厘清趋势：年度复盘与2026创新主线

本文来自微信公众号： 出海同学会 ，作者：出海同学会，原文标题：《干货｜厘清趋势：年度复盘与2026创新主线》

2025年即将收官，AI领域的叙事翻转速度前所未有。

年初被热捧的方向，年末可能已无人问津；被低估的赛道，反而跑出了真金白银的结果。哪些方向真正被验证，钱流向了谁？与此同时，2026年的竞争格局正在形成：AI创业主战场会在哪一层？什么样的壁垒真正有效？而即将到来的CES 2026可能释放的信号，是否意味着AI+硬件的新周期已经到来？

本期闭门会，我们邀请创业者、行业企业代表和投资人，从年度复盘到未来主线，从软件应用到硬件周期，试图在热点与结果、预期与现实之间，厘清真正的趋势。

💡阅读小Tips：

因原文逐字稿巨长

部分内容由ChatGPT精炼

以下为精彩节选

全文无删减版请扫码移步知识库

PlushAI|CEO Sharon

阿里|投资总监南婉娇

某战投|Joyce Dong

微软|首席产品设计师刘妍

无界方舟|合伙人&CPO杨冬蕴

玄源科技X-Origin|品牌负责人范桑尔

一些同学因公司PR保密不能公开

或有部分内容需要删减

我们同样感谢他们的精彩输出

本期我们将同学们在zoom输出的重要观点

也整理进入了此次笔记

如链接或企业名为嘉宾引用第三方，侵删。

要点问题

SEAMATE

Part 1复盘2025:热点vs结果

哪些AI方向从"被追捧"到"被验证"？

AI应用与AI硬件，长期可持续的竞争壁垒应如何构建？

Part 2看未来2026:主战场在哪里?

2026,AI创业的主战场会如何迁移?机会将集中在哪一层？

创业公司生存与发展最关键能力是什么？

新一代AI应用如何构建难以复制的长期壁垒？

Part.01复盘2025:热点vs结果

1.1哪些AI方向从"被追捧"到"被验证"？

1

Joyce Dong：

——某战投

我个人感觉今年有几个明显的趋势。

首先，AI Coding这块已经跑通了。无论创业公司还是大厂，都在积极使用，比如我们公司和字节，内部代码生成的占比已经非常高。很多创业公司也说，他们三五个人靠AI coding工具，就能很好地把产品launch出来。所以我觉得，Coding这个工具本身，已经被验证是跑通的。

其他像销售、法律等垂类应用，海外更成熟，国内因为数据敏感和公司体制，更多是内部工具调用。

今年另一个非常明显的方向是多模态。图片、视频，尤其是语音，大家投入都在加大。落地应用明显变多了，但商业模式还没想清楚，今年更像从模型走向落地的阶段，可能明年会有更成熟的应用。

硬件方面，我觉得今年下半年在投资圈特别火热。受益于影石、大疆的成功，硬件创业者明显变多，我看到了很多不同形态的产品。硬件最关键的一点是抓住痛点，还是痒点。比如Plaud抓住“苹果手机不能录音”这个痛点，用户愿意付费。但大家会关注，它跑完第一条曲线后，创始人能不能跑出第二条曲线，从单一技能点拓展到更多场景。

除了痛点，还有一个方向是陪伴，包括陪伴老人、小朋友的机器人。这个方向需求确实存在，而且对模型幻觉的容忍度高。这类“抓住消费者小痛点，同时模型能力又能解决”的场景，是可验证、可落地的。

以上是我一些浅显的观察。

南婉娇：

——阿里

我自己观察到，2025年初开始，随着推理成本下降，应用层的商业化真正成为可能。从商业化数据看，今年收钱能力最强的，依然是Coding场景。我10月在硅谷参加OpenRouter的分享，他们提到，在他们社区通过API调用时，对话轮次最长、消耗最高的场景基本都是Coding。

第二个我看到增长速度比较快、而且已经跑出明确商业化数据的，是多模态。随着国内可灵的出现，多模态在海外表现非常亮眼。比如Higgsfield的ARR已经超过1亿美金；OpenArt也超过5000万美金，这两个产品里视频占比都非常高。国内像Lovart、Liblib商业化也在持续增长。

另外一块是垂直场景的Agents。相比之下，国内目前看到的垂类Agent还不多，或者说商业化进展明显不如海外。我个人感觉，这和之前中国ToB SaaS收费难有关系。国内企业对数据保密、流程标准化要求更高，希望自建；而海外更容易接受直接用Agent产品，加上人力成本更高，替代的ROI更容易成立。

我10月在硅谷听了一场Anthropic的Panel，他们提到，AI整体渗透仍处在早期。很多时候不是模型不够，而是人和环境还没有把模型能力充分释放出来。尤其在ToB场景，渗透不及预期的重要原因是底层环境没准备好，比如文件抓取、数据抓取和整体Infra配套还不完善。

以上主要是我基于软件方向的一些观察。

Emma Zhu：

——ex-大模型战投

我这边的视角可能稍微有点不一样，我会从模型视角、一二级产业链、国内外结合的视角来聊聊2025年的体感。我觉得2025年的主题还是可以分层来看：模型层、中间层和应用层。

模型层其实已经进入到一个“数一数最后谁还在牌桌上”的阶段。海外大概还有五家大厂，国内在追赶，但客观说存在代际差，大概还有6家在持续投入Pre-train。虽然还谈不上特别爆发式的商业化，但已经能看到API的真实应用落地，以及海外商业化的进展。我个人感觉，模型层可能已经逐步走过了一级市场投资的黄金阶段，现在更多进入到“谁能追得上”的阶段。现阶段模型层拼的还是：钱、卡、人均算力，以及对顶级算法人才的吸引力。往明年看，我还是会比较关注模型层本身的智能进展，比如LLM的Online Learning和多模态。

中间层主要是弥合模型层和应用层之间的gap，有很多面向LLM的Infra公司和面向Agent的推理公司。这是华人团队比较擅长的领域。但我觉得，这类公司从Day One就需要考虑全球化，甚至要提前思考如何进入Enterprise的BD体系。

应用层我个人也非常关注。从时间节点来看，我觉得2026–2027年会有更多场景陆续被解锁。2025年，除了Coding，确实还没有看到在商业化上特别惊艳的场景。往后看，可以分为ToC、ToB两个方向。

ToC主要关注几个大方向：工具、电商、社交和内容。从一级市场角度，我会更关注内容型产品，比如多模态交互、可玩性更强的游戏或泛娱乐产品。这类产品有几个优势：一是更容易从0到1做产品、拿用户；二是天然适合做全球化版本。随着多模态、3D、音画同步生成视频、生成GUI等模型能力的解锁，会出来很多更有意思的交互和内容形态，这一块我会重点关注。

ToB场景的优势在于生产力价值非常直接。在各个行业中做工具，本质上都在做Agent。从全球各行业的人力成本和生产力角度看，AI的渗透都是必然趋势。所以我个人会比较关注全球范围内ToB应用的进展。

高宁：

——Linkloud

我自己觉得，从ToB的角度来看，今年每一个场景都在被做得更深。

我们之前比较早地提到过AI Roll-up这个概念：很多SaaS公司不是被传统PE去整合，而是由AI公司来改造传统行业，重构这些服务。

最典型的例子就是客服。如果一个客服中心的毛利率可以从30%提升到70%，你显然不能再把它当作一家外包公司，它更像是一家高毛利的软件公司，而这一切的前提就是AI。这件事从年初就开始讨论，虽然因为组织问题推进没那么快，但逻辑上是make sense的。更巧的是，年末我一个朋友的公司，今年在美国做的一件事正好印证了这一点。他们给美国的餐饮夫妻店提供Call Center服务，帮你把所有订餐、预订电话都接起来，并和后端系统打通。他们卖的不是软件，而是按Call Center收费的服务。实际上，这个Call Center背后主要是用AI在接电话。这个模式已经开始跑起来了，主要服务那些过去没有被很好服务到的线下服务业。一些全球化的创业公司也已经开始在美国做这件事，虽然体量还小，但在劳动力成本很高的市场，客户是愿意为这种方案付费的。

所以，今年在ToB这块，我个人觉得最有意思的一个点，就是AI Roll-up。我看到日本有人在想，美国有人在做，一些全球化的创业者也已经真正落地在执行了。虽然规模还不大，但这个方向确实值得持续关注。

1.2AI应用与AI硬件，

长期可持续的竞争壁垒应如何构建？

范桑尔：

——玄源科技X-Origin

先说AI硬件这件事。我觉得目前整体还处在PMF尚未被大规模验证的阶段，现在市面上的很多产品，本质上更像是一个过渡期产品。我们公司的打法，和那种以大单品为核心的公司会略有不同。我现在主要负责前端市场，希望能贴近实业、贴近销售，真正去理解消费者如何看待AI硬件。在试水过程中，我有几个比较明确的感受：

第一，AI本身在销售层面并不会自动产生很强的价值增量。尤其在美国市场，消费者对AI并不像国内那样存在强烈的“政治正确”或情绪加成。

第二，相比讲故事，把产品和具体场景、以及消费者最切身的实际benefit结合起来，更容易打动他们。我们针对每一款硬件测试非常多的使用场景，切片投放，找到转化率最高的场景，再反过来推动产品迭代。

从我目前跑下来的体感来看，AI硬件公司想要成功，可能需要掌握三个核心要素：第一是设计；第二是工程能力；第三是对AI的理解，尤其是对AI能力边界的理解。基于这些判断，我个人认为2026年可能会卖得比较好的AI硬件，或者说我们自己会去发展的方向，大概有几条：

第一，因为我们主打AI，几乎所有交互都会变成语音交互，所以我们会让硬件载体在一定程度上绕开大模型固有的限制。

第二是极致轻量化。产品会非常简单，功能高度聚焦，只解决一个明确的问题。

第三，我们非常重视儿童市场。这个群体的潜力非常大，我们已经推出了两款产品专门面向这个人群，并且在隐私安全和Kid Safe认证上做得非常严格。我们也在认真研究、学习Yoto Player、Toniebox这些优秀案例，思考如何借鉴它们的成功经验。

杨冬蕴：

——无界方舟

我个人的想法是：国内的硬件市场一定会率先爆发，2025年就是国内硬件爆发的元年。硅谷的硬件发展会滞后一些，原因是海外商业闭环方面存在大量ToB和ToC的机会，但国内的情况其实不太一样。SaaS在国内市场是非常难收费的，所以很多团队可能不得不转向硬件方向。比如影石就曾公开提到过，他们之所以选择硬件，很重要的原因是软件赚不到钱。我们最初进入硬件领域的逻辑，也与此非常相似。目前，我们推出了一款ToC的早教产品——奇多多AI学伴，核心功能是“AI识别万物”和“AI可读所有书本”。技术上依赖我们自研的EVA OS，一套为新一代AI硬件提供的AI硬件大脑。这款产品在国内一经发售就成为爆款，目前已处于售罄状态。

接下来我想详细介绍一下我们的EVA OS，也就是“AI硬件大脑”。它的使命是：为那些勇于攀登AI硬件险峰的创业者，提供一条登顶路径。今年硬件之所以迎来爆发，核心驱动力是AI大模型。但要把大模型落地到硬件上，中间存在巨大的鸿沟。这也解释了为什么很多产品的PMF仍然处在验证阶段，尤其是那些命题宏大的产品，很大程度上是因为技术成熟度还没达标。我们选择早教作为第一个切入赛道，坦白说，它市场规模不是最大，但非常适合作为展示EVA OS能力的“样板间”，因为它要求产品实现低延迟、高智商的实时识别与互动。EVA OS的核心能力有几个：

第一，是实时互动的多模态能力。可以实现实时的“视觉+语音”互动、毫秒级反馈。

第二，是记忆层。主流方案基于文本向量数据库，容易产生“幻觉”。我们正在重点攻克记忆层，解决延迟问题，并为系统引入多模态的视觉记忆能力，推动它向“参数化的记忆矩阵”演进。

第三，是执行能力。我们会聚合市面上已有的成熟能力，比如API调用、Computer Use和Robotics，让AI硬件能根据需求调用。

第四，是显示层能力。我们支持眼神、表情、数字人等形态，并且采用的是并行链路，而不是串行驱动，这样整体延迟更低，音画同步一致性也非常好。

这套基础能力的部分版本已经开源，同时我们也在和一些KA客户进行定制化合作。关于AI硬件，我个人认为大致可以分成两派（不包括人形机器人）。第一类，是脚踏实地、PMF高度闭环的垂直领域产品。例如面向儿童和女性的AI陪伴产品，PMF非常清晰。第二类，是更受投资人青睐、也更具想象空间的前沿形态，比如AI机器狗、下一代无屏智能终端等。我认为这两类方向没有谁更好，前者关注当下商业化，后者探索未来。

最后，我想分享一下我对PMF的理解。我认为PMF的成立需要同时满足三个条件：

第一，用户画像必须非常清晰。

第二，必须解决一个未被满足的刚需痛点，而不是痒点。比如我们的“奇多多AI学伴”，解决了3–10岁儿童早教产品缺乏的问题：他们需要极低延迟的互动，需要培养阅读习惯，而国内又有大量老人带娃的现实情况。这些因素叠加，使得我们的产品能精准击中痛点。

第三，技术成熟度必须真正达标。我们之所以能切入，是因为自研的技术成熟度满足了产品落地的要求。

当这三个条件同时具备时，PMF才算真正成立。

Allen Hu：

——CCV Capital

我们主要投资AI应用或机器人领域，我本人是机器人技术专业出身，主要在美国看与硬件相关的项目。今年我看过几家公司，但坦白说，没有一家真正让我眼前一亮。无论是眼镜、穿戴设备，还是对视频、声音的理解，各个细分用例的产品形态其实都已经基本收敛了。在美国再去做模仿品意义不大，因为硬件的供应链优势依然主要集中在中国。不过，我之前看过一家做端侧AI的公司，印象比较深。他们专注在端上做一个小模型，并围绕它开发了四款应用，整体打包卖给芯片厂商。我们比较认可这种模式，技术壁垒非常清晰。唯一的不足是它不是订阅制，从商业模式本身来看，并不是最理想的。

再来说机器人。相比2024年，2025年一个显著的变化是智能体AI的兴起。我看到一个明显的转变，和AI应用层的变化高度一致。之前很多AI应用本质上只是包装；而现在，我看到越来越多真正具备技术壁垒和竞争优势的公司，开始在底座模型之上叠加一个强化学习层。类似的趋势，也正在机器人领域发生。我最近重点关注了两家公司。其中一家是纯做“机器人大脑”的，可以适配市面上常见的机械臂。它允许非专业工程师通过语音来训练机械臂执行新任务，比如“把这罐可乐倒进杯子里”。这件事的意义在于：全球已部署的500万台工业机械臂，产线上的非专业工程师就可以直接“教”它们执行新任务，而不再需要原厂商的工程师来编程。我认为这是一个非常具有颠覆性的技术方向。

另一个案例，是前斯坦福Aloha项目的联合创始人做的公司sunday.ai。他们采用另一种“后训练”方式：为机器人所有者提供一个与机械手同步的三指手套，用户佩戴手套，通过遥操作的方式让机器人学习动作。在居家场景下，我认为这同样是一种非常好的后训练方法。还有一个趋势是：一些公司把基于大语言模型的Agent思路，完整迁移到了机器人的大脑软件上。它们的工作流程是：Agent理解用户意图，拆解成任务和动作，动态组合成工作流，再通过API控制机器人。

回到机器人领域，对于通用居家场景，我认为sunday.ai这种“后训练”模式，是一种非常好的产品路径；而对于产线上的传统机械臂，前面提到的那家“机器人大脑”公司，则提供了一条非常清晰、也很有潜力的产品路线图。业界通常有两大类方向：

第一类，是脚踏实地、PMF高度闭环的垂直领域产品。例如面向儿童和女性的AI陪伴产品，PMF非常清晰。

第二类，是更受投资人青睐、也更具想象空间的前沿形态，比如AI机器狗、下一代无屏智能终端等。

我认为这两类方向并不存在谁更好，前者更关注当下的商业化闭环，后者则承担着探索未来的角色。以上就是我的一些观察和想法。

Part.02看未来2026:主战场在哪里？

2.12026,AI创业的主战场会如何迁移?

机会将集中在哪一层?

2

高宁：

——Linkloud

从我们的观察来看，一个非常明显的共同趋势是：大家都在往应用层发力，而且已经开始有意识地去精挑细选应用场景。今年我们确实看到了大量围绕Agent的项目，但其中相当一部分还是偏向于通用型Agent。大家会说，“我可以帮你找Leads”“我可以帮你找人”。但在我看来，这还算不上真正的“有场景”。真正的问题在于：你是在什么情境下去找这个人？你是为哪个行业去找这些Leads？

我个人的感觉是，到2026年，应该会有更多公司真正找到属于自己的细分场景。因为Agent的能力看起来好像什么都能做，但要在一个具体场景里把它真正做好，难度其实非常大。一个相对更可行的方式，是先在一个足够垂直的场景里找到切入点。比如，你专注于某一个特定行业的销售流程，只为这一类客户去找Leads，把整个自动化和AI流程做到极致。当你在这个行业里跑通之后，再把这套模式复制到其他行业。这会比一开始就宣称“我能帮所有销售找Leads”要好得多。后者往往意味着你会同时面对成千上万的竞争对手，很难找到真正的PMF。所以我更倾向于认为，明年大家会选择一个更精准的切口进入市场。从一个明确的切口出发，再向外做横向拓展，AI反而会让这种扩张能力变得更强。相反，如果一上来就宣称什么都能做，我并不认为这本身具备任何真正的竞争力。

Emma Zhu：

——ex-大模型战投

我认为，2026年大模型依然是整个技术体系里的核心，尤其是海外大厂在Online Learning方向上的进展，值得持续关注。同时，大家都在讨论的“解模型”，背后其实有从视频、具身智能、自动驾驶等不同技术路径，本质都指向更多数据格式的生成与理解。因此，我们对2026年的技术进展依然抱有很高的期待。

回到初创公司的切入机会，我目前重点关注几个方向。

第一，是数据领域。数据本身就是一个非常好的商业模式，属于轻资产运营，一份高质量的数据，可以同时卖给多家大厂。在数据类型上，除了SFT数据，RL所需的数据和环境，重要性会越来越高。

这类数据对算法能力要求更高，要求数据公司内部必须具备算法团队。具体包括两类：一是类似SFT的专家型数据标注；二是从RL算法出发，通过技术手段去合成RL数据，本质上是一个“算法+模型”的Co-design过程。

我认为，这个方向才刚刚起步，对创业团队的要求非常高。

第二，是应用侧，我对ToB和ToC都会持续关注。

先说ToB。我认为关键在于“端到端解决问题”。你的数据和workflow必须足够垂直，能交付确定的结果，并能算清楚可量化的ROI。我个人认为Voice是一个可以被适配到非常多ToB应用场景中的能力。ToB对团队综合能力要求更高，也需要足够的耐心。未来两到三年，我们需要有足够的耐心，持续观察Agent这条逻辑是否真的成立。

再说ToC。我认为核心在于多模态的交互内容。这一类产品非常考验产品经理的“灵性”和对用户真实需求的洞察。这件事情很难通过框架自上而下推演出来，必须沉下心去做用户研究，甚至真的需要每天泡在社群里，看用户是如何使用你的产品、如何和产品互动的。

这是一个典型的“自下而上”的过程。但我依然坚信，无论是00后，还是全球消费者，对“消磨时间”的内容需求都是多样化的；而AI极大释放了供给侧的产能。因此，我们会持续关注ToC方向的内容型产品。

刘妍：

——微软

作为产品设计师，我最近也在通过Vibe Coding开发一些产品，下面想分享几个我在交互领域观察到的趋势。

第一，弱化界面。

大家可能都听过“未来可能没有App”这个说法，实际上已经有不少设计师在认真尝试。包括豆包在内，一些新产品已经开始探索如何让屏幕不再成为交互的中心。我最近看了一些Demo很有意思，比如你轻敲两下摄像头，它就会自动开启语音。未来你可能不需要再打开键盘，只要碰一下设备，就可以开始做事情。

第二，硬件交互的创新。

我今年在深圳待了很长时间，被那里的硬件创新能力深深震撼。举个例子：有个朋友做了一款面向中东市场的AI戒指，你在戒指上画一个十字，它就会投影出一个十字形图案，这个Demo在中东当时卖得非常好。这让我意识到，在非常垂直、细分的市场中，一种出人意料的交互方式，往往具备极强的爆发力。我个人认为，下一代AI产品最核心的竞争壁垒，一定会出现在交互上。谁能率先做出真正好玩、有记忆点的交互方式，谁就有机会掌握下一代产品的核心入口。

第三，超个性化与情感连接。

我觉得仅仅做到“个性化”已经不够了。比如，AI能不能根据你的性格，直接帮你完成服务预订，甚至建立某种情感连接？这并不只是指“情感陪伴”类产品，而是在日常对话中，AI如何为用户提供情绪价值。在我看来，情感这一层，很可能会成为一个重要的突破口，让AI真正变成你生活中的朋友。

总的来说，我也还在不断探索和尝试中，希望能做出一些真正好玩、有意思的产品。

Sharon：

——PlushAI

谈到未来趋势，我个人认为，创业的核心切入点依然是去寻找巨头不会涉足的领域。随着大模型能力水位不断抬升，如果创业公司做的事情只是重复模型本身已经具备的能力，那大概率在明年是无法生存的。

基于此，我有两个核心判断。

第一，最大的机会在于垂类行业和特定人群。这个人群一定要足够垂直，而且你最好在这个人群中具备明显的占有优势。

第二，我们希望切入的需求必须处在上升期。基于这一判断，我选择了陪伴类市场，具体切入的是AI潮玩。过去一年多，我几乎一直泡在深圳的工厂附近，对中国工厂在AI硬件上的能力有非常直观的感受——无论是先发优势还是后发优势，都非常强。

但坦白说，现阶段大多数AI硬件，都面临着两个非常现实的问题。第一，市场尚未被真正验证。第二，留存率极低。

我身边不少朋友买过的AI陪伴玩具，基本一个月都玩不到，更像是快消品。再往深一层看，AI硬件的本质仍然是消费电子。要让商业模式真正可持续，复购是绕不开的核心问题。这也是目前绝大多数AI硬件无法解决的痛点：获客成本极高，但用户买完一个硬件后，并不会对品牌产生持续复购。这也是我为什么最终选择了潮玩赛道。像泡泡玛特、迪士尼这样的IP品牌，拥有极高的复购率和非常强的IP护城河。现在我正在和一家本身拥有IP和成熟出海销售渠道的公司合作，我负责为他们赋能AI能力。我们面向的是二次元和年轻化人群，目前大厂也还没有真正介入。

再回到：AI硬件目前处在什么水位？新财年应该怎么做？在我看来，当前AI硬件大致可以分为三类：

1.大脑互动型：目前整体能力还不够Ready，互动对话类产品的留存率普遍偏低。

2.具身人形智能：整体仍处在非常早期阶段，尚未真正实现商业化。

3.仿生型（如机械手、仿生宠物）：这是我们当前选择的切入方向。通过“弱陪伴”的方式去满足用户需求，是目前已经被市场验证的一条可行路径。

南婉娇：

——阿里

主要还是看软件领域，这个话题我想拆成两个部分来讲。我知道出海的同学一贯更关注那些面向大市场、适合资本化运作的创业机会，但我想分享一个不同的观察：在这一波AI浪潮中，其实存在大量未必适合传统VC投资逻辑，但非常适合“做生意”的机会。今年下半年在硅谷，我发现有不少数据标注或数据合成公司的现金流状况非常好。当然，这些公司未必都能成长为像Mercury那样高速增长、规模化的公司。要做到那一步，通常需要非常深厚的算法能力，能够把数据标注或数据合成真正做成可规模化的产品，同时还要具备非常强的销售和分发能力，这个门槛其实非常高。但在硅谷，我看到大量做垂类数据服务的公司，更像是专家网络，专注服务特定行业或场景。

在当前阶段，无论是预训练、后训练，还是垂类应用，都在持续制造巨大的数据缺口。因此，这类数据公司的数量很多，而且整体收入表现都相当不错。所以我认为，到了2026年，利用AI把事情“生意化”，做一些现金流健康、可持续的生意，本身就是一个非常好的选择。

再回到更适合规模化创业、资本化运作的方向。首先是ToC。我们会持续关注面向更垂直人群的ToC工具。无论是情感陪伴，还是记忆层相关能力，整体都在快速进化。我最近在使用ChatGPT时，明显感觉到它越来越“懂我”。因此，在ToC陪伴场景中，市场正在从泛泛的“陪伴”，逐步走向面向特定人群、特定需求的垂直服务。

其次是ToB，我有三个观察。

第一，单点工具已经成为红海。从工具切入，逐步演进为端到端解决方案，服务特定人群或切入企业级销售，这类公司的生存空间和商业化前景会更好。

第二，企业级协同与数据沉淀。我们看到像Manus、Lovable这样的公司，开始逐步切入企业级收费。当团队成员在平台中持续使用、交互并沉淀知识资产时，会显著提升用户留存、付费稳定性和迁移成本。

第三，从单点到平台的演进。以企业搜索公司Glean为例，它最早通过企业搜索切入，在此基础上，开始叠加垂直Agent，把搜索直接延伸到招聘、报销、财务等流程。

虽然AI的本质是提效，但明年我们重点关注的仍然是三点：

1.是否从足够明确的垂类场景切入；

2.是否真正完成端到端任务；

3.是否能够在使用过程中形成数据沉淀和真实的迁移成本。

举个例子，我自己也在用一些AI会议纪要或知识库工具。如果它只是做记录，我随时可以换；但如果它不仅能记录，还能持续沉淀知识，并支持我基于这些内容进行再创作，那我的迁移成本就会明显提高。因此，我们会持续关注那些能够深入知识库，并进一步渗透到端到端工作流中的产品。

高宁：

——Linkloud

我个人认为，接下来大家会越来越多地把AI和硬件结合起来思考。无论是深度体验各种智能眼镜，还是其他类型的硬件产品，我的直观感受是：这是一种非常容易让人沉浸其中的一体化体验。在这个过程中，我觉得“声音”的能力被明显低估了。在海外市场，从一些小型工具到大型产品，围绕声音的应用其实已经开始快速发展。就我自己的使用习惯来说，我现在大量使用语音输入，很多时候已经不再打字了。这也让我联想到更年轻的一代——他们天生就习惯这种自然语言交互，甚至在还不识字的时候，就已经能熟练使用语音进行交流。

因此我认为，未来的硬件形态，一定会更多地去承载声音能力。而且我们也能明显看到，声音相关的技术本身正在持续、快速地进步。那么问题就在于：这里面是否存在真正好的结合点？就像前面有同学提到的，针对某些特定年龄层或特定人群，市场上可能根本还没有真正好用的产品，而这本身就是一个非常好的切入机会。

所以我整体的判断是：随着AI、声音和硬件的进一步融合，未来一定会出现更多有意思、也更具沉浸感的产品。

但从现实体验来看，目前很多产品还处在非常早期的阶段。我们之前接触过的一些智能眼镜，无论是哪一款，它们与声音的结合其实都还很初级。更多只是“拾取”声音，而不是与人进行真正意义上的“声音交互”——至少从体验上看，交互质量是非常糟糕的。以我个人为例，我已经使用小米的智能眼镜接近一年了，几乎每天佩戴八小时，从产品发布的第一天一直用到现在。我的结论是：它的语音模型基本形同虚设。在我看来，现在的整体体验最多只能打20分，提升空间非常大。我也真心希望，在明年能够在这个方向上看到更实质性的进步。

2.2创业公司生存与发展

的最关键能力是什么？

刘妍：

——微软

我是Microsoft Copilot的设计师，今天可能也是现场唯一一位设计背景的朋友。稍后我会分享一些我在交互领域观察到的新趋势。在此之前，既然刚才提到了“护城河”，我想先分享一下我前两天在听Lenny’s Podcast时听到的一期内容。那一期节目总结了七种护城河，我觉得非常到位：

1.速度：也就是大家熟知的快速试错、快速迭代。

2.流程壁垒：建立一套稳定、可复制的工作流（Workflow）。

3.资源：比如Scale AI拥有国防相关资源，Character.ai拥有大量独特的对话数据。这类护城河来自企业自身掌握的稀缺资源，比如数据、客户或特定场景。

4.切换成本：在笔记类软件中尤为常见，例如Notion，用户因为使用习惯和历史数据的积累，迁移成本非常高。

5.反向定位：主动选择巨头不会进入的小众领域，通过差异化建立优势。

6.网络效应：产品能够像病毒一样传播，形成用户反馈的正循环。

7.规模经济：通过低算力、低成本构建竞争壁垒，有点类似DeepSeek；另外，Anthropic目前也在持续优化推理成本。

这七点总结下来就是：速度、流程、资源、切换成本、反向定位、网络效应和规模经济。我觉得这是一个非常适合创业公司参考的框架。

现在创业其实挺难的。我最近也在和朋友一起做创业项目，明显感觉到各个方向几乎都是红海。任何一个idea，往往已经有很多人在做，而且创业公司的想法，分分钟就可能被大厂覆盖甚至碾压。所以这是一个既充满风险、同时也蕴藏机会的时代，我个人觉得非常有意思。

Sharon：

——PlushAI

关于创业公司的核心壁垒，我认为最终还是要回到商业本质，主要体现在三点：

第一，产品力和设计力。

对硬件来说，外观是促成购买的第一要素，产品体验反而是第二步。设计力决定了你能不能吸引到第一批用户。

第二，销售渠道。

这是消费电子真正的核心能力。目前卖得好的AI产品，几乎都依托于成熟的线上或线下渠道。比如福仔在刚搭建电商渠道时，第一批货发错的问题，本身就说明了渠道建设的复杂度。谁能掌握获客成本最低、最稳定的渠道，谁就更有生存空间。

第三，快速迭代能力。

在做AI潮玩时，我们的上新节奏是一个月几款。速度、成本和规模经济，必须同步提升。同时，你还需要选择一个具备复利效应的赛道，天花板才会足够高。

最后，结合我之前在AI SaaS的经验，我认为在新财年里，软件领域依然是最接近商业化的方向。无论是电商领域的客服、发品、换装，还是短视频制作，AI都已经在显著提升效率。新的一年，这些领域一定会迎来洗牌。在我看来，机会最终会属于那些能把“最后一公里”服务做到极致的团队。无论是软件还是硬件，目前市面上所谓最好的AI客服和短视频制作方案，依然无法完全满足真实需求，很多时候仍然需要二次加工，甚至还要人工重剪。未来，那些能够真正解决最后一公里体验，并且敢于按效果付费的创业公司，才会拥有最大的机会。

2.3新一代AI应用如何构建

难以复制的长期壁垒?

高宁：

——Linkloud

我认为，ToC和ToB的机会点可能不尽相同。

在ToB领域，尤其是在某些专业性极强的行业，我认为深刻的行业认知依然至关重要。举一个不一定恰当的例子，回到金融行业。一个大模型或许可以由许多金融专家进行标注，从而掌握大量数据，这都没问题。但它很难真正理解一家公司背后复杂的财务关键因素，这些因素的解读涉及数据、市场情绪等多个层面。更重要的一点是，在金融领域，每家对冲基金或投资机构都有自己独特的投资风格和准则。这种风格是绝对不可能被现有的大语言模型所了解的，因为这些核心知识本来就不会公开。我了解一些在该领域创业的人本身就拥有对冲基金的背景。对他们而言，他们需要的是这样一个产品：它首先具备一个基础能力（比如达到50分的水平），然后能够让他们快速地灌输自己的数据、风格、理念和原则，从而将模型训练成符合自己独特策略的工具。从这个角度看，仅仅是去对接一个通用的OpenAI，绝对无法满足他们的要求。这其中，就蕴含着机会。

当然，这类产品也面临一个挑战：它有没有办法通过学习这些不同的风格而变得更强？这要打个问号。因为从机构的角度出发，他们通常不愿意将自己赖以生存的投资风格如此透明地“喂”给一个模型。但无论如何，他们确实需要这样的工具。

而在ToC领域，情况则完全不同。我个人觉得，ToC市场目前仍处于一个“快速攻占城池”、大规模扩大用户基础的阶段。我们可以看到，像ChatGPT这样的产品，其DAU和MAU已经增长得非常迅猛。我记得有数据显示MAU已经达到了很高的量级，哪怕能抢占其中千分之一的份额，都是一个极为庞大的用户群。相比之下，目前真正能达到千万级DAU的AI原生产品可能还不是很多。因此，我认为对于ToC产品而言，明年的核心任务依然是如何在庞大的潜在AI用户群中，将更多的用户吸引到自己的产品里来。可以说，ToC产品仍处在高速获客的过程中，增长依然是第一要务。