我在极客公园闭门夜聊中的思考

前几天有幸参加了Founder Park举办的AI夜聊会，见到了不少正在AI应用创业的朋友，交流中收获颇丰。因为活动内容偏内部，这里只整理了我分享的可公开部分，其中有不少非共识的观点，甚至可能有些暴论性质。权当抛砖引玉，供大家讨论。

DeepSeek带来的行业趋势判断

DeepSeek将强化学习（RL）与LLM融合，并且开源训练过程——这条技术路径，今年大概率会催生出成本更低、推理能力更强的模型。有意思的地方在于，最好的模型未必出自幻方自身。由此推演，国内的资金流向和投资趋势也会出现一些变化。

先看资金面。外部资金很可能出现小幅回流。海外资本除了关注宏观政策环境，更在意资产价值的走向。如果国内资产处于明显的上升通道，境外资金通过各种形式增持是必然的，国内的资金盘总量因此会变大。

再看投资方向。年初投资圈定调要押注AI应用层，DeepSeek的横空出世很可能会改写这一判断。训练成本大幅下降，意味着除了老牌大模型厂商，更多垂直领域的创业公司也有机会训练出表现更好的模型。单笔投资金额或许会变小，但投资标的增多，投资总额反而会上升。

另外值得关注的是，LLM与传统AI技术结合的技术路径会越来越热。DeepSeek带来了一些很有创新性的结论：最具性价比的推理模型，应该对齐人类的感知学习和思考方式——LLM本身走的并不是这条路。堆算力和堆参数不是最优解，LLM“基于概率的单向输出”模式，也无法解决平行世界的推理问题。

举个例子，一些观点性问题——“如果XX公司当年没被收购，在这一波AI浪潮中能否成为一家伟大的公司？”这类问题从未发生过，但LLM融合RL之后，具备了平行世界推理能力，许多分析型场景得以创造和落地。当然，解决这类复杂推理并不只有RL+LLM这一条路，模仿学习等方向今年也可能有更多技术路径被探索出来。

更多AI应用新场景有望落地

DeepSeek在复杂推理上的突破，会挖掘出更多新场景。这些大概率是过去一直存在于“许愿池”里的场景，而非凭空创造新需求。比如虚拟陪伴、AI社交，在逻辑一致性上能表现得更好，从而解锁时间线更长的场景——在短期无法解决记忆问题时，能否通过推理能力弥补记忆短板？

一个共识是，Agent的热度会随着模型推理能力的提升而回暖，解锁更多ToB场景的问题。

AI应用落地与商业化原则，以及DeepSeek带来的新机会

AI应用落地和传统产品方法论有本质不同。核心在于：技术路径能否满足用户预期？更重要的是，在现行技术约束下，如何通过产品形态转换来解决用户的问题？

我把AI应用落地到商业化的过程拆解为三个阶段，自下而上完成：TPF → PMF → GTM。

拆开来细看每个阶段的核心验证要素。

TPF模型的本质

TPF的核心要素是：目标用户对AI结果的预期，与AI实际能力的差值，与非AI能力成反比。这里的关键在于“目标用户是谁”以及“对AI结果的预期是什么”，不是拿人的能力和AI直接对比。

举个例子，某AI PPT厂商真正跑通PMF的，并不是办公室给老板写PPT的职场人，而是幼儿园孩子的家长。家长时常被迫给孩子做PPT交差，他们本身做PPT的能力有限，对AI生成效果也没太高预期，对模板没有要求——用户需求很容易被满足。传统AI能力解决不了这个问题，但这个场景的TPF非常成功。

从TPF到PMF，要考虑用户需求频次、交互成本、应用研发成本等因素。从这一阶段开始，需要衡量投入产出比。

到了最后一步的GTM，才真正面向市场，考虑行业壁垒、商业规模、客户价值认知等商业层面的要素。

最核心、最基础的地方，恰恰是TPF阶段。LLM/AI的价值在于对开放域能力的解决与提升：输出开放性越好，客户的预期越接近AI实际能力。开放域/封闭域的概念定义很简单：有多少可被规则和枚举穷尽的路径——无限集还是有限集。大部分场景下，开放域和封闭域不是互斥的，而是同时存在、各有占比。

从这张二维坐标图可以看出，紫色部分是解决得较好的场景，黄色部分是能超过基准线的AI应用能力。

做产品的策略，就是把TPF的可用度尽可能做到最高。思路有两种：找到一批能接受当前AI能力的低预期目标用户；或通过工程化手段提升AI的实际能力。类似RAG企业知识问答就属于后者。这里重点聊聊目标用户的选取。

海外一家明星CRM生产力工具创业公司Day.AI，在其自述中提到：现阶段AI直接帮用户做销售决策难度很大，但实际作业中存在大量沟通信息记录等繁琐事项。所以他们将产品定位在解决事务性工作，把用户的精力集中在做决策上。对于企业客户决策者来说，这个故事不够“性感”——没有解决营收的核心问题。但对一线用户来说，这恰恰很重要。

DeepSeek的出现会带来什么变化？它的超强推理能力，也许不一定直接为用户提供决策，但能将解决问题的效率和决策质量提升数倍。做决策时，我们通常依赖算法（方法论）+算力（处理速度）+数据（信息源获取）。三者的协作关系可以用以下流程图表示。

决策过程经历多个阶段，推理的价值在于更好地从信息中发现问题并给出合理假设，为决策提供更高质量的辅助。这就像投资机构的行研报告能从海量信息中提取有价值的内容，但不会直接告诉你该投哪家公司、投多少。

关于ToB市场的趋势判断

To小B市场可能迎来Super App

随着这波AI热度增长，国内小B方向会带来明显的增量市场。过去常说中小企业被国内SaaS行业抛弃，很大原因是付费意愿不足。付费意愿不足，并非中小企业资金不够，而是没有让客户看到可衡量的收益。

可以参考一个案例：过去几年小B税务筹划行业火了一阵子，业务核心是通过税收政策的信息差和操作方式为中小企业降税，厂商从节税额中提几个点作为用金。这种场景下，中小企业会不愿意付费吗？

AI带来的正是类似机会。AI的本质是生产力提升，如果能精确计算降本的回报，客户自然会为此买单。

中大企业市场长期依赖定制开发，但天花板变高了

在技术变化和应用能力不足的情况下，中大企业市场的AI应用落地可能依然依赖定制化开发。但与以往不同的是，天花板会变得更高。

过去常有一个误区：定制化等于商业效率低。其实不然——真正的问题在于，客户通过AI没有带来自身效率的大幅度提升，也没有真正带来商业效率的提升，而定制投入成本居高不下。回顾AI 1.0时代，为什么没有解决商业效率问题？过去的AI解决的是单一场景问题，单场景背后，研发资源成本投入与场景产出的ROI总是不划算。大模型带来的门槛更低，商业效率更高，中大企业的天花板也会更高。

短期ToB方向格局不变，但老赛道会有新玩家跑出来

按效果付费的商业模式将是这一代产品的主旋律。这不仅意味着产品的改变，更是商业模式、组织能力的改变。如果产品面向小B企业且按效果付费，过去靠喝酒拼关系搭建的销售组织能力模型，可能就此终结——能带来赚钱或效率提升的产品就能付费，关系销售就没那么重要了。

传统产品方法论是从“五看三定”的产品商业化分析，到具体的技术产品落地匹配。但AI应用的落地必须变成自下而上的：从TPF到GTM寻求单点突破。过去为了“决策人价值传递”做的售前策略，分析完发现落不了地。ToB老玩家路径依赖往往比较严重，想改变很难，这恰恰可能成为新玩家的机会。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：我在极客公园闭门夜聊中的思考要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题