来要让两个陌生人（异性或者同性）建立连接，要解决一个冷启动的问题，对双方而言是一个破冰的过程。怎么破冰呢？可以像陌陌那样，早期看地理位置上离你接近的人，跟他们发发消息；可以像探探或者 tinder 那样，靠左滑右滑找到颜值符合你审美的人；可以像豆瓣那样，通过书影音找到与你臭味相投的同好。这些都是常见的破冰手段，使用到的数据都是比较结构化的。我这个创业者朋友呢，发现了 AIGC 的潜力，就想玩一种很新的东西。
他想用非结构化的数据，来破冰。具体做法就是，当你注册的时候，可以留下你的常用社交网络账号，比如微博。然后它这个产品，就会去你微博抓取你以往发过、赞过的内容，再通过 AI 来一条条判断你的喜好、语言风格、审美、气质等等，给你打上更加丰富维度的标签，从而在这个社交 App 上匹配更加理想的另一半。听起来愿景很美好是不是？思路是从利用以往的标准化数据到利用被低估的非标数据，技术实现是用 AIGC 把非标数据再转化成若干个标准化数据。但我听完之后，就问了一点：你评估过成本吗？一个普通用户，如果他有几十条微博，赞过几百个内容，那整个抓取再丢给 LLM 分析一遍，需要多少成本和时间？假设分析一条微博，需要花费五毛钱，那 100 条微博就是五十块，再分析 100 个赞就是 100 块。相当于你的一个用户的冷启动成本，除了获客就要另外增加 100 块。那如果他是个话唠呢，又要为他花多少钱？当你平台上用户激增的时候，这块的花销你可得好好算算。引入 10000 个用户这可就是 100 多万啊。
他听完陷入了思索。不过我除了偶尔打击一下过于乐观的朋友，也会给解决方案。我说：你这个产品方向，其实不需要完全用 AI 来实现。我做过类似的事情，当时我来发了一个类似推特舆情监控系统的工具，就在做类似的事情。只不过我没有全部都用 AI 来做分析，而是先用「特征工程」来实现数据的初步处理：比如说，你判断字数，发现一条微博特别短，一两个字，什么「啊」「纳尼」「玛德」这一种，就完全没必要发给 LLM 去分析；比如说，你发现一条微博里有某些电影、音乐、明星的名字，那就可以直接用豆瓣已经很成熟的那套标签体系，借鉴来做画像；再比如，你通过他经常转发、at 的人的画像，也可以粗略建立这个人的兴趣图谱。总之，能用特征工程解决的，就别上 AIGC 了，贵的要死，高射炮打蚊子。听完他若有所思，我猜那个神情里，可能既有省了成本的喜悦，又有这个商业逻辑从底层就被釜底抽薪的困惑。
总之吧，类似 AI 创业的问题我也看了一些。还是希望有志于从事这个方向的同志们，特别是缺乏技术背景的朋友们，去看下你现在以为 AI 刚刚能实现的事情，在传统 Web2 领域，是不是早就有更便宜更成熟的解决方案了。你上 AI 究竟是画蛇添足，还是画龙点睛？多想想，多问问懂技术的。
血泪史之 4：咨询的多、掏钱的少，被人白嫖时间和行业洞察
我从今年 Q2 就在跟一些 AI 领域的技术供应商合作伙伴做一些事情，包括帮企业实施数智化转型，让这些公司找到 AI 落地的方向。一开始我们自己也是如火如荼、加班加点，因为发现市场上感兴趣来询单的挺多的，而且一听名号，都是大客户。什么富途证券、南方电网啊，高级负责人都是亲自加微信来洽询合作。但是跑了几次客户公司，慢慢发现不对劲。尤其是要跑外地，很花时间那种，就更加觉得这种前期投入不值得，有点被人白嫖的感觉。
为什么呢？因为许多大公司，不管是五百强的中国总部，还是国企、事业单位，都是很小心谨慎的。现在大家手头都有点紧，就要先实现调研好，这个 AI 到底有啥用。他们自己也很迷茫，需要提升一下认知，就会从市面上找一些做 AI 创业的公司，以咨询合作为名义，去询问各种基础知识、讨要行业资料，甚至骗方案、骗技术选型。你还不能拒绝，万一对方要合作呢，那可能就是几十上百万。万一对方没诚意、最后合作黄了，那也没太多直接的经济损失，最多就是浪费了很多时间。我这边接洽的单子，就有一些项目要做，是那种要驻场的很重的活儿，而且有账期久、要垫款的风险。对于我们这种小型团队，目前会考虑做小需求立项和直接部署框架授权的方式推进。
内部也明确了一点，就是做 big name 的牛逼大客户，就不指望迅速从他们身上赚很多钱了，而是先拿个 logo 做样板案例，不要战线拉的太长。这种会专门来加你，讨要落地经验和行业认知的还算好的。有的国企是压根没往这上面花心思，或者说集团意志是很想创新，但落到下面做事的人，就偏保守。归根到底总结起来，这行情下真正值得撮合的人都是没那么多轮询盘、背调、上报、评估、投标、恳谈的。屁事儿多的大都诚意不足，且不知道自己真正要什么。
如果上来就是个复杂大项目，或者赤裸裸白嫖认知，那我们直接就不玩了。现在就是这么个态度。
血泪史之 5：没有行业 know-how，仅凭臆想做出的东西并不PMF
PMF全程是 Product Market Fit，意思就是你做的东西要满足市场上的真实存在的客观需求，不要自己臆造一个用户使用场景，假定用户一定需要并且善于使用你的产品，并且为它付费。
AIGC 的大模型现在本身的准确度就良莠不齐，实际在商用场景使用 AIGC 的人往往会发现，AIGC 像是一个知识面很广又很踌躇满志的实习生，看似很多事情都能做，但是仔细检查会发现很多做的结果都不能直接拿来用，需要做很多修改调整。
比较聪明的创业团队，现在基本上是两种路径，一种是选择容错率高的、比较通用的场景切入，给AI应用设定好边界和限制，然后告诉用户我们提供的是辅助/copilot/智能助手，整体拿捏定夺还得你人工来决定；另一种就是走深度垂直路线，在一个场景下努力挖掘、打穿，把原本一个行业里符合 SOP 的繁琐费事的 dirty work，通过 AI 变成预制素材，不求 100% 准确，但求 70% 可用性的基础上能大规模走量。就比如流量短视频矩阵的 AI 自动剪辑。
没有行业 know - how 来做后者，是很容易踩坑的。
比如做一个 AIGC 的直播数字人，如果是外行进来，可能觉得做一个颜值高、优雅端庄、说话温柔舒缓、手部略有一些简单动作的产品，就行了。但实际上，不同的直播品类，需要的数字人大相径庭，有些低线城市人爱看的主播，得是其貌不扬还眉飞色舞、嚣张跋扈甚至略带一些接地气的粗俗的，语气也得偏快，话很密不留空隙，废话不停乱讲。
再比如 AIGC 做视频自动生成和剪辑。特看科技CEO乐乘最近分享过他们做 AI 生成视频系统的一些洞察 —— a）一个AI生成视频的系统，可以细分为脚本生成、画面生成、声音生成和组装编辑四个层面，对应视频的三个维度和故事线。b）他们给客户生成结构化的脚本、是有语义标签的一套协议，比如分镜一是一个人在讲文化，分镜二是产品展示，分镜三又是讲其他什么，类似给一条视频打码，再加上客户给的一些产品视频，或者他们生成的图片素材，以及数字人，就可以以脚本为依据去，一键组装出一条视频来。c）我们的脚本，来自过往平台里已经爆了的爆款视频，微调之后生成我们自己的语料库，它爆款概率和人比有优势（10条里，跑爆的概率有两到三条）
再比如 AIGC 用于电商，不只是出出电商销售效果图这么简单。相比于一些其他公司，电商平台的供应链场景丰富，AI产品也必须满足客户的价格、产品、服务等方面的综合体验，又要满足电商平台在技术商业化过程中自身的成本与效率。深入产业AI，不可避免的会遇到更低频、长尾的复杂场景和产业大规模协同的需求。这些场景的数据样本少、数据分布不均，研发成本更高，同时定制化程度高、难以复制。这么一来，就需要迁移成本低、基础数据样本丰富、灵活弹性、适用能力强的综合性AI系统。这是很多AI 创业小公司不具备的能力，最后大公司还是会倾向于自研，然后开放出自研的能力来抢占这部分市场，碾压小公司的生存空间。
怎么避免？还是要与实际业务场景结合，而不是拿着锤子找钉子。对于缺乏 know-how 的 AI 创业团队，可以先不赚钱做几个有代表性的行业用户，摸摸行业，再确定是否要深入。
当然，真正赚钱的领域都是千军万马。你也可以另辟蹊径，找一些冷门的垂直领域。比如之前我就看到一个做思维导图公司的老板，结合 AI 做了佛经学习产品，他发了个公众号标题叫《南无 AI 大藏经》，很有意思的，感兴趣可以去翻翻。
《AI 大藏经》暂时有两个核心功能：第一个功能是文言文/白话文对照阅读。你点开每一部佛经，都会看到每一段佛经左边是文言文，右边是 GPT4 翻译的白话文，几乎没有错误。《AI 大藏经》的第二大功能是与佛经对话，我们叫它佛经GPT。你看到的佛经机器人，它背后依托的是佛经全集 14,000 卷，你问它问题，它可以用佛经上的内容回答你。但它不是一个情感助理，它不是日本人做的机械佛，它不是心理医生，它也不是一个给你减压或者宽慰心灵的伴侣型机器人。它是一个学问型机器人，当你问它：「什么是空性？」或者问它：「十八层地狱为什么是十八层？」类似这样的问题时，它就可以依托佛经里的内容来回答你。所以佛经机器人的目的仍然是辅助阅读。
这是一个有趣的专攻垂直领域。
包括国外 8 月有一款名叫 Text with Jesus 的免费应用上架后，受到了媒体和消费者的广泛关注，让你可以和耶稣聊天。这款应用虽然是免费的，不过用户每月支付 2.99 美元，就可以解锁新角色，比如可以和撒旦聊天。开发人员表示这款应用所使用的 AI 模型，经过了 King James Version，New International Version 和 New American Standard Bible 等所有公开版圣经训练。听起来好唬好酷炫。这种都是可以闷声发大财的方向。当然有些就比较不一定能拿的上台面，可能比较灰色。
说到这里，想起真格基金戴雨森老板之前总结的「初创公司如何做一个大公司不会瞄上你、一看就下头的创业方向」：
1）看起来low。类似拼多多、快手、今日头条、陌陌等，一开始针对的用户群/内容形式相对低端，大公司介意自己品牌不愿意转型。
2）看起来累。类似美团、滴滴等需要大量地推建设的商业模式。不过现在大公司也不怕累了。
3）看起来有风险。类似滴滴早期面临的监管风险，拼多多一直以来的假货风险等。穿鞋的不想打赤脚。
这三种路数各位 AI 创业者可以去盘一盘，哪个更适合自己，不容易被竞争对手和大公司轻易盯上。
血泪史之 6：「不能背锅的 AI，我们不要」
第 6 个血泪史，也是关于 AIGC 为何难以在 to B 和 To G 的深层次原因，就是 AI 不是个独立的责任人、法人，不能承担决策失误的责任，也就是我们常说的「不能背锅」。
我有个前同事，是目前在某内陆城市创业，做技术高管，他们公司做底层软件及技术服务，有一整套智能操作系统，专门为政府和企业提供深度适配物联场景的各种智慧解决方案。这公司这几年逆势发展、顺风顺水，许多智能车企公司都用他们家的芯片或者操作系统，整个公司年底就是奔着上市去了。前段时间某个大型运动会，整个会场都是他们做的。他就跟我说，当时虽然他们主动提出了一系列的基于 AIGC 的解决方案，来为运动会提升效能、优化体验，但是最后大模型相关的方案全都下掉，不给通过，连最简单死板的 AI 比分播报都不许用。原因可想而知了，主要还是求稳。万一 AI 胡说八道搞出点纰漏，那就麻烦了，不但容易变成舆论笑柄，影响政绩，你还找不到一个具体的责任人，最后都怪大模型不给力。
这哥们的公司同时还给许多车企提供服务，做芯片、做操作系统。但是就是 AIGC 相关的解决方案，很难推进国内的车企。
大家知道国内车企都是国企，做车企某种意义上也相当于 to G。我那哥们服务的一家公司大老板，本身就是个正局级领导。当时就直接表态，说他们眼下坚决不用 AIGC 相关的技术来做汽车主机生产环节相关的事情，宁愿相信人工。正局级说话还是很有份量的，大概率几年之内你很难看到车企整个集团方向的动摇，还是要稳一点，先看看再说。
所以许多抱着美好幻想、以为汽车行业很有钱（尤其是这两年电动车行业被过分热炒）的 AI 创业者，费劲巴拉地研发了一套针对汽车行业的解决方案，再削尖脑袋拉关系、招投标、搞 PR、搞会销，想成为车企的供应商，最后发现对方只是假意逢迎地陪你走走流程，顺便试探看看大模型发展到什么程度了，并不会真的掏钱买单。其实想想也有道理啊，像汽车这种大宗消费品，关乎人民群众的身家性命，一定要小心谨慎，不能为了赶时髦追潮流、抢着争做吃螃蟹的人，就随随便便运用尚在发展中的新技术，「宁可放过一千个酷炫的机会，不能错杀一个无辜的用户」。所以现在我看到服务 to G 客户的 AIGC 场景，相对普及的还只是借助 AI 来自动化标注数据，弥补原来人工标注这种人力密集型的产业。但这又回到了价值链的低端。而且这两年大家也懂的，这两年地主家也没有余粮，搁在十年前大家觉得 to G 是很好的单子，但是现在纯做这个方向，就算能完整收到尾款，账期也比较长，所以你的 AI 创业公司底子不厚的话还是要谨慎一些。
血泪史之 7：大模型巨头亲自下场，套壳产品哀鸿遍野
众所周知，AIGC 这块的创业公司见投资人，最怕被问到的一个问题就是：你这产品的壁垒是什么？很多人这时候就支支吾吾哑口无言了，因为实在是没啥壁垒，大家都是套个壳，底层都是调用的 OpenAI 或者别家的 API，要么就是自己微调了个开源大模型拿来用，核心技术都在别人手里。还有一些看似火爆的 AI 黑客马拉松，最后上台演示的作品，都让一帮创投老油条的评委兴致缺缺，象征性意思一下地发个鼓励奖，但是投是肯定不会投的。
这种创业就好像是在火山口附近造房子。指不定城门失火，殃及池鱼。类似的经验大家还少吗，每次苹果一开发布会，宣布 MacOS 又整合了哪些功能成为系统内置，就有一堆第三方 App 厂商因此没了活路，得另觅出处了。当年那个做人智能营销服务的明星创业公司 Jasper，也是因为跟 OpenAI 的创始人是 YCombinator 的校友，所以提前一批拿到 GPT3 的 AI 搞的套壳应用，结果 OpenAI 亲自下场做 to C了，Jasper 就很快没了光环，最近裁员一大半。
前几天 OpenAI 开发者日，邦邦邦一堆重磅功能丢出来，我看到社交网络上开发者们又是哀鸿遍野，感觉自己赖以为计的核心 idea，都被 GPT4 新版的多模态啊、Turbo 的新功能啥的给取代了，完全没有存在的必要了。把 OpenAI 或者其他供应商的 API 批发转零售，在技术上没有门槛也没有创新性。当 OpenAI 这样的基础服务提供者，直接变成一个产品公司，亲自下场开始做面向终端消费者的产品以后，创业者的处境大概会变得很危险——用户的时间就那么多，谁都想做入口。要么需要在其他方面上下更多功夫，比如提升用户体验、比如保护客户关系、比如去积攒自己的独有数据。这次被碾压的创业者们是不幸的，不幸之处在于缺乏战略预判，就当提前花光学费吧。幸好 OpenAI 进化的快，几个月走完了别的科技公司几年的路，否则许多缺乏经验的创业者会在注定失败的道路上，浪费更多的宝贵时间，去做一件没有前途的事。
至于 ToB 的 AI 创业公司，我现在看下来有一些小团队就是简单部署一个本地的模型给企业用，或者用 langchain 做个知识库， 就还是很像外包公司，不像创业公司，因为没有沉淀，没有时间复利，私域数据不在自己手上，模型也不是自己的，沉淀下来的就是一套方法论＋交付能力。往后面走还得和用户洞察和流程挖掘还有 RPA，这些个东西一整套合起来，并且把垂直行业做深，可能才能达到更让企业满意的效果。
血泪史之 8：行业发展太快，努力追随会消磨心力，躺平反而可能是短期最优解
这个行业技术发展太快了，摧枯拉朽，可能是肉眼可见的对人类社会发展具有重大变革影响的技术里，有史以来日新月异发展最快最 drama 的行业。我上周末整理年久失修的代码库，翻到自己写的一些算法逻辑，感叹一记，那么多曾经花时间学习、下力气实现的精妙算法，在 LLM 出现之后就啥都不是了。比如当初学习理解文本分析，折腾了三四天的 TF-IDF 算法，以后根本没理由再使用。就好像你终于掌握了高速火箭的推进原理，结果 Startrek 里的 Vulcan 人突然从天而降说别忙活了跟着我们的曲速引擎折跃一下去喝个太空小酒。一代又一代人离功效实现越来越近，离底层原理越来越远。最后当代的《xx原理》都会成为未来人眼里的易经、死海文书。
我今年六月在百姓网和得到商学院联合举办的 AI 线下分享活动中，聊到过我上半年作为开发者，去追随 AI 行业技术发展的心路历程。最后的结论就是，不如直接躺平。什么意思呢？新鲜玩具屡见不鲜，技术选型几天一变。我 8月用清华的 ChatGLM2 试验了三周，效果不理想，直接躺平，等，10月底 ChatGLM3 果然就来了。类似地，技术进化快到，连李开复都翻车，投资的零一万物前一阵子在 HuggingFace 被人发现是照搬了 LLaMa 的架构，就自己偷偷改了个张量的名字。事后认错，还补救说是「零一万物研发大模型的结构设计基于GPT成熟结构，借鉴了行业顶尖水平的公开成果，由于大模型技术发展还在非常初期，与行业主流保持一致的结构，更有利于整体的适配与未来的迭代。blah blah」由此可见国产大模型在追赶海外领先巨头的大模型时，是多么用力。现在我要是手痒想部署着玩一下就到 Google Colab 租用个牛逼的服务器搭一下，花不了几个钱，但是可以满足 DIY的欲望。
总之，AI 技术发展真是太快了，如果是缺乏商业经验的个人独立开发者，我建议花更多时间在思考商业、创业这件事，而不是整天埋头钻研技术迭代和行业新闻了，看的越多越容易陷入自己的信息茧房，离真实的商业世界更远。如果是小的 AI 创业公司，没拿融资，那我建议做短平快的东西，来积攒认知和客户信任，这年头这行情赚快钱不可耻，只要你的代码库能迁移、能积攒到可被复用的独有数据就不亏。至于已经是箭在弦上、开弓没有回头箭的拿了融资的创业公司，那我就祝你好运了，因为就只能奔着增长去，靠实际业绩支撑的增长在当下可能会很费劲，除非你本来就有强势的客户资源或者什么特殊渠道，否则可以去想想讲什么故事能支撑估值增长，去走一条支撑估值市梦率的路子，就像当年滴滴说造 AI 无人车。别的我真的帮不到，祝你好运，希望我不是在给你出馊主意哈哈，就当我是开玩笑好了。
