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：

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：

AI 应用的核心竞争力可能变成：

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。

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。

下面正片开始……

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

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。