【十字路口】在「缓慢、昂贵且分散」的市场，AI 的机会最性感 | 对谈 Mizzen AI 孙克强&李一豪【视频播客】

现在的这些大模型都是一个很好的回答者 ， 而不是一个好的提问者 。

恰恰是 AI 有更多机会的地方 。

这能做成一个很大的公司 。

它如此的便宜 ， 如此的高效 ， 如此自动化 。

对我来说 ， 我终将死亡 。

它是 ， 不能说一锤定音吧 。 嗨 ， 我是 Koji。 本周的十字路口呢 ， 我们请到的是觅深科技 ， 啊也是 Mizzen 这家公司的创始人和 CEO 孙克强 。 那他们在做的呢 ， 是用 AI 来去做用户访谈和用户调研 ， 以及他的天使投资人李一豪 ， 呃 ， 也是 CreekStone 的合伙人 ， 我们的老朋友 。 好 ， 你们好 ， 欢迎来到十字路口 。

你好 。

Hello，Koji。

嗯 ，OK， 好 ， 我们的节目啊 ， 有一个传统 ， 还是从自问自答开始啊 ， 因为一豪之前已经来过了 ， 我们今天就放过你 ， 我们先从这个克强开始 。 请问克强你的年龄 。

三十岁 。

呃 ， 毕业院校 。

硕士毕业于清华大学 ， 博士毕业于港中文的 MM Lab。

你的 MBTI 和星座是什么 ？

是 ENTJ， 巨蟹座 。

我们用一句话来介绍一下现在的公司和产品 。

Mizzen AI 是一个以人为本的 AI 公司 ， 不管是产品还是我们公司本身 ， 都希望更好地围绕人进行展开 ， 更多地去理解人 ， 也帮助人更好地理解这个世界 。Mizzen Insight 是我们在这样的背景下打磨出来的第一个用于用研的产品 ， 它可以让传统的用户研究速度提升一百倍 ， 成本下降到十分之一 。

现在的团队规模呢 ？

一共只有八个人 。

一句话介绍一下创业之前在做什么 。

创业之前还是在创业 。 啊 ， 我当时是以合伙人的身份跟 MusiPay 创始人 Louis 一起做一个新的创业公司 。 在上一次创业之前呢 ， 我有五年的在商汤的工作经验 ， 和 Meta 的半年工作经验 。

那我们还是先从这个克强你们做的这一次新的产品方向聊起哈 。 就是 AI 用研的这个赛道 ， 最近不管是在中国还是在美国 ， 感觉都是非常受欢迎的 。 哎 ， 那可不可以分享一下你们为什么会选这个方向呢 ？

之所以选择从这个赛道进行切入 ， 我核心思考的是三个问题 ， 一个是这个需求是不是真实的 ， 另外是一个技术变量 ， 这是不是一个足够颠覆性的技术 ， 第三个 ， 这是不是一个通往伟大之路 。 这三个问题最终都是指向了我们这个赛道 。 我们知道全球最大的用户研究公司 Nielsen， 啊 ， 成立于一百多年前 。

哦 ， 它有这么久的历史了 。

对 ， 但是很遗憾的是 ， 我们现在还在用着一百多年前的方式 ， 一个非常粗糙 、 非常低效的方式来展开用户研究 。

Nielsen 是不是一个非常劳动密集型的公司啊 ？

对 ， 是的 。

嗯 。

里面有非常多的人 ， 一个项目通常需要消耗六十个人天以及平均十万左右的项目开销 ， 很慢 、 很贵 ， 效率也很低 。 我们这一次创业 ， 其实从五月份开始 ， 和一豪兄也在大规模地这个探索各种各样的 idea。 那里面会经常迸发出一些非常有意思的产品方向 。 那从一个产品的第一步开始 ， 我们其实就是要来到用户身边去调研 ， 但

发现这个事情非常的漫长 。 通常我们需要花一整周的时间去访谈十来个人 ， 来确定我们这一个需求是否是真实的 。 啊 ， 但这个过程就让我们感受到非常的累 ， 非常的慢 。 我们发现 AI 让产品的迭代速度大幅加快 ， 但是用研的速度是远远跟不上研发的速度 。

所以其实 ， 其实就是现在做东西变快了 ， 但是这个做什么的这个问题还是需要这个有 ， 这用户研究去解决嘛 。 所以咱们想做的就是去帮助大家更好地发现用户需求 。

对的 。 我们也访谈了很多一线的做用户研究的一些人 ， 验证了我们需求的真实性 。 而技术变量在这里带来了一个新的拐点 ， 是一个颠覆性的改变 。 传统用户研究只能串行地来 ， 但是 AI 有可能以并发式的方式同时去访谈所有的这二三十个人 。 而第三个 ， 我们说它是一个通往伟大之路 。

就是说这能做成一个很大的公司 ， 就是这个 business 是可以 scale 起来的 。

不仅如此 ， 我们还发现它未来的可能性和想象力是巨大的 。 一个产品的闭环它是什么样的 ？ 它要从用户研究开始 ， 然后中间开发出来这个产品 ， 最后还要回到用户去 。 如果中间但凡有一个环节是滞后的 ， 你最终的这个产品迭代速度还是很低效的 。 而如果有我们这样一个平台 ， 能够把中间的这一个用户研究的速度也进一

步地加快 ， 这时候我们在后面看到的是一些产品自迭代 、 产品自动升级可能性 ， 这对我们来说是非常令人激动的 。

对 ， 这儿还有一点补充 ，AI 这一代的模型都在隐性建模 ， 实际上它也有可能超越我们传统的人类的产品经理 ， 从用户的反馈中挖掘更多的信息 ， 而这些信息可能用于隐性对齐的方式 ， 直接反映到产品的不管是交付 ， 还是体验 ， 还是性能 ， 甚至价格上 。 这个是我们一起探索非常令人兴奋的旅程 。

刚才这个克强介绍了你们为什么做这个产品 ， 那咱们现在这个产品是一个什么状态呢 ？ 这个目前已经发布了吗 ？ 有多少用户 ？

借我们的十字路口这个平台来插播一则硬广 。 非常荣幸地 Mizzen AI 的第一个产品能够在十字路口与大家正式见面 。

我们来看看有多硬啊 ， 这个广告 。

我们推出的这个产品叫做 Mizzen Insight， 它是一个全链路的 AI 用研平台 。 从此 ， 用户研究不再是漫长 、 昂贵 ， 只有大公司才能做的事情 ， 它将变成一种普惠 、 实时的能力 。 有了 Mizzen Insight， 你可以早上来到公司去提出你的一个问题 ， 午饭之后就能拿到洞察结果 。 研究的周期从月级缩短到小时级 。 如果你正在做决策 ， 却对用户怎么想缺乏把

握 ， 如果你在犹豫是否要启动一项传统低效的研究 ， 那快来试试 Mizzen Insight， 以百倍速度挖掘市场洞察 ， 让你的决策快人一步 。

哇塞 ， 感觉我们这个背后应该配上那种就古典咚咚咚咚咚的一些这个激昂的音乐 。

OK， 上链接 。

是的 ， 就塞拉利昂上链接 。

哦 ， 对 ， 链接在评论区 ， 自取 。

好的 ， 好的 。 好 ， 哎 ， 我知道克强其实你有一位合伙人啊 ，Andy， 他之前做了十几年的这个用户体验 、 用户研究的工作 ， 可不可以讲一讲 ， 就你们观察到的现在的整个用户研究这个行业它是一个什么样的现状 ？

我的产品的合伙人啊 Andy， 他是 ， 呃 ， 唐硕咨询的创始员工 ， 目前国内最大的一个用户体验咨询公司 。 啊 ， 他是在这边深耕了多年 ， 后来他又有很好的 To B 的服务的经验 ， 在飞书 ， 啊 ， 做多表格的基建 。 他带来了很多客户 ， 我们现在在 ， 呃 ， 一起和客户共创的过程中 ， 也挖掘出来很多对于这个市场和这个行业的洞察 。 其实

存在一个反共识的洞察 ， 就我们发现用人来作为主持人去开展用户研究 ， 里面存在一些系统性的问题 。 首先第一个是我们认知边界带来的高昂的对齐税 。 由于人的精力是有限的 ， 所以在传统的这个项目开展过程中 ， 经常会有多个主持人一起去开展访谈 ， 不同的主持人之间要进行信息同步 、 信息对齐的时候 ， 洞察的稀释

， 啊 ， 和对齐的成本都会非常的高昂 。 而另一个是人的疲劳非常容易累积 ， 而你的情绪又会影响你的访谈的效果 。 啊 ， 如果说今天 Koji 不是这么精神饱满的状态来进行沟通的话 ， 我可能也会比较 ， 比较 down 一点 。 然后最后有一个很重要的事情是 ， 即便你是用同一个主持人去完成了所有的访谈 ， 里面还是会有问题 ， 因为主持

人会存在认知的边际效益递减的现象 。

认知边际效益递减 。

就比如说我接下来要去访谈二十个人 ， 那我在 ， 在聊第一个人的时候 ， 我觉得我挖掘了非常多这个方向的信息 ， 但是当我访谈第二个人的时候 ， 信息密度和我对其中的兴趣浓度就会大幅地衰减 。 除了我们前面提到的那个慢 ， 啊 ， 和累这些问题之外 ， 还存在一个大家被隐藏起来 ， 大家不那么容易关注到的问题 ， 就是人类

的访谈洞察效率和洞察深度甚至都不够强 ， 不够深 。 而 AI 在这里带来的可能性是 ，AI 是有极强的一致性 ， 它可以对所有的访谈者都是第一次访谈那样 ， 去对他充满好奇 ， 对他的每一个有可能存在的点进行追问 ， 从而从所有三十个人里面去挖掘 、 去洞察 。

对 ， 最近不还有一个很流行的 prompt， 就是问 ChatGPT， 呃 ， 根据你对我过去的了解 ， 来指出我身上三个致命的弱点 。 啊 ， 因为它的 memory 功能越来越强嘛 ， 发现它确实对人的洞察力是非常强的 。 啊 ， 这个赛道其实在北美已经有非常多的玩家 ， 我们知道这个融资最多的 ， 比如 Lesson Labs， 嗯 ， 红杉投的一家公司 。 对 ， 所以我很好奇啊 ， 就在一豪在

你看来 ， 就现在这个赛道大概你了解有多大的一个规模呀 ？

我们一直在强调两点 ， 就是在 AI 这个浪潮的第一个阶段里面 ， 其实垂直的细分是有非常多的机会的 ， 我们在追求一些垂直细分领 ， 领域的这种 super intelligence。 然后第二点是我们 ， 我们觉得其实人力密集 ， 然后传统和半数字化的很多行业恰恰是 AI 有 ， 有更多机会的这个地方 ， 它的供需差会更大 。 我们看这个调研的市场 ， 其实传统调

研市场大概全球有 ， 有八到九百亿美金 ， 但这个就包括了像 ， 呃 ， 克强之 -- 前面提到像 Nielsen 这样非常非常传统的产业 ， 然后新兴一点的做这种 UX、UX 的 tools 的这个市场其实小 -- 要小很多 ， 也大概三到五十亿美金 。 我 - 我们第二个关注的问题就是 ， 呃 ， 这个广义市场结构已经进入了固化 ， 已经进入了并购整合 ， 它其实非常像 HR tools，

像之前传统的 legal tools 的市场一样 ， 已经出现了这个早期的寡头垄断 ， 但是依然结构性非常分散 ， 这其实很符合我们对市场的这种偏好性 。 就这样的市场 ， 新的技术变量来以后 ， 它往往是最容易出现新的这种 ， 呃 ， 进入者 ， 新的 ， 呃 ， 寡头垄断的机会 。 呃 ， 然后第二点 ， 我们 ， 我们发现其实 ， 其实每个产业本身它都有它的

物种特性 ， 用研市场跟可能 HR 市场 ， 跟很多传统的金融法律市场一样 ， 它 involved 速度并没有那么快 ， 这反而给了新进入的创业公司以更好的机会 。 已经深度数字化的 ， 包括像我们看到的 ， 呃 ， 这个电商 ， 然后包括内容营销这样的行业 ， 由于它本身就深度数字化 ， 是由新一代的互联网巨头催生起来的市场 ， 这类市场其实面对

巨头的竞争 ， 尤其你的生态本身都是巨头的玩物或巨头造的场来说 ， 其实竞争压力是更大的 。 然后第三点我们看到就是 ， 调研市场其实本身它和这些 agency， 和我们当时甚至中国的互联网教育市场非常像 ， 就是 ， 呃 ， 这个市场的多样性 ， 呃 ， 垂直市场本身的行业专业性使得在每一个甚至有价值的细分里面都会出现销售规模非

常可观 ， 非常有经济回报的这种公司 。 基于这几点 ， 其实我们对这个市场产生了非常好的兴趣 。 另外更多的来自于这个市场的需求 ，AI 怎么结合它的洞察和 ， 这个 ， 变化 ， 更多都是克强 ， 呃 ，Andy 这个团队在与客户真正 daily based 的交互 ， 这 ， 需求的这个提炼过程中发现的真实需求和这个 PMF 的这个机会 。 看完这个市场 ， 其实还有一

点很重要的是中国团队的机会在哪里 。 我觉得这点很重要 ， 就是 ， 呃 ， 我们 ， 我们中国团队总结下来 ， 其实是对 ， 呃 ， 互联网原生的理解非常强 ， 以及有极强的用户洞察 、 用户理解 、 产品连续迭代和深度运营的能力 ， 以及 ， 呃 ， 更重的 、 更复杂的用户交互 ， 就是尤其面对 To B 啊 ， 企业级客户交付能力 。 这个其实也是克

强 ， 呃 ， 这个团队我们看到的非常好的组合 ， 我们觉得非常有竞争力的地方 ， 就是解决时 ， 这个时代问题的工具已经完全进入了新的范式 ， 是 AI 原生的 。 那么这个团队由克强带队 ， 本身对技术上的理解是非常深刻 ， 非常有洞见 ， 非常远期的 。 而团队里又有咱们的商业老炮 ， 而且这个商业老炮来自于互联网时代 ， 其实像

飞书这样最成功的 ， 呃 ， 企业级的产品 ， 以及全球化的产品

呃 ， 又来自于 ， 呃 ， 这个之前像咨询行业这样的这个行业深耕来的经验 。 其实这么一个 ， 呃 ， 融合但又以技术 AI native， 呃 ， 为出发点的团队 ， 是我们觉得在这个时代和这个赛道里面非常有竞争力的团队 。

刚刚一豪提到这个整个市场规模有 ， 啊 ， 接近一千亿 ， 啊这个在我看来是一个非常 surprise， 这是一个很大的数字 。

对 ， 我们其实发现有很多市场还是有很多共性的 。 这个 ， 这个市 - 市场挺像美国 ， 包括就欧美主流市场 ， 其实 legal 的传统市场大概是四千亿左右 。

就法律是四千亿 。

四千亿美金 ， 然后但它 legal tech 在里面大概占到六百到七百亿美金 ， 就纯的它 SaaS 化 ， 上一代云化和 SaaS 化的 ， 呃 ， 服务型的软件型公司就有六百到七百亿美金 。 而这个的在中国的最好的对标实际上是我们的 K12 教育 。 就在双减之前 ，K12 教育是从大概两千六百亿涨到了四千六百亿 ， 接近五百 -- 五千亿的市场规模 ， 而这里面长出了几

家头部公司的 ， 我们的国产玉三家基本都在一百到一百五十亿年的收入规 - 规模 。 所以你会发现这些市场本身它就像一个物种一样 ， 它有很 - 很类似的这种是 -- 特性 ， 它有它的市场 ， 它的深度服务化和这个行业的特性决定它天然是 scatter 的 ， 但第一名又在巨大的市场推动下 ， 有足够 -- 足以上市和足够给投资人很好回报的这

样一个收入和利润的空间 。

哦 ， 所以 user research 这个八百亿美金今天的一个这个整个市场规模它也是非常分散的 。

对 ， 它也非常分散 。

哦 。

它的头部的这个玩家其实一年 ， 年货也就二十多亿 ， 二十到三十亿美金的收入 ， 它已经能够连续并购这个产业里面的很多 ， 很多小型 、 中型公司的和区域型的公司了 。

哦 ， 所以你会认为有了 AI 的这一波的助推之后 ， 有可能头部玩家会变得更大 ， 而且有可能是一个新生物种 。

是的 ， 我们觉得尤其是新市场 、 新需求和新客户 ， 就像互联网长出了很多互联网原生的公司 ，AI 会长出很多 AI 原生的公司 ， 可能这些公司天然就用的是 AI 原生的用户调研的工具来伴随它们产品的迭代和自生长 ， 甚至走到更极致的十人甚至一人的超级公司 ， 这样的公司也会推升新的需求 。

哎 ， 这个很有意思 。

是的是的 。

在传统来说 ， 用户研究是一个非常劳动力密集型的行业 ， 啊所以里面的很多小公司 ， 它的公司人员的规模会随着你的整个 ， 呃 ， 每 - 每年的这个业务的增长去增长 ， 到后面就会发现管理成为了这个公司非常重的一个要素 。

可以理解 ， 因为它不但劳动密集 ， 而且它是智力劳动密集 。

对 。

就是这种人其实比起工人的那种劳动密集是要难管理很多的 ， 因为他的工作他需要有他的主观能动性 ， 需要有他的智力劳动 ， 需要有他的精力状态 。 你的人越多 ， 管理半径越大 ， 有可能就管不好 ， 管不好 ， 但是每个客户需要的交付的质量是一样的 ， 那这个 ROI 是递减的 。

我觉得这儿还有一个挺大的变化 ， 就是说其实以前用得上 ， 这个市场这么大 ， 这也意味着它其实是高通胀循环游戏中的一部分 ， 是很多高毛利 、 高剩余价值的企业才用得起的一种服务 ， 对吧 ？ 但是我们看到一些工业产成品 ， 可能或者一些中低价值的这种产成品来说 ， 它可能没有足够的毛利用 - 用上这种称得上为服务的

用户调研也好 ， 甚至用 -- 用户调研的产品 ， 但可能在 AI 时代 ， 这件事情就会变得可能 。 是因为它如此的便宜 ， 如此的高效 ， 如此的自动化和 AI 的驱动 ， 其实这可能是新增市场 。 我觉得往往做新不做旧 ， 就是做新增市场的新机会 ， 呃 ， 对创业公司来说反而是更友好的 。

啊这个很 make sense， 因为之前这个我在做糖糖 CEO 的时候 ， 我们也做用户研究 ， 刚好 ， 然后也会一对一地去和用户的这个做访谈 ， 而且我觉得这是非常重要的事情 ， 因为消费品和这个 APP 或者和网站不一样的地方是 ， 它是不能说一锤定音吧 ， 但是你发一个版本的代价是很大的 。 备 1 万件货 ， 如果卖不掉 ， 它变成库存不说 ， 你要销

毁它都要钱 。 但是软件发上去 ， 哪怕这个需求偏差了 ， 但是你可以很快地迭代 ， 你甚至还可以回撤 ， 对吧 ？ 但是不是每个公司都有那么多的成本去做用户访谈 ， 因为这里需要的这个人的素质要求其实是不低的 ， 这些人的这个 hour pay 是高的 。 然后 ， 所以刚才一豪讲到这个我觉得还挺有趣的 ， 就过去比如说我自己啊 ， 也有作

为被试接受过一些访谈 ， 比如说戴森 ， 或者说蔚来汽车 ， 但是你回忆起来都是像你刚才提到的 ， 是吧 ， 有钱的 ， 不管它利润怎么样 ， 反正它是有钱的 ， 这种公司它可能才有这样的这个成本去做这种事情 。

对 ， 所以其实我们平台在这边最大的期望就是让用研这个事情不再是大公司 ， 而且是大公司的核心项目才专有的权利 。 我们希望做的其实是一个普惠或者说用研的平权化 。

哎你们现在的客户里面已经开始出现这样的这种共创案例了 。Mizzen 之前他们不太可能为了这个项目 ， 为了这个产品去投入研究的这种成本 ， 但是有了你们之后 ， 他开始为这个事情去做研究了 ， 并且可能还拿到了一些 feedback。

是的 ， 完 -- 有 - 有非常多这样的情况啊 。

嗯 。

我们现在有一个 ， 其实也是一个全球最大的一个消费电子的公司 ， 啊我们和他们合 -- 共创的这个过程中就发现 ， 他们一开始确实也是在做一些很重要的研究 ， 但到后面他们就开始做一些微 -- 非常细小的项目 ， 就比如说他们前不久 ， 前 - 前几天刚刚发了一个项目说 ， 我想了解我的用户愿不愿意使用先用后付费这样一个付

费模式来进行购物 。 就这么一个点 ， 啊他们需要去展开一个项目来进行研究 。 啊还有个项目 ， 他们另 - 另一个公司啊就在开始探讨说 ， 这样的一个应用 ， 它这个手写和屏幕的打字输入 ， 他们之间要不要进行分离 ， 他们适不适合出现在一个产品形态里面 。 就这么一个小小的应用 ， 现在已经要开始用一个几十道题的这样的

问题去深入进行用户研究 。

也是 。

对 ， 其实 Koji 前面这个问题非常好 ， 这是提出投资人问题 。 而作为投资人 ， 我们经常问创业者的其实一个问题 ， 最近一直在想 ， 就是认知内核这件事情 。

就是其实认知内核我们定义是说在最小的 MVP 的情况下 ， 能不能验证用户最痛 、 最啊哈的这个需求 。 因 ， 因为这一点如此重要 ， 它会引导这个团队整个的发力的原点 ， 然后团队的呃 ， 资金和资源的投入 ， 甚至你基于这个认知内核去构建你需要怎样的团队 。 所以我们想问问克强 ， 就是你在贴身服务我们的客户端 ， 真正未来

会为我们支付的这些客户端 ， 有怎么样的一些反共识洞见 ， 我们的这个认知内核是怎么样的 。

对 ， 这里确实有一个反共识的这个洞察 ， 刚好可以和大家分享一下 。 在于说 ， 其实在 AI 驱动之下 ， 产品构建的成本大幅地降低 ， 甚至低于分发成本 。 而传统 —— 在这个背景下 ， 传统用户研究的范式也必然被颠覆 。 我们之前理解的用户研究好像是一个超级昂贵 ， 我花了几十万 ， 然后花了一整个月时间去 ， 呃 ， 由这些研究公

司做出来的一份报告 ， 啊 ， 然后以及是配套的一次 presentation。 那么现在我们把用户研究的效率进一步提高之后 ， 用户研究的这个范式也发生了根本性的改变 ， 大家开始希望可以变成一个连续渐进式的用户研究 。

连续的渐进式的用户研究 。

对 ， 不像之前你要花一 ， 一整个月时间去做一个大的研究项目 ， 而是变成我可以今天 ， 今天我想了解一个小的点 ， 我就快速地发一个访谈 ， 发一个用户研究项目出去 ， 可能不到晚上我就已经收到一份报告了 ， 每天小步快跑地去迭代产品 ， 推进产品的升级 。

那可不可以请克强来介绍一下 Mizzen 你们具体可以帮客户做什么样的这个用户研究啊 ， 就包括哪些类型 ？ 比如说刚才你提到已经有客户在共创嘛 ， 那可不可以以一个客户的例子来带我们走一走这个完整的生命链条 。

当然 ， 这边可以举一个真实的例子 。 前段时间我们在和国内最大的线座产品牌进行合作 ， 他们来到我们平台上要做的事情非常简单 ， 第一个 agent 是一个访谈创建的 agent， 品牌方就可以直接把他对于这一次共研项目的需求直接说出来 ， 那我们的访谈创建 agent 就会 ， 就会在跟他沟通过程中 ， 在右边实时地去梳理访谈大纲 。 第二个是

样本的招募 ， 你只要告诉我们你的用户画像是什么 ， 啊我们就可以帮你快速在平台上找到符合这个画像的这些人 。 我们还有一个面试环节 ， 我们会邀请这些受 ， 潜在的受访者花五到十分钟时间去确认你的一些身份信息 ， 确保你符合我们品牌方需求 。 那第三个环节就是我们会由 AI 主持人来跟这个受访者进行交流 ， 啊 ， 会

邀请受访者把摄像头打开 ， 他会直接地来询问你一些信息 ， 啊 ， 以及是你是如何想的 ， 啊 ， 并且把你拉回到当时那个情境里面去做一些探讨 ， 啊 ， 和追问 。 第四步 ， 我们就会用我们的报告 agent 去把所有这些访谈整理成一个结构化的最终的报告 。 里面包含从总结性的结论 ， 再包含到每一个问题的具体的定性的 、 定量的分析

， 啊所有的这些东西都可以有原文的支撑 ， 让他可以基于这样的一个报告去开展后续的决策和项目的推动 。

你们有没有观察到一种现象 ， 就是被试当他发现对面的主持人是 AI 的话 ， 他会不会就变得比如说有点敷衍啊 ， 或者他变得就不是像和人交流那样情绪饱满 ， 或者时刻的这种集中注意力啊 ， 就你们有观察到这样的现象吗 ？ 如果有的话 ， 你们是做了一些什么样的事情去对抗它 。

一开始会有一点 ， 但是实际上我们现在通过整个产品的设计已经完全解决了这个问题 。 既然是 AI 原生的一个公司 ， 我们就要扬长避短 ， 发挥 AI 特有的优势 ，hack 人类对 AI 的特殊感知 。 有三个要点 ， 第一个要点是我们让受访者感受到他们在做的这个事情是有价值的 ， 他们是在帮助一个真实的品牌打磨他们的产品 ， 这对受访者

来说能够提升他们在里面的参与感和价值感 。 第二个 ， 这边有个霍桑效应 ， 是说当人来进行主持的时候 ， 你的这个 chemistry 其实会影响对方 。

嗯 。

啊 ， 举一个例子 ， 比如说如果来的是 ， 如果主持人是一个女性 ， 而来的是一个 ， 受访者是一个男性 ， 啊这时候男性会更想去展示自己的男性风采 。 如果对面的访谈是一个 AI， 我们现在感受到的是说 ， 受访者他其实反而会放下对人的那个感受 ， 放 ， 放下那些防备 ， 啊 ， 和里面的所有的干扰因素 ， 就如实去表达自己就好了 。

对 ， 这是 -

这有意思的 。

第三个事情是我们在这里还打磨出来一套 benchmark。 啊我们会 ， 我们会用一套系统去对受访者的回答进行打分 ， 啊里面维度包括了内容是不是真实的 ， 我们会通过东伯泰的形式去对受访者的这个整个行为进行识别 ， 啊同时我们还会去分辨说你说的东西里面有没有足够多的细节 ， 以及你有没有一些自己的主观的分析和一致性的这

个探讨 。 啊所以我们在用户受访者回答之初 ， 我们就会把这样的一个评判标准告诉他 ， 而最后的他的得分会和他实际上拿到的礼金挂钩 。 我们提的是一些非常客观的指标 。 在受访者和我们的这一套评判规则的博弈当中 ， 最好的一个解在于你要变得更加地真实 ， 啊 ， 更加愿意表达 ， 你就可以拿到更多的报酬 。 通过这样的

一 ， 一整套系统 ， 我们发现受访者的述说 ， 诉说欲甚至比之前变得更强 。

哎 ， 咱们的这个受访者都是注册 Mizzen 的用户 ， 是他们是主动来注册说我想要这个被 Miz， 被 Mizzen 上面的客户来访谈的 。

我们其实构建了一个超大的受访者池 ， 啊里面有几个不同的渠道来源 。 啊 ， 一个是我们底层有大量的供应商 ， 我们目前已经和两个国内的供应商和两个海外的供应商完成对接 ， 合起来大概有千万量级的这个受访者数 。 上一层又构建了我们自己的 agent 能力 ， 啊通过 agents 来进行样本的筛选 ， 去审核他们的信息是否满足我们这个

访谈项目的需求 。 我们还构建了一个面试 agent， 确认你的这个受访者他的信息是真实的 ， 满足我们这一个项目的访谈条件 。 第二个 ， 我们也和国内国外头部的咨询公司和研究公司达成合作 ， 将他们的专家库开放给我们 。 最后一个就是我们也在自建我们自己的社群 。

另外一个思路就是访谈 AI， 而不是访谈人 ， 因为 AI 其实也可以模拟人嘛 ， 你怎么看这个可能性 ？

我们发现现阶段还无法使用这样的方式来去支撑用户研究 。 里面有两个核心的要点 ， 一个是现在的技术还不成熟 ， 现在的大模型其实还对人类真实的这个 context 还有巨大的 gap。 呃 ， 人其实是很容易受到环境影响的 ， 环境的每一个变化都会对人的这些思考态度 ， 对于你的偏好都会有巨大的影响 。 现阶段这个模型每一次训练都固

定了它所拥有的这个上下文 ， 所以模型很难去对最前沿 、 最真实的这些用户的态度和洞察进行模拟的 。 你通过这个方式 ， 呃 ， 你只能拿到过去的 ， 并且是 ， 啊不全面的一些洞察 ， 啊这是第一个重要的原因 。 第二个就是现在通用智能能力不够 ， 你很难通过自己的推理去理解到说受访者可能在面对这个产品的时候 ， 他会有

什么样的体验 。 第三个 ， 对 ， 所以我们在和大量的甲方 、 一线的这些品牌方去沟通的过程中 ， 也发现大家对现在 AI 模拟出来的这个受访者 ， 他们的真实性 、 有效度都很 —— 存在很大的顾虑 。 所以这是我们其实在当时否定掉的方向的核心原因 。

咱们虽然这个今天是刚上线啊 ， 但前期其实是和很多用户在共创嘛 ， 那在和这些用户共创的过程中 ， 有什么特别的一开始可能你们自己都没有想到的发现吗 ？

有一个非常有意思的发现 ， 当我们去跟他们探讨 ， 在传统的一个研究项目里面最核心的要点是什么的时候 ， 大家不约而同地得出结论说 ， 最关键的是那个主持人能够问出什么样的问题 ， 就决定了你能从这个受访者身上挖掘出多少的信息 。

哎 ， 那现在的模型 ， 他们做主持人可以做到什么程度啊 ？

现在其实还并不能把这个事情给做好 。 啊 ， 里面有一个很核心的要点是我们发现现在的这些大模型都是一个很好的回答者 ， 而不是一个好的提问者 。 大模型研发公司他们在做一些后训练的时候 ， 不会花太多精力去做提问能力的调优 。 我们可以看到 ， 比如说 GPT， 它是让用户去点选择一个更好的回答 ， 而不是让用户选择说怎

样提问可以问到你心坎里去 。 另一个区别是 ， 所有的这些访谈数据其实都是一元的 ， 啊比如说我们很难知道 ， 苹果其实每年在做大量的用户研究 ， 但是我们很难在网上去找到它的这个访谈过程是什么样的 。

考虑到大模型并不是好的提问者 ， 包括优秀的这种访谈的问答的来回 ， 它也是不公开的数据 ， 啊那咱们怎么做 ？

对 。 一方面 ， 我们现在已经和几家国内外的一线的研究公司和咨询公司达成合作 ， 他们会开放出来已经过了保密协议的期限的那些访谈 ， 并且跟我们签了独家 。 这半年里面 ， 我们也设计了一套专门用于训练一个好的 AI 主持人的体系 。 通过这样的两个方式结合 ， 我们现在已经开始在自研我们自己的一个访谈模型 。 但我们

不只是做一个能说话的模型 ， 我们更重要的是要研发一个能够挖到点的 AI 专业 ， 专业的 AI 主持人 。

这个可以稍微展开一下吗 ？ 嗯 ， 就比如说这个具体你们是在怎么去做这件事情 。

我们选择用强化学习来做这个事情 ， 训练一个好的访 - 访谈员 ， 去提升他的提问能力 。 这个事情非常天然地适合用强化学习这个范式来做 。 那在里面最核心的要素就是构建一个好的 environment 和一个好的 reward model。 啊这个 environment 其实在我们这个场景下面 ， 就是通过我们收集到的这些数据 ， 啊去模拟当时项目的背景 ， 以及这些受访者的回答

。 啊当我们的主持人模型在这样的一个项目背景下提出一个问题 ， 我们的模拟的受访者会进行回答 ， 而这个回答会符合我们前面拿到的这个数据里面真实的受访者的回答的那些信息 。 这样的研究之前没有人进行过 ， 啊所以我们需要在这里自研这 - 这样的一套环境去训练我们的主持人 ， 这是第一个 。 第二个是我们要做好

reward model， 我们要在不同的维度上对这些模拟的受访者的回答进行打分 。 这些受访者的回答是被主持人勾出来的 ， 所以受访者的回答质量越高 ， 也就意味着主持人的提问能力越好 。

我觉得这个 ， 嗯 ， 这个特别好的 callback，AI 下半场的这个新范式 ， 我们看了这么多 ， 这个几千家 AI 公司 ， 也发现其实在每个垂直行业去榨取行业 domain knowledge， 然后去压缩智能的最好方式就是定义这个行业的 environment， 然后最有价值的 ， 呃 ， 这个 benchmark 是什么 。 呃 ， 可能在用户调研这个 ， 这个行业里面提出好的问题 ， 一个好的 ， 呃 ， 主持人本身 ， 这个

role model 就是这个里面最关键的 benchmark。 然后其实 ， 呃 ，pretrain based 的 model， 即使是 general 的 purpose 的这种 post-training 的 model 的智力水平会不断提升 。 但是到了我们的 domain， 其实这是我们可以 harness 的最好的工具 ， 但这个 domain 里面的最优秀的 benchmark 永远来自于这个 domain 专家在不断的包括实践和边缘数据飞轮里面去形成的 ， 这其实就是我们看到 AI 时代 AI 原生公司最强大的壁垒 ， 这也

是跟克强一轮又一轮探讨 ， 在前沿实践中 ， 最让我们不断感到兴奋的地方 。

之前和这个克强聊的时候 ， 你提到你们除了希望做用户访谈 ， 除了做提问 ， 你们还希望做一个这个很宏大的概念 ， 叫做对话级人类偏好图谱 ， 这个可以展开讲一讲吗 ？

啊我们发现人类偏好在传统的语境里面约等于个性化推荐 。 个性化推荐其实本质上是在用一些非常粗糙的标签去给每一个用户 ， 每一个 ， 每一个用户打标签 ， 但这个标签是离散的 ， 我们很难通过这种标签去立体地塑造一个人 。 但我们发现语言可以 。 我们每天表达这么多 ， 说这么多话 ， 在不同的平台上留下我们的痕迹 。

过去是没有一个好的方式可以把 —— 将它们完整地整合起来的 ， 因为里面的计算复杂度超级高 。 我们通过这几年的积累和语言 ， 沉淀下来一个我们自己的关于人类偏好图谱的一个基建 。 通过这个基建 ， 我们可以将你的说过的所有话进行整合 ， 沉淀下来你的一个偏好图谱 ， 以最高效的方式检索到里面跟你最相关的这些偏好

， 和你之前的上下文 ， 啊 ， 从而对你的整个画像进行最立体 、 最全面的建模 。 这是我们沉淀下来的能力 ， 而这样的能力作为我们平台的一个基建 ， 能够给我们客户带来一些新的体验 。 一方面是我们可以帮他们找到更精准的人 ， 因为像之前我要去找人 ， 其实通过一些有限的标签 ， 但是发现这个东西太粗糙了 。 要想找到一

个最精准的人 ， 其实还是要通过你的一个立体化的画像 ， 那你 ， 你最全面的维度的信息对你进行一个定位 。 所以这时候我们沉淀下来的这一套用户偏好图谱的能力就可以快速地帮你去进行整合和定位 。 这是第一个能力 。 第二个是我可以通过我们沉淀下来的用户偏好图谱 ， 去对受访者在我们平台上的发言进行校验 。 如果

你在上一次访谈说了一些信息 ， 而在下一次又将这些全部推翻了 ， 我们就会让主持人去确认 ， 啊 ， 从而确保甲方 、 品牌方在我们这里拿到的是最有效 、 高质量的洞察 。 第三个就是我们可以模拟特定受访者的观点 ， 啊 ， 由于所有的 ， 所有这些受访者的信息全部沉淀在我们平台上 ， 我们可以帮甲方去进行用户的模拟 ， 进行

高效 、 实时的 ， 呃 ， 并且是超低成本的实验性的研究 。

就 Mizzen 虽然今天我们可能这个播客发出去的时候才算正式上线 ， 但刚才听起来你们已经有蛮多的这个早期的用户了 。 那现在已经有付费用户了吗 ？ 然后已经你们是用什么样的方式在向他们收费啊 ？

是的 ， 我们已经有付费用户了 。 我们的收费是免收平台费 ， 啊 ， 但是 ——

按项目收费 。 所以你们是比如说访 10 个人 ， 然后每个人收 1000， 大概收 1 万 ， 就是这个逻辑是吗 ？

对 ， 是 。

哦 ， 刚才其实咱们也提到啊 ， 就用户研究它的这种市场规模足够大 ， 所以不管在北美还是在中国 ， 感觉做这个 AI 的垂直领域的创业的团队都不少 。 所以我想知道这个 ， 比如说在克强看来 ，Mizzen 你们的竞争优势是什么 ？

我们也希望用 AI 原生的方式持续地提升我们的产品力 。 我们发现当用户来使用一个 AI 平台的时候 ， 他最在意的就是你能够挖掘出什么样的用户洞察 。 进一步的其实也就是 AI 主持人在这边面对用户提问的能力 。 这是为什么我们坚持要去自研我们自己的 AI 主持人模型 。 我们是比较罕见地能够将产品能力和技术能力紧密结合

的一个团队 。 我们团队中也有商业老炮 ， 能够在市场上将产品推动起来 。 我们的核心团队就是我们在这个市场上保持领先的最大的竞争力 。

诶 ， 呃 ， 我们前面聊了很多关于 Mizzen 这个产品的一些想法 ， 然后我们再 ， 呃 ， 聊 ， 聊一聊 ， 就是克强你的个人的经历 。 因为之前这个一豪 ， 呃 ， 提到你的时候 ， 他说你这个 ， 他说你的这个创业热情是非常非常非常高 ， 用了三个非常 。

我自己的信仰是 YOLO，You Only Live Once。Ben Horowitz 在他的创业违禁里面提到说 ， 一个勇士之道在于时刻将死亡铭记于心 。 对我来说 ， 我终将死亡 ， 在这之前 ， 我要给这个世界留下些什么 ？ 我希望留下的是一个作品 。

克强为什么选择在这个时间点出来创业做这件事情呢 ？

一方面我一直在研究 AI 技术 ， 所以不断地对整个技术链条进 ， 进行观察 。 啊 ， 我在里面就会发现 ，AI 技术的发展已经越过了落地的临界点 ， 我也看到了平台级的机会 。 另一方面 ， 我自己的技能栈 ， 包括技术 、 产品 、 增长 、 运营等等 ， 也逐渐开始成熟 ， 所以我觉得现在是一个合适的时机 。

知道克强你的背景啊 ， 其实是计算机的视觉啊 ， 但现在这个创业好像并没有特别地用好 ， 并没有特别地用到计算机视觉这方面的研究的基础 。 那你是中间经历了一些什么样的这个转变 、 迭代 ， 然后走到了现在这条路上来 ？

好 ， 如果深度去观察我之前这么长时间的一个研究和创业的探索 ， 会发现这边始终围绕着一个核心 ， 就是如何让 AI 更好地理解人类偏好 。 最早其实是 GP3.5， 它用 RF2 让世界认识到人类偏好是模型的放大器 。 我在博士期间也做了一个系统性的偏好研究系列 HPS， 这是全球第一个系统性地挖掘不同人类的视觉偏好的一个模型 ， 一个工

作 ， 也 ， 也再次证实了一个事情 ， 当模型真正对齐人类偏好时 ， 能力会出现质变 。 模型越来越强 ， 但理解人这个能力是永恒的需求 。 人类偏好是 AI 系统里最稀缺但也最核心的原生信息 。 而最后呢 ， 我意识到 ， 啊 ， 如果要让 AI 在商业界真正落地 ， 它必须理解的不只是视觉偏好 ， 更多的是需要理解复杂的多模态的人类偏好

， 需要理解更多的动机与选择原因 。 而获得这些人类偏好的手段就是用户研究 。 因为在这里我们不仅能用 AI 理解用户 ， 更能帮企业高效地把真实人类偏好作为结构化数据沉淀下来 ， 为品牌提供长期价值 。 本质上来说 ， 这不是从计算机视觉跳到用研 ， 而是我对人类偏好这条主线的进一步执着和深化 。

克强上一段创业其实是和 Louis， 就是 Musical.ly 的这个创始人啊 ， 还是蛮传奇的啊 。 就是你和他在一起这个搭档创业的这个过程中 ， 有一些什么样的这个感受啊 、 体会啊 ？

对 ， 其实他给我分享过一个点 ， 呃 ， 为什么 Musical.ly 会有这么大的成功 ？ 那其实他认为是因为生产力的跃迁 。

生产 ， 生产力的跃迁 。

对 ， 而这个生产具体指的是摄像头的普及 。 乔布斯让每一个人都用了 ， 都有了后置摄像头和前置摄像头 ， 这是一个巨大的产能 ， 而这样的产能的跃迁带来了未来大家创作方式的改变 ， 而进一步带来了消费方式的改变 。 其实这个事情后来也影响到我 ， 实际上我们 ， 我们这个项目的本质也是用户研究产能的跃迁 。 未来你就

像打开摄像头一样 ， 那么轻轻松松地就可以发布一个用户研究 。

诶 ， 那一豪你是怎么发现克强他们团队的 ？ 然后在你决定要投资 ， 要出手的时候 ， 你当时是做了一些什么样的这个判断 ， 让你最后决定扣下扳机 ？

对 ， 这又是一个 ， 这个浪漫的故事要 ， 要分享 。 我觉得其实 ， 呃 ， 这个我 ， 我到现在都非常清晰地记得第一次见克强的这个 ， 呃 ， 早晨 ， 那是个夏天 ， 应该可能这个五六月份还是六七月份的时候 ， 我们本来 schedule 了一个半小时 ， 然后结果坐下来一直聊了三个多小时 ， 那天还下雨 ， 我们从下雨聊到不下雨 。 然后这个过程中最

大感受的就是前面也提到 ， 就是他创业的 passion 本身 ， 就是他所表达的人生路径 ， 他每一次的选择 ， 他每次选择背后所拥有的 option， 然后在这么多 option 里面 ， 最后选择走的那条路 ， 其实都验证了这个人追求的是一场无限游戏 ， 是不断拓宽自己的边界 ， 然后不断地用自己的经历 、 自己的思考和能付出的青春去做一些改变 ， 去对一群

人产生价值 。 这么高利益的追求 ， 它可以很长时间地引导一个人去克服很多困难 ， 然后不断地迭代和进化 。 这个其实在 ， 在短短的可能三个小时里面 ， 不断地一次又一次地 ， 呃 ， 打动我 ， 我觉得这是一切的这个起点 。 然后第二个起点 ， 就是我觉得 ， 呃 ， 克强是我们见过 ， 我们每年这五百个人里面 ， 呃 ， 极少数对 AI 的洞

见非常非常原生 。 后来我意识到就这一点 ， 是因为他其实已经做了很多年的研究了 ， 然后在 ， 在 ， 在商汤这五年 ， 然后在 Meta， 其实他很早就提出来 benchmark 本身的重要价值 ， 这是非常 agent， 非常面向未来的这个 ， 这个定义 ， 而且真的基于这个定义 ， 我们做了很多探索 。 实际上在这之前我们其实已经有过一次 pivot， 我们最早其实 ， 呃 ， 基

于 human preference， 基于视觉 ， 我们探索过在艺术领域里面有没有把这个 ， 呃 ，human preference 的 benchmark 发挥的更大价值的地方 ， 以及类似这种 benchmark 的平台或者 arena 这样的平台的机会 。 呃 ， 但这个 ， 这个机会的探索过程中 ， 其实我还在克强身上发现 ， 发现一个很大的优点 ， 就是它是真实采样 ， 从真实的环境中 ， 呃 ， 获得认知 ， 获得这种有价值的实际认知

的 。 就他调 ， 调研了非常多的这种 art gallery， 然后聊了很多 artist， 聊了很多 ， 呃 ， 甚至包括这个行业里面交易的人 ， 才意识到说艺术这个市场的供需结构到底是怎么样的 ， 它可能供 ， 供给已经不是稀缺阶段了 ， 渠道 、 资本 、 分发已经 ， 呃 ， 已 ， 已经是在主导 ， 主导价值了 。 这跟我们现在看到的可能 ， 呃 ， 这个短剧 ， 然后看到的漫

画 、 小说市场很像 ， 那这里面就不是一个 ， 也许不是一个技术主导的 ， 呃 ， 产品能够有机会突破的这个地方 ， 所以它就面临着快速的转型 ， 而这个转型过 ， 过程中又遭受了非常多的打击 。 这是第三点 ， 我感受到非常强烈的地方 ， 它的 resilience， 它的 ， 它的 pure 是很强大的 。 我们遭受过很多投资人的打击 ， 然后我们一起复盘 ， 一起

感受 ， 然后也遭受过 ， 呃 ， 包括一些行业里面的人给到的一些可能负向反馈 。 但这些反馈没有一次真正打倒过克强 ， 只是逼着他去探索 ，OK， 新的机会在哪里 ， 我们这个东西 ， 呃 ， 到哪 ， 哪 ， 哪里有机会 。 一直到包括定位到了用研市场以后 ， 极其快地展开了这个 ， 呃 ， 调研 ， 展开了用户真实的认知获取 ， 这个又不断地给我

们的投资的意向在 ， 在加码 。 然后最后一点我觉得还是很强的 ， 就是我们总在说广结善缘 ， 就克强还是一个 ， 呃 ， 在一路走来 ， 呃 ， 身边的人 ， 不管是技术合作的小伙伴 ， 呃 ， 业务上的小 ， 小伙伴 ， 以及能把鹏哥这样的这个创业老炮拉到团队里 ， 我觉得跟他性格 ， 跟他的底层的 ， 呃 ， 本色有非常 ， 非常大的关系 。 包括

我们 ， 我们一方面被克强深深地吸引 ， 一方面也被他人性和作为朋友的很多特质深深打动 。 我们愿意陪这样的创始人 ， 呃 ， 走很久 ， 然后踩很多坑 ， 做很多次转型 ， 但一直坚持到最后 ， 这是我们 ， 呃 ， 这个 ， 这个形成我们最后非常坚定的投资判断的这个一 ， 一路的历程 。

刚才提到愿景 ， 所以想问一问克强 ， 就 Mizzen AI 最终你希望它成为一家什么样的公司 ？

短期我肯定是希望它成为一个大家都用的用研平台 。 这里面最关 ， 关键的事情是我们刚刚提到的那个产品构建的闭环 。 就是一个产品的初始是要有一个好的用户洞察 ， 而当产品研发出来之后 ， 也要回到用户当中去 。 整个过程其实是一个跟用户的 preference alignment。 我们希望我们能够成为产品和用户连接的枢纽 ， 它成为每一个 PM 的钢铁

侠盔甲 。 而人类在里面贡献神来之笔 、 直觉和洞察 ， 极端的审美 ， 而 AI 去把里面的所有的从用户研究 ， 啊 ， 再到产品迭代 ， 啊 ， 整个链路全部去完成 。 所以我们会希望说未来这个钢铁侠一部分是 Vibe Coding， 而另一部分就是 Vibe User Research， 而这两个结合起来成为钢铁侠的有力的双手 ， 让 PM 可以更自由地挥洒他们的创意 。

嗯 ， 那咱们最后一个问题啊 ， 就是如果现在给你三百万美金 ， 你可以去做投资 ， 可以投三个人 ， 你会投哪三个 ？

前两个我会 ， 我会投给 CreekStone， 就是老股东里面的 ， 里面 —— 他们一共现在就两个人 ， 一定会投给他们 ， 是因为他们在不管是产品 、 市场方面都给了我非常多的建议 ， 是我非常 appreciate。 作为一个投资人 、 投资机构 ， 他们专业性满分 ， 啊同时他们也是创业公司 ， 啊今年才刚开始创业 。

是 。

对 ， 所以 ， 啊我在创业方面也跟他们 —— 创业者的一些体验方面也跟他们深度地共鸣 ， 我真的非常认同这个创业公司 。 啊另外一个是我之前在硅谷的一个公司 ， 啊 ， 是 Create， 啊他们是一个能够将 —— 在很早之前就已经将产品打磨速度打磨到极致的一个团队 。

那今天非常感谢这个克强和一豪来做客 《 十字路口 》。 啊 ， 也期待你们这个产品跑一段时间之后 ， 有了更多的客户 ， 有了更多的故事和新的一些这个观察与认知 ， 再来和大家分享 。 好 ， 谢谢 。

谢谢 Koji。

嗯 。