AI 应用如何超越“套壳”

春节前后，Deepseek 的爆火让人们看到了一个新的可能：当模型成本大幅降低，AI 应用是否终于等来了自己的春天？

确实，在过去一年里，“GPT 套壳”成了 AI 创业最大的困境。高昂的 token 成本让许多产品难以规模化，更遑论建立护城河。现在，随着开源模型的崛起和算力成本的下降，这个瓶颈似乎被打开了。

但成本的降低并没有完全解除“套壳”的诅咒。

一个产品如果只是简单地包装了 LLM 的能力，无论成本多低，始终难以形成真正的竞争优势。这让人想起二十多年前的互联网泡沫：那时的 Web 应用同样被嘲笑为“CRUD 套壳”（CRUD = Create, Read, Update, Delete，即“增删查改”，为数据库的四种基本操作），不过是在数据库上加了层界面。

但今天的科技巨头们，正是从这样的“套壳”起家。那么，是什么让它们完成了蜕变？

关于 AI 应用的四个问题

A16Z 的合伙人 Andrew Chen 在最近的一篇 短文 中提出了 4 个问题：

• 如果 AI 模型初创公司的防御性很低，并且开源替代品和新进入者不断出现，随着时间的推移，优势逐渐减弱，情况会怎样？谁最终会获胜？
• 新的 AI 优先应用受益于新颖性，实现惊人的增长。随着时间推移，当这种新颖性消失，用户预期每个产品都有 AI 特性，谁会赢得用户？
• 过去，一个新产品可能需要几个月的时间来复制，并需要一段时间来建立领先地位。但很快，它几乎会被立即跟进。那么，产品如何留住用户？
• 近年来，没有自行训练模型的 AI 产品被嘲笑为低技术含量的“GPT 套壳”。然而，过去几十年的消费者产品技术含量低，护城河看似很窄，却创造了巨大的价值。未来会重蹈吗？

Chen 提出这些问题，不仅仅是由于他在 A16Z 的投资方向，更是由于他对于消费互联网上的工作经历，这包括他在 Uber 的早期增长上的成绩，以及后续在这个主题上数百篇的文章输出——它们最终结集出版为 The Cold Start Problem 一书。

在本周的 Links + Notes 中，我摘录了 Chen 对这些问题的部分观点，其中是一个核心比喻是：现在的“GPT 套壳”其实很像第一波的 Web 应用，由于这些应用基本上都可以看作是在数据库基础上面加了一层 UI，也有一种说法，认为这些 Web 应用都是“CRUD 套壳”。

无独有偶，当下的美股市场也有类似的比喻：人们开始担心 AI 泡沫可能如互联网泡沫一般轰然倒塌——最典型的那些企业，如 Webvan 和 Pets.com，正是所谓的“CRUD 套壳”。如果说 200 多倍市盈率的 Cisco 至少还卖出去一些铲子，这些“套壳”的 dotcom 始终没有找到合适的盈利模式。

那么，是什么拯救了“套壳”？

全面与深入

在 Web 1.0 时期，今天硕果仅存的莫过于 Google 和 Amazon。尽管它们当时的形态和今天大不相同，但我们仍可从中总结两个成功要素。

首先来看 Google。严格来说，Google 不能算是一个“CRUD 套壳”产品。它具备自己的技术护城河，用 PageRank 算法解决了纷繁复杂的互联网上如何进行索引和排序的问题，同时期的竞争对手如 Lycos 和 WebCrawler 则主要以来搜索关键字在网页上出现的位置和频次，体验上就出现了代差。

Google 做对了很多事，但回头来看，最重要的是它依靠自己的技术优势占据了“全面”这个位置。特别是在 dotcom 泡沫中，网页的数量快速增加，而发现这些网页的入口还停留在 Yahoo 和 AOL 这样的目录式结构上。全面、快速、准确，是搜索体验成功的关键，而这其中，全面是一个基础，如果不能做到覆盖全网，那么用户就会转投他处。

如何呈现“全面”其实并不容易，但反面却很容易暴露出来。每一次搜索，Google 都在精心展示自己庞大的索引，在用户心智中建立起“全面”的认知壁垒。这个壁垒延续到后续的很多产品中，包括 Gmail、News 和收购而来的 YouTube。

YouTube 的收购发生在 2006 年，在此之前 3 年，Google 还收购了 Blogger。后者今天已经基本不再被提起，但可以认为这两次收购的动因是类似的，都是希望在生态上更加“深入”，从单纯的“入口”深入到内容中。YouTube 在 2024 年的贡献了超过 300 亿美元，20 倍于当年的收购价格。

讲到“深入”，再来看 Amazon。Amazon 的模式显然要比 Google 重很多，最开始从图书起家，逐渐拓展到“全面”。Jeff Bezos 把 Customer Obsession 奉为信条，最重要的投资就是在自建物流上。这件事是一项耗资巨大的资本支出，而且在 dotcom 浪潮中“重资产”显得并不性感，但 Amazon 有自己的坚持。这个故事大家都很熟悉，不再赘述。

“全面”和“深入”是在简单的 CRUD 数据库操作之外的两个方向的价值延展。AI 应用可以做什么呢？

“全面”这个价值点在 AI 搜索上已经有所体现，能做文章的地方有可能是结合 long context（长上下文窗口）和多模态来检索那些之前未能被充分索引的地方。如前所述，展现“全面”这个能力其实不容易，比如说搜索结果能帮助用户索引到一本书，用户很可能自己也没有听过或读过这本书，所以也不清楚这本书是不是真的有价值，相对于另一个没有索引到这本书的结果，体验上的差异性可能没有那么大（想起 Kimi 为了推广自己的长上下文，特别在视频中搬来红楼梦，实际上也是一个侧面印证）。这里需要长时间的细节打磨和用户认知建立，一旦建立起这个认知，价值就相当大。

“深入”方面，能做的事情很多。最近 OpenAI 发布的 Deep Research 被认为是第一个“好用的 agent”。Wharton 商学院的 Ethan Mollick 甚至认为：“它将困难和矛盾的概念交织在一起，找到了一些我意想不到的新联系”，达到了“接近博士级别的分析”。但这很可能只是 AI 应用走向“深入”的第一步，Deep Research 所用到的数据来源并没有超出传统搜索的范畴，而更多是依靠推理模型进行数据的深度筛选和加工——这可能意味着，推理模型可能是 AI 应用走向“深入”的关键路径。

网络与规模

Andrew Chen 的 The Cold Start Problem 一书提出了 Atomic Network 的概念，他观察到：网络早期会存在一些最小化的单元，可以独立存在和成长，比如 Facebook 最初是在大学校园中创办的，一个学校甚至一个班级上的同学就可以独立存在。识别、孵化并复制这样的“原子网络”就是借助网络效应完成冷启动的方法论。

这个方法论结合了大量在 Web 2.0 时期的实战经验，不仅在社交网络上，在 Square、Shopify、Uber 和 Airbnb 上等应用上也获得了实际成功。道理不难总结，构建网络效应不能等待自我实现，而是要通过各种手段促成“冷启动”，之后再用各种手段进行管理，加速成长，并赋予秩序（参见：新颖与秩序）。

在 CRUD 之上，这些平台映射和沉淀了现实世界中的关系图谱，社交、内容、交易、出行等等。这些数据创造、记录并延伸了人类社会中的种种连接，从而富有更大的价值。没有人会认为，这些应用只是简单的“套壳”了。

这种思路中隐藏着一个在互联网时代默认成立的假设，就是边际成本为零。在不考虑服务额外一个用户的成本的情况下，网络构建的问题被简化为新增、留存和商业化的问题——这也是 Chen 提出的四个问题的基本框架，也可以认为是互联网商业模式的通用模式。

在模型 token 成本较高的时候，这个模式难以套用到 AI 应用上来。美国市场上主流的商业模式，无论 toB 还是 toC，都是付费订阅；国内的免费 + 买量模式则在最近的讨论中被 Minimax 的创始人所挑战。

从用户角度看，如果用 AI 生成了内容需要付钱，那么在没有明确的回报的情况下，先前投入的成本无疑就是门槛，为什么又要如互联网时代一样免费分享，用爱发电呢？这也说不通。这可能也解释了为什么最先出现的 AI 应用以 toB 和 toP（Professionals，包含较为专业的内容创作者）为主。

在模型竞争开始分化，成本一路走低的情况下，假设可能会发生变化：Deepseek 依靠免费 + 口碑传播，在短短几天内获得了上亿的用户量。这里不能排除大量的用户可能只是为了新颖性而来，但也不排除一些用户会养成习惯，甚至形成认知——这是包括豆包、Kimi 等一众国产 AI 应用在大量流量推广费用之后仍未能达到的结果。

结合春节前后在社交媒体上的观察，可以看到 Deepseek 的传播呈现出圈层的形态：有人问运势，有人写小说，在每一条内容分享下面，评论区里都有热闹的讨论。在我看来，这种圈层传播已经出现了 Atomic Network 的雏形：它借助现有的社交媒体的基础设施进行分发，用户的评论互动行为实际上已经暗藏了网络效应的萌芽。

Deepseek 过硬的模型能力和独特的生成风格似乎跨越了“图灵测试”的门槛（OpenAI 的 Deep Research 也达到了）：只要内容足够好，大众并不在乎是 AI 还是真人。

如果一个 AI 应用能够激发用户的广泛互动，进而产生新的连接，那么“套壳”之说自然也就不攻自破。

For You

美国消费互联网都未能及时预判的是个性化在平台构建中的力量。

来看 Meta。

负责 Facebook 和 Messenger 的 Tom Alisons 在 2022 年 4 月的 内部备忘录 可以作为证明：在这份后来可以轻易搜索到的文档中，Alisons 为 Facebook 定下的基调是成为 Discovery Engine，换句话说，就是重新重视个性化推荐的作用。

负责 Instagram 和 Threads 的 Adam Mosseri 则在过去几年中坚定的推进 Instagram 的个性化，在这个十几年以来一直以关注流为主的老产品上动刀子不容易，那么在新产品 Threads 则默认为 For You。“Adam Mosseri apology”这个搜索关键字下可以找到他过去的各种向用户道歉的记录。

Elon Musk 的 X 也是一样，收购之后，很快就把 For You 改成了默认首页，根本不顾老用户的批评。

这些都被认为是美国互联网向 TikTok 看齐的例证。Ben Thompson 和 Eugene Wei 有一次对谈，专门对比了几个产品的变化，感兴趣的可以再去读一读。

For You 具有很强的两面性：一方面，它补足了 Follow 的若干缺陷，支撑网络规模近一步延展，在 Chen 的理论中，它提高了网络效应的天花板；另一方面，它又是反网络效应的，很多产品实践表明，在 For You 推出之后，显性关注关系（Follow）都会出现衰退。

原因在于：For You 比 Follow 更私密。一个简单的事实是：在大部分平台上，你关注了谁是默认公开给平台上的其他人的，但你的 For You 页面（即推荐流）的内容却不会被其他人看到。在日常生活中，无意中窥见其他人的推荐信息流都可能会带来社交尴尬甚至“社死”：算法对一个人从内至外的曝光是彻底的，其程度有时候并不亚于聊天记录。

AI 应用则是再次升级的 For You。与 ChatGPT 的聊天记录中一定会曝出惊天地泣鬼神的超级猛料，只是时间问题。华尔街日报最近报道了一个与未来的自己对话的 AI 应用 Future You（在本周的 Links + Notes 中可以找到关于这个产品的解读）。Future You 像是 Character.ai 平台上的一个优质 bot，它背后的团队具有来自 MIT、UCLA 和 Harvard 的深厚心理学和 AI 背景，并不能指望这样的 bot 能通过简单复制而规模化。同时，其中的很多对话只能发生在用户与 AI 之间。打破这一层社交屏障需要巧妙的产品设计：人们既要保护隐私的控制权，又不喜欢繁复的设定界面。

好在 AI 可以学习，更细致入微的理解用户偏好。ChatGPT 中的 Memory 功能有时候会带给我这种惊喜。在这一点上，个性化的数据飞轮——用户使用越多，就越能 For You——仍然成立。否认这一点，相当于否认了人性大体相通。

AI 应用如果想要更好的融入消费者的生活，最需要学习的其实是人类社会中各种约定俗成的文化和习俗。如果 AI 能够预判到尴尬的局面，就能在行为上更有分寸感，也就能更好的打破公共、社群与私人语境的屏障。

也就消解了“套壳”的诅咒。

走向盈余

Andrew Chen 最后没有结论。我也没有。此刻，成本下降对 AI 应用的利好似乎为 2025 年设定了一个美好开端，但市场上的优秀产品仍然乏善可陈。

如果 LLM = 数据库，prompt engineering = CRUD，那么我们很可能处于 2000 年互联网泡沫前的一段时间，估值虽高，但还没有达到彻底崩盘的局面；应用随多，但还没有找到自己如何在“套壳”之上做宽做深，也未能解决网络效应与个性化之间的左右互搏。

一切需要时间。一些紧缚的假设已经放松。算力正在走向盈余，正如认知曾经走向盈余一样，创造、分享、连接、感受，而不仅仅在日新月异的模型竞赛中重复“套壳”。

Links + Notes | 链接笔记

本周的 Links + Notes 链接笔记包含如下内容：

• Andrew Chen 认为，在 AI 模型商品化的背景下，传统的防御性策略（尤其是分发和网络效应）将以新形式重新成为焦点。
• MIT 开发的 Future You AI 平台让用户可以与 30 年后的自己对话，展示了 AI 消费应用的新可能。
• Kevin Xu 的年度投资信提出了一个三部分投资框架，重点关注生成式 AI 基础设施和有弹性的云软件公司。
• 前美联储交易员 Joseph Wang 警告市场低估了关税政策的影响，预计将对跨国科技公司带来显著冲击。
• 女性创业者 Stella Garber 提出创业前需要回答的四个关键问题：十年承诺、人生阶段、机会成本和解决问题的热情。