是怎么增长的？
Emochi COO 王利凡第一次对外分享了用 AI 制作内容、做投放、用户调研、管理，用 AI 迭代的整套逻辑。
王利凡大厂出身，之前在亚马逊负责AB实验。用他的说，自己是一个对迭代有执念的人，如果一个东西不迭代就会很难受。
2023年，他遇到辍学的02年伯克利学生党嘉成。他们一起推出 FlowGPT，之后又做了 Emochi。
在用 AI 深度管理业务，尝试“让 Emochi 闭环”后，王利凡总结出一个“不成熟的公式”：公司迭代速度 = 目标正确性 × 执行效率 × 反馈环路效率。这里的很多因素，会因为 AI 的介入而同步提速。
这可能是 Emochi 增长背后，被忽视的那一面。
以下是王利凡的分享：
大家好，我叫王利凡，叫我凡凡就可以，我是 Emochi 的 COO。
我们大概做了 3 年左右，第一个产品叫 FlowGPT，当时应该是最大的 prompt 分享社区。第二个产品叫做 Emochi，也是我们现在主要 focus 的产品。现在月活大概是大几百万，它的主要模式是，有一个文字开头，用户可以和小说去交互，控制小说的走向。
在我心里，这个产品非常性感。为什么呢？一方面，它离 AI 非常近，用户 80% 的时间是在和 AI 互动。另一方面，它需要很高的效率。
对于我们这个业务，有两件事特别特别重要：模型和效率。
首先我们每周会迭代几十个模型，每训一个模型就扔到这个排行榜里，快速反馈。太差了就扔掉，好的就上线继续迭代。整个流程有很多 post-train 的工程工作，每天大概训练一万亿 token。更重要的是，我们还有大概 10 亿左右的用户信号，类似于传统互联网的埋点，代表用户的行为反馈。
这些数据和反馈，能快速告诉我们模型什么东西好、什么东西不好，把好的东西 post-train 进模型，快速扔到迭代体系里去。另外我们CTO也在做一些 fancy 的 auto research，这个有机会让他来自己讲一下。
至于我本人，之前做工程，在一家大厂负责 AB 测试。所以对我来说，一个东西如果不迭代，我就会非常难受。这个习惯涵盖了增长、商业化、产品、数据，也包括公司本身。所以我今天想分享的是，AI 是怎么帮助我把这家公司作为一个产品去迭代的。
【把AI放进真实业务里】
首先是第一个例子：用户调研小玩具。
我非常喜欢做用户调研，花了 80 多个小时跟用户聊天，感受他们的反馈。但我发现一个问，80% 的时间是浪费的，因为用户说不出来他们真正想要什么。比如用户一直说自己想要更好的记忆，但等相关功能上线了，他还是说想要更好的记忆，这非常低效。
后来我们做了一个小玩具，就是把每个用户的形象模拟成一个小人，放进一个用户小镇里。付费较多的用户住在别墅区，流失的用户在河里，免费用户在森林里。
通过这个方式，可以更好地了解用户的偏好和行为，甚至可以对着所有人发一个大喇叭，看所有人对新功能的反馈。
这个小玩具本身并不是一个特别能提效的工具，但它是一个引子。我们可以通过非结构化的数据，把"听用户说什么"变成"看用户真实在满足什么需求"。这是我的第一个案例。
第二个例子：内容供给。
大家了解我们产品的应该知道，Emochi 是一个内容平台，上面有 100 多万个小说开头，用户会选择不同的小说开头去继续交互。
我们会把 AI 用在迭代内容上。这样做之后，我们变成一个可被拆解、可被泛化、可被测试和迭代的系统，不依赖少数天才创作者。
第三个例子：产品实验。
做过 C 端产品的人应该都知道 AB 实验是非常重要的迭代方式，也就是把用户分成两组，看不同的产品、不同的功能对用户的影响，然后做决策。
我之前做 AB 实验，认为 AB 实验的本质不是决定 A 好还是 B 好，而是验证假设 —— 每一个实验背后都有一个假设，去验证这个假设对不对，从而辅助下一次做决策。
我们自己做了一个 AB 平台，但之前一个非常大的痛点是，做决策的人并没有把实验经验真正吸收进决策链路。做了 200 个实验，产品经理可能记住的只有 10 个实验的结论，这非常不高效。
所以我们现在在尝试把所有实验结论沉淀下来，帮助产品经理做决策。AI 给我带来的，是从"做更高效的决策"到"积累决策经验"。
第四个例子：增长投流。
这对很多 C 端公司来说是非常大的问。每个月花非常多钱在投流上，去获取一个用户，效率每提高 10%，省下来就是几十到几百万美金的投入。
但素材设计师或投手对产品不一定有特别好的认知，于是我们用 AI 分析用户喜好，发现用户喜欢被看到、被偏爱的感觉。
把这个理解引入广告投放流程之后，整个广告飞轮不只是看素材的 CTR、CVR、转化率，或者浅层的留存数据，而是可以看用户的真实反馈。
第五个例子：公司管理。
我管过小团队，也管过大团队，大概 100 多人。管理其实是很痛苦的一件事，不知道每个人在做什么，大家把项目管理工具拖来拖去。后来我让所有人都写日报，因为日报比项目管理工具信息量多很多，包括数据的变化、数仓的改变等等。
我用这些东西让 AI 每天给我做一个总结，AI 在我管数据团队时告诉我：你现在最大的杠杆，不是继续亲自盯更多需求，而是把业务的需求、bad case、看板、埋点统一收口，形成一个可观测、可验证、可复用的数据闭环能力。我确实承认这是我的问，我太关注细节，反而忽略了一些更抽象但更重要的东西。
这给我带来的体验是：管理不应该是卷员工。在没有 AI 之前，我一直在卷员工，让大家拼命干，没 996 就不行。但我觉得更重要的是，我关注的那些组织指标，要从 A 状态真正变到 B 状态。
所以这个东西要可观测。我要知道现在数据的准确性、及时性、数仓的覆盖率是多少，这个 sprint 之后状态是多少，中间做了什么事情，把这一切都拉回到决策链路里。这是我在公司管理方面的一些观察。
【AI时代可能有公司比字节快50倍】
刚才说了几个方面，大家可能觉得我们只是做了几个 AI 小工具。
但如果把它们抽象出来，是一个个可闭环的系统：
从上下文到判断，到动作，到反馈，再回到上下文。投放广告、公司管理，都是这个逻辑，有不同的上下文，最终把 A 到 B 的结果反馈回这个上下文。
我觉得这是一个非常大的机会。我总结了一个不成熟的公式：公司迭代速度 = 目标正确性 × 执行效率 × 反馈环路效率。有个目标，执行，知道结果怎么样，不断叠加，最终跑出来。
为什么 AI 能让这件事发生质变？
我观察了三个时代。第一个是经验时代，大家靠零散信息和有经验的人做决策，靠口碑反馈，以年为单位。这非常不科学，决策结果好坏可能根本就不是这个决策导致的。
第二个是数据时代，目前做得最好的是字节跳动，通过数据，让能力参差不齐的人也能做决策，以天和周为单位反馈。字节的数据做得非常完善，人的能力也非常强，所以在这个链路里，字节已经做到极致了——这也是为什么我觉得字节是现在最成功的 C 端公司。
但 AI 时代完全不一样。AI 有更完整的上下文，不只是结构化数据，很多非结构化数据也可以用。决策者也不应该是人，而是 AI。最重要的是，反馈可以不断迭代这个决策系统本身。
我大概拆了一下，为什么 AI 时代可能有公司比字节快 50 倍。
第一，反馈信息量多了 10 到 50 倍。结构化数据可能就 50 到 200 个字段，但 AI 能处理非结构化数据——就像第一个例子里那个用户调研小工具，可以把用户总结得非常详细，大概是 2000 到 1 万 token，差了 10 到 50 倍。
第二，反馈记忆量多了 5 到 20 倍。之前靠人脑，100 个实验可能记住 5 到 20 个，但 AI 的上下文趋于无限，至少是 5 到 20 倍。
第三，执行频次快了很多，之前迭代一个东西可能要一个月，现在几天就能完成。这几个数字乘起来，我觉得可能是 500 到几万倍的机会。当然我们现在完全没做到，可能就是几个散点，但效率上已经提升了好几倍，真正的机会还在于把所有东西打通、中间去人化，那可能才是几百到几万倍。
这个逻辑本质上，是把 AI 从农耕时代拉到互联网时代。农耕时代就是拿一把锄头开始凿地——现在也是，我们用 AI 做某件事，从 A 到 B，但还没有变成字节那种模式，也就是从 A 到 B 之后发生了什么，把这个结果叠加回它的上下文和决策系统里。真正的机会，在于让 AI 从工具时代到达互联网时代。
【人的位置】
我觉得在 AI 时代，人在闭环里面有几件事要做。
最重要的事是把上下文喂全。
这一点没什么好说的，非常重要。喂全上下文，需要面向 AI 去设计数仓和数据建模。数据建模这件事和以前有些变化，比如我感觉 AI 时代的数仓可能不需要读 DWS 层或 DWD 层，直接读 ODS，或者 ODS 加 DWD 可能会更有效率。
另外，非结构化数据，比如会议记录、员工信息，也应该清洗一遍，存进这个面向 AI 的数仓里。
第二件事是经验蒸馏。
这是很残酷的一件事，但我觉得是不可逆的。长期来看是否还需要经验蒸馏，我觉得也存疑，因为如果 AI 有一个完整的迭代链路，它本身能得出经验，我们的经验只是帮它更快地达到目标。
第三件事是定义成功。
我觉得这是需要花大量时间和人力去做的。小的层面，比如在做一个数据取 agent 的时候，最重要的就是把测试集做好，测试集一定要人工去标，每个都要对。目标错了，所有东西都错了。
更大的层面，就是企业和产品本身的目标。举个例子，昨天遇到一个朋友在做青年交友恋爱，他的迭代目标就是快速促成两个人结婚，把这个效率做到最高，最终他真的做到了这一点。他可能在商业化、名气上不如其他产品，但真正有这个需求的人都会去他那里。
反观探探、陌陌、Soul，它们都有不同的优化目标，所以最终走向了非常不同的方向。定义成功，是需要花最大精力去做的事情。
另外我还在想，目标一定要人来设计吗？好像也不一定。我想之后可能会这样发展：
第一阶段，AI 会完成闭环。
Emochi COO 王利凡第一次对外分享了用 AI 制作内容、做投放、用户调研、管理，用 AI 迭代的整套逻辑。
王利凡大厂出身，之前在亚马逊负责AB实验。用他的说，自己是一个对迭代有执念的人，如果一个东西不迭代就会很难受。
2023年，他遇到辍学的02年伯克利学生党嘉成。他们一起推出 FlowGPT，之后又做了 Emochi。
在用 AI 深度管理业务，尝试“让 Emochi 闭环”后，王利凡总结出一个“不成熟的公式”：公司迭代速度 = 目标正确性 × 执行效率 × 反馈环路效率。这里的很多因素，会因为 AI 的介入而同步提速。
这可能是 Emochi 增长背后，被忽视的那一面。
以下是王利凡的分享：
大家好，我叫王利凡，叫我凡凡就可以，我是 Emochi 的 COO。
我们大概做了 3 年左右，第一个产品叫 FlowGPT，当时应该是最大的 prompt 分享社区。第二个产品叫做 Emochi，也是我们现在主要 focus 的产品。现在月活大概是大几百万，它的主要模式是，有一个文字开头，用户可以和小说去交互，控制小说的走向。
在我心里，这个产品非常性感。为什么呢？一方面，它离 AI 非常近，用户 80% 的时间是在和 AI 互动。另一方面，它需要很高的效率。
对于我们这个业务，有两件事特别特别重要：模型和效率。
首先我们每周会迭代几十个模型，每训一个模型就扔到这个排行榜里，快速反馈。太差了就扔掉，好的就上线继续迭代。整个流程有很多 post-train 的工程工作，每天大概训练一万亿 token。更重要的是，我们还有大概 10 亿左右的用户信号，类似于传统互联网的埋点，代表用户的行为反馈。
这些数据和反馈，能快速告诉我们模型什么东西好、什么东西不好，把好的东西 post-train 进模型，快速扔到迭代体系里去。另外我们CTO也在做一些 fancy 的 auto research，这个有机会让他来自己讲一下。
至于我本人，之前做工程，在一家大厂负责 AB 测试。所以对我来说，一个东西如果不迭代，我就会非常难受。这个习惯涵盖了增长、商业化、产品、数据，也包括公司本身。所以我今天想分享的是，AI 是怎么帮助我把这家公司作为一个产品去迭代的。
【把AI放进真实业务里】
首先是第一个例子：用户调研小玩具。
我非常喜欢做用户调研，花了 80 多个小时跟用户聊天，感受他们的反馈。但我发现一个问，80% 的时间是浪费的，因为用户说不出来他们真正想要什么。比如用户一直说自己想要更好的记忆，但等相关功能上线了，他还是说想要更好的记忆，这非常低效。
后来我们做了一个小玩具，就是把每个用户的形象模拟成一个小人，放进一个用户小镇里。付费较多的用户住在别墅区，流失的用户在河里，免费用户在森林里。
通过这个方式，可以更好地了解用户的偏好和行为，甚至可以对着所有人发一个大喇叭，看所有人对新功能的反馈。
这个小玩具本身并不是一个特别能提效的工具，但它是一个引子。我们可以通过非结构化的数据，把"听用户说什么"变成"看用户真实在满足什么需求"。这是我的第一个案例。
第二个例子：内容供给。
大家了解我们产品的应该知道，Emochi 是一个内容平台，上面有 100 多万个小说开头，用户会选择不同的小说开头去继续交互。
我们会把 AI 用在迭代内容上。这样做之后，我们变成一个可被拆解、可被泛化、可被测试和迭代的系统，不依赖少数天才创作者。
第三个例子：产品实验。
做过 C 端产品的人应该都知道 AB 实验是非常重要的迭代方式，也就是把用户分成两组，看不同的产品、不同的功能对用户的影响，然后做决策。
我之前做 AB 实验，认为 AB 实验的本质不是决定 A 好还是 B 好，而是验证假设 —— 每一个实验背后都有一个假设，去验证这个假设对不对，从而辅助下一次做决策。
我们自己做了一个 AB 平台，但之前一个非常大的痛点是，做决策的人并没有把实验经验真正吸收进决策链路。做了 200 个实验，产品经理可能记住的只有 10 个实验的结论，这非常不高效。
所以我们现在在尝试把所有实验结论沉淀下来，帮助产品经理做决策。AI 给我带来的，是从"做更高效的决策"到"积累决策经验"。
第四个例子：增长投流。
这对很多 C 端公司来说是非常大的问。每个月花非常多钱在投流上，去获取一个用户，效率每提高 10%，省下来就是几十到几百万美金的投入。
但素材设计师或投手对产品不一定有特别好的认知，于是我们用 AI 分析用户喜好，发现用户喜欢被看到、被偏爱的感觉。
把这个理解引入广告投放流程之后，整个广告飞轮不只是看素材的 CTR、CVR、转化率，或者浅层的留存数据，而是可以看用户的真实反馈。
第五个例子：公司管理。
我管过小团队，也管过大团队，大概 100 多人。管理其实是很痛苦的一件事，不知道每个人在做什么，大家把项目管理工具拖来拖去。后来我让所有人都写日报，因为日报比项目管理工具信息量多很多，包括数据的变化、数仓的改变等等。
我用这些东西让 AI 每天给我做一个总结，AI 在我管数据团队时告诉我：你现在最大的杠杆，不是继续亲自盯更多需求，而是把业务的需求、bad case、看板、埋点统一收口，形成一个可观测、可验证、可复用的数据闭环能力。我确实承认这是我的问，我太关注细节，反而忽略了一些更抽象但更重要的东西。
这给我带来的体验是：管理不应该是卷员工。在没有 AI 之前，我一直在卷员工，让大家拼命干，没 996 就不行。但我觉得更重要的是，我关注的那些组织指标，要从 A 状态真正变到 B 状态。
所以这个东西要可观测。我要知道现在数据的准确性、及时性、数仓的覆盖率是多少，这个 sprint 之后状态是多少，中间做了什么事情，把这一切都拉回到决策链路里。这是我在公司管理方面的一些观察。
【AI时代可能有公司比字节快50倍】
刚才说了几个方面，大家可能觉得我们只是做了几个 AI 小工具。
但如果把它们抽象出来，是一个个可闭环的系统：
从上下文到判断，到动作，到反馈，再回到上下文。投放广告、公司管理，都是这个逻辑，有不同的上下文，最终把 A 到 B 的结果反馈回这个上下文。
我觉得这是一个非常大的机会。我总结了一个不成熟的公式：公司迭代速度 = 目标正确性 × 执行效率 × 反馈环路效率。有个目标，执行，知道结果怎么样，不断叠加，最终跑出来。
为什么 AI 能让这件事发生质变？
我观察了三个时代。第一个是经验时代，大家靠零散信息和有经验的人做决策，靠口碑反馈，以年为单位。这非常不科学，决策结果好坏可能根本就不是这个决策导致的。
第二个是数据时代，目前做得最好的是字节跳动，通过数据，让能力参差不齐的人也能做决策，以天和周为单位反馈。字节的数据做得非常完善，人的能力也非常强，所以在这个链路里，字节已经做到极致了——这也是为什么我觉得字节是现在最成功的 C 端公司。
但 AI 时代完全不一样。AI 有更完整的上下文，不只是结构化数据，很多非结构化数据也可以用。决策者也不应该是人，而是 AI。最重要的是，反馈可以不断迭代这个决策系统本身。
我大概拆了一下，为什么 AI 时代可能有公司比字节快 50 倍。
第一，反馈信息量多了 10 到 50 倍。结构化数据可能就 50 到 200 个字段，但 AI 能处理非结构化数据——就像第一个例子里那个用户调研小工具，可以把用户总结得非常详细，大概是 2000 到 1 万 token，差了 10 到 50 倍。
第二，反馈记忆量多了 5 到 20 倍。之前靠人脑，100 个实验可能记住 5 到 20 个，但 AI 的上下文趋于无限，至少是 5 到 20 倍。
第三，执行频次快了很多，之前迭代一个东西可能要一个月，现在几天就能完成。这几个数字乘起来，我觉得可能是 500 到几万倍的机会。当然我们现在完全没做到，可能就是几个散点，但效率上已经提升了好几倍，真正的机会还在于把所有东西打通、中间去人化，那可能才是几百到几万倍。
这个逻辑本质上，是把 AI 从农耕时代拉到互联网时代。农耕时代就是拿一把锄头开始凿地——现在也是，我们用 AI 做某件事，从 A 到 B，但还没有变成字节那种模式，也就是从 A 到 B 之后发生了什么，把这个结果叠加回它的上下文和决策系统里。真正的机会，在于让 AI 从工具时代到达互联网时代。
【人的位置】
我觉得在 AI 时代，人在闭环里面有几件事要做。
最重要的事是把上下文喂全。
这一点没什么好说的，非常重要。喂全上下文，需要面向 AI 去设计数仓和数据建模。数据建模这件事和以前有些变化，比如我感觉 AI 时代的数仓可能不需要读 DWS 层或 DWD 层，直接读 ODS，或者 ODS 加 DWD 可能会更有效率。
另外，非结构化数据，比如会议记录、员工信息，也应该清洗一遍，存进这个面向 AI 的数仓里。
第二件事是经验蒸馏。
这是很残酷的一件事，但我觉得是不可逆的。长期来看是否还需要经验蒸馏，我觉得也存疑，因为如果 AI 有一个完整的迭代链路，它本身能得出经验，我们的经验只是帮它更快地达到目标。
第三件事是定义成功。
我觉得这是需要花大量时间和人力去做的。小的层面，比如在做一个数据取 agent 的时候，最重要的就是把测试集做好，测试集一定要人工去标，每个都要对。目标错了，所有东西都错了。
更大的层面，就是企业和产品本身的目标。举个例子，昨天遇到一个朋友在做青年交友恋爱，他的迭代目标就是快速促成两个人结婚，把这个效率做到最高，最终他真的做到了这一点。他可能在商业化、名气上不如其他产品，但真正有这个需求的人都会去他那里。
反观探探、陌陌、Soul，它们都有不同的优化目标，所以最终走向了非常不同的方向。定义成功，是需要花最大精力去做的事情。
另外我还在想，目标一定要人来设计吗？好像也不一定。我想之后可能会这样发展：
第一阶段，AI 会完成闭环。
