過去半年，ChatGPT 憑一己之力，將文本生成變成 AIGC 市場上最火熱的技術產(chǎn)品，它的“智能”程度在一夜間刷新了人們認知，外界對大模型的追逐熱情空前高漲。

但同一時間，人們有關 AI 的恐懼也被不斷放大：據(jù)第三方服務平臺 Resume Builder 調查數(shù)據(jù)顯示，美國受訪的1000多家企業(yè)中，使用 ChatGPT 取代部分員工的比例已高達48%；時代財經(jīng)報道稱，近一個月以來，某家游戲美術外包公司已裁掉一半的原畫師；一名微博網(wǎng)友通過 AIGC 平臺生成內衣模特，其圖片也引發(fā)大量討論。

可以看到所有的一切都在表明一個事實，AIGC 已經(jīng)逐步取代了部分人類的工作。而就在最近，連營銷人員也躲不過去了。

ZMO.AI 是國內最早成立的 AIGC 公司之一，此前專注于出海，與其他擅長藝術作品生成的平臺不同，ZMO.AI 選擇的是真實場景的圖像生成，旗下產(chǎn)品 ImgCreator.AI 自2022年9月16日上線以來，B端用戶量已達百萬，3 個月內營收增長迅猛，ARR達到2000萬人民幣，即將推出的 Marketing Copilot 服務，更是吸引了超過9萬家企業(yè)申請 API 等候名單、參與調用模型。

用戶只需通過簡單的兩步，上傳產(chǎn)品圖片至平臺、并給出對應的 workflow （工作流程）指令，Marketing Copilot 即可根據(jù)其需求，生成與產(chǎn)品相匹配的宣傳圖片、海報及營銷文案等內容，將傳統(tǒng)的營銷流程，從拍攝、海報制作到后期投放優(yōu)化，全部嵌入 AI workflow 自動化流程，極大地提高了企業(yè)在營銷場景下的內容生產(chǎn)效率。

background AI 網(wǎng)址：https://www.zmo.ai/background-ai/

而基于精準的高價值用戶反饋數(shù)據(jù)，ZMO.AI 通過數(shù)據(jù)飛輪對垂類大模型的內容生成方向進行引導，實現(xiàn)模型自我優(yōu)化，重塑以數(shù)據(jù)為驅動的營銷內容新模式。

ZMO.AI 創(chuàng)始人張詩瑩坦言，當 AIGC 邁向產(chǎn)品落地階段，生成的圖片不能只是收藏夾里的裝飾品，而是能夠真正解決企業(yè)、營銷人員痛點，彌補數(shù)字世界內容消耗與供給的缺口，讓產(chǎn)品實現(xiàn)真正的價值。

一次營銷人的新嘗試

與抱著娛樂、趣味性心態(tài)來嘗試 AI 繪畫 的 C 端用戶不同，B 端用戶往往面對的是專業(yè)屬性更強的場景，因此對于 AI 生成圖像，無論是圖片質量、畫面內容可控性以及準確性的要求，相比 C 端用戶也會更高，這或許也是類似于 ZMO.AI 這類專業(yè)化 AI 生成產(chǎn)品深受用戶喜愛的原因。

Rowdy 是英國創(chuàng)業(yè)公司 e-Bike 的 CEO，擁有一個不到10人的小團隊，公司針對歐洲自行車盜竊亂象研發(fā)了一套防盜系統(tǒng)，創(chuàng)業(yè)初期的搭建網(wǎng)站、社媒運營、還有大量 e-bike 圖片拍攝對他們而言無疑是巨大的工作量。

2022年中旬，AIGC 的火爆引起了 Rowdy 的注意，他開始大量地瀏覽、使用 AIGC 網(wǎng)站，但許多平臺 AI 生成的圖像均是藝術美學風格，與其產(chǎn)品并不適用。

一次，Rowdy 偶然在 twitter 上刷到了使用 ZMO.AI 生成的人像圖片，這令他十分驚喜，他通過大量調研發(fā)現(xiàn)了，ZMO.AI 生成器的真實照片風格不僅逼真度非常高，且分辨率可達到 4k-8k，完全滿足其網(wǎng)頁和博客對圖片內容的需求。

近半年來，Rowdy 團隊已經(jīng)是 ZMO.AI 的忠實用戶，其網(wǎng)站設計和公司博客配圖均使用  ZMO.AI 生成，相較于高昂的拍攝費用，僅需要支付二十幾英鎊、每周就能完成200多張圖片。

Rowdy 使用 ZMO.AI 生成素材后的公司網(wǎng)頁

在過去很長一段里，從事家居產(chǎn)品出海的跨境電商公司負責人 Nila 也面臨著她的營銷難題。

Nila 公司出口戶外沙發(fā)雖然在歐美地區(qū)增長非常迅速，但由于沙發(fā)產(chǎn)品外形較大，運輸成本很高、搭建拍攝場景耗時長，每次拍攝產(chǎn)品圖成為 Nila 最頭疼的事情。她也嘗試過 P 圖的方式來完成，為了達到想要的產(chǎn)品圖效果，Nila 還會拉著設計師反復溝通磨合，但最終呈現(xiàn)效果往往與真實拍攝效果相差甚遠。

經(jīng)過圈內好友介紹，Nila 接觸到 ZMO.AI 的文字 P 圖，她發(fā)現(xiàn)，將想要修改的產(chǎn)品上傳到平臺后，只需給出一段文字指令，圖片即可自動化完成修改，圖片效果真實、自然不說，數(shù)據(jù)表現(xiàn)也比之前更好，極大地減少了在過往營銷環(huán)節(jié)中產(chǎn)品拍攝的壓力和資金損耗。

使用 ZMO.AI 生成的沙發(fā)產(chǎn)品圖

在內容需求旺盛的當下，AIGC 所帶來的內容生產(chǎn)方式變革隨處可見。

張詩瑩認為，目前 AIGC 正在完成從簡單的降本增效、即以生成金融/體育新聞為代表的文本生成，向創(chuàng)造額外價值、提供更專業(yè)化服務的方向發(fā)展，包括提供繪畫、創(chuàng)作素材等創(chuàng)意型內容生成轉移，跨模態(tài)、多模態(tài)內容成為發(fā)展的關鍵節(jié)點。

以 AI 圖像生成為例，該部分包括兩大類場景，分別是創(chuàng)意圖像生成、功能性圖像生成，前者多以 NPF 等形式體現(xiàn)，屬于創(chuàng)意發(fā)散需求，后者則涵蓋營銷類海報/界面、logo、商品圖等，對于可控性以及準確性要求很高。

張詩瑩坦言道，那些帶有玄幻、科幻的藝術圖片更容易出圈，且由于場景虛幻的原因，就算生成不合邏輯的瑕疵，用戶也會更加包容；而真實的、攝影風格的圖像生成雖然難度更高，但進入實際應用場景里，其對人們生產(chǎn)與生活所帶來的影響更巨大。

比如傳統(tǒng)的電商上新品，此前采用線下拍攝的方式，需要化妝師、服裝師、攝影師、模特等等，而在今天的 AIGC 變革中，借助 ZMO.AI 等生成工具，可在幾秒之內立刻展示商品在不同場景，不同搭配，不同人物的場景圖，極大的降本增效。

重塑營銷內容生成模式

邁進具體的應用場景里，企業(yè)和用戶往往面臨著模型使用門檻高、內容生成隨機和不可控的兩大痛點。

ChatGPT 面世后，誕生了一個新的崗位是 Prompt Engineer（提示工程師），他們通過一定的方法來指導模型生成有用的輸出。但在傳統(tǒng)的營銷產(chǎn)業(yè)中，一般用戶往往并不具備良好的 Prompt Engineering 能力，更不用說組合使用多種 AI 產(chǎn)品工具，如何能夠提供開箱即用的 AI 產(chǎn)品和應用，讓不懂技術的客戶也能快速組成解決方案，滿足自己的需求，這是 ZMO.AI 一直在思考的問題。

在新上線的 Marketing Copilot 中，用戶可上傳自己產(chǎn)品過往的優(yōu)質素材，在 ZMO.AI 上搭建訓練自己的特有模型，隨后上傳產(chǎn)品圖片至平臺、并給出簡單的 workflow （工作程）指令，特有模型即可根據(jù)指令以及品牌調性自動生成符合受眾喜愛的營銷圖片，無需冗長復雜的prompt調教。

同時，特有模型會實時進行內容方向優(yōu)化，不斷提高內容的互動率。ZMO.AI 將以往傳統(tǒng)的營銷環(huán)節(jié)被全部嵌入 AI workflow 自動化流程中，讓模型來適應用戶，替代復雜的 prompt engineering，即用簡單的指令進行工作流的自動化，極大地提高了企業(yè)在營銷場景下的內容生產(chǎn)效率。

Nick 是一家專業(yè)營銷機構的負責人，其工作內容是幫助廣告主搭建官方社媒賬號和設計廣告素材。疫情之后，Nick 最大的感受是，“所有人都離不開線上營銷”。

AIGC 火爆之后，幾乎同一時間內涌現(xiàn)出的多家 AI 作圖網(wǎng)站，Nick 開始嘗試在各大平臺上作圖，但他很快發(fā)現(xiàn)，包括 Midjourney 在內的大多數(shù) AIGC 產(chǎn)品，無法滿足營銷人員的需求。

AI 能夠隨意生成很多有創(chuàng)意性的內容，但對原圖片中產(chǎn)品的細節(jié)，包括紋路、Logo 到材質等無法實現(xiàn)百分百還原，這種營銷內容與實際產(chǎn)品“貨不對板”的情況一旦發(fā)生，必然會帶來極高的退貨率，這也是通用。此外，不少 AI 生成產(chǎn)品玩法單一、個性化差，面臨著嚴重同質化的問題。

直到 Nick 在 ZMO.AI 上 體驗到 Marketing Copilot，他驚喜地發(fā)現(xiàn)，Marketing Copilot 通過獨特的算法，竟可以完全保持產(chǎn)品的所有細節(jié)，并依據(jù)產(chǎn)品圖自動生成合適的布局和文案。

并且通過自動化 workflow 生成流程，最終呈現(xiàn)效果從光影、分辨率到逼真度上可接近真實的產(chǎn)品拍攝圖片，更兼顧品牌調性和轉化率，真正滿足對營銷內容的需求。

而在營銷行業(yè)中，最重要的、也最令用戶頭疼的轉化數(shù)據(jù)方面，ZMO.AI 基于核心垂類大模型，也進一步提出了模型自我優(yōu)化和調節(jié)。

借助 ZMO.AI 的 Marketing Copilot ，模型不僅可以依據(jù)此前表現(xiàn)優(yōu)秀的營銷案例，自動化生成大量符合品牌調性和成功案例風格的內容，還能通過互動數(shù)據(jù)的實時反饋，自動優(yōu)化內容方向，通過不斷迭代實現(xiàn)內容數(shù)據(jù)的提升。

此前 Nick 團隊就曾將表現(xiàn)不錯的海報模板上傳到 ZMO.AI 上訓練特有模型，借助該模型輸出的內容，往往也能更符合自己客戶的受眾喜好和品牌調性。

Marketing Copilot 模型首先需要一到兩周的時間對內容方向進行自適應調教，通過反復完成“生成素材--數(shù)據(jù)反饋--素材優(yōu)化”流程，由此生成針對特定產(chǎn)品、特定用戶人群瀏覽量和轉化率更高的內容。

在這個過程中，這些高質量營銷數(shù)據(jù)的反饋“喂養(yǎng)”功不可沒，不僅如此，這些數(shù)據(jù)往往是私密的，商家擁有完整的控制權。

在 Nick 看來，Marketing Copilot 不再是一個簡單的內容生成工具，而是改變營銷流程的一整套解決方案，通過 AI 更強的分析能力和生成能力，將針對海量 SKU 批量生成高質量內容變?yōu)榭赡?，并以最終數(shù)據(jù)為導向 24 小時不停歇的優(yōu)化。

當團隊熟悉全新 workflow 之后，每一個 SKU 的出圖量從原來的不到 10 張瞬間暴漲到 200 張，而 Nike 團隊在借助 Marketing Copliot 大量進行 AB 測試和迭代后，更是將原有營銷環(huán)節(jié)三四個月的優(yōu)化周期縮短至兩三周，銷售額增長高達三倍。

“它所展現(xiàn)的能力太強大了！再這樣下去，我們營銷人真的要失業(yè)了。” Nick 表示，目前公司確實已經(jīng)在考慮縮減一部分營銷人員，更全面的擁抱AI帶來的全新工作流。

ZMO.AI 基于傳統(tǒng)營銷場景下的高精準數(shù)據(jù)反饋打造垂類大模型，通過 AIGC 不僅推動營銷生產(chǎn)方式發(fā)生變化，也形成了“數(shù)據(jù)驅動型”營銷內容新形態(tài)。張詩瑩認為，終極的 AI workflow 到底應該是什么樣的，或許眼下下結論為時尚早，但對創(chuàng)業(yè)公司來說，眼下的焦點應聚焦在如何做出能解決商家痛點的產(chǎn)品，與用戶一起不斷迭代。

創(chuàng)業(yè)公司突圍垂類大模型

相比一年前資本和市場迅速涌向 AIGC ，GPT-4 為代表多模態(tài)大模型和搭載著 GPT-4 能力的產(chǎn)品，讓大模型成為最炙手可熱的新星，大廠和創(chuàng)業(yè)公司紛紛加入競賽場。

AIGC 最初的起飛過后，去偽存真，人們對其背后真正的應用空間和商業(yè)價值也有了更冷靜、客觀的思考。

目前，從事大模型研究的大廠和企業(yè)不外乎三種探索路徑：

第一種是專注于大模型研發(fā)的公司，例如 OpenAI ，百度、阿里、字節(jié)等大廠；

第二種是調用大模型的 API 、基于大模型和具體場景業(yè)務開發(fā)超級應用；

第三種則是既做自己的垂直大模型、又提供應用服務的公司，ZMO.AI 就是屬于此類。

企業(yè)做大模型的實力對比很明顯。大廠有多年的技術積累，同時在財力、人力等資源投入上實力更強勁，創(chuàng)業(yè)公司想要做大模型，風口期短，一旦時間拉長，往往會在大廠的擠兌下沒有生存的空間。因此，大部分創(chuàng)業(yè)公司方向更多集中在超級應用，針對具體場景提供精細化垂直服務，技術投資少，也能在更短時間內見到收益。

而對比純應用層服務和垂類大模型，張詩瑩表示，“大模型是少數(shù)人的機會，更多的機會還是在超級應用層和垂類大模型中。但如果沒有垂直領域獨特的數(shù)據(jù)積累，或者是沒有和工作流緊密結合的模型構架，護城河也會很淺?！?/p>

依靠第三方 API 提供的 AI+服務，“超級應用”往往只能解決單點的階段性問題，難以深入模型層創(chuàng)新、自研層，企業(yè)難以構建核心競爭力、護城河淺。

相較之下，垂類大模型通過搭建端到端的工程棧，覆蓋模型的研發(fā)、訓練、數(shù)據(jù)、應用整條價值鏈，這類公司的產(chǎn)品并不依賴第三方 API，迭代非常迅速，并且還能很好地利用應用側用戶的數(shù)據(jù)反饋形成數(shù)據(jù)飛輪，從而形成自己的數(shù)據(jù)優(yōu)勢。其中，Adobe、Typeface 和 ZMO.AI ，都屬于此類提供垂類大模型服務的公司。

2022 年 6 月，前 Adobe 公司 CTO Abhay Parasnis 創(chuàng)立 AIGC 公司 Typeface，首輪融資就獲得了 6500 萬美金，該公司面向 B 端企業(yè)提供營銷服務。由于 B 端品牌企業(yè)對品牌調性、內容可控性的要求，往往無法通過直接調用 Stable Diffusion 來實現(xiàn)，為此 Typeface 通過個性化訓練的品牌獨有模型以及內容審查算法，針對大型品牌、提供了基于企業(yè)品牌定位和受眾目標而生成的個性化文字及圖像內容。

“對于一家公司來說，最基本的一個問題是其數(shù)據(jù)和品牌形象的安全。 每個企業(yè)都希望確保自己不會在不經(jīng)意間創(chuàng)造出不準確、剽竊或冒犯性的內容，從而損害自己的聲譽。”Parasnis 表示。

不過也有市場觀點提出自己的擔憂，這種垂類大模型會不會某一天被一個更強的通用大模型所取代？未來所有的 AI 領域是否會以少數(shù)通用大模型為主導？

對此張詩瑩表示，“許多高價值的專業(yè)領域依賴的是特定的行業(yè)專有數(shù)據(jù)集，這些數(shù)據(jù)集并非網(wǎng)上公開能輕易獲取的數(shù)據(jù)集也不太可能允許第三方進行AI訓練和訪問。因此，通用大模型往往很難利用這種專有數(shù)據(jù)和知識去訓練或者優(yōu)化這個領域的工作流程?！?/p>

同時，用于 RLHF 的高質量用戶反饋也至關重要，有助于不斷推動模型內容方向和質量進一步提升。由于通用大模型和垂類大模型的用戶群體差異較大，內容反饋數(shù)據(jù)也完全不同，這也使得由垂類大模型生成的內容相比于通用大模型，更能符合特定垂類場景的需求，生成質量也會更高。

以 ZMO.AI 為例，ZMO.AI 專注營銷場景，在 2 年半中積累的營銷領域的 know-how 和精準的數(shù)據(jù)，經(jīng)過了一年多的標注數(shù)據(jù)收集和營銷用戶 RLHF 反饋系統(tǒng)，最終訓練形成垂類大模型，其用戶群體更多是在營銷方向的專業(yè) B 端用戶, 通用的AIGC產(chǎn)品難以達到他們的工作需求。

ZMO.AI 聯(lián)合創(chuàng)始人馬里千認為，雖然通用大模型在許多任務上可以表現(xiàn)平均人類的水平，但它們在特定垂直領域中表現(xiàn)不佳，主要原因在于，特定領域知識不是常識、相關數(shù)據(jù)也不容易公開獲取。

例如，摳圖作為一項復雜的視覺任務，其涉及到是否能準確估計每個像素的 Alpha 值，以從圖像和視頻中提取前景對象，當中不可避免地會受到背景、光照條件和物體透明度等復雜因素的影響。為了保留產(chǎn)品的完整細節(jié)，ZMO.AI 花費一年的時間和高昂的成本收集了高精度的摳圖標注數(shù)據(jù)，并自研出高精度摳圖算法。

大模型后期要在專業(yè)場景進行落地，是需要在其基礎上利用場景數(shù)據(jù)和工作流，馬里千坦言，“往真正能夠解決問題的具體場景上去落地，而且能夠跟行業(yè)內的某些工作流綁得更緊的這些東西，我覺得這是大模型時代創(chuàng)業(yè)公司能夠做的更有意義的事情?！?/p>

減少大量的、重復性的工作內容，ZMO.AI 在互動度點擊率等細粒度參數(shù)下不斷優(yōu)化內容生成方向，他們所提供的產(chǎn)品服務真正解決了用戶的實際問題。據(jù)內部數(shù)據(jù)顯示，僅一個月，ZMO.AI 在營銷領域的用戶營收增長就達到了150%。

對話 ZMO.AI 張詩瑩

為了更深入了解 ZMO.AI 瘋狂增長背后的秘訣，AI 科技評論同 ZMO.AI 創(chuàng)始人張詩瑩圍繞 AIGC 和垂類大模型進行了一次對話：

AI 科技評論：近一年來，AIGC 涌入眾多競爭者，相比大廠，創(chuàng)業(yè)型公司的機遇在哪里？

張詩瑩：目前 AI 公司是有生態(tài)分層的，可以分為：大模型層、純應用層、垂類大模型層。大模型層就像操作系統(tǒng)，是屬于少數(shù)人的機會，更適合大廠或者大佬這種有雄厚財力人力的玩家，而創(chuàng)業(yè)公司更適合后兩類。

在底層大模型不斷變動的時代，純應用層壁壘很低、可持續(xù)性不強。垂類大模型的公司包括 Character.AI、Midjourney、Typeface等，這也是 ZMO.AI 堅持的路徑。垂類大模型通過搭建端到端的工程棧，覆蓋模型的研發(fā)、訓練、數(shù)據(jù)、應用整條價值鏈，這類公司的產(chǎn)品并不依賴第三方 API，迭代非常迅速，并且還能很好地利用應用側用戶的數(shù)據(jù)反饋形成數(shù)據(jù)飛輪，從而形成自己的數(shù)據(jù)優(yōu)勢。

此前，ZMO.AI 就將應用端大量的高價值用戶反饋數(shù)據(jù)和模型完全打通，通過數(shù)據(jù)飛輪對垂類大模型的內容生成方向進行引導和優(yōu)化，積累自己的專有數(shù)據(jù)集，根據(jù)數(shù)據(jù)會反饋給我們的模型，告知模型目標，例如我們希望模型的互動率比較高，通過模型自我優(yōu)化，為用戶提供更好的服務。

AI 科技評論：相比于通用大模型，垂類大模型的優(yōu)勢在哪里？是否會被取代？

張詩瑩：我并不認為垂類大模型和通用大模型是一個對立的概念，相反，我認為垂類大模型可以站在通用大模型的肩膀上、進一步優(yōu)化專業(yè)領域的模型。

對于非常細碎、需求個性化的 C 端場景，通用大模型會更合適，然而像營銷這種非常專業(yè)的 To B 場景，AIGC 產(chǎn)品不會是簡單的一個對話框和后面的第三方 API 組成，因為專業(yè)場景對于可控性，準確度以及質量的要求極高，這必然會是一個復雜的系統(tǒng)結構，需要在通用大模型的基礎上進行專門的模型優(yōu)化，才能符合營銷場景的需求。

AI 科技評論：ZMO.AI 的優(yōu)勢是什么？

張詩瑩：首先，ZMO.AI 在營銷領域積累了2年半，對于這個領域的用戶痛點有深刻的認知。

AI 能夠隨意生成很多 creative 的東西，但是這個東西工廠能不能生產(chǎn)出來？這是一個很大的問題，當工廠已經(jīng)生產(chǎn)出來了某款鞋，這個鞋不能變，所以生成的東西跟賣的產(chǎn)品是一致的，數(shù)字內容如何進入到實際的生活當中，必須得工廠生產(chǎn)，要工廠生產(chǎn)就一定要有版型、模具，需要前身，用戶對于產(chǎn)品細節(jié)不能貨不對板的需求；又比如拍攝和 PS 費時費力等問題，基于在營銷領域用戶洞察，我們才能搭建起來深刻綁定營銷 workflow（工作流）的產(chǎn)品。

其次，我們擁有大量營銷領域的專業(yè)數(shù)據(jù)，包括超6000萬高清真實照片數(shù)據(jù)集、用于訓練超高分辨率的逼真照片，以及海量 alpha 摳圖數(shù)據(jù)集等等。

我們花了一年的時間有很多的標注數(shù)據(jù)，最終可以實現(xiàn)高清圖像素級別的精確產(chǎn)品摳圖。如果真正要在營銷上去落地的話，非常重要的是怎么保留這個產(chǎn)品，從整個流程上來說，它也不僅是產(chǎn)品之后生成背景，包括可以生成帖子以及營銷文案。

最后，ZMO.AI 已經(jīng)搭建、并驗證了可跑通的專業(yè)營銷用戶 RLHF 反饋系統(tǒng)，通過高質量的數(shù)據(jù)反饋，在互動度點擊率等細粒度參數(shù)下不斷優(yōu)化內容生成方向。

AI 科技評論：您提到的用戶洞察如何做？

張詩瑩：我非常喜歡和用戶聊天，每天會花2個小時閱讀用戶的反饋，很多用戶的痛點都是在這當中發(fā)現(xiàn)的。

我認為，早期看數(shù)據(jù)很難看出來真正的痛點，因為巨大的流量中既有我們目標用戶，也有大量純"玩"的用戶，所以找到大量的目標用戶觀察他們的使用，和他們聊天就成了我的日常。此外，我還經(jīng)常會去拜訪客戶的公司，和不同環(huán)節(jié)的營銷人員交朋友。

AI 科技評論：ZMO.AI 選擇的賽道是做真實圖像生成，背后的原因是？在打開用戶接受度上是否會更困難？

張詩瑩：雖然包括 Stable Diffusion 和 Midjourney 都在做 Art（藝術風格凸顯生成），但在我們團隊的認知里，Art 對于整個行業(yè)或世界影響，沒有真實圖片、3D、插圖等這些東西那么大，Art 可能是其中的一個應用，但日常生活中大家用到更多的還是真實圖像、3D和專業(yè)性插畫。

一張真實圖片，我們會在意的東西很多，比如一張男人照片臉上皮膚干褶的感覺，真實圖片對細節(jié)要求非常高；第二是光影，光要如何做得足夠自然，例如狗眼睛的光感、皮毛上光影的細膩程度。

可以說，真實圖片對包括結構、數(shù)據(jù)量和生成質量等在內，產(chǎn)品的生成能力要求會更高，因此也會受到更多的阻礙，必須要達到足夠高的要求、用戶才會去用。

我們認為，最后 AIGC 要解決整個行業(yè)的內容生產(chǎn)力問題，不只是好玩、好看的問題。

AI 科技評論：從您的視角來看，創(chuàng)業(yè)公司該如何應對大廠的競爭？

張詩瑩：競爭在所難免，但就目前而言，大廠推出的功能在我看來，更多是防御性反應，做的應用仍搭載在現(xiàn)有業(yè)務上，只針對有技術和愿意付高價的小部分人群提供部分附加功能。

站在像我們這樣的 AIGC 初創(chuàng)公司的視角上，應該從一開始就在新的內容創(chuàng)作范式框架下去創(chuàng)造產(chǎn)品，構建完全不同于傳統(tǒng)工作流的 AI Native Apps。大廠是否能做出強大的新一代 AI 產(chǎn)品，關鍵還是在于最終能否革自己的命。

（雷峰網(wǎng)(公眾號：雷峰網(wǎng))雷峰網(wǎng)）

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。