微信｜H997Hbiu
AI 降低了把想法变成产品原型的成本，也在改变“能把它做出来”这件事的分量。
借助模型、编程工具和云服务，一个小团队就能开始尝试过去需要更多人力才能推进的业务。但当这些能力变得更容易获得，开发能力本身，已经不足以解释一个产品为什么值得用户选择。
创业者需要更早地面对那些过去可能被漫长研发过程推迟的问题：需求是否真实，产品是否适合用户的使用习惯，每一次服务能否带来足以覆盖成本的收入。
而模型的快速进步，又让这种判断变得更复杂。
今天花力气开发的功能，可能被下一代模型吸收；而对行业和用户的长期积累，也可能因为模型变强，终于有条件做成产品。
对创业团队来说，技术投入的关键，越来越包含一个选择：哪些能力可以交给平台，哪些理解必须留在自己手里。
在 ACC 的活动中，硅星人与 Google Cloud 大中华区初创生态 Activation 负责人 Heather Zhang、Google Cloud AI 业务拓展经理 Yuanke Ma，以及庞伯特 AI 算法负责人冯云龙，围绕“从 Demo 到全球产品”展开了一场对话。
从 Google Cloud 接触初创团队的观察，到庞伯特将 AI 带入真实运动场景的实践，三位嘉宾讨论了产品开发、寻找海外用户和进入增长阶段时，各自观察到的难题。
我们从这场对话中整理了以下要点：
- 模型能给得更多，产品却可能需要做减法。
庞伯特的 AI 网球教练，会控制输出，一次只给初学者当前最重要的一条建议。用户能够理解并采取行动，才是这项能力的价值所在。 - 技术迭代越快，越需要判断什么值得自己积累。
通用能力可以借助模型与托管服务，行业数据、业务逻辑和用户理解则需要持续沉淀。 - 全球化应当从产品的适用范围出发。
可以跨市场复用的软件服务，与依赖本地行业知识的垂直产品，需要不同的进入路径。 - 用户增长后，不一定必须换成更便宜的模型。
如果用户愿意为结果支付足够的费用，能力更强的模型同样可以支撑一门生意。比日活跃用户数更值得追问的，是每次交付的价值与成本。
以下为经编辑整理的对话实录，内容有所删节。
从 Demo 到产品：开发变容易之后，什么仍然很难？
硅星人：过去做一个面向全球市场的产品，往往需要较大的开发团队、成熟的基础设施和较长的验证周期。现在，模型可以辅助写代码、设计产品、处理多语言，云服务也能让团队快速获得全球基础设施。
做出 Demo 的门槛确实降低了，但能运行的 Demo 越来越多，真正形成产品和增长似乎并没有同样变容易。三位分别来自创业生态、云技术和产品实践领域，想先请大家聊聊：AI 降低了哪些门槛，又有哪些难点依然存在？
Heather Zhang： 最近一位连续创业的朋友给我留下了很深的印象。他的新团队只有两个人，同时在尝试短剧和面向企业的 Agent。
我当时的第一反应是：两个人够吗？后来他给我展示了自己的工作方式，有助理 Agent、负责导演工作的 Agent，还有负责内容生成和审核的 Agent。两个人把过去积累的方法论放进这套系统，就能开始推进业务。
这让我很直观地感受到，把想法从零推进到零点一，确实容易了很多。学生和做副业的人也更容易入场。
但从零点一走到一，再走到十，仍然需要深入理解用户：他们如何使用产品，原来的工作流是什么，产品应该进入哪个环节。在此基础上，还要考虑进入市场的策略、合规和本地化。每一个环节都会影响产品能不能继续走下去。
Yuanke Ma： 是的，现在做 Demo 的能力下限提高了，但能不能赚钱，仍然取决于有没有找到用户愿意付费的价值点。
从技术上看，我建议团队早期使用能力足够好的模型，先探索产品能做到什么程度，再根据业务和成本调整选择。
但模型只是其中一部分。搭建 Agent，还需要模型之外的工程系统，也就是 Harness。随着模型能力快速进步，更值得团队持续积累的，是工程能力，以及对产品场景和业务的理解。
一些基础技术环节可以选择容易上手的工具或托管服务，把更多精力留给产品。
冯云龙： 落到产品上，我们的感受是，从 Demo 到上线，反而需要做减法。
过去一个想法需要客户端、服务端和架构师配合才能实现，现在一个开发者借助 AI 就可能很快跑通。但跑通之后会发现，它能提供的信息和功能太多了。
以我们做的 AI 网球教练为例，让 AI 给建议，它们可以讲很多。但初学者一次能够接收和消化的信息有限，不同训练阶段的用户，需要的反馈也不一样。所以，我们会要求 Agent 只给出当前最重要的一条建议，或者这个阶段最需要注意的一件事。把这一点讲清楚，用户反而更容易接受。
从 Demo 到产品，需要继续打磨对用户的理解，也需要控制输出。
从产品到市场：怎样找到第一批海外用户？
硅星人：理解用户到了出海阶段，又会多一层复杂性。现在不少团队希望从第一天就全球化，把海外看成一个整体市场。但具体到产品，不同国家的需求、使用习惯和环境可能并不一样。哪些团队适合一开始就面向全球，哪些需要先把一个市场做深？这些差异又会怎样进入产品？
Heather Zhang： 首先要区分产品类型。我们接触的初创团队，有做软件的、做硬件的，也有做 To B 服务的，不能用同一种方式判断。
如果一个产品的服务和核心价值可以适用于不同市场，没有太多差异化要求，那么从第一天开始考虑全球化是合理的，也有机会以相对较低的成本获得第一批用户。比如，一些软件和 Agent 应用团队会考虑，能不能先从巴西、印度等市场，以比较低的成本获取一批用户，看看使用路径和业务流程能不能跑通。
但法律、金融、运动训练等更垂直的领域，就不适合一开始铺得太开。我见过一些团队，初期会选择广撒网，对全球市场做粗略的划分后，就开始进入市场。结果成本很高，用户的参与度和黏性却没有跟上，初创阶段很容易因此遇到问题。
冯云龙： 对我们的产品来说，确实需要区分。我们会根据不同地区的用户需求，调整产品设计和算法。以网球为例，通过调研，我们发现一些海外用户更偏向训练和球技提升；国内的一些用户，则更看重健身、娱乐，以及在日常工作之外活动起来。
用户想获得的价值不同，AI 教练提供的训练内容和反馈方式就会不同，这会直接影响产品和算法的迭代。
硅星人：这些差异，往往要真正接触用户之后才能发现。对刚做出 Demo 的团队来说，第一批用户应该怎样找？又应该看哪些信号，判断自己找到了值得继续投入的需求？
Heather Zhang： 我看到过的一个常见问题是，创业者很容易从自己的角度判断产品。创始人和管理者都觉得自己的产品很好，身边的人也会告诉他：“你做得很棒，这个产品很好。”
这个时候反而要谨慎，不能因为周围的人都说好，就认为需求已经成立。一定要做一个小范围试点，看看真正付费的用户是什么样的，使用之后的留存情况怎么样。
我觉得创业需要感性，也需要理性。你当然要相信自己的产品，但进入市场的选择，还是要根据所处的领域和实际反馈来做。还有一点，即使现在处于从零点一到一的阶段，也要考虑从一到一百可能遇到什么，提前做一些规划和预想。
冯云龙： 从我们的实践看，网球、乒乓球训练的需求一直存在。近几年，我也感受到，愿意为健康和运动花钱的人越来越多。关键是弄清楚他们具体需要什么，再逐步找到第一批、第二批用户。
过去的办法，是安排同事做调研问卷，在论坛发帖，跟进 KOL 和各个社交媒体渠道。现在有了 Agent 和 Harness 框架，我们可以通过大模型中台，为市场和调研同事提供工具，自动收集用户的声音、归类需求，再分析不同的用户圈层。这样一步步推进，把需求找得更具体。
硅星人：那么从技术角度看，一个产品开始面对不同国家的用户时，会遇到哪些难点，又应该怎样应对？
Yuanke Ma： 我们服务的很多团队，从一开始就在考虑全球部署，需要同时处理性能、延迟、网络，以及合规和安全。
如果这些事情都自己做，成本会比较高。现在一些初创团队会用 AI 和 Agent 来提升效率，团队的精力就可以更多的用于核心工作了。
比如我们 Google Cloud 也提供相应的托管服务，帮助团队在目标市场部署和拓展。我们把模型能力、性能优化和基础服务做好，创业团队就可以减少日常运维上的重复投入，更专注于寻找客户、设计产品和判断业务方向上。
与此同时，团队也要对技术变化保持敏感。我们接触的一些全球化团队，创始人视野很开阔，也非常关注社区的进展。现在，AI 发展太快了，我们经常开玩笑说：“有些技术，学得慢一点，可能就不用学了。”
所以做技术选型时，需要判断，哪些功能可能在下一次模型升级时就被内化，哪些能力值得自己持续积累。我更建议团队把精力放在特定行业的技能、认知和产品方向上。这样，模型能力越强，你的产品也能做得越好。
当下的一个共识是：今天做产品，要为下一代模型能力提前准备。并且工程化能力本身也在变化，从 Prompt Engineering，到 Context Engineering、Harness Engineering，再到现在讨论的 Loop Engineering、Graph Engineering，社区一直在探索怎样让智能体协作，完成更长的任务。
这些变化会影响技术选择。团队需要跟进，也要想清楚，自己正在投入的工作，会不会随着下一轮模型升级就被吸收掉。
冯云龙： 我们也在做这样的判断。找到用户需求之后，就要讨论满足它需要多少投入，其中哪些事情应该自己做。
以 AI 教练通过交互提供反馈为例，去年一些团队还需要投入较多资源训练模型、迭代 SFT，也就是监督微调。但基础模型不断进步，我们就会反复问自己：与基础模型之间的差异究竟在哪里，护城河是什么？
接下来，我们会更关注行业数据和业务逻辑的沉淀，把基础模型的能力交给 Google 等模型厂商。自己需要积累的，是对这个行业和具体需求的理解。
进入增长阶段：如何算清经济账？
硅星人：从找到用户，到真正进入增长阶段，又有一笔账要算。Yuanke 刚也提到，早期应用可以用足够好的模型探索产品能力，但不少团队到了用户增长阶段，才发现成本难以覆盖，不得不急着融资，或者调整产品和市场策略，原来的节奏也被打乱。进入增长阶段，创业团队应该怎样平衡效果、成本和收入，让增长能够持续？
Yuanke Ma： 这个问题我专门想过，有一个看法可以供大家参考——AI 产品的增长，可能不能完全沿用过去互联网产品的思路。
过去我们通常先跑通商业模式，验证用户生命周期价值，也就是 LTV，以及投入产出能不能成立。接下来，通过 Google 等渠道投广告，大量获取用户，再依靠用户规模实现盈利。
但到了 AI 时代，用户量和收入未必成正比。结合 a16z 定期发布的报告来看，用户规模与收入之间的关系在变化：DAU，也就是日活跃用户数，并不能直接代表产品的赚钱能力。
所以，我建议开发者早期使用 SOTA，也就是能力领先的模型，或者足够好的模型，验证自己的业务模式。最重要的是找到一批能够稳定付费的用户，这批用户不一定特别大，也可能带来足够的收入。
如果投入产出已经成立，那么即使规模扩大，模型也不一定需要换。后续如果通过模型迭代，或者改用 Flash 这类成本更低的模型，能够在保持效果的同时减少支出，利润当然可以进一步改善。
但不能把这件事理解成一个固定流程，关键在于创业团队应该找到用户愿意付费的场景，持续迭代、交付结果，让这个场景中的用户持续付费。
Heather Zhang： 沿着 Yuanke 的这个判断，运营上也需要更深入地理解用户。
比如社交和娱乐类应用，哪些用户值得重度运营，哪些暂时没有付费，哪些活跃度较低，需要做分层。他们可能对应不同的变现方式，适合使用的底层模型也可以不同，比如 Flash 或 Pro。
当团队开始进入市场、扩大业务，本地化和合规等问题也会陆续出现。我会建议大家，在问题真正发生之前，就找到相关的社区和合作伙伴。
我觉得现在中国的初创生态很好，这也是这类交流活动的意义。出海很难靠一个人单打独斗，能否找到合适的社区，并把其中的资源用起来，非常重要。
我们在 Google Cloud 的初创生态工作中，也希望成为这样的对接窗口。比如团队有融资需求，我们可以帮助连接相应资源；在不同的垂直领域，也有对应的社群和合作伙伴。
AI 已经让一些基础的本地化工作变得更容易。更需要补上的，是像庞伯特这样，对某个细分领域的用户和需求的理解。这部分仍然需要行业经验，也需要找到合适的资源一起推进。
面向下一步：先验证什么，关注哪些机会？
硅星人：前面我们从 Demo 聊到了找用户，再到增长后的经营问题。假设现场就有一位已经做出 Demo、准备出海的开发者，把这些讨论落到他接下来要做的事情上，你们最希望他先确认什么？有哪些来自实际工作和产品经验的建议？
Heather Zhang： 我长期在平台侧工作，更多是提供一些观察方向，而不是判断一家公司的成败。我会关注两个方面：不可替代性和可持续性。前者是产品在所处领域里有没有独特价值，后者是它正在解决的问题是否仍然成立，未来还有没有成长空间。
技术变化很快。如果团队一直专注于过去的问题，却没有意识到技术和市场已经发生变化，就需要重新审视方向。对这些变化保持敏感，非常重要。
Yuanke Ma： 我从技术和业务两个维度谈一下。
技术方面，可以从 Google Cloud 的 Gemini platform 说起，它提供的能力分为四个层面：构建、扩展、治理和优化。
首先是构建，也就是 Build。团队可以借助 Antigravity 等工具，加快编程和智能体应用的开发。但做出一个运行在自己笔记本上的 Demo，接下来还要考虑怎样部署出去，让全球用户能够使用，这就是第二个层面，Scale。
这个阶段需要解决很多具体问题：智能体运行在哪里，敏感代码如何在隔离的沙箱中执行，上下文和长短期记忆怎样存储、怎样高效读取。这些环节都可以使用平台提供的托管服务，我们的技术团队也可以参与配合。
第三个层面是治理。可以把智能体理解为数字员工，它也需要身份认证、权限管理，以及对输入输出的管控，例如检查有害输出和提示词注入。
第四个层面是优化，需要看清智能体每一步接收了什么、输出了什么，是否符合预期，并进行评估和模拟。
从开发、部署到治理和优化，这些都是智能体进入实际业务时需要考虑的事情。托管服务的意义，是帮助团队节省精力，让大家有更多时间思考：自己真正能够沉淀下来的是什么，与其他产品的差异在哪里。
业务方面，我们与投资人也有比较紧密的合作。评估一个团队在全球化上有没有机会，可以从几个方面看。
首先是方向，是否选择了一个快速增长的赛道；其次是人，创始团队的人员构成和背景；第三是资金，包括投资人的支持，以及我们能够提供的云资源额度；最后是时机，是否在合适的时间做这件事。
结合这些因素，可以判断团队是不是在一个合适的方向上，以及业务有没有快速发展的可能。
冯云龙： 从我们的经历看，有两点想分享。
第一，尽量找到已经存在价格锚点的需求。比如网球教练，用户原本就知道这是一项需要付费的服务。我们在此基础上提供不同的价格和价值组合，用户比较容易理解。如果是过去从未付费解决的问题，就需要重新解释为什么值得花钱。
第二，把具体的使用过程想清楚。我们的用户可能需要打开手机，通过蓝牙连接发球机，再连接其他设备。而真实的网球场可能是弱网，甚至没有网络。
从开始操作到获得价值，中间任何一步失败或退出，都可能造成用户流失。创业者需要进入具体场景，一步步检查用户会遇到什么。
硅星人：最后再往前看一步。模型和工程能力还在继续发展，小团队能够尝试的事情也在变化。未来一年，你们认为哪些产品方向值得关注，创业者又应该怎样判断这些机会与自己的关系？
Heather Zhang： 只要把握好用户需求，每个领域都可能存在机会，不必因为某个方向热门就焦虑。
个人智能体，也就是 Personal Agent，现在很受关注，但团队仍然需要想清楚自己解决哪个问题，竞争对手在哪里，也要考虑未来一两年可能出现的新竞争者。
金融、法律和医疗等垂直领域都有细分机会。最终还是要回到团队自身：手里有什么能力和资源，对哪些产品和用户理解得更深，再决定继续深耕什么。
Yuanke Ma： 我也看好垂直场景，尤其是能够持续交付结果的产品。
过去 SaaS 常常按照软件或席位收费，未来一些 Agent 可能逐渐转向按结果收费。客户关心的是谁能把事情做成，能够稳定交付的团队，会有更强的竞争力。
另一个方向，是与物理世界交互的产品，比如庞伯特、PLAUD 所做的尝试。人的生活包含图像、声音、视频，以及真实环境中的行动。能够深入这些场景的软硬件产品，有机会获得不同类型的数据，解决更广泛的问题。
冯云龙： 我会更多从硬件看。一些具身智能能力目前主要集中在资源充足的公司手里，未来一两年，有没有可能像基础模型一样，成为小公司甚至个人开发者也能使用的能力？这是值得关注的方向。
但对开发者来说，还是要先想清楚解决什么问题，再把场景里的知识、资料和行业经验积累下来。底层技术进一步成熟时，就可以利用这些能力，把自己理解的需求真正做出来。
