作者｜黃小藝 王兆洋
“成熟的老產品不能給新產品導流。”
對一家擁有 2.82 億月活用戶的公司來說，這是一條很反常的規則。
(資料圖片僅供參考)
流量本來是成熟互聯網公司最昂貴的資產，但在美圖內部，RoboNeo、Picchi、MVLAND這樣的新產品被要求先像創業公司一樣活著：自己尋找第一批用戶，在很短的時間里驗證需求，不能靠國民級 App 把數據“抬”起來。
現在，這場實驗有了第一份成績單。
美圖8月26日發布的中期業績顯示，上半年收入22.1億元，同比增長 22.1%，凈利潤6.5億元，同比增長39.5%。AI 生產力應用年度經常性收入（ARR）約 6.2 億元，同比增長 47.8%。
這其中，就包括今年6月剛剛推出的AI應用Picchi 和 MVLAND，二者都在ARR上跨過了50 萬美元大關。
盡管這個數字還遠遠算不上一條新增長曲線，卻已經足夠成為一個PMF的信號：拿掉超級入口，仍然有人主動找到這些新產品，留下來，并且付費。
這正好對應了今天 AI 應用競爭里的一個“不平等現象”。
創業公司需要靠用戶主動搜索、持續使用和真實付費證明自己；大公司卻可以依靠“祖傳”的流量，隨手把新產品塞進瀏覽器、辦公套件、內容平臺等超級 App，迅速得到一組足夠漂亮的數據。
但數據越漂亮，真正的問題也越容易被遮住：產品獲得的是市場支持，還是只獲得了組織支持？
這也是在今天，值得重新討論美圖的原因。
這家幾番沉浮的互聯網公司，正在用實踐回答兩個行業基本問題：通用模型不斷擴張后，應用層還能留下怎樣的價值；以及互聯網公司該如何擺脫慣性，繼續長出AI時代的新產品。
大廠最擅長制造的，可能是假 PMF
每一次技術換代，上一代巨頭都擁有最多的用戶和資金，也最容易沿著舊地圖尋找新大陸。
PC 公司曾經錯過移動互聯網。到了生成式 AI 時代，移動互聯網公司又本能地把 AI 做成舊產品里的一個按鈕：這里加一個助手，那里放一個輸入框、加一個負一屏，再把它分發給原來就有的幾億用戶。
微軟是一個典型例子。Copilot 一度被鋪進 Windows、Office、Edge 和一系列企業產品。到了 2026 年，微軟又開始減少 Windows 中“不必要的 Copilot 入口”，合并重復的 Copilot 應用，退休一批功能。
國內大廠也在經歷類似的沖動：AI 助手迅速進入搜索、辦公、瀏覽器、手機和內容平臺，獨立應用的入口、名稱與定位也在頻繁調整。在這輪競賽最熱鬧的 2024 年初，國內 Top 10 AIGC App 的用戶規模同比增長了 37 倍，但頭部產品的活躍率均低于 20%，三日留存均低于 50%，部分產品的卸載率甚至超過 50%。
“第一天”是熱鬧的，“第二次打開”是沒有的。
美圖曾經也犯過這樣的錯誤。
2013 年，美圖推出第一款智能手機。它把自己最擅長的自拍、美顏與影像算法裝進硬件，希望將數億軟件用戶轉化成手機消費者。
這條路在最初幾年確實賣出了錢。招股書顯示，智能硬件收入占美圖總收入的比例，從 2013 年的 59.7% 一路上升至 2016 年上半年的 95.1%。美圖上市時，手機已經成為公司最主要的收入來源。
問題出現在規模上，美圖的數億軟件用戶，真正愿意為硬件付費的并不多，直到2018年將業務外包給小米時，美圖手機六年累計銷量僅為 350 萬臺，作為對照，小米僅在 2018 年前十個月的手機出貨量就超過了 1 億臺。
美圖找到了愿意為自拍體驗支付溢價的小眾用戶，卻始終無法獲得硬件生意需要的規模效應。
這段歷史留下的教訓是：修圖 App 里的活躍用戶，到了其他市場仍然要重新爭取一次。軟件流量可以把新品送到用戶面前，卻無法自動遷移用戶的預算、購買頻次和品牌選擇。
也正是因此，到了孵化 AI 原生產品的階段，美圖的第一反應就是拿掉成熟產品的流量捷徑：把創新拆成獨立的小團隊，讓每個產品用真實付費、留存證明自己。
一個完整的樣本是Picchi，一款 AI 人像修圖 Agent。它的“學我修圖”功能，可以從用戶提供的原圖與成片中學習個人習慣；“學 TA 修圖”，則讓普通用戶直接調用創作者的修圖風格。
Picchi團隊成員大多來自美圖的成熟影像產品。公司禁止導流時，負責人Jill回憶，“大家一開始會有些小怨念，畢竟Picchi 和美圖秀秀都在做修圖，分流一點用戶過來，冷啟動會輕松很多。”
但事實證明，這個決策很對：因為Picchi的付費用戶與美圖秀秀的用戶并不完全重合。
最初，Picchi瞄準的是使用微單和 CCD 的攝影愛好者。上線后，他們嘗試用 CCD、高清修復、夜景增強等泛影像功能低價拉量，用過去的流量打法，追過萬圣節、圣誕節和新年等節點。
但即使社交媒體上出現過互動很高的內容，進入產品的流量卻沒有留下多少付費、留存和品牌記憶。
轉機發生在“學我修圖”和“學 TA 修圖”兩個新功能的上線后。Picchi意外地發現了最早一批付費意愿強、還會主動推薦產品的用戶是一群年輕且活躍在社交媒體上，對流量運營有真實需求的創作者，其中最具代表性的創作者—— Coser 群體。
“我們發現，Coser 有非常大量的 P 圖需求，有的時候會深度精修甚至大幅進行后期處理，因為需要符合 Cos 對象的妝造或者角色設定。同時，他們付出高成本，也是希望得到更多流量的回饋，甚至有的可能會有商業化訴求。”Jill說。
這讓修圖從一種寬泛的審美需求，變成了具體的生產任務。需求越具體，用戶對結果的判斷標準越明確，持續付費也更容易成立。
找到這群人以后，團隊的增長方法也隨之改變。
“雖然公司是有支持的，但我們不舍得花錢，一開始投放的時候，是遵循‘量大、便宜’，盡量把一些泛影像圈的用戶吸引進來，再根據留存數據去看這些人能不能留在 Picchi 里，但效果并不好。”
泛流量可以帶來安裝量，很難幫產品建立自己的用戶心智。團隊隨后將尋找用戶和投放素材變成了同一件事。
“我們反過來，先用社交媒體去觸達那些典型用戶，比如 Coser、年輕學生群體。通過社交媒體的反饋，把互動、點贊高的帖子制作成渠道物料投放，很快就在日本 Coser 圈有了小爆發，接著明顯地輻射到韓國、泰國，甚至美國和巴西。”
把產品做深，應用不能只給模型套一層殼
找到用戶和市場需求只是第一步，如何讓他們愿意長久付費才是PMF的關鍵。
互聯網產品主要出售注意力、內容、連接、交易效率和工具使用權。免費產品將用戶注意力賣給廣告主；訂閱、內容平臺和軟件工具，則向用戶收取會員費、服務費或交易傭金。
AI 帶來了一種新的付費對象：智能本身開始被直接計量、消耗和交付。
也正是因此，隨著通用模型的能力不斷擴張，一旦應用把產品能力、成本和迭代節奏全押在模型廠商身上，就很容易淪為 Token 中間商：負責獲客、設計界面和收錢，大部分智能與收入最終流向模型廠商。
從這個角度來看，應用層必須建立屬于自己的智能。
而美圖給這一批 AI 應用們，大致提供了三層智能。
第一層是美圖自己的模型與算法。美圖奇想大模型、人像編輯模型、音樂算法、圖片和視頻算法，以及過去積累的大量效果工具，都可以進入新應用。
第二層是圍繞垂直場景做模型訓練。產品團隊會根據人像、MV、動漫風格和特定視頻長度，對自研或開源模型進行專項調優。
第三層發生在應用內部。產品負責定義什么結果算好、怎樣拆解任務、何時調用哪一種模型，再把用戶的修改變成新的評測標準和訓練數據。
以Picchi為例，在視覺大模型出現以前，美圖秀秀里就有一個名叫Andy的修圖機器人。當時的實現方法是寫一棵標準的決策樹：識別人物標簽，然后執行一組固定操作。它可以判斷圖片里有沒有人、人物是男性還是女性，很難繼續理解光影、氛圍和個人審美。
視覺大模型與Agent工具調用能力成熟以后，Picchi可以先理解照片，再調用美圖自己的人像編輯模型、審美知識庫和修圖工具。
在修圖的過程中，用戶的需求會非常具體。“比如，我的左眼比右眼更垂，希望左眼再往上修一點，也有人會描述光線要調到什么狀態，膚色才能顯得更透亮。模型要理解這些細碎的偏好，還要在下一批照片中穩定復現。”Jill說道。
美圖自有的垂直模型和后訓練的價值也由此體現出來，“學我修圖”可以根據多組原圖與成片，為用戶生成一個個性化小模型；用戶不斷補充的修改意見，又會沉淀成個人的審美數據。
MVLAND 也在做類似的工作。
它是一個基于音樂的視頻創作平臺。用戶先上傳一段音樂，產品就可以自動分析歌詞、節奏和情緒，然后選擇人物與畫面風格，產品就生成故事，畫面分鏡與視頻，最后根據音樂節奏卡點合成一支MV。
產品背后首先有一條由多個模型和工具組成的生產線。負責人Tom介紹：“音樂理解、圖像生成和視頻生成更多使用通用模型、知識庫、提示詞工程，以及美圖自己的音樂、圖片和視頻算法也會進入鏈路，在對通用模型的選擇上，始終是以效果為主。”
“我們的經驗是，效果好才是最重要的，我們希望能做一個優雅的產品。”他補充道。
此外，效果較好的開源模型上線后，團隊也會做針對性的調優。“比如某一款最新的視頻模型出來，我們會調到適合生成MV片段狀態，另外圖片方面，因為MV對畫面質感有自己的要求，我們都有相對應地進行優化。”
這三層能力，不僅體現在具體的產品調試中，也可以在財報里找到對應數據。
美圖2026年中期財報顯示，第三方API成本占影像與設計產品收入的比例僅為中等個位數百分比。從今年前五個月的統計來看，超過96%的輸出是由自研模型層生成。
2026年上半年，美圖研發支出達到4.731億元，剔除去年通用基礎模型訓練支出的影響后，垂直模型訓練和應用層優化相關研發支出實際增長了11.1%。
它們最終都指向同一件事：讓應用從模型能力的調用者，變成垂直智能的生產者。
把自己做小之后，美圖還要重新長大
新團隊先確認用戶、場景和付費，再向下調用模型、訓練模型，最終把模型組織成一項可以交付的工作。
這種方式，讓美圖處在一個微妙的位置。
在擁有自有模型的大廠內部，一款AI應用有時會先服務于集團的競爭節奏。某個方向突然重要，競爭對手已經入場，公司也需要推出對應產品，展示自己的模型擁有相同能力。
產品很容易成為模型能力的陳列柜：每次更新都有新東西可以展示，用戶任務與商業閉環卻長期懸空。
純應用創業團隊更靠近用戶，卻很難持續投入垂直模型、后訓練、推理優化和大量效果工具，也更容易受到API價格、模型迭代和供應商策略的影響。
恰好介于兩者之間的美圖反而找到了一個相對舒服的位置：前臺的小團隊像創業公司一樣尋找用戶，后臺又能調用成熟公司的模型、算法和工程能力。
但舒服只是一時的，美圖所處的這個位置也在迅速變窄。
上游模型正在直接進入應用：ChatGPT Images 和 Gemini 已經把生成、局部編輯、人物一致性等能力放進通用入口；另一側，Adobe 正把創意 Agent 鋪進全家桶，Canva 也把圖像、視頻、設計與發布串進同一套工作流。
基礎模型繼續向下吃功能，成熟軟件公司則帶著用戶習慣、文件體系和協作流程向上補智能。
而夾在中間的更多創業公司，同樣保持著強烈的用戶饑渴。AI 圖像和視頻產品可以迅速更換模型、重組工作流，再通過高頻投放進入新的垂直場景。一項產品能力剛被驗證，很快就會遭遇功能相似、價格更低或增長更激進的競爭者。
Picchi 和 MVLAND 從 0 走向 1，靠的是找到一批具體用戶。走向 100 時，它們要和更強的對手爭奪用戶心智，還要把一個地區、一個社群里的需求復制到更多國家和行業。
不同于互聯網時期，AI應用還面臨每一次生成產生的真實成本。模型路由、自研模型覆蓋率、推理效率和積分定價，會從工程問題變成了商業問題。產品既要交出足夠好的結果，也要讓用戶支付的每一塊錢覆蓋對應的智能成本。
但至少目前來看，美圖這家公司已經找到了自己的身位：用多點開花的垂直場景，去倒推組織架構，讓更多應用團隊可以根據垂直場景的用戶需求，參與定義技術方向和運營打法。
對于一家接近 18 歲的互聯網公司，這也是年輕化的體現：讓市場的答案，重新排在組織的答案之前。
