找 PMF 就是要做没壁垒的事 | 对谈连续创业者 Albert

2024 年 9 月，Albert 坐在曲凯对面，聊起过去一年做 AI 产品的经历。他在播客里说了一句让很多创业者不太舒服的话：去年绝大多数人都高估了模型进展的速度，很多人的时间都浪费在等待模型能力提升上。这位连续创业者一年前在同一档节目里表达过对模型的失望，如今他带着一整套关于 AI 创业、PMF、资产定义和预期管理的思考回来，语速不快，但几乎每段话都能拎出一个判断。

曲凯是 42章经 的创始人，这期节目是他和 Albert 的第二次长谈。上一次 Albert 讲的是拒绝三亿美金 offer 的故事，这一次聊的是真正下场做 AI 产品一年后的认知变化。两人从 AI 创业的本质聊到张一鸣给的两个建议，从怎么找 PMF 聊到怎么招人、怎么管理自己的预期。Albert 说话有个特点，喜欢把模糊的问题拆成矩阵和定义，然后给出一个听起来反常识、细想又站得住的结论。

这篇文章把 63 分钟的对话重新组织了一遍，保留了他关于评估体系、资产、运气和正反馈的核心论述，也保留了那些具体到可以拿去做决策的细节。

AI 创业的本质：通过数据提升模型的交付能力 0:00:37

Albert 过去一年做的事情，用他自己的话说，是「找各种各样技术能做的事儿」。他一开始对语言模型抱有期待，后来发现泛娱乐 C 端应用对「好」的要求太高，用户不会消费 99.9 分以下的东西，而真正具备消费性的内容仍然掌握在优秀的人手里。图像模型不一样，它天然画得比梵高好，已经超越 99.99% 的人，对用户的刺激更强烈，成本更低，模型 size 小，infra 难度低，开源生态好，迭代速度也更快。

这段经历让他回到一个更根本的问题：认知到底是什么。他的定义是，认知是在行业早期相对清晰地看到中长期的核心要素，然后长期投入。放到 AI 这件事上，需要回答两个问题。第一，AI 行业相对长期的核心要素是什么。第二，因为 AI 的出现，已经存在的行业里哪些长期关键要素会发生变化。

他对第一个问题的回答很干脆：AI 这件事是通过数据提升模型的交付能力，让用户体验变得更好。它不靠迭代服务，不靠创造内容，不靠增加更多软件功能。核心是数据，但最关键的动作是评估。因为要评估，才能归因，才能改进，才能知道需要什么类型、什么规模的数据。这是一个闭环。

基于这个判断，Albert 给创业公司画了一个 2×2 矩阵。横轴是用户对交付是否有明确预期，纵轴是仅依靠模型是否能完成交付。他的进场原则很明确：尽量选用户对交付有预期、且仅依靠模型就能交付的任务。

为什么用户预期这么重要？因为只有当用户对交付有预期时，你才能对用户的输入做科学分类，才能对输出建立清晰的评估标准。评估清晰的任务，迭代速度快；评估模糊的任务，迭代就慢，需要引入专家、搭建复杂的测试方法，这种复杂度会让创业公司的资源阶段不匹配。

曲凯追问，那这类任务岂不是模型一迭代就被颠覆了。Albert 用翻译举例：学英语的翻译、商业翻译、论文翻译完全是不同的事，围绕不同场景和人群，你仍然可以通过模型或非模型的方式让体验更好。他又拿垂直电商举例，垂直电商长期不成立，是因为交付的是商品，流量投放成本比别人高，别人投进来能跨品类迁移，LTV 更高，拉长周期就被拉死了。二手电商能活下来，是因为它交付的不只是商品，还有鉴定服务这个附加价值。

你的交付实际上是服务，最后不会被颠覆，其实也是它创造的壁垒和价值。

这个区分很关键：交付商品，容易被平台化能力碾平；交付服务或多步骤的东西，才有机会沉淀出自己的位置。

创业最重要的不是讲故事，是定义资产 0:10:50

曲凯问，现在是不是最好的 AI 创业节点。Albert 说现在比去年好很多，因为很多东西逐步明朗，团队更容易拿到正反馈。去年一年对大多数团队来讲没有正反馈，而创业非常需要正反馈，团队很难在长期没有正反馈的状态下坚持。

他顺带批评了一种创业惯性。2014 年移动互联网最火的时候，创业意味着做一个牛逼产品、融很多钱、搞到很多用户、商业化、上市，融资变成了创业的先决条件。他把这比作小升初、初升高，大家瞄着考试目标走，上了大学反而不知道要干什么。风险投资行业在商业史上只有几十年，大家津津乐道的都是百倍千倍回报的项目，于是机构渴望听到宏大叙事，聪明的创业者就被训练出很强的 story telling 能力，研究那些百亿美金公司是怎么一步步走到今天的。

问题在于，互联网带来的超高集中度、超高规模效应、超高网络效应的业态，在商业史上非常不普遍。你不停学习的是低概率事件。学得好，能讲出好故事，能融到钱，但风险投资的内在逻辑和创业的内在逻辑存在矛盾。餐饮、内容、服务行业几十几百年都没怎么变，先跑通单元经济模型，再想怎么扩张，这跟今天的创业环境更像。

那 CEO 到底该干什么？Albert 的答案是创造有价值的资产，并让资产价值越来越高。他举了自己早年做图像产品的例子：很快找到一个类妙鸭的场景，投放侧打平，不需要亏钱就能增长，但后来没做。原因是那个业务形态里用户是一波流付费，属于工具类产品的订阅模式，没法积累，商业化效率起不来，资产本身价值很低。「这个钱可能就是今天有，明天没有，因为社会不持续地需要你。」

他把这称为「快钱慢赚」。吃饱是为了赶路，路上需要什么才关键。花力气去科学地评估，把需求搞得更明白，让增长体系和评估能力可以复用，这些都需要时间。做短期，做到能够并行做长期的时候，再开始做长期。他提到字节早年做特效，线上大量特效是工程师手动写的，同时有一支团队用一年时间做引擎，那需要资源，但方向是清楚的。

张一鸣的两个回答：做更有把握的事，训练平常心 0:28:26

Albert 去年有一段时间很纠结：到底去做短期更有正反馈的事，还是坚持研究一些今天还不 ready 的大行业。他去问了张一鸣。张一鸣的建议是，如果你觉得自己真的比较有才华，那还是应该做更有把握的事。

这个回答听起来有点反直觉。Albert 后来的理解是，很多看似宏大的事情需要的要素极其复杂，你可以在战略上轻视构建这些要素的难度，但回过头来最关键的是认知是否足够准确。逻辑严密地推敲之后，会发现很多外部和内部条件其实不 ready，这时候事情就有点依赖运气。一旦对运气的依赖越高，把握就越低，能力在其中的占比就越低。

他由此给出一个关于运气的定义：成功是 20% 的努力和 80% 的运气，但好的运气本质上是你的优势被时间放大的结果。核心是你得有足够长的时间。活下去就很重要，只要活下去，不断放大优势，理论上运气会越来越好，抓住机会的能力会变强。

那什么叫正确的事？他又画了一个 2×2 矩阵。第一，你是不是能够相对清晰地计算这件事发生的概率；第二，你是不是能够承担它的代价。两者都满足，才叫正确的事。很多时候做的决策是概率算不清但代价能承担，就上了，这会在错误的事情上花很多精力；还有的时候概率算得清但代价承担不了，就是铤而走险，很多公司就是这样死掉的。

曲凯问他还会跟张一鸣聊什么。他说会问怎么训练平常心。聪明人往往没有耐心，要求自己脚踏实地，就得训练平常心。平常心的意思是接受事物本来就很难，失败是正常的，团队能力是需要提升的。预期高于能力的人，韧性往往很差，而创业很需要韧性。

张一鸣给他的回答里有「享受过程」四个字。Albert 的第一反应是这跟心灵鸡汤差不多，但因为是一鸣说的，他会花很长时间去想这句话的禅机。他的结论是，大家往往高估理想带来的激情，低估正反馈带来的刺激。兴趣很多时候就是正反馈的产物：小时候弹琴被夸有天赋，就更愿意花时间学，然后真的有了天赋。

找 PMF 的方法论：做没壁垒的事 0:36:33

曲凯问怎么找 PMF。Albert 的回答只有一句：做没壁垒的事。

他的逻辑链条是这样的：没壁垒的事代表你有机会进去，代表这个行业已经有很多人成功，很多人成功就代表这件事一定有迹可循。如果你现在去找有壁垒的事，大概很难找到 PMF。他把方法论拆成「变化和不变」：变化是技术到底在发生什么，不变是人的需求就那么多，人想变美、想偷懒、想赚更多钱、想占便宜。在不变的需求里找那些没有那么强垄断、有很多人存在的领域，再看商业模式相对好一点的，再看哪些东西技术原来做不到、现在能做到的，然后沉下心研究用户。

他给了一个可以马上执行的动作：把 App Store 排行榜前 100 名全部拉出来，分析所在行业，把时间点拉出来，看后发的人做了什么才取得今天的地位，总结规律。健康领域可能同时有五六个瑜伽、健身产品，看它们各自在什么时间点做了什么，后发者靠什么活下来。他提到 2017、2018 年行业疯狂搞短视频的时候，有一波出海做应用订阅的公司做得不错，年收入大几千万到上亿美金。

工具产品的要义只有一个：用速度换规模。Albert 解释，工具产品的下限靠商业化效率买量，上限靠做出爆款快速获得增长，最终竞争往往在下限。规模越大，毛利越好，买量竞争力越强，最后是品类垄断的逻辑：你能以更高价格买量，抢到更多曝光，其他人的毛利就很差。订阅模式的特点是第一年利润很差甚至微利，第二年续订周期来了毛利改善，第三年毛利非常好。如果你能积累足够大的规模，第二年基本就有竞争优势，这也是很多工具产品今天没有壁垒却依然很难被撼动的原因。

他不担心美国团队或中国团队来竞争。美国团队对新技术机会的反应会慢一点，中国团队不愿意做很多脏活累活，因为解起来很累。「他没有我持久，美国没有速度快。」他很难讲这是壁垒，只能说是优势，而认知是最大的壁垒，前提是你有足够长的时间让优势持续发挥作用。

关于 AI 会不会有爆发，他的判断很冷静：没有爆发，爆发只有 OpenAI，所有应用都是渐进式的。他们下一个 milestone 是用相对短的周期做出影响面更大的事情，量化一下是一年三五千万美金收入。他同时在做几个产品，高频的看 DAU，低频的看收入，这些产品更多是「口粮」，让团队能在路上有足够多的粮食，同时积累评估能力和增长体系这些可以复用的东西。

怎么快速判断一个 AI 创业者：钱和注意力投在哪 0:47:15

曲凯问，跟一个 AI 创业者聊，问哪几个问题能快速判断他的认知和阶段。Albert 的第一个问题是：钱投入在哪里，超额投入在哪里。是买量，是搞模型搞数据，还是别的。每个业态不一样，但投入的方向会暴露真实的判断。

他更在意的是评估。以前很多产品靠 online 评估就完事，开开 AB 测试。今天模型之间相互影响，A 任务好 B 任务差的情况很频繁，不可解释性又强，offline 评估不够完整，online 之后数据大幅下滑的情况很常见。offline 评估的难度和复杂度都变高了，怎么 build 这套东西反而比较重要。

他补充了对增长的理解。去年他说增长是商业化，现在要再加一个必要条件：能归因。这仍然是评估问题。当你把注意力放在怎么评估的时候，很多事情会顺起来，你会去要求自己想明白用户预期是什么、场景怎么分类、人群是什么。他举了个例子：付费等于什么？等于图像的保存率。保存率在衡量什么？在衡量交付能力。

他最近在想的一个问题是摄像头。摄像头是眼睛，以前只能做分享，现在这个眼睛带了脑子，感知能力具备了，还能做什么？他提到美国有一款拍食物算卡路里的产品增长很快，但他觉得这个例子太具体，带了脑子之后能带来的变化需要打开想象力。暂时还没有答案。

最焦虑的是人才，最难的是给人才安全感 0:50:32

Albert 说现在最焦虑的是人才。业内有很多在大模型公司做事、但对用户反馈和用户认同更渴望的工程师，他希望找到这样的人。他明确说上播客的主要目的之一就是招人。要求不高：对新技术有热情，想服务用户，对做出很酷很不一样的产品有想法，将来想自己创业。他给不了行业最好的薪水，但公司内部每天都在交流，每天都有新的技术能解决什么问题的讨论。

他们跟新技术跟得快，和组织逻辑有关。团队倾向招兴趣驱动的专家，这些人没什么管理能力，但对新技术有强烈渴望。第二是核心要去解决实际用户问题，解 case 的时候自然会用上新东西。他举了个例子：公司有个好奇心很强的应用工程师，他给的任务是什么都不用干，就去 follow 新东西。对方觉得对公司没价值想离职，他说没关系，研究新东西就是价值。当然也有同事天天骂他卡预算不招人，既要又要，举例子说某个工作 8 月就出来了，为什么 9 月才反应过来。

播客播出后找他聊的人很多，普遍是优秀的 researcher 背景。上一代 AI 四小龙教会行业一件事：今天应该做 C 端，不要做 B 端。所以大家都想做 C 端，觉得他懂 C 端。他给这些人的答案还是那句：做没壁垒的事。不要恐惧 C 端，不要一上来就想强网络效应、强规模效应，一点一点通过技术提升用户体验。这不靠天才，就算有天才发现一个东西，你也能很快跟上。

他反思自己去年上完播客后状态变差了。原因是对自己的预期发生变化，之前一直关门做事，一出来讲，大家说你好牛逼，讲的东西很好，预期就飘了。预期需要管理，对自己的、对股东的、对团队的、产品对用户的，都需要。这次本来抗拒再上播客，后来想美国创业者喜欢上播客是为了招人，确实起作用，很多人因为听了播客快速了解他。他说自己很容易飘，要尽可能控制，还是喜欢踏实做事的心态。

面试时他问的问题不太技术。会问最近有什么感兴趣的工作，深入探讨为什么觉得好。更多关注社会关系：消耗你时间和金钱最多的活动是什么；身边有没有你相处过、愿意把工资都投在他身上的人，为什么。他说招人就是在投人。

公司 20 多个人，组织上有一个「效果」团队，包含设计师和算法工程师，把领域专家的先验判断和线上指标做对齐，看 gap 有多大。产品更像容器，功能没那么多，迭代主要靠效果，这一点更像字节。

最后他聊到最现实的困境：怎么让人才有安全感。在北京、上海运营一支 AI 应用创业公司，难度非常高，没有那么多业务和毛利去支撑竞争优秀人才。一个人没有长期稳定的生活，很难真正专注和聚焦。钱本质上是用来交换时间的，能拿钱交换足够多的时间，才能专注在业务上。他甚至在想要不要不要办公室，每季度换一个城市，先去云南待三个月，冬天去三亚待三个月。有家的人难一点，但公司有不少上了岁数、不愿意成家、享受自己兴趣的人，觉得这样蛮好。他也承认，如果满脑子都是怎么生存，根本没办法集中注意力做好事情。

整期节目听下来，Albert 给出的东西更像一组可以拿去检验自己的问题：你的交付是商品还是服务？你的任务评估得清楚吗？你的钱和注意力投在了哪里？你做的是有把握的事，还是依赖运气的事？你有没有足够长的时间，让优势被放大成运气？对正在找 PMF 的人来说，最直接的动作可能是他说的那个：把排行榜拉出来，找那些很多人已经成功、看起来没壁垒的领域，看后发者做对了什么，然后沉下心去解那些别人不愿意解的 case。