02 年创业者仲泰的“观猹”获红杉、华兴种子轮融资,打破 AI 创业曝光困境!

“观猹”:打破 AI 创业曝光困境,引领行业新生态

打开“观猹”,呈现出的 AI 创业生态与机构投资榜单截然不同。这里少见估值数亿美金的项目,活跃的创业者多是普通设计师、产品经理,甚至退休教师。“观猹”创始人仲泰表示:“这才是 AI 行业最真实的生态。”

仲泰在 AI 创业者和开发者群体中颇有名气。这位 02 年出生、戴黑框眼镜的瘦高男生,“创龄”已有 6 年。他高三做试题交流平台,大一做考题答疑社群,2023 年在 AI 风口成立科技自媒体“特工宇宙”。而 2025 年 7 月上线的 AI 产品测评社区平台“观猹”,是他投入最大的一次创业。

与 AI 项目打交道两三年,仲泰试用过超千个产品。他发现,能获融资、有资源投放的项目是少数,“很多项目并非不好,只是没机会被大众看到”。于是,“观猹”诞生,其初衷是在融资金额、团队背景之外,建立一套 AI 应用评价体系,让初创公司获得曝光机会。

为确保机会公平,“观猹”设计了严格评价机制:只有定向受邀或通过 50 道题的线上考试,才能成为“观猹员”写产品点评;点评须真人撰写,并经机器和人工审核;“观猹员”发布评论的权重根据活跃度和获赞数有所不同。

相对而言,项目入驻“观猹”几乎无门槛。仲泰对《智能涌现》说:“就算是同质化项目,我们也很包容,最终项目好坏由大众用户评判。”

口碑发酵下,上线半年,“观猹”入驻项目近 2000 个,“观猹员”近 5000 个,社区月活用户达几十万。OiiOii、QClaw、Aivilization、Paper2Gal 等项目在此起步、受关注并获融资。

有人称“观猹”为“中国版的 Product Hunt”,但仲泰认为,Product Hunt 仅提供曝光渠道,初创公司和 OPC 需要更多,如完善产品基础设施的第三方组件、GTM 方法论和实惠的 Token 资源。

为此,“观猹”提供统一登录 SDK、统一支付 SDK、营销等服务。仲泰解释:“对无产品运营经验的创业者,跑通登录、支付、营销体系的学习和时间成本很高。”此外,“观猹”上线第三方模型集成平台 TokenDance,以低价为创业者提供 API。仲泰表示,TokenDance 可以不赚钱,因为早期创业者难负担 Token 成本。

“观猹”想做的事很多,但仲泰觉得必须做。项目增多,需求也增多。近期,“观猹”(似一科技)完成红杉中国、华兴资本的种子轮融资。

红杉中国合伙人公元称:“观猹是超级节点,汇聚年轻创业者和 Builders,是前沿 AI 产品发现与分发平台,能感受前沿信号。期待观猹团队在不确定未来观察到更多新知和洞见。”华兴资本 CEO 王力行表示:“观猹独特之处在于站在 AI builder 与真实用户之间,既接近开发者创新供给,又能感知用户真实反馈。我们看重团队对新一代 AI 应用生态的理解深度和迭代速度。随着 AI 应用生态丰富,观猹有机会在连接产品、用户和商业化路径中沉淀平台价值。”

我们在“劫富济贫”

多数人看到的 AI 应用是少数。很多团队未获融资,无力投放;技术背景创业者不懂内容和营销。所以“观猹”想重新建立 AI 应用评价体系,让初创公司获公正曝光机会。

2023 年,仲泰想做交流 AI 的社区,但因资金和商业化问题搁置。2025 年,他决定先做中国版 Product Hunt,再扩展为 AI 产品上新发布与交流社区。选择该产品形态,一是国内无此类 AI 产品点评平台,二是大厂因自身利益无法做到公正,需第三方平台。

“观猹”提供 Token 补贴,商业模式为广告和渠道费。技术团队不懂内容和营销,“观猹”同学会指导,好产品还会免费推流。产品成熟后,“观猹”提供“统一登录”体系,用户可用观猹账号登录应用。目前,“观猹”也在探索“统一支付”服务,小规模创业团队和 OPC 完成支付、结算、运营流程有学习成本,通过观猹支付 SDK 交易,“观猹”会收取费用。

“观猹”还做了类似 OpenRouter 的模型 API 聚合平台 TokenDance,资助大学生团队,商业化后提供 Token 折扣。“观猹”可在 Token 补贴上亏钱,因 Token 对早期创业者是昂贵资源,收入靠广告和渠道费。

目前排行榜热门产品多为大厂应用,这很正常,大厂产品成熟度高,用户使用意愿强。但“观猹”倾向通过服务初创团队和 OPC,让初创产品完善并获曝光。“观猹”与大厂合作赚钱,补贴开发者,仲泰笑称这是“劫富济贫”。

行业最稀缺的资产是“真实”

“观猹”机制未从投票切入,因投票易被操纵。它参考 Steam、豆瓣等评分网站,形成可写好评和差评的机制。与多数渠道相比,“观猹”的差异化在于真实,虚假评价、曝光和数据易用钱买到,真实成了稀缺资源。

“观猹”社区是双边网络,连接 Builder 和 User。为让双方留存,需要核心用户产出客观、高质量评价和内容,即“观猹员”。目前,“观猹员”近 5000 人。为把控质量,审核机制从定向邀请变为线上考试,类似 B 站入站考试,通过考试才有写点评资格。

成为“观猹员”也不能随意发布点评,平台有机器和人工审核,发现用 AI 糊弄或点评质量低,会吊销资格。“观猹”还搭建权重机制,“观猹员”点评和评分权重因活跃度和获赞数而异。

入驻“观猹”有基础门槛,纯靠 10 分钟 Vibe Coding 的项目不行。过了门槛的项目可上架,平台根据热度和评分决定是否推流,这是“观猹”的推荐机制。“观猹”不卡 copycat,就像 AppStore,产品好坏由用户评判。

AI 产品的存活窗口期只有 3 个月

OPC 泡沫较大,很多人空谈,未解决实际问题。OPC 对创业者素质要求高,要敏锐捕捉机会、快速做产品并商业化赚钱,能成功的人极少。目前“观猹”上 30%是 OPC,70%是相对成熟公司。

AI 产品存活窗口期缩短,一年前是 6 个月,现在只有 3 个月。“观猹”规划了“AI 坟墓”板块,收录停运产品,供人缅怀和分析失败原因。失败有记录价值,可能是时机、赛道或团队调整问题。

Vibe Coding 门槛降低,满足了小众需求,如 AI 算命需求细分,有易经、塔罗等方法。未来 AI 项目落地场景会更细分。

现在黑客松热闹但缺乏沉淀,选手获奖后产品无人关注。仲泰希望“观猹”覆盖黑客松完整链条,提供后续服务和资源对接。

初创团队调整创业方向速度加快,因基模能力快速迭代,这是好事,意味着创业试错成本降低。

早期项目的困境,在于没有渠道匹配到种子用户

国内多数 AI 产品用户少,平均两三万。产品迭代和融资都需种子用户,不少早期 OPC 来“观猹”获取种子用户。“观猹”规划服务模式,未来通过算法和人工,让项目匹配至少 1000 个种子用户。根据“1000 铁粉”理论,有 1000 个支持用户,项目就能存活。

有人认为传统软件已死,App 无意义,人们会用 personal agent 调用 skill。仲泰认可这是趋势,但还很遥远。C 端群体对 Vibe Coding 了解有限,市场需教育,多数人操作习惯在 App,需求未达使用龙虾(OpenClaw)的程度。所以 3 - 5 年内,AI 软件会大爆发,短期内 AI 生产类工具发展更快,AI + 泛娱乐领域有融资但仍在探索的公司,机会大。

Skill 存在非共识,有人认为它是过渡态,会被下一代模型能力吞噬。Skill Market 也有非共识,个人经验能否被 AI“蒸馏”影响 Skill 质量和定价,且有人不愿公开经验。一旦形成共识,机会归大厂,目前 AI 行业共识和非共识变化快。

近期团队讨论的非共识是:To A 产品机会属于 AI - Native 创业团队还是飞书、WPS 等老牌软件团队。支持前者的人认为传统软件难兼容 Agent,文档格式无法全变成 Markdown;支持后者的人觉得飞书等厂商有用户基础,把握用户心智有优势。

眼下 3 - 5 年,真人链接和社交重要,Agent、世界模型、机器人还遥远,AI 未真正破圈。所以“观猹”会注重社区运营,未来希望建立三个用户心智:Builder 上架产品首选“观猹”;User 获取 AI 前沿资讯首选“观猹”;大家相信“观猹”评分公正客观。欢迎交流!

内容概要:本文提出了一种基于非合作博弈理论的居民负荷分层调度模型,并结合双层鲸鱼优化算法(Two-level Whale Optimization Algorithm)进行高效求解,模型与算法均通过Matlab代码实现。研究针对电力系统中居民侧用电负荷的复杂调度问题,引入非合作博弈机制刻画各用户之间的利益竞争关系,实现负荷的分层优化分配;同时设计双层优化架构,上层优化资源配置,下层模拟用户自主决策行为,提升了模型的实用性与合理性。通过智能优化算法求解多层级、非凸非线性的博弈模型,有效提高了调度方案的收敛性与全局寻优能力,适用于现代智能电网中的需求侧管理与能源优化场景。; 适合人群:具备电力系统基础理论知识和Matlab编程能力,从事智能电网、能源优化调度、需求侧管理、博弈论应用等方向的科研人、高校研究生及工程技术人。; 使用场景及目标:①应用于居民区电力负荷的分层优化调度系统设计与仿真分析;②为非合作博弈在多主体能源系统建模中的应用提供方法论支持;③利用双层鲸鱼算法解决具有嵌套结构的复杂双层优化问题,提升求解效率与调度方案的可行性。; 阅读建议:建议读者结合提供的Matlab代码深入理解模型构建逻辑与算法实现流程,重点关注博弈模型的效用函数设计、纳什均衡求解思路以及双层优化结构的迭代机制,宜配合实际用电数据开展复现实验以验证模型有效性与鲁棒性。
内容概要:本文围绕基于自适应神经模糊推理系统(ANFIS)智能控制器的可再生能源微电网功率管理系统展开研究,结合Simulink仿真实现,深入探讨了微电网中功率的智能调控与经济机组组合调度问题。通过引入ANFIS控制器,有效应对风能、光伏等可再生能源出力的波动性与不确定性,提升系统运行的稳定性与电能质量。研究内容涵盖微电网多源协调控制策略、功率平衡管理、优化调度模型构建及仿真验证,实现了对分布式电源、储能系统和负荷的协同优化,兼顾经济性与可靠性目标,并通过仿真平台验证了所提方法的有效性与优越性。; 适合人群:具备电力系统、自动化或新能源相关专业背景,熟悉Matlab/Simulink仿真环境,从事微电网能量管理、智能控制、能源优化等领域研究的研究生、科研人及工程技术人。; 使用场景及目标:①用于高比例可再生能源接入场景下的微电网能量管理系统研发与教学实践;②为实现微电网功率稳定控制与经济高效运行提供先进的智能控制解决方案;③支撑高水平学术论文复现、科研课题攻关及实际工程项目的仿真验证与方案优化。; 阅读建议:建议结合提供的Simulink模型与相关代码进行动手实践,重点关注ANFIS控制器的设计流程、规则库构建与参数调优方法,并通过与传统PID或MPC控制策略的对比实验,深入理解其在动态响应与鲁棒性方面的优势。同时可进一步拓展文中提出的优化调度逻辑,应用于多目标、多约束的复杂实际应用场景中。
内容概要:本文档聚焦于“直流电机双闭环控制Matlab仿真”,系统阐述了基于Matlab/Simulink平台实现直流电机双闭环控制系统(主要包括速度环与电流环)的设计与仿真全过程。通过构建直流电机的数学模型,结合PI控制器进行调控,实现对电机转速和电枢电流的高精度动态控制,验证控制策略的稳定性与响应性能。文档详细介绍了仿真模型的搭建流程、关键参数的整定方法、系统动态波形的分析手段以及仿真结果的有效性验证,体现了经典自动控制理论在实际电机系统中的工程应用,是电机控制与电力电子技术相结合的典型研究案例。; 适合人群:具备自动控制原理、电机与拖动基础、电力电子技术和Matlab/Simulink仿真能力的电气工程、自动化、机电一体化等专业的本科生、研究生及从事电机驱动系统研发的工程技术人。; 使用场景及目标:①作为高校课程设计或实验教学材料,帮助学生深入理解双闭环调速系统的工作机理与工程实现;②服务于科研项目,为新型电机控制算法(如滑模、模糊PID等)的开发与性能对比提供基础仿真验证平台;③作为工业界产品前期设计的仿真工具,用于评估不同控制策略在动态响应、抗干扰能力和稳态精度方面的可行性。; 阅读建议:建议读者在学习过程中紧密结合自动控制理论知识,亲手在Simulink环境中搭建完整的双闭环仿真模型,通过反复调整PI控制器的比例与积分参数,察并分析转速、电流的阶跃响应曲线,从而深刻理解反馈控制的本质、系统稳定性条件以及参数整定对动态性能的影响,进而掌握电机控制系统的设计精髓。
内容概要:本文研究了基于Benders分解与输电网运营商(TSO)和配电网运营商(DSO)协调机制的不确定环境下输配电网双层优化模型,旨在提升高比例可再生能源接入背景下电网系统的协调性与鲁棒性。模型上层以系统整体经济性为目标进行优化调度,下层采用Benders分解实现TSO与DSO之间的信息交互与协同决策,通过引入割平面迭代机制保障求解的收敛性与全局最优性。研究充分考虑新能源出力与负荷需求的不确定性,构建了具有强适应性的双层优化框架,并基于Matlab完成了模型的编程实现与仿真验证,有效解决了多主体、多层级、多不确定性因素耦合下的电力系统优化调度难题。; 适合人群:具备电力系统分析、运筹学与优化理论基础,熟悉Matlab编程环境,从事智能电网、能源互联网、分布式能源集成、电力市场等方向的研究生、科研人及工程技术人。; 使用场景及目标:①研究高渗透率可再生能源条件下输配电网协同优化调度策略;②掌握Benders分解在电力系统双层优化建模中的应用方法与实现技巧;③构建TSO-DSO多主体协调机制,实现跨层级电网资源的高效互动与决策解耦;④提升对不确定性建模、分解算法设计及大规模优化问题求解能力。; 阅读建议:建议读者结合Matlab代码逐模块剖析模型构建流程,重点理解Benders割的生成逻辑、主从问题的信息传递机制及收敛判据设定,推荐在标准IEEE测试系统上复现实验以深入掌握模型特性与算法性能。
内容概要:本文系统研究了基于灰狼优化算法(GWO)优化Elman神经网络的方法,并提供了完整的Matlab代码实现。研究重点在于利用灰狼优化算法强大的全局搜索能力,对Elman神经网络的关键参数进行智能优化,从而克服传统训练方法易陷入局部最优的缺陷,显著提升模型在时序预测与非线性系统建模任务中的精度与稳定性。文章详细阐述了Elman网络的动态反馈机制及其在处理时间序列数据方面的优势,构建了GWO与Elman相结合的混合预测框架,涵盖了从模型搭建、参数寻优、仿真测试到结果分析的全流程,特别适用于风电功率预测、电力负荷预测等具有强时变性和不确定性的工程应用场景。; 适合人群:具备一定Matlab编程能力和神经网络基础知识,从事智能优化算法、时间序列预测、电力系统分析或新能源出力预测等相关领域的研究生、科研人及工程技术人。; 使用场景及目标:①掌握灰狼优化算法在神经网络超参数优化中的具体实施路径与技术细节;②深入理解Elman递归神经网络与群体智能优化算法融合的建模范式;③将其应用于风电、光伏等新能源发电功率预测及复杂动态系统的建模与仿真,提升预测性能。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,重点关注GWO算法与Elman网络的接口设计、适应度函数构建及参数优化迭代过程,可通过调整数据集或迁移至其他预测场景以深化理解和验证模型泛化能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值