最近跟很多新加坡VC交流，提起几个从本地做市场的团队，都说不看这种。 最开始，我会觉得自己国家的VC都不看首先做自己市场的startup，实在大开眼界，世界独一无二。 毕竟之前有另一种说法，可以用新加坡来验证市场，600万人口的城市，英语母语国家，消费能力充足，做成了，直接跳过东南亚，去做北美。 但是，看的项目变多了后，我觉得新加坡作为验证市场的说法有点站不住脚。 市场扎根于这个国家太多复杂的机制，政治结构，法律框架，人口种族文化语言，甚至市场准入，消费习惯，互联网生态，线上线下渠道状况。 指着新加坡来市场验证，唯一能平移过去的市场可能只有半个马来西亚，还需要战战兢兢如履薄冰。 也想听听的你的看法？

大模型三年多了，最早一批做应用的founder，很多已经换了好几轮方向。当然也有很多钱烧光了。这次聊的founder@AHua MAO 产品变了好几次，但背后的产品逻辑一直很consistent。 1. 做对了但太早，先活下来 2023年7月，ChatGPT才出来 8 个月，他已经在洛杉矶用自己的AI 助理点菜了：丢进去一个地图地址，它查出这是川菜馆、人均多少；再告诉它五个人、100美金以内、要两个不辣的，把菜点好，服务员照着聊天记录上菜。 但一条消息0.2美金，他自己一个月就烧掉1000多美金。他知道token价格一定会降，但扛不到那一天。于是他把助理里帮人记账的那一小块拆出来，转做toB，成了今天的ccMonet。 2. 目标定得远，从前提条件倒着做 他一开始就想"给每个小企业配一个 AI CFO"。但 CFO要做预测、做决策、帮融资，前提是数据完整、准确。所以他先做最不性感的记账：票据和银行流水交叉对账。有流水没票，说明票丢了；有票没流水，说明钱还没收或还没付。 3. 让外行能用，判断交给系统 传统财务软件，从金蝶、用友到 QuickBooks、Xero，用户都是会计。他的用户是诊所前台、送货小哥，拍张发票就记完账了。 比如买台2000美金的电脑，系统看出你是餐厅而不是做电脑贸易的，就自动判定为固定资产，按60个月折旧。他早期甚至刻意不招财务人员，让PM去想前台会怎么用。 入口从表格变成拍照只是表象，底层是判断的责任从用户挪到了系统。 4. 识别不难，难的是不出错 有人说这不就是OCR吗？但识别只是前提，还得理解、校验，因为财务不能有幻觉。他陪一位餐厅老板去原来的会计事务所，随手拍了一张手写的工资单，系统当场提示：总额多报了40多块。而原来的事务所，只会照抄右下角那个数字。 5. 第一个客户，买的只是一个功能 封闭开发一个月后，产品还没成形，只有"拍票据、变成结构化数据"这一个功能。泰国一家跨国公司的 CFO拿去用了，把20人的财务团队改成"弱的只负责拍照、强的负责 review"，三个月理完十几家公司的账，过了安永审计，融资到账。是客户推着产品往前走的。 6. 最后10%是人 AI能做到 80%、90%，剩下的要靠人：一线团队核查数据，持牌会计师最后签字，每一次改动都留痕、可审计。功能谁都能抄，这一层抄不走。他把这叫作"温度"。 ———— 也很好奇，如果你是三年之前就开始AI创业，现在怎么样了？哪些变了哪些没变？

AI时代做增长的经典困境：做一个AI产品已经没有门槛了，但获得一个客户的成本很难随着规模扩大而下降。 AI 让产品供给变快了，但用户的注意力、信任和购买决策没有同步变快。 具体到2C和2B： - 2C：刚需场景容易做深，难做大；大众场景容易起量，难留住 - 2B：产品能创造价值，但每一单仍要重新销售、实施、推动采购。 我们的产品已经足够fancy，但产品的增长方法论好像依然停留在刀耕火种时期。 期待你的经验分享，这周四下午我们也组了个线下局，邀请具有增长实战经验的founder朋友参加，目前参与人有：SEO/GEO公司创始人（Harvard MBA），孟加拉最火startup创始成员（Harvard MBA），前多准数据CEO现Grantla创始人等。

终于在OpenAI开了一年多之后来了，卷起来吧，新加坡👌

大家是怎么处理操作的？是同时开几个chrome吗？

跟史大侠Allen聊了一下午，他是物理学出身，跨过制造业、科技、出行、Roblox游戏和元宇宙，现在是AI出海的产品与战略顾问，常年跑美国、日本、台湾和新加坡。 几个点特别有感： 📌 新加坡不是市场，是基地 "不要把新加坡当做一个市场来做，要当成美国在亚洲一个很重要的基地。"美国公司进亚洲需要本地 partner，新加坡是综合型人才的据点。 📌 出海最大的坑：culture fit 你团队用飞书和腾讯会议，海外用 Slack 和 Teams——自己都不用，怎么做海外版 teamwork 产品？Manus 做对的一件事，是早早抓住了 Chrome plugin 这个渠道。 📌 去了趟纽约，发现百亿市场 他认识的一个亚洲团队原本想做保险 workflow，去纽约跟银行和保险公司聊完，找到一个极细的 niche：税务申报纠错保险，百亿美金以上。 📌 供需方法论 找切入点的核心：找到供给和需求不匹配的地方。大部分创业者只看供给侧，不理解需求侧。做餐饮票券的不该越做越细，应该切入库存管理、支付、物流这些大问题。 📌 不招人，10 倍增长 现在的挑战是 revenue growth 远大于团队能力的 growth。他的命题是：不招人，怎么实现 10 倍运营增长。 📌 YC 现在看你ChatGPT怎么用 申请 YC 要看你的ChatGPT使用记录、GitHub提交、Codex产出。"你有没有真的在用 AI 做事，装也装不来。" 📌 风口 ≠ 增长 元宇宙是风口，真实需求是随身camera和实时翻译，所以出来的是Ray-Ban眼镜，不是VR头盔。别追现在什么火，想想半年后世界需要什么。

也是个英伟达概念股。 这几天大哥带动着二哥三哥，毕竟人家要花400亿买英伟达芯片。

最近总有一些朋友过来问，比如portfolio有个founder搞定了美国的一单业务，领导也很支持，但他们ODI太难了，可以搞家新加坡公司吗，怎么搞。 我一看，千万别纯wash，被岛国gov一查一个准。真想搞，前提是真实业务、真实资金路径、真实的人在这里。少一样，这家公司迟早是个雷。 但这种来问的变多了，我也开始从生态角度反思自己，以及未来整个华人创业者和AI出海如何走向这种哲学问题。 作为一个几乎见证了中国上个周期经济上行期的人，3年前来新加坡确实觉得这地方的人，幸福得不需要格局和野心，每天最烦恼的事儿是今天停车位没了和头顶上的乌鸦变多了。今年因为AI出海太火，最respect的企业也只是在wework租了四个工位，对新加坡发展业务“认真尝试”。 毕竟在国内融了几百几千万美金，不去美国那个物价利率股市一片向好的地方搞一搞，对不起观众。 但新加坡自从manus这一起一伏的剧情之后，大家的心眼变多了。600万人口。横向看，上海3000万北京2000万人口，为啥不回国卷。除了线下，想不出其他bd和增长路径。to C的业务啊，哦线上流量比线下还贵。 那新加坡还能干啥？ 问我？上面的叙事全是错的。 新加坡从来不是市场，是位置。 站在操盘的角度看国际政治和两个双子座老爷爷👴的未来：动态发展的多边关系，利益博弈，甚至最基础的商业市场前景本身。 但前提是你真的在这里。四个工位加一个代持的时代，已经结束了。 新加坡不是目的地，它更像一个坐标。 你在这里设公司、融美元、见客户、招人，都只是表象。真正重要的是：当全球市场、资本和政治关系不断重组，你有没有给自己留下一块可以移动的位置。 所以新加坡到底是爱过、错过还是路过，其实取决于你把它当成什么。 这是当前政治经济格局下最有利的一颗棋子。你只是路过它，它也只会路过你。 全球化下半场，真正稀缺的不是找到一个完美目的地，而是保持自己移动和选择的能力。 所以别问我新加坡能干啥，先问你自己的野心有多大。

@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/

@Zijian 子健-TalkMe 做了三个 AI 产品：Talkme（AI 口语练习）、ListenLeap（用播客和 YouTube 学语言）、Stances.ai（从播客中提取一手信源做研究）。 三个产品看起来很不一样，但底层有一个共同的判断：声音是被低估的信息媒介。他在节目里说，声音比文字信息量更丰富，比视频少很多噪音。 这个判断贯穿了他整个产品矩阵的逻辑。 1. Talkme：不是和 Duolingo 抢生意 子健 2024 年初做 Talkme 的时候，只是做了一个很简单的 AI 对话 demo，丢到 B 站和海外的导航站，结果意外爆火，来了几万用户。那是 GPT-3.5 Turbo 的时代，他意识到 AI 口语练习的 PMF 已经验证了。 但他很清楚自己不是在做第二个 Duolingo。Duolingo 的核心是零基础用户的习惯养成——每天五分钟，打卡积分。Talkme 做的是"学以致用"：你已经有一定基础了，但是不敢开口，不知道怎么用。 大模型的语音聊天功能呢？子健的比喻是：大模型像一个什么都知道的美国朋友，你问什么他都能聊，但他不是老师。他不会纠正你的发音，不会帮你设计进阶路径，不会在你犯同一个错误三次的时候停下来教你。Talkme 有完整的课程体系和进阶路径，全球积累了近 1 亿条用户语音录音——这是大模型没有的数据壁垒。 AI 的一个天然优势是多语言：同一套产品逻辑，可以用国家 × 语言的矩阵打法覆盖全球市场。台湾目前仍是最大市场，日本的 ROI 不错，大陆增长很快。 2. ListenLeap：听力的场景比口语多得多 Talkme 做的是"说"，但语言学习有输入和输出两个方向。子健发现，听力的使用场景远比口语多——通勤、做饭、跑步，这些碎片时间都可以听，但很难开口练。 YouTube 上有 30 亿语言学习者。这是一个巨大的存量市场，ListenLeap 的逻辑是：用播客和 YouTube 内容做沉浸式听力练习。产品上线小红书后，增长翻了 10 倍以上，成为小红书语言学习品类排名第一。 有意思的是，团队在这个阶段反而变小了，但收入在涨。效率提升本身就是 AI 时代的一个缩影。 3. Stances.ai：不生成，只检索 Stances 是最新的产品，也是最独特的。它的起点是 ListenLeap 里的一个功能：既然已经在处理大量播客内容，那能不能从中提取有价值的信息？ 这个功能后来独立成了一个产品，核心卖点是四个字：一手信源。 你问一个问题，Stances 不会像 ChatGPT 一样给你生成一个答案。它会告诉你：哪个人类专家，在哪期播客里，说了什么。不同专家的观点是共识还是分歧。同一个话题随着时间怎么演变。每一个论点都链接到播客的原始时间戳，你可以直接跳过去听原话。 比如搜 DeepSeek，你会看到 a16z、YC、Nvidia AI Podcast 等不同来源的专家各自的判断。 这里有一个关键的技术选择：Stances 不是生成式的，是检索式的。子健说，技术路线跟大模型根本不同。他们自研了模型（数十亿参数），基于 ListenLeap 一年多积累的播客数据标注来训练。 没有就是没有，不会强生成。你问海南鸡饭怎么做，如果播客里没人聊过这个，Stances 就直接告诉你没有——不会硬编一个答案出来。 这也决定了它跟 Perplexity 的本质区别。Perplexity 是 AI 搜索引擎，基于网页，什么都能搜。但网页是二手甚至不知道几手的信息。Stances 只做一手信源，不求全但求专，服务的是决策成本高的人群——投资人、分析师、创业者、科技研究者、记者。这些人不需要一个什么都能答的 AI，他们需要知道：关于这个问题，真正懂的人怎么说的。 4. 不替用户做判断 Ellen 在节目里问了一个很好的问题：如果出现新证据推翻了之前的结论，Stances 会主动提示用户吗？ 子健的回答很直接：我们不认为谁对谁错。沿着时间线，在不同时间点展示不同观点的演变，让用户自己判断。物理学家和化学家看同一个问题的逻辑不一样，判断也不一样，但不一定有谁对谁错。 这个产品哲学其实很少见。大多数 AI 产品都在努力给你"最好的答案"，Stances 反而在克制——它的价值不在于帮你想，而在于帮你看到所有人怎么想。 5. AI 创业的三个阶段 子健创业 6 年，大模型之后的 AI 创业已经两年多。他把这两年分成三个阶段： 早期，急着做出产品证明自己。中期，验证了一部分，急着扩量增长，但商业模式还不稳定。到现在，他说心态稳定了很多——知道自己的边界在哪，不给自己过高期望，跟投资人和其他 CEO 聊天也更敢于表达自己的观点，不去迎合。 他也很坦率地说，创业 80% 的时间都处于很 down 的状态，因为压力。但每发现一个新机会做出来的时候，就觉得"我又行了"。对于连续创业的人，压力已经成为日常。 他提到了一个新的生产方式：三款产品都是清北的状元加上斯坦福、哈佛、普林斯顿的同学们做的，资深工程师做架构引导和安全防护。用初生牛犊的创造力加上老手的经验，做得非常快。 6. Vibe coding 做出产品不难，找到付费用户才难 最后子健说了一句让我印象深的话。 他说，现在 vibe coding 很强，一个周末做出一个跟我们八九不离十的产品，不是不可能。但你如何获取到第 1000 个、第 1 万个付费用户，这是非常难的一件事情。 几个产品从 0 冷启动到运营，到第 1 万个付费用户，到第 10 万刀收入，这些经验既适用于全球市场，也适用于中国大陆市场。而且很多认知是团队积累的、没办法被文字化的——只有做到那个点，遇到类似的问题，才知道该怎么办。 技术壁垒在降低，但运营壁垒没有。这大概是 AI 创业进入深水区之后最真实的一句话。