Gamma、Remove.bg 和 Quartr，这三个 AI 爆款是怎么做出来的 ？

00:02AI是人类历史上最激动人心的技术革命，也是我们这一代人最大的挑战与机遇。我们这些从业者就是一群充满好奇的炼金术士，想通过不断的猜想、实验，搞出黄金或者放个烟花。不论结果如何，过程应该都会很好玩。

00:19我是任鑫，创业过两次。卖过两家公司。2011年我创业，金叶酒店特价卖给了京东，在京东内部做了京东到家。2015年我再次创业，做了对话式人工智能公司Get。这一轮AI浪潮里，我加入了美元基金、云九资本，积极投资和孵化AI产品。

云九资本

00:38我是徐文浩，曾经做过国内最早的机器学习广告系统，每天处理百亿的广告流量，最终呢公司被收购。2016年呢，我创办过一个AI聊天机器人的公司BotUp。这轮的AI浪潮里啊，我再次创业，来做AI for Shopping，担任首席技术官。

00:56我和任鑫呢是大学同学，现在都在搞AI，都算是一线实战的AI炼金术士。在这档播客中啊，我们会定期交流彼此最新的实践和观点，也会邀请我们欣赏、有洞见的朋友们啊，一起来分享碰撞。希望通过这些深入的对话与交流，能帮助我们所有人点燃炼金的炉火。

01:19大家好，欢迎大家来到AI炼金术。今天呢又是一期单口，主要是我来给大家分享一下有几家那个AI的公司、AI产品，他们发展挺快的。然后研究了一下他们到底做了些啥，然后哪些是可以值得参考、学习借鉴的打法。那今天计划呢是跟大家首先会介绍Gamma，就是那个做PPT的AI工具。

Gamma

01:42然后可能会讲一下Quartr，我也不知道它怎么发音啊，反正它就是把那个创始公司的电话会啊放到一起，给你用AI分析的一家公司。再然后会介绍一下RemoveBG和PhotoRoom。最后如果有时间，就是讲完这几个，就再跟大家讲一讲我自己使用ChatGPT Plus的一个体验。

Quartrremove.bgPhotoRoom

02:02如果你是做AI产品的，然后可以听一下。如果不是做AI产品的，可能对于这些公司到底怎么做的，然后为什么它商业上可以发展起来，可能就帮助不是那么大。那第一个给大家分享的就是最近的当红炸子鸡，Gamma，他们好像最近又融资了，是吧？

02:18我写这篇文章的时候其实还没有融资，只是说它30个人，然后一年有5000万美金的ARR，显得特别强，所以就仔细看了一下。当然还有另外两个原因啊，一个原因就是我约了中国的Gamma，对吧？AiPPT的创始人赵充，我们录了一期播客，然后聊下来觉得，哎，这个赛道看起来很简单，就是做PPT嘛，

02:37但是实际上创新点很多，所以对Gamma的印象又更深了一点。另外一个原因呢，就是因为我是Gamma的老用户，我一直在用Gamma做图。然后今天其实我用Gamma做了一个PPT。我之前其实像我的AI炼金术的公众号上面的图片、插图，主要是用Gamma做的，备受好评，大家都觉得审美很好，

02:58说怎么做的怎么做的，然后我说是Gamma做的。今天的话，我用它做了一下PPT的话，感觉也是非常的惊艳，所以这家公司属于说是真的有体感的一家公司，觉得很很神。那么就研究了一下他们怎么起盘的。这种东西为什么要研究呢？

03:13主要是因为，嗯，它跟AI PPT一样，Gamma，对吧？它做的东西就听起来过于朴实。就大部分的AI应用都在努力告诉你说，我开创了一个品类，我们是某某某某的什么什么agent，我们是第一个啥啥啥，对吧？我们做得很神奇。

03:30前一段时间大家看这一类的那个介绍的视频是不是看得要吐了？那这些呃新奇的东西嘛，我们肯定这些产品蝗虫自然是见一个爱一个，都很嗨，至少要试一下，试了不爽还要吐槽。但是呢，就是对于大众的来讲的话，这些新奇的东西，比如说你是第一个某某某某agent，其实对于大众市场来讲，

03:52比如说我们爸妈，或者说你高中的某个同学，他不是搞AI的，其实就会非常的困惑，就在想这东西是啥呀？什么叫agent呀？啥啥啥，他干嘛干嘛？他跟我有什么关系？所以很多的产品其实就是在我们圈子里面自嗨。

04:07早期的时候的那个用户的话呢，很多其实也就是圈子里面的人，然后根本不是大众用户，就是圈子里面一帮产品蝗虫，像我一样觉得，哇，好棒啊，好了不起啊这样子。所以Gamma呢，它比较神奇的地方就是它没有去讲科幻故事，它一上来解决的就是一个非常非常熟悉的老问题，

04:28就是做PPT嘛。因为每一个职场人，我们肯定都面对过空白的PPT，然后抓耳挠腮，就是不知道该怎么办，然后的话啊，这个字体好难好丑啊，啊，这个像素就对不齐啊，就是很烦躁。然后Gamma就是说，这些东西你都不用操心了，那个，我用AI帮你搞定PPT。

04:46那这个时候，嗯，对于凡是做过PPT的就会一目了然就知道这个东西是干嘛的，就很好懂嘛。所以它的战略定位就很聪明，就是用最新的技术AI啊去解决一个一听就懂的老问题。新技术对老问题，这这样的搭配的话，其实在市场的那个市场营销上和PMF上是比较好找。

05:08很多的AI创业者啊，尤其是像我这样的人，我其实非常痴迷于创造全新的需求。但是呢，教育市场的成本其实很贵嘛。那Gamma选择的这个就是被PowerPoint验证过，然后已经肯定啊存在的巨大市场，是几亿个用户至少有嘛。所以它的价值主张就不需要解释了，就是帮你做PPT，然后让你做得更快，然后让你做得更轻松。

05:31对于我们创业来讲，可能就有两个问题，一个问题就是这个市场是否存在，啊这个问题是否存在。第二个问题就是我是否能够搞得定，搞得定之后那个是否赢得过。那这是两到三个不同的问题。但是对于他们来讲，就是这个问题必然存在，然后这个市场肯定存在。

05:49那唯一的问题就是他们搞不搞得定以及用户们满不满意。其实它的不确定性是更小的。当然了。同样是解决老问题的话，我们也可以选择不同的切入点。在这里的话，Gamma做出了第二个，也就是非常关键的一个战略决策，就是聚焦于解决0到60分的问题，

06:06而不是从95分到98分的优化问题。什么意思呢？就是从95分到98分，就是专业设计师、咨询顾问啊、产品经理，那我那要求就高了，那这个要调得很漂亮，那个要像素级掌控，这些人需要的是复杂的工具、精细的微调，然后去把一个很好的作品打磨得更完美。

06:25这是一个很高客单价，但是其实是很小众的市场。但是呢，从0分到60分，这是绝大多数普通的职场人啊、学生啊、教师，就日常的困境。他们最大的痛点其实就是怎么从一个很很荒的一个空白页，快速地搞一个东西出来，结构清晰啊，设计得体，

06:44能拿得出手，及格就好了。这个市场其实更大，它是一个巨大无比的被传统工具折磨很久的一个大众市场。Gamma的产品设计呢，其实你看得出来它服务的是后者，它会帮你做大量的决策，就是什么配色啊、字体啊、版式啊、内容啊，你反正一键都可以出来。

07:02但实际上你可以后面再去调，但是它默认的版本其实就是点两下就出来。它就是用一种有态度的方式，就是把用户从自己糟糕的设计品味当中拯救出来。因为其实吧，99%的人设计出来的PPT就是丑的要死，大家不要去用那么高的要求去去去要求。

07:21其实我看到像那个那天跟赵充聊，我感觉AiPPT它做的其实也是这个市场。但是呢，大部分的产品经理，大部分的高阶用户其实很难get到他们这个选择，就会去看说，哇，觉得这个不够好看啊，这个不够高级。但是其实，嗯，我们很有可能不是真正的市场。

07:38就有点像拼多多崛起的时候，大部分的坐在五环内的产品经理都是说拼多多迟早要完，而没有去体会到，其实有大量的下沉市场的用户非常需要这个产品。是他做这种取舍。它必然就会牺牲掉一部分高阶用户的那个自由度嘛。所以的话呢，有设计师用户就会说，啊，它的模板不好，啊，这里不让我改。

07:59但是实际上你就要做这个选择嘛。它这个定位的话，考虑的是保下限，让我一出来的东西不会太差。啊，这样子其实是服务最广泛的用户群，而不去争夺那个上限，说我能够让一个设计师的那个PPT变得更好。那这个时候的话，其实更容易呃有一个长期的一个用户群和使用价值。

08:22否则的话，你其实高精尖的那些东西，其实大家都在竞争，反倒不一定。比如说像不像我们这种产品蝗虫，对吧？今天是Mandarin，明天是Jin's book，哪个好就用哪个。这些人反倒是最不稳定的。只有那些，嗯，其实就是不太会用，然后偶尔找到了你，然后这些人其实反倒是更稳定的一个使用者和收入的来源。

08:43而且另外一点就是，这种从零分到六十分的这种飞跃，给用户带来的效用感的话，其实比从九十五分优化到九十八分那种感受，其实要来的，来的强烈很多。把AI做从零分到六十分这一段的话，其实性价比是更高的。过去面对那个空白的话，那些不会写PPT的是会两眼一蒙嘛。

09:06哪怕是像我，其实面对很多PPT，也就是在里面发呆。因为这个时候我是一个创作者嘛，创创作者就要从无到有，平地抠饼抠个东西出来。但现在呢AI就一分钟之内就生成了一份还漂漂亮亮的草稿，呃。那个草稿可能有这里不好那里不好，但是我的角色就变了，我的角色就会从一个创作者变成了一个编辑，

09:27我就去说哎呀，这里不好改一下，那里不好改一下。嗯，这样子的话，那个就轻松了很多嘛，因为创作是痛苦的，编辑就像老师改作文，改作文总比写作文容易嘛。这个角色转换它就极高地提升了效率，而且的话它极大地降低了我们在启动的时候的那种巨大的那种心理的能耗。

09:47这就是Gamma能够捕获大众市场的一个根本的原因。那确立了它可以解决从零分到六十分的战略之后呢，Gamma就需要一个全新的产品形态来搞了。如果只是传统的PPT里加AI的话，就有点像在给马车装一个喷气引擎嘛，其实没什么用。

10:04那它真正的那个设计巧妙的地方在于说，它重新定义了原子单位。啊，它创始人自己的说法就是，它是Notion和Canva生下的孩子。对啊。大家如果用过Notion的话就会知道说，Notion其实里面一切都叫做block嘛，就是一个一个的块儿。

10:20Gamma的原子单位其实也是一个一个的块儿，不过它管它叫卡片，叫card。很多个不同的card，可能是图片，可能是文字，然后不同的card又能组成一张大card。这样子其实跟Notion非常像，它的内容组织是原子化的、流式的。

10:35但Notion的东西嘛，就是你还是觉得它主体还是文档，它不是设计，它不是视觉展示。所以它说它有Canva的皮，Canva就是那个大家可以理解成就是一个简化版的，就有点像美图秀秀版的那个那个Photoshop，就比较比较拖拖拉拉，有一些素材就可以就可以看得见。

10:54所以它的最终呈现又是视觉化的，又是精美的，所以它是Notion的魂魄，然后Canva的皮，这样子杂交出来的一个品种。那它做的这个好处是什么呢？就是首先呢，它就是解放了内容回归思考。传统的幻灯片的话，就逼着我们要线性地一页一页去想问题，然后内容多了页面就放不下，内容少了页面又太空。

11:16但是它的概念就是，我其实不是做PPT，我是做卡片，那卡片是可以长大的呀，对吧？你做着做着做多了，一张卡片是可以伸展的，甚至一张卡片里面还可以嵌套另外一张卡片，你点进去就非常像Notion。这个时候的话，你做的时候就不要去思考版式，你就会像Notion一样，就先把所有的想法倾倒出来，

11:35形成一个逻辑大纲。然后的话呢，它会帮你去配版式，然后帮你去延展那些格式到底要怎么样子，就放松了很多。把内容和形式分离的话，其实会更符合我们的思考习惯，就先搭骨架再穿衣服嘛。然后内容先梳理清楚，再一键美化，整个过程的话就会舒服很多。

11:53更重要的就是，呃，打破格式的次元壁之后的话呢，一旦它的原子单位是卡片，而不是叫做PPT，这个时候的话，它就不再局限在PPT上面了。因为一套卡片组合，它就像幻灯片，既可以像幻灯片一样，比如说一张一张横屏演示，也可以是一套适合手机竖屏阅读的图文，

12:12看完一张往下刷一张，还可以一键发布成一个那个交互式的网页。那这个设计就很很了不起了。它就不仅仅把自己定在了一个叫做PPT赛道的玩家，我去跟PowerPoint，我去跟Microsoft 365 Copilot竞争，而是它同时就变成了一个，我是一个相当于建站的，我是一个轻量级网站构建、在线文档协同这些领域的一个一个专家。

12:34就有点像，比如说微信上别人给你传个PPT，你还要打开，其实有的时候还长得还不好看。但是呢，如果给你的是一个网页版的PPT，那就好看多了，对吧？那就容易简单多了。所以的话，它不仅仅是网页版PPT，它还根据网页的那个大小、那个字儿，还会根据它去调整，根据你的屏幕去调整。

12:52这个时候其实更有利于思想的那个分享。那这样的一个底层架构的创新的话，它其实产品能力的就极大的扩展。而这个产品的极大的扩展的话，其实更比PPT其实更适合现在的沟通场景。大家想想，就PPT的话，过去我们都是要听PPT，都要看演示。

13:12但是现在你想想，是不是大量的PPT其实是你在微信上收到的呀？就现在越来越多的PPT不是用来讲的。是在手机上发来发去的。所以一个网页链接的话，在手机上的话，它一个链接它就比传统的PPT就要更容易发嘛，然后也更容易看嘛。然后这就会让演示从一个单向的广播变成了一种更网络化的、跟互联网原生的一种沟通方式。

13:38更多人看到不就是每个都是它的广告嘛，你跟网络传播的话。所以呢，真正的AI的原生产品，它其实虽然它解决的是旧问题，但是它不一定是往旧的范式上去叠加AI的能力，而是可能会说我根据我的问题，我来重新设计一种灵活的，然后新的原子单位，然后呢再用这些原子单位去组成这套新的系统，

14:01然后来解决这个老的问题。所以的话呢，AI的作用其实是成为这一套新的原子系统、新的乐高积木的一个智能调度引擎。然后这样子就说，你想要什么，我现场给你拼，对吧？这样子就简单了。那Gamma的增长模型也是很漂亮的一个PLG的模型。

14:18就是它的引擎的话，就是巧妙地就设计在了产品的体验的核心流程里面。你一上来的话呢，就不需要看教程，你就直接告诉它你要生成一个什么样的，生成一个什么样的PPT，然后它就帮你做出来了。或者说像我一样，我平常的用法其实不是这样用，我平常都是把我写好的文章丢进去，然后它帮我生成一个PPT。

14:36那这样子你基本上一分钟就可以拿到一个精美的作品，而且真的审美很好，很漂亮。就马上就看到魔法，这就是一个Aha moment。然后如果它是一个Aha moment的话呢，这个时候，呃，刚刚也说它可以生成网页嘛。它就直接变成了一个可供分享的一个一个内容。

14:54然后这个内容的话，马上就可以发出去。发出去的那份内容下面又会写上说这个是powered by，powered还designed by Gamma，嗯，就反正有一个logo，有一个那个小标嘛。所以，在体很快的体验到惊喜，马上创造价值，然后你又马上可以分享，分享的时候又给它做广告，这个闭环的话就是一个增长飞轮。

15:13所以它自己公布的数据是到今年年初的话，用户已经创建了超过2.5亿份，啊，Gamma的也是文档，然后这2.5亿份文档的话就是2.5亿个增长的广告嘛。就比如说我的话。我都应该创建了超过一两百份了，但是我分享的没那么多，但是我之前之所以知道Gamma这个东西的，

15:35呃。但之前知道它存在，之所以知道它到底能够演示出什么样子，其实是因为像比如说于一，他就每一份他的分享的东西都是一份Gamma。然后你看多了就会发现，哦，他还能做这个，哦，他还能做那个。这这每一次他分享的那些链接，什么摸鱼手册啥啥啥的，其实就都是Gamma的广告嘛。

15:53这就都在给它源源不断地带来新用户。然后这个过程其实也在帮那个Gamma构建它的数据壁垒。因为当海量的用户在Gamma上编辑AI的草稿的时候，其实他就是在用自己的行为去教Gamma什么是好的内容，好的设计，对吧？因为你会去编辑编辑这些这些文档，说这个按钮往左变一点，那个往右边一点，这里需要一张图，它其实就可以拿到这个数据，

16:17它就可以去优化自己的整个的后续的那个工作流也好，模型也好。所以整体上来讲，我觉得Gamma还是做得很牛逼的。第一个呢，就是可以复制的一些思考，那是旧问题新解法的这个框架。就与其教育市场一个全新的概念，不如我们把新的东西都留给自己，啊，用全新的技术，我们去解决一个早就被验证的足够疼的老问题，

16:40这样子就极大地降低了用户的认知门槛，那产品的价值就一目了然了。第二个呢，就是我们要把AI产品更多的定在0到60分这个这个定位上面。然后我们可以反思一下，自己的产品是服务于大众市场的，从0到60分，还是服务于专业市场的，从95分到98分。

16:58那定位决定了产品形态，然后用户体验和增长模式。对于AI应用来讲的话，前者市场常常是更大的，然后前者的这个市场的话呢，常常也是更适合当下AI的，经常会胡说八道的这种这种状态。第三点呢，就是重新定义原子单位。在思考AI如何赋能之前的话，我先想一想我们的产品是否建立在一种更灵活、更现代的原子单位上面。

17:22讲原子单位。大家可以去翻一翻以前少楠的各种产品沉思路里面很多很多这方面的文章。就大家基本上可以理解成，比如说如果换算到图像的领域，你就可以看到，比如说Photoshop它操作的是像素，而Gamma的话，你操作的是稿子，对吧？

17:37这就不太一样。而Notion的话，它操作的是block。所以其实，呃，真正牛的人的话，其实是在，呃，设计产品，不是在设计好不好看，而是在设计这种原子单位，如何设计积木块，然后来重新重构老问题老媒介，然后如何来用好AI来重组这些积木块，来帮助用户更好地完成他的GDPD。

17:59这其实是一个蛮难的一个课题，但是这也是真正高级的一些产品设计。那最后一个就是设计产品的时候的话，我们就要考虑说用户的最终产出物能否天然地变成我们的广告，就有没有可能在用户产生惊喜的时候产生传播的动机。然后尽可能的我们优化方便用户去传播，也就是方便用户帮我们打广告。

18:23我觉得这些地方是我们可以学到Gamma的一些打法。嗯，第二个其实两个产品啊，其实是我在看那个A16Z Top 100的AI榜单的时候，就发现一个很搞笑的事情。这里面居然有两个产品都是靠抠图起家的，就是把一个比如说一个人啊或者一个杯子从它的背景图里面抠出来。

18:51啊，这个听起来实在是太简单了，就会发现啊，为什么会有两个产品在做抠图啊，所以就看了一下到底它是干嘛的。回到那个第一个产品啊，就是叫做remove.bg啊这个产品。那它是2018年起步的吧，然后在它起步的时候其实没有人会觉得自动抠图能够撑起一个产品，

19:12它其实就是个功能啊。当时的共识就是说高质量的抠图。就是牛逼的人，专业人士在Photoshop里面，然后什么钢笔工具、磨棒，然后图层蒙版，然后手工操作，精细活儿，对吧？但是呢，其实这个活儿你说精细吧，它确实精细，但是你仔细看一下这个，虽然它是单个功能，但是它在整个设计工作流里面被重复的次数非常非常非常多。

19:36就一个电商的卖家每天可能要拍几十张商品图，他要抠。一个新媒体小编每天要做好几张封面图，他可能要抠。然后我们自己呢，拍了张好照片，想换个头像，然后也要看到啊，背景太乱了，我要抠。所以这个任务虽然只是长链条里面的一环，但是它高频刚需，而且用现有的工具来完成呢，其实就是要点好多步。

19:58然后点十几次鼠标，拉几好多条曲线，然后对于非专业人士来说又慢又痛苦。对于专业人士来说呢，可能不痛苦，但是毕竟你也要点那么多下啊，这就是个机会。那Remove的、呃，点BGE的切口就是人像，就是它的MVP就很简单，一个网页，一个上传按钮，

20:14然后你可以上传你的人像上去，它就把你人像给抠出来。然后这个简单到极简，简单到简陋的网站，一度拥有六千万的月活用户，后来它被Canva收了。为什么当时只做人像呢？其实是极大地降低了模型和交互界面的复杂度。那产品就很简单嘛，不用去想说用户到底想抠那个图里面的狗。

20:36我还是抠那个杯子，目标确定啊，就是人。这样子就可以在最常见的用例上，因为最常见就是把这个人抠出来嘛，什么头像啊、自拍，就可以做出惊艳的效果。这个Aha moment就会来很快。所以我也在想说，我们有的时候设计产品，嗯，当然了，我觉得Manus那个也是很火的，很很牛逼的一个思路嘛，

20:54就是设计general。但是当我们设计得越具体、越聚焦的时候，其实越容易做出惊艳的效果。因为AI也现在当下还不是无所不能的嘛，对吧？那还是要聚焦。那PhotoRoom也很狠，它聚焦的就不是编辑图片，就是啊，是怎么赶紧把商品上架、赚钱。

21:12就是它抠的就不是人像了，抠的是商品，对吧？它核心用户就是那些呃搞电商卖货的，这个时候其实要的不是艺术性，要的就是商业效率。因为抠照片只是这个赚钱过程当中的一个环节嘛。那旧的方法就是用相机拍照，然后传到电脑，然后打开Photoshop，然后手工画那个圈儿，然后优化边缘、换背景、保存、上传到电商平台。

21:35一张图的话，手熟熟手也要花个五到十五分钟。那现在的话，你用手机拍照就可以了，PhotoRoom打开，AI自动抠好，点一个电商模板。诶，整个过程十秒钟搞定，这就很方便。所以如果你要卖个东西，你开个开个商家，过去用Photoshop的话，你一下午可能吭哧吭哧找一个熟手，

21:52也只能修二十张图。现在用PhotoRoom的话，一杯咖啡就可以搞上百件，这就是一个极大的一个数量级上的一个提升，对吧？然后而且这个数量级是直接跟你要花多少钱请人，以及花能够上上架多少商品、怎么赚钱直接相关。他们聚焦在一个小功能上，我觉得其实我仔细想一想，就是还有额外的好处。

22:12当然他们现在其实啥都做，但是早期聚焦在小小功能上，其实还有一个好处，就是数据飞轮会特别的直接。呃，这个词其实也被讲烂了，我我自己都讲过无数次，但是很多商业计划书里面会写。但是实际上大部分的公司数据飞轮是做不起来的，因为整个的那个任务太复杂了，最后的reward也非常不清楚，

22:34反馈闭环也很长。但是呢，他们两家开始的时候那个场景都非常单一，就是比如说一个是抠人像，一个抠商品图。他很快就可以找到一个高速反馈的业务场景，就是抠对还没抠对，对吧？抠得好还是不好，那那用户采不采用，一目了然。而且用户是否采用，就跟比如说你说要把这个人画漂亮，什么叫漂亮，那你没法定义，那这个时候就只看你抠图抠得好不好。

22:57它就不像别的SaaS软件，就是用户用得爽不爽，这个反馈周期就很长，而且你很难从用户的交互当中理解说我是否搞定了。但抠图这个人好坏立刻可以感知到，抠完满不满意，就是他是否下载就表明了一切嘛，他用都不用你这张图，说明没没搞对嘛。

23:16然后他继续去抠，就是还没还没抠好嘛。那这个时候的话，他的那个反馈就会来得比较的直接、比较的快、比较的精确。然后的话呢他他如果他的反馈是再继续抠，或者说他继续告诉你哪里还要再有一个瑕疵，你要再改的话，他其实就是在免费给那个模型做标注啊，提供训练数据，原图啊，错误的模板，还有一个正确的模板。

23:39这种高质量、高速度的反馈闭环，他们又可以在抠图的这个领域的话，可以继续地深化自己的模型，这样子构建自己的护城河，对吧？这样子用户体验也会有一个有一个壁垒。所以啊，跟大家分享这两个产品，其实我对这两个产品不那么熟啊，伽马。

23:55我是深度用户，然后这两个产品没那么熟，但是我非常感兴趣，想跟大家分享一下，就是觉得它给我的启发，就是我们可以去找一个巨无霸的软件，就是那种功能巨多、包罗万象的巨无巨无霸的软件，比如说Adobe啊、Office。然后我们去考虑说在这个软件当中，有没有一个对特定人群至关重要，但是操作很繁琐的一一套动作，要不然就是操作很烦，

24:19要不然就是需要专业技能才能搞定。如果这个动作更高频就好了。然后我们去定义说，诶这个这一套动作它对应的JTBD它对应的用户任务是什么？然后我们去看AI技术有没有可能更高效地帮助用户完成这个任务，然后可不可能在速度、成本或者易用性上实现十倍的提升？

24:39如果可以，我们看看能不能构建一个极度专注的，只解决这么一个小问题的MVP，看看大家用不用。如果MVP能走通的话，我们就再根据那个JTBD来完善周边的功能，逐渐地扩展自己。当然了这条路的风险也非常的明显，就是巨头反应过来就可以把这个能力集成在自己的主产品里面嘛。

24:58所以一个就是速度很重要，二是能卖的时候就可以考虑卖掉了。比如说我刚刚提到remove.bg就卖给了Canva嘛，这也是一条路。所以大家可以考虑一下，如果自己也在做产品的话。最后再介绍一家公司，这个是完全碰巧看到的。只是觉得比较有意思，然后跟大家讲一讲。

25:15我还不知道它怎么读，我我会把它读成Quartr，Q-U-A-R-T-R，这家公司。然后它我喜欢的话，是因为我有一段时间总在想说，其实最最理想的情况就是，我们做一家公司，它是收数据的，然后收上来这些数据，加不加AI，对大家都有用，对用户也有用。

25:35那这个时候的话，就是先把数据攒起来，后面再搞AI，这样子就感觉就是很稳妥。然后看到Quartr这家公司是这么干的，就觉得，诶，可以可以仔细研究一下。给我们比较能够参考的一个路径就是，去找一个高价值的领域，就是大家愿意付钱的。

25:51比如说他们找的就是投资决策的一个参考，然后发现有一类的数据需求。比如说那些投资的人可能各自要去找财报的电话会录音和稿子，那各自找，那不如我统一找好放在一起，然后你们就可以看嘛。这样显然就有一个把分散的数据聚合在一起的一个需求。

26:09然后根据这个需求，我们去提供一个简单的产品，就最简单就是把财报电话会录音放一起嘛，然后把用户吸引过来。然后等到AI能力达到之后，那我有专有的数据，那我就可以基于这些数据做出独特的服务和独特的价值。我觉得这套打法还是蛮很朴素，感觉都可以做。

26:29那在他们出现之前的话大家其实更多的还是在呃看数据来理解投资嘛，比如说什么彭博啊、路透社啊什么的，都有一堆的那个数据提供。但是呢，他们就会想说，其实有没有可能是各种非结构化的、非量化的数据，然后才是驱动市场的根本的信号，或者这部分信号是不是呃也有很多人在关心呢？

26:52啊，所以他的那个假设就是他去赌这些巨头忽略的，就是非量化的定性数据上面，也就是语言上面。他们觉得说最有价值的洞察就是不是通过计算而出来的。是通过解读语言当中的那些细微的地方来发现的。那为了让这个抽象的概念具体的话呢，他们就做了一个叫Quartr Pro的一个东西。

27:15然后这个东西的话，它回答的问题大家可以听一下，就会跟传统的很不一样。它回答的是类似于，哎呀，这个CEO股东信当中，随着时间推移的语气，有没有看出来他的资本优先事项或者战略方向的改变啊？在公司最近的两次财报会议当中，分析师提问当中最常出现的主题是什么呀？

27:35在描述市场需求的形容词当中的话，是否有任何一个在本季度被替换成更弱或者更强的同义词啊？通过这些啊，相当于一些可能不经意间流露出来的，通过语言、通过语气语调流露出来的信号，来判断说这家公司到底怎么样，情况情况如何。我觉得这是一个很神奇的角度，我觉得是蛮有道理的，但是就很难嘛。

27:58这些散落在语言当中的这些“面包屑”的话，他们觉得说这是很很有价值的金矿。这个判断其实是很非共识的，因为大部分还是搞数据的嘛。嗯，数据流，大家看K线图，他们先做的时候的话，其实就会对其他也觉得，诶，这个非非结构化数据有效的这些用户的话，

28:16就会是一个吸引力。所以他们第一个产品的话，就是一个免费的移动应用。其实就简简单单，就是把这些电话会录音给放到了一起，像一个播客一样，你爱听哪个听哪个，不用自己去找。这样子的话就可以吸引到本来就感兴趣这批数据的人。因为它是非共识嘛，大家都不觉得这是一个很重要的事情。

28:34然后，诶，你为什么要关心电话会里面那个人的语气啊，这不是很重要啊，对吧？因为是非共识，它就可以就是猥琐发育一段时间，它就在巨头的雷达上面就可以悄然成长了。等到那个ChatGPT火了，然后大家意识到，哇，数据很重要的时候的话，它其实已经在那里准备了一段时间。

28:51那在这家公司被大家所关注了之前的话，其实它大部分时间就是在搞基础建设。就比如说，就是在把全球数万家上市公司，嗯，散落在互联网各处的财报、录音会音频、演示文稿、并购公告、资本市场日材料，就是一个一个地收集、清理、结构化，然后统一到一个统一干净、易于访问的地方。

29:14这这让我想起来以前在了解贝壳这家公司的时候。发现那个链家其实花了大量的人力物力，就是为了搞建那个楼盘词典，搞清楚哪个小区哪栋楼在哪里，哪间房到底长什么样。然后一个ID对应一间房，这件事情就要花数个亿的成本来搞，但是搞出来了，别人没有的话你就牛逼，

29:34对吧？这项工作的规模就是非常的惊人。然后它现在数据库呢已经盖了全球27个市场的一万三千家上市公司。现在在口碑传播的时候的话，也让它第一年就拿到了三十万次以上的一个下载。然后仅仅靠口碑，因为大家想要这个数据的，发现这些都聚合好了嘛，它把脏活累活都做完了。

29:57跟传统要做一个AI的东西不一样，就是我做了一堆AI的东西，然后吆喝我是一个AI的牛逼产品，而是他就是去发现了一个真实的一个痛点，然后而且跟AI没关系，其实是数据上的痛点，然后他把这些数据攒到一起，然后说我有一个免费的B2C的应用，然后你就可以来用，然后用的过程当中的话，发现我的数据攒得很全，那么可能别人要B2B调API啥啥的，

30:20就会也要用我的数据。当然了，也有可能在中间插广告了，就好像我们上一期讲的那个OpenEvidence一样，这其实对于投资来讲，你插广告也是很正常的事情。所以先通过聚合信息，我觉得这也是一个常见的一个打法。那他为了做这件事情的话，我们说它是嗯小规模测试做得很准，一是因为它选的切口比较小嘛，另外一个就是它早期的第一个MVP就简单到令人发指。

OpenEvidence

30:45它其实就做了一个类似于播放器的东西，大家把QQ音乐它做了一个，或者做了一个小宇宙。但是这个小宇宙和QQ音乐里面只有一种东西，就是财报电话会的录音，然后你就可以播放这家的财报电话会录音，播放那一家的，非常聚焦，然后你一听就明白它是干嘛的，然后你如果刚好想要这个东西就可以下载一个，

31:05对吧？那就很明确。而他这个做的东西的话，他也不是满天下去打广告，他就直接在自己那个Twitter上的一个金融的金融Twitter的社区，这是他们本来创始人几个人在混的那个圈子，就比如说雪球、炒股吧，对吧？那些地方去去跑，他打的是一群浓度极高的这批用户，他们就就是天天想要去获取更多的差异化的信息的用户嘛，

31:27对一手信息的需求非常的旺盛，然后又愿意尝试新工具，然后这些人的话天天要泡社区的人的话本来也是比较愿意说的，很多都是是那个意见领袖，那就相当于帮他们打造了一个差异化的一个神器，那这样子就涨起来了嘛。然后其实他们也是伴随着这个社区的在成长的，种子轮融资的时候其实那个社区里面应该有很多人也投了投了钱，

31:50然后他们又是意见领袖也会帮他们讲好讲好话，是吧。创始成员本来就是社区的人，然后他们的产品服务给这个社区。然后这个社区里面一会儿有人投钱，一会儿有人给他吆喝，然后就是一个良性的，良性的一个增长。所以这里面给其他产品造成的一个，我觉得可以启发的地方就是，不是全世界去撒网呢，去跟人说我的产品多好，

32:12而是想想说，如果有30万人，他们是最需要我产品的，然后对我的缺点也会最容忍的，他们会在哪里？我有没有可能直接跟这群人混到一起，然后把这个产品的从零到一给做了。当他已经把这个从零到一给做完，已经呃滩头阵地已经巩固好了之后，那个飞轮的话是怎么做起来的呢？

32:34第一点的话，它的起步其实就是把市场上公开数据都用好，所以这点上其实相当于是寄生在了一个公开的规则上面，就是上市公司必须要披露信息嘛。那你披露的信息都已经在了，那我用这个信息都是合法的，我只是把你的分散的信息进行了聚合和优化。

32:51然后第二个的话呢，就是他会把自己做成一个基础设施。那我已经把数据啊海量的干净的结构化了之后，各个地方你们要用这种数据的时候，嗯B2B要用的时候，那我就可以提供这个API，那就把多年积累的数据资产打包了，那谁要用的时候，你就可以调用这个API，

33:08我可以收钱。那这个时候就变成了，我不是一个应用，我是一个军火商了嘛，我卖一层数据也能赚一笔赚一笔钱。比如说Publicity就会调用它，但是2024年他们就宣布说合作，然后里面Publicity如果要查这种什么财报啊，电话会的东西的话，就其实用的是那这家公司的数据。

33:27Quartr就会说，哇，我们很自豪能够站在什么什么什么前沿，然后Publicity就会说，哇，这些深度分析功能你看多牛逼啊，多多少件，然后我们现在就可以让所有人都能用到了。其实他们调的就是Quartr的API嘛，所以Quartr就把自己变成了一个基础设施。

33:45所以我们也可以想想我们能不能收哪方面的数据，然后这个数据的话我们已经收好了，比如说我们花了一千万收好了，那其他家要用的时候，我们能不能五十万让他们调用，那这个时候的话，有二十家我们也就回本了嘛，赚一点是一点，这也是一个思路，然后可以维护我们长期的一个生存和发展。

34:03当它变成了把自己的数据还往外卖了之后的话呢，其实这里面就有一个生态位慢慢就会变化了，因为我拿了很多人的数据，然后我to B在卖，其实本质上也卖不了太多的钱，但是如果我拿了很多的数据，我to B在卖，滋补了我一点点。然后让我攒了更多的数据，其实的话呢这边那个投资者就会越来越多，因为投资者他是可以免费的看到我这些数据的嘛，

34:27他就可以用的。那上市公司他要发布信息的时候的话，如果他希望投资者看到，就比如说我写我们公司又并购成功啦，啥啥啥的，他就会愿意到我这来发信息，然后他也愿意我的信息被我聚合到。然后越多的公司信息被我聚合到，平台的价值就越大。

34:44所以的话，最后其实会变成一个非常良性的一个双边的一个平台。我这边用户越多的话，其实我会越被上市公司重视，然后越被上市公司重视的话，我这边的独家数据也会更多。然后我就越好去收集大家的信息，然后越好的收集的话，我对于用户的价值也就越强。

35:02但讲到这里其实还跟AI没什么关系啊，就是先攒数据先攒用户。那攒完之后，嘿，好的。我可以吹吹一个AI聊天了，这就非常非常自然嘛，其实也不是为了AI做的。那他这样做的话，其实就非常像我们之前讲的OpenEvidence。其实你说它的模型有多强嘛，很未必见得。

35:19但是它背后的那个数据就是医生信的那些数据源，我只取这些数据源，然后我还帮你做检查，这事就非常重要。所以这边说你说这就扩展了他们的模型，他们的产品会有多强嘛，不见得。但是背后的数据，他已经花了那么大心思把它洗好了，整理好了。

35:36这个数据很值钱，加一个AI聊天就做起来了，对吧？加一个AI聊天就可以让它爆发，就有点像Raycast，Raycast之前也不见得那么火嘛，然后加一个AI也就也就突然一下就爆了。所以的话它之所以强就是主要还是因为，嗯不是因为发展是因为限制，就限制了我是从我积攒的可信的信息源来的这些答案，

35:58而不是那个浩瀚的充满噪音的乱七八糟的互联网上来的答案。它只从通过验证的第一方投资者关系材料当中拿信息，然后它的知识库完全由财报官方文件和电话会记录组成，这样子的话就不是那种猜我猜大家猜的那种自媒体的信息嘛。然后每一个回答都是那个可以点进去看它的来源的，所以这样子就更可靠嘛。

36:21所以在金融这个对准确性和可验证性要求比较高的领域的话，啊，它数据就是它的护城河。那个门槛不在于回答的好，而是在于引用的好，我的数字来源，数据来源来的好。而现在加了这个AI之后的话，本来你要去查半天的东西，要我现在问一句话就能出来。

36:39AI就把那个相当于下面都是柴火，攒了那么久的数据都是柴火，现在一点火，好，哎，爆炸了，这就这就火起来了。所以AI不是这家公司的救命稻草，而是相当于它的点火器，放大器。那攒那么多数据的话，这个时候就把数据转化成了信任。转化成了一个更容易用起来了，那那价值又开始倍增了。

36:59然后用户就可以为这个聊天这个pro的服务就可以付钱了，因为他们买的不光是AI，更是嗯高质量的专有数据担保的一个确定性。那飞轮就闭环了，就是呃数据资产赋能了一个很值得信任的AI产品，然后这个产品就带来了收入，然后这些收入又可以让这家公司有钱去搞更多的数据，然后深化更多的数据。

37:20所以呢我觉得这个也是给我们一个非常好的一个一个有意思的一个参考啊，就是第一个就是我们可以挑战一下行业里面这个最根深蒂固的一些共识，比如说行业里面大家都在看什么东西，有没有可能大家看的方向不对。或者另外一个方向其实也有一小撮人在看，但是没有被很好的服务。

37:39比如说在金融领域的话，是不是大家都在看数字，但是实际上很少有人去看语言和情绪。那这里面的话，是不是有机会？那我们所在的行业，你你有没有什么非共识的视角和观点？那里面可能会有一些非共识的机会。第二个呢，就是先不考虑AI，考虑建立你的数据资产。

38:00就是如果我们只看到算法和模型，那很多人也做不了嘛。但AI时代的话，最宝贵的资产可能是专有的结构化的数据。那Quartr它就说，你只要愿意，你就慢慢干脏活累活，然后你把数据都收起来。然后免费的像给提供给用户的话，那你其实可能就在建你的护城河。

38:20然后AI就是把我们的那个数据给点燃，然后把它变成资产的一个战略转化。倒数第二个啊，就是我们可以用MVP去搞。那与其我们一上来就想说我要去搞一百万个普通用户，那可以想想说有没有可能我们像他一样去找一万个，就是会非常需要我的产品的超级用户。

38:39他们是找到了一个一个群嘛，一个部落嘛，帮这个部落打造了一个他们都很爱的东西。我们有没有可能也找到一个小撮人，这小撮人会狂热的爱我们的产品。先找到这群人在做产品的话，成功率也会高很多。那最后呢就是把AI用在价值放大上，很多时候我们在用AI，嗯嗯，尤其是我这种人在鼓吹嘛，就是AI原生嘛，

39:02我们就会认为说这个东西没有AI就不应该存在。那但是这样子成风险其实很高，也可以考虑像他这样先用最朴素的方法，就比如说只是做信息聚合，来验证一个真实的痛点，然后就啊大家想看想听这种嗯财报电话会的录音，然后你就构建了一个自我循环的飞轮，然后你就攒了数据，

39:21然后攒了B2B的生态。然后在飞轮转得最快的那个环节呢，用AI说哎。你不仅仅可以查数据了，你可以提问了。用AI做杠杆，把这个核心价值给给放大。就核心价值就是从海量定性信息当中快速地获取可信洞察，把这个价值放大十倍，放大一百倍，这就牛了嘛。

39:39所以呢，今天分享了三个。第一个讲的是伽马，就是说我们要用新科技解决老问题，然后要是重新设计原子单位，然后要呃让大家设计产品的时候就要把那个病毒营销给设计进去。然后，呃，介绍的第二家公司是RemoveBG和PhotoRoom，讲的是可以找一个小切口，找到的是大家现在比如说每天要重复干一千次、一万次、一百次的事情，

40:06然后是一个工作流。我们有没有办法用AI把这个小事儿给搞定掉，它也很有价值。最后是扩展，有没有可能我们先通过为小撮人，他们天天都在看什么数据，我们有没有可能帮他们做脏活累活，先把数据给收了，然后给他们提供了价值，然后再想想AI在上面怎么放大这个价值。

40:24这都是一些，呃，做AI产品的思路，分享给大家。然后如果你也在做AI产品的话，然后已经有一些PMF的话，呃，欢迎留言。然后聊聊。啊，今天先这样，我嗓子已经哑了。好，拜拜。

40:38欢迎推荐给其他也在做AI产品的朋友们，拜拜。