這家兩個(gè)月達(dá)成千萬美金 ARR 的團(tuán)隊(duì)，認(rèn)為音樂才是 AI 視頻的入口。

整理｜曹思頎

采訪｜張鵬 曹思頎

2026 年，在以 OpenClaw 為代表的 Agentic AI 成為整個(gè) AI 圈「超級(jí)共識(shí)」的同時(shí)，視頻模型卻開始走向另一種分化。

在美國，OpenAI 已關(guān)閉 Sora 的獨(dú)立產(chǎn)品形態(tài)，視頻生成在其當(dāng)前優(yōu)先級(jí)里明顯后撤；Runway、Luma AI 等創(chuàng)業(yè)公司也開始把敘事的中心轉(zhuǎn)向「世界模型」。

而國內(nèi)則呈現(xiàn)另一番景象：視頻模型正在成為大廠下一階段必爭的多模態(tài)能力。無論是字節(jié)旗下的即夢(mèng)，還是快手旗下的可靈，這類視頻生成產(chǎn)品正在從大眾娛樂場景，進(jìn)一步滲透進(jìn)付費(fèi)意愿更強(qiáng)的專業(yè)創(chuàng)作者群體。

Sand.ai 是這輪分化里一個(gè)值得觀察的創(chuàng)業(yè)樣本。他們的核心產(chǎn)品 VidMuse 主打「Music in，Video Out」的產(chǎn)品形態(tài)，把音頻放到產(chǎn)品最核心的輸入位置。據(jù)了解，VidMuse 自年初上線以來，ARR（年度經(jīng)常性收入）已超千萬美金。

近期，Sand.ai 宣布完成了新一輪約 5000 萬美元的融資，極客公園也和 Sand.ai 創(chuàng)始人曹越、VidMuse 產(chǎn)品負(fù)責(zé)人張子賀 Zake 進(jìn)行了當(dāng)面溝通。在 Sand.ai 看來，音樂的重要性并不因?yàn)樗鼘?duì)應(yīng)某一類內(nèi)容或用戶，而在于它可能成為 AI 時(shí)代視頻創(chuàng)作更底層的輸入起點(diǎn)，也天然連接著更強(qiáng)的創(chuàng)作意愿。

與此同時(shí)，Sand.ai 還堅(jiān)定地選擇了既做產(chǎn)品又做模型的「雙輪驅(qū)動(dòng)」路徑：先用市場上效果最好的模型為產(chǎn)品找到 PMF，再用自家的模型回到關(guān)鍵節(jié)點(diǎn)換效果、換成本、換毛利。無論從精力、能力還是資源上看，這都不是一條輕松的路。但在曹越看來，這恰恰是創(chuàng)業(yè)公司相對(duì)巨頭的一種優(yōu)勢：在這里，模型和產(chǎn)品更容易服務(wù)于同一個(gè)目標(biāo)，而不會(huì)彼此分裂。

而這條路徑真正指向的，不只是一個(gè)更強(qiáng)的視頻生成工具，而是一個(gè)能夠長期協(xié)作的「數(shù)字制片團(tuán)隊(duì)」。在 Video Agent 這種新的產(chǎn)品形態(tài)下，用戶更像一個(gè)「出資方」：不再需要充當(dāng)導(dǎo)演反復(fù) prompt 獎(jiǎng)戲，而是可以把創(chuàng)作目標(biāo)安心托付給一個(gè)能夠長期信賴、持續(xù)調(diào)用的創(chuàng)作伙伴。

以下是整理后的訪談內(nèi)容：

01

視頻模型生成的「中美分野」

極客公園：你們關(guān)注到最近很火那個(gè) HappyHorse 了嗎？

曹越：看到了，還挺有意思的，好多人拿推特上一個(gè)分析的帖子來問這個(gè)是不是我們的模型。我后來發(fā)現(xiàn)，是有個(gè)網(wǎng)站上面就直接把我們 Magihuman tech report（Sand.ai 最新開源的模型）內(nèi)容轉(zhuǎn)成網(wǎng)頁，名字是 HappyHorse。（笑）不過我們的新模型在訓(xùn)練中，會(huì)盡快推出，很大概率會(huì)直接開源出來，希望整個(gè)行業(yè)一起加速推動(dòng)。

極客公園：所以是個(gè) fake news。但最近你們一邊內(nèi)測新產(chǎn)品 VidMuse 2.0，一邊開源了一個(gè)基模，在外部看來是個(gè)有點(diǎn)反共識(shí)的決定。今天大家都在強(qiáng)調(diào)商業(yè)化和閉源，你們?yōu)槭裁催x擇開源？

曹越：我覺得開源的本質(zhì)之一是提升品牌價(jià)值，有的時(shí)候也能夠降低獲客成本。比如 DeepSeek-R1 那次開源，大家一開始也未必能想到帶來了那么好的效果，起到了很好的作用。

對(duì)我們來說，去年 4 月我們發(fā)布 Magi-1 的時(shí)候，就開源了那個(gè)模型，算是最早開始探索世界模型的團(tuán)隊(duì)吧，Magi-1是自回歸視頻基礎(chǔ)模型。子賀當(dāng)時(shí)還在北歐讀書，也是看到這個(gè)開源模型之后找到我們的。

極客公園：今天很多投資機(jī)構(gòu)也是在 GitHub 上通過開源項(xiàng)目找創(chuàng)業(yè)者。所以視頻模型這個(gè)賽道，今天發(fā)展到了什么階段？

曹越：這件事已經(jīng)進(jìn)入了一個(gè)「節(jié)奏分化」的階段：有些方向會(huì)先成熟，有些方向會(huì)更晚成熟。現(xiàn)在最明確已經(jīng)成立的，是用視頻模型來替代實(shí)拍。

過去如果要做一段內(nèi)容，需要租場地、燈光、演員，再進(jìn)入拍攝流程；現(xiàn)在則越來越多地變成「寫好 prompt，點(diǎn)擊生成」。這一能力首先服務(wù)的是一群本來就在做內(nèi)容生產(chǎn)的專業(yè)創(chuàng)作者，幫助他們替代過去的實(shí)拍環(huán)節(jié)。

因此，現(xiàn)階段最成熟的不是泛娛樂消費(fèi)，而是有明確目標(biāo)的內(nèi)容生產(chǎn)。隨著模型能力變強(qiáng)，這部分創(chuàng)作者使用 AI 的比例在持續(xù)提高，而且這類人本來就有生產(chǎn)需求、也更愿意付費(fèi)。過去接近兩年里，可靈、Runway、Seedance 的增長，都是建立在這類場景之上，典型應(yīng)用包括短視頻內(nèi)容、廣告電商、短劇等泛內(nèi)容生產(chǎn)。

極客公園：中美對(duì)待視頻模型的整體態(tài)度，有什么不同？

曹越：我認(rèn)為，中美團(tuán)隊(duì)的差異實(shí)質(zhì)上來自過去十年的產(chǎn)業(yè)和產(chǎn)品環(huán)境不同。

在北美，過去十年 C 端的大錢更多被 Meta 這樣的巨頭拿走，真正以 C 端產(chǎn)品為核心的創(chuàng)業(yè)公司相對(duì)少，因此大量創(chuàng)業(yè)公司更習(xí)慣在 ToB SaaS 上掙錢。

而過去十年，微信、短視頻等產(chǎn)品形態(tài)是中國最熱的產(chǎn)品，因此整個(gè)市場對(duì) ToC 場景的感知更強(qiáng)。所以，在視頻生成這件事上，中國公司會(huì)更重視它的價(jià)值，也更相信它能很快產(chǎn)生商業(yè)回報(bào)。

某種程度上，我理解 OpenAI 停掉 Sora，可以看成把更多算力資源傾斜到了 coding 這個(gè)方向。相較之下，中國公司看起來更重視視頻生成，因?yàn)樗呀?jīng)是除 coding 之外最明確的大場景之一，而且商業(yè)價(jià)值也更容易被驗(yàn)證。

Sand.ai 創(chuàng)始人曹越，此前曾任光年之外聯(lián)合創(chuàng)始人 | 圖片由受訪者提供

極客公園：具體到大公司和創(chuàng)業(yè)者，他們都做了什么？你有關(guān)注美國那邊 Runway 最近的動(dòng)作嗎？

曹越：我們其實(shí)沒有特別關(guān)注 Runway。因?yàn)榭雌饋恚麄冊(cè)凇该嫦騽?chuàng)作者的純視頻生成」產(chǎn)品層面，似乎沒有再進(jìn)行特別大規(guī)模的投入，整體敘事越來越偏向「世界模型」，包括 Luma AI 也是這樣的。相比繼續(xù)強(qiáng)化產(chǎn)品，美國的創(chuàng)業(yè)者更聚焦在強(qiáng)化模型，以及模型繼續(xù)演進(jìn)的方向。

極客公園：所以他們是「弱化產(chǎn)品、強(qiáng)化模型」？

曹越：對(duì)，硅谷我認(rèn)為是這個(gè)趨勢。

在中國，產(chǎn)品則會(huì)更快地進(jìn)入商業(yè)化階段。以 Seedance、可靈為代表，中國的視頻模型可以更快實(shí)現(xiàn)付費(fèi)的閉環(huán)。不過，雖然在語言模型上，國內(nèi)和國際最領(lǐng)先水平仍有 gap，但在視頻這個(gè)方向上，我認(rèn)為中國公司的模型能力已經(jīng)處在世界第一梯隊(duì)了，這也是它們更容易率先把商業(yè)場景打出來的原因。

02

為數(shù)不多的技術(shù)共識(shí)：

音畫同出、多鏡頭敘事

極客公園：視頻模型的技術(shù)路線，今天收斂了嗎？

曹越：沒有收斂。至少現(xiàn)在還沒出現(xiàn)像語言模型里 coding 那樣，所有人都必須死磕、不能落后的統(tǒng)一方向。

目前視頻模型的競爭，更像是不同團(tuán)隊(duì)在不同方向上做強(qiáng)化選擇。例如多鏡頭敘事這件事，目前 Seedance 是處于領(lǐng)先地位的，但我們認(rèn)為這并不來自不可復(fù)制的絕對(duì)技術(shù)壁壘，更是「更早選擇了這個(gè)方向，并更早把它做好」的判斷，從而獲得了大約三個(gè)月左右的領(lǐng)先周期。

其實(shí)，從過去兩三年模型能力的進(jìn)展看，一家公司做出的能力，其他公司往往會(huì)在很短時(shí)間內(nèi)跟進(jìn)，快則兩三個(gè)月，慢則三到六個(gè)月。所以，競爭核心不完全是長期技術(shù)壁壘，也包括階段性的判斷和選擇。

極客公園：那么過去一年，視頻模型層面最關(guān)鍵的技術(shù)突破是什么？

曹越：我認(rèn)為是音畫同出和多鏡頭敘事。

Google Veo 3 是最早做出音畫同出的模型之一，我們后來也很快跟進(jìn)了。它的關(guān)鍵價(jià)值在于：人物的基礎(chǔ)表演會(huì)變得更細(xì)膩、更逼真，尤其是口型、聲音、動(dòng)作之間的同步，會(huì)讓人物看起來沒那么像一個(gè) AI 合成的人，而更像真實(shí)表演。

極客公園：那多鏡頭敘事呢？

曹越：多鏡頭敘事的重要性，其實(shí)更多是在它被做出來之后，行業(yè)內(nèi)才突然意識(shí)到。因?yàn)樗@著提升了敘事型視頻的質(zhì)量和真實(shí)感。

如果只是單鏡頭生成，即便畫面本身很好，人依然會(huì)隱約覺得「不太對(duì)勁」。因?yàn)槿颂烊簧钤?3D 空間里，對(duì)空間是否真實(shí)有非常敏銳的感受。多鏡頭敘事能在一段短視頻里，讓同一個(gè)場景從不同視角被表現(xiàn)出來。比如先從一個(gè)角度拍一個(gè)人說話，再切到另一個(gè)角度拍另一個(gè)人回應(yīng)。這樣一來，觀眾會(huì)迅速建立起對(duì)這個(gè)場景的空間感，整體也就顯得更真實(shí)、更舒服。

另外，現(xiàn)實(shí)世界里本來就存在大量天然對(duì)齊的信息。畫面和聲音是對(duì)齊的；同一個(gè)空間里的不同視角也是對(duì)齊的。過去如果模型只處理單鏡頭、無聲音的內(nèi)容，其實(shí)就等于沒有利用這些現(xiàn)實(shí)中天然存在的信息。一旦把這些不同維度的信息一起灌進(jìn)同一個(gè)模型里，生成效果就會(huì)顯著提高。

極客公園：聽起來是一個(gè)不斷升維的過程，從靜態(tài)畫面，到動(dòng)態(tài)畫面加聲音，再到同一空間內(nèi)的多視角表達(dá)，能力是一層層往上疊加的。疊到某個(gè)臨界點(diǎn)后，用戶才會(huì)突然覺得「這個(gè)東西真能用了」。

曹越：這其實(shí)就是多模態(tài)的本質(zhì)：把物理世界里原本已經(jīng)對(duì)齊的信息，用同一個(gè)模型統(tǒng)一起來。

極客公園：視頻模型領(lǐng)域，會(huì)不會(huì)出現(xiàn)一個(gè)類似 coding 之于語言模型那種「皇冠上的明珠」？如果會(huì)，它是什么？

曹越：如果現(xiàn)在就讓我給一個(gè)已經(jīng)完全收斂的答案，我覺得還沒有。但我認(rèn)為視頻模型下一步非常關(guān)鍵的方向，很可能是更強(qiáng)的上下文理解、thinking，以及由此帶來的更細(xì)膩的表演能力。

今天的模型已經(jīng)能做到一部分事情。比如你給一張照片，再給一個(gè)比較具體的描述，它已經(jīng)可以讓這個(gè)人帶著某種情緒去說一段臺(tái)詞，而且畫面和聲音是一起生成的，所以對(duì)齊度會(huì)比較高，你會(huì)覺得它比較真。

但這還只是比較粗的層面。如果想要更細(xì)膩地表達(dá)一段音畫同出的內(nèi)容，我覺得模型需要的不是更簡單的一對(duì)一映射，而是 thinking。也就是它看到一整段 prompt 之后，不是直接把「憤怒地說」映射成一個(gè)表情，而是先理解上下文：這個(gè)角色是誰，之前發(fā)生了什么，這個(gè)場景是什么，他應(yīng)該怎樣表達(dá)。只有這樣，表演才會(huì)更細(xì)膩，也更貼合場景。

現(xiàn)在，還沒有模型能真正做到這一點(diǎn)，但我覺得這會(huì)來得很快，而且會(huì)是下一個(gè)非常關(guān)鍵的 breakthrough。

03

從創(chuàng)作者到「視頻投資人」

極客公園：聊聊你們?cè)趦?nèi)測的新產(chǎn)品 VidMuse 2.0 吧。我看了你們的介紹，交互邏輯是「Music in，Video Out」，這次核心的升級(jí)是什么？

張子賀：VidMuse 2.0 的核心，不是多了幾個(gè)功能，而是重新做了 agent 的框架。

之前市面上的很多 Video Agent，包括我們自己 1.0 的狀態(tài)，都會(huì)更像一個(gè)「帶著腳鐐」的 agent：它只能按你預(yù)設(shè)好的 workflow，一步一步往下走。

但視頻創(chuàng)作本身不是一個(gè)線性的流程，它是一個(gè)很發(fā)散的過程。所以 2.0 的核心升級(jí)，就是從這種 Workflow 式、強(qiáng)編排的工具，轉(zhuǎn)向一個(gè)更開放的 Video Agent。我們想做的是，盡量把原來加在 AI 身上的那些手鏈、腳鏈放開，讓它自己去發(fā)揮智能，順著用戶需求和創(chuàng)作過程流動(dòng)。

極客公園：現(xiàn)在大家都開始放開韁繩、少編排，更多交給 agent 創(chuàng)造好環(huán)境，VidMuse 2.0 基本就是往這個(gè)思路走的，對(duì)嗎？

張子賀：是的，因?yàn)橐曨l創(chuàng)作這件事本身非常社區(qū)驅(qū)動(dòng)。社區(qū)里會(huì)不斷冒出新的玩法、新的創(chuàng)作習(xí)慣、新的表達(dá)方式。如果每次社區(qū)冒出一個(gè)新想法，如果我都要靠人力、物力再去迭代一個(gè)新功能，那這個(gè)產(chǎn)品是永遠(yuǎn)追不上的。哪怕有各類 coding agent 提效，你也不可能真的 24 小時(shí)在線去手工支持所有這些變化。

所以，從產(chǎn)品角度看，把 AI 綁在固定 workflow 里，是追不上創(chuàng)作演化速度的。

極客公園：既然你認(rèn)為它是一個(gè) Video Agent，那它對(duì)標(biāo)的是什么？

張子賀：我們從一開始就不是把它當(dāng)成一個(gè)單點(diǎn)工具，而是把它當(dāng)成一個(gè)「完整的乙方」或者「制片團(tuán)隊(duì)」。我們看到很多 AI 時(shí)代的創(chuàng)作者，為了做一個(gè)完整視頻，要在 DeepSeek、Midjourney、生圖工具、生視頻工具之間來回穿梭，自己搭管線，門檻很高。我們當(dāng)時(shí)看到的機(jī)會(huì)就是：能不能在這些工具之上架一個(gè) agent，把它變成一個(gè)完整的制片團(tuán)隊(duì)。用戶不需要再自己穿梭在各種工具里，只需要說目標(biāo)，agent 去組織流程、調(diào)度 agent，最后把視頻交付出來。

極客公園：這個(gè)形態(tài)下，用戶其實(shí)就成為了制片人或者投資方。「燒」Token，然后得到滿意的成片。

張子賀：是的。

VidMuse 產(chǎn)品負(fù)責(zé)人張子賀 Zake | 圖片由受訪者提供

04

音樂是 AI 時(shí)代的視頻創(chuàng)作起點(diǎn)

極客公園：我聽說有人把 VidMuse 看成一個(gè) MV 場景的垂類產(chǎn)品？你們肯定是奔著一個(gè)通用目標(biāo)去的吧？

張子賀：我想專門澄清一下。我們內(nèi)部從來沒有說過自己只做 MV，也從來沒有把自己定位成一個(gè) MV Video Agent。

一開始我們也走過一些彎路。最初的想法是，模型能力本來是通用的，那產(chǎn)品也應(yīng)該盡量通用，不要給模型太多預(yù)設(shè)。但真正做的時(shí)候你會(huì)發(fā)現(xiàn)，如果所有場景都想覆蓋，產(chǎn)品很難跨過那個(gè)「用戶愿意付費(fèi)」的閾值，所以它必須收斂。

問題在于，怎么收斂。很多人會(huì)按內(nèi)容類型去切：音樂、漫劇、廣告，分別做成不同產(chǎn)品。但我不太認(rèn)同這種切法。因?yàn)槿绻惆磧?nèi)容類型把產(chǎn)品框死，它后面一旦要輻射更多場景，往往就得重構(gòu)。我們最后選擇的不是按內(nèi)容類型切，而是按創(chuàng)作鏈路去切。也就是說，我不是先定義「我做的是 MV」，而是先定義：AI 時(shí)代的視頻創(chuàng)作，到底是沿著什么鏈路往前走的。

極客公園：所以你們是會(huì)順著「創(chuàng)作意愿」去找用戶？音樂為什么會(huì)成為更好的切入口？

張子賀：我越來越覺得，音頻是一個(gè)比圖片和文字更適合切入的連續(xù)信息。圖片和文字更像是離散的，但音頻，尤其是音樂，是連續(xù)流動(dòng)的。

我們刷了很多 Twitter、YouTube 火的純 AI 生成視頻，發(fā)現(xiàn)它們有一個(gè)很明顯的共性：很多作品其實(shí)都是通過音樂或者音頻去 drive 整個(gè)創(chuàng)作鏈路。所以我當(dāng)時(shí)才會(huì)說，音樂其實(shí)像這個(gè)視頻的骨架。

所以我會(huì)覺得：AI 時(shí)代的視頻，不一定還需要傳統(tǒng)剪映式的軟件邏輯，而更可能是沿著音頻驅(qū)動(dòng)的鏈路往前走。我們后來選擇從音樂切，不是因?yàn)椤窶V 這個(gè)品類本身」，而是因?yàn)槲矣X得在音頻里，音樂占了一個(gè)非常大的部分，它是最自然的入口。

極客公園：如果順著這個(gè)邏輯往外延展？MV 之外還可能是什么？

張子賀：這套理解后來又延伸到廣告。我覺得，廣告里很多真正讓人記住的東西，不只是畫面和文案，還有旋律。一個(gè)詞配上一段洗腦的音樂，再配上簡單但強(qiáng)記憶點(diǎn)的畫面，信息傳遞會(huì)被明顯放大。

極客公園：所以從更長遠(yuǎn)的角度看，你們會(huì)認(rèn)為「文字、畫面、旋律」看成一種更高維的內(nèi)容格式，而不是把音樂只當(dāng)成一個(gè)附屬元素。

張子賀：是的。

VidMuse 的產(chǎn)品界面

極客公園：選擇「Music in」，跟用戶畫像有關(guān)系嗎？

張子賀：有，而且關(guān)系很大。

我們有一個(gè)很明確的判斷：很多 Video Agent 在增長上會(huì)遇到瓶頸，因?yàn)槟愫茈y憑空創(chuàng)造用戶的「創(chuàng)作意愿」。一個(gè)人如果本來沒有生產(chǎn)視頻的意愿，你很難讓他突然開始做這件事，ROI 也很難算正。但從音樂切就不一樣。因?yàn)橛幸魳返娜耍烊灰呀?jīng)有創(chuàng)作意愿，讓他從音樂順理成章地過渡到視頻，投放和增長的 ROI 會(huì)更正，這也是我們?cè)鲩L比較快的一個(gè)原因。

所以，音樂不是隨便選的流量入口，而是和「創(chuàng)作意愿」直接相關(guān)。

極客公園：你們現(xiàn)在的用戶畫像，大概是怎樣的？

張子賀：我會(huì)把他們大致分成兩類。

第一類就是音樂相關(guān)用戶，不管是傳統(tǒng)音樂人，還是 AI 音樂人。后者其實(shí)占了很大一部分——比如 Suno 賦予了他們創(chuàng)作能力，他們從原來只是音樂愛好者，慢慢成長到會(huì)頻繁發(fā)布自己的歌，希望有更多人聽到。

但光有音樂還不夠。你把音樂發(fā)在 Spotify 或 SoundCloud 上，真正能聽到的人還是有限；流量更大的地方是 TikTok、Instagram、YouTube。這樣一來，他們就天然需要一個(gè)視頻媒介。所以我看到的第一批核心用戶，其實(shí)就是：他們很會(huì)做音樂，但不會(huì)做音樂視頻。他們本來就在音樂這個(gè)模態(tài)里很專業(yè)，來到 VidMuse，是為了補(bǔ)上「從音樂到視頻」這一步。

極客公園：那么另一類呢？

張子賀：我們內(nèi)部把他們叫做泛生活化創(chuàng)作的人。

這類人的創(chuàng)作內(nèi)容更偏生活和個(gè)人表達(dá)，比如年會(huì)視頻、孩子成長、朋友生日、家庭紀(jì)念日，這些都算。這個(gè)方向本身就是一個(gè)新發(fā)現(xiàn)，因?yàn)檫^去這類人其實(shí)很容易被忽視。

更讓我們印象深的是，里面還有一部分是非常強(qiáng)的個(gè)人情緒表達(dá)。有人會(huì)用它創(chuàng)作一些關(guān)于童年、家庭關(guān)系等等題材的視頻。他們很多時(shí)候其實(shí)已經(jīng)有一首自己的歌，然后用這個(gè)產(chǎn)品去把那首歌對(duì)應(yīng)成自己心里真正想要的畫面，一遍一遍調(diào)。這里面有些內(nèi)容甚至不會(huì)發(fā)到任何平臺(tái)上，它不是為了傳播，而是為了表達(dá)和宣泄。

這類用戶很重要的一點(diǎn)是：他們上傳的往往是非常隱私的照片和故事。他們未必愿意把這些內(nèi)容交給一個(gè)人類創(chuàng)作者，但愿意交給一個(gè)工具或 agent 去完成。所以我會(huì)覺得，這里已經(jīng)不只是普通的內(nèi)容生產(chǎn)，它更接近一種個(gè)人紀(jì)念、情緒整理，甚至某種自我療愈式的創(chuàng)作。

05

創(chuàng)業(yè)公司更容易搞定「雙輪驅(qū)動(dòng)」

極客公園：如果通過編排和加 skill 的方式，用 OpenClaw 做一個(gè)類似的產(chǎn)品，那你們自己的模型在 VidMuse 里到底扮演什么角色？你們的模型和產(chǎn)品之間，是強(qiáng)耦合還是弱耦合？

曹越：我們內(nèi)部從一開始就是雙輪驅(qū)動(dòng)。

產(chǎn)品不應(yīng)該被模型掣肘，產(chǎn)品的目標(biāo)是服務(wù)用戶、把規(guī)模做大，所以不應(yīng)該帶著鐐銬跳舞，哪怕這個(gè)鐐銬是金的。對(duì)我們來說，哪個(gè)模型能讓產(chǎn)品跑得更快，就應(yīng)該調(diào)用哪個(gè)模型；我們從一開始就沒有要求產(chǎn)品必須用自家模型。

但換一個(gè)角度，模型團(tuán)隊(duì)在很多場景下又確實(shí)要支持產(chǎn)品。比如我們做 Music Video，第一步就需要更準(zhǔn)確地分析音樂，識(shí)別節(jié)奏、卡點(diǎn)這些細(xì)顆粒度信息，這時(shí)候模型團(tuán)隊(duì)就可以過來支持，把音樂分析做得更準(zhǔn)。再比如在視頻生成里，有些場景用我們自己的模型效果更好，或者成本更低，這些也都能直接支持產(chǎn)品。

所以這不是簡單的強(qiáng)耦合或者弱耦合。更準(zhǔn)確地說，產(chǎn)品先按自己的節(jié)奏跑，模型在關(guān)鍵環(huán)節(jié)提供支持：一方面提升效果，另一方面降低調(diào)用 API 的成本，提高毛利，幫助產(chǎn)品跑得更大。

極客公園：雙輪驅(qū)動(dòng)肯定好，但也肯定難。

曹越：我的感受是，創(chuàng)業(yè)公司更容易把雙輪驅(qū)動(dòng)搞定。原因不是團(tuán)隊(duì)小本身，而是創(chuàng)業(yè)公司里更容易有一批真正處在 founder mode 的人。無論是做業(yè)務(wù)、做產(chǎn)品，還是做模型的人，只要他們心里的目標(biāo)和公司的目標(biāo)是對(duì)齊的，這件事就好推動(dòng)。

反過來，如果一個(gè)做模型的人心里想的是「我要做一個(gè)特別的模型，公司好壞跟我關(guān)系不大」，那他的目標(biāo)其實(shí)只對(duì)齊在模型這條線上，這就不是雙輪驅(qū)動(dòng)，而是單輪驅(qū)動(dòng)。

所以真正決定雙輪驅(qū)動(dòng)能不能成立的，不是形式上公司里同時(shí)有模型和產(chǎn)品，而是兩邊負(fù)責(zé)人是不是都相信：同時(shí)擁有模型和產(chǎn)品，對(duì)公司整體是更有利的。

極客公園：具體來說，你們是怎么處理「先用最好模型把產(chǎn)品跑起來，再把關(guān)鍵能力收回來」這個(gè)問題的？

曹越：從產(chǎn)品 0 到 1 去找 PMF 的階段，如果一開始就和自家模型綁得太死，驗(yàn)證周期會(huì)被拉長，不利于快速驗(yàn)證、快速找到 PMF。所以我們過去這段時(shí)間的做法是，先拿效果最好的模型把產(chǎn)品搭起來。

這個(gè)階段我們不會(huì)先優(yōu)先考慮成本，而是先看它能跑到什么狀態(tài)，這個(gè)產(chǎn)物能不能交付，能不能形成商業(yè)閉環(huán)。等這條鏈路先跑通以后，我們?cè)倏从心男┑胤街档脙?yōu)化、值得收回來。

所以這件事不是一開始就要求產(chǎn)品必須用自家模型，而是先讓產(chǎn)品按自己的節(jié)奏跑起來；模型團(tuán)隊(duì)在關(guān)鍵環(huán)節(jié)提供支持。一方面把效果做得更好，另一方面把調(diào)用 API 的成本降下來，提高毛利，幫助產(chǎn)品跑得更大。

06

信任關(guān)系才是最深的護(hù)城河

極客公園：你們現(xiàn)在商業(yè)收入跑到什么程度了？

張子賀：VidMuse 從 1 月中旬上線開始，大概兩個(gè)月時(shí)間，跑到了1000 萬美金的 ARR，而且還在漲。基本上是單周 20 多萬美金的收入，并且已經(jīng)比較穩(wěn)定。

收費(fèi)方式上，我們現(xiàn)在是訂閱+加油包。注冊(cè)用戶有免費(fèi) 1000 積分，可以先起一個(gè)項(xiàng)目。

極客公園：1000 積分是什么概念？

張子賀：大概能把一個(gè) 30 秒左右的視頻項(xiàng)目推進(jìn)到比較后面的階段。

極客公園：付費(fèi)轉(zhuǎn)化率、客單價(jià)怎么樣？

張子賀：注冊(cè)到付費(fèi)的轉(zhuǎn)化大約在 5%-7%。客單價(jià)一直比較高，因?yàn)橛脩粜枰扔嗛啠儋I加油包，有些人最后會(huì)直接升級(jí)到更高階版本。

極客公園：繼續(xù)往后走呢？VidMuse 3.0、4.0 還要補(bǔ)齊什么能力？產(chǎn)品邊界會(huì)怎么變？

曹越：3.0 或 4.0 應(yīng)該是一個(gè)更徹底釋放的狀態(tài)：用戶提一個(gè)原來產(chǎn)品里沒有的功能，它也能想辦法調(diào)動(dòng)自己擁有的資源，把這個(gè)問題解決掉。

這件事會(huì)越來越依賴更通用的 agent 能力，尤其是 coding agent 的能力。因?yàn)樯鐓^(qū)里會(huì)不斷冒出千奇百怪的需求。你得有一種能力，能順著用戶的需求流動(dòng)，用戶給你一個(gè)鏈接、一個(gè)帖子、一個(gè)教程，你能理解里面的方法，然后把它實(shí)現(xiàn)出來。產(chǎn)品會(huì)更少依賴預(yù)設(shè)功能，而是更順著用戶需求流動(dòng)。

極客公園：聽起來，未來的產(chǎn)品會(huì)越來越「無為」。從長期看，Sand.ai 的護(hù)城河是什么？怎么留住用戶、沉淀長期價(jià)值？我相信不止是模型能力吧？

曹越：現(xiàn)在 AI agent 產(chǎn)品最大的問題之一，是穩(wěn)定性很差，很難和用戶建立可信賴的關(guān)系。

所以我們的思路是：先解決各種幻覺，尤其是多輪對(duì)話里小幻覺被不斷放大的問題，讓用戶敢信你。我們希望用戶在創(chuàng)作結(jié)束時(shí)，留下的是「thank you」、「good night」這樣的情緒，而不是被激怒、被消耗。第一步先是建立信任感。

第二步，是讓用戶愿意留在這里。好的產(chǎn)品要在使用過程中不斷認(rèn)識(shí)這個(gè)人、了解這個(gè)人、理解他喜歡什么。比如用戶已經(jīng)明確說過自己喜歡諾蘭，就不要再給他推別的導(dǎo)演風(fēng)格；用戶說過自己不喜歡紫色，后面的場景、分鏡、腳本設(shè)計(jì)就不該再往這個(gè)方向走。

所以，memory（長期記憶）和信任關(guān)系是我們 Video Agent 的靈魂。

*頭圖來源：Sand.ai

本文為極客公園原創(chuàng)文章，轉(zhuǎn)載請(qǐng)聯(lián)系極客君微信 geekparkGO

極客一問

你想體驗(yàn) Sand.ai 嗎？