模型吃掉应用，一个老生常谈的问题……

一个从这一轮大模型办法开始就一直没有共识的问题；

尤其是当AI应用的概念在今天其实已经无限放大的今天，

这个问题的答案似乎更加拉扯。

最近看到一些关于AI应用公司的新闻、财报、估值变化，

我想稍微展开点聊聊这个话题……

我最近在重新思考一个问题：

AI 时代的“应用公司”，到底应该长成什么样？

过去很长一段时间里，我们对于应用公司的理解，其实仍然停留在移动互联网时代。

一个需求，对应一个产品；

一个产品，由一系列功能组成。

用户打开 App，找到功能，学习工具，然后自己完成任务，

比如最近发布财报的美图也是如此。

修图、美颜、设计、视频——本质上都是不断为用户提供新的工具和功能。

但在最近一两年的产品和战略变化中，在美图身上看到了一条不同的路径。

越来越多的新产品在尝试让 AI 直接完成一件事情：

做一张设计、生成一段视频、完成一组内容，甚至将多个 AI Agent 组织起来，共同完成一个复杂任务。

美图正在从过去的“功能集合”，逐渐走向 AI 工作流和结果交付。

而这个变化背后，其实意味着应用公司的组织结构也正在发生变化。

如果目标只是提供功能，应用公司要做的事情相对简单：

选择一个合适的模型，把模型能力包装成一个好用的产品。

但如果目标变成“把结果交付给用户”，问题就完全不同了。

应用需要判断

应该使用哪个模型，

需要把一个复杂任务拆解成不同步骤，

需要给不同的模型和 Agent 分配任务，

需要在执行过程中进行控制，

并对最终结果进行评估。

于是，一个新的链条开始出现：

模型筛选 → 任务拆解 → 任务分配 → 执行控制 → 结果评估 → 最终交付。

这也是为什么我们觉得，美图最近的变化值得被放在 AI 应用的大背景下重新理解。

它真正尝试的是在构建一种新的应用能力：

如何把不断变化的模型能力组织起来，最终替用户完成一件事情。

而当应用开始承担这样的角色，它本身也越来越像一个小型的智能系统。

这或许也是未来 AI 应用和传统 App 最大的区别。

传统 App 的核心竞争力是：

我有什么功能。

AI 应用的核心竞争力可能变成：

我能不能把事情做完。

而为了做到这一点，应用公司也必须拥有属于自己的“智能”。

这并不意味着每一家应用公司都要从零开始训练一个基础模型。

但过去那些原本更多属于模型公司的能力——评估、数据、预训练、RL、后训练，

以及从真实世界不断获取反馈并持续优化的循环——正在逐渐成为更广泛 AI 应用的一部分。

做模型需要这样的 Loop。

做 Agent 需要这样的 Loop。

做 Harness 需要这样的 Loop。

越来越多的应用公司，可能也需要建立自己的 Loop。

因此，未来每一家真正深入 AI 的应用公司，某种意义上，都可能成为自己的 Neolab。

它们需要拥有自己的数据、评估体系、任务分配能力、用户反馈，以及持续优化的能力。

模型可以来自外部，但“智能”需要逐渐变成自己的。

Own your intelligence。

从这个角度重新回看美图，我们或许能够理解它最近为什么会不断推出新的 AI 产品、探索 Agent、组织新的 AI 工作流。

这些尝试当然未必都会成功。

但它们共同指向了一件事情：

美图正在尝试从一家“提供工具和功能的应用公司”，

变成一家能够组织模型、控制任务、持续学习，并最终向用户交付结果的 AI 公司。

（想加粉丝群的请先+微信：rosicky311)

下面正片开始……

【时间线】

00:37 为什么聊这个话题

01:36 从一张梗图聊起

02:44 所谓“neolab”

Elsewhere《2026年 AI 应用全国统一期中考试软件卷》

05:24 如果只看多模态

06:48 市场的debuff

09:28 市场buff

10:57 市场上的二元暴论

11:51 市场在担心什么？

14:53 我们该关注什么？

16:14 为什么拿美图作为样本

18:06 从功能到交付

19:24 Picchi的实例

21:03 应用到底该做什么？

23:12 美图财报显示出AI收入已经成规模

25:06 两个更重要的指标

26:30 仍然需要回答的问题

28:50 美图的战略选择

30:02 最终判断

【播客简介】

屠龙之术是一档关注科技、互联网、风险投资的播客，

主播庄明浩是一个游走在互联网和风险投资行业的边缘人士。

其工作多年所积累的认知似乎都成为了某种意义上的”屠龙之术“……

或许某天再有新的“龙”出现的时候，就是这档播客停更之时。