最近在大模型圈有一个很有意思的事情。Perplexity AI是硅谷当红的大模型公司前两个月最近刚刚完成了融资，估值超过5亿美元。但是贾扬清利用Lepton AI的中间件，仅仅用了一个周末500行代码就实现了一个开源的版本。引发业界热议，相关demo 在Github短短数天就斩获五千Star。一叶落知天下秋，我这里结合自己过去一年半的创业经历也进行一些分析。
首先大模型公司目前分为三类。
1）底层的基础模型公司，主要提供大模型能力 。这个领域对于资本要求很高，资源高度向头部公司和巨头集中。
2）中间件公司，主要提供大模型到应用之间的中间件，比如向量数据库。贾扬清的Lepton AI也是中间件公司。
3）上层的应用公司，直接提供针对消费者的应用。应用层的公司也分为两种。平台型应用层公司。这里Perplexity AI就是一个平台型应用层公司。还有一种是针对细分市场的垂直类应用公司，比如说最近刚刚完成融资的Harvey AI就是法律类的垂直类应用。
Perplexity AI和贾扬清的这个小插曲实际上是戳中了应用层公司的一个痛处 — 竞争压力过大而护城河不够。比如Perplexity，主要解决通用型的信息寻找问题，处于四战之地 — 一要面临巨头（Google）压力，二要处理垂直类知识应用（比如Harvey）对于需求侧的挤压，三要防止其他的知识服务类的公司来抢夺市场。最后还需要应对像LeptonAI这样的中间件公司来掀桌子。做垂直类应用会压力稍小，但是这四方压力也都存在，并不轻松。另外垂直类应用的市场容量小，获得的资源会少很多。
那怎么办？很创业者认为只有积累私有数据才能构成足够宽广的护城河。这个当然是非常有道理。但是我觉得数据护城河有一个重要的前置条件 — 系统性的获得私有数据方法论。 我这里提出一个方法论：利用反常识获取时间差，利用创始人个人优势进行单点突破，构建数据为先的产品或者运营能力。
首先是反常识。所谓反常识就是大多数人都没有了解到的洞见。创业者的第一个护城河一定是反常识。只有走少有人走的路，才能用很少的资源构建出自己的核心竞争力。如果一开始就进入一个红海，你没有长大就需要面临竞争，会面临资源枯竭的问题。常识和反常识并不是一成不变的。比如说大模型和聊天界面的结合这个洞见在ChatGPT出来之前属于反常识，但是在ChatGPT出来之后这就是一个常识了。
其次是创始人的个人优势。反常识虽然可以提供一定时间的保护，但是无法持久。只要反常识被证明有用，很快就会变成常识。这个时候创始人的个人优势至关重要。比如说做垂直类应用，创始人对于用户的痛点的深刻理解就是一种个人优势。比较简单的获得这种优势方式就是找一个曾经做过这个方向的人来做做合伙人。比如Harvey，其中一个合伙人就做过律师。即使团队里面没有合伙人从事这样一个方向，只要之前的经历可以转化成这个行业里的优势也是很好的。 比如我前一阵子和一个朋友聊到，他之前的经历是在外面配送平台。新的创业项目是做宠物服务和大模型相结合的一个应用。 虽然表面上看起来没有明显的关系， 但是两个项目都需要有非常强的地面推广能力。
最后是构建数据为先的产品或者运营能力。创始人的个人优势必须能够内化成为系统的优势才能够长久。这里有两个策略，
1）一个是产品驱动 — 创始人利用对于用户需求的深刻理解的优势，在产品设计上下功夫，让用户在使用产品的过程中自然而然形成数据沉淀。并且数据的增长必须也能够进一步提升产品体验，形成飞轮效应。
2） 第二个是运营驱动 — 创始人利用资源和经验的优势，构建一个运营体系可以不断获取私有数据。并且私有数据使得之后的运营或者销售变得更快更有效率。
前者特别适合PLG（Product-led Growth）的产品，后者特别适合销售驱动的（Sales-led Growth）的产品。但是两者都一个共同的特点，就是必须是数据为先的。如果是产品驱动，每一个产品功能的设计必须思考这个功能对于数据沉淀的贡献。如果是运营驱动，必须在运营上把数据而不是营收或者其他指标作为核心的标尺。
回到Perplexity的例子，贾扬清可以用一个周末复现Perplexity 的主要功能，但是无法一个周末完成数据的沉淀。Lepton作为一个中间件公司，应该也无意把这个作为核心公司策略。但是大量的新应用创业公司会借此对Perplexity再次发起冲击。Perplexity能否应对，还是要看他们是否有能力私有数据的护城河。
Jing Conan Wang 