AI探索指南

AI在中国：10个企业落地案例带来的商业启示 | 对谈任鑫：AI 创业者、投资人 - 十字路口Crossing AI 在企业落地的唯一关键，是赚钱。 一早在朋友圈看到个《Al在中国：10个企业落地案例带来的商业启示》的播客，很兴奋。 因为，过去的一年多，我都在某龙头企业做AI 的应用落地；而播客的主持人和嘉宾，都是很厉害的从业者，此前从他们的分享中学到很多。 1、 我当即用通义效率小程序，把小宇宙链接转成了文字，接着用 Claude，快速过了一遍内容。 还是一如既往的有收获，但也明显感觉到，还…

以上的种种无不说明，大家都不怎么赚钱了，大家也不怎么花钱了。所以在这个时候，如果还是拿着一个不怎么成熟的AI 技术，去处理一些压根儿不怎么赚钱的环节，那么终归是长久不了的。

而现在的生成式AI ，仍处于早期阶段，几乎驱动不了什么新的商业模式，还很容易被赶超。能找到个赚钱的业务带动它，就已经很不错了。

6、

因此，我个人接下来的规划就是：“谁赚钱，我帮谁。”

哪些业务最赚钱，我就跟哪些业务合作；哪些团队最赚钱，我就给他们倾斜资源和时间。合作过程中，我也要时刻关注赚钱情况，看看AI 的落地，具体给他们带来了多少增量。

以上这些想法，可能是跟感受到了“寒气”有点关系。但当我冷静下来之后，仍然能感受到一个趋势：

不够好的环境，和越来越好的AI，会逐步消灭掉“研发-生产-销售”链条上的各种中间环节和中间角色，最终只留下能直面市场赚到钱的角色。

———

综上，如果可以给「去年刚开始做AI 应用落地的自己」一个建议的话，我想斩钉截铁地喊一嗓子：

少在中间环节雕花，多去直面市场，把「赚钱」作为第一要务。

“技术不行工程来配，工程不行产品来配，产品不行运营来配”，直到真正解决问题。

AI在中国：10个企业落地案例带来的商业启示 | 对谈任鑫：AI 创业者、投资人 - 十字路口Crossing

AI 在企业落地的唯一关键，是赚钱。

一早在朋友圈看到个《Al在中国：10个企业落地案例带来的商业启示》的播客，很兴奋。

因为，过去的一年多，我都在某龙头企业做AI 的应用落地；而播客的主持人和嘉宾，都是很厉害的从业者，此前从他们的分享中学到很多。

1、

我当即用通义效率小程序，把小宇宙链接转成了文字，接着用 Claude，快速过了一遍内容。

还是一如既往的有收获，但也明显感觉到，还有些企业落地的点，并没被讨论到。

比如：“AI 在企业落地的唯一关键，是赚钱。”

2、

坦白说，“赚钱”这个点，我也是最近才有切身感受的。

我不是好多天都没怎么发东西了嘛，主要是因为，在公司遇到了点麻烦。我先是花了几天时间消化情绪，接着又花了一周时间找到点突破口，今天才稍微缓过劲儿来。

麻烦倒也没有多大，整体来看跟我也没啥关系，但我就是不舒服。那么，这个麻烦究竟是什么呢？就是AI 在企业落地这件事，带不来想象中那么高的收益。

3、

在整个公司业绩蒸蒸日上的时候，一切都好说，AI落地也是件政治正确的“好事”；可当整个行业都不太好看的时候，AI落地也要讲究性价比了。

好在我们很早就主动做好了成本控制，聚焦的高价值场景，也有了不少阶段性的成果。单从降本增效的角度来算，养活个AI 团队也没什么问题，更别说还带动过股价的上涨。

可尽管如此，我仍然发现，这都不是长久之计：股价上涨不是长久之计，降本增效不是长久之计，全员用AI更不是长久之计。

4、

真正的长久之计是什么呢？一杆子捅到底，赚到增量的钱。

可以是让核心业务继续放大优势，也可以是让新业务吃上点小红利。但无论如何，都是要找到足够赚钱的业务，然后用AI 去放大它。

说真的，AI 在企业落地，最难的从来不是技术上的幻觉，也不是员工们的敌意，而是找不到足够赚钱的业务。

5、

今天在一个社群里，看到创业黑马罗浛予《黑马创业者如何书写 2024》的文章，里面说参加聚会的 40 多名创业者，只有3位幸运儿没感叹竞争激烈、利润减少。

上周在公众号《进击的沈帅波》里看到：“现在普遍企业预算砍掉三成以及更多，明年可能在这个基础上再砍三成以及更多，连奢侈品都减少了大量的活动，酒店集团的财报都开始衰退。”

🎧 聆听最美妙的声音：AI 配音神器 Eleven Labs Reader，现已支持中文

作为音频生成领域的超级团队 Eleven Labs 不久前推出了这款Reader 应用：

- 你将使用世界级的AI语音，收听文章、PDF、ePub或任何文本。
- 无论在通勤、运动或其他任何场景下，上传内容，为文本内容配音，即可随时随地收听。
- 完全免费，支持iOS 和Android

🔗 下载地址：https://elevenlabs.io/text-reader

✨ Hans 商业点评：

音频是情感最深沉的载体。Eleven Labs 以其顶尖Text to Audio 大模型，提供了前所未有的神奇音频体验。一旦开始使用，相信你将感受其无限的魔力。Enjoy～

Invalid media: video

Vercel 升级了 V0，加入对话式 UI 界面。

这才是 Claude Artifact 的完全体，太强了。

- 集成了最新的 Next.js、React 和 Web 开发知识
- 能够运行 framer-motion 等 npm 包
- 实现了更快速、更可靠的流式处理功能

我让他写了一个 Saas 平台的数据卡片，还给加上了加载动画，UI 设计也很好。

也支持分享你生成的代码：https://v0.dev/chat/NqmY3Cm

Invalid media: video

去年整了个共创小组
一起写AI产品的
后来出了叛徒
一气之下解散了
毕竟人多嘴杂

单独拉了个很小的群
有三个线下见过几次
非常有想法和执行力的小伙伴

感觉受益匪浅
这三位朋友都在开始做AI创业项目

有两个已经在PMF阶段
甚至开始用内容/投放策略跑
还有一个也是紧锣密鼓的
我的AI应用也马上发布

感慨
靠谱的人永远是靠谱的

所以筛选是必要的
即使成本再高也值得
因为同路人是可以一直往前走的

我已不能接受没有机器人送外卖的酒店....只要一出远门飞机落地我就想吃肯德基。

找到三个开源的 AI 工具，搭配使用，可以流水线搞定“短剧出海”问题😂

1）视频换脸工具 roop，https://github.com/s0md3v/roop ，提供一张图片就行了，不需要数据集，也不需要训练

2）翻译+配音工具 pyvideotrans，https://github.com/jianchang512/pyvideotrans ，支持切换不同的语音识别、文字翻译、文字合成语音工具

3）唇形同步工具 wa2lip，https://github.com/Rudrabha/Wav2Lip ，唇形同步之后，嘴巴会变得有些奇怪，可以用另外一个开源工具 GFPGAN 进行面部修复，https://github.com/TencentARC/GFPGAN ，有点类似老照片修复技术

这几款工具都能够离线使用，因此也可以通过简单的工程流搭建，实现程序化批量产出。调研完，有点手痒了……

Problems for 2023-2024

Warp 和 Cursor 最近给了我不少产品灵感，和 coding 没关系。而是 AI 产品的底层逻辑到底应该是怎样思考，如何连接 model-engineering- user这三者。PM们千万不要因为这看起来是给研发设计的工具，而错过了理解业界即将到来的最佳实践的机会。链接中这篇 Cursor 在去年10月给自己设定的命题，是如此深刻，越看越有共鸣。

今天在医院看到保安大叔在赶一个智能机器人。
边赶边喊，走走走，走这里，走这边去吃饭，快点去吃饭了。

可以用 AI 将文本内容图像化的笔记产品 Napkin

相当的惊艳，完成度很高。

非常适合用来生成 PPT 的思维图或者帮助自己思考。

比如视频这个例子他会根据文字推荐最适合的图表给你，并且搭配你的文字内容。

你也可以自己创建示意图，饼图这种甚至可以帮你连比例都计算好。

所有的生成的图片都是矢量的可以编辑。

也可以选择 PNG 还是 SVG 进行下载。

单纯当做一个笔记产品用也是很好的。

这里体验：https://app.napkin.ai

app.napkin.ai

App - Napkin AI

Join Napkin.ai and start creating visuals for your ideas today. Napkin turns text content into engaging visuals for presentations, social media, docs and more.

DeepSeek 的 API 靠谱吗？
有没有用过朋友来说说看|･ω･｀)？
机器人也想用上大模型_(:з」∠)_

拖延了一周的文档，今天强迫自己打开一页空白的 Notion，先不组织语言、不考虑文笔、不进行排版，把各种想法乱七八糟敲出来，把各种相关材料复制粘贴进来。

最后，用 Notion AI 一顿「改写」、一顿「续写」。

一篇体面的、人模狗样的文档，就搞出来了。

才 9 点半。就完成了今天焦虑值最高的一份工作。。现在去理个发。

宿命论与万恶的 Scaling Law | 暴论 CAI 被收购 - 42章经

42 章经播客的最新一集中，@曲凯 说了这么一段：

“所以，我们说 C.AI 被收购其实是一个标志性事件，这个事件宣告了很多事情，比如：
1）底层大模型的战争几乎结束，代理人之争也几乎结束
2）模型注定会成为商品化（commodity）的选择，是一种市场通用的解决方案，而不是壁垒（正如我们 23 年初的判断一样）
3）做产品的暂时不用再纠结端到端和全栈的问题，可以放开手去拥抱开源方案，只要多在工程落地上做文章就足够”

这个观察实际上是从 C.AI 的「人才收购」中得到的：做模型的创始人并入 Google，而做应用的团队则继续留在 C.AI。

这是一次模型与应用之间的产业重新分工。

「端到端、全栈、产模一体」模式在去年甚至今年 H1 都很流行。没有自己训练的模型，投资人都不想聊。当然这是国内科技一级市场投资的特定条件决定的，但同时也让 AI 应用的涌现速度慢了更多，而在基础模型上重复建设和投入，很难说没有浪费。

国内的应用开发者没办法，只能在海外找钱，要么找投资，要么独立开发找市场。

相比而言，YC 今年破天荒的开了秋季 batch，其它的孵化器 / 加速器也开足马力。9 月底 YC S24 的 Demo Day 上，很多在今年 H1 开动的产品都会有更完整的形态公之于世。

这时候再回来看，重新划定的分工是不是合理，以及过去几个季度以来大厂囤积的算力，和老黄卖出的显卡到底是不是过剩的。