摘要

Gaurav Misra 将 AI 分为无边界的智能竞赛与有边界的渲染问题，这一区分会改变资本需求与护城河的持久性。 AGI 模型可能会持续让前代模型过时，“永远”没有尽头；而视频已有明确终点，因为只要预算足够，CGI 就能制作任何想象中的场景。AI 可能让渲染“容易100倍”；一旦质量接近完美，渲染就会变成耐久资产，业务也会越来越像软件。
Captions 的核心护城河不是模型质量本身，而是由产品生成视频数据的飞轮，并计划逐步转向完全授权的训练数据。 这款用2天做出的字幕应用登上 App Store 榜首，第二天早上每分钟约生成“600条视频”，从第一天起就内置了数据采集机制，用于改进未来模型。业务从脚本、录制、剪辑扩展到分发后，可用于训练的数据会持续复利；Gaurav 认为，未来可能由大众消费产品供给数据，再驱动付费 B2B 模型。
以人为中心的视频生成，可能比大多数用户预期更早接近实拍质量。 Gaurav 预计，再过1年到1年半就能生成“非常、非常好”的视频，并称与特定物体互动的能力将在6个月内实现，“基本可以保证”。视频扩散模型目前仍只有数百亿参数，而文本模型约为4000亿参数，随着规模扩大，性能仍有很大提升空间。
Captions 认为，AI 视频潜在用例中仅有1%-5%已经被解锁，因此其高速增长部分得益于在替代方案出现前进入市场。 付费产品 AI Creator 和 AI Edit 的受欢迎程度大致相当，绝大多数用户都在付费；两者结合后，用户只需输入几个词，就能得到一支完整视频。Gaurav 明确表示，这段没有竞争的窗口会随着更多用例变得可行而关闭。
AI 应用的定价均衡尚未形成，但用户已经展现出高于传统视频应用每月7.99-12.99美元区间的付费意愿。 Captions 可以收取每月25美元，一些消费级 AI 订阅甚至达到每月2000美元；不过 Gaurav 认为，可比模型稀缺可能支撑了这些价格。Dwight Churchill 警告，不要急于按被替代的人力成本给 AI 定价：CFO 本来就希望降低这项支出，而“传统订阅模式仍可能持续贡献alpha”。
当精致视频和虚构人物变得充足后，经济价值可能转向受信任的身份与高端制作元素。 Gaurav 预计，普通生成式形象的价值基本会归零；相反，那些已被大规模受众“认识、信任、理解”的身份会更值钱。高质量视频本身仍不可或缺——就像设计精良的网站最终成为标配，而不是失去价值——Dwight 则预计，低预算电影人将获得制作更复杂作品的能力。
投资者可能过度聚焦于巨型智能实验室的经济性，却低估了由异常精简团队构建有边界应用的潜力。 Gaurav 表示，做到世界级成果可能只需要“12人或更少”，一个有边界的基础模型投资大概需要数亿美元，之后的微调成本则相对低廉。Dwight 预计成熟期毛利率会非常高，但警告高毛利业务可能成为其他创业者的“完美攻击目标”，并以80%-90%毛利率的 CRM 行业为例。

精读

1. 有边界的渲染可以成为资产；智能竞赛可能永无止境

更强的硬件、transformer、扩散架构和训练技术推动了模型规模扩大。随着规模持续提升能力，真正的约束变成了可持续数据：互联网并非无限，而高质量视频比文本或音频更庞大、更稀缺、处理成本也更高。
智能是一个没有终点的目标。模型可能超越最聪明的人类，却又被下一代模型取代；Gaurav 认为，资本被淘汰的周期“可能永远持续”，因为没人知道智能竞赛会在哪里结束。
视频生成不同，因为渲染在原理上已经解决：只要预算足够，制片厂可以制作人类、风景甚至巨龙。Patrick 的框架进一步明确了商业前提——想象与产出之间的摩擦不在于能不能实现，而在于成本；AI 则可能让制作“不是容易一点，而是容易100倍”。

2. Captions 从第一天起就把产品设计成数据飞轮

Captions 起步于高度商品化的剪辑市场，成本竞争让差异化变得困难。Gaurav 找到的切入口，是当时被低估的语音转文本准确率：第一款产品只是把文字放到视频上，用2天“打补丁式拼”出来，却意外在一夜之间登上 App Store 榜首。
第二天早上，Gaurav 告诉 Dwight，平台每分钟大约生成“600条视频”。即使是那个周末做出的原型，也已经布置了数据采集机制，让用户行为能够改进模型、带来更好的体验——飞轮不是获得增长后补上的护城河，而是产品最初的设计。
此后，Captions 从字幕扩展到脚本、录制、剪辑和分发，在每个环节收集有用信号。Gaurav 设想过一种类似 Google 或 Facebook 的结构：大众消费产品生成数据，再为付费 B2B 模型提供动力，而不完全依赖抓取公共视频库。他表示，Captions 计划大幅转向完全授权的数据，并认为在成熟且竞争激烈的市场中，这种保证可能更重要。

3. 扩散模型当前成本高昂，但规模化路径清晰

Gaurav 将扩散解释为反复去噪：从类似电视雪花的噪声开始，输入“穿蓝色衬衫的男人”等文本条件，每一轮都揭开一层清晰度。这与 LLM 根据此前上下文预测下一个词不同。
文本模型的参数规模已经达到约4000亿，而扩散模型仍处于100亿、200亿和300亿区间；Gaurav 认为 Meta 的 Movie Gen 大约有300亿参数。即使把 Captions 的全部训练视频语料下载下来，也要花费约100万美元，这体现了视频带来的存储与处理成本。
但质量曲线看起来非常陡峭：从臭名昭著的 Will Smith 吃意大利面案例开始，视频很快从“非常糟糕”变得令人信服。Gaurav 预计，1年到1年半内就能生成“非常、非常好”的内容，并“很容易想象”届时出现几乎无法与实拍区分的视频——甚至可能更早；他称这已经是最保守的情形。
Patrick 问，完美视频是否需要核动力 GPU 集群；Gaurav 的回答是“谁知道呢”，随后给出一个有边界的判断。渲染成本是已知的，扩散模型不必保留100个去噪步骤，而蒸馏可以把推理压缩到几个步骤，效率可能提升一个数量级，约为10倍。

4. 超高速增长来自解锁此前不存在的市场

Gaurav 说，现在做产品的即时回报在于因果关系清晰：工程师上线一个功能，第二天就能看到影响。更重要的是，每项新能力——无论是广告还是更高质量的生成——都会打开一个新的客户群，让 Captions 暂时成为“唯一能做某件事的公司”。
没有替代方案，有助于解释异常迅速的采用率和付费意愿，但 Gaurav 并不认为这种状态会永久持续。Captions 估计，潜在用例图谱中只有1%-5%已经被解锁，未来仍有多年扩张空间，但没有任何排他性的保证。
免费的传统产品覆盖录制和时间线剪辑；付费产品则以 AI Creator 和 AI Edit 对应这一套功能。Creator 可以生成一个说话的人——可以是授权形象、用户提供的演员，也可以是不存在的人；Edit 则用基础模型组装故事，取代关键帧、动画曲线和时间线。
绝大多数用户都在付费，Creator 和 Edit 的受欢迎程度大致相当。两者按顺序使用时，用户只需输入几个词，就能从零得到一支完整视频；未来的 Edit 提示词应当像对真人剪辑师下指令，例如“把它剪短到大概30秒”，或让画面“更有感觉”。

5. Captions 将模型收窄到沟通场景，而非所有视频类型

Gaurav 有意拒绝覆盖整个视频市场。Captions 瞄准的是围绕人物沟通展开的 A-roll，应用于营销、销售和教育，而不是通用素材或“兔子在火星上跳来跳去”。他说，Captions 目前是唯一一家专门针对这类 A-roll 生成训练基础模型的公司。
与品牌物体互动，需要采集人物已经拿着物体的视频、识别物体，并加入条件控制。文本可以生成一罐普通 Coke，但一瓶 FIJI Water 可能需要图像条件控制或多个角度；Gaurav 预计，早期版本将在数月内出现，6个月内实现这项能力，“基本可以保证”。
人体结构是专门的技术攻坚方向：手指、手臂、喝水、跳舞，以及其他需要协调的动作。Captions 针对人物进行训练，并计划加入骨骼条件控制——“我想让你跳的就是这个 TikTok 舞蹈”——让模型更容易学会正常的人体结构并执行指定动作。
Dwight 将这场竞赛定义为持续领先客户当下的需求，新版本在“第0天”就实现商业化。Gaurav 认为，交互设计仍未充分发展：用户不应只能“按按钮，等输出”，而是可以预览扩散过程中的中间步骤，并在生成尚未完成时改变方向。

6. 供给充足让精致视频成为标准，可信身份变得稀缺

Gaurav 将视频当前的变化比作2010年代的 Canva 和 Figma。简单建站工具让好看的设计变得普遍，但没有让它失去价值：一个好网站仍然是必需品，尽管 Dwight 开玩笑说，带有1990年代风格的网站“又变酷了”。视频可能沿着同样的路径，最终成为标配。
合成形象的逻辑不同。企业可以拥有虚构的代言人，但当任何人都能生成一张有吸引力的脸时，“形象本身的价值就会归零”。稀缺性会转移到那些被数千人或数百万人认识并信任的身份上；即使是虚构人物，也可能随着时间积累这种声誉。
Dwight 用电影作类比，区分制作成本与观众价值：一部成本约2.5亿美元的 Michael Bay 电影，与一部低成本电影，可能都能收取大致25美元的票价。生成成本下降后，小型电影人也许能尝试更复杂的作品；创作本身会改变，而真正依赖实体制作或高端制作的元素可能更具区分度。

7. 分发伙伴想要 Captions 的产出，而 Gaurav 认为 ByteDance 正在攻击产品

Captions 与社交网络处于半合作关系，因为它每天提供“数十万、数十万”条原创且无水印的内容。Gaurav 将其与 Instagram Reels 早期的问题作对比：当时平台上的重复视频明显带着 TikTok 水印。
他提出的竞争版图颇具挑衅性：Google 和 Facebook 已经不再是习惯性抄袭者，ByteDance 接过了这个角色。TikTok 的管理层很早就注意到 Captions；据 Gaurav 称，对方多次试图在整个品类上“抢走、杀死、摧毁”Captions，而不是展开合作。
当被问到“试图杀死”具体指什么时，Gaurav 指称对方复制了 Captions 的 App Store 描述、网站措辞、新闻稿语言，甚至完全相同的品牌色。他的直接结论是，ByteDance 的产品仍然平庸，但受益于 TikTok 的分发；Captions 的应对方式是把产品做得更好，而不是让路线图由模仿者决定。

8. 极小研究团队可以取胜，但产品市场匹配可能掩盖错误决策

生成模型人才仍然稀缺，因为专业能力需要多年积累，而技术每周都在变化。尽管如此，Gaurav 说这“并不需要一支大军”：只要招对每个人、配齐所有技术要素，可能12人或更少就能做出世界级成果，并击败规模大得多的组织。
Dwight 的招聘方案很实际：提供算力、专有数据，以及让研究人员真正发布成果的环境。大型 AI 实验室里有些人无法上线自己做出的东西；给他们资源和商业落地的即时反馈，可能让招聘变得没有头条所说的那么复杂。
Gaurav 从 Snap 得到的教训是，产品市场匹配可以在错误行为持续存在的情况下延续，让员工误以为增长证明了每一个决策都是正确的。他认为 Snap 的 CEO 拥有很强的产品直觉，也把他带入了一个由设计驱动的圈子。Dwight 说，即使公司已经拥有数千名员工，那个设计团队仍只有约10-12人，而参与其中塑造了他的设计职业生涯。

9. AI 今天支撑更高订阅价格，但按人力定价可能令人失望

Gaurav 的答案是，在用例覆盖率仍只有约3%-5%的情况下，无法知道定价均衡在哪里。传统消费级视频应用的月费集中在7.99-12.99美元；Captions 收取过25美元，有时甚至不给一次免费使用，但客户仍会回应：“给你钱，继续吧。”
在 AI 产品中，消费者每月最多可能支付2000美元，但 Gaurav 保留了限定条件：高质量模型仍然稀缺。如果市场上出现大量可比的“Tesla 车型”，竞争可能压低价格，即使底层能力继续提升。
对 B2B 买家而言，数据授权可能只有在多年后的饱和终局中才成为决定性因素。Captions 计划使用通过自有平台收集的完全授权数据进行训练；在竞争性交易中，企业可能会选择这种保证，并愿意为此支付溢价。
Dwight 反对把自动化劳动力当作特殊的定价锚点。CFO 本来就希望降低人力成本，移除人工环节反而可能带来更大的降价压力。按产出定价很有吸引力，但企业可能正在“急着转向这种模式”；相比流行的席位费与人力成本之争，传统订阅模式可能仍有更多alpha。

10. 有边界的 AI 可以获得软件毛利率，并打开全新产业

Dwight 认为，投资者过度关注巨型实验室解决智能问题，以及它们的研发和资本开支何时产生价值。有边界的自动化应用在经济性上不同；他认为，几乎每家成功公司都在探索替代工作或“用更少资源做更多事”的工具，而这些机会往往远离公众对模型实验室的讨论。
编程体现了这种区别：Gaurav 将编程从穿孔卡片、汇编、C++一路追溯到 Python，随后称英语是“新的编程语言”。将意图转化为代码可以是一个有边界的问题，无需意识、梦想，或一个会自主决定创办公司的实体。
Captions 估计，解决其生成问题可能需要数亿美元，之后增量微调会便宜得多，推理成本也会持续下降。护城河在于更好的数据和持续的模型表现；一旦竞争对手复现基础层，竞争就会回到工作流、API、产品包装、B2B 销售和消费级软件执行力。
Dwight 认为，随着新一代 GPU 降低成本，成熟期毛利率可能非常高，但警告高毛利业务会吸引颠覆者；他以80%-90%毛利率的 CRM 行业为例，认为这正是新公司发起攻击的机会。“任务完成”也不是终点：Gaurav 认为，今天的模型只是社交网络、电影和电视、教育、配音、后期制作，以及一系列新基础模型的起点。

AI AMA——第1部分：OpenAI 的 o3、审议式对齐与 2024 年 AI 的意外之处与 Marimo 的 Akshay Agrawal 共建协作式 AI 开发的未来