这两年因为业务关系我前前后后聊过几十家专注大模型应用的AI创业公司也帮一些传统企业的朋友做过选型参考。说实话这个赛道的热度一直不减但真正能落地的公司比大家想象中少得多。很多团队拿着一个看起来很惊艳的Demo讲着一个听起来很宏大的故事但真到签合同、跑业务、看数据的时候往往会发现里面有不少水分。我写这篇选择指南不是要给你一份“名单”而是要帮你建立一套自己的判断标准。你可能是想找合作伙伴可能是想投资也可能是想跳槽去一家靠谱的AI创业公司甚至只是单纯想搞清楚这个行业里谁在做实事。无论哪种身份看完这篇文章你至少能回答一个问题一家专注大模型应用的公司到底凭什么值得你花时间。我会尽量用大白话把我实际踩过的坑和总结出来的筛选方法都交代清楚。1. 为什么看AI创业公司时最容易踩坑先聊一个很多人忽略的底层问题看大模型应用公司和看普通软件公司逻辑其实不一样。普通软件公司卖的是确定性这个系统跑起来100个并发没问题数据不会丢。大模型应用公司卖的是概率性AI给出的答案不是唯一确定的可能好、可能坏、可能偶尔抽风。这两者的评估维度差别非常大。1.1 核心资产不是模型本身而是围绕模型的三层能力我见过不少人在评估AI创业公司时开口第一句就是“他们用的是什么模型”这个问题本身没错但很容易被带偏。大模型的能力底座早已变成基础设施你用哪家的底座只要不是极端冷门差距没有想象中那么大。真正拉开差距的是另外三层能力。第一层是场景理解能力。同样一个客服机器人通用底座只能回答“你的订单已发货”但一家真正懂客服场景的公司会知道用户问“我那个东西怎么还没到”时应该先安抚情绪还是先查物流给出几个选项的优先级是什么。这层能力藏在产品细节里不在PPT里。第二层是数据回流能力。用户在使用过程中的反馈、纠错、新问题能不能形成闭环持续改进这家公司的应用效果。如果没有数据回流这家公司的AI效果会一直停在原地甚至被竞品越拉越远。第三层是工程化交付能力。模型的推理时长怎么控制在1秒以内并发高了怎么降级私有化部署需要多少算力回答错误时怎么让用户知道这个问题AI解决不了而不是胡编。这些看起来不性感但恰恰决定了一个AI应用能不能在企业里真正跑起来。所以你在看一家公司的时候第一件事就是别盯着“底座”问个不停要往下钻问场景是怎么理解的数据是怎么流转的糟糕的情况下产品怎么兜底。1.2 三对容易被混淆的概念能力、产品与商业这三年的经验告诉我市场上绝大多数“看不懂”的AI创业公司都是把三样东西混在一起说技术能力、产品形态、商业模式。技术能力是“我能做什么”产品形态是“用户拿到手里的是什么”商业模式是“谁为这个东西付钱付多少钱”。我看过很多团队技术能力确实很强但做出来的产品是个“技术展品”用户不知道怎么用、不知道解决自己什么问题更不知道怎么收费也有很多团队产品做得像模像样但背后的技术含量和壁垒几乎为零别人下个月就能抄走还有团队商业故事讲得很好但交付的时候根本达不到那个价值因为技术底座撑不住。一家值得关注的AI创业公司至少要在这三者里有清晰链路技术能力服务产品体验产品体验支撑商业模式商业模式反过来指导技术和产品投入。如果三者对不上哪怕它流量再大、融资再多我通常也会放一放。因为后续一定会出问题只是时间早晚而已。2. 先分清“大模型应用”的五种常见模式在开始选公司之前我还得给你一套分类框架。因为“大模型应用”这四个字太宽泛了AI客服是应用AI绘画是应用AI写代码、AI做PPT、AI生成短视频都是应用。不同模式评估的逻辑完全不同你要是不分类就硬比等于拿苹果跟西瓜比谁更适合做沙拉完全没意义。2.1 组装式应用把通用能力变成顺手的产品这种模式最常见也最容易理解。团队本身不训练模型直接调用基础大模型的API然后把能力包装成某个具体场景里用户习惯使用的产品。比如AI写作助手、AI简历优化、AI翻译插件、AI做PPT的工具等等。这类公司的核心不是“AI有多强”而是“产品有多顺手”。我以前看过一个AI会议纪要应用技术上无非是录音转文字加摘要整理谁都能做但人家把“发言人说完了哪句话需要重点标记”“谁的待办事项被单独列出来”这些交互做得极其细腻团队对办公场景的理解很深。这种产品体验壁垒虽然听着虚但真的挡得住很多只会堆功能的竞争。看组装式应用重点要看流失率和口碑而不是功能数量。因为技术门槛低能被抄走用户能轻易换掉。2.2 垂直微调型用行业数据喂出独特能力这类公司会在通用底座基础上用一批行业数据做微调训练让模型在某个特定领域的表现明显好过通用模型。典型例子有医疗领域的病历生成、法律领域的合同审查、金融领域的研报摘要等。这一类的核心壁垒在于数据而不只是训练技术。你光有算力和算法不行还得有合法、干净、分好类的行业数据。我认识一位做法律AI的创业者单是合同风险点的标注规范就迭代了十几次团队里一半人是法学背景。这种公司一旦把数据和场景跑通通用模型很难在短期追上它因为说到底是行业知识的沉淀。看垂直微调型公司重点要问数据来源、数据质量、标注规范是不是可持续还要看它有没有真正跑通的付费客户。如果只有Demo没有真实的行业客户反复打磨训练方向和标注规范很可能是闭门造车。2.3 Agent工作流型从“说一句话”到“办成一件事”Agent工作流是最近两年非常热的形态。它不再满足于“你问一句我答一句”而是让模型扮演一个可以连续执行任务的角色你说“帮我写一份季度复盘报告并且提取出下个季度的关键行动项”它不只是生成文字还会自动查数据、画图表、生成邮件草稿甚至把报告发给对应的人。这类公司的难点不在单次对话的聪明程度而在“链路怎么稳定”。模型执行到第二步可能就偏了或者某个第三方工具返回的数据格式和预期不一样Agent就直接卡死。我在测试一些Agent产品的时候经常发现同一个任务连续跑三次三次结果都不一样中间还会漏掉关键步骤。这种不稳定在大众消费场景还能忍在企业流程里是绝对不能接受的。看Agent工作流型公司重点要问几个问题任务完成率是多少任务中断之后怎么恢复有没有人机协同的兜底机制如果一个Agent产品连一个模拟业务的端到端流程都走不通那它离真正可用还差得远。2.4 多模态应用型文本之外的内容处理能力随着大模型的能力不再局限于文字图片生成、视频生成、音频合成、跨模态检索等应用也逐渐成为创业方向。比如电商场景里把商品图批量生成种草海报、教育场景里把讲义转成有声课件、影视行业里做分镜脚本的预演等。这类公司的评估要分两块。一块是生成质量也就是效果好不好看、内容显得不显得“假”另一块是成本结构生成一张图、一分钟视频到底要花多少算力毛利率能不能撑起商业模式。我见过一些做AI视频的团队效果确实惊艳但算力成本高到离谱每个客户付的钱还不够电费这种公司除非能快速降本否则就是在烧钱做慈善。看多模态应用型公司要看效果也要看单次成本还要看这条赛道是否存在真实需求别被“看着炫酷”带跑。2.5 工具链与模型底座型给造应用的人造工具最后一类是服务其它AI应用团队的基础设施比如模型调用管理平台、数据标注平台、模型评测体系、私有化部署工具、向量数据库、可观测性工具等。别小看这类公司它们往往现金流稳定。因为不管下游应用公司做不做得成工具总要买。它们的问题是离终端用户远讲不了太性感的商业故事但在评估上反而简单看技术稳定性、兼容性、交付满意度就够了。我认识一个做模型评测工具的团队不声不响但几乎每个做AI应用的公司都需要它来证明自己产品是不是变好了。这类公司很适合那些想做长期、踏实的AI创业的人去关注。为了帮你快速理解这五类的区别我做了一个对照表模式类型核心壁垒典型客户主要风险组装式应用产品体验与场景理解个人用户、小微企业同质化严重、易被替代垂直微调型行业数据与标注规范行业企业、专业机构数据获取难、场景窄Agent工作流型链路稳定性与任务完成率中大型企业技术成熟度不足多模态应用型生成质量与成本控制内容团队、电商、影视算力成本高、效果不确定工具链与模型底座型技术深度与生态兼容AI应用开发团队客户数量有限、依赖生态你可以把自己关注的公司先归到这个分类表里再往下看具体怎么筛。3. 一套四步筛选框架怎么判断一家大模型应用公司值不值得关注分类只是第一步接下来是真正的筛选动作。我花了很久才总结出四个比较稳定的评估维度不再靠感觉判断。每一条背后都有我看过的失败案例当垫背。3.1 第一看它到底在解决谁的什么问题很多AI创业公司有个毛病把“技术能力”当成“用户需求”。觉得模型会写文案所以全世界都需要文案生成觉得模型会做图所以人人都要AI做图。但实际上一个真实需求必须满足三个条件对象明确、场景具体、痛到愿意付钱。我跟一家做AI简历优化的团队聊过他们的产品能自动把用户的工作经历写成标准的简历语言效果看起来确实不错。但问到付费情况他们说个人用户付费率很低。原因很简单写简历是个低频需求用户一年才用一两次很难建立付费习惯。而另一家做AI销售话术练习的团队瞄准的是销售团队每天都要练、每个销售都需要练企业愿意按席位付费虽然市场盘子看起来更小但真实付费意愿强得多。所以你看一家公司时别先听产品介绍先问清楚为谁解决什么问题这个问题出现的频率是什么不解决的话用户损失有多大这个损失换算成钱是多少。如果这几个问题答不上来哪怕Demo再酷也得打个问号。3.2 第二看它用什么数据、什么场景来形成壁垒大模型时代通用知识已经不值钱了值钱的是数据和场景。这句话听起来像老生常谈但真到执行层面很多人还是说不清楚自己的数据壁垒是什么。数据壁垒不是“我们有很多数据”而是三个具体问题的回答第一你比别人多了什么别人拿不到的数据比如某家做法律AI的团队手里有经过专业律师标注的几万份真实合同这种标注数据不是靠爬虫就能爬到的第二你的数据能不能形成闭环用户用你的产品产生的新数据能不能反过来优化模型效果第三你的数据来源是否合规现在合规问题越来越重要如果不能证明数据来源合法这种壁垒随时可能变成炸弹。我去年遇到一家做医疗问答的公司技术团队很厉害模型效果在测试集上表现很好但问起真实医疗数据怎么来的含糊其辞。这种公司我立刻标记为高风险。数据壁垒要看是不是可持续、可累积、可防御而不是看一个冷冰冰的“我们已经积累了几千万条数据”的数字。3.3 第三看研发能力与工程化能力评估AI创业公司时研发能力和工程化能力经常被人为混为一谈其实是两码事。研发能力是“我能不能把模型训得更好把效果做得更准”工程化能力是“我能不能把模型稳定跑起来让100个人、1000个人、10000个人同时用不出问题”。很多团队研发能力在线但工程化能力是灾难。我测试过一些产品单独用很好稍微改个输入格式就崩了或者同一个问题连续问十次有两次还返回空结果还有的模型推理时间飘忽不定用户等三五秒能忍等十五秒就关掉页面了。看工程化能力有几个具体方法。第一试用时主动制造极端情况长文本输入、并发操作、无网络状态、连续触发送出错误格式的数据看产品会不会兜底。第二问团队有没有完善的监控体系比如是否能看到线上请求的成功率、平均响应时间、错误分布。第三问他们遇到模型突然抽风时怎么处理有没有降级方案。能清晰回答这三个问题的团队工程化能力基本不会太差。3.4 第四看团队背景对业务落地的映射关系最后看团队但看不只是“学历多高、出身哪家大厂”而是坚持看团队背景和当前业务的匹配度。一个全是顶级技术背景但没有行业背景的团队最危险的地方在于他们做出来的东西可能技术上无懈可击但用户根本不需要反过来一个全是行业背景的人、没有技术高手的团队容易把产品做得非常“传统”只是套了一个AI壳子没什么核心竞争力。我比较看重的团队组合是有AI技术和工程背景的人同时也有在目标行业实际工作过、知道行业内真实痛点和采购逻辑的人。这两类人比例合理、内部沟通顺畅才能真正做出又懂技术又懂行业的AI应用。有一个更具体的判断方法让团队里负责技术的人讲业务场景让负责业务的人讲技术边界。如果两边可以互相接话、讲得比较清楚这个团队配合度就比较高如果各说各话你在旁边都会觉得尴尬那后面合作大概率更尴尬。3.5 筛选框架的四个问题清单为了方便你装进口袋带着用我把四步筛选框架整理成一张可以直接打印的问题清单维度你要问的问题亮起红色警报的答案解决问题它帮谁在什么场景下解决什么痛点痛点是否高频“我们的技术可以应用于所有行业”数据壁垒数据来源是什么是否合法能否持续累积“数据这个不方便细说”工程化能力线上出错率多少降级方案是什么极端输入怎么处理“这个我们有专门的团队维护您放心”团队匹配团队里是否有人深度做过目标行业谁最懂客户“我们的团队成员都来自大厂AI Lab”4. 横向对比演练用四组案例解决“到底选哪家”框架有了没有实战依然白搭。我用四组虚构但很典型的案例带着你实际操作一遍。这些组合我都见过类似的原型名字是假的但逻辑是真的。4.1 案例A通用AI助手 vs 垂直客服质检假设你现在面临两个选择一家做通用AI助手的公司功能很多写文案、做翻译、帮你查资料啥都会个人用户下载量挺高另一家专注做客服质检只干一件事把客服和用户的对话录音和文字转出来用AI判断客服有没有违规话术、有没有漏掉关键信息、服务态度怎么样然后给出质检评分。表面上看通用AI助手公司流量大、用户多故事的想象空间大得多客服质检那家听着特别窄市场规模好像一眼就能望到头。但真要选我大概率会选垂直客服质检这边。原因是客服质检解决的是明确、高频、强付费需求。所有有呼叫中心的企业都需要质检以前靠人工抽检一个月抽不了几条现在用AI全检省人力还提升质量这个价值企业算得过来账。而通用AI助手虽然用户多但留存率天然很低大部分用户用完一两次就跑付费转化更是硬伤。从商业模式看垂类的那家活下去的概率明显更大。4.2 案例BAI写作工具 vs 行业报表生成再假设你面对这样两家公司一家做AI写作帮自媒体创作者一键生成文章框架、标题、金句另一家做行业报表生成比如说给连锁门店店长用的自动从销售数据里生成当日运营日报和异常提醒。这两家看起来都是“文本生成”但底层逻辑完全不同。AI写作工具的客户是创作者创作是开放性的写得好不好没有统一标准而且用户自己能判断AI写得好不好所以很难为“AI帮忙写初稿”持续付费。行业报表生成面对的是店长店长的痛点非常具体每天花一两个小时整理数据、写日报、分析异常。AI能不能把这一个小时省下来效果一眼可见价值算得明明白白。而且前者是“锦上添花”后者是“雪中送炭”。经济环境一波动、客户预算一收紧最先被砍掉的就是锦上添花型工具雪中送炭型工具反而会稳一些。我见过的AI创业公司凡是做“可感知的效率工具”的活得明显比做“创意辅助工具”的滋润。4.3 案例C元宇宙AI导游 vs 企业内部知识问答再看两个维度差异比较大的案例。一家公司想做元宇宙里的AI导游你在虚拟世界里逛景点AI小姐姐全程讲解声情并茂另一家做企业内部知识问答把公司所有制度、流程、项目文档都变成可检索可问答的系统员工有问题直接在对话框里问AI根据内部文档回答。前者故事性很强听起来非常性感但核心问题在于元宇宙本身还没有形成稳定的用户场景连“游客”的基础都没有给谁当导游而且景区方是否愿意为导游功能付费、Google式的搜索式问答能否形成黏性都是未知数。后者虽然不性感但面向的每家企业都有大量“新人问老人、知识不对称”的问题知识问答系统能把新员工培训时间从两周压缩到三天这个ROI投资回报率特别容易被算出来。我有个判断原则市场规模再大如果时机不对、场景尚不成熟也比不上一个已经真实产生付费的窄场景。元宇宙AI导游属于前者企业内部知识问答属于后者选哪个显而易见。4.4 案例DAI硬件伴侣 vs 端侧隐私计算最后一组相对高级一点。一家公司想把AI能力塞进一个可爱的小硬件做成“AI伴侣”类产品另一家做端侧推理方案让AI模型在手机、摄像头、边缘盒子上本地运行解决隐私和延迟问题。AI硬件伴侣的诱惑力在于消费市场大一旦成为爆款收益惊人。但这种产品供应链极其复杂模具、物料、渠道、售后每一关都是现金黑洞而且消费者对AI硬件的容忍度很低响应慢半秒就觉得智障。另一家做端侧推理的团队虽然见效慢但解决的问题特别扎实很多企业数据出不了内网必须在本地跑AI端侧方案是刚需而且随着芯片性能越来越强端侧AI的适用范围还在持续扩大。这不是说所有消费级AI硬件都不值得关注而是提醒你当你在两个方向之间摇摆时优先选“基础设施型”而不是“明星单品型”。基础设施的复利效应往往更稳明星单品则更依赖爆款运气。4.5 四个案例的对比小结对比对象双方核心技术我优先选哪个一句话理由通用AI助手 vs 垂直客服质检组装式 vs 垂直场景垂直客服质检垂类付费意愿明确AI写作工具 vs 行业报表生成创意辅助 vs 效率工具行业报表生成效率价值可量化、难替代元宇宙AI导游 vs 企业知识问答新场景 vs 存量刚需企业知识问答场景不成熟就不投AI硬件伴侣 vs 端侧隐私计算消费产品 vs 基础设施端侧隐私计算基础能力有复利效应这个对比表格当然不能机械套用但它背后的逻辑是一致的优先关注那些场景明确、需求真实、价值可量化、付费方清楚的项目。5. 对被选中的项目做尽调式验证好现在你通过筛选框架锁定了两三家公司别急着下结论还有一轮更深入的验证阶段。这一步很像尽调核心思路就一句话不要听他说什么要看它实际能做什么以及实际收了多少真金白银的钱。5.1 三个必须亲自测试的Demo问题你问创业者“你的产品效果怎么样”答案永远是“非常好”。与其这么问不如自己上手测。我总结出三个每次都用的必测问题测完之后这家公司的成色基本就浮出水面了。第一测边界输入。正常人都试用产品时都会问些正常问题但真实用户不是这样的。真实用户会把地址连在一起不带标点地发过来会粘贴一段乱码会问“你妈的”这种夹带情绪的无礼问题。你刻意输入这些非标准内容看AI怎么处理。如果它直接报错、或者明知不理解还硬编一段答案那说明工程兜底能力堪忧。第二测胡编率。问你一个它肯定不知道答案的问题比如某个小众冷门公司的内部政策。好的产品会说“这个我不知道”偶尔也会结合上下文推测但必须明确告知差的产品会一本正经地编一个听起来像模像样的答案。一个AI应用在生产环境里如果胡编率过高就是在给客户埋雷这比功能缺失严重得多。第三测一致性。连续问同一个问题每次措辞稍有变化看看结果是否稳定。如果你发现答案的核心信息三次都不一样说明这个应用对Prompt的变化极其敏感背后没有做足够的稳定化处理。这种产品放到生产环境里用户很快会发现它时好时坏信任崩塌只在一瞬间。5.2 看定价背后的产品判断定价是一个非常诚实的信号它代表了这家公司对自己产品价值的真实判断。我见过三种定价逻辑每种背后都藏着不同的商业模式健康度。第一种是按调用量计费用户每次调用AI按次数或按Token收钱。这种模式对供应商来说比较省心但容易让用户不敢用一听到“每次都要花钱”很多用户就会刻意少用频率上不去产品价值就发挥不出来。只有那些用户本身调用频率不高、但单次价值极大的场景适合这种模式。第二种是按结果计费比如客户生成了一份满意的法律合同才收费没生成就不收。这种模式对产品自信要求极强但也容易激励团队做“表面漂亮但不一定正确”的结果或者逃避复杂的案例。只有效果足够稳定、质量检查机制足够完备的团队才敢这么干。第三种是按席位计费按使用人数或者固定月费。这种模式最健康因为它的逻辑是“帮你把某件事外包了”用户会把它当工具持续使用团队也有动力把产品做得越来越顺手。我一般优先关注采用这种定价模式的公司因为它说明团队有信心让用户离不开。5.3 会问数据的人才能看出来吹没吹聊数据是尽调里最考验功力的环节。不用让公司告诉你“我们的准确率是98%”因为“准确率”的定义可以玩太多猫腻。你要问的是几个能够交叉验证的指标。第一问月活和留存。一个AI应用如果月活很高说明用户愿意反复用如果只是拉新很强但次月留存掉到百分之十几说明它是冲动消费产物留不住人。第二问付费转化。免费用户怎么变成付费用户每一步的转化率大概在什么区间这里特别能反映产品价值和销售能力。第三问客户续费率。做To B的AI公司续费率低于70%就得深究原因要么产品价值没有被客户感知到要么客户本身在走下坡路。第四问客单价和交付周期。单价特别高但交付周期特别长的项目收入看着大实际利润很可能被项目制成本吃掉。我通常不要求对方给绝对准确的数字而是看他对这些指标是否足够熟悉、能不能一口气讲清楚增长曲线。要是连自己公司的关键指标都说不出个所以然说明他根本没在认真做经营只是在做研究和Demo。6. 六个让我直接放弃合作姿态的典型信号最后分享一套“排雷清单”。这些信号不是基于单一事件而是我在多年观察中总结出来的一听就要警惕的典型问题。就算一家公司前面的框架都通过了只要已经出现其中两三条我基本也会选择离场观望。6.1 逢人就夸自己用了最强的模型一家公司的PPT如果第一页写的是“我们采用目前最先进的大模型底座”那我会立刻降低期望值。最强模型是别人的能力不是你自己的能力把底座当成核心卖点说明团队没有找到自己真正的价值锚点。就像一家餐厅宣传“我们用了最贵的大米”一样米饭确实重要但菜品本身才是核心竞争力。6.2 开口就是“我们做的是一个通用AI机器人”“通用”这两个字往往是初创团队的委婉表达翻译过来就是“我们还没想清楚到底服务谁”。通用AI现在根本不存在市场上所有能落地的AI背后都有一个极其具体的使用场景和一套精心设计的规则。哪家公司如果跟你讲“什么都可以做”放心它大概率什么都做不好。6.3 对数据隐私问题一律回答绝对安全合规这一关是整个行业里最容易被忽视但最致命的环节。一家公司如果在你问数据来源与合规的时候拍着胸脯说“绝对没问题”反而要警惕。真正合规的团队会告诉你数据来源链路、标注授权、存储方案、审计日志能给你看合同模板和标准操作流程。合规不是一个口号是一整套工程动作。6.4 产品功能更新快到不正常AI应用迭代快是好事但如果一家公司新品发布频率像开机关枪一样今天上线智能写作下周上线智能绘图月底又要上线智能会议纪要那我基本不会考虑。这种节奏说明团队缺少沉淀所有人都在追热点功能谁火抄谁导致产品没有一处是用心的。真正靠谱的团队通常一年只打磨两三个核心功能每个都值得长期用。6.5 合作案例很多但没有一个深入场景“我们服务了三百家客户”有时候比“一个也没有”更危险。问清楚三百家客户里有多少是签约一年以上有多少是深度共创、共同定义产品的有多少只是试用了免费版。我见过好几个团队宣传材料里堆满了有名有姓的客户Logo但暗地里大部分都是POC概念验证阶段。合作深度远比合作数量重要。6.6 团队里没有一个真正懂目标行业的人最后一条看起来简单但很多人会忽略。做医疗应用的团队里没有医生做法律应用的没有律师做制造业的没有在工厂待过的人。这样的团队研发能力再强也只是在“盲人摸象”。真正能做出行业级AI应用的公司一定有一批能把行业专业术语和AI算法同时说得头头是道的人。听一次他们的内部讨论你就知道这家团队是不是长在行业里。7. 给辛苦读到这里的人的一点实际建议我最后必须说这篇文章不是一份标准答案它更像我踩过足够多坑之后摸索出来的“筛选惯例”。大模型应用的创业世界里变量太多了政策环境在变模型能力在变用户在变甚至连“AI创业”这四个字的定义都在变。今天看来完美的判断标准也许过了半年就会失灵。不过有几条我始终不变一是坚持看业务是否真实二是坚持看团队是否长期主义三是坚持看数据是否诚实。我见过不少拿到不少投资但业务完全空转的团队也见过一些账上钱不多但产品打磨到令人佩服的小团队。后者在很长一段时间里可能不性感但往往能把自己的领域守得很稳。如果你看完这篇文章只带走一个判断习惯我希望是在一家AI创业公司聊了半小时之后你能不能准确地说出它到底帮谁省了多少钱、多赚了多少钱或者省了什么时间成本。如果这句话你一句都说不出来那就再等等、再看看。大模型应用是一个无比讲究“落地”的赛道能被验证的价值才值得你真正为之付出时间。
