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

“我希望留下一个能被世界铭记的作品。”

🚥 本周「十字路口」，我们有幸邀请到用 AI 辅助用户研究的创业公司「觅深科技 Mizzen AI[1]」的创始人 CEO 孙克强，以及他的天使投资人、CreekStone 合伙人李一豪。

孙克强是一位拥有计算机视觉博士背景的创业者，也是一位将“YOLO（You Only Live Once）”刻在骨子里的乐观行动派。他试图挑战已有百年历史的传统用研模式，通过 AI 绘制一张前所未有的全网“人类偏好图谱”。

他提出 Vibe User Research，并希望与 Vibe Coding 一起形成产品闭环，迈向「产品自迭代」的新范式。

而作为投资人，李一豪不仅分享了早期和团队共同探索成长的过程，更从资本视角抛出了一个判断：垂直赛道AI范式是怎样的，为什么那些最缓慢、最昂贵、最分散的“老旧”赛道，反而是 AI 时代孕育新寡头的最佳土壤？

这是一场关于技术、人性和市场机会的对话，希望能给在十字路口探索的你带来新的启发。

🎬 我们的视频播客已同步上线于 @Koji杨远骋 的视频号、小红书[2]、哔哩哔哩[3]、Youtube[4] 等平台

由于访谈全文较长（13,897字），可先参考目录：

🟢 快问快答

年龄、毕业院校、MBTI 和星座、一句话介绍现在的公司和产品、团队规模、创业前经历

🟢 AI 加速了生产，却卡在了洞察

一个巨大的供需剪刀差：当生产力的天花板被 AI 掀翻，洞察力却还停留在劳动密集型时代。

• 效率的百倍差异：传统用研是线性的、串行的；而 AI 可以用并发的方式同时访谈所有人。
• 巨大的供需矛盾：AI 让产品研发的速度大幅加快，但从用户端获得反馈的速度却远远滞后。
• 为什么这是一个通往伟大的赛道？当用研速度跟上研发速度，产品甚至可能实现“自动迭代”。

🟢 在千亿美金的「僵局」里寻找新垄断。

市场越固化，越是「缓慢、昂贵且分散」，AI 的机会越性感。

• 市场的终局推演：像 Legal、HR 和用研这种已经固化但结构依然分散的市场，技术变量最容易催生新的寡头。
• 一个反直觉的判断：人力越密集、越传统的行业，AI 带来的供需差越大。
• 为什么看好中国团队？互联网原生的理解力 + 极强的运营交付能力。
• 未来的组织形态：AI 会长出很多只有 1-10 个人的“超级公司”。

🟢 永远好奇的 AI

• 什么是「对齐税」？多个主持人之间为了同步信息、对齐颗粒度所消耗的高昂隐形成本。
• 人类的认知边际效应递减：访谈第 1 个人时你很兴奋，访谈第 20 个人时你的兴趣浓度会大幅衰减。
• AI 的优势在于「永远好奇」：它可以像对待第一次访谈那样，对第 100 个受访者充满热情地追问。

🟢 人类在 AI 面前反而更坦诚

如果主持人是女性，受访者是男性，男性会不自觉变得更 defensive；但如果对面是 AI，人反而会卸下防备。

• 扬长避短：Hack 掉人类对 AI 的特殊感知，利用霍桑效应让受访者感受到价值感。
• 越真实赚钱越多：建立一套 Benchmark 系统，用博弈论的方式引导用户说真话，甚至不仅说事实，还提供主观分析。
• 为什么面对 AI 的受访者诉说欲变强了？因为没有了面对“人”时的社会压力和表演欲。

🟢 大模型是好的「回答者」，却是糟糕的「提问者」

• 为什么 AI 模拟用户行不通？模型无法感知动态的、当下的环境（比如疫情前后人的心态巨变）。
• 技术圈的普遍误区：现在的 LLM 都是被训练成很好的 Answerer，却没人教它如何做一个好的 Asker。
• 如何训练 AI 的提问能力？用强化学习（RL）构建环境，把行业里最优秀的访谈数据作为 Benchmark。

🟢 绘制一张全网「人类偏好图谱」

• 告别标签化：传统的用户画像是离散的标签，未来的用户画像应该是基于语言和对话构建的、立体的 3D 模型。
• 从「项目制」到「连续渐进式」：用户研究不再是几个月一次的大工程，而是像打开摄像头拍照一样日常且频发。
• 并不是要取代产品经理：我们希望做 PM 的「钢铁侠战衣」，让 AI 包揽枯燥的访谈，让人类挥洒神来之笔的直觉。

🟢 时刻将死亡铭记于心

• 既然终将灭亡，我要给世界留下什么？一个可以影响上亿人的产品作品。
• 转型背后的逻辑：从计算机视觉博士到做 AI 用研，本质没变，都是为了理解最稀缺的原生信息——「人类偏好」。
• The $3M Question：如果现在给你 300 万美金做投资人，你会投给哪三个人？

快问快答：年龄、毕业院校、MBTI 和星座、一句话介绍现在的公司和产品、团队规模、创业前经历

👦🏻 Koji

嗨，我是 Koji，本周的十字路口，我们请到的是觅深科技（Mizzen AI）的创始人和 CEO 孙克强。他们在做的是用 AI 来做用户访谈和用户调研。以及他的天使投资人李一豪，也是 CreekStone 的合伙人，我们的老朋友。

你们好，欢迎来到十字路口。

👨🏻‍💻 克强

你好。

👨🏻 一豪

Hello Koji。

👦🏻 Koji

我们的节目有一个传统，还是从快问快答开始。因为一豪之前已经来过了，我们今天就放过你，我们先从克强开始。请问克强你的年龄？

👨🏻‍💻 克强

30 岁。

👦🏻 Koji

毕业院校？

👨🏻‍💻 克强

清华硕士，港中文 MMLab 博士。

👦🏻 Koji

你的 MBTI 和星座是什么？

👨🏻‍💻 克强

ENTJ，巨蟹座。

👦🏻 Koji

我们用一句话来介绍一下现在的公司和产品。

👨🏻‍💻 克强

Mizzen AI 做的是 AI 原生的用户研究基础设施。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 100 倍，成本下降到十分之一。

👦🏻 Koji

现在的团队规模呢？

👨🏻‍💻 克强

一共 8 人。

👦🏻 Koji

一句话介绍一下创业之前在做什么？

👨🏻‍💻 克强

创业之前还是在创业。我当时是以合伙人的身份跟 Musical.ly 的创始人 Louis 一起做一个新的创业公司。上一次创业之前，我有五年在商汤、半年 Meta 的经验。

AI 加速了生产，却卡在了洞察

👦🏻 Koji

那我们还是先从克强你们做的这一次新的产品方向聊起，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。那可不可以分享一下，你们为什么会选这个方向呢？

👨🏻‍💻 克强

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这个赛道。

首先这是一个真需求。我们知道，全球最大的用户研究公司 Nielsen 成立于 100 多年前。

👦🏻 Koji

它有这么久的历史了?

👨🏻‍💻 克强

对，但是很遗憾的是，我们现在还在用着 100 多年前的方式，一个非常粗糙、低效的方式来展开用户研究。

👦🏻 Koji

Nielsen 是不是一个非常劳动密集型的公司？

👨🏻‍💻 克强

对，是的。之所以需要这么多人，是因为一个项目通常需要消耗 60 个人天，以及平均 10 万左右的项目开销，很慢很贵，效率很低。

我自己也深有体会。我们这次创业其实从 5 月份开始，和一豪兄也在大规模地探索各种各样的 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。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。

👦🏻 Koji

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

👨🏻‍💻 克强

对。我们访谈了很多一线的、做用户研究的朋友，验证了这个需求的真实性。这是个真需求。

第二个方面，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，同时访谈所有的这二三十个人，甚至上百人。这不是一个“优化”过程，而是直接颠覆传统范式。

而第三个，我进一步意识到，它是一条通往伟大之路。

👦🏻 Koji

就说这能做成一个很大的公司，这个 business 是可以 scale 起来的?

👨🏻‍💻 克强

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，中间研发出这个产品，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，能够把中间的用户研究的速度也进一步地加快，那我们在后面看到的是一些产品自动迭代、产品自动升级的可能性，这对我们来说是非常令人激动的。

👨🏻 一豪

对，这还有一点补充。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，可能用隐性对齐的方式，直接反映到产品的不管是交互、体验、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。

👦🏻 Koji

刚才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？目前已经发布了吗？有多少用户？

👨🏻‍💻 克强

刚好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。

👦🏻 Koji

我们来看看这个广告有多硬吧，哈哈哈！

👨🏻‍💻 克强

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。

👦🏻 Koji

哇塞，感觉我们这个背后应该配上那种古典激昂的音乐。

👨🏻 一豪

OK，上链接。

👦🏻 Koji

3、2、1，上链接。

👨🏻‍💻 克强

链接在评论区自取哈哈哈。

👦🏻 Koji

我知道克强你有一位合伙人 Andy，他之前做了十几年的用户体验、用户研究的工作。可不可以讲一讲，你们观察到的现在整个用户研究这个行业，它是一个什么样的现状？

👨🏻‍💻 克强

我的产品合伙人 Andy，他是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。他作为唐硕的创始成员，在这边深耕了多年，后来他又有很好的 ToB 的服务经验，在飞书做多维表格的基建。他带来了很多客户，我们在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。

永远好奇的 AI

👨🏻‍💻 克强

确实存在一个反共识的洞察，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，洞察的稀释和对齐的成本都会非常高昂。

而另一个是人的疲劳非常容易累积，你的情绪又会影响你的访谈效果。如果说今天 Koji 不是这么精神饱满的状态来进行沟通的话，我可能也不会像现在这么有表达欲。

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访谈，里面还是会有问题，因为主持人会存在认知边际效益递减的现象。

👦🏻 Koji

认知边际效益递减？

👨🏻‍💻 克强

比如说我接下来要去访谈 20 个人，那我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衰减。

所以除了我们前面提到的慢和累的问题之外，还存在一个被隐藏起来、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 有极强的一致性，它可以对所有的访谈者都像第一次访谈那样，去对它充满好奇，对它的每一个有可能存在的点进行追问，从而从所有 30 个人里面挖掘洞察。

👦🏻 Koji

最近还有一个很流行的 prompt，就是问 ChatGPT：根据你对我过去的了解，指出我身上三个致命的弱点。因为它的 memory 功能越来越强了，会发现它确实对人的洞察力是非常强的。

在千亿美金的「僵局」里寻找新垄断

👦🏻 Koji

AI辅助用户研究的这个赛道其实在北美已经有非常多的玩家，我们知道融资最多的比如 Listen Labs，红杉投的一家公司。所以我很好奇，在一豪看来，现在这个赛道大概你了解有多大的一个规模？

👨🏻 一豪

我们一直在强调两点，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机会的，我们在追求一些垂直细分领域的 Super Intelligence。第二点是我们觉得，其实人力密集、传统和半数字化的很多行业，恰恰是 AI 有更多机会的地方，它的供需差会更大。

我们看调研的市场，其实传统调研市场大概全球有 800-900 亿美金，但这个就包括了像克强前面提到的 Nielsen 这样非常非常传统的产业。然后新兴一点的、做这种 UX Tools 的市场其实要小很多，大概 30-50 亿美金。

我们第二个关注的问题就是，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进入者、新的寡头垄断的机会。

第二点，我们发现其实每个产业本身它都有它的物种特性。用研市场跟 HR 市场、跟很多传统的金融法律市场一样，它 evolve 的速度并没有那么快，这反而给了新进入的创业公司更好的机会。已经深度数字化的，包括我们看到的电商、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景来说，竞争压力是更大的。

第三点，我们看到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，就是市场的多样性、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、非常有经济回报的公司。基于这几点，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、它的洞察和变化，更多都是克强、Andy 这个团队在与客户真正 daily basis 的交互、需求的提炼过程中发现的真实需求和 PMF 的机会。

看完市场，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。我们中国团队总结下来，其实是对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，以及更重的、更复杂的用户交互，尤其是面对 ToB 企业级客户的交付能力。这个其实也是克强这个团队我们看到非常好的组合、我们觉得非常有竞争力的地方。

就是解决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，而且这商业老炮来自于互联网时代像飞书这样最成功的企业级产品和全球化的产品，又来自于之前像咨询行业这样的行业深耕来的经验。其实这么一个融合，但又以技术 AI Native 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。

👦🏻 Koji

刚一豪提到这个整个市场规模有接近 1000 亿，这个在我看来是一个非常 surprise，这是一个很大的数字。

👨🏻 一豪

对，我们其实发现有很多市场还是有很多共性的。这个市场挺像美国，包括欧美主流市场，其实 Legal 的传统市场大概是 4000 亿左右。

👦🏻 Koji

法律是 4000 亿美金？

👨🏻 一豪

对，但他 Legal Tech 在里面大概占到 600 到 700 亿美金，就纯的 SaaS 化，上一代云化和 SaaS 化的服务型、软件型公司就有 600-700 亿美金。而这个的在中国的最好对标，实际上是我们的 K12 教育。在双减之前，K12 教育是从大概 2600 亿涨到了 4600 亿，接近 5000 亿的市场规模。而这里面长出来几家头部公司，我们的国产御三家，基本都在 100-150 亿年收入规模。所以你会发现，这些市场本身就像一个物种一样，它有很类似的特性，它有它的市场深度、服务化和行业特性，决定它天然是 scattered，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空间。

👦🏻 Koji

所以 user research 这个 800 亿美金，今天的整个市场规模，它也是非常分散的？

👨🏻 一豪

对，它也非常分散。它的头部的玩家其实年化也就 20 多亿，20-30 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、中小型的公司和区域性的公司了。

👦🏻 Koji

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

👨🏻 一豪

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 原生的用户调研工具，来伴随他们产品的迭代和自生长，甚至走到更极致的 10 人、甚至 1 人的超级公司，这样的公司也会催生新的需求。

👦🏻 Koji

这个很有意思。

👨🏻‍💻 克强

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。所以里面的很多小公司，它的公司人员规模会随着每年业务的增长去增长，到后面就会发现，管理成为了这个公司非常重的一个要素。

👦🏻 Koji

可以理解，因为它不但劳动密集，而且是智力劳动密集。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，因为他的工作需要有他的主观能动性、智力劳动和精力状态。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质量是一样的，那这个 ROI 是递减的。

👨🏻 一豪

我觉得这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，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。但是我们看到一些工业产成品，或者一些中低价值的产成品来说，它可能没有足够的毛利去用上这种称得上服务的用户调研，甚至用户调研产品。但可能在 AI 时代，这件事情就会变得——可能是因为它如此便宜、如此高效、如此自动化和 AI 驱动——这可能是新增市场。我们往往做新不做旧，就是做新增市场的新机会，对创业公司来说反而是更友好的。

👦🏻 Koji

这个很 make sense。因为之前我在做躺岛 CEO 的时候，我们也做用户研究，也会一对一地和用户做访谈，而且我觉得这是非常重要的事情。因为消费品和 APP 或者网站不一样的地方是，它不能说一锤定音，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，哪怕需求偏差了，你可以很快地迭代，甚至还可以回撤。但是不是每个公司都有那么多成本去做用户访谈，因为这里需要的人的素质要求其实不低，这些人的 hour pay 是高的。

所以刚才一豪讲的这个我觉得还挺有趣的。就过去，比如说我自己也有作为被试，接受过一些访谈，比如说戴森、蔚来汽车，但是你回忆起来都是像你刚才提到的，有钱的公司才有这样的成本去做这种事情。

👨🏻‍💻 克强

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的核心项目才专有的权利。我们希望做的其实是一个普惠实时的用研平台，或者说用研的平权化。

👦🏻 Koji

你们现在的客户里面，已经开始出现这样的共创案例了吗？就是之前他们不太可能为了这个项目、这个产品去投入研究成本，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。

👨🏻‍💻 克强

是的，有非常多这样的情况。我们现在在和一个全球最大的消费电子公司合作，我们和他们共创的过程中就发现，他们一开始确实也是在做一些很重要的研究，但到后面，他们就开始做一些非常细小的项目。就比如说他们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，他们需要去展开一个项目来进行研究。还有一个项目，他们另一个公司就在探讨，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问题去深入进行用户调研。

👨🏻 一豪

其实 Koji 前面这个问题非常好，这是投资人的问题。而作为投资人，我们经常问创业者的一个问题，最近一直在想，就是认知内核这件事情。我们定义认知内核是说，在最小的 MVP 的情况下，能不能验证用户最痛、最 aha 的需求。因为这一点如此重要，它会引导团队整个的发力原点、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，你在贴身服务我们的客户，真正未来会对我们支付的这些客户，有怎么样的一些反共识洞见？我们的认知内核是怎么样的？

👨🏻‍💻 克强

这里确实有一个反共识的洞察，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降低，甚至低于分发成本。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，花了一整个月时间，由研究公司做出来的一份报告，以及是配套的一次 presentation。

那么，我们把用户研究的效率进一步提高之后，用户研究的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。

👦🏻 Koji

连续的渐进式的用户研究？

👨🏻‍💻 克强

对，不像之前你要花一整个月时间去做一个大的研究项目，而是变成我今天想了解一个小的点，就快速地发一个访谈、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。

👦🏻 Koji

那可不可以请克强来介绍一下 Mizzen 具体可以帮客户做什么样的用户研究？就包括哪些类型？比如说刚才你提到已经有客户在共创，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？

👨🏻‍💻 克强

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索产品品牌进行合作，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用研项目的需求说出来，那我们的自动生成访谈大纲的Agent 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，我们就可以帮你快速地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，我们会邀请这些潜在的受访者花 5 到 10 分钟时间，确认你的一些身份信息，确保你符合我们品牌方的需求。

第三个环节就是我们会由 AI 主持人来跟受访者进行交流。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，以及你是如何想的，并且把你拉回到当时那个情境里面去做一些探讨和追问。

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报告。里面包含从总结性的结论，再到每一个问题的具体的定性、定量分析，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报告去开展后续的决策和项目推动。

人类在 AI 面前反而更坦诚

👦🏻 Koji

你们有没有观察到一种现象，就是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，或者变得就不是像和人交流那样情绪饱满，或者时刻集中注意力？你们有观察到这样的现象吗？如果有的话，你们是做了什么样的事情去对抗的？

👨🏻‍💻 克强

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 chemistry 其实会影响对方。举一个例子，如果主持人是一个女性，而来的是一个男性受访者，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，受访者他其实反而会放下对人的感受，放下那些防备和所有的干扰因素，最如实地去表达自己就好了。

👦🏻 Koji

这挺有意思的。

👨🏻‍💻 克强

第三个事情是，我们在这里还打磨出来一套 Benchmark。我们会用一套系统去对受访者的回答进行打分，里面维度包括内容是不是真实的——我们会通过多模态的形式去对受访者的整个行为进行识别；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，你有没有一些自己的主观分析和一致性的探讨。

所以我们在受访者回答之初，就会把这样的一个评判标准告诉他，而他最后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，最好的解就在于，你要变得更加真实、更加愿意表达，就可以拿到更多的报酬。通过这样的一整套系统，我们发现受访者的诉说欲甚至比之前变得更强。

👦🏻 Koji

咱们的这个受访者，都是注册 Mizzen 的用户是吗？他们是主动来注册，说我想要被 Mizzen 上面的客户来访谈的？

👨🏻‍💻 克强

我们其实构建了一个超大的受访者池，里面有几个不同的渠道来源。

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、两个海外的供应商完成对接，合起来大概有千万量级的受访者数。上一层又构建我们自己的 Agent 能力，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，确认你的受访者信息是真实的，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。

大模型是好的「回答者」，却是糟糕的「提问者」

👦🏻 Koji

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，你怎么看这个可能性？

👨🏻‍💻 克强

我们发现现阶段还无法使用这样的方式来支撑用户研究，里面有两个核心的要点。

一个是现在的技术还不成熟。现在的大模型其实对人类真实的 context 还有巨大的 gap。人其实是很容易受到环境影响的，环境的每一个变化，都会对人的思考态度、对你的偏好有巨大的影响。现阶段的模型每一次训练，都固定了它所拥有的上下文，所以模型很难去对最前沿、最真实的用户的态度和洞察进行模拟。你通过这个方式，只能拿到滞后的、片面的结论，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受访者在面对这个产品的时候，他会有什么样的体验。我们在和大量的甲方、一线的品牌方沟通的过程中也发现，大家对现在 AI 模拟出来的受访者，他们的真实性、有效度都存在很大的顾虑。所以这是我们当时否定掉这个方向的核心原因。

👦🏻 Koji

咱们虽然今天是刚上线，但前期其实是和很多用户在共创。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？

👨🏻‍💻 克强

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，这决定了你能从这个受访者身上挖掘出多少信息。

👦🏻 Koji

那现在的模型，他们做主持人可以做到什么程度？

👨🏻‍💻 克强

现在其实还并不能把这个事情给做好。里面有个很核心的要点是，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。大模型研发公司在做后训练的时候，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，它是让用户去选择一个更好的回答，而不是让用户选择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闭源的。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访谈过程是什么样的。

👦🏻 Koji

考虑到大模型并不是好的提问者，包括优秀的访谈问答来回，它也是不公开的数据，那咱们怎么做？

👨🏻‍💻 克强

一方面，我们现在已经和几家国内外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、专业的 AI 主持人。

👦🏻 Koji

这个可以稍微展开一下吗？具体你们是在怎么做这件事情？

👨🏻‍💻 克强

我们选择用强化学习来做这个事情。训练一个好的访谈员、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。

这个 environment 在我们这个场景下面，就是通过我们收集到的这些数据，去模拟当时项目的背景以及这些受访者的回答。当我们的主持人模型在这样的项目背景下提出一个问题，我们模拟的受访者会进行回答，而这个回答会符合我们拿到的数据里面，真实受访者的回答信息。这样的研究之前没有人进行过，所以我们需要在这里自研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。

👨🏻 一豪

我觉得这个特别好地 call back 了 AI 下半场的新范式。我们看了几千家 AI 公司也发现，其实在每个垂直行业去榨取行业 domain knowledge、去压缩智能的最好方式，就是定义这个行业的 environment，以及最有价值的 Benchmark 是什么。

可能在用户调研这个行业里面，提出好的问题、一个好的主持人本身这个 Reward Model，就是里面最关键的 Benchmark。其实 Pre-training Based Model，即使是 general purpose 的 Post-training Model，它的智力水平会不断提升，但是到了我们的 domain，这是我们可以 harness 的最好工具。

但这个 domain 里面最优秀的 Benchmark，永远来自于 domain 专家在不断的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。

绘制一张全网「人类偏好图谱」

👦🏻 Koji

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

👨🏻‍💻 克强

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粗糙的标签给每一个用户打标签，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将它们完整整合起来的，因为里面的计算复杂度超级高。我们通过这几年的积累，沉淀下来一个我们自己的、关于人类偏好图谱的基建。通过这个基建，我们可以将你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偏好和你之前的上下文，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，其实是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、你最全面的维度的信息对你进行定位。所以这时候，我们沉淀下来的这一套用户偏好图谱的能力，就可以快速地帮你进行整合和定位。

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，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。由于所有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、并且是超低成本的实验性研究。

👦🏻 Koji

Mizzen 虽然今天我们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早期用户了。那现在已经有付费用户了吗？以及你们是用什么样的方式在向他们收费？

👨🏻‍💻 克强

是的，我们已经有付费用户了。目前上线第一个月，我们的平台免收平台费，按项目收费。

👦🏻 Koji

所以你们是比如说访 10 个人，然后每个人收 1000，大概收 1 万，是这个逻辑吗？

👨🏻‍💻 克强

对，是的。

👦🏻 Koji

刚才咱们也提到，用户研究的市场规模足够大，所以不管在北美还是在中国，感觉做这个 AI 垂直领域的创业团队都不少。所以我想知道，比如说在克强看来，Mizzen 你们的竞争优势是什么？

👨🏻‍💻 克强

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。我们是比较罕见的能够将产品能力和技术能力紧密结合的团队。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。

时刻将死亡铭记于心

👦🏻 Koji

我们前面聊了很多关于 Mizzen 这个产品的一些想法，然后我们再聊一聊克强你的个人经历。因为之前一豪提到你的时候，他说你的创业热情是非常非常非常高，用了三个非常。

👨🏻‍💻 克强

我自己的信仰是 YOLO, You Only Live Once。Ben Horowitz 在他的《创业维艰》里面也提到说，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能被世界铭记的作品。

👦🏻 Koji

克强为什么选择在这个时间点出来创业做这件事情？

👨🏻‍💻 克强

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行观察，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。

👦🏻 Koji

你的背景其实是计算机视觉，但现在这个创业好像并没有特别地用到计算机视觉这方面的研究基础。那你是中间经历了一些什么样的转变迭代，然后走到了现在这条路上来？

👨🏻‍💻 克强

如果深度去观察我之前这么长时间的研究和创业探索，会发现这边始终围绕着一个核心：如何让 AI 更好地理解人类偏好。

最早其实是 GPT-3.5，它用 RLHF 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挖掘不同人类视觉偏好的模型。这个工作也再次证实，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。

最后我意识到，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、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。

👦🏻 Koji

克强上一段创业其实是和 Louis，就是 Musical.ly 的创始人，他还是蛮传奇的。你和他在一起搭档创业的过程中，有一些什么样的感受体会？

👨🏻‍💻 克强

他给我分享过一个点，为什么 Musical.ly 会有这么大的成功？他认为是因为生产力的跃迁。这个生产力具体指的是摄像头的普及。乔布斯让每一个人都有了后置摄像头和前置摄像头，这是一个巨大的产能。这样的产能跃迁，带来了未来大家创作方式的改变，也进一步带来了消费方式的改变。

这个事情后来也影响到我。实际上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。

👦🏻 Koji

那一豪你是怎么发现克强他们团队的？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判断让你最后决定扣下扳机？

👨🏻 一豪

这又是一个浪漫的故事。我到现在都非常清晰地记得第一次见克强的那个早晨，那是个夏天，应该可能五六月份的时候，我们本来 schedule 了一个半小时，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。

这个过程中最大的感受就是，前面也提到，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，不断用自己的经历、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，不断迭代和进化。这个其实在短短三个小时里面，不断一次又一次地打动我，这是一切的起点。

第二个起点就是，我觉得克强是我们见过、我们每年看的 500 个人里面，极少数对 AI 的洞见非常非常原生的人。后来我意识到这一点是因为他其实已经做了很多年研究了，在商汤这五年，然后在 Meta。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已经有过一次 Pivot。我们最早其实基于 human preference、基于视觉，探索过在艺术领域里面，有没有把 human preference 的 Benchmark 发挥更大价值的地方，以及类似这种 Benchmark 平台或 Arena 这样的平台的机会。但在这个机会的探索过程中，我还在克强身上发现一个很大的优点，就是他是真实采样，从真实的环境中获得有价值的实际认知。他调研了非常多的 art gallery，聊了很多 artist，甚至包括行业里面交易的人，才意识到艺术这个市场的供需结构到底是怎么样的，它可能供给已经不是稀缺阶段了，渠道、资本、分发已经是在主导价值。这跟我们现在看到的短剧、漫画小说市场很像，那这里面也许不是一个技术主导的产品能有机会突破的地方。所以他就面临了快速的转型。

而这转型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，他的 resilience、他的纯粹是很强大的。我们遭受过很多投资人的打击，我们一起复盘，一起感受，也遭受过一些行业里的人给到的负向反馈。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？我们这个东西到哪里有机会？一直到定位到用研市场以后，极其快地展开了调研，展开了用户真实的认知获取，这个又不断地给我们的投资意向在加码。

最后一点我觉得还是很强的，就是我们总在说广结善缘。克强还是一个在一路走来，身边的人，不管是技术合作的小伙伴、业务上的小伙伴，以及能把鹏哥这样的创业老炮拉到团队里，我觉得跟他性格、他底层的本色有非常大的关系。包括我们，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走很久，踩很多坑，做很多次转型，但一直坚持到最后。这是形成我们最后非常坚定的投资判断的一路历程。

👦🏻 Koji

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

👨🏻‍💻 克强

短期，我肯定是希望它成为一个大家都用的用研平台。这里面最关键的事情是我刚提到的产品构建的闭环：一个产品的初始是要有好的用户洞察，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 preference 的 alignment。我们希望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。人类在里面贡献神来之笔、直觉、洞察和极端的审美，而 AI 去把里面所有的从用户研究再到产品迭代的整个链路全部完成。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，成为钢铁侠有力的双手，让 PM 可以更自由地挥洒他们的创意。

👦🏻 Koji

那咱们最后一个问题，如果现在给你 300 万美金，你可以去做投资，可以投三个人，你会投哪三个？

👨🏻‍💻 克强

前两个我会投给 CreekStone，就是老股东。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 的。作为一个投资机构，他们专业性满分。同时他们也是创业公司，今年才刚刚开始创业，所以我在创业方面，也跟他们创业者的一些体验方面深度共鸣，我真的非常认同这个创业公司。

另外一个是我之前在硅谷的好朋友，他们的公司 Krea，他们是一个能够在很早之前就高频进行用户研究，将产品打磨速度打磨到极致的团队。

👦🏻 Koji

那今天非常感谢克强和一豪来做客十字路口，也期待你们的产品跑一段时间之后，有了更多的客户、更多的故事和新的一些观察与认知，再来和大家分享。

👨🏻‍💻 克强

好，谢谢。

👨🏻 一豪

谢谢 Koji。

参考资料

[1]Mizzen AI: https://mizzen.top/

[2]小红书: https://www.xiaohongshu.com/user/profile/548251dce779893bcf3f77bc

[3]哔哩哔哩: https://space.bilibili.com/505301413

[4]Youtube: https://www.youtube.com/@kojiyang

文章来自于“十字路口Crossing”，作者 “十字路口Crossing”。