鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

蚂蚁的人该补补商业史了

编程导航
编程导航
2025-11-22 12:30
阅读 227
编程导航
2025-11-22 12:30
阅读 227

文 | 象先志

互联网这行,晚了就是晚了,起晚还能赶集的故事,从来都是凤毛麟角。用户和同行都不傻,没人会站在原地等你,除非你能想办法跑到他们前面“截胡”。就是尽管你起步更晚,但你能靠速度与策略完成反超,就像当年抖音对快手上演的逆转。

这个案例确实太经典了,是中国商业史上的官渡和赤壁。

我刚才看蚂蚁何征宇和蔡伟采访也提到了抖音跟快手当年的竞争。

他们提这个的背景,是被问到灵光现在入局是不是晚了。他们的看法是,早和晚是相对的,当年抖音推出的时候,快手已经搞了三四年了。言下之意当然是做灵光还有大量机会,因为后来抖音把快手甩得远远的。

我不知道蚂蚁的人是不是不太看商业史,所以对当初抖音逆袭快手的故事有误解,以至于认为同样的剧本可以套到灵光身上。

灵光是个还不错的产品,UI上的巧思跟现有产品相比是个差异化的点。但你要拿灵光跟抖音比,相似性不能说没有,但确实很难找。

我这里受累先做个复盘吧。

第一,抖音正式上线是在2016年,这个时候整个短视频行业所有App的月活加起来不到两亿。 而短视频受众是不区分什么一二三线、中产非中产的,所有上网的人基本都是短视频消费对象。所以抖音上线的时候,整个行业还处于早期市场。

这么说吧,根据QM的统计,短视频使用时长占移动互联网总使用时长在2016年只有1.3%。你没看错,是1.3%。

现在AI应用是个什么情况呢?我们还是看QM的数据,上月底刚出炉的。

截至2025年9月,移动端AI应用月活跃用户量达到7.29亿,其中原生APP为2.87亿,较7月增长3.4%。照这个算下复合增长率,今年行业用户整体增长可能在20%左右。作为对比,抖音上线的第二年,也就是2017年,短视频用户增长率都还高达116.5%。

而且这里面还有个恐怖的事情,份额最大的豆包增长也是最猛的,逆向吃掉了DeepSeek、即梦、可灵、智谱、Kimi一堆选手的份额,后面这些月活集体下滑。

AI应用的增长率看起来没怎么跑就大幅减缓,是因为AI应用所要求的文字交互,其实是有门槛的,这种交互形式的渗透率比短视频要低一个量级。今天还没有用过ChatBot的用户,大概率本身就是对新科技不那么感冒的群体。

现在的灵光,不存在有大量的未开发用户等着去“开采”,未来其主要的增长动力,如果有的话,一定建立在对豆包等竞对现有存量用户的争夺上面。

所以纯粹从行业发展阶段上说,灵光绝对没有赶上抖音的好时候。

要知道当年抖音,不只是大部分网民没有接触过短视频,还有大批因为觉得快手low刻意不用的一二线小资。而灵光面临的局面,是AI应用层出不穷、供给严重过剩,除了发烧友和测评人士,普通用户早已体验不过来了。

第二,虽然快手比抖音转型短视频要早,但字节做短视频不是从抖音才开始。

在抖音正式上线之前,字节旗下的今日头条就在孵化视频业务。当时今日头条上的视频消费总时长,已经超过了图文。字节内部一直很看好短视频这条赛道,从2015年就开始布局,只是直至2016年年初才相继抽调了一些头条的技术骨干来做抖音而已。

所以抖音跟快手的竞争,实质上是字节体系跟快手的竞争。你从这个视角看,快手相较于字节在时间上的领先会进一步缩窄。 这跟蚂蚁现在没头没脑,说自己有一流的工程师团队,然后甩出个灵光完全不同。

而且字节做短视频,也是保持了一贯的矩阵式打法。在抖音上线之前,就已经有了西瓜视频和火山小视频,分别对标不同竞品。当时今日头条通过开创式的推荐信息流模式,已经是国内最大的新闻资讯App,西瓜、火山和抖音被称为头条的三驾马车。

头条主站的充沛流量源源不断导向这三个App,帮助其跳过初始阶段,并持续保持高速的用户增长。

换句话说,字节并不是想尝试性地开拓新业务,不是随便敲一锤子,而是非常笃定地相信短视频的方向,并且投入了非常多的资源,尤其是跟头条的流量协同。只是最终抖音跑出来的效果最好,所以合并了其他项目,甚至倒反天罡冠名母公司。

但今天蚂蚁做灵光,明显抱着跟字节当初做抖音不同的思路,暂时没看到体系作战,没看到流量协同,也没有必须要把这事做成的决心。

我为啥说没看到蚂蚁的决心?何蔡两人在采访中说,最初给灵光设定的目标是年底20万用户。阿里把高鑫银泰卖了现在都还有十几万人,蚂蚁也有三四万,建议你们内部员工消化消化就得了。

不是,AI应用这条路都卷成啥样了,还搁这小而美、恭俭让、慢工出细活呢。 睁眼看看吧,就那个腾讯元宝,手握DeepSeek红利,背靠微信生态,最高单月超10亿的投流下去,大半年下来最新月活仍然只有3286万,不到前两位选手的零头。

最搞的是,蚂蚁还好意思把马老师抬出来,说他对这个目标提出了更高的期望,鼓励团队“要往前冲击一下,冲第一”。

你好好品品,人家那是鼓励?期末班主任让你订目标,你说要考20分,老师说还可以冲一下、冲第一。大伙都上过学,这种场合,班主任鼓励你冲第一,往哪个方向冲你心里没数吗?

第三,字节相较于快手,有着显著领先的技术优势,尤其是推荐算法。

信息找人的思路,张一鸣早就成型,并且成功打造了今日头条这个超级产品。

到做抖音的时候,字节在信息流推荐算法上可以说是断层领先。而在信息流场景下,没有什么技术比推荐算法的精准性更重要。这意味着跟快手的竞争中,手握算法优势的字节实际在打一场不对称战争。

举个例子。时至今日,仍然有App会在注册登录时,要求新用户从一堆话题里选择自己的兴趣。但张一鸣从一开始就觉得这是种错误的做法,因为这除了加重用户的使用负担,对于内容推荐的精准性并没有多大帮助。头条没这么做,抖音也没这么做,因为他对自身平台的推荐算法有充分的自信。

快手跟抖音在算法能力上的差距有很多具体的体现。

比如有个讨论最多的话题,既然单列信息流明显能提供更沉浸、更友好的用户体验,快手为啥当初要执着于双列信息流?一个很重要的原因是单列对推荐算法的准确性要求更高。因为双列可以在一个屏幕下呈现很多条视频,用户对内容的不精准容忍度更低。

又比如由于算法推荐不够精准,直接影响了快手广告的变现效率。过去经常有代理商抱怨,在抖音投放两三个素材就知道效果好不好,在快手可能要尝试很久。

还有快手过去曾长期存在新用户首页冷启动的问题,给一二线用户上来就推荐吃播、喊麦、炸裤裆这类东西,直接导致在城市小资群体里留下了low的印象。

当然这个结果也是可以理解的,据说到2016年5月,快手的员工数量才刚达到100人,规模还不如字节的算法团队。算法只是问题突出的一个侧面,快手当时欠的技术债太多了,输给字节不冤。

说这么多是想表达一个观点,抖音赢下快手是因为手里有很硬的技术牌。而把自己往抖音上套的灵光呢,起码目前我是没看到手里有同样的筹码。事实上,技术在大模型领域的重要性,比短视频还要更大一些,比如短视频还有运营和内容的策略需要考虑。

在大模型的使用场景下,最重要的永远是模型的底层能力。当用户已经形成了使用习惯,你要造成他的习惯迁移,你的模型一定要可感知地强于竞争对手。

何征宇和蔡伟采访中说,“灵光”用了很多模型,包括千问,以及主流的开源模型。我这里不想下绝对的判断,但既然是使用开源的模型组合,一个合理的猜测是,灵光的模型能力并不强于对手。

从我实际的体验来说,灵光这次的UI界面确实算是个小亮点。

相较于通常的LUI,灵光在对话过程中穿插了大量Emoji、图片乃至动画,把它们跟图文一起整合成舒适的排版风格。比如我让它解释下蒸汽机原理,回答开头就是张蒸汽火车头图片,后面搭配卡片式摘要和动画。甚至在打开后的默认界面上方,灵光都会播放一段风景视频动画。

(据我所知这应该是所有ChatBot产品里,第一次有人这么干。至于到底是有益的创新,还是对用户的打扰就见仁见智了。)

这些交互设计明显比其他同类App提供了更多情绪价值。

情绪价值带来的好处是,用户会更愿意分享这种交互体验,然后因为界面是能被看到的,所以也会给传播效果带来加成。毕竟还挺好看,我要不也去试试。

这种UI风格有的人并不喜欢,但我个人认为是有价值的,在回答中穿插全模态素材也是行业的趋势。网上有人批评花里胡哨、最多算鸡肋。鸡肋也有价值。这么多大模型App同质化太严重了,能做出差异化就值得肯定。

肯定归肯定,你问我看不看好灵光后续的发展,那必然是不看好的。因为比对手略优的UI设计,很难转化成竞争优势,即使能转化,也是微不足道的。因为UI只是用户体验的一环,而灵光只是在这一环上创造了一个小的增量。

回到蒸汽机的例子。

我对比了灵光和某Top应用的回答。该应用的回答明显比灵光要短很多,也要朴素很多。但如果你要比较那个版本更容易让用户搞清楚原理,胜出的一定是前者。

灵光回答中嵌入的那个动画,还非常粗糙,有的地方你也搞不清楚它的作用,比如中间那个上下移动的小方块。怎么说呢?这有点像ChatGPT经常干的事,就是我问完问题,它非要主动提示要给我画个示意图,结果出来的图烂得离谱,没有一点作用。

某Top应用没有生成这种动画,但它直接给你推荐了几个另一个关联平台上的科普视频,这些科普视频经过创作者、用户和算法的三重筛选,质量显著高于灵光生成的版本。

本质上这是模型生成视频的能力限制,即便是拥有Veo3.1的谷歌,必要时回答里也是引用油管的视频,成本是一方面的考量,更关键的还是油管科普视频质量更优。

这个评测肯定有挂一漏万的片面,但不妨成为我们理解战场形势的一个窗口。

对于灵光而言,它或许离Kimi很近,但离当年的抖音一定很远。

原文链接: 蚂蚁的人该补补商业史了
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230