1. 首頁 > 生活百科 > >

AI大模型，別只盯著手機端MAU

華為鴻蒙系統

AI大模型，別只盯著手機端MAU

文章圖片

【AI大模型，別只盯著手機端MAU】AI大模型，別只盯著手機端MAU

文章圖片



定焦One（dingjiaoone）原創
作者 | 陳頤
編輯 | 方展博
當下的AI應用市場 ， 正在上演一場熟悉的戰爭 。 字節、阿里、騰訊等巨頭紛紛加大AI產品推廣 ， 將籌碼押在DAU（日活躍用戶）和MAU（月活躍用戶）等指標上 ， 試圖把移動互聯網時代的“流量”玩法搬到AI領域 。
相比之下 ， 模型公司Kimi顯得不太合群 。 盡管曾在2024年參與過線上推廣大戰 ， 但到2025年初 ， 它做了一個大膽的決定：將資源全部轉向模型和產品能力本身 。 大廠在砸錢買量 ， Kimi則在走另一條更適合技術創業公司的路 。
2025年11月 ， Kimi的Web端用戶平均訪問時長達8.5分鐘 ， 國內AI產品中排名第一；同樣在這個月 ， 旗艦模型K2 Thinking發布后 ， 網站訪問量環比上漲了48.6% 。 這說明 ， 它的核心用戶粘性更強了 。
或許有人會問 ， 當一個研究員用Kimi花費數小時完成課題研究時 ， 創造的價值 ， 該怎么和幾百次碎片化的聊天做對比？
這個問題 ， 恰恰暴露出一個評價上的錯位 ， 當AI從“陪聊工具” ， 走向真實的生產力場景 ， 再沿用移動互聯網時代的MAU指標評判它 ， 已經不合適了 。 用舊尺子 ， 量不出新大陸 。
隨著AI的核心應用場景從低Token消耗的簡單問答 ， 進化到高Token消耗的算力密集型任務 ， 評價AI應用的標準 ， 不僅僅是“使用次數” ， 還有更重要的“使用深度” 。
AI行業處在一個分岔路口：是走大眾娛樂化的路 ， 還是專業化和價值化的路？
做“流量可樂”還是“價值精釀”？Kimi選擇后者Kimi的換道 ， 本質上是當下大模型公司的一場路線之爭 。
一位長期觀察AI賽道的投資人用“可樂”和“精釀啤酒”來形容二者的區別 。 可樂追求渠道、市占率 ， 是“人手一瓶”的規模狂歡；精釀更在意品鑒深度和核心客群 。 一個是量 ， 一個是質 。
前者 ， 是抖音豆包、騰訊元寶等大廠正在走的“超級入口”路線 。 它們依托龐大的生態流量 ， 沿著“泛娛樂、高日活”的方向高歌猛進 ， 本質上仍是將移動互聯網的流量玩法平移到AI領域 。
Kimi也曾短暫地站在“可樂”的貨架前 ， 但最終選擇了后者 。
它主動放棄了“大而全”的淺層生成 ， 尤其是圖片生成、視頻創作這類易獲流量、但技術完全不同的賽道 ， 轉而將所有資源都集中在一個方向上：構建“高價值的Agent任務” 。

換言之 ， Kimi要做的不是隨手生成一張圖、一段視頻 ， 而是幫你完成那些需要數小時、甚至數天才能完成的復雜工作 。比如 ， 分析一份上百頁的財報 ， 寫一份專業的研究報告 ， 或者調試一段復雜的代碼 。
這個選擇是技術基因決定的 。 上述投資人稱 ， Kimi擅長的“長程任務”和“交錯式思考”能力 ， 如果只用在碎片化的娛樂場景中 ， 有些大材小用；真正的用武之地是專業、復雜的長任務 。
值得注意的是 ， Kimi并非放棄圖片、音頻和視頻生成 ， 而是給它換了個角色：讓多模態“退居幕后” ， 成為Agent可以隨時調用的“眼睛”和“耳朵” ， 幫助它看懂財報圖表、理解合同掃描件 ， 最終服務于解決專業問題的核心目標 。
簡單來說 ， Kimi舍棄的是流量型、淺層多模態娛樂 ， 追求的是深度型、高價值Agent生產力工具 。它的目標是在AI賦能生產力這個核心戰場上 ， 專注做別人做不了、也做不好的事 。
這是一個更艱難的選擇 ， 但也可能是一個更有價值的賽道 。 當別人還在玩流量時 ， 它已經看到了下一個戰場 。
衡量AI價值 ， 需要一把“新尺子”如果Kimi不再參與流量的牌局 ， 那么我們又該如何衡量它的價值？
不妨先看一組數據對比 。 作為生產力工具的代表 ， ChatGPT的Web端和App端用戶比例大約是60%：40% 。 這符合常理 ， 長任務、復雜的工作流更適合在PC端完成 。
另一款在國內市場風生水起的應用——豆包 ， 用戶結構則完全相反：其Web端月活用戶與App端月活用戶的比例約為5%：95% 。 這意味著豆包的用戶絕大多數是在手機上使用 。
如果只看App占比 ， 是否會得出“豆包比ChatGPT更成功”的結論？但常識告訴我們 ， 一個深度分析上百頁合同的用戶 ， 其創造的價值 ， 顯然不等同于數百次“今天天氣怎么樣”的閑聊 。
不可否認 ， 這兩款產品都很成功 ， 但它們服務的場景和用戶群體 ， 不在一個維度上 。
一位在北京執業的律師朋友 ， 這樣描述他的“雙面AI生活”：早上通勤路上 ， 他會用豆包問問今天天氣怎么樣 ， 刷刷熱點新聞 。 但到了辦公室 ， 要分析一份上百頁的合同文檔 ， 或者起草復雜的法律意見書時 ， 他會打開Kimi的網頁 。
這種差異恰恰是問題的核心 。 豆包覆蓋的是“輕娛樂、泛資訊”場景 ， 天然吸引追求即時反饋的廣泛用戶；而Kimi選擇的“深度研究、復雜任務”場景 ， 天然篩選出了那些在工作和學習中需要強大生產力工具的剛需人群 。 兩個產品 ， 兩個世界 。
在這樣的前提下 ， 如果再沿用MAU這把移動互聯網時代的舊尺子來衡量 ， 顯然已經過時 。
那么 ， 什么才是更合適的“新尺子”？Kimi的例子或許能帶來啟發 。
Kimi Web端平均訪問時長達8.5分鐘 ， 這意味著 ， 用戶在這里不是在消磨時間 ， 而是在完成真實的工作 。 這說明一個道理：“深度”比“規?！备匾?。 這是第一把尺子 。
當一個工具能夠深度融入用戶的工作流 ， 它的價值就不在于多少人用過 ， 而在于為每個核心用戶節省了多少時間、創造了多少價值 。
但深度使用背后 ， 隱藏著一個更深層的問題：為什么用戶愿意在上面花這么多時間？

海外頂尖的AI搜索公司Perplexity ， 在眾多中國模型中 ， 唯獨選擇接入Kimi；知名開發者工具平臺OpenRouter的CEO ， 把Kimi作為自己最常用的模型之一；Social Capital的CEO也提到 ， 他們投資的公司已經把大量工作轉到了K2上 ， 因為性能強 ， 成本又比頂尖閉源模型低得多 。
為什么是Kimi ， 而不是那些月活更高、話題度更高的模型？ 因為“智能”比“熱度”更重要 。 這是第二把尺子 。
移動互聯網時代 ， 產品的成功很大程度取決于“話題度” 。 但在AI時代 ， 更關鍵的是“不可替代性”——在處理長文本、執行復雜Agent任務等場景下 ， Kimi正在成為一部分專業用戶的必需品 。
當一個工具對用戶變得不可或缺時 ， 付費便是水到渠成 。 這背后有個更深層的道理：“價值”比“流量”更重要 。 這是第三把尺子 。
流量思維的商業模式是“流量→廣告→變現” ， 但這套邏輯在AI時代 ， 尤其對于生產力工具而言 ， 正在讓位于一種更健康的商業模式：“價值→訂閱→變現” 。
決定商業模式未來的 ， 不再是MAU ， 而是ARPU（單用戶平均收入）和LTV（生命周期總價值） 。 你為用戶創造的價值越大 ， 用戶的付費意愿就越強 ， 商業模式也就越可持續 。 Kimi推出的三檔會員訂閱服務 ， 本質上是在篩選并為不同需求的人群提供服務 。
所以 ， 當我們換成新尺子 ， 從“好不好用、是否智能、能否持續創造商業價值”三個維度重新審視Kimi時 ， 會發現完全不同的景象：
App活躍度榜單上的位置變化 ， 是它主動聚焦專業人群的必然結果；而用戶時長、頭部公司集成、付費用戶增長等指標的提升 ， 說明它在“價值深水區”站穩了腳跟 。
這種評價體系的轉變 ， 不僅關乎Kimi一家公司 ， 更關乎整個AI行業能否真正放棄流量思維 ， 回到價值本身 。
三次選擇：技術、用戶與生態位當我們換了一把評價AI的“新尺子” ， 一個更尖銳的問題依然存在 。 在新的評價體系下 ， Kimi的護城河是什么？它憑什么在巨頭林立的牌桌上 ， 繼續玩下去？
要回答這個問題 ， 必須回到Kimi曾做出的幾次關鍵選擇 。
首先 ， 是對技術深度的執著 。在“不需要那么多基座模型”已經成為共識的今天 ， Kimi是少數仍在堅持投入基礎模型研發的創業公司 。 因為它想給Agent戰略配一個足夠強大的“發動機” 。
一位Kimi工程師曾指出：“絕大多數Agent產品 ， 離了Claude以后 ， 什么都不是 。 2025年 ， 智能的上限仍然完全由模型決定 。 ”
換句話說 ， 如果底層模型不掌握在自己手里 ， 上層應用的定價權和復雜工作流的穩定性無法保證 。 這不是危言聳聽 ， 而是這個行業的基本規律 。
Kimi K2的開源策略 ， 也是基于這個邏輯 。 開源不僅是為了“賺個名聲” ， 更像是“倒逼自己進步”：當你把模型權重公開給全世界時 ， 就再也沒法偷懶 ， 只能老老實實把模型的核心能力做扎實 。 對一家押注長期價值的公司來說 ， 這是最不可走捷徑的一條路 。
第二個選擇 ， 是深度綁定“專業用戶” 。
放棄流量競爭后 ， Kimi聚集起一批付費意愿強、需求明確的專業用戶 。 隨著K2的發布和Agent能力的成熟 ， 這些用戶轉變為“Agent原生用戶”——他們已經將Kimi的能力深度融入自己的工作流 ， 甚至改變了自己的工作方式 。

圖源 / pexels
某大型券商研究所工作的研究員表示 ， 他已經把整個研究流程都“外包”給了Kimi 。 “從搜集財報、整理數據 ， 到生成圖表、撰寫初稿 ， 它能一條龍完成 。 ”
對他來說 ， 更換Kimi的遷移成本太高 ， 他已經離不開了 。
由此 ， 一個“飛輪”開始轉動：用戶用得越深 ， 越離不開；而離不開 ， 就愿意付費；付費反過來支撐Kimi去做更好的技術和Agent能力；技術更好了 ， 又吸引來更多懂行的用戶 。
第三個選擇 ， 則是找到一個“打得贏”的戰場 。
Kimi不在C端聊天場景血拼 ， 而是將技術聚焦于生產力工具鏈（代碼開發、學術研究、金融分析等） ， 進而占據了一個壁壘較高的稀缺生態位 。
一個典型的例子是 ， 在Anthropic等海外主力模型對華服務受限或退出時 ， Kimi敏銳地抓住了這個窗口期 ， 通過提供與Claude Code完全兼容的API ， 以及能為開發者大幅降低調用成本的“上下文緩存”功能 ， 精準切入了AI原生應用開發的需求 ， 承接了外溢的開發者這一核心群體 。
當開發者基于Kimi構建了自己的應用 ， 換到其他模型就意味著要重新適配、重新測試、重新優化 。 這個成本 ， 足以讓他們留在Kimi的生態中 。
說到這里 ， 你會發現 ， 技術、用戶與生態位 ， 這三個選擇環環相扣 ， 形成了一個單靠流量和資本難以復制的閉環 。 這個閉環的特點是：越往后走 ， 越難被撬動 。
當然 ， Kimi的路徑 ， 未必適用于所有AI創業公司 ， 但它至少提供了一種可能性：在巨頭林立的市場中 ， 放棄對流量的路徑依賴 ， 回歸技術深度、場景深度與商業本質 ， 同樣能建立競爭優勢 。
這條路能否最終走通 ， 還需要時間來驗證 ， 但在AI競爭從技術炫技轉向價值落地的當下 ， Kimi無疑是一個無法被忽視的樣本 。
*題圖來源于unsplash 。

    推薦閱讀