0
過去半年，ChatGPT 憑一己之力，將文本生成變成 AIGC 市場上最火熱的技術產品，它的“智能”程度在一夜間刷新了人們認知，外界對大模型的追逐熱情空前高漲。
但同一時間，人們有關 AI 的恐懼也被不斷放大：據第三方服務平臺 Resume Builder 調查數據顯示，美國受訪的1000多家企業中，使用 ChatGPT 取代部分員工的比例已高達48%；時代財經報道稱，近一個月以來，某家游戲美術外包公司已裁掉一半的原畫師；一名微博網友通過 AIGC 平臺生成內衣模特，其圖片也引發大量討論。
可以看到所有的一切都在表明一個事實，AIGC 已經逐步取代了部分人類的工作。而就在最近，連營銷人員也躲不過去了。
ZMO.AI 是國內最早成立的 AIGC 公司之一，此前專注于出海，與其他擅長藝術作品生成的平臺不同，ZMO.AI 選擇的是真實場景的圖像生成，旗下產品 ImgCreator.AI 自2022年9月16日上線以來，B端用戶量已達百萬，3 個月內營收增長迅猛，ARR達到2000萬人民幣，即將推出的 Marketing Copilot 服務，更是吸引了超過9萬家企業申請 API 等候名單、參與調用模型。
用戶只需通過簡單的兩步，上傳產品圖片至平臺、并給出對應的 workflow （工作流程）指令，Marketing Copilot 即可根據其需求，生成與產品相匹配的宣傳圖片、海報及營銷文案等內容，將傳統的營銷流程，從拍攝、海報制作到后期投放優化，全部嵌入 AI workflow 自動化流程，極大地提高了企業在營銷場景下的內容生產效率。
background AI 網址：https://www.zmo.ai/background-ai/
而基于精準的高價值用戶反饋數據，ZMO.AI 通過數據飛輪對垂類大模型的內容生成方向進行引導，實現模型自我優化，重塑以數據為驅動的營銷內容新模式。
ZMO.AI 創始人張詩瑩坦言，當 AIGC 邁向產品落地階段，生成的圖片不能只是收藏夾里的裝飾品，而是能夠真正解決企業、營銷人員痛點，彌補數字世界內容消耗與供給的缺口，讓產品實現真正的價值。
一次營銷人的新嘗試
與抱著娛樂、趣味性心態來嘗試 AI 繪畫 的 C 端用戶不同，B 端用戶往往面對的是專業屬性更強的場景，因此對于 AI 生成圖像，無論是圖片質量、畫面內容可控性以及準確性的要求，相比 C 端用戶也會更高，這或許也是類似于 ZMO.AI 這類專業化 AI 生成產品深受用戶喜愛的原因。
Rowdy 是英國創業公司 e-Bike 的 CEO，擁有一個不到10人的小團隊，公司針對歐洲自行車盜竊亂象研發了一套防盜系統，創業初期的搭建網站、社媒運營、還有大量 e-bike 圖片拍攝對他們而言無疑是巨大的工作量。
2022年中旬，AIGC 的火爆引起了 Rowdy 的注意，他開始大量地瀏覽、使用 AIGC 網站，但許多平臺 AI 生成的圖像均是藝術美學風格，與其產品并不適用。
一次，Rowdy 偶然在 twitter 上刷到了使用 ZMO.AI 生成的人像圖片，這令他十分驚喜，他通過大量調研發現了，ZMO.AI 生成器的真實照片風格不僅逼真度非常高，且分辨率可達到 4k-8k，完全滿足其網頁和博客對圖片內容的需求。
近半年來，Rowdy 團隊已經是 ZMO.AI 的忠實用戶，其網站設計和公司博客配圖均使用 ZMO.AI 生成，相較于高昂的拍攝費用，僅需要支付二十幾英鎊、每周就能完成200多張圖片。
Rowdy 使用 ZMO.AI 生成素材后的公司網頁
在過去很長一段里，從事家居產品出海的跨境電商公司負責人 Nila 也面臨著她的營銷難題。
Nila 公司出口戶外沙發雖然在歐美地區增長非常迅速，但由于沙發產品外形較大，運輸成本很高、搭建拍攝場景耗時長，每次拍攝產品圖成為 Nila 最頭疼的事情。她也嘗試過 P 圖的方式來完成，為了達到想要的產品圖效果，Nila 還會拉著設計師反復溝通磨合，但最終呈現效果往往與真實拍攝效果相差甚遠。
經過圈內好友介紹，Nila 接觸到 ZMO.AI 的文字 P 圖，她發現，將想要修改的產品上傳到平臺后，只需給出一段文字指令，圖片即可自動化完成修改，圖片效果真實、自然不說，數據表現也比之前更好，極大地減少了在過往營銷環節中產品拍攝的壓力和資金損耗。
使用 ZMO.AI 生成的沙發產品圖
在內容需求旺盛的當下，AIGC 所帶來的內容生產方式變革隨處可見。
張詩瑩認為，目前 AIGC 正在完成從簡單的降本增效、即以生成金融/體育新聞為代表的文本生成，向創造額外價值、提供更專業化服務的方向發展，包括提供繪畫、創作素材等創意型內容生成轉移，跨模態、多模態內容成為發展的關鍵節點。
以 AI 圖像生成為例，該部分包括兩大類場景，分別是創意圖像生成、功能性圖像生成，前者多以 NPF 等形式體現，屬于創意發散需求，后者則涵蓋營銷類海報/界面、logo、商品圖等，對于可控性以及準確性要求很高。
張詩瑩坦言道，那些帶有玄幻、科幻的藝術圖片更容易出圈，且由于場景虛幻的原因，就算生成不合邏輯的瑕疵，用戶也會更加包容；而真實的、攝影風格的圖像生成雖然難度更高，但進入實際應用場景里，其對人們生產與生活所帶來的影響更巨大。
比如傳統的電商上新品，此前采用線下拍攝的方式，需要化妝師、服裝師、攝影師、模特等等，而在今天的 AIGC 變革中，借助 ZMO.AI 等生成工具，可在幾秒之內立刻展示商品在不同場景，不同搭配，不同人物的場景圖，極大的降本增效。
重塑營銷內容生成模式
邁進具體的應用場景里，企業和用戶往往面臨著模型使用門檻高、內容生成隨機和不可控的兩大痛點。
ChatGPT 面世后，誕生了一個新的崗位是 Prompt Engineer（提示工程師），他們通過一定的方法來指導模型生成有用的輸出。但在傳統的營銷產業中，一般用戶往往并不具備良好的 Prompt Engineering 能力，更不用說組合使用多種 AI 產品工具，如何能夠提供開箱即用的 AI 產品和應用，讓不懂技術的客戶也能快速組成解決方案，滿足自己的需求，這是 ZMO.AI 一直在思考的問題。
在新上線的 Marketing Copilot 中，用戶可上傳自己產品過往的優質素材，在 ZMO.AI 上搭建訓練自己的特有模型，隨后上傳產品圖片至平臺、并給出簡單的 workflow （工作程）指令，特有模型即可根據指令以及品牌調性自動生成符合受眾喜愛的營銷圖片，無需冗長復雜的prompt調教。
同時，特有模型會實時進行內容方向優化，不斷提高內容的互動率。ZMO.AI 將以往傳統的營銷環節被全部嵌入 AI workflow 自動化流程中，讓模型來適應用戶，替代復雜的 prompt engineering，即用簡單的指令進行工作流的自動化，極大地提高了企業在營銷場景下的內容生產效率。
Nick 是一家專業營銷機構的負責人，其工作內容是幫助廣告主搭建官方社媒賬號和設計廣告素材。疫情之后，Nick 最大的感受是，“所有人都離不開線上營銷”。
AIGC 火爆之后，幾乎同一時間內涌現出的多家 AI 作圖網站，Nick 開始嘗試在各大平臺上作圖，但他很快發現，包括 Midjourney 在內的大多數 AIGC 產品，無法滿足營銷人員的需求。
AI 能夠隨意生成很多有創意性的內容，但對原圖片中產品的細節，包括紋路、Logo 到材質等無法實現百分百還原，這種營銷內容與實際產品“貨不對板”的情況一旦發生，必然會帶來極高的退貨率，這也是通用。此外，不少 AI 生成產品玩法單一、個性化差，面臨著嚴重同質化的問題。
直到 Nick 在 ZMO.AI 上 體驗到 Marketing Copilot，他驚喜地發現，Marketing Copilot 通過獨特的算法，竟可以完全保持產品的所有細節，并依據產品圖自動生成合適的布局和文案。
并且通過自動化 workflow 生成流程，最終呈現效果從光影、分辨率到逼真度上可接近真實的產品拍攝圖片，更兼顧品牌調性和轉化率，真正滿足對營銷內容的需求。
而在營銷行業中，最重要的、也最令用戶頭疼的轉化數據方面，ZMO.AI 基于核心垂類大模型，也進一步提出了模型自我優化和調節。
借助 ZMO.AI 的 Marketing Copilot ，模型不僅可以依據此前表現優秀的營銷案例，自動化生成大量符合品牌調性和成功案例風格的內容，還能通過互動數據的實時反饋，自動優化內容方向，通過不斷迭代實現內容數據的提升。
此前 Nick 團隊就曾將表現不錯的海報模板上傳到 ZMO.AI 上訓練特有模型，借助該模型輸出的內容，往往也能更符合自己客戶的受眾喜好和品牌調性。
Marketing Copilot 模型首先需要一到兩周的時間對內容方向進行自適應調教，通過反復完成“生成素材--數據反饋--素材優化”流程，由此生成針對特定產品、特定用戶人群瀏覽量和轉化率更高的內容。
在這個過程中，這些高質量營銷數據的反饋“喂養”功不可沒，不僅如此，這些數據往往是私密的，商家擁有完整的控制權。
在 Nick 看來，Marketing Copilot 不再是一個簡單的內容生成工具，而是改變營銷流程的一整套解決方案，通過 AI 更強的分析能力和生成能力，將針對海量 SKU 批量生成高質量內容變為可能，并以最終數據為導向 24 小時不停歇的優化。
當團隊熟悉全新 workflow 之后，每一個 SKU 的出圖量從原來的不到 10 張瞬間暴漲到 200 張，而 Nike 團隊在借助 Marketing Copliot 大量進行 AB 測試和迭代后，更是將原有營銷環節三四個月的優化周期縮短至兩三周，銷售額增長高達三倍。
“它所展現的能力太強大了！再這樣下去，我們營銷人真的要失業了。” Nick 表示，目前公司確實已經在考慮縮減一部分營銷人員，更全面的擁抱AI帶來的全新工作流。
ZMO.AI 基于傳統營銷場景下的高精準數據反饋打造垂類大模型，通過 AIGC 不僅推動營銷生產方式發生變化，也形成了“數據驅動型”營銷內容新形態。張詩瑩認為，終極的 AI workflow 到底應該是什么樣的，或許眼下下結論為時尚早，但對創業公司來說，眼下的焦點應聚焦在如何做出能解決商家痛點的產品，與用戶一起不斷迭代。
創業公司突圍垂類大模型
相比一年前資本和市場迅速涌向 AIGC ，GPT-4 為代表多模態大模型和搭載著 GPT-4 能力的產品，讓大模型成為最炙手可熱的新星，大廠和創業公司紛紛加入競賽場。
AIGC 最初的起飛過后，去偽存真，人們對其背后真正的應用空間和商業價值也有了更冷靜、客觀的思考。
目前，從事大模型研究的大廠和企業不外乎三種探索路徑：
第一種是專注于大模型研發的公司，例如 OpenAI ，百度、阿里、字節等大廠；
第二種是調用大模型的 API 、基于大模型和具體場景業務開發超級應用；
第三種則是既做自己的垂直大模型、又提供應用服務的公司，ZMO.AI 就是屬于此類。
企業做大模型的實力對比很明顯。大廠有多年的技術積累，同時在財力、人力等資源投入上實力更強勁，創業公司想要做大模型，風口期短，一旦時間拉長，往往會在大廠的擠兌下沒有生存的空間。因此，大部分創業公司方向更多集中在超級應用，針對具體場景提供精細化垂直服務，技術投資少，也能在更短時間內見到收益。
而對比純應用層服務和垂類大模型，張詩瑩表示，“大模型是少數人的機會，更多的機會還是在超級應用層和垂類大模型中。但如果沒有垂直領域獨特的數據積累，或者是沒有和工作流緊密結合的模型構架，護城河也會很淺。”
依靠第三方 API 提供的 AI+服務，“超級應用”往往只能解決單點的階段性問題，難以深入模型層創新、自研層，企業難以構建核心競爭力、護城河淺。
相較之下，垂類大模型通過搭建端到端的工程棧，覆蓋模型的研發、訓練、數據、應用整條價值鏈，這類公司的產品并不依賴第三方 API，迭代非常迅速，并且還能很好地利用應用側用戶的數據反饋形成數據飛輪，從而形成自己的數據優勢。其中，Adobe、Typeface 和 ZMO.AI ，都屬于此類提供垂類大模型服務的公司。
2022 年 6 月，前 Adobe 公司 CTO Abhay Parasnis 創立 AIGC 公司 Typeface，首輪融資就獲得了 6500 萬美金，該公司面向 B 端企業提供營銷服務。由于 B 端品牌企業對品牌調性、內容可控性的要求，往往無法通過直接調用 Stable Diffusion 來實現，為此 Typeface 通過個性化訓練的品牌獨有模型以及內容審查算法，針對大型品牌、提供了基于企業品牌定位和受眾目標而生成的個性化文字及圖像內容。
“對于一家公司來說，最基本的一個問題是其數據和品牌形象的安全。 每個企業都希望確保自己不會在不經意間創造出不準確、剽竊或冒犯性的內容，從而損害自己的聲譽。”Parasnis 表示。
不過也有市場觀點提出自己的擔憂，這種垂類大模型會不會某一天被一個更強的通用大模型所取代？未來所有的 AI 領域是否會以少數通用大模型為主導？
對此張詩瑩表示，“許多高價值的專業領域依賴的是特定的行業專有數據集，這些數據集并非網上公開能輕易獲取的數據集也不太可能允許第三方進行AI訓練和訪問。因此，通用大模型往往很難利用這種專有數據和知識去訓練或者優化這個領域的工作流程。”
同時，用于 RLHF 的高質量用戶反饋也至關重要，有助于不斷推動模型內容方向和質量進一步提升。由于通用大模型和垂類大模型的用戶群體差異較大，內容反饋數據也完全不同，這也使得由垂類大模型生成的內容相比于通用大模型，更能符合特定垂類場景的需求，生成質量也會更高。
以 ZMO.AI 為例，ZMO.AI 專注營銷場景，在 2 年半中積累的營銷領域的 know-how 和精準的數據，經過了一年多的標注數據收集和營銷用戶 RLHF 反饋系統，最終訓練形成垂類大模型，其用戶群體更多是在營銷方向的專業 B 端用戶, 通用的AIGC產品難以達到他們的工作需求。
ZMO.AI 聯合創始人馬里千認為，雖然通用大模型在許多任務上可以表現平均人類的水平，但它們在特定垂直領域中表現不佳，主要原因在于，特定領域知識不是常識、相關數據也不容易公開獲取。
例如，摳圖作為一項復雜的視覺任務，其涉及到是否能準確估計每個像素的 Alpha 值，以從圖像和視頻中提取前景對象，當中不可避免地會受到背景、光照條件和物體透明度等復雜因素的影響。為了保留產品的完整細節，ZMO.AI 花費一年的時間和高昂的成本收集了高精度的摳圖標注數據，并自研出高精度摳圖算法。
大模型后期要在專業場景進行落地，是需要在其基礎上利用場景數據和工作流，馬里千坦言，“往真正能夠解決問題的具體場景上去落地，而且能夠跟行業內的某些工作流綁得更緊的這些東西，我覺得這是大模型時代創業公司能夠做的更有意義的事情。”
減少大量的、重復性的工作內容，ZMO.AI 在互動度點擊率等細粒度參數下不斷優化內容生成方向，他們所提供的產品服務真正解決了用戶的實際問題。據內部數據顯示，僅一個月，ZMO.AI 在營銷領域的用戶營收增長就達到了150%。
對話 ZMO.AI 張詩瑩
為了更深入了解 ZMO.AI 瘋狂增長背后的秘訣，AI 科技評論同 ZMO.AI 創始人張詩瑩圍繞 AIGC 和垂類大模型進行了一次對話：
AI 科技評論：近一年來，AIGC 涌入眾多競爭者，相比大廠，創業型公司的機遇在哪里？
張詩瑩：目前 AI 公司是有生態分層的，可以分為：大模型層、純應用層、垂類大模型層。大模型層就像操作系統，是屬于少數人的機會，更適合大廠或者大佬這種有雄厚財力人力的玩家，而創業公司更適合后兩類。
在底層大模型不斷變動的時代，純應用層壁壘很低、可持續性不強。垂類大模型的公司包括 Character.AI、Midjourney、Typeface等，這也是 ZMO.AI 堅持的路徑。垂類大模型通過搭建端到端的工程棧，覆蓋模型的研發、訓練、數據、應用整條價值鏈，這類公司的產品并不依賴第三方 API，迭代非常迅速，并且還能很好地利用應用側用戶的數據反饋形成數據飛輪，從而形成自己的數據優勢。
此前，ZMO.AI 就將應用端大量的高價值用戶反饋數據和模型完全打通，通過數據飛輪對垂類大模型的內容生成方向進行引導和優化，積累自己的專有數據集，根據數據會反饋給我們的模型，告知模型目標，例如我們希望模型的互動率比較高，通過模型自我優化，為用戶提供更好的服務。
AI 科技評論：相比于通用大模型，垂類大模型的優勢在哪里？是否會被取代？
張詩瑩：我并不認為垂類大模型和通用大模型是一個對立的概念，相反，我認為垂類大模型可以站在通用大模型的肩膀上、進一步優化專業領域的模型。
對于非常細碎、需求個性化的 C 端場景，通用大模型會更合適，然而像營銷這種非常專業的 To B 場景，AIGC 產品不會是簡單的一個對話框和后面的第三方 API 組成，因為專業場景對于可控性，準確度以及質量的要求極高，這必然會是一個復雜的系統結構，需要在通用大模型的基礎上進行專門的模型優化，才能符合營銷場景的需求。
AI 科技評論：ZMO.AI 的優勢是什么？
張詩瑩：首先，ZMO.AI 在營銷領域積累了2年半，對于這個領域的用戶痛點有深刻的認知。
AI 能夠隨意生成很多 creative 的東西，但是這個東西工廠能不能生產出來？這是一個很大的問題，當工廠已經生產出來了某款鞋，這個鞋不能變，所以生成的東西跟賣的產品是一致的，數字內容如何進入到實際的生活當中，必須得工廠生產，要工廠生產就一定要有版型、模具，需要前身，用戶對于產品細節不能貨不對板的需求；又比如拍攝和 PS 費時費力等問題，基于在營銷領域用戶洞察，我們才能搭建起來深刻綁定營銷 workflow（工作流）的產品。
其次，我們擁有大量營銷領域的專業數據，包括超6000萬高清真實照片數據集、用于訓練超高分辨率的逼真照片，以及海量 alpha 摳圖數據集等等。
我們花了一年的時間有很多的標注數據，最終可以實現高清圖像素級別的精確產品摳圖。如果真正要在營銷上去落地的話，非常重要的是怎么保留這個產品，從整個流程上來說，它也不僅是產品之后生成背景，包括可以生成帖子以及營銷文案。
最后，ZMO.AI 已經搭建、并驗證了可跑通的專業營銷用戶 RLHF 反饋系統，通過高質量的數據反饋，在互動度點擊率等細粒度參數下不斷優化內容生成方向。
AI 科技評論：您提到的用戶洞察如何做？
張詩瑩：我非常喜歡和用戶聊天，每天會花2個小時閱讀用戶的反饋，很多用戶的痛點都是在這當中發現的。
我認為，早期看數據很難看出來真正的痛點，因為巨大的流量中既有我們目標用戶，也有大量純"玩"的用戶，所以找到大量的目標用戶觀察他們的使用，和他們聊天就成了我的日常。此外，我還經常會去拜訪客戶的公司，和不同環節的營銷人員交朋友。
AI 科技評論：ZMO.AI 選擇的賽道是做真實圖像生成，背后的原因是？在打開用戶接受度上是否會更困難？
張詩瑩：雖然包括 Stable Diffusion 和 Midjourney 都在做 Art（藝術風格凸顯生成），但在我們團隊的認知里，Art 對于整個行業或世界影響，沒有真實圖片、3D、插圖等這些東西那么大，Art 可能是其中的一個應用，但日常生活中大家用到更多的還是真實圖像、3D和專業性插畫。
一張真實圖片，我們會在意的東西很多，比如一張男人照片臉上皮膚干褶的感覺，真實圖片對細節要求非常高；第二是光影，光要如何做得足夠自然，例如狗眼睛的光感、皮毛上光影的細膩程度。
可以說，真實圖片對包括結構、數據量和生成質量等在內，產品的生成能力要求會更高，因此也會受到更多的阻礙，必須要達到足夠高的要求、用戶才會去用。
我們認為，最后 AIGC 要解決整個行業的內容生產力問題，不只是好玩、好看的問題。
AI 科技評論：從您的視角來看，創業公司該如何應對大廠的競爭？
張詩瑩：競爭在所難免，但就目前而言，大廠推出的功能在我看來，更多是防御性反應，做的應用仍搭載在現有業務上，只針對有技術和愿意付高價的小部分人群提供部分附加功能。
站在像我們這樣的 AIGC 初創公司的視角上，應該從一開始就在新的內容創作范式框架下去創造產品，構建完全不同于傳統工作流的 AI Native Apps。大廠是否能做出強大的新一代 AI 產品，關鍵還是在于最終能否革自己的命。
（雷峰網雷峰網(公眾號：雷峰網)）
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
