如果一场对话是从一句「这个问题要是问得不好，那就是 Gemini 3 Pro 的锅；要是问得好，那一定是我 Prompt 写得不错」开场，那接下来不会是一场严肃到打哈欠的论坛。

这次在新加坡，非凡产研 CEO 吴畏，拉了三位风格完全不同的创业者坐在一起。

在模型与应用之间搭中间层高速公路的 CometAPI 创始人李京林，

在深度合成视频里把剪辑师和后期团队打包给 AI 的旷野群星 CEO 刘如山，

以及从智谱 COO 出走、现在在元理智能做数字劳动+企业级 Agent的张帆。

三个人一上来，就把一个问题谈得很穿：AI 时代真正的机会，根本不在大家举着手机追热点的地方。

一、机会在哪里？在所有人嫌弃的地方

如果用一句话概括张帆的观点：现在最稀缺的不是模型，而是有人愿意认真把模型变成生产力。

他给了两个数字，很扎心。

一边是供给侧：OpenAI 一家就已经有万亿级 Token 产出，接下来几年，在模型进步、芯片扩容、成本下降的叠加效应下，Token 产能再乘一千倍并不夸张。

另一边是需求侧：MIT 的研究显示，只有大约 5% 的 POC 真正落地，95% 都停在 Demo、汇报材料和情绪价值。

张帆说，以他在智谱两年多、几亿规模的 B 端服务体量来看，这个数字一点都不冤。

换句话说：模型这个电厂，已经建得够大了；真正缺的是，把电线拉进工厂、商场、流水线、客服中心、财务部的人。

于是他做了一个非常反主流的判断：现在一级、二级市场所有的资源，都在往生产端砸——更大的集群、更强的芯片、更猛的模型——但真正没被认真做的，是需求端：怎么让企业愿意长期买单。

这就是他口中的巨大鸿沟，也是他离开国内头部大模型公司、去做被很多人嫌弃的 To B 数字劳动力的底层原因。

听上去有点逆风操作，但如果你拉长时间轴，会发现每一轮技术革命，真正赚钱的，往往都不是站在镁光灯正中央的那拨人。

二、中间层：帮开发者省心快钱的人，其实在扛大梁

李京林做的，是一个很多人容易忽略，却极其关键的东西：模型聚合中间层。

他形容以前自己做 AI 应用时的痛点，非常具体，也非常真实。

你想接十几个模型试一试，每一家都要申请 API key、跑一遍 KYC、充值、对账；

每一家接口的参数都不一样，文档也各写各的风格；

你甚至还没想清楚最后要用哪个模型，就已经被前期调试磨掉了耐心。

所以 CometAPI 做的事很简单也很直接：统一一套兼容 OpenAI 的接口，把世界上你想得到的模型都接起来，让开发者一键切换测试。

今天想试 Claude，明天想对比 Gemini，后天想看看国产模型在视频、音频上的表现，一行配置就够了。

更现实的是，当你的 GMV 上去了，中间层还能帮你拿到比官方更低的折扣——因为它在模型侧的议价能力，比你一个个小开发者要强得多。

这听着有点像给开发者省心快钱，但真正有意思的是：站在中间层的位置，你能比任何人更早看到泡沫和趋势。

他说，他们的用户从俄罗斯、美国、日本、韩国到东南亚、非洲都有，每一次大模型的大升级，都会清洗掉一批投机型开发者。

有些站群工厂，抢注册各种某某AI.com域名，一页一个 Prompt，一键接 API，靠 SEO 捞一波快钱。

模型一迭代，或者新玩具上线，流量立刻腰斩。

产品本身没沉淀，只有热点和投放。

李京林给应用开发者的提醒挺狠：如果你做的只是对模型的补丁与缝缝补补，那你真正的竞争对手不是别的 App，而是下一版模型本身。

今天你依靠 Workflow 补齐了它不会做的东西，下一代它自己学会了，你就没了。

所以，从中间层的视角看机会，他给了一个关键提示：

真正长久的应用，一定是镶嵌在生产关系里的，像老一代的 SaaS 一样，成为企业日常工作不可替代的一环，而不是一个模型换代就被顺手带走的玩具。

三、深度合成：把两周剪一个视频，变成说一句话，AI 帮你干完

如果说李京林帮开发者接线，那刘如山就是把一条条复杂的视频生产流水线，塞进一个 All-in-one 的产品里。她上来先问了个简单问题：现场有多少人已经在用 AI做视频？几乎全场都举手，她笑着说：那你们都是我们的潜在客户。

她又问，你们觉得做 AI 视频痛苦吗？都在使劲点头。

大家为什么会点头？因为痛苦太真实了。你要做一条像样的视频，大概会经历这样一个流程：画面在这个模型里生成，人物在那个模型里调，配音再找一个模型，音效需要另一个工具，字幕怎么排版，素材上传下载格式反复转，从第一版到能交付，很可能要折腾好几天甚至两周。旷野群星把这一切简化到：说需求——我想要一个公司动员会的一分钟宣传片。系统自动帮你选模型、排 Workflow、生成画面、配配音、加音效、加字幕，做剪辑，最后给你一条可以直接上片场、上投放的商业级视频，如果对细节不满意，每个节点都可以调整，高度可控。从两周变成两个小时，从手工活变成自然语言驱动的 Deep Agent。

更有意思的是，旷野群星不是从 C 端做起，而是从最笨重的 B 端交付开始：先扎进上市公司，帮对方做整套 AI 视频矩阵；再给美国大品牌做广告片，把一条条 TVC和短视频真的交付；研发团队自己去做半年乙方，亲手感受创作者的疼点，然后再回头做产品，吃自家狗粮进行迭代。正因为这样，在技术路线选择上，反而更敢逆共识：当大家一窝蜂做基于GUI 交互的一句话生成视频，他们没有跟。理由很直白：那是玩具，不是为 AI 工作更方便而设计，更不能交付商用级视频。AI 真正要能干活，它需要线性、可控的工作流，要可控可调，就不能是完全黑盒。

所以你会看到，今天行业里刚刚开始流行画布工作流节点编排的时候，他们其实在年初就已经验证完这条路线，并且在实战里滚了一圈。刘如山的逻辑，简单粗暴又真诚：不跟随大众，走自己的路。从真实的痛点出发，提前半年走对方向，你就会发现别人以为是护城河的地方，其实已经变成雷区。

四、Agent、数字劳动与电力范式：AI 真正改变的是谁在付工资

聊到 Agent 和 To B，张帆的视角，就明显带着从模型那一端走出来的冷静。

他把 Agent 的演化分了几代，从最早的单点工具，到有简单规划的 Workflow，再到能自我规划、自我学习的 MemAgent，再往上，是接近 OpenAI 所说的 L1~L5 这种 AGI 能力等级。

他不太满意 Workflow 的原因很清楚：Workflow 能上手很快，但表达力有限，你不可能写一万条 Flow 来覆盖真实世界的复杂任务。

再往上一代把能力交给大模型虽然更自由，但可控性又是个大坑——它假设每个大脑都像牛顿，差别只是经验不同，而现实远比这脏乱差。

元理智能想做的，是再往前迈一步：让每一个具体环境，都拥有一个专属的最优 Agent，把行业 Know-how 和企业偏好，直接写进权重，而不只是塞进上下文。

这就引出了一个更大的命题：AI 的革命到底更像互联网，还是更像电力？

如果像互联网，那就意味着新的连接、新的市场、新的 90 后创业者、新的流量玩法。

但张帆给了一个完全不同的比喻：互联网解决的是信息连接，AI 解决的是生产力。电力发明之后，不是因为电本身赚了多少钱，而是因为电嵌入到了电梯、流水线、地铁、工厂，重新定义了城市形态、分工方式和管理理论。

对应到今天的 AI，他特别强调：真正重要的，不是我们能不能做出更大的模型，而是什么时候能在标普 500 和深证 300 的财报里，看见清晰的 AI 贡献。

这背后还有一个传统 To B 的痛点：软件年代，你卖一个 CRM，客户永远很难算清楚，你到底给他带来多少直接价值；于是愿不愿意付费，完全取决于预算、感情和拍脑袋。

但如果你把 AI 定义为数字劳动力，事情就很不一样了：企业今年全球劳动力支出是 64 万亿美金。

这些钱，本质上都是企业在为人类劳动力买单。

如果你现在告诉他，你现在有 500 个客服，我帮你用 450 个人的钱干完 500 个人的活，还敢对效果兜底，在经济下行周期里，这是极难被拒绝的 proposition。

这就是为什么他强调：未来真正的 To B，不是再卖一堆功能，而是卖一个可以计量的结果。

但结果付费也容易走偏——不是去分客户赚到的那笔钱，那会把你拖进无尽的博弈。

最健康的方式，反而像电一样：你用电炒股票赚了一万，电厂不用分钱；你一个月电费一百，也轮不到电厂替你出。电，只收一个合理的基础费，关键在于——只要它确实有用，你就会持续不断地用下去。

把 AI 当电，而不是当流量工具，这其实是元理智能在试图走的一条路。

五、一人公司与护城河幻觉：别把雷区当护城河

在这场对话里，有一段故事，应该可以写进AI 创业者必修课。

张帆讲了一个朋友的经历。这位朋友想做一个有护城河的 AI 产品，于是画了四层墙：先做一个很强的编辑器，再在编辑器里内置大量 Prompt 模版，然后去买 100 万个 PPT 模版，最后跟最大的版权库谈合作，把版权也握在自己手里。

听上去很像一套细致而严密的战略。结果 Midjourney 一上线，他发现整个逻辑被碾得稀碎：人家根本不需要编辑器，直接用 HTML 切网页表达力更强；Prompt 模版变成由模型自己推理，你是一个中学生，你应该这么解题；图片生成之后，版权问题也被重新定义。

等他好不容易反应过来，想再垒一层墙的时候，新的模型又把整套流程吃掉了。本来以为是护城河的地方，一觉醒来发现只剩下一圈雷区。

所以张帆对一人公司的热潮，其实是持保留意见的：如果你花两个月做出一个月入 200 美金的 App，听起来很爽，但要冷静想一下：可能 95% 的价值都来自模型，只有 5% 来自你。

那别人只需要付出你 5% 的努力，就能复刻一个一模一样的 App，而且可以来一百个。

久而久之，你就会发现一个现实：先发优势如果不能快速变成壁垒，它就只是一段漂亮的增长曲线截图。

他用一个比喻来收尾：今天的大模型，就像一片海。你觉得海水不够深、不够稳，就拼命在原地加高灯塔。但每隔半年，水位就上升一百米，灯塔再高也会被淹。真正该做的，是造一艘能浮起来的船——水涨，你也跟着涨。

对大多数创业者来说，船意味着什么？是你对具体行业的深入洞察，是你掌握的用户关系，是你的运营体系，是你敢于走非共识路线的勇气。这些东西，是模型一时半会儿替不掉的。

六、数字劳动会替代谁？理性一点，也浪漫一点

当吴畏把话题拉回Labor，问元理智能的数字 Labor 会不会替代掉人类的劳动力时，张帆的回答很干脆：一定会。

但他分了两个层次来说。

理性层面，他用的是5000 年前的人类和今天的人类的对比：5000 年前的人，脑容量和我们差不多；但今天一个人能带来的生产力，是几千年前人的数百倍甚至上千倍。

这种提升不是因为每个人都变成了 200 IQ，而是因为：我们发明了分工、组织和工具，把个体智能堆叠成了群体智能。

如果你把整个人类社会看成一个大型的 MoE（专家混合模型）：有人只研究算法，有人只做产品，有人专门负责供应链，有人深耕某一个细分行业。每个人都是一个专家节点，整个系统的智慧，远超任何一个单点。

未来的 AI，很可能也是这样：每个个体，会拥有一簇属于自己的 Agent；企业会拥有一整套数字劳动队伍；真正的差异，不是你用了哪个通用大模型，而是你怎么把它嵌进自己的分工系统里。感性层面，他的说法又非常互联网式：

今天大家都喜欢自嘲社畜牛马。如果我们真能把所有真正牛马的工作交给机器，留下那些更适合人的事——创造、判断、共情、叙事，那也许是 AI 时代最值得期待的一点点浪漫。

当然，这不会是一条平坦的路。对个人而言，最糟糕的状态，是既不愿面对岗位会被替代的现实，也没有主动去设计自己的新分工。

最好的状态，是坦诚地问自己一个问题：在未来这套人+Agent+数字劳动的系统里，我适合站在什么位置？我能贡献什么，是模型短时间内做不好的？

七、别急着找风口，先选好自己的坐标系

这场主题叫AI 时代的新机遇，但真正有价值的地方，不在于给你几个马上可以上手的创业点子，而在于帮你换了一套思考坐标系。

从李京林那里，你会意识到：别只盯着应用层的烟花，真正大钱往往藏在最无聊、最基础、最让开发者少掉几根头发的地方。

从刘如山那里，你会看到：真正的产品，不是用几个华丽的模型堆出来的，而是用半年、一年、一轮轮真实交付，帮用户把两周的痛苦压缩到两个小时的过程打磨出来的。

从张帆那里，你会被迫面对一个现实：AI 更像电力而不是互联网。它不是在帮你多弄几个新流量入口，而是在悄悄重写企业的成本结构和利润结构。

如果一定要用一句话来总结这场对话留给我的那种后劲，我会这样说：

在 AI 时代，真正的机遇从来不长在闪光灯打得最亮的地方，它们长在那些被嫌弃、被忽略、被视作太慢太难太 To B的缝隙里。能不能抓住它，不取决于你跑得多快，而取决于你敢不敢，先把自己放在一个不会被海水一次次淹没的位置上。

接下来几年，我们大概还会看到无数新的模型发布、参数上亿上万亿的新闻、一个又一个日入几千刀的一人公司截图刷屏。

但你真正需要反复问自己的，可能只有三个问题：

我是不是只是在给模型打补丁？

我做的东西，是跟着浪头起伏，还是能随着水位一起上升？

在这套人+Agent+数字劳动的新分工体系里，我究竟想成为哪一个节点？

如果你能把这三件事想明白，那么AI 时代的新机遇，可能已经悄悄站到你这边来了。

圆桌精选Q&A

Q1：各位嘉宾能否简要介绍一下自己和自己的公司，以及公司在 AI 领域的定位？

李京林:我们是做 CometAPI 的，专门针对海外市场提供一站式 API 大模型聚合平台。国外的类似产品是 OpenRouter。我们的聚合范围更广，除了语言模型，还包括视频、音频、音乐、Embedding、向量，几乎聚合了世界上所有主流的模型。我们服务全球的 AI 应用开发者，帮助他们更低成本地使用各种模型，包括 Anthropic Claude、GPT，以及中国优秀的国产大模型。我们的业务增长较快，大概一个月翻一倍。

刘如山：我们专注在 AI 视频落地这一块，属于应用层。我们致力于解决 AI 视频创作中的痛点，将所有模型集中起来。用户只需根据提示词，我们会自动推荐合适的模型，省去了用户切换和调试模型的工作，在画布中直接剪辑合成，不需要再去剪映手工操作。我们基于对未来的畅想，认为未来用户观看的视频是单独为他生成的，现阶段的产品无法支持这样的场景，所以我们必须做一个让AI 能工作的产品。Mulan.pro不仅聚合所有主流模型All-in-one，更能以线性的方式直接完成剪辑。6 月我们就已经实现在画布工作流中完成剪辑，自然语言驱动AI全自动搭建工作流，迭代这么久，发现目前我们仍然是世界唯一做到的产品。

张帆:我一直从事基础模型和商业产品的商业化工作，曾是智谱的 COO。元理智能的重点是解决模型到应用之间的巨大鸿沟。我们认为现有的 Agent 模式，从单点解决到 Workflow，再到自我规划（如 MetaGPT）都有局限性。我们希望构建下一代的 Agent，即对每一个环境构造一个自己的最优 Agent，其能力体现在 1 万亿参数的每个权重中。我们希望找到大一统的方式，真正把 AI 从基础智能转化为生产力，融入到物理世界。

Q2：李京林，你为什么选择在应用层和模型层之间做 CometAPI 这样一个中间层？

李京林（CometAPI CEO）:这是因为我自己做 AI 时发现了问题,。作为开发者，接入各种模型会面临很多痛点。你需要管理每家的 API key 和账单、与每家沟通合作。最大的痛点是调试时需要阅读和理解每家的文档，它们的接口和参数都不一样。在开发前期，工作量非常大，因为你需要选型。CometAPI 通过提供统一兼容的 OpenAI 接口，解决这些问题，实现一站式、一键式的测试和调用全球主流模型。此外，通过聚合，我们还能提供比官方更高的模型折扣。在 AI 时代，时间窗口很重要，我们能迅速上线最新模型（如 Gemini 3，在官方发布 20 分钟后就上线了），帮助开发者省心快钱。

Q3：张帆，你之前在智谱（国内模型化的领军公司）任职，为何选择离开，转向现在大家都很嫌弃的 2B方向？

张帆:我看到了模型到应用之间存在的巨大鸿沟。今天，所有的资源几乎都投在了生产端：更强的芯片、更大的集群、更强的模型。我们现在有 1 万亿 token 的产量，未来五年可能会多出 1000 倍。但是从需求端来看，MIT 的报告指出，今天的 POC（概念验证）只有 5% 在落地，95% 没有产生价值。大部分应用仍在提供情绪价值，集中在合同审核等边缘业务。如果 AI 不能被引导到核心业务，就无法消耗掉这 1000 倍的 Token。

我们认为，AI 的革命更像电力而不像互联网。互联网创造了连接和新的 Marketplace，但 AI 解决的是生产力问题。电力的革命是靠电嵌入物理世界所产生的。核心逻辑是，AI 必须体现在标普 500、深 300 等公司的财报上，真正带来基本面的提升，这才是扎实的,。我们不应该用模型公司的视角看问题，而是要用企业视角，将 AI 融入到物理世界中，带来更大的变革。传统的 SFT、人工标注数据和搭 Workflow 的方式无法解决这一问题，我们看到强化学习在商业环境中的应用可能带来曙光。

Q4：刘如山，AI 视频合成领域竞争激烈，大厂应用可能会替代或重构你们的工作。你们的差异化竞争力是什么？

刘如山：如果非要谈竞争力，我认为最大的点在于人，以及我们不跟随大众的做法，有自己的路。我作为公司的创始人（包括我在美国的 CEO，我的女儿和技术负责人一乐）都是非常不同、完完全全非共识的状态。

关注成果和效率：我们能将制作一个视频的时间从两周缩短到两个小时，并将普通人的制作水平提升到好莱坞大片的水平。

技术路线的选择：我们一开始就没有妥协选择 GUI路线，因为知道那是阶段性产物，我们认为对 AI 来说，生成过程应该是线性的。不从众很难，但我们挺过来了。

前瞻性的产品设计：我们在 1 月份就确定了画布工作流的路线，4 月出DEMO，6 月公开展示，不断迭代，而大厂直到 11 月份才开始反应过来。很多公司都是在跟风，但对我们来说，接下来技术发展每一步应该怎么走，我们都已经想得非常清晰了。

深入 B 端，解决痛点：我们非常踏实，在研发之前，先花了整整半年以上的时间，亲自做 AI 视频交付工作，服务上市公司和知名的美国公司。通过亲自做交付，我们的研发团队知道了创作者的痛苦点在哪里，然后从痛点出发找到了正确的方向去做。这样的流程在大厂是根本不可能实现的。

Q5：张帆，你提到创业的先发优势要转化成壁垒，模型含量不能太高也不能太低。你对当前市场上的一人公司热潮有什么看法？

张帆：我认为当前市场对一人公司有一些误导。如果一个人花两个月就能做出一个 100 美金的 App，那么这个产品中95% 的价值都是模型给你的。这意味着你只找到了一个点，别人也只需花 5% 的精力就能做出一个一模一样的。你的市场会被快速吃掉。做创业的先发优势必须转化成壁垒，今天的单人公司做 To C 是很难构建壁垒的。

此外，我认为 AI 的革命更像电力而不是互联网。互联网解决了连接效率，创造了新的 Marketplace。而AI 解决的是生产力。电力改变社会，是靠电嵌入物理世界所产生的（如电梯改变城市、流水线改变工作模式）,。AI 必须嵌入到标普 500 的基本财报中，才能带来真正的社会变革。如果创业公司做得太靠近模型，模型一升级你就没了；离模型太远又跟时代没关。所以必须拉出一个 Z 轴，让自己的模型含量既不能太高，也不要太低，找到模型主赛道的叠加。

Q6：数字 Labor 会不会替代人类的 Labor？被替代的人类 Labor 何去何从？

张帆：一定会替代，毫无疑问,。

从理性的角度来看，人类在过去 5000 年中脑容量没有太大变化，但生产能力提升了 1000 倍。这种提升不是因为每个人都有了一个 200 的大脑，而是因为带来了分工、工具，从个体智能变成了组织智能。今天的社会就像一个巨型 MoE（混合专家模型）。未来，模型会吞噬掉大量的工作，就像我们今天不会去争论汽车是否会出现一样。

从感性的角度来看，我们应该让真正牛马的工作都让机器干掉。我们应该追求那些更适合人来做的事，让人变得更加聚焦，做更快乐的事。

预测时间点：我认为 AI 真的替我们完成工作，实现大规模替代，可能只需六个月。这个速度可能比大家想得快。

Q7：各位嘉宾认为未来公司主要的商业模式和获利途径会是怎样的？

张帆：我认为从来不是说 To B 不好干，只是软件 To B 不好干。企业总是愿意为能够带来显性价值的产品买单。如果我们将 AI 转变成为一个劳动力市场，它更像广告业。如果你的服务能让客户赚更多钱（比如投入两块赚到七块），市场就不难收费。

关键在于如何把服务变成一个显性可量的结果。我们应该把自己当成电。客户使用电赚了钱，不用跟我们分，但只要他们有用，就会源源不断地消耗。我们应该只收一个最低的电费，把使用成本下压，同时让它得到更好的直接的业务结果。

李京林：在海外市场，商业模式相对成熟，用户很愿意付费。AI 解决的是生产力问题，相当于工业革命提高了生产效率，但生产关系没有变化。我认为未来做 AI 应用很大的一个方向是不可替代性，即那些即使模型不断迭代也难以被淘汰的产品。例如老的 SaaS 产品，它们渗透在我们工作生活的每一个环节，更注重生产力、工作协同、生产关系这一层的环节。AI 模型只会补全你的能力，不能替代你的整个角度。

刘如山：我们的商业模式有以下几种：

C 端充值：提供 20 美元和 50 美元两种充值（针对 C 端用户）。

模版收费：会有很多人上传模版，最终变成收费的模型，满足长尾需求。

API 授权：我们将 API 接口给其他客户，协助他们使用产品，他们用自己的品牌去销售，不会体现是我们家的东西.

企业交付：直接向企业交付产品。

我们自己比较喜欢做模版的生意，因为它更像开源社区，从某种角度来说，更能抵御大厂的竞争。