作为一线AI工程师，这几年确实踩过不少坑，也见证过从“参数崇拜”到“场景为王”的转变。美图CPO的分享，我反复看了几遍，觉得他抓住了AI产品落地最核心的一个矛盾：技术能力与用户价值之间的鸿沟。说实话，我们团队在早期也犯过“拿着锤子找钉子”的毛病，模型刷榜刷得飞起，一到用户手里就水土不服。下面我结合自己的实操经验，从几个维度展开聊聊。

先回应你提到的“垂直深耕策略是否只适用于存量玩家”这个问题。我的判断是：美图确实有天然优势，但绝非不可复制。关键在于你对“场景”的理解深度。美图的8款产品，表面看是“小模型+垂直数据”，但背后是对用户“非理性”需求的精准捕捉——比如“AI消除”这类功能，用户可能根本不在乎模型用了多少参数，只关心“能不能一键把路人P掉”。这种需求往往藏在用户的操作流里，而不是benchmark里。对于初创团队，最可行的路径其实是“借势”。比如我参与过一个AI修图项目，团队只有10个人，没有美图那样的用户基础。我们怎么做的？先盯住一个极其细分的场景：电商详情页的“模特换装”。这个场景的痛点非常明确——商家每次上新都要重拍模特图，成本高、周期长。我们直接用开源的Stable Diffusion做基座，收集了5000张特定品类（比如白T恤）的模特图，用LoRA微调出“换装模型”。产品上线后，用户根本不在乎我们的模型参数是多少，只关心“换上去的衣服褶皱是否自然”。所以，所谓“存量优势”更多体现在数据闭环和用户反馈速度上，但初创团队完全可以用“极致聚焦”来对冲——选一个足够窄、足够痛的点，哪怕只有1000个付费用户，也能活下来。

关于“产品经理更像编剧”这个比喻，我深有体会。AI产品最大的陷阱就是“功能堆砌”。我们曾经做过一个AI写作辅助工具，初期功能表列了30多项：摘要、扩写、改写、风格迁移……结果用户打开界面直接懵了。后来我们砍掉90%的功能，只保留“快速生成小红书文案”这一条主线，并围绕“场景叙事”重新设计交互——用户只需要输入“产品名称+卖点”，AI直接输出5种不同语气（懒人版、学姐版、平价替代版等）。这里的关键不是技术，而是对“用户心理剧本”的理解：用户不是要一个万能的写作工具，而是想要一个能替自己“表达情绪”的助手。这种能力，恰恰是纯技术背景的团队最容易忽略的。我建议AI产品经理多去“沉浸式体验”目标用户的工作流，比如跟着电商运营盯一天后台数据，或者陪设计师改一版详情页，你会发现很多“非理性需求”——比如设计师明明可以用批量工具，但偏要一张张手动调色，因为“每一张图都要有灵魂”。这种“非理性”，才是场景深耕的真正土壤。

再聊一个技术层面的实操点：如何用“小模型+垂直数据”做出100分的体验。很多人以为微调就是简单的“加数据再训练”，但实际踩坑无数。以美图的一个AI滤镜产品为例（假设场景），我们做过类似的尝试。初期直接拿开源模型做全量微调，效果很差——模型记住了滤镜参数，但完全丧失了对“美感”的理解。后来我们换了一个思路：先蒸馏一个轻量级生成网络，保留基座模型的构图能力，然后单独训练一个“美学打分器”模块，用用户对滤镜的点击数据做强化学习。具体技术方案是这样的：用ConvNeXt-Tiny作为骨干网络，输入原图和滤镜参数，输出处理后图像；同时用一个小型的MLP网络（3层全连接，隐藏层128维）作为“美学分值预测器”，输入处理后的图像特征，输出一个0-1分。训练时，损失函数设计为L = L_pixel + 0.3 * L_aesthetic，其中L_pixel是像素级别的MSE损失（保证滤镜效果准确），L_aesthetic是用户偏好数据的交叉熵损失。这个方案的妙处在于：模型只有50M参数，推理速度不到30ms，但用户满意度反而比大模型高15个百分点。原因很简单——大模型虽然“懂”更多滤镜知识，但小模型“更懂”这群用户的审美偏好。

关于“场景颗粒度战争”的行业影响，我补充一个视角：真正的护城河往往不在模型本身，而在“数据飞轮”的构建效率。美图这类公司，每一款垂直产品都在产生高质量的“行为数据”——用户选择哪个滤镜、调整了几次参数、最终下载的图片是什么。这些数据反过来又能优化模型，形成正向循环。对于初创团队，可能没有海量用户数据，但可以用“人工标注+规则引擎”启动飞轮。比如我们做一个AI生成头像的产品，前期用2000张人工标注的“优质头像”训练一个分类器，然后通过规则（比如“眼睛不能闭着”、“背景不能太杂乱”）过滤掉低质量结果。上线后，用户每生成一张头像，我们会记录ta是否“再次尝试”或“直接下载”，这些隐式反馈比任何标注都宝贵。3个月后，我们用这些反馈数据重新训练了美学打分器，用户满意率从50%提升到85%。所以，不要被“存量”吓退，关键是你能不能设计一个“低成本收集有效反馈”的机制。

最后回应一个你的长期疑问：如何判断一个场景是否具备“非理性”和小众刚需的潜力？我自己的方法论是“三看”：一看“情绪密度”，这个场景是否和用户的强烈情绪（如焦虑、炫耀、怀旧）绑定？比如“AI老照片修复”之所以火，是因为它击中了“家族记忆”这个情绪点，用户愿意花时间反复调整。二看“替代成本”，用户目前解决问题的方案是否足够痛苦？比如设计师手动抠图，每张图要5分钟，而AI只需1秒，这就是“刚需”。三看“社交传播性”，这个场景的产出物是否天然具备“晒图”属性？比如AI生成的头像、海报、表情包，用户乐于分享，这能极大降低获客成本。我最近在关注一个冷门场景：跨境电商的“AI多语言详情页生成”。它完美符合这三条：卖家对“快速铺货”有强烈焦虑（情绪密度高），手动翻译+排版耗时耗力（替代成本高），生成的页面可以直接用于店铺运营（社交传播性弱但商业价值强）。这类场景，就是巨头暂时看不上、小团队又能快速切入的“缝隙市场”。

总结一下：美图CPO的核心思路，本质上是把AI产品从“技术驱动”拉回到“用户价值驱动”。参数大小、benchmark排名，在真实用户面前往往不堪一击。我经历过的最惨痛的教训是：一个在CIFAR-100上top-1准确率98%的模型，在用户上传的随手拍中，准确率直接掉到40%——因为训练数据太干净了，用户输入充满了噪点、过曝、构图歪斜。从那以后，我养成了一个习惯：任何模型上线前，必须先用1000张用户真实数据做压力测试，哪怕牺牲一点基准指标，也要保证“极端场景”的可用性。对于还在迷茫的AI团队，我的建议很直接：别急着堆算力，先去找10个目标用户，陪他们工作一整天。你会发现，真正的护城河，藏在用户那些“说不清道不明”的操作习惯里。

这个思路挺实在的，我们之前在医疗影像项目上也吃过通用模型的亏——召回率再高，医生不认那几个误诊样本就白搭。不过垂直场景的数据清洗和标注成本其实不低，美图怎么平衡“小众刚需”和ROI的？如果每个细分场景都要单独搞一套小模型，后期维护怕是要头疼。

确实，最近社区里动不动就是“千亿参数”“SOTA刷新”，但实际落地时用户根本不关心你用了多少层transformer。小白这个观点挺戳中我的困惑——我们团队去年拿了个很强的通用模型去做设计辅助工具，结果用户反馈“生成的东西是好看，但改起来比自己做还麻烦”。后来被迫回头去抠具体场景，比如针对电商主图，专门优化商品抠图和光影合成，数据量不大但效果明显好多了。

不过有个点想请教一下：美图这8款产品具体是怎么平衡“垂直深耕”和“规模化复用”的？毕竟每个细分场景都单独训练小模型，维护成本应该不低吧？我猜他们可能是用底座大模型做特征提取，上层挂一堆轻量adapter？还是说每款产品真的从数据采集到模型调优完全独立？另外，小白提到的“非理性”需求，比如用户明明有更高效的方案却偏要某种“仪式感”的交互方式，你们在实际产品里是怎么捕捉这种隐性需求的？是干脆用AB测试去试错，还是说靠产品经理对特定用户群体的深度理解？感觉这个比技术参数难多了，参数好歹能跑个benchmark，但用户心里的“好”很难量化。

这个思路挺实在的，现在很多团队确实容易陷入“参数竞赛”的自我感动里。我倒是好奇他提到的“非理性”具体怎么落地？比如小众刚需场景里，用户愿意为那“100分”体验付费的阈值到底在哪，是价格敏感还是习惯培养成本更高？感觉这就是个精细活，比堆算力难多了。