Технологическая компания Yanyu рассматривает возможность проведения IPO на фондовой бирге Гонконга после трех лет работы и оценки стоимости в 3 млрд долларов США.

По мере того как глобальный энтузиазм по поводу больших языковых моделей (LLM) усиливается, может ли «посредник», соединяющий модели и конечных пользователей, поддерживать масштабный нарратив о капитале, не создавая собственные базовые модели? Недавние сообщения в СМИ указывают на то, что Evoken начала подготовку к первичному публичному размещению акций (IPO) на Гонконгской фондовой бирже, а последняя раунд финансирования оценил компанию в 3 миллиарда долларов. Быстро развиваясь на протяжении трех лет благодаря различным продуктам для создания и применения ИИ, Evoken вновь разожгла отраслевые дискуссии о коммерческой ценности и конкурентных барьерах на уровне приложений ИИ.

От сообщества моделей к бизнес-логике «посредника»: эволюция Liblib

Путь Evoken начался с запуска сообщества моделей изображений LiblibAI в 2023 году. В то время экосистема открытых моделей изображений процветала. Платформа постепенно превратилась в вертикальное сообщество, похожее на хостинг кода, путем агрегации моделей, загруженных и дообученных создателями. По мере стремного развития возможностей мультимодальных больших моделей Liblib обновилась до версии 2.0, превратившись из сообщества для дообучения отдельных моделей в центр мультимодального творчества. Она интегрировала несколько основных мультимодальных больших моделей в свое ядро и представила удобный интерфейс для генерации в один клик.

Несмотря на расширение позиционирования продуктов, их базовая бизнес-логика по-прежнему сосредоточена на упаковке услуг путем интеграции возможностей мультимодальных моделей. Будучи «посредником» для больших моделей, ее модель прибыли в основном опирается на получение преимуществ по стоимости API от официальных или канальных источников и их продажу через пакетные предложения. Например, платформа использует такие механизмы, как истечение срока действия баллов членов, для компенсации фактических затрат на использование. Этот подход отличается от традиционной продажи инструментов и фокусируется на тонкой настройке операций, движимой масштабом платформы и фактическим потреблением пользователями.

Разнообразная матрица продуктов: быстрые прорывы от агентов дизайна до создания ИИ-видео

Чтобы выйти за рамки простого посредничества, Evoken быстро создала несколько вертикальных прикладных продуктов, построив собственный двигатель роста.

Во-первых, она запустила специализированный продукт агента-помощника, ориентированный на сектор дизайна. После всплеска концепций общих агентов команда быстро сформировала отдельную продуктовую группу, сосредоточившись на автоматизации всего процесса и повышении эффективности в дизайне. Ее основная стратегия заключается в использовании логики агентов для разделения задач дизайна, оптимизации конкретных функций для решения болевых точек дизайнеров в обработке текста и изображений, редактировании текста и согласовании эффектов, тем самым глубоко оптимизируя традиционные рабочие процессы дизайна.

Во-вторых, она представила платформу ИИ-видео для сектора создания видео. Воспользовавшись бумом ИИ-короткометражных фильмов и генерации видео, эти продукты быстро вышли на рынок путем модулизации генерации сценариев, раскадровки, визуальной генерации и постпродакшн-редактирования. Это значительно способствовало росту годовой регулярной выручки (ARR) компании. Точно улавливая отраслевые тренды и быстро итерируя функции продуктов, компания обеспечила преимущество первопроходца на нескольких нишевых рынках.

Ров и временной разрыв: реальные вызовы на уровне приложений ИИ

Хотя Evoken продемонстрировала впечатляющий рост доходов и скорость итерации продуктов, ее бизнес-модель по-прежнему сталкивается со значительными практическими вызовами и объективной критикой.

С одной стороны, основной ров для продуктов на уровне приложений ИИ во многом зависит от «временного разрыва». По мере улучшения возможностей больших моделей и выхода интернет-гигантов на вертикальные рынки дифференцированные барьеры, созданные преимуществом первопроходца, могут быстро сжиматься. Крупные производители, опираясь на обширные экосистемы и ресурсы, ускоряют развертывание аналогичных творческих интеллектуальных агентов и платформ для создания контента.

С другой стороны, затраты на миграцию пользователей ИИ-инструментов относительно низки, а рыночная конкуренция часто сводится к ценовым войнам и гонке скоростей функциональных итераций. Поддержание быстрого роста при одновременном улучшении долгосрочного удержания пользователей и их лояльности, а также построение более надежных технических и экологических барьеров остается ключевым вызовом для таких компаний, разрабатывающих приложения на базе ИИ, в их долгосрочном развитии. По мере продвижения процесса IPO рынок в конечном итоге определит качество прибыльности и устойчивость этой модели «посредника».