个人特质与职业路径：从文科生到产品经理
梁琛奇在字节跳动的七年职业生涯中，始终专注于娱乐与内容领域。尽管他是理科出身且擅长逻辑判断，但大学时期因觉得“理科不浪漫”而转向文科学习社会科学。这种经历塑造了他独特的视角：他既能在主观性的创造与体验中找到共鸣，又能通过客观逻辑构建可规模化的框架。他认为产品经理这一角色正是处于“主观与客观的十字路口”，既要理解非理性的感性世界，又要抽象出可预测的规则以服务大众。
在加入字节之前，梁琛奇曾开发过一个名为“群图”的小程序。该应用允许用户将画作的一部分传给朋友，由朋友继续绘制，从而形成多人共建的故事或图像。虽然该应用用户量有限（仅数千至万人），但这次经历让他深刻意识到：创造本身具有私人性，伟大的作品往往源于强烈的个人意志而非群体协作；同时，社交需要具体的“载体”和命题。他观察到，虽然大众点评解决了信息分发问题（找到地方），但并未解决“体验”本身的问题。相比之下，像 Roblox 这样的 UGC 游戏平台更接近他理想中的形态——它提供了多样、实时且在线的社交体验，让用户能在其中“hang out”并共同完成某种叙事或游戏。
AI娱乐的三大前置要素：成本、模态与习惯
梁琛奇认为，AI 娱乐产品的发展比工具类更慢，但当前已到达一个关键的启动节点。他提出了三个必须满足的前置要素：
-
推理成本（Token Cost）：在移动互联网时代，流量是限制；而在 AI 时代，推理成本成为核心约束。工具类产品的 PMF（产品市场匹配）可能只需十分钟，因为旨在解决问题；而娱乐产品需要用户带着空空的脑子寻求新体验，时长可能是工具类的十倍甚至二十倍。这意味着在相同智能水平下，娱乐产品的推理成本极高，若无法控制 ROI（投资回报率），规模化将导致破产。随着 DeepSeek 等开源模型的出现，推理成本快速下降，使得过去算不正的 ROI 现在变得可行。
-
模态（Modality）：语言是智能的压缩，适合高效解决工具类问题；但娱乐追求的是“享受时间”而非“节省时间”，因此更依赖感官体验。文字相比图片、视频，能服务的用户数量级存在巨大差距。GPT-4o、Sora 等模型的出现，不仅在效果上跨越了“愿意看”的门槛，更关键的是它们开始遵循用户要求。这解决了 Midjourney 时代因不遵循指令而无法规模化使用的问题。
-
用户习惯（Nature）：技术变革需要刚需作为入口。正如智能手机通过“打电话”这一上一时代的强刚需，将用户带入移动互联网生态一样，AI 时代也通过 ChatGPT、豆包等工具类产品，迫使用户学习如何与 AI 交互（如 Prompting、多 Agent 协作）。当用户掌握了这些基础技能后，在其上构建娱乐体验就变得容易得多。
创业动机：用 AI 创造有意义的开心
尽管当前 AI 领域的叙事重心集中在生产力、工作流和模型训练上，梁琛奇选择了一条“双重少数派”的路径：从应用切入（而非纯模型），并专注于娱乐与内容。他明确表示，自己受字节背景的影响并非被“高估”或盲目跟风创业，而是基于个人 Nature（天性）的选择。他从未碰过娱乐以外的事，其核心热情在于让大多数人开心、激发创造力并提供新体验。这种选择使他的生活与工作高度自洽：周末的体验既是娱乐，也是产品调研和用户同理心的来源。
梁琛奇指出，现在是人类科学发现的黄金时代，但钟摆不会永远停留在底层技术。对于广泛只被影响而不直接参与科技爆炸的人群，AI 必须回答“剩下时间干什么”以及“增量价值在哪”。他认为，用 AI 让人获得有意义感的开心正是这一问题的答案。尽管娱乐赛道相比工具类更慢，但鉴于推理成本下降、多模态成熟以及用户习惯养成的三重利好，现在正是启动 AI 娱乐产品的最佳时机。
Roblox与社交雏形：从游戏到现实互动的映射
在讨论具体产品之前，我们先厘清 Roblox 的定位。它是一个基于 UGC（用户生成内容）的游戏平台，允许用户在实时在线的环境中创造并体验各种多人社交游戏。其核心逻辑可以理解为将抖音的短视频格式替换为游戏交互格式。在 Roblox 中，用户不仅是内容的消费者，更是共同在线游玩的参与者。许多用户使用该平台的核心动机并非游戏本身的高难度或竞技性，而是为了与朋友进行实时社交（hang out）。Roblox 在 AI 热潮之前就已拥有过亿甚至两亿的庞大用户基数，但其长期面临 Age-up（年龄层上移） 的难题，即难以渗透至更高年龄段的人群。
尽管我们并非要直接复刻 Roblox 或蛋仔派对，但观察这些产品能发现社交互动的雏形。例如博主潘乱曾分享视频称，他的儿子在《蛋仔派对》中并非单纯玩游戏，而是在与朋友“逛岛”社交。当潘乱质问儿子为何不在物理世界社交时，孩子展示了一个包含众多好友账号的列表，证明他们正通过虚拟空间维持高频互动。这表明“在虚拟空间中共同存在”已成为一种被验证的社交需求。
入职抉择与抖音的“第一性”判断
回顾我加入字节跳动的过程，当时校招投递的是产品经理岗位。虽然最终被安排至火山引擎团队，但我内心强烈倾向于加入抖音，并主动与 HR 及面试官沟通了这一意向。HR 曾解释火山是“正规军”且资源更多，而抖音更像是一种尝试性业务。但在面试中，我直接向负责人卷卷表达了去抖音的决心。
这一判断基于三个核心维度： 1. 人群调性：抖音的用户群体更年轻、潮酷，品牌影响力从高往低打；而火山相对下沉且多样。 2. 表达动机：这是最关键的差异。在抖音，用户的创作动力源于对平台本身的热爱、对作品设计的认可以及对互动的期待，这是一种原生的社区认同感。相比之下，火山早期依赖“火力值”机制激励用户发布视频以换取金钱。我认为物质激励可以辅助，但不能成为平台建设的“第一性动机”，否则会影响生态的健康生长。 3. 竞争格局：当时快手已占据大量下沉市场，若火山仅作为“更差的快手”去竞争，用户缺乏迁移理由。而抖音呈现出一种独特的产品状态。
在面试中，卷卷对我的新想法（如群图概念）表现出强烈的鼓励态度，而非否定。当我询问抖音内容从搞笑段子转向更精致内容的趋势时，他坚定表示这是好事，并指出抖音的终点不是音乐或短视频，而是覆盖全人群的创造力释放。这种对“全民创意”的信念让我深受触动。
朋友圈实验：推荐流的“诅咒”与细节的力量
我入职后独立负责的第一个重要项目是抖音的第二个 Tab（朋友页）。这并非上级指派，而是我基于对社交潜力的判断主动发起的。我认为抖音其他业务的天花板可预测，而微信代表的熟人社交是下一个必争之地。既然抖音已是超级 UGC 平台，解决了冷启动问题（用户已在平台上），只需通过算法计算熟人关系并分发内容，即可构建起社交闭环。
然而，在抖音做产品面临一个巨大挑战：推荐流既是一份礼物，也是一个诅咒。推荐算法极强地吸收了用户的注意力，任何打破这种“无脑刷”心流（Flow）的设计都会导致留存下降。朋友页将用户从无限的娱乐体验切换到有限的熟人内容，初期数据表现不佳。
为了挽救留存，我引入了一个看似微小但关键的设计：当用户刷完所有朋友内容时，系统提示“已看完”，点击后立即跳回主页推荐流。这个细节解决了用户从有限内容回归无限内容的心理落差，是朋友页留存转正的关键。这一经历让我深刻意识到：在关键路径上的微小改动，能影响全链路的表现。这也印证了抖音产品强烈的“设计师气质”——正如 Alex（朱俊）所言，手机屏幕是一扇窗户、一块画布。全屏上下滑动的交互设计让用户仿佛透过窗口窥见一个个不可预期的新世界，这种极致的审美与体验一致性是抖音成功的底层逻辑之一。
你但凡不遵循那种用户无脑刷，这个带着一种类似于植物性的精神状态的这个 flow，就但凡你把这个 flow 打破，你就会掉留存。
这是抖音不是一个以音乐为起点，也以音乐、电竞、短视频为终点的产品，它未来是要能覆盖到全人群的。
代际更替与社交产品的重构机会
在讨论抖音从七亿日活（DAU）增长到十亿甚至十三亿的天花板级变化时，核心不仅在于数量的扩张，更在于用户心智的重构。虽然许多老用户依然将抖音视为内容消费平台而非社交产品，但新一代年轻人群体已经展现出截然不同的使用习惯。通过用户访谈发现，许多年轻人高频地使用私信和 Story（碎片化视频或照片）进行互动，其社交关系密度极高。这表明在熟人社交领域存在明显的“代际”特征：每个世代都会选择特定的平台来建立关系。对于新进入者而言，当面向下一代用户时，存在重新构建（rebuild）社交关系的机会。这是因为如果一个人的社交网络已在旧平台固化，迁移成本极高；但若产品出现在用户刚刚建立社交关系的年龄节点，便有可能抓住这一代际红利。
在抖音内部孵化实时社交产品时，从想法到上线仅耗时一两个月。这一过程也促使梁琛奇反思产品经理的能力模型。他认为产品能力分为两部分：一是“Product”，即理解用户、设计创造并将同理心转化为逻辑的能力；二是“Manager”，即将系统高效化，确保好想法能被落地执行。他坦言自己起初不擅长沟通，但意识到若不愿学习如何协调资源、拆解主观想法为客观可量化的逻辑（让理工科背景的人也能听懂），就无法构建出优秀的体验。因此，他选择逼自己克服对沟通的厌恶，花了半年时间适应这一规则。他强调，拥有好的 Taste 和主观感受并非“尚方宝剑”，真正的能力在于将模糊的主观意图拆解为清晰、可推行的客观逻辑。
“你到底是放弃构建这个 impressive 的作品，还是逼自己学会这件事？我觉得这个很容易决策啊。”
“自己的尚方宝剑是能把这事情拆解得很清楚，且能算清楚这个拆解对应着什么。”
实时社交的本质：环境、主题与无限体验
梁琛奇指出，传统的移动互联网社交（如朋友圈点赞）并非真正的“实时社交”。现实世界中的真实社交发生在特定的环境、主题和共同行动（do something）中，例如和朋友喝咖啡时，背景音（萨克斯、钢琴）和共同经历构成了自然的交流场域，无需担心冷场。而早期的实时通话（如飞书电话）因缺乏这种“自然向前”的环境支撑，给用户带来巨大的任务压力。
随着移动互联网渗透率的提升和用户时长的增加（从不足一小时到全天在线），实时社交的基础设施得以成熟。然而，要复刻线下体验的“自然感”，产品必须提供Endless（无限）且 Diverse（多样）的内容。这与传统 RPG 游戏不同，后者虽通过更新提供无限内容，但受限于世界观和单一的体验类型（如刷怪、升级），容易让人产生厌倦。真正的机会在于提供类似 Roblox 或蛋仔派对那样的平台，让用户在基础玩法之上进行 UGC（用户生成内容），从而创造出无限多样的互动场景。蛋仔派对的成功验证了这一路径：先以类似《糖豆人》的基础游戏吸引用户，再通过 UGC 地图和社交互动留住他们。
“现实世界社交是我跟我的朋友，在一个特定的环境里……保持交流、沟通以及获得快乐，这是真正意义上的社交。”
“RPG 游戏只提供一个……你要提供 endless、diverse 的。”
创业反思：遵循客观规律与最小化假设
尽管看到了实时社交的机会，梁琛奇在抖音内部孵化的该项目最终在一年后关停。团队规模曾达上百人，但受限于一些“不可抗因素”（特殊原因）。这次经历带来了两个核心教训：首先，必须尊重世界的客观发展规律。在基础运行原则下逆势而为是不可逆的失败来源，虽然世界存在分叉点允许人为引导方向，但不能违背基本趋势。其次，在提供新体验（尤其是娱乐产品）时，关键变量应尽可能少。与工具类产品不同（效率提升可被明确验证），娱乐体验的成功概率难以精确量化。若同时引入十个假设，即使每个假设成功率高达 90%，整体成功的概率也会呈指数级下降（$0.9^{10}$ 极小）。因此，新玩法必须建立在已被验证的基础之上，仅引入一个核心创新变量。
离开抖音后，梁琛奇创立了新公司“动念”。其核心理念是激发用户脑中的精神世界。他认为，移动互联网时代激励的是对“现实世界”有天赋的人（如拍摄风景、展示外貌），而未来 AI 和强工具的出现将激励那些“脑中世界”丰富的人。这些人可能外表普通、言语磕绊，但拥有极其多样的精神宇宙。“动念”指代每天脑中闪烁的三千个念头，过去这些碎片化的、逻辑不通的想法难以成为作品；但在 AI 时代，工具可以收集并构建这些混乱的念头，将其转化为独特的艺术或体验。因此，“动念”旨在捕捉内心小宇宙，而“引线”则象征点燃这些潜在创意的过程。
“不要做太多假设……你的关键变量最好只有一个，其他全部都是被验证过的。”
“这时代会倾向于产生一些重心上的变化，去激励那些脑中世界有巨大天赋的人。”
“动念”与“引线”：AI 作为激发内心宇宙的媒介
梁琛奇首先厘清了公司核心概念与愿景。他指出，当 AI 能够将构思构建为作品、体验甚至艺术时，其价值才真正显现。“动念”偏向内心小宇宙，旨在激发用户脑海中混合了现实、梦境与推理的各种念头。而“引线”则隐喻 AI 的角色：创造力源于用户本身，而非 AI 或公司；AI 仅仅是点燃念头、使其绽放的引线。
这一理念映射在公司命名上：中文名“动念影线”，英文名 Dayfold，寓意对世界进行压缩与再展开。他描绘了未来的交互图景：用户不再只是旁观者，而是能进入平行世界、体验不同人生（如唐朝生活或富二代日常），甚至与哲学家探讨形而上学。这种深度沉浸会反过来激发用户在真实世界中的新创造。
我们只是提供那个引线，点燃这个念头绽放，它可能绽放成一个很好的烟花。
你可以对世界进行压缩和再展开的。
从 ChatGPT 到猫箱：定义“互动内容”的新坐标
在抖音工作短暂时期后，ChatGPT 的出现成为关键转折点。梁琛奇通过“海龟汤”游戏发现，AI 将人作为生产要素进行了 Scale（规模化）。他构建了一个推导模型：横轴是内容主动性坐标（从被动短视频到主动游戏），纵轴是 AI Native 体验。所谓 AI Native，并非指底层技术，而是用户输入后系统能给出长尾定制化反馈的体验。两者的交集指向了“互动内容”。
他观察到，尽管 Character.AI 等竞品存在增长曲线，但真正的机会在于构建一种新体验。他区分了“效率工具”与“作品”，明确表示自己对提升工作效率的工具类 AI 不感兴趣，因为那不符合他心中关于创造力与情感连接的愿景。猫箱的出现正是基于此：它让创作者设计脑海中的画面，让用户从“看故事”转变为“活在故事中”，从而产生深切的情感共鸣。
人作为一种 scale 的受限制的那个因素，因为人无法 scale 在过去。
我觉得它不是我的作品。就我脑海中的那个作品里没有效率，没有工具。
供给端与消费端的范式转移：从有限级到无限分支
梁琛奇进一步分析了 AI 对娱乐产业的深层影响，分为供给端与消费端两个层面。在供给端，历史主线是模态演进（文字到视频）与供给的扩大及碎片化。正如电视曾被视为劣于电影，但其低成本高供给满足了更多场景需求。未来，当创作门槛降低至仅需文字表达想法时，大量拥有天赋但过去无法进入行业的“Nobody”将成为新格式的创作者。
在消费端，创业公司必须提供既有的内容平台（如红果短剧）所不具备的新体验。如果仅提供旧格式，用户会流向大厂平台。AI 带来的本质变化是计算机从“有限级系统”（逻辑门/预设按钮）变为无限级系统。用户可输入任何非格式化内容，AI 能进行 Reasoning 并给出无限分支的反馈。这种超度拟合（Over-fitting）让用户感受到世界与自我的强关联，从而建立深刻的情感联系。
如果你没有新格式，你一定是长在既有的内容平台和既有的娱乐平台里。
这种无限级就带来无限分支的体验，让用户觉得这个世界在超度你和自己。
无限分支与“真实感”的底层逻辑
AI 带来的核心变革在于输入端的彻底解放。用户现在可以生成两千万种不同的输入，任何非格式化的信息都能被处理。AI 具备真正的推理能力（Reasoning），能够针对用户的输入提供定制化的反馈。这种无限级的交互带来了无限分支的体验，让用户感觉到世界在“超度”自己，产生极强的自我相关感。这种相关性是建立情感联系的关键。
为什么我们认为地球上的生活是真实的？因为我们可以做长尾且具体的事，比如把纸吃了吐出来再泡水里。如果在这个过程中出现逻辑断裂（如卡住），我们就会意识到身处虚拟世界。恰恰因为 AI 能处理任何长尾事件，用户才会感到自由，觉得这个世界是可被接受的。这种自由度构成了体验的真实感基础。
恰恰因为你能做任何长尾的事，所以你知道，你觉得你自己是自由的，你觉得这个世界对你来说是可被接受的。
超越推荐系统：从“最大公约数”到“个人拟合”
AI 体验的另一维度是推荐系统的下一代。传统推荐系统受限于市场供给，只能从有限的正方形、长方形中匹配最接近用户圆形需求的选项。虽然实现了“千人千面”，但从第一性原理看，创作者是面向三千万人创作的，寻找的是最大公约数，无法精确匹配个体心中那个模糊的“源”。
AI 的出现使得内容可以专门为用户服务。它基于用户的 Context（上下文）和历史记忆，能够拟合出用户甚至未意识到的需求。例如，AI 可以基于对用户的深度了解，准确描述出“你是一个什么样的人”，这种精准度往往超越朋友。这不仅仅是推荐的优化，而是从面向大众创作转向为个体定制设计。然而，AI 生成的内容必须同时提供 Familiar（熟悉感）与 Strange（陌生感/惊喜）。Familiar 帮助用户产生共情，建立情感桥梁；而 Strange 则来源于人类创作者的多样性与独特经历。如果完全由 AI 接管，缺乏人类主观性的注入，体验将变得单调。AI 负责拟合形状与熟悉感，而惊喜感仍依赖于人类创作者的多元表达。
它其实是因为有足够 context，他能给你那个形状的。
人作为生产要素的规模化与体验重构
除了创作端和消费端的变革，第三个关键变量是人作为一种生产要素实现了规模化（Scale）。过去像直播这样的场景，主播受限于个人带宽，只能服务有限人群或进行排序（如榜一大哥优先）。AI 介入后，这种瓶颈被打破。以“猫箱”为例，一个由人类设计、拥有丰富背景设定的 AI 角色（如摄政王），可以同时与十万个用户进行单点交流，实现了“十万对十万”的交互规模。这并非 AI 完全替代人类，而是体验中混合了人的参与：AI 处理交互逻辑与记忆，而角色的灵魂、设定及背后的情感共鸣仍源自人类创作者的设计。
目前市场上许多 AI 社交产品（如星野、KRTI）存在痛点：用户面对角色时不知道聊什么，容易滑向低质量的荷尔蒙互动。解决之道在于引入剧情驱动与群体场景。例如，设定一个“火山爆发”或特定危机情境，让多个角色（包括 AI 与真人）在主线剧情中互动。这类似沉浸式话剧或剧本杀，既保留了用户的高自由度表达（自由感），又通过暗藏的主线避免了无聊。这种“人+AI”的混合体验结构，利用人类的独特性（主观性、经历触发）与 AI 的可扩展性，构成了未来娱乐体验的核心地图。
人的参与和占比决定这个体验是不是真的有趣。
沉浸式叙事与AI导演的角色定义
在猫箱的产品设计中，核心体验被定义为一种沉浸式互动。用户并非独自面对AI，而是置身于一个由多个角色构成的群体中。这种设计借鉴了沉浸式话剧或剧本杀的逻辑：一方面，用户拥有极高的自由度，可以与不同角色互动、协作并自由表达；另一方面，背后有一条暗藏的主线剧情在推动发展，确保体验不会陷入无聊。作为创作者（即“AI导演”），我的工作是定义故事格式、角色设定及剧本框架。当第三方玩家进入并做出动作选择时，我基于人类编剧的原始剧本、用户的实时输入以及自身的判断来推进剧情发展，并决定AI角色的反应方式。这种模式解决了传统单机互动的孤立感，利用群戏的历史优势（历史上绝大多数优秀内容均为群戏而非独角戏），指向了更丰富的故事格式设计。
此外，从第一天起，产品就避免了将其局限于单一的“恋爱”或特定品类。我们坚信这是一个拥有内容生态的未来，因此要求内容在第一天就具备足够的 Diverse（多样性），涵盖冒险、科幻、古代及爱情等多种类型。在人群定位上，早期主要聚焦于 18至30岁的年轻女性群体。这一选择基于两个考量：道德层面，避免未成年人进行情感绑定；商业层面，确保用户具备付费能力。这种从“角色”到“内容生态”的认知转变，是产品底层逻辑的关键。
一方面，你知道自己是自由的……另一方面，你也从来不去担心说，哎呀，接下来会不会变得很无聊啊？因为有一个暗藏着的主线在往前。
你应该想象这个产品所提供内容是 diverse 多样的，它有冒险。它有科幻，它有古代的，当然也有爱情……
商业化路径与竞争门槛判断
关于市场认知，当时约有一半人认为AI伴侣产品是“角色”消费（强调与个体的强情感Bonding），而另一半人认为是“内容”体验。这两种认知导致了不同的商业化潜力：角色型产品容易通过高情感浓度实现高客单价，适合面向特定深度用户；而内容型产品则依赖更多的消费频次、玩法付费及广告植入。猫箱实际上长出了这两种Use Case：既有基于内容体验的互动，也有部分用户与虚拟角色建立了强烈的个人情感联系。
在判断竞品是否构成威胁时，我们设定了一个具体的DAU（日活跃用户）门槛。对于普通移动互联网App，通常认为需要达到 千万级DAU 才具有足够的规模效应（对应约100万-500万人民币/天的收入量级）。然而，AI产品具有极高的增长斜率，因此我们将这一门槛下调至 50万DAU。当竞品如Character.AI、星野等突破这一数字时，即被视为进入字节跳动可能关注的“阴影区”。猫箱于2024年3月上线，其开发周期受限于模型训练、团队精力分配以及对市场信号（竞品DAU增长）的等待。这种对“天花板”的动态评估，是创业公司在巨头阴影下生存的关键策略。
其实这是一个乘数啊……假设你认为这是一个普通 App 的东西，你 D A U 怎么也得千万 D A U 以上吧？……AI 产品是把刚刚那个 bar 又往下拉了一层，因为觉得它未来斜率很高。
猫箱这里边未来后来长出了两种 use case……一种就是有人真的跟他产生这个人的 bonding，这种也出现了。
从“造房子”到“养女儿”的范式转移
构建AI产品与移动互联网产品的核心区别，在于从“搭建房子”转变为“养育女儿”。在移动互联网时代（计算机1.0），产品架构基于有限的If-Else逻辑，开发者必须定义每一个Use Case、路径和信息架构，“如果不定义，就不会发生”。这是一种强控的、确定性的工程思维。
而在AI时代，由于Input是无限的，我们无法穷举所有场景。正如无法教一个两岁的女儿应对未来39岁时公交车上的具体突发状况，我们只能赋予AI世界观、原则（Principle）、特定示例（SFT）和目标奖励（RL），让它自主成长。当AI在某个特定输入下产生出超出预期的精彩表现时，开发者应感到“Wow”，而非试图修正它。这种认知转变源于两个客观事实：一是用户反馈极度长尾且Diverse，无法逐一修复；二是AI的管线机制（SFT/RL）在哲学上就不是强控知识的，而是基于概率和反馈迭代的。
因此，创业公司自研模型具有独特优势：它与主模型的优化方向是正交的。一方面，我们可以利用基础模型在逻辑、智能上的提升；另一方面，我们通过构建独特的主观性壁垒来形成护城河。这种壁垒体现在三点：1. 数据稀缺性，新体验意味着没有现成的训练数据；2. 主观性的不可规模化复制，娱乐场景的“对错”取决于用户的主观开心程度（如上海18岁女生与东北49岁大哥的偏好差异），难以通过纯Scale提升；3. 隐性Feature的内化，将移动互联网时代爆炸式Design出的主观判断逻辑（如UI布局、交互手感）做进Agent和Reward Model中，使竞争对手难以直接复制这种基于真实用户反馈迭代出的“灵魂”。
你像是在养一个两岁的女儿……你无法教它无限件事，你只能教它一个框架，你告诉他世界如此，这是世界观……
娱乐场景非常主观……用户开心就是对。然后用户开心超主观，这个上海十八岁的女生我开心，我东北的四十九岁大哥可能就不开心了。
模型即壁垒：将主观设计内化于Agent
在移动互联网时代，产品形态如短视频的全屏上下滑、头像昵称布局等，往往并非纯粹逻辑推导的结果，而是爆炸式且混合主观性的设计。梁琛奇指出，这种隐含的主观判断和隐性特征（Feature）可以被直接做进模型、Agent或Harness中。一旦将这些涉及大量主动倾向的主观设计内化到模型底层，就构建了难以被直接复制的壁垒。这正是团队从第一天起坚持自研模型的核心理由，旨在通过模型构建与主模型正交的差异化优势。
此外，商业化的智慧必须前置。由于大模型推理存在高昂的Token费用，尤其是娱乐产品具有长时长的特性，若不能尽早思考盈利模式，极易因成本失控而“烧死”自己。团队在早期便意识到，若要将DAU规模化（Scale），必须解决成本与收入的平衡问题。
离职契机：DeepSeek带来的信念与创业时机
决定在2025年1月离职并启动新项目的契机，主要源于DeepSeek的出现。在此之前，国内部分研究员对AI持有一种“修修补补”的悲观态度，认为无法探索AGI。而DeepSeek创始人梁文锋展现出了一种极度严肃且坚定的信念。他提到中国跨过技术节点后，科技与读书将变得愈发有用，并坚信中国不可能永远处于跟随状态。这种“从零到一”的创新信念以及小团队做出伟大事物的可能性，极大地鼓舞了梁琛奇。
“我觉得他里边有有两段描述记得非常清晰，一段是我觉得是他童年未获得之糖果……他说，其实他们不知道，当中国迈过了这个节点之后，未来读书会越来越有用，科技会越来越有用。”
“中国当迈过这个节点的时候，未来不可能永远都是跟随的……你 catch 完之后，你看到一张白纸，你接下来怎么 design？然后这件事情你不可能永远跟随。”
除了外部激励，个人创业的时机感（Timing）也是关键因素。梁琛奇认为，虽然字节跳动是一家极其优秀的公司，但历史上从零到一设计出全新产品体验的案例中，创业公司的占比远高于巨头。巨头的决策逻辑往往倾向于等待PMF信号明确后再跟进以规避风险，而创业者则更看重创造新体验并获取最大收益的主动权。
产品哲学：从“踩油门”到通用人性的共鸣
对于娱乐产品的成功路径，梁琛奇总结为“踩油门”模式：找到一个被验证过的格式，将供给扩至无限大，接入推荐与商业化系统。一旦ROI为正且产品形态就绪（即“一”的状态），便可通过投放实现规模化增长。这里的“一”定义为产品形态相对泛化、人群具有多样性且能支撑一定规模的Scale能力，而非局限于极窄的Niche群体。
尽管游戏、短视频等娱乐形式各异，但其核心在于用户处于“不严肃（Not Serious）”且享受时间（Enjoying the Time）的状态。在大模型时代，创作与消费的界限正在模糊。过去UGC投稿率低（如TikTok约15%），大部分用户仅消费；而未来，AI有望降低表达门槛。许多人常有“有表达欲但不知如何表达”的困境，大模型将成为承载这些碎片化想法、点亮人性底层共性需求的新载体。
AI作为表达载体：从碎片心绪到高频创造
很多人常常先有表达欲，然后再想自己要表达什么。这种状态非常普遍：人们此刻很想表达，但不知道具体该说什么。有些人会在朋友圈转发一首音乐，或者做MBTI、SBTI测试并分享结果，试图通过这些载体表现自己的独特性。本质上，这是有表达欲但缺乏合适表达方式的困境。
在未来，AI有机会解决这一痛点。原因是用户每天产生的碎片化想法、感受以及无逻辑的心绪和文字，可以被收集起来。AI能真正理解这些碎片中用户独特且闪光的部分，并整理出符合用户当下需求的提案。当AI给出几个Propose时，用户会产生“哇，这就是我想说的”、“这是我最近所思所想”的共鸣。甚至AI可以帮用户写诗，让用户从“非诗人”转变为能够进行高频表达与创造的人。一旦跨过这个门槛，创造过程本身也会成为一种带有消费属性的体验。大模型将激发出更多的表达欲。
“AI 是能真的理解你这些碎片想法里你 unique 的部分的，真的理解你现在想要什么，不想要什么。”
“可能你不是李白，但你已经可以写诗了。就当你过了那个 bar 之后，你就已经可以每天非常高频的产生表达、产生创造。”
创新方法论：发散人格与鉴赏家人格的博弈
除了娱乐产品需做被验证内容格式的放大外，梁琛奇总结的另一项核心收获是基于同理心和随机创新想法落地为实际结果的能力。这部分能力很大程度上受Alex影响，因为创造力、同理心、想象力和审美往往存在矛盾，正是这些矛盾构建了独特的体验。
梁琛奇提出了一套“双人格”创新运行方式。第一是“Idea发散型人格”，要求抛开框架逻辑，依靠感受被世界Trigger，随机冒出大量想法；第二是“鉴赏家人格”，负责批判性审视。鉴赏家会指出哪些东西无法Scale、Use Case长期不高频或缺乏留存，往往十个想法中九个会被推翻。
关键在于，当大部分想法被否决时，发散人格不能反过来Judge自己认为所有东西都不靠谱。因为新事物的出现非常脆弱，一百个尝试中可能有九十九个是错的。此时应提取Learning（学习成果）：哪些该做，哪些不该做，有哪些启发？将这些反馈给发散人格进行下一轮思考。当新想法通过鉴赏家验证后，需先预测关键指标（如什么会涨、跌，谁会用），再进行测试。根据测试结果判断预测是否准确，避免事后诸葛亮式的自我暗示。
“人要有两个人格……一个人格是 idea 和发散型的创新人格…另一个人格是一个鉴赏家人格。”
“你搞一百个东西，可能就是有九十九个都是错了。你这个时候你应该说，哦，你在这次过程中你获得了什么 learning。”
字节体系优势与松果时刻的PMF探索
在离开大厂创业后，难以带走的资源包括资金、人才吸引杠杆以及极高的商业化效率。以抖音战胜快手为例，其优势不仅在于全屏上下滑的产品容器优于双列（短视频需基于前两秒的声音、画面等多维度混合感受进行筛选，封面无法承载），更在于运营牵引塑造了社区形态，以及字节碾压式的系统能力。
这种系统性优势带来了巨大的信心与信息差。在商业化上，字节能精确测算ROI，知道投入多少未来赚多少；而竞争对手面对的是“白茫茫一片”的不确定性。这种可测算的商业化系统让字节能激进投入，而创业公司短期内难以复制。
基于此背景，团队上线了首个产品“松果时刻”。用户选择一张照片并描述前后发生的故事（如骑车弄湿裤子的狼狈经历），AI会将这一具有时间厚度的叙事转化为连载漫画或多图故事。梁琛奇指出，选择该方向是因为猫箱虽是目前AI Native娱乐的版本答案（DAU大、ROI划算），但存在模态单一（纯文字）和对用户想象力要求过高的问题。大部分成年人的想象力因现实重力和社会压力而降低，且缺乏表达载体（如小时候给亲戚讲故事被无视的经历）。松果时刻旨在通过AI降低想象力的门槛，解决“用户无想象力”与“AI提供想象力UGC”之间的矛盾。
“你知道你走一千步你也不会掉进悬崖，那你就能极其激进的把这件事情全投下去。”
“矛盾的意思是一方面你可以说用户没有什么想象力…一方面，你又说这次 AI 最大的变量是给用户提供了想象力的 UGC。”
想象力的重力与表达工具的缺失
人类在年少时脑海中拥有大量的幻想画面，但随着年龄增长至十八岁左右，这种想象力往往被现实的重力和社会压力所压制。成年人需要客观、理智且务实地解决实际问题，导致内心丰富的画面逐渐消退。
此外，表达工具的缺失也是关键原因。许多人在小时候喜欢创作故事或绘画并分享给亲友，但往往发现听众（如亲戚）只是出于关爱而假装感兴趣。由于缺乏高效的脑机接口式映射工具，创作者脑海中精彩的画面无法被他人真正感知；同时，如果绘画技巧拙劣，这种表达会被视为无效甚至受到打压。因此，“松果时刻”产品的初衷更像是一个测试：通过构建更好的创作与表达载体，去验证人群中想象力的普遍性。
为何选择漫画形式：信息压缩与低门槛触达
产品最终呈现为漫画而非真人照片或视频，主要基于两个考量。首先是技术基础：正如《三体》中描述的“云”与《清明上河图》，真实照片包含原子级别的无限细节，而漫画是经过信息压缩的艺术形式。在相同的智能水平下，处理经过风格化压缩的漫画所需的信息量更少，因此更容易获得PMF（产品市场契合），且用户体验更自然、无“AI感”。
其次是用户认知的广度。不应预期普通大众拥有狭义的、极具创造性的“幻想”，而应关注广义的想象力。只要用户脑海中存在画面——无论是记忆、回忆、逻辑推理还是判断，都应被映射出来。例如一位父亲讲述儿子用湿衣服擦共享单车怕弄脏他屁股的故事，这就是典型的广义想象。通过低门槛触达这种普世的、有画面感的思维活动，产品能激发用户从“记录现实”向“表达想象”的习惯迁移。
高频Use Case验证与AI Native消费体验
产品上线后观察到了四类主要的高频使用场景： 1. 有时间厚度的生活记录：如奶奶回忆年轻时的故事，弥补了传统硬件（如Meta Glass）渗透率低且无法实时记录叙事的缺陷。 2. 情绪的通感映射：将抽象的情绪转化为具象画面，形成对情绪的呼应与放大。 3. 二次元/同人创作：满足特定群体将脑海中的Fantasy视觉化的需求。 4. 内容创作者工具化：用于制作小红书、抖音等多图漫画或小说推文引流。
尽管部分工具型用户留存率（7日留存）高达20%以上，但团队选择不重点投放此类用户。因为早期产品需要在特定垂类社区中建立消费生态，而纯工具属性导致内容流向站外，不利于站内闭环。
未来的核心方向是构建AI Native的新消费体验。传统平台（如红果短剧）已承载了旧有内容，新平台必须提供基于大模型的新体验。这必然涉及烧Token（消耗算力），例如“穿越”功能允许用户以自身形象进入他人漫画并生成新故事。虽然目前因模型速度和成本限制尚需等待，但随着自研生图模型在SOTA性能与低成本上的突破，实时化的消费体验将成为可能。
实时交互与高频使用：从消费到创作的关键
在探讨AI产品的形态时，核心问题在于它是跳脱去另一个世界，还是仍在现实世界中延伸。这决定了用户是处于“消费”状态还是“创作”状态。以Sora的Cameo功能为例，虽然它在老平台上无法实现，但其渗透率和频次可能并不高。如果一款创作型功能的渗透率仅为20%，人均使用次数仅为一两次，那么剩下80%的用户依然没有形成有效的使用习惯。因此，实时性（Real-time）是必要条件。
仅仅具备实时性还不够，产品必须找到一个长期的Use Case（使用场景），使其成为一种高频次、烧Token的体验。关键在于，这个体验必须覆盖绝大多数用户（例如90%的人每天都有使用场景），而不是只有10%的用户觉得有用。如果大部分人在产品中找不到自己的位置，产品就无法成立。
我觉得实时是它的必要条件。然后实时之后，你还就这件事情挺难的，就你还是要找到另外一个真的长期 use case 的方式，让它变成很高频次的一种烧头壳体验。
且这个最后在体验里，大部分人都有这个 use case，而不是这个产品里只有比如百分之十的人有这种 use case，那是不行的。就它得每天有百分之九十的人有这个 use case。
目前团队正在开发的产品中，有些已经具备了这些特点。虽然部分产品仍处于“水下”测试或小范围验证阶段，尚未正式大规模发布，但团队相信这些基于新假设的产品有机会带来令人印象深刻的（Impressive）体验。
UGC式组织：从“赌一个”到“测一百个”
目前团队同时开发着七八个产品，这种并行开发的模式常被误认为是字节跳动早期“十三个产品同时测”的经验复制。但梁琛奇指出，两者的逻辑截然不同：字节早期是基于内容分发格式和时长的矩阵测试（PGC思维），而现在的策略是UGC式的组织运作方式。在AI娱乐领域，技术能力变化极快，没有人能百分之百确定哪种产品形态是下一个时代的终极答案。
传统的PGC公司倾向于从三万个可能性中赌一个，验证周期长（3-6个月），必须极度聚焦。而现在的策略是从三万个可能性中筛选出一百个，进行极快速的迭代测试。通过Demo或快速投放获取信号，在两周到一个月内判断产品是否“Work”，不行就关掉，行则继续。这种模式提高了胜率。
为了支撑这一策略，团队建立了一个平行的UGC组。该组织由一人或两人组成小队，面向一个想法列表（List）进行快速测试。这些想法来源包括内部研究、个人灵感或市场上已验证有信号（从0到1）的项目。目前该组织刚成立两三个月，累计测试了十几个概念，关掉了部分不具潜力的项目。由于招聘周期和人才画像的特殊性（需兼具产品Sense、业务负责能力和Coding能力），目前团队规模尚小，逻辑上应比PGC模式多出几个数量级（如从10个扩展到100个）。
我们想，过去为什么一家公司应该 focus，应该做一件事...但你现在在做娱乐...所以这个时候你有两种选择，一种选择是我就赌一个，但这一个的概率可能是百分之二十；第二种选择是从三万个里找一百个。
这个组织的运行方式，exactly 就我刚刚说的...以一人或者两人组队，你去面向一个想法的 list。去这个测试产品...可能两周一个月的这种节奏下，这个做一个判断。
此外，团队并非纯粹的UGC公司，仍保留部分资源更重、方向更明确的PGC式产品。在内容策略上，针对特定“浓”的人群（Niche Audience），通过延长内容表达来提升质量。尽管UGC在终态可能占据更大价值比例，但在模型成本下降未达到临界点之前，PUGC（专业用户生成内容）比纯UGC更划算，因为其优质率更高。
PUGC策略与“动念引线”的双重矛盾
在内容供给的形态选择上，PUGC（专业用户生成内容） 相较于纯 UGC 具有更高的性价比。虽然从长期终态看，UGC 因人人可参与而拥有巨大的供给规模，但模型推理成本存在下降曲线。在成本降至特定阈值之前，PUGC 因其更高的优质率，能在相同 DAU（日活跃用户）和投稿率下产生更多的绝对优质内容。基于此逻辑，团队倾向于选择如二次元二创等具有 PUGC 属性的方向。
这一策略服务于核心概念“动念引线”，即让用户每天输入少量信息即可产生高质量表达。这里存在两个必须解决的核心矛盾：
- 输入与影响的平衡：用户希望输入的 Context（上下文）足够少且简单，以降低创作门槛；但同时要求这少量的输入在最终作品中占据决定性或主导性的比例。如果 AI 生成占比过高（如90%以上），作品会显得无趣且充满“AI感”，背离了人的表达初衷。
- Reward（奖励）的增益幅度：用户希望创作过程简单，但获得的反馈足够大。目前的“文字+图片生成漫画”模式对部分用户够用，但对更多追求强创意增益的用户来说不够震撼。本质上需要解决 Output 减 Input 的 Diff（差异值），即 AI 带来的增量必须足够大。
“本质上要解的问题就是 output 减 input，它最后的 diff 要足够大，那它才牛。”
“你既要用户说我干的少，输入的少，输入的东西很简单，又要这个输入占决定性、主导性的位置。”
涌现式创作与成本商业化的第一性原理
上述矛盾推导出了“涌现式创作”这一新范式。未来的 AI Native 创作者不再对每个字句进行精准控制，而是通过定义概念、体验或要求来构建框架，将大部分细节填充权交给 AI。创作者只需 Check 最终感受是否正确，而非每一笔触。这种模式允许用户调用 AI 的巨大算力进行成千上万次的交互，实现高时长的沉浸体验。
在商业化层面，核心在于人均推理成本的下降。团队通过自研后训练模型（Post-training），将实时生成图像的成本降至行业极低水平。从第一性原理推导，视频生成的成本远高于图片（相差数量级），因此产品路径应是先实现“一帧一帧”的实时生图（类似漫画阅读体验），而非直接跳向昂贵的视频生成。只要推理成本降至可接受范围，该产品即可通过广告、游戏化付费或会员制实现盈利，其逻辑与移动互联网时代的免费增值模式并无本质区别。
“从第一性原理推导，不太可能直接跳过图片直接到视频了。因为文字跟图片差一个数量级……如果视频成本能降到比如某一个数量级，那图片应该降到更便宜的数量级。”
“只要你那个成本降到一个还可以接受的数字，它就跟上个时代的移动互联网没有本质区别。”
Context获取误区与娱乐交互的不可替代性
关于如何获得用户的个性化 Context，许多公司存在“先收集后服务”的误区。强行要求用户填写大量背景信息是不可行的，因为缺乏信任基础且体验糟糕。正确的路径应参考 OpenAI 的模式：先提供一个无需 Context 即可成立的高频产品形态（如搜索或简单问答），在用户高频使用的过程中自然积累 Context，从而建立“懂你”的记忆库。
此外，梁琛奇认为核心模型厂商（如 OpenAI）难以完全吃掉娱乐赛道。工作场景追求效率，UI 趋向极简；而娱乐体验的核心在于“参与感”。即便是在短视频等被动消费产品中，点赞、滑动等交互手势依然不可或缺，因为它们满足了用户表达情绪、建立连接以及获得节奏感的需求。用户在娱乐中追求三种价值：内容的精彩度、知名度以及与自身的关联性，而交互正是承载这些感受的关键载体。现有的 Agent 或绘画工具往往缺乏这种针对娱乐心理的交互设计，因此 Sora 等产品的 Remix 功能虽存在，但未能击中用户长期、高频的娱乐动力。
“人在喜欢一个内容时，我觉得他本质上在意三种价值……然后你是非常在意自己在一个内容、在一个体验、在一个娱乐里自己的那种参与感受的。”
“误区的意思就是说，现在很多公司意识到 context 很重要。所以一上来就狂收集 context……它的解法必须是你首先先找到一个不需要 context 就能够成立的产品形态。”
主观性体验与模型壁垒的构建
首先，我们需要区分“创作”与高频工具的本质差异。用户打开一个纯工作向的工具产品时，往往伴随着心理负担和厌烦感；而娱乐产品的核心在于主观性。模型厂商通常追求客观智力提升，但无法涵盖特定场景下的主观偏好（如不同情境下对A、B或C的不同倾向）。因此，将主观性设计融入产品体验是构建壁垒的关键。这包括隐性的交互逻辑（如全屏上下滑、头像布局）以及基于实时用户数据的Reward Model训练，而非依赖静态标注或模拟数据。这种隐性的Feature设计（如根据场景自动展开、减少废话或使用蒙太奇表达）是模型公司或通用工具公司不会做的事情，从而形成了差异化的体验壁垒。
其次，在相同的模型尺寸下，注意力机制的聚焦程度决定了SOTA（当前最佳）的可能性。一个相对通用但将Attention主要放在特定娱乐Use Case下的模型，比解决所有问题的模型更容易在该垂直领域达到最优。此外，当基础模型变得廉价且同质化时，产品必须依靠内容生态、品牌或用户量级来建立护城河。当前娱乐类应用面临巨头注意力不在该领域的窗口期，这正是构建壁垒的最佳时机。
“如果你现在把主观性做了，就意味着你在主观性的倾向某些事……你可以做一千个隐性的 feature，这也不会是模型公司或者是工具公司会做的事。”
“在相同的模型 size 下，一个模型是解决所有问题，另一个模型……它 attention 主要放在比如我们想解决的这个场景的这个 use case 下，它可能更容易是 SOTA 的。”
内容生态的网络效应与迁移成本
构建壁垒的第二层逻辑源于移动互联网时代验证过的网络关系。以快手和小红书为例，它们通过构建复杂的用户-内容边（User-Content Edges）形成了难以迁移的生态。对于普通UGC创作者而言，其粉丝、好友关系和内容沉淀均绑定在原平台，这种复杂的网络结构（如老铁文化）使得头部创作者可以一稿多发，但长尾用户极难迁移。即便竞争对手（如字节跳动）拥有更多资源或更优的产品形态（如全屏上下滑），由于缺乏这种深层的网络效应，仍难以完全取代先发者。
小红书与快手的区别在于其毛细血管般的社区调性。小红书的壁垒不仅来自规模，更源于非理性的决策机制和特定的品牌感受（如“Girls Help Girls”）。这种基于Taste而非纯数据增长的社区氛围，是字节跳动等以数据驱动为主的巨头难以复制的。因此，AI娱乐产品的壁垒构建需参考此逻辑：通过实时消耗Token形成新的平台空间，并利用Context的深度与交叉来构建新型网络效应。
“你如何说服一个普通的 UGC 迁移过去呢？因为对他来说，他就是在这里投稿开心嘛……我的粉丝也不在这儿，我建立的好友关系也不在。”
“小红书是特细，搞了一堆毛细血管一样的东西……你发现这东西太细了，假设你现在要把这东西迁移过去，我为何要迁移？”
AI原生平台的Context交叉与人才密度
第三层壁垒在于AI Native平台独有的网络效应。在传统内容平台中，视频或图片背后缺乏结构化数据，导致无法实现真正的Mix（混合），只能进行简单的拼接。而在AI原生平台中，所有内容背后都是Prompt。这使得“Context交叉”成为可能：通过让AI智能揉合不同内容的Prompt，生成全新的作品。这种人和人、人与内容、内容与内容之间的交叉网络，是过去不存在的新型壁垒。当这种高频且充分的交叉体验形成时，用户将因不愿失去这些独特的连接关系而留在平台。
第四层壁垒是人才密度与认知深度。在探索未知领域的过程中，组织需要由具备Taste和主观判断力的人才组成。通过高密度的核心团队进行排列组合，快速验证或证伪想法，并产生新的创新。这种组织形式的敏捷性与人才的认知深度，与模型公司类似，是应对白茫茫一片未知市场的关键竞争力。
“你在一个 AI native 的娱乐平台里……你看到任何一个东西，他背后全是 prompt。然后这个 prompt 是可以交叉的。”
“你自己觉得娱乐公司某种程度上也是存在这种事的……有些是主观的，这些主观的东西需要你带有一些 taste 做一些感受上的判断。”
人才密度与团队规模
在模型公司中，人才密度被视为核心资产，这一逻辑同样适用于娱乐领域。面对一片未知的白茫茫地带，部分问题遵循客观原则，而另一部分则依赖主观的 Taste（品味） 与感受判断。当团队中具备这种感知力并能通过想法碰撞产生新体验的人才比例越高，最终创造出真正新颖体验的概率也就越大。
目前团队规模约为 100人，结构上分为两部分：一部分负责训练模型管线，另一部分分布在多个产品中，每个产品线保持精简。梁琛奇强调，创业者不应过度关注与大厂的竞争或被收购的风险，而应聚焦于是否真正做出了 Impressive（令人印象深刻） 的、能改变用户娱乐体验的产品。历史上，真正做出新体验的公司（如 Cursor）即便估值不及头部竞品，也能获得良好的回报；而娱乐类产品的壁垒比工具类更强，其产生的价值杠杆更为显著。
新体验的时间窗口与形态预判
梁琛奇预测，AI娱乐的新体验雏形将在 1年左右（明年年中前）出现。其推导逻辑基于过去三年“文字扮演+多轮对话”的版本答案已终结，随着模态提升和同等成本下模型智能的增加，新的能力解锁必然带来不同的体验形态。他明确指出，漫剧、短剧等现有形式并非版本答案；而“实时互动内容”虽火热，但因门槛复杂且存在用户新鲜感快速消退的问题（如3D世界生成后缺乏持续互动的动力），难以成为最终答案。
对于 AI女友/男友 方向，梁琛奇认为其虽有机会但团队不打算涉足。原因在于：一方面技术尚未达到足以替代真实人类情感互动的程度（人的微表情和情商极难模拟）；另一方面存在伦理争议。相比之下，架空剧情体验（如猫箱模式）更具不可替代性——用户明知虚构却因现实无法提供此类体验（如穿越、奇幻场景）而接受这种 Fantasy。艺术源于生活但高于生活，正是虚构的魅力所在。
轻游戏的潜力与PMF验证指标
团队目前主要聚焦于内容表达+社交方向，并混合了轻游戏元素。梁琛奇指出，AI极大降低了供给成本，使得潜在用户群体从核心玩家扩展至更广泛的大众（如五线城市大妈通过“砍一刀”获得社交与奖励快乐）。这种低门槛的参与感符合人生追求正反馈的本质，随着供给增加，将覆盖更多此前未接触游戏的人群。
关于如何验证版本答案成立，核心指标是留存率。理想的模型需同时满足“新颖、长期、高频且不厌倦”这一看似矛盾的要求。目前行业参考标准为：次日留存40%，第七日20%，三十日10%。若达到此水平，即视为初步实现 PMF（产品市场匹配），具备规模化投放的ROI基础。此外，还需结合打开频次判断其是否属于真正的娱乐消费产品，而非仅靠短期情绪驱动。
判断产品潜力的三个核心信号
在评估一个AI娱乐产品的潜力时，梁琛奇提出了三个关键维度的观察指标。首先是数据表现与留存频次。虽然他在创业中后期自称为“数据狂人”，会频繁查看ROI和投放数字，但他认为单纯的高留存或高打开频次并不足以证明产品的长期价值。如果一个产品用户一个月只打开一次，即便长尾留存很好，它也可能既非典型的娱乐产品也非消费型产品。
其次，也是他认为最关键的信号，是能否想象该体验面向广泛人群的可能性。以“猫箱”为例，在当前的交互模型和智能表现下，很难想象它能被父母辈等广泛人群使用；而短视频虽然初期内容可能小众（如酷炫运镜），但容易想象其未来承载新闻、家长里短等大众内容的潜力。他强调，成为“版本答案”的产品必须具备规模效应（DAU），因为娱乐产品很难从极窄的人群中获得极高的资金回报。
第三个信号是体验随规模扩大而变好的机制。这包括两种可能性：一是传统互联网时代的投稿率与DAU带来的总优质内容增加；二是AI特有的Context深度与交叉。随着用户使用时间变长、DAU变大，模型对上下文的捕捉和交叉能力会增强，从而形成更深的壁垒。这种机制能让产品在增长过程中获得体验斜率：DAU越大、使用越久，用户体验越好。
创业中的误判与对“压力”的重新认知
回顾过去一年的创业历程，梁琛奇指出了两个主要的误判。第一是低估了AI Coding的发展速度。去年年初时，使用Cursor或Claude等工具仍处于“按下葫芦起了瓢”的状态，导致团队激进招聘（两个月内人数翻倍）；而到了去年年底，AI Coding能力已发生质变。他反思道，如果当时预见到Coding能更快解决许多工程问题，或许不会那么着急扩张人力。此外，他对Sora等视频生成技术的判断也存在偏差：虽然他认为其本质并非真正的智能突破（98%概率不是），但担心市场对其势能的过度反应会加速整个娱乐方向的资源投入，这种“Overthinking”最终被证明是不必要的。
第二个误判涉及对Review压力来源的认知。梁琛奇发现，在大厂工作时的心理压力往往大于创业初期。在公司内部，预算可能在任何节点被清零或业务被关闭，这种“随时可能被砍”的风险带来了持续的高频刺激；而在创业公司，资金在账上时，创始人可以自主定义节奏。他观察到同事曾惊讶于他的“轻松”和“开心”，认为这不符合创业应有的焦虑状态。但梁琛奇指出，适度的压力能激发创造力。他反驳了“创新需要在随性环境中产生”的观点，认为在AI时代，缺乏压力的地区往往落后。他意识到，创业后的Review压力变小可能导致某些事情变慢，因此需要主动寻找高频刺激来保持敏锐度。
警惕“轻松选项”的陷阱与团队角色的平衡
在产品发展的某个阶段，梁琛奇经历了一次典型的Wishful Thinking（愿望性思维）陷阱。当时，“松果时刻”作为观测窗口的数据表现良好，普通用户（尤其是生活记录类）表现出高留存和高热情。这让他产生了一种错觉：是否不需要烧Token、不做复杂的泛化逻辑，仅靠生活记录这一垂直场景就能自然Scale到大规模？这种“轻松选项”极具吸引力，因为它避免了从特定人群向泛人群边际扩展的苦活。
然而，现实很快打破了这种幻想。首先，不分人群看数据时发现，这批用户的消费信号（高频观看）并不强烈，且全流投放生活内容会导致其他用户流失。其次，新加入的一位务实型合作伙伴扮演了关键的“鉴赏者”角色。这位同事通过客观的数据测算和推导，指出了当前模式在商业逻辑上的漏洞，让梁琛奇重新认清现实。这引出了团队构建的一个重要观点：Creative角色与鉴赏者角色的分离。梁琛奇自述擅长讲故事和描绘愿景，容易让团队陷入乐观叙事；因此需要引入理性、工科思维的成员进行“Review”，以平衡愿景与落地之间的差距。尽管他试图通过自我审查来弥补，但在缺乏系统性压力（如OKR）的AI Native公司文化中，外部理性的“鉴赏”显得尤为重要。
创业心态：为了做成而非模仿
在管理风格上，我们刻意与大厂保持差异化。许多模型公司或新实验室（New Lab）往往采用自上而下、轻松且早下班的工作模式，甚至不制定严格的 OKR。我们观察到这些信息后，曾一度认为为了体现“Native”属性，我们也应该如此不同。但理性分析后发现，这种心态是有问题的。你并不是为了创业而创业，也不是为了跟大厂不同或像初创公司那样行事而创业，你是为了做成而创业。有些环节该像大厂就应严谨，不该像时则需灵活。若初始动力仅仅是“得不一样”，而非基于业务本质，就会陷入误区。
因此，解法在于建立一套强硬的 Review 系统。这套系统如同公司的心跳般运行：每个季度或节点，团队需汇报进展并表达观点；一个月后，必须验证这些假设是否成立。如果不成，压力巨大。这种机制确保了我们在保持灵活性的同时，不失去对结果的理性追踪。
你不是为了创业而创业，你也不是为了跟大厂不同而创业……你是为了做成而创业。然后做成有些事情就该像，有些事情不该像。
这个心跳要运行之后……如果不成不成立，那其实是有很大压力的。
核心赌注：新体验将在1-2年内出现
面对未来，我最理性的担忧是：在我整个推导和假设中，那个“新体验”在未来一到两年内是不存在的。如果这个前提断掉，整个逻辑链路就会崩塌。但矛盾的是，我内心极度相信这件事会发生。
我是一个擅长区分“对未来的推理”与“对未来的希望”的人。基于现有的认知推导能力和已建立的验证系统，我判断新体验大概率会在一年到两年之间发生。一旦这个信号出现，我们有信心拿到它。原因在于我们拥有基于便利式比较的推导能力、新的组织方式以及创新能力。
即使初始信号概率极低（例如只有0.2），我们也有信心将其放大到1。这是因为我们将“从粗糙信号中提炼并放大价值”作为核心能力。我们擅长通过产品体验反馈，进行主观性的模型迭代（无论是 Post-training 还是未来的 Pre-training），从而构建带有壁垒的模型生态。
如果它不存在，你就啊一顿搞……那整个这个逻辑链路就最大的假设断掉。
即使比如某一种信号出现了，但那个最开始的信号非常非常比较小概率……我们也有挺大的信心把这个零点二的信号放大到一。
方法论之争：先产品验证 vs 模型驱动
目前市场主流观点是“先训模型，再做互动内容”，甚至追求 3D 等新模态。但我坚信另一条路：在娱乐领域，应利用市场既有的技术模型和 Agent 进行排列组合，先做出体验并验证其价值。
如果产品看起来很牛，要警惕是否是“Wishful Thinking”（一厢情愿）；如果排列组合后产品很傻，就应丢弃。只有当用户反馈“有点机会”但存在粗糙部分时，我们才重注资源去训练具备主观性能力的模型。这种“先出题（验证体验），后解题（优化技术）”的路径，与模型驱动型公司“先打造锤子（技术），再找钉子（场景）”的路径截然不同。
我曾让 AI 研究从移动互联网到 AI 时代的历史数据。数据显示，在娱乐产品中，“先产品后技术”与“先技术再产品”的成功比例约为 7:3。虽然 AI 时代这一比例可能微调至 6.5:3.5，但娱乐产品的搜索域极宽（如构建世界、感受），相比工具产品窄且确定的问题域，随机“涌现”出成功体验的概率依然很低。若因期待模型自动解锁新东西而偷懒，胜率会下降。
以字节跳动为例，它其实是典型的“先产品后技术”：今日头条先跑通新闻推荐的基本体验（尽管当时深度学习尚不成熟，张一鸣甚至只给系统打50分），看到用户信号后强 Bet 投入技术优化。这印证了先验证需求，再深化技术壁垒的逻辑。
娱乐产品你是在出题……用户说哇牛，然后你在这个时候你才说哦，那我要在这个出的题里被验证的题里，我在去解题了。
在娱乐产品……先产品再技术 vs 先技术再产品那个比例，他跟我说是七比三还是多少？
AI对经济价值的重塑：从连接中介到生产力重构
在移动互联网时代，主流应用如短视频、短剧、小说和音乐分享等社交产品，其核心商业逻辑本质上是中介工作。这种模式通过在一个特定领域内建立更好的连接，从而抽取该领域约 10% 的价值。然而，AI 的角色发生了根本性转变：它不仅解决了连接问题，更直接重塑了该领域剩余 90% 的生产力价值。例如，当公司职员实现 AI Native化或迭代结构发生变化时，AI 极大程度地影响了原本由人类承担的生产力部分。因此，虽然 AI 在整体经济中的占比可能因分母扩大而显得比移动互联网小一些，但其绝对意义上的增量依然巨大。这种重塑意味着 AI 不再仅仅是流量的分配者，而是生产力的重构者。
后工作时代的意义构建：泛创作与主观性价值
随着 AI 接管大量重复性工作，未来可能出现少数人控制数千个 Agent推动人类前沿研究（如宇宙、数学），而绝大多数人拥有大量空闲时间的局面。对于这 98% 的普通人，寻找人生意义成为核心命题。单纯的被动消费（如刷抖音）无法提供持久的价值感，人们需要在系统中参与并获得正反馈。这种意义的来源主要基于两点：一是主观性的表达与创造，因为这是 AI 难以完全取代的部分；二是通过创作产生交互反馈。这种“泛艺术”或“泛表达”不仅包括面向自己的创造，也包括构建 Playground 供他人交互。尽管线下活动（如手工、围棋）也能提供意义，但互联网杠杆和 AI 杠杆使得线上创作能覆盖更广泛的人群并产生更大影响。此外，娱乐的价值还体现在两个层面：一是提升个体的开心指数（个人终极价值）；二是通过维持庞大且快乐的人口基数，增加天才出现的绝对数量，并像《银河系漫游指南》或科幻作品那样，通过艺术启发科学家和工程师去探索更远的未来。
AI To C 产品的机遇与挑战：实时生成与理性感性平衡
当前正处于人类科学发现的黄金时代，AI 技术已具备设计极具想象力产品的能力。对于 AI To C 产品而言，关键竞争点在于实时生成内容。如果仅在制作时调用模型（如短剧），其红利仍被掌握移动互联网基础设施的巨头所垄断；而若在消费端实现实时生成，即内容生成速度快于用户观看速度，则能形成新的平台壁垒。尽管目前消费级终端未发生像手机那样的根本性更迭，增加了 AI To C 的难度，但技术迭代足以支持新产品的诞生。在创业逻辑上，需平衡理性推理与感性相信。理性层面要求产品具备清晰的商业闭环和技术可行性；感性层面则基于对人性的洞察，相信当人不再为生计工作后，会将闲暇投入广泛的创作与表达中。这种“消费”与“创作”边界的模糊，使得娱乐产品不仅是消磨时间的手段，更是个体实现自我价值、甚至推动群体向“四面八方”探索真理的途径。