新加坡AI创业

上周日在新加坡办了第一期 OPC 同行社线下交流 🇸🇬 ，没有大咖站台，6 个真正在用 AI 做东西的人，围着一张桌子聊了一下午 印象最深的几个分享👇 🎾 用 AI 找网球搭子 有人嫌网球群约不到球，花几个小时 vibe coding 了一个匹配工具，发到 500 人的群里，结果群里热闹地讨论了一下午。 大家追问的是：认识之后谁还用平台？钱从哪来？ 👉 做出来变容易了，难的是想清楚怎么活下去 🧠 不给答案的 AI 老师 一个陪你成长的 AI Agent，不直接告诉你答案，而是引导你自己想明白。 🎨 设计大佬分享的是： Define the style before you vibe code 先定 UI 风格，再让 AI 写代码，界面才不会越改越乱。 还有一句很戳我的话： 「You no longer need anyone’s permission to build something useful for yourself.」 🔧 把老师傅的经验做成 AI，带去东南亚 用 AI 智能体培训海外的汽修技师，带着经验出海，不用派人出海 💳 没有信用卡也能网上买机票 线上下单拿到一个支付码，去 7-Eleven 付现金，交易就完成了 🤖 让 Agent 成为团队的记忆 代码、文档都存进 Agent，人走了，信息也不会断 这次最大的感受： AI 让「做出来」变得前所未有的容易，但真实的需求和能持续下去的模式，还是得靠自己一点点验证 第二期在筹备中 ✨ 在新加坡、也在用 AI 做点什么的朋友，评论区或私信我，下次一起来聊 👋

我是 Austin，坐标新加坡。正在筹备 AI 驱动的 TCG 平台，用 AI 重构卡牌交易、估价、收藏、社群和规则问答。 想找一位真正热爱 TCG/二次元的 AI-Native 全栈合伙人： 熟悉 LLM/Agent/RAG/多模态 能独立 0-1 搭 MVP 日常高度用 Cursor/Claude Code 等 AI 工具 有产品思维和创业心态 我提供：TCG 行业资源、电商/Web3/支付/出海/新加坡本地资源、联合创始人股权。 新加坡优先，可远程。欢迎 DM 或转发。🤝

@Mia Mia 做的 Nora AI 不是育儿问答 chatbot。它的用法是：你录下 5 分钟和孩子的互动，AI 分析你的对话模式，告诉你哪些话说得好，哪些互动方式可以换一种。 这个产品逻辑在我听过的 AI 产品里很少见。大多数育儿 AI 做的是"你问我答"，本质上是一个包装过的 ChatGPT。Mia 做的事情完全不同——她在听你怎么带孩子。 1. 为什么不做 chatbot Mia 在节目里说了一句让我印象很深的话：家长不缺育儿知识，缺的是在压力下把知识用出来的能力。 你看过很多育儿书，你知道不应该吼孩子，你知道要用正面语言。但当孩子在超市尖叫打滚的时候，这些知识全部消失了。Chatbot 能做的是在你冷静的时候给你建议，但那不是你最需要帮助的时刻。 Nora 的逻辑是：你先去和孩子互动，真实地互动 5 分钟，然后 AI 分析你在那 5 分钟里到底说了什么、做了什么。它不是教你理论，是帮你看到自己的真实行为模式。 2. Chatbot 功能做了，又砍了 Mia 不是凭直觉放弃 chatbot 的，她真做过。 结果是：90% 的用户不用聊天功能。剩下那 10% 的重度用户，愿意为聊天功能付多少钱？不到 1 美元一个月。 这个数据直接说明了一个问题：育儿问答在 ChatGPT 和 Gemini 面前没有壁垒。家长如果只是想问"孩子不吃饭怎么办"，免费的大模型就能回答。把这个功能做成付费产品，没有人会买单。 所以 Mia 果断砍掉了聊天功能，把所有资源集中在录音分析和 coaching 报告上。 3. 核心价值不是"教你做"，是"让你被看见" 我在节目里听到 Mia 讲 coaching 报告的设计时，突然理解了这个产品真正在做什么。 5 分钟的录音里，AI 实际上在问你 30 个问题：你用了多少描述性赞美？你打断了孩子几次？你在孩子做对事情的时候有没有回应？你问问题的频率是多少？ 大部分家长录完之后最大的感受不是"AI 教了我什么"，而是"原来我是这样和孩子说话的"。 Mia 举了一个例子：有的家长 5 分钟里问了孩子三十几个问题，自己完全没有意识到。这不是好不好的问题，是你根本不知道自己在做什么。 我当时就觉得，这个产品的核心价值不是知识传递，是"被看见"。 4. 几个让我印象深的用户故事 一个工作很忙的爸爸，用了一周，女儿第一次主动抱了他。Mia 说那个爸爸给她发消息的时候，她自己也哭了。 另一个爸爸，每天都忍不住吼孩子，知道不对但就是控制不住。用了两周，打破了吼叫循环。 还有一个妈妈，孩子有轻度 ADHD，她什么方法都试过，已经半信半疑。用了 14 天，孩子的行为有了明显改善。 这些故事的共同点是：变化发生得比预期快得多。Mia 说，临床上 5 分钟是经过验证的最短有效时长。不是随便定的数字。 5. 为什么走临床路线 大多数 AI 育儿产品做的是消费级产品，快速获客快速增长。Mia 选了一条更难的路：走临床验证。 她给了三个理由。 第一，信任。育儿不是买一杯咖啡，家长把自己和孩子的互动录下来交给一个 AI 分析，门槛很高。有临床背书，信任问题才能解决。 第二，如果这个方法对 ADHD、自闭症等临床人群有效，那对普通家庭就一定有效。先验证最难的场景，再覆盖所有人。 第三，医疗器械路径。如果走通临床认证，保险公司和雇主可以买单。这意味着完全不同的商业模式。 目前台湾已经有心理学家在让他们的用户用 Nora，甚至在探索能不能用 Nora 改进现有的临床流程。有一个案例在做对比实验：传统路径需要每周见心理医生两年，现在试 6 个月心理医生 + Nora APP，看能不能达到同样效果。 6. 技术上到底做了什么 很多人会问：这不就是录音转文字再丢给 GPT 吗？ 不是。Mia 在节目里讲了技术栈的细节。 语音转文字用的是现成模型，这一步不是壁垒。但接下来的几步都是自研的：说话人分离（区分谁在说话），语气和情绪分析，以及最关键的——按照临床框架对文本进行分类。最后一步是自研的专利模型。 报告生成环节用的是现成 LLM，但核心在 context engineering——怎么把前面几步的分析结果组织好，让 LLM 生成符合临床标准的建议，而不是泛泛的"你应该多夸孩子"。 所以整个技术路线是混合的：该用现成模型的地方用现成模型，该自研的地方自研，关键是知道哪一步是壁垒。 7. 为什么选亚洲，不去美国 投资人都建议 Mia 去美国。她没去。 她的判断是：亚洲的 impact gap 更大。美国有大量的育儿资源、心理咨询师、成熟的保险体系。亚洲呢？新加坡给每个公民家庭提供了免费的 Triple P（正面管教）在线课程，但那是澳大利亚的框架。 Mia 在一个展会上遇到一个家长，对方问了一个问题：为什么市面上所有的育儿培训都是西方的？亚洲文化和西方不一样，为什么我们不能有自己的？ 这个问题让 Mia 更加坚定了方向。她的临床顾问钟教授（台湾，20+ 年临床经验）把西方的循证治疗框架适配了亚洲家庭。Mia 要做的是：基于亚洲专家的经验，做一套真正为亚洲家庭设计的育儿体系。 产品 2026 年 3 月在新加坡上线，随后进入台湾。2000+ 付费用户，零广告投放，基本全靠口碑和心理医生转介。 8. 一上来就收费，PMF 验证到哪了 Mia 从第一天就设了付费墙。 两类用户群体的 PMF 进度不同。临床端（孩子已有诊断、已在看心理医生的家庭）已经验证了——用户粘性高，理解产品逻辑，不需要 Mia 解释为什么这个好。他们只是把 Nora 当成日常练习的工具。 消费者端还在迭代。有一批忠实用户，但 Mia 觉得还没到可以花钱大规模推广的阶段。所以到现在为止没做过任何 marketing，没投过广告。 她说，她要等到产品到达一个她觉得可以用钱来帮助增长的程度，才会做更大的推广。这个判断挺少见的——大多数创业者恨不得尽快砸钱获客，Mia 选择先把产品打磨到位。 欢迎访问和使用：https://hinora.co/

这期请了两个完全不同的人来聊 AI 时代的营销。 一辰是 CapgoAI 的创始人，做 AI 驱动的 SEO/GEO，服务 AI 公司和软件公司，Harvard MBA，典型的 AI 圈创业者。 Ashley 小周 @是小周Ashley 是 Sukoon 素寻的创始人，在新加坡做洗护品牌——沐浴露、补充装、香氛。一人公司，去年 12 月上市，8 个月做到约 3000 单。她不是 AI 从业者，但她用 AI 的方式，比很多 AI 公司都值得聊。 我想聊的主题叫 AI Native Marketing——AI 时代的营销到底变了什么，没变什么。分三个板块：Workflow、Taste、Pattern。 1. 过去一年就是我一个人跟七个机器人讲话 Ashley 做 Sukoon 的第一年，从品牌定位到供应链到产品开发，全程只有她和 ChatGPT。她在 ChatGPT 里建了一套虚拟团队，有人负责复盘、有人负责战略、有人负责产品——当然都是 AI。 但品牌上市的时候，她说了一句让我很意外的话："我突然丧失了表达的欲望。我非常想要听到真实的人对于这个产品的想法。" 于是她做了一个看起来很"反 AI"的决定——all in 线下。8 个月里跑了 7 个展会和卖点，一单一单地卖，面对面观察每一个陌生用户。 她看的不是销售数据，是微表情：用户路过展位时为什么停下来，闻到味道的第一个反应，听到哪句介绍后主动问价，对价格的第一反应是什么。 "这个过程我可能会重复上百上千遍。" 她说这些微表情对她来说就是数据库，而她本人就是那个数据处理引擎。AI 给不了这个。 2. 感知没有办法被代替 我问 Ashley，你的工作流里哪些被 AI 接管了，哪些绝对不会。 接管的：财务和法务——报表下载上传，AI 出分析，能完成 80% 的需求。图形处理——自己先拍照，AI 做二次创作。 绝对不会的：判断。 "不管是产品决策还是市场判断，到最后都是基于我个人的经验和感知。AI 目前还没有办法达到，给出一个代替的方式，因为感知这个东西是没有办法被代替的。" 她举了一个例子。选瓶型的时候，工厂里三四百个瓶子，她 20 米外看到第一眼就知道那是她的瓶子。选香调的时候，她坐在那想——如果 Sukoon 是一个人，什么瞬间会让他感觉到自己存在？她想到的是两三月份阳光下拨开橘子皮，水汽迸发的那个瞬间。 这些东西没有数据支撑，没有逻辑推导。但 8 个月线下验证的结果证明：她觉得好的，市场也觉得好。 3. AI 信息不够的时候也会下结论 一辰从乙方视角聊了一个很实在的问题。 CapgoAI 做 SEO 服务，很多环节已经被 AI 自动化了。但他说唯一不能自动化的，是跟客户的交互。 "甲方优化的可能不是流量，可能是'我老板在乎的那 5 个词的点击率'。"这些 context，AI 拿不到。 更致命的问题是，AI 在信息不够的时候也会下结论。"它不像人一样，会说'我数据信息不够多，所以我没法下这个结论'。" 他举了一个具体的例子：让 AI 分析一个网站做了哪些关键词，AI 会直接读 URL 就以为自己读了网页内容，然后给出一个错误的结论。你得人工逼它真正去读。 Context 给多了也不行。"AI 在读 context 的时候，信息太多它会 confuse。人能抽象重点，但 AI 不能。老板说的两句话，比下属说的 100 句话都重要——这种 context，AI 获取不到。" 4. 公司最大的损耗不是做得慢，是做错了 一辰说 taste 就是 judgment——决定做什么。 他分享了 Harvard 一个教授的观点：怎么训练 judgment？多做对结果负责的决定。教授说他创业几次，裁过四五十个人，每一个人叫什么、怎么裁的、对方的反应，他全都记得。但他读过 100 多个关于裁员的 case，一个都记不住。 "当你真正做了一个决定，对它负责的时候，它对大脑的训练和你纸上谈兵是完全不一样的。" 然后他说了一句让我印象很深的话。创业初期他总觉得 co-founder 工程做得慢，觉得这是公司最大的损耗。但回头看——"公司最大的损耗全都是我做了一些后来没有用的功能。" 这个 judgment 在 AI 时代更贵了，因为 execution 变便宜了。做一个东西比以前容易很多，但做错一个东西的代价没有变小。 5. 如果你是 0，AI 乘 10 还是 0 一辰聊 go-to-market 的时候说了一个我觉得很精准的判断。 B2B enterprise 的 GTM 没有本质变化。线下 in person 反而比以前更重要了——因为大家收到了太多 AI 自动化发的邮件和 LinkedIn，注意力更稀缺。"我在楼下看到有个人蹲在那放个板卖房子，我觉得这个效率多半比他在网上投广告要高。" 真正变了的是 B2C 和 PLG。AI 对优秀个体的放大作用特别大。 "如果你是 1，AI 让你乘 5 乘 10，你就是 5 或 10。如果你是 0，乘 5 乘 10 还是 0。" 他用了一个枪的比喻：没有枪的时候，大家打架看谁武功好。有了枪，看谁的枪好、谁的枪法好。有了 AI，看你用 AI 的水平、你的 judgment、你的 taste。 "你始终是需要比 average 强，你才能获得更多客户。" 6. 用 AI 蒸馏自己的直觉 Ashley 说了一个很有意思的用法。她不是用 AI 来替代判断，而是用 AI 来理解自己的判断。 她会问 ChatGPT：为什么我选了青橘皮？为什么选木质调？AI 帮她从这些直觉里抽出框架——原来是因为她想面对的是 AI 时代人们对确定性的渴望，而什么是确定性？是不需要思考的、直白的、瞬间爆发的感受。 "我跟 AI 不断沟通之后，它会帮我抽一些框架和架构，我去反推，哦，原来是因为这个。" 她还建了一个"30 年后理想状态的自己"，从终局倒推当下每一个决策——哪些和理想状态是错位的。 但她也说，AI 工具更新太快反而成了负担。她现在的策略是"让子弹飞一会"，只在一个工具里深挖，不追新。 7. 1/10 薪水、1/10 时间，买的是 20 年经验的判断 Ashley 的团队架构是这期我最想记住的东西。 一人公司 + AI agent 矩阵 + 4 位超级个体 part-timer。4 个人里有 3 个是 20 年以上行业经验。她给他们正常薪水的 1/10，但也只需要他们 1/10 的时间。 "就像 fine dining，你花很高的价钱买一个 set menu。买的其实就是这些侍酒师和主厨通过十几二十年的专业经历给你的判断。" 她不喜欢雇佣关系，觉得"大家一定要拥有自己的根之后互相生长，才能结出自己的果子"。 前 7 个月坚持线下一单一单卖，不急于爆单。有人问她为什么不第二个月就进直播间。她的回答是：卖 1 万单只有 1000 个评论，剩下 9000 个人怎么想？"这种恐慌对我来讲更可怕。" 曼谷展会，全场最年轻的品牌——才 7 个月——但唯一全售空。 8. 做 100 个烂视频，不如好好做一个 最后一辰说了一句我觉得可以当这期的结语。 "AI 时代 spam 变得很便宜，但所有平台都想 remove 这些 AI 生成的 spam。不是因为 AI 生成的不好，而是因为它没给用户带来什么价值。" "做 100 个烂的视频，不如好好做一个极高水平的视频。" 这跟 Ashley 用 AI 工具做了一圈视觉素材，最后还是让人手绘完成的逻辑是一样的。AI 能做的越来越多，但"好"这个标准没有变。 品味不会因为工具变便宜而贬值。恰恰相反。

Harris @Harris 是我在新加坡认识的一个营销老炮。Apple 在线商店待了近 5 年，然后跳进广告行业，在 Facebook Marketing Partner Nanigans 负责大中华区，帮 FunPlus、IGG 这些头部 SLG 游戏公司做海外投放。再之后进入 Meta，专门负责大中华区游戏——莉莉丝、米哈游、哔哩哔哩、游族都是他的客户。 "最夸张的一次，全球前 10 的 SLG 游戏公司，9 家都是中国的。"那是中国游戏出海的盛世。 2022 年他离开 Meta 创业，兜兜转转经历了区块链游戏，2024 年底 all in AI，在新加坡做了一家叫 A65 的公司。A65 做的事情听起来很大：用 AI agent 集群接管企业的整个营销链路——从用户洞察到投放策略到广告创意到 24 小时盯盘。 1. 不要为了 build agent 而 build agent Harris 说他去新加坡的创业活动做分享，最常问台下一个问题："你今天有一个实习生的岗位，你到底能不能清晰地定义出这个实习生能够给你干什么？如果你没有办法定义出来，那你一定也没有办法定义一个好的 agent 出来。" A65 一开始也踩过这个坑。最早他们把 AI agent 当效率工具——用它来 vibe coding，用它来帮员工提速。但很快发现，"如果你把它当成 agent，你的产品形式本质上没有什么变化，只是提高了效率。" 后来他们做了一个很大的转变：agent 不是工具，agent 就是产品本身。 2. 功能性 agent 里不放 memory 这个设计决策让我印象很深。 A65 把 agent 分成三类：一类是 AI 员工（跑在 Mac mini 上的 Hermes agent），一类是功能性 agent（执行具体技能的），一类是 governance agent（评估和监控的）。 功能性 agent 里，他们故意不放 memory。原因很实际："我不能让 A 客户的信息影响到 B 客户的输出。A 客户的数据也不可能被 B 客户看到。" 他们最早用 Hermes agent 的时候发现，当多个客户的 brief 进来，agent 的 skills 和 memory 会跟着变——用得多的客户会让整个产品往那边倾斜。如果要服务成百上千的客户，一致性和稳定性才是最大的难题。 所以 A65 在 governance 和 guardrails 上花的精力，远超大多数人想象中的 agent 公司。 3. 你想让 AI 给你 100 分，你至少自己要达到 85 分 我跟 Harris 聊到 CreativeOS——他们的广告创意生成系统。我说很多做营销的朋友从来不用 AI 做内容，觉得 AI 做的东西 mediocre。 Harris 的回应很直接："今天不是说 AI 不行，是因为你的 prompt、你的输入不行，它就输出不行。你想让 AI 给你达到 100 分，你至少自己要达到 85 分。" 所以 A65 在 CreativeOS 里做了大量的 harness——不是让用户随便输入一句"帮我做个咖啡广告"，而是把专业广告人的工作流程 build 进系统：先找用户 motivation，再结合产品卖点，形成策略，拆成 idea，然后分镜、hook、call to action、品牌信息——每一步都有套路。 "一个十年经验的创意总监和一个普通人，用同一个系统，得出来的结果是完全不一样的。" 这跟 Seedance 是一个道理——模型都在那里，谁都可以用，但输入的质量决定输出的质量。 4. 91.6% 够用了，不追 100% A65 有一个叫 CrowdOS 的产品，做合成受众——用 AI agent 模拟真实消费者做市场调研。他们用 Big Five（大五人格）模型构建 agent 的人格，然后每天喂新闻，让 agent 在服务器里自发 debate 形成观点。 他们跟 Pew Research 的公开面板做了校准，一致性达到 91.6%。 我问他剩下的 8.4% 差在哪，能不能往上做。他给了三个理由不做： 第一，校准的对象是已经发生的报告，做到 100% 匹配过去的数据并不等于预测未来更准。第二，统计学上 75% 以上就已经够用了。第三，成本——从 91.6% 再往上每升零点几个点，成本就会暴涨。 "我们不是在做 100% 准确的科研研究，我们是做商业可用的产品。" 这种克制在 AI 圈子里不常见。大部分人讲的是模型越准越好，Harris 讲的是：够用就是够用。 5. 我们不会干预 perspective 的形成，我们只喂原材料 CrowdOS 里有几千个 agent，每个都有持续的 memory。Harris 说他们每天给 agent 喂当地和国际新闻，让 agent 自己产生 debate，自己形成观点。 但他们也有监控：如果有某个 agent 说服力太强，把其他 agent 的观点全部 convince 掉了，系统会捕捉到。 "我们不会干预 perspective 的形成，我们只是喂原材料。" 我追问大模型本身偏英文、偏富裕、偏城市、偏上网多的人，怎么让合成受众代表更边缘的群体？他说他们同时接了 5 个模型——Anthropic、Gemini、OpenAI、DeepSeek、Kimi——中国模型和海外模型都在，就是为了消除单一模型的 bias。 而且不同市场会单独定制校准数据——不是每个国家都有 Pew Research 级别的报告，有些市场甚至要从社交媒体数据来补。 6. Tier 1 客户的 90 分方案，到 Tier 2 就是 120 分 Harris 讲商业模式的时候说了一个我觉得很聪明的策略。 他们的大客户（Tier 1）都是定制化服务，方案做到 100 分。但大客户的需求做成标准化产品后，可能只有 90 分——差的 10% 就是定制化的部分。 "但是我们今天这个 90 分的标准化方案给到 Tier 2 的中型客户，对他们来说可能就是 120 分了。因为他们远远没有那么 advance。" 这不是一个新逻辑，但在 AI agent 产品上第一次听人讲得这么清楚：用头部客户的经验喂养产品，然后把高浓度的 knowhow 通过标准化产品释放给中型客户。 7. 不是为了新而新，MCP 有缺点就用 API 最后一个让我印象深的点。 A65 的官网上写了一句话：fluency is not capability。流利不等于能力。这句话来自 1965 年 MIT 的 ELIZA 模型——也是 A65 名字里"65"的由来。 Harris 说他们在技术选择上非常务实："我们不是为了 agent 而做 agent。有些东西直接可以用代码写死的，我们就用代码写死。现在 MCP 很火，但我们看到 MCP 里有很多缺点，那我们就直接用 API。" "不是说 API 是一个老旧的技术就非得用 MCP 代替掉。今天解决这个问题，本质到底怎么解决，怎么效率最高，成本最低，我们就做这个。" 这跟很多 AI 创业公司讲的故事不一样。大部分人的叙事是越新越好、越 agent 越好。Harris 讲的是：回到 foundation，回到本质。

https://mp.weixin.qq.com/s/mG4pNriXu0ZBAN1dyQ7Bvw

明天见！新加坡首场「AI 投资开放麦」🔥 AI 时代，我们都在学怎么用 AI。 但还有一项能力， 越早建立越好——投资。 不是教你追热点，也不是来听一场“高高在上”的金融课。 我们更想一起聊清楚： AI 到底正在改变什么？ 哪些趋势值得长期关注？ 普通人、创业者、投资人，怎么参与下一轮机会？ 明晚邀请了 罗晨博士、杨振宇先生、Jacob，从教育、创业、科技、投资不同视角，一起聊趋势、聊判断、聊踩过的坑，也聊正在发生的新机会。 📍08.18 周二 19:00–21:30 📍YMCA 二楼 · 新益国际学院 报名：https://luma.com/z5pnxsge 欢迎创业者、投资人、技术爱好者，以及所有对 AI 和未来感兴趣的朋友来玩。 AI 时代，别只学会使用工具。 也开始学会看懂价值、判断趋势、配置未来。 明天现场见！🚀@所有人

在一些新兴市场比如拉美，国内模型已经需求量跑在前头了。方向大有可为，值得好好聊聊！