<blockquote><p>在第五届 BEYOND 国际科技创新博览会上，阿里云创始人王坚发表了主旨演讲，探讨了人工智能、大模型以及太空计算的未来。他提出了计算的本质是解决问题的逻辑，强调了“计算能力延伸”的重要性，并分享了“三体计算星座”项目，展望了太空计算在深空探测等领域的应用。</p> </blockquote>  5 月 21 日，第五届 BEYOND 国际科技创新博览会（BEYOND EXPO）在澳门开幕。 作为大会的重磅环节之一，主办方特别邀请浙江实验室主任、阿里云创始人王坚博士发表主旨演讲。他以《计算与无尽的探索》为题，分享了自己在人工智能、太空计算等领域的思考与实践，为现场观众带来了极具前瞻性的洞见。 阿里云创始人、中国工程院院士王坚以跨学科视角，串联技术史与未来趋势，提出四大核心命题：计算、人工智能、卫星与太空。系统回顾了技术发展的演进，并分享了自己对空间计算未来的设想与实践。  ## 1）计算的本质：从图灵到「人机共生」 图灵 1950 年提出「数字计算机」概念时，「计算机」指代人类而非机器，其逻辑是「人 + 纸笔 = 通用计算工具」。从最早的人类计算机，到人工智能的诞生，再到空间科技的兴起，“计算”始终是推动技术前沿的核心力量。他强调：**“计算本身就是目的，它是一种解决问题的逻辑。**” 当下云计算、空间计算的本质并非载体（如服务器或卫星）革新，而是 「计算能力延伸」。浙江实验室的 「三体计算星座」 项目将百亿亿次算力（ 1000PB ）部署于卫星，通过激光通信（ 200Gbps ）实现太空互联，突破传统卫星仅与地面交互的限制。未来该技术将服务于如深空观测、地球监测等应用。他特别提到，9 个月前发射的 12 颗卫星已实现 3000 公里范围内的稳定通信，可处理深空任务（如 L5 拉格朗日点太阳监测），推动「太空互联网」概念落地标志着空间AI基础设施的初步可行。  王坚强调，空间计算的核心不是造卫星，而是把“计算能力”嵌入卫星，让每一颗卫星成为“太空节点”，构建一个真正分布式的超算平台。他提倡开放协作的模式——“任何人都可以贡献一颗卫星”，共同参与计算星座的建设。 ## 2）AI 临界点：从工具到「未知场景创造者」AI 发展已进入 「能力发现」阶段。 王坚以 ChatGPT 为例，指出其代码生成能力超出早期预期，证明应用场景的想象力比技术参数更重要。国内大模型（如阿里云千问、Deepseek）不必纠结「AGI」定义，但真正的突破将来自我们对模型潜力的发现而需关注 ，「基础模型 + 垂直场景」 的化学反应。他警告：「用传统思维限制 AI（如『不能做什么』）将错失创新机会。」  ## 3）太空计算：开放生态 vs 巨头垄断 对比 SpaceX 的集中式星座，王坚主张 「开放卫星网络」 ——任何参与者可贡献算力卫星，形成分布式协作。这一模式需打破航天、IT、国际协作的壁垒，例如推动多国卫星标准互通。将计算嵌入深空探测，使火星探索等任务依赖「太空计算机」而非地球指令，实现 「机器为先驱，人类为后继」 的探索路径。4）创新者信条：跨界思维与不确定性管理王坚强调其学术背景（工程心理学）的核心价值是 「以人为中心」 的技术观。他举例称，人机交互（HCI）本质是心理学与计算机科学的融合，而 OpenAI 联合创始人 Ilya Sutskever 同样受心理学启发。「颠覆性技术必然经历不被理解的阶段，正如半导体在 30 年后才成为核心产业。」他建议创业者 「相信方向而非短期认可」 ，并以 SpaceX 早期失败为例，论证「承受不确定性」是创新的必修课。 ## 现场观众Q&amp;A ### AI领域会是年轻人的天下吗？ 这个问题其实不需要问——未来一定属于年轻人。我发起“ 20:50 ”活动时就说过，世界会把最困难的问题留给年轻人解决，因为前人解决的都是相对简单的问题。 技术颠覆是必然的，但何时发生难以预测。比如 Jeff Hinton（人工智能领域先驱）曾说：“如果谷歌那 8 个人没写‘ Attention is all you need ’，这项技术两年内也会出现。”技术发展有其内在逻辑，不会因某个人而停滞。Hinton 还说：“颠覆 Transformer 的技术一定会出现，但我不知道是什么。”这提醒我们要敬畏技术，保持开放。 像Deepseek、宇树科技这些公司的崛起，证明了小企业也能创造奇迹。人们曾认为AI颠覆只能由大公司推动，但现实是，不被看好的小团队反而可能突破——这就像在澳门做科技展，看似不可能，反而孕育机会。 ### 国内大模型离真正的AGI还有多远？最大困难是什么？ 我不太喜欢“ AGI ”这个概念，因为“ AI ”本身已经足够包容。如果一定要回答，我认为 AI 将以超出我们想象的速度发展，未来 5 年、10 年、50 年都是如此。 当前的大模型能力远超人们预期。比如 OpenAI 在推出 ChatGPT 前，尝试了多个 GPT 模型，最终发现只有 ChatGPT 能产生颠覆性影响。这说明，应用创新的关键在于“发现模型的能力”，而非纠结于“是否达到 AGI ”。 现在很多人用传统思维要求 AI，比如“ AI 不能做这个、不能做那个”，但实际上，AI 能做的很多事情是人类尚未意识到的。就像 ChatGPT 刚推出时，人们惊讶于它写代码的能力，而这只是其潜力的冰山一角。我鼓励大家多关注应用场景，少争论概念——当基础模型能力足够强（如 GPT4 、阿里云千问、Deepseek 等），真正的突破往往来自意想不到的应用场景。 ### 三体计算星座的研究目的是什么？在您看来，计算过程（ Computer Process）和最终目标（ Purpose ）哪个更重要？ 先回答第二个问题：计算本身就是目的。计算机（ Computer ）这个词曾指代“从事计算的人”，后来才成为机器的名称。但本质上，计算是一种思维方式，就像汽车和飞机都是交通工具，但载体不同。我们今天谈“云计算”“空间计算”，核心都是利用不同载体实现计算能力的延伸。 CS（计算机科学）或许更该叫“ Computing Science ”（计算科学），因为“计算机”这个词容易让人局限于机器，而计算的本质是解决问题的逻辑——这需要数学、心理学、工程学等多学科融合。比如你学的“人机交互”（ HCI ），看似属于计算机领域，实则与心理学密切相关——当年 Jeff Hinton找工作时曾被心理学系拒绝，最终在计算机系取得突破，这说明学科边界本就该打破。 回到三体计算星座的目的：我们不是为了造卫星，而是要在太空中构建计算网络。传统卫星只能与地面通信，而我们希望卫星之间能通过激光互联，形成“太空计算机”。这就像把互联网搬到太空，让计算能力摆脱地球限制，最终服务于深空探测、实时地球观测等场景。 比如探测太阳 L5 点（距地球 150 万公里）需要卫星协同计算，传统技术无法实现，而空间计算能突破这个瓶颈. 本文由人人都是产品经理作者【有新Newin】，微信公众号：【有新Newin】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。

当科技创新跑不赢霸总狼人，互联网赛道或许要反思。

<blockquote><p>文章深度剖析了Lovable公司，其在短短6个月内实现了5000万美元的年收入（ARR），团队规模仅18人。通过其AI驱动的应用程序构建平台，Lovable让非技术背景的用户也能创建功能性软件，如电商网站等。文章详细拆解了其增长方法论，包括市场定位、社区运营、技术优势及商业模式。</p> </blockquote>  最近几个月来，我一直在关注AI领域的各种创新，尤其是那些改变软件开发方式的工具。但说实话，很少有产品让我像Lovable这样感到既震惊又兴奋。试想一下，一家公司仅用6个月时间就达到5000万美元年收入，团队规模仅18人，这几乎是创业界的神话。创始人Anton Osika在Twitter上低调地说：”Lovable刚刚在6个月内达到了5000万美元ARR，但团队中没有人提起这件事。因为这些数字并不重要。我们专注于真正重要的事情：打造最令人喜爱的产品。”  这种增长速度太不可思议了。他们在最初的4周内就达到了400万美元ARR，60天内达到1000万美元ARR，90天内达到1700万美元ARR，120天内达到3000万美元ARR，现在半年内已经5000万美元ARR。每周新增200万美元ARR，每天创建25,000个新应用，已有超过80,000名付费客户。  这不仅让我好奇Lovable到底是什么，更让我思考它背后隐藏的增长方法论。这种增长不可能仅仅是巧合或运气，一定有其深层次的原因和可复制的模式。我花了一些时间深入研究Lovable的故事，今天想分享我的发现和思考。 ## Lovable是什么：真正理解它的本质 表面上看，Lovable是一个AI驱动的应用程序构建平台，让用户通过自然语言提示创建web应用。但这种描述过于简化了它的革命性。 在我看来，Lovable真正的本质是一个完全重构软件创建流程的工具。它不只是为开发者服务的AI助手，而是让任何人——无论技术背景如何——都能成为创造者的平台。这种定位的微妙但关键的区别，决定了它的市场和增长轨迹。 具体来说，Lovable允许用户通过简单的文本描述创建完整的功能性软件。你只需告诉它：”我想要一个电子商务网站，包含产品目录、购物车和支付功能”，几分钟内你就会得到一个完整的、可运行的应用程序。这不是原型，而是可以立即部署使用的软件。 Lovable的发展路径很有趣。它最初是Anton Osika在2023年中创建的一个名为GPT Engineer的开源项目。这个简单的工具在GitHub上迅速获得了超过50,000颗星，证明了市场对AI编码的强烈需求。然而，这个早期版本还相对粗糙，主要针对有技术背景的用户。  随后，团队尝试了两次失败的发布。根据Anton的说法，第一次尝试是在2024年4月，推出了gptengineer.app，但产品还不够好，AI代码生成器对于复杂应用仍然不够可靠。六个月后的第二次尝试也未能取得突破。核心问题是可靠性——用户需要一个能构建真实、可扩展应用的AI，而不仅仅是玩具。 经过几个月的迭代和改进，团队终于在2024年11月21日将产品重新定位为Lovable，并在Product Hunt上推出。这次尝试终于找到了市场契合点，增长开始爆发。  技术上，Lovable的差异化在于其专注的技术栈和对用户体验的执着追求。不同于试图支持所有技术的竞争对手，Lovable采取了”窄而深”的策略，专注于特定技术栈(@vite, @bun, @shadcn, @supabase, @stripe, @resend等)。正如他们所说，”约束孕育创新”——这种专注让他们能够提供更高质量、更可靠的结果。 他们的技术创新之一是”视觉编辑”功能，一种在浏览器中实时编辑生成代码的方式。通过”浏览器内AST”方法实现零秒重建等待时间：点击DOM → 在客户端重写AST → 通过HMR即时反映。这解决了代码生成中常见的”最后一英里”问题。 使用体验上，Lovable真正区别于其他AI编码工具的是完整性——它不只是生成代码片段，而是创建可立即部署的完整应用，用户只需描述想要什么，而不必关心如何实现，这就给了用户极强的Aha Moment。 ## Lovable的专业化定位：不只是为了普通用户 看到Lovable的增长数据，很多人可能会以为它是一个面向普通大众的工具。但通过深入研究，我发现Lovable实际上正在向专业用户市场迭代发展，这是它成功的关键因素之一。 观察Lovable官网列出的四类目标用户——创始人、产品经理、设计师和开发者，不难发现这些都是典型的专业用户群体。特别是针对设计师的定位非常有趣，这表明Lovable并不仅仅满足于让普通人创建简单应用，而是希望成为专业创作者的强大工具。 2025年2月，Lovable推出的Visual Edits功能更进一步验证了这一策略。这个功能允许用户直接在生成的页面上进行可视化修改，无需重新输入提示或编辑代码。这种增强的可控性和精细调整能力，正是专业用户所看重的。  我一直在观察Lovable的营销策略，发现他们最近主要在瞄准Webflow的用户市场。这一点很有意思——Webflow是上一个”拖拉拽”时代无代码工具的典范，它的ARR已经超过1亿美元，主要用户也是设计师这类专业人群。 Lovable明显是希望定位自己为AI新时代的Webflow，将那些习惯于高度可控、精细设计工具的专业用户吸引过来。这个定位比简单的”任何人都能创建软件”更加聚焦和有力，因为它瞄准了一个已经被证明愿意为工具付费的市场。 这种专业化定位的策略很聪明。虽然”民主化软件创建”是一个吸引人的愿景，但真正能产生持续收入的往往是那些依赖工具创造价值的专业用户。通过为这些用户提供更高效的工作方式，Lovable找到了快速增长的路径。 ## Lovable的增长方法论：拆解爆炸式增长背后的秘密 研究Lovable的增长故事，我发现它的成功并非偶然，而是一套精心设计、层层递进的增长系统。这套系统有几个关键组成部分： **完美的市场时机和定位** Lovable出现在了关键的历史节点。生成式AI刚刚开始改变人们与技术的交互方式，但大多数AI编码工具仍然面向开发者。Lovable独特地看到了更广阔的机会——不是帮助开发者更快编码，而是让非开发者也能创建软件。 这种定位太聪明了。他们没有进入拥挤的”AI辅助编码”市场与GitHub Copilot、Replit等巨头竞争，而是开创了一个全新的细分市场：面向设计师和产品人员的AI软件创建。这让他们能够满足一个巨大的、未被满足的需求——那些有想法但没有深厚技术能力的专业人士。 正如Y Combinator的CEO Garry Tan所说：”这实际上是编码的主导方式，如果你不这样做，你可能会被落下。”Lovable完美地定位于这个新兴市场的前沿。 **从社区到产品的转化路径** Lovable的增长战略始于GPT Engineer开源项目，这个战略很精妙。开源项目为他们带来了三个核心资产：早期用户群、产品验证和市场认知。  当他们从开源工具转型为商业产品时，已经拥有了一群热情的早期采用者和广泛的口碑。这减少了获客成本，加速了增长周期。我认为这种”先社区后产品”的模式在AI时代特别有效，因为它建立了信任并验证了市场需求，而不需要大量营销支出。 值得注意的是，即使在经历两次失败的发布后，团队仍然没有放弃。他们不断迭代产品，专注于解决关键问题——如处理大型代码库和提高可靠性。这种韧性和持续学习的能力可能是许多创业公司所缺乏的。 **零摩擦入门与即时价值传递** 我尝试了Lovable，最令我印象深刻的是其无与伦比的入门体验。访问网站后，你立即看到一个提示框，没有强制注册，没有复杂教程，只有直接的产品体验。 Lovable完全跳过了传统的登陆页面——新访客不会看到长篇的产品介绍，而是直接面对一个空白的提示框，随时可以输入。这种无摩擦的入门体验让用户可以立即体验产品的魔力，而不是被营销语言所困扰。 更关键的是即时的价值传递——你输入描述，几分钟内就得到一个工作的应用程序。这种即时满足感创造了强大的”啊哈时刻”，推动了高转化率。用户不需要相信营销承诺，他们可以立即亲眼看到产品的魔力。 这种体验设计遵循了一个我认为在产品设计中极为重要但常被忽视的原则：减少价值实现的时间(Time to Value)。Lovable将这个时间从传统的数周缩短到了数分钟。 **用户驱动的病毒式增长引擎** Lovable的增长引擎有一个独特之处：用户不仅是产品的消费者，还自然成为了产品的推广者。每个用户创建的应用程序都可以在网上分享，成为活生生的产品演示。 更妙的是，他们创建了”Lovable Launched”平台，一个专门展示用户创建产品的地方。这个平台巧妙地将用户的自我表达欲望与产品推广结合起来，每个新项目都成为潜在的病毒式传播源。  根据数据，仅在2025年3月9日这一周，就有291人通过Lovable Launched发布了网站。而实际构建的应用数量可能更多。为了鼓励用户在平台上展示他们的作品，Lovable提供了100个Lovable积分作为激励。 一个非常聪明的举措是每个展示的应用都有一个”用Lovable编辑”按钮，点击后会带领访客直接进入Lovable，看到应用是如何构建的。这既是一种教育方式，也是一个强大的转化路径。 他们甚至推出了Linkable，一个即时个人网站生成器。用户只需填写LinkedIn URL和电子邮件地址，就能获得一个免费的个人网站。虽然这些网站不一定完美，但它们看起来相当专业，而且最重要的是，生成速度极快。这个简单的工具在一周内，仅靠一条推特就吸引了20,000个网站生成。  这种策略的天才之处在于利用了”炫耀效应”——人们天生喜欢展示自己的创造。每当用户在社交媒体上分享”看我用Lovable创建的应用”，就等于进行了一次真实、高可信度的产品背书。  **经济价值创造与留存闭环** Lovable的商业模式有一个强大的特性：它帮助用户创造经济价值。当用户用Lovable创建应用并开始赚钱时，产品的价值变得显而易见，付费就成为自然选择。  这种帮助用户赚钱的能力创造了非凡的留存率：据报道高达85%的付费用户一个月留存率，甚至高于ChatGPT。我相信这是因为Lovable不只是一个工具，而是一个收入来源，一旦用户体验到这种价值，就很难离开。 这种价值循环可以概括为：用户输入提示 → AI立即构建工作产品 → 用户快速发布并开始赚钱 → 用户继续使用并付费。这是一个自我强化的循环，每一步都增强下一步的可能性。  Lovable的商业模式采用了混合定价策略，基本订阅起价每月20美元，同时设有使用限制。这个价格点足够低，让个人创作者尝试，同时又为高度活跃的用户提供了升级动力。Anton提到，他们最初”在超级活跃用户身上亏了一大笔钱”，后来调整了定价以确保在用户达到使用配额上限时至少能获得小额利润。 **小团队的极致执行力** 也许最令人惊讶的是Lovable的团队规模：仅18人创造了5000万美元ARR，这意味着每位员工创造了近280万美元的收入，是典型SaaS公司的10倍以上。 据Anton透露，团队中约有10人写代码，几人负责运营，只有3人负责增长（一名社区负责人、一名增长工程师和一名内容创作者）。没有销售团队，尽管他们正在招聘一名负责机构合作的人（销售和客户成功的结合）。  关于他们的招聘哲学，Anton强调：”我们相信雇佣有很强主动性的人和非常专注于技术的人才。团队中大多数人都是前创始人。”这种策略减少了管理层次，创造了更扁平、更敏捷的组织结构。 Lovable团队的工作方式也很独特。Anton采用了一种”什么都尝试”的方法——快速启动各种项目，学习什么有效，而不是过度分析或长期规划。正如他所说：”我们尝试了很多不同的事情。它们没有伤害我们。你做的事情越多，你就越快地学习什么有效。” 这种精简结构和试验文化减少了协调成本，提高了决策速度。我认为Lovable的团队策略揭示了AI时代的一个关键真相：小型、高度自主的团队借助AI工具，可以实现以前只有大型组织才能达到的影响力和规模。 ## Lovable的技术魔力：AI自动化和解决瓶颈 深入研究Lovable的技术实现，我发现他们解决了几个AI代码生成的关键瓶颈，这可能是他们能够从竞争中脱颖而出的核心原因。 **解决AI”卡住”的突破性进展** 根据多个来源，Lovable团队发现了让AI”自我解脱”的突破性方法——允许AI持续改进并修复自己的错误。这解决了大多数AI编码工具面临的一个关键问题：当项目变得复杂时，AI常常会卡住或产生错误。 具体来说，Lovable半自动化了识别和解决网络应用开发中常见LLM错误的过程。通过微调系统，他们确保LLM知识的局限性不会决定最终产品的质量。这种方法大大减少了错误，使扩展变得更简单、更可靠。 **专注技术栈的优势** 与试图支持所有可能技术的工具不同，Lovable采取了更专注的方法。他们在Lovable上构建的项目使用特定技术栈，这些技术栈经过优化，可以无缝地用于各种用例。这种专业化确保了更好的性能、稳定性和更流畅的开发体验。 这种”窄而深”的策略在早期资源有限的情况下特别有效。通过专注于特定技术（如Supabase集成），他们能够提供比”宽而浅”方法更深入的支持。 **Agentic RAG的可扩展性** Lovable使用基于检索增强生成(RAG)的可扩展AI系统，该系统在大型代码库上的表现与在小型代码库上一样出色。这使开发者能够处理雄心勃勃的项目，而不会在中途遇到障碍——这是困扰许多竞争平台的问题。 通过确保开发者能够将项目进行到底，他们赋予用户持续交付结果的能力。这解决了许多AI编码工具的常见问题——能够生成简单代码，但在复杂项目上失败。 **可视化编辑与即时反馈** 2025年2月，Lovable推出了”视觉编辑”功能——一个类似Figma的浏览器内编辑器，允许对生成的代码进行可视化修改。这解决了代码生成后进行”最后微调”的常见挑战，大大增强了用户体验。 这一功能尤其迎合了设计师群体的需求。设计师通常对视觉细节有极高的要求，传统的AI代码生成往往难以满足这种精确控制的需求。通过视觉编辑功能，Lovable让设计师能够在保持AI效率的同时，获得与Webflow类似的可控性，这是一个非常聪明的产品决策。 技术上，他们通过”浏览器内AST”方法实现了零秒重建等待时间：点击DOM → 在客户端重写AST → 通过HMR即时反映。这消除了”最终调整”的摩擦，这是代码生成工具的常见挑战。 这代表了行业趋势，如Vercel、Replit和StackBlitz等平台都在投资实时浏览器开发环境。从提示中几分钟内可部署并可视化编辑的应用程序正在成为AI时代开发者体验的新标准。 **后端问题的一键式解决方案** Lovable还巧妙地解决了初学者不可避免会遇到的”后端问题”，通过一键式处理认证、数据库和存储。用户只需点击一下，就能设置完整的后端功能，如登录系统、数据库和文件存储。 这种无缝集成减少了学习曲线，让不熟悉后端开发的用户也能创建功能完整的应用程序。我认为这是Lovable能够吸引设计师和产品经理等非纯技术用户的关键因素之一。 **扩展法则——用AI解决复杂性** Lovable的一个关键技术发现是所谓的”扩展法则”：更多努力直接改善产品质量。他们通过快速迭代和用户反馈，不断测量和解决AI编码问题。  这种方法让他们能够持续提高AI代码生成的质量和可靠性，而不仅仅是依赖更大的模型或更多的计算能力。这是一种智能资源分配方式，确保每一次改进都直接转化为更好的用户体验。 ## 思考：为什么Lovable能以如此速度增长？ 深入研究Lovable的故事后，我不断思考一个问题：为什么是它？为什么在众多AI工具中，Lovable能够创造这样的奇迹？我认为这涉及几个深层次原因： **它解决了一个真正的百万美元问题** 软件开发的复杂性和高成本长期以来一直是一个巨大的市场痛点。在Lovable之前，如果你不会编程又负担不起开发团队，那么你的软件创意基本上就是空想。Lovable直接解决了这个价值数十亿美元的问题，将软件创建民主化。 然而，Lovable并不是简单地让”任何人都能编码”——这种宽泛的定位往往难以实现真正的市场渗透。相反，它专注于那些已经在创造数字产品的专业人士——设计师、产品经理、创始人——这些人已经理解软件价值，但被技术障碍所限制。 根据Anton在访谈中的描述，使用Lovable的非技术人员可以在短短一天内完成过去需要花费数月和数十万美元的项目。比如，一位设计师的客户抱怨一个小项目需要花费数十万美元，而这位设计师使用Lovable在一天内就完成了第一版，立即获得了客户的认可和付费。  还有一个20岁的大学生，仅通过提示，没有写一行代码，就建立了一个AI应用，并筹集了50万美元资金。 我思考过很多创业公司的成功，发现那些爆发式增长的产品往往不是创造新需求，而是以革命性方式满足长期存在但未被满足的需求。Lovable就是这样—它并没有说服人们他们需要软件，而是让已经渴望创建软件的人能够轻松做到这一点。 **需求与供给的完美时机同步** 市场时机的重要性常被低估。Lovable诞生于一个特殊的历史节点：AI技术刚好成熟到能够可靠地生成工作代码，社会认知也刚好接受AI创建软件的概念，而市场上还没有成熟的解决方案。 正如Vibe Coding这个概念的兴起所示，我们正处于编码方式转变的边缘。Y Combinator CEO Garry Tan的说法很有说服力：”这实际上是编码的主导方式，如果你不这样做，你可能会被落下。”  更巧妙的是，Lovable打造了AI时代的”Webflow”定位，这一定位与市场成熟度完美同步。设计师和产品专业人士已经接受了Webflow这样的无代码工具，而Lovable提供了下一代体验——更快、更智能、但仍然保持可控性。这大大降低了市场教育成本，加速了采用速度。 我常想，如果Lovable早两年推出，技术可能还不够成熟；如果晚两年，市场可能已被巨头占领。这种技术成熟度、市场认知和竞争环境的完美同步，创造了独特的机会窗口。 **从工具到平台的战略转型** 观察Lovable的发展，我注意到一个关键转变：从GPT Engineer这个针对开发者的工具，到Lovable这个面向设计师和产品人员的软件创建平台。这不只是简单的重新命名或界面改进，而是对产品本质和价值主张的根本重新构想。 在访谈中，Anton提到了这一重要认识：”虽然GPT Engineer很强大，但它仍然需要开发者理解和使用它。受众仍然有限。如果任何人，甚至非技术人员，都能建立一个应用程序呢？” 这种重新定位极大地扩展了目标受众，从开发者扩展到创始人、产品设计师和营销人员。Lovable不再只是一个AI驱动的编码工具，而是一个专业创作者可以使用的全栈AI软件构建器。  特别值得注意的是，Lovable并没有试图成为通用的AI应用构建器，而是特别关注那些与Webflow重叠的用户——设计师、产品专业人士、创意代理机构。这种聚焦让他们能够打造真正专业级的产品体验，而不是面面俱到但处处不精。 这让我思考平台思维的力量。工具解决特定问题，平台创造新可能性。Lovable不再仅仅是一个代码生成器，而是一个创意表达和价值创造的平台，这种定位扩大了它的潜在市场和增长上限。 **新范式下的增长法则转变** Lovable的成功挑战了SaaS增长的传统法则。它没有庞大的销售团队，没有花费数百万美元的广告预算，也没有复杂的增长黑客策略。相反，它的增长来自产品本身的卓越和社区的自然扩张。 据报道，Lovable在增长过程中只花费了约200万美元，这在传统上通常需要花费数千万美元才能达到类似ARR水平。这种资本效率令人难以置信。 这让我反思AI时代的增长公式。可能我们正在见证一种新的增长范式：不再是通过推广获取用户，而是创造如此引人注目的产品体验，以至于用户自发地成为传播者。在这种范式下，产品设计和社区建设可能比传统营销更重要。 Lovable也是很典型的“Build In Public”的产品，创始人在社交媒体上非常活跃，并且非常会抓住社媒上用户的心理和爆点。除了常规的蹭热点之外，他还多次把自己放在小公司“弱者”的位置上，塑造自己跟大公司“强者”对弈的挑战者形象，比如之前跟Figma的争端，还有最近跟Replit的争端，从而激起大家“挑战强权”的心理来进一步引发话题。 根据创始人自己的分享，他们在早期三个月主要的增长渠道和方式如下： - Product Hunt launches - Social media - Hackathons - Competitions - A builder hall of fame - A Product Hunt clone for Lovable products - An instant website builder - Partnership program for agencies - Website improvements - Figma import feature - Affiliate program - Referral program - Company blog content  ## 对AI时代创业和产品的更广泛思考 Lovable的成功故事不仅是关于一家公司，它还提供了对AI时代产品开发和创业的深刻洞见： 产品开发的瓶颈正在转移 传统上，软件开发的主要瓶颈是技术执行—找到工程师，写代码，修复bug。但在Lovable的新范式中，执行不再是主要障碍。相反，限制因素变成了想法的质量、产品品味和用户体验设计。 这意味着，未来的竞争优势可能不是谁能更好地编码，而是谁能更好地构思和设计。软技能如沟通清晰、理解用户、表达创意的能力可能变得比硬技能更重要。 AI时代的团队构建需要重新思考 Lovable的小团队高效率让我重新思考团队构建。在AI辅助的环境中，我们可能不再需要大型专业化团队，而是需要小型、多学科的高自主性团队。 这种团队可能更强调通才而非专才，更看重创意思维而非执行技能。招聘中，经验和专业知识可能不如学习能力、适应性和创意思维重要。 社区驱动的产品开发新模式 Lovable的故事表明，在AI时代，社区可能成为产品开发的核心驱动力。从开源项目开始，听取社区反馈，让用户参与产品塑造，这种模式可能比传统的封闭式开发更有效。 我认为这代表了从”为用户构建”到”与用户一起构建”的转变。最成功的AI产品可能是那些能够创建活跃社区，并持续从中学习和适应的产品。 产品主导增长的回归 在过去几年，随着获客成本上升，许多公司转向以销售主导的增长模式。但Lovable的成功表明，产品主导增长可能在AI时代重新崛起。当产品能够提供如此显著的价值，并创造如此强烈的”啊哈时刻”时，传统营销的作用可能会减弱。 这启示我们重新关注产品体验和用户价值，而不是获客技巧。最好的增长策略可能是创造一个如此出色的产品，以至于用户迫不及待地想告诉他人。 从价值捕获到价值创造的思维转变 最后，也许最深刻的是，Lovable的模式代表了从价值捕获到价值创造的思维转变。不是尝试从现有价值中获取更大份额，而是扩大整体价值池——让更多人能够创造软件，从而创造新价值。 这种思维方式可能是AI时代最成功企业的核心特征——不仅仅是替代现有工作，而是使新的价值创造成为可能，赋予人们以前无法获得的能力。 Lovable的故事仍在继续，它将如何维持这种增长，如何应对竞争，如何扩展到新市场，这些都是开放的问题。但无论如何，它已经为AI时代的产品开发和增长树立了一个令人瞩目的标杆，值得每一个创业者和产品人深入思考。‍ 本文由人人都是产品经理作者【深思圈】，微信公众号：【深思圈】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。

**全球首艘自航式水体自然交换型养殖工船“湾区伶仃”号在广东江门成功下水。**“湾区伶仃”号深海养殖工船规模宏大，总长155.8米，型宽44米，型深24米，最大吃水深度达20米。 与一般的渔船不同的是，“湾区伶仃”号水下部分并非封闭结构，而是由15根方形立柱，拼砌成一个“水下宫殿”。通过挂设渔网，隔出12个独立的养殖舱室，可同时开展多种鱼苗养殖，极大地丰富养殖类型。 [](//img1.mydrivers.com/img/20250527/e921edd8c8b546bca2ffc6bd1fe155cd.png) 整船拥有近8万立方米的养殖空间，水量相当于32个标准游泳池，为鱼儿提供了广阔的自由游动空间，提升鱼苗活力和鱼肉品质。**“湾区伶仃”号可年产5000吨鱼，是大湾区实现“吃鱼自由”的重要来源。** “湾区伶仃”号采用了先进的全电推进系统，拥有20千瓦的风力发电系统，能够满足静态养殖时的用电需求，助力船舶行业绿色发展。 **该船还拥有两台3600千瓦的舵桨机，就像有了一双有力的“鱼鳍”，3.8米直径的桨叶能够让她自由遨游于湾区海洋。** 此外，“湾区伶仃”号搭载了高精度的GPS、北斗星导航定位系统，可实时报告航行水域的位置，为养殖人员作提醒。 [](//img1.mydrivers.com/img/20250527/643e9d33d6f74566b2528f8681875f7d.png) [查看评论](https://m.cnbeta.com.tw/comment/1502608.htm)

近期，美国政府的频频施压已经对哈佛大学的财务状况造成影响。**由于预算紧张，哈佛校长已表示自愿减薪25%**。哈佛多个特别委员会正在研究维持科研项目运转的方式，哈佛公共卫生学院已实施裁员，并削减了研究生招生人数，此外还压缩了如打印、餐饮等日常开支。 目前，美国有多所高校都就哈佛事件发声。**哈佛校方表示，即使赢得诉讼，相关资金也难全面恢复。** 据了解，连日来，随着美国政府与哈佛大学争端持续，恐慌情绪正在哈佛大学国际学生中持续蔓延。 **数千名学生或将不得不面对签证被吊销、研究中断、被迫转学、暑假过后无法返美等难题。** 对于来自乌克兰、巴勒斯坦、阿富汗等战乱国家的国际学生，他们的处境难上加难，**一旦在美国失去合法身份将遭遣返，这些学生也无法返回原籍国。** 据悉，哈佛大学目前约有6800名国际生，占学生总数的27%，大多数在攻读研究生课程。 **5月22日，美国政府宣布取消美国哈佛大学获得的学生和交流学者项目资质，禁止该校招收国际学生。** **哈佛大学23日就此禁令起诉美国政府。** 对于美国政府这一禁令，哈佛大学的学生接受采访时表示，这是一个“可怕的决定”，禁令不仅会削弱哈佛大学和美国的国际学术地位，更会对美国社会造成极大负面影响。 近日，有网友在机场遇到华为创始人任正非的小女儿姚安娜时问及此事，姚安娜表示“还好毕业了”。 公开资料显示，2016年，姚安娜以ACT（美国大学入学考试）满分的成绩提前被哈佛大学本科录取，学习计算机科学与统计学。 2020年6月，姚安娜从哈佛大学顺利毕业。 [](//img1.mydrivers.com/img/20250527/64a34ac2df70449faacb2af2b8547257.jpg) [](//img1.mydrivers.com/img/20250527/9f986f341bc448a58c82eb2509c6a9c6.jpg) [查看评论](https://m.cnbeta.com.tw/comment/1502606.htm)

豆包，可以视频通话了。 自年初更新「实时语音通话」功能之后，这一功能就持续受到用户欢迎。现在在社交媒体上搜索豆包，排名前十的热门关键词中，有 6 个与「打电话」功能有关。大量和豆包通话相关的创意内容也受到了观众追捧。 随着视频能力上线，豆包的通话功能迎来了一次「升维」，变得更实用、好用。结合视频图像，很多即便模糊的语音输入，也能够更好地被 AI 理解，用户不需要再组织语言去描述眼前的信息。 视频通话是一个单点功能，但在这背后是语言能力、多模态能力、推理能力、知识库等等多个垂直领域的技术积累、整合，以及对成本和效率的平衡。 更重要的是，视频通话能力预示了 AI 助手更远的前景。当 AI 同时拥有了眼睛和耳朵，在未来更多硬件创新的支持下，还将解放更大的创新潜力。   # 01 帮你理解眼前一切的豆包   视频通话能力给豆包带来的，首先是多模态理解的能力提升和交互优化。 从最基础的「理解」场景开始，用户可以把手机摄像头对准任何信息，如信息版、菜单，让豆包给出翻译、解释。而且过程中，用户可以不断通过语言输入，来修正豆包的关注重点。 比如在一个博物馆里，当我们开启视频通话，问豆包这是什么，豆包首先会根据画面里的地标特征，识别出这是「新加坡国家美术馆」。然后我们如果继续追问，楼上挂着的横幅是什么意思，豆包又会给出具体展览信息的翻译和解释。  而在看展览的过程中，我们也可以举着手机，随时针对任何一幅作品向豆包发问。从基本的翻译作品信息，到问它作品风格具体属于哪一个派别，是否有模仿哪个艺术家的痕迹，豆包都能给出精准判断。 基于豆包给出的信息，我们也能进一步挖掘一些更深的隐藏关联。比如在新加坡国家美术馆里有一个法院拘留室的展示区域，问过豆包之后我发现，这里的关系在于，新加坡国家美术馆由原政府大厦和原最高法院大楼改建而成。前法院的拘留室曾用于关押候审的被告，在美术馆改建后，部分拘留室被保留了下来，成为了美术馆的一部分，供公众参观，让人们可以了解新加坡的司法历史。  除此之外，我们还可以和豆包讲讲自己对美术作品的一些理解和看法，进行观点碰撞。实际上，豆包已经具备一定的「纠错」能力，不是只会一味地顺从用户的理解。比如这里，当我引用了错误的类比，说这个作品像「蒙德里安」风格时，豆包能够纠正我的错误，告诉我实际像的是安迪·沃霍尔。之后我们还可以进一步探讨，为什么会出现这个错误。我们也可以引导豆包对作品进行批判性的解读和评价。  这里还有一个很关键的点，因为有了图像视觉信息作为辅助，很多时候即便我发出指令的声音很小，豆包并未完整识别我所说的句子的每一个字，但它依然能通过捕捉关键词，准确理解我的意图。 在旅行、观光、展览……等视觉信息占比更高的场景，最能体现出豆包视频通话能力的优势。我们可以随手举起手机，让豆包看到我们眼前的东西，从最基本的「这是什么？」出发，一点点挖掘出更多的信息和知识。比如让豆包根据周边的景色推理出我们在哪，推荐周边值得一去的景点、活动、特色饮食，这既具有实用价值也充满乐趣，适合出游不喜欢做严密的计划，喜欢遇到更多偶然惊喜的 P 人。  包括在餐厅吃饭，碰到那些「不知道该怎么吃」的情形，也很适合通过视频通话功能求助豆包。比如吃荞麦面的时候店员端上来一壶像热水一样的东西，这个时候豆包也轻松给出了正确答案，壶里装的是荞麦面汤，可以和酱汁混合在一起喝掉。  豆包的视频通话功能，相比普通的图像识别，最关键的优势依然在于它的「互动性」更强。基于单张图像的理解和推理，很可能出现各种理解偏差、错误。有了视频模式之后，即便豆包给出了一个比较可疑的回应，我们也可以通过换个角度，提供更多信息，来给豆包进行更多思考和修正的机会。 比如在这个场景下，我们想知道酒店的某个装置的作用，问豆包之后它首先以为我们问的是前面的熨衣板。经过进一步交互，它知道了我们想问的是后面的行李架，但因为角度问题，它将行李架错误理解成了健身器材，之后换个角度进一步追问并识别之后，豆包成功给出了行李架这一答案。  这是视频通话的功能的关键优势之一。当下任何 AI 大模型都不可避免地会有「幻觉」和错误。当用户精心编写了一大段 prompt 却没有得到自己想要的输出结果时，就会极大打击他们使用 AI 的积极性。但通过给到更多信息，提供更多角度的输入补充，就能让 AI 更接近我们需要的正确答案。可以说，在视频通话场景下，AI 和用户形成了互动的正向循环。 除了日常生活场景，豆包的视频通话功能还可以在学习、工作等各种场景发挥作用，特别是基于一些纸质的材料进行理解和修改。比如对多页的纸质资料进行总结，或对学科题目进行解答、纠错。   # 02 模型技术的「木桶理论」   「视频通话」的功能本身非常简洁，任何用户理解起来都没有门槛，但在这背后，其实需要复杂的技术作为支持。 豆包视频通话功能的核心来自「豆包视觉理解模型」的支持。2024 年 12 月，豆包首次发布视觉理解模型，为视频通话功能提供了模型能力基础。 除了视觉感知之外，豆包视觉理解模型还具备深度思考能力。这让豆包实际上还可以通过摄像头直接进行解学科题目、分析论文以及诊断代码等任务。这也是为什么在视频通话过程中豆包能同时结合「图像画面」和「用户语音指令」，精准理解用户意图。 豆包并不是第一个实现这一功能的 AI 助手，但想要同时拥有优秀的视觉理解能力，再基于视觉理解和用户指令，将不同模态的信息综合理解后，生成用户想要的信息，同时还要做到低延迟，这一切就有很高的技术门槛。 整个过程有点像「木桶理论」，一个模型必须同时做好多个方面，才能做到像一个真实的「AI 助手」一样，满足用户的需要。   # 03 为什么「视频通话」能解锁 AI 交互的更多创新？   今天，「视频通话」只是豆包的一个小功能。但实际上，视觉理解能力所蕴含的潜力和可能性还不止于此。 自诞生至今，大模型 AI 助手的交互都是「一问一答」式，用户输入 prompt，AI 生成反馈。这里最大的矛盾在于，整理编写 prompt 是有门槛的，且这个门槛比想象中更高，而一问一答式的交互又是断裂的，大家都很容易「把天聊死」，面对 AI 也一样。 而视觉图像的引入，则为人机交互建立了一个「语境」，且这个语境的建立不需要任何门槛，天然富含信息，用户只需要举起摄像头就行了。实际上，人类自身理解世界的过程中，我们最重要的信息接收器官也一直是眼睛。 通过豆包的视频通话功能，这一模式的有效性已经得到体现。通过连贯的互动加上视觉理解，用户和 AI 交互的过程变得更自然了，可以通过不断补充、解释，来接近自己想要的那个目标。这种用户和 AI 互相引导，对 propmt 进行不断修正，能极大增加 prompt 输入的带宽和精确度。 实际上，这早就是行业共识。自 AI 大模型技术诞生之后，几乎所有硬件创新都是在探索一种「摄像头+麦克风」的组合，从 AI Pin，到各种 AI 智能眼镜，都是在建立一种让 AI「看+听」的感知模式。只不过目前大部分这类硬件，都还无法在性能和效率上，做到像手机那么高的可行度。 当下我们在使用豆包的视频通话功能时，依然能感受到它被手机这个硬件载体限制着。比如我们很难长时间举着手机对准前方我们看到的东西，以及在一些公共场合也不便于大声说话，无法和 AI 充分进行语音沟通，这都是智能手机作为传统硬件的限制所在。 从豆包的「视频通话功能」已经可以看出，让 AI「看+听」的输入模式，可能代表 AI 交互的更多可能性。它在软件上完全是可行的，随着模型能力的进一步发展，结合硬件创新，或许将进一步改变我们与 AI 的交互方式。

据韩国媒体报道，**三星电子即将退出多层存储单元（MLC）NAND型闪存领域。**消息人士透露，三星计划在6月之后不再接受MLC NAND型闪存的新订单。 并且三星还告诉一位客户，其MLC NAND价格正在上涨，因此该客户正在寻找另一条供应线。 **与此同时，韩国面板制造商LG Display也在积极寻找替代三星的MLC NAND供应商，LG Display主要将三星的MLC NAND应用于大型OLED面板所使用的4GB eMMC。** 目前，LG Display的eMMC供应商包括三星、晶豪科技和铠侠，其中，晶豪科技的eMMC也依赖三星的MLC NAND，而铠侠则使用自家的MLC NAND为LG Display供货。 **随着三星退出MLC NAND领域，其资源可能会进一步聚焦于TLC（三层）和QLC（四层）NAND闪存。** 据Mordor Intelligence统计，TLC目前是全球NAND市场的主流，在全球NAND销售额中的市占率高达62%。  [查看评论](https://m.cnbeta.com.tw/comment/1502604.htm)

 《怪物猎人 荒野》将于5月28日追加中文语音！  为纪念中文语音的上线，特别为大家准备了此前预告的中文语音版！感兴趣的猎人请务必亲自体验！ &lt;内嵌内容，请前往机核查看&gt;

So far, the trend points in the opposite direction. Instead of boosting spending, lower rates have triggered a surge of &#34;saving hacks&#34; and frugal living tips circulating on social media — especially among younger Chinese, who are sharing ambitious savings challenges and budgeting strategies online.