Letzten Mittwoch (10. September) haben wir einen Vergleichsbericht zu Nano Banana veröffentlicht, der direkt den "xx vs Nano Banana" AI-Bildmarkenmarketingkrieg in der Branche entfacht hat: Zwei Tage später begann LoveArt, massiv Werbung zu schalten, mit dem Schwerpunkt auf "Integration von Nano Banana", während gleichzeitig intensiv KOL-Tests durchgeführt wurden; und Jimeng verstärkte am Freitag und am Wochenende die Promotion von Seedream 4.0 und führte in verschiedenen Szenarien direkte vs Nano Banana Vergleiche durch. Als Beteiligter, obwohl ich durch schnelles Handeln dem Marketingkrieg entkommen bin, habe ich zum ersten Mal durch "vs Nano Banana" das Gefühl der Drucksituation von LoveArts anfänglichen hohen Investitionen und Jiemengs ständigen Annäherungen erlebt. Einige Gedanken: 1. Die Erzählung muss als First Mover erfolgen. Wir hatten am 3. September bereits alles vorbereitet und die Verkaufsargumente sowie den Vergleichsrahmen im Voraus festgelegt. Als die Begeisterung explodierte, waren andere noch mit der Vorbereitung ihrer Werbeschaltungen beschäftigt, während wir bereits die erste Welle des Traffic-Bonus ernten konnten. Im Vergleich zu nachträglichen Reaktionen ist es die kosteneffizienteste Strategie, zuerst zu handeln und das Erzähltempo festzulegen. 2. Startups sollten direkte Konfrontationen vermeiden. LoveArt vs Jimeng sieht zwar aufregend aus, aber dahinter steckt ein harter Ressourcenverbrauch. Beide Unternehmen haben im Durchschnitt fast 200 Anzeigen/Bewertungen geschaltet, was bereits ein globales Top-Budget darstellt, wobei beide Funktionen hauptsächlich Werbung/Design betonen. Für Jimeng mag das nicht viel sein, aber der Druck auf LoveArt ist leicht vorstellbar. Ein Startup-Team, das an wichtigen Marketingpunkten mit großen Unternehmen kollidiert, läuft leicht in die Falle von "Budgetverbrennung, Rücklauf schwer zu erreichen". Dramatischer ist, dass selbst wenn die Absicht nicht auf Konfrontation ausgerichtet ist, nach der Einführung der Agentenfunktion von Jimeng sogar Stimmen laut wurden, die sagten, "LoveArt wurde von Jimeng hintergangen". 3. Der Markt für Rohbilder wird schnell standardisiert und es ist notwendig, schnell eine Nische zu finden. Wenn die Vergleichsdimensionen bereits auf "Detailwiedergabe / Farbtreue / Ein-Klick-Design" festgelegt sind, ist es ohne eine einzigartige Nische schwer, sich abzuheben. MyShell hat den Vorteil einer Kreatoren-Community und verfolgt den Weg von B2D → zurück zu C als Flywheel-Pfad; Jimeng hat die Ressourcen und Kanäle eines großen Unternehmens im Rücken und ist mit einem goldenen Löffel geboren, das muss nicht weiter erläutert werden; während unabhängige Agentenprodukte oft Personalisierung betonen und eine Punkt-zu-Punkt-Beziehung zu den Nutzern haben, was es schwierig macht, eine Community und Bindung zu schaffen. Ein typisches Beispiel: Vor einem Monat habe ich Manus noch nachdrücklich empfohlen, aber jetzt wird es nicht mehr verwendet. In diesem wettbewerbsintensiven Markt ist der Ausgangspunkt der Erzählung wichtiger als die nachfolgende Feuerkraft; Teams mit begrenzten Ressourcen müssen clever sein und ihre eigene Nische finden; das, was wirklich bestehen bleibt, ist nicht nur punktuelles Geschick, sondern ein Ökosystem, das sich selbst erhält und eine Community bildet.

Wenn man sich jetzt die Ergebnisse des Teams ansieht, wird der gut gemachte Teil nicht danach gefragt, ob du oder AI es geschrieben hat. Die Fähigkeit, gut mit AI zusammenzuarbeiten, ist tatsächlich die Kernkompetenz; im Gegensatz dazu, wenn jemand nicht einmal in der Lage ist, gut mit AI zusammenzuarbeiten, ist das im Grunde genommen gleichbedeutend mit Unfähigkeit zu lehren.

Zhang Xiaojun stellte Yang Zhilin in einem Interview eine Frage: Ihr wollt also letztendlich ein allgemeines großes Modell und kein Coding-Modell, richtig? Diese Frage spiegelt tiefergehend wider, dass die Grenzen für die Nutzung, Migration und Gewöhnung an ein neues KI-Produkt, einschließlich aller großen Modelle und Agenten oder anderer Produktformen, für die Nutzer tatsächlich sehr verschwommen sind. Oft zieht eine herausragende Leistung in einem speziellen Bereich die Nutzer an, während eine Generalisierungs-/Allgemeinfähigkeit von 60 Punkten die Nutzer bindet. Das ist mir besonders aufgefallen, als ich perplexity und GPT verwendet habe: Perplexity ist in der Marktforschung (in Bezug auf Geschwindigkeit) besser als chatGPT; und in der praktischen Leistung bei der Suche/Verfassen in Google Mail besser als Googles eigenes Gemini. Gerade in den wiederholten vergleichenden Aufgaben hat perplexity besser abgeschnitten als andere allgemeine große Modelle, was meine Nutzungshäufigkeit immer wieder erhöht hat. Das gilt auch für andere KI-Produkte: Die Diskussion über Modelle oder Nicht-Modelle erscheint mir etwas veraltet, oder zumindest nicht das, worüber die führenden Entwickler nachdenken. Was wirklich überlegt wird, sind die Einstiegspunkte und Bindepunkte. Kleine Probleme und kleine Szenarien einzeln angehen, das Land um die Stadt herum, perplexity kann auch besser sein als GPT und Gemini.