18 個月衝破 10 億美元營收：Higgsfield 創始人揭祕 AI 視頻爆發、算力消耗與破局打法

Higgsfield：18個月衝到10億美元年化營收，AI視頻真正的戰爭纔剛開始

如果只看表面，Higgsfield 像是又一家趕上生成式 AI 風口的視頻公司。

但它真正值得研究的地方，不是：

AI 能不能生成更漂亮的視頻。

而是它正在驗證一個更大的商業命題：

當“生成內容”的成本快速接近零以後，真正值錢的東西會從模型本身，遷移到工作流、分發、客戶數據、模型路由和最終商業結果。

2026 年 9 月 24 日，Higgsfield 宣佈其年化營收運行率（annualized revenue run rate）突破 10 億美元，距離 Web 產品上線約 18 個月；公司稱過去一年增長約 20 倍，企業業務的 12 個月淨收入留存率達到約 300%。Bloomberg 也報道了這一里程碑，並說明 Higgsfield 的計算方法是把最近四周實際收入乘以 13。

這裏必須首先把一個非常重要的概念說清楚：

10 億美元不是“過去一年已經確認了 10 億美元收入”。

它是：

Run Rate。

即：

假設最近四周的收入水平持續一年，會對應大約 10 億美元年收入。

這是 AI 公司當前普遍採用的增長口徑之一，但它與審計後的全年 GAAP Revenue 不是同一件事。

這一點必須分開。

一、真正驚人的不是 10 億美元，而是增長速度

2025 年 3 月底，Higgsfield 的 Web 平臺正式進入市場。

2026 年 8 月，也就是上線約 16 個月後，公司融資材料披露年化收入運行率已經達到：

7 億美元。

一個月以後：

突破：

10 億美元。

而一年前，其水平還只有約：

2000 萬美元。

2026 年 8 月，Higgsfield 又完成了 4 億美元 Series B，估值達到 54 億美元，投資方包括 DST Global、Goldman Sachs Alternatives、Intel Capital 等。

這說明：

Higgsfield 真正發生的並不是一般意義上的：

“增長很快。”

而是：

AI 軟件的收入擴張速度，正在突破傳統 SaaS 的時間尺度。

二、爲什麼 AI 公司可以比 SaaS 長得快這麼多？

傳統 SaaS 的擴張鏈條通常是：

銷售找到客戶；

Demo；

安全審查；

採購；

合同；

實施；

培訓；

Seat 擴張。

全過程可能：

6—18 個月。

AI 原生產品出現了另一種路徑：

Consumer / Self-serve → Usage → Workflow → Enterprise Contract。

用戶先自己刷卡。

發現：

真的有用。

內部傳播。

然後：

一個團隊使用；

十個團隊使用；

最終企業採購部門才進入。

這是：

Bottom-up Enterprise Adoption。

Higgsfield 就非常典型。

三、99 美元客戶變成 600 萬美元客戶，爲什麼比 ARR 本身更重要？

Higgsfield 最近公開了一個極端案例：

某個客戶最初只是：

$99/月。

大約六個月後，

年度合同擴張到：

600 萬美元。

同時，公司稱 Business Segment 的 12 個月：

Net Revenue Retention 超過 300%。

這當然只是一個極端個案，不能代表所有客戶。

但它揭示了一種非常值得研究的新型軟件經濟學：

AI 軟件的消費強度可能隨自動化程度指數級增加。

傳統 SaaS：

客戶多加一個員工，

多買一個 Seat。

Agentic Software：

客戶可能讓系統：

每天生成 10 個廣告；

後來：

100 個；

再後來：

10,000 個。

所以收入擴張不再只跟：

Headcount

掛鉤。

而跟：

Machine Workload

掛鉤。

四、這可能是 SaaS 與 AI 軟件最大的經濟模型差異之一

傳統 SaaS 的單位：

Seat。

AI 原生軟件的單位可能變成：

Work。

一次生成。

一個 Campaign。

一條視頻。

一個 Agent Workflow。

一個完成任務。

因此：

客戶自己員工數量

不再決定軟件消費上限。

這件事非常重要。

因爲 Seat SaaS 面臨天然限制：

一家 1000 人公司，

最多大約賣 1000 個 Seats。

Agent 系統沒有這個上限。

1000 人公司可以產生：

100 萬次；

1 億次；

甚至更多機器任務。

所以 AI 軟件最大的 TAM，

可能不是：

Software Seats。

而是：

Digital Labor Consumption。

五、這解釋了爲什麼 NRR 可能突然超過傳統 SaaS 的正常區間

傳統 SaaS 如果 NRR：

120%；

130%；

已經很好。

因爲一個客戶一年以後：

Seat 增加 20%—30%。

但 AI 系統如果進入：

核心生產流程，

用量可能從：

100 → 1000 → 10000。

於是：

Usage Expansion

理論上遠高於：

Seat Expansion。

所以我們未來評價 AI 公司，

可能不能繼續機械套：

舊 SaaS 指標標準。

六、但 300% NRR 同時也告訴我們一個風險：今天仍然處於非常早的擴張週期

當客戶剛剛發現：

“AI 可以把我的廣告產量擴大十倍。”

消費自然爆發。

但未來問題是：

這種：

300% NRR

能不能持續？

如果企業完成：

第一輪自動化，

增長可能下降。

所以投資者應該區分：

Adoption Expansion

和：

Steady-state Consumption。

今天的數據非常強。

但還不能自動外推：

未來五年都是 300%。

七、Higgsfield 真正找到 PMF 以前，差一點死掉

這也是這家公司最值得創業者研究的部分。

Mashrabov 在最新 20VC 訪談中說：

Higgsfield 最初獲得約：

1600 萬美元 Seed。

但他們追逐了很多：

行業熱門概念。

結果：

燒掉超過：

1000 萬美元。

公司仍然沒有真正找到核心 Product-Market Fit。

這就是 AI 創業今天最大的陷阱：

Trend ≠ Demand。

八、AI 行業最危險的事情，是所有東西“看起來都像機會”

AI Slides。

AI Clips。

AI Avatar。

AI Editing。

AI Agent。

每一個 Demo 都很酷。

投資者也願意聊。

Twitter 上也有人點贊。

但這不等於：

客戶願意持續付錢。

真正的 Product Market Fit 只有一個標準：

用戶在沒有任何人逼他的情況下，反覆回來並越來越多地付錢。

Higgsfield 前期燒掉大量資本才重新學到這一點。

九、創業最大的風險不是失敗，而是“僞成功”

什麼叫僞成功？

有：

融資。

有：

媒體。

有：

用戶註冊。

有：

Demo。

但：

沒有真正：

Retention；

Expansion；

Revenue。

這種公司可能活：

兩三年。

最後才發現：

產品根本沒有進入真實工作流。

這比：

三個月失敗

更危險。

因爲它消耗：

時間。

十、Higgsfield 的真正轉折點，不是更強模型，而是發現“鏡頭控制”

Mashrabov 說，公司在危機階段去訪問資深 Creative Directors。

得到一個非常一致的問題：

AI 視頻確實能生成畫面。

但專業創作者缺的是：

Control。

尤其是：

Camera Movement。

鏡頭：

怎麼推；

怎麼拉；

怎麼繞；

怎麼搖；

怎麼跟隨；

怎麼表現導演語言。

於是團隊決定集中攻擊：

Camera Control。

公司後來把這一產品方向發展爲 Higgsfield DoP。公司稱其首個產品在短時間達到約 1000 萬美元年化收入，並快速累積首批百萬用戶。

這件事非常關鍵。

十一、爲什麼“控制”比“模型更聰明”更值錢？

AI Demo 最喜歡展示：

驚喜。

輸入一句話。

得到一個不可思議的視頻。

普通消費者：

Wow。

但真正專業生產不是：

要“驚喜”。

而是：

要可重複。

品牌客戶會說：

Logo 必須在這裏。

人物必須保持一致。

鏡頭必須這樣運動。

產品顏色不能變。

人物面部不能漂。

這個 Scene 必須延續上一 Scene。

因此：

Consumer AI 的關鍵是：

Magic。

Professional AI 的關鍵是：

Control。

這是兩個完全不同的產品。

十二、整個生成式 AI 行業都正在經歷同樣的遷移

第一階段：

Can AI do it?

第二階段：

Can AI do it consistently?

第三階段：

Can AI do exactly what I want?

第四階段：

Can AI fit into my production workflow?

第五階段：

Can AI improve my economics?

真正的大企業價值通常從：

第四階段

以後纔出現。

Higgsfield 正是從：

“生成視頻”

往：

“視頻生產系統”

遷移。

十三、這也是爲什麼 AI 視頻最終不會只是一個 Prompt Box

真實影視製作包含：

腳本；

Storyboards；

角色；

服裝；

Scene；

Camera；

Lighting；

Edit；

Music；

Voice；

VFX。

一句 Prompt：

無法長期管理這些對象。

所以 AI 視頻未來必然從：

Prompt Interface

走向：

Asset-based Workflow。

即：

角色數據庫；

場景數據庫；

鏡頭數據庫；

品牌資產；

歷史項目；

版本控制。

最終：

越來越像：

AI-native Adobe + Production OS。

十四、真正的大機會不是“生成一個視頻”，而是“控制整個視覺資產生命週期”

品牌不會只做：

一支廣告。

它需要：

TikTok；

Instagram；

YouTube；

Amazon Listing；

電視；

不同語言；

不同國家；

不同人物；

無數 A/B Variant。

一份 Creative Asset，

最終可能被擴張爲：

幾百、幾千個版本。

所以企業真正需要的不是：

Video Generator。

而是：

Creative Supply Chain。

十五、這就是爲什麼 DTC 品牌可能成爲 AI 視頻最早爆發的大客戶

DTC 商業模式極度適合生成式內容。

因爲它每天都在：

測試。

一條廣告：

CTR 不好。

換。

Hook 不好。

換。

演員不行。

換。

背景不行。

換。

傳統拍攝成本太高，

所以 Creative Variants 數量有限。

AI 把：

Marginal Cost of Creative

快速降下來。

於是：

廣告實驗數量暴漲。

十六、這會改變數字廣告的競爭方式

過去：

廣告競爭優勢來自：

Media Buying。

誰會投 Facebook Ads。

今天 Meta 的廣告系統越來越自動化。

買量能力正在商品化。

於是競爭優勢向：

Creative Volume + Creative Quality

移動。

誰能每天測試：

1000 套 Creative，

誰找到 Winner 的概率更高。

這就是 Higgsfield 真正切中的商業價值。

十七、AI 視頻真正賣的不是“便宜視頻”，而是更高實驗頻率

這個區別很重要。

傳統理解：

原來一支廣告：

$50,000。

AI：

$500。

節省：

$49,500。

這是：

Cost Saving。

更大的價值可能是：

過去一個月只能測試：

10 支。

現在測試：

1000 支。

結果：

找到更多高轉化廣告。

這是：

Revenue Expansion。

企業願意爲第二種價值付的錢，

通常遠高於第一種。

十八、這就是爲什麼優秀 AI 公司應該賣“業務結果”，而不是 Token

客戶不關心：

你用了多少 GPU。

也不關心：

模型是多少參數。

客戶關心：

CAC 降了嗎？

ROAS 提升了嗎？

Creative Output 增加了嗎？

製作時間下降了嗎？

所以 AI 軟件真正定價錨應該是：

Economic Value Created。

而不是：

Inference Cost + 30%。

十九、Higgsfield 150 人 Creative Team 爲什麼極其反常？

公司員工總數接近 400 人。

Mashrabov 表示，其中超過：

150 人

是：

Filmmakers；

VFX Artists；

Creative Directors；

數字創作者。

接近全公司：

四成。

如果把 Higgsfield 理解成：

AI 軟件公司，

這看起來很瘋狂。

爲什麼一家軟件公司要養 150 個創作者？

二十、因爲在生成式產品裏，“Content”本身就是產品研發

傳統 SaaS：

工程師做產品。

Marketing：

負責宣傳。

Higgsfield 的結構不同。

創作者每天真正使用：

模型；

工作流；

鏡頭；

角色；

編輯功能。

他們會發現：

專業生產到底哪裏失敗。

於是：

Creative Team 同時承擔：

Product QA；

Customer Research；

Education；

Marketing；

Distribution。

這是一種非常新的組織。

二十一、這就是“Creator-in-the-loop R&D”

過去 AI Lab：

Researcher Benchmark。

Higgsfield：

Professional Creator Production Test。

模型到底好不好：

不是看：

榜單多少分。

而是看：

能不能做出：

真正值得發佈的廣告、電影和品牌內容。

這是：

Production Benchmark。

比傳統 Benchmark 更接近真實經濟價值。

二十二、爲什麼他們願意生成 100 多小時素材，最後只剪 90 分鐘？

Higgsfield 團隊稱，其 AI 電影項目爲了形成約：

90 分鐘成片，

生成了超過：

100 小時素材。

而且公司選擇公開整個製作過程。

這個比例很有意思。

它告訴我們：

AI 並沒有消滅：

Selection。

反而讓：

生成無限化。

於是：

選擇能力越來越重要。

二十三、AI 越能生成，Taste 越值錢

過去瓶頸：

製作。

以後瓶頸：

Selection。

誰知道：

哪一個鏡頭好？

哪個節奏好？

哪個角色可信？

哪個廣告會轉化？

這就是：

Taste。

所以 AI 並不是簡單讓：

創作者不值錢。

它更可能讓：

平均製作能力商品化，

而：

頂級判斷力

更加昂貴。

二十四、這和金融市場完全一樣

市場數據人人都能看到。

真正優秀投資人仍然稀缺。

爲什麼？

信息不再稀缺。

判斷稀缺。

AI 內容世界也是：

Content Supply → Infinite。

Attention → Finite。

所以：

Taste becomes allocation of attention。

Taste 本質上是在分配：

人的注意力。

二十五、150 人內容團隊還有第二個功能：Distribution

Mashrabov 明確說：

公司消費端增長几乎不依賴傳統付費買量。

他們通過：

自己製作高質量內容；

Tutorial；

產品 Demo；

Workflow；

開源項目

來獲得用戶。

這說明：

Higgsfield 沒有把內容當：

Marketing Department。

而是：

Distribution Engine。

二十六、AI 工具爲什麼特別適合這種 GTM？

因爲最好的廣告：

就是產品產物本身。

AI 視頻平臺：

發佈一個驚豔視頻。

用戶自然問：

怎麼做的？

平臺：

Higgsfield。

這就是：

Product-generated Distribution。

Canva；

Figma；

Midjourney；

Runway

都有類似特徵。

輸出本身：

帶來新用戶。

二十七、未來 AI 產品真正強的增長循環可能是：

用戶生產內容

→ 內容在社交平臺傳播

→ 新用戶看到

→ 新用戶生成更多內容

→ 更多傳播。

這就是：

Content Network Effect。

雖然不是傳統意義上的：

Social Network，

但每一個用戶都在幫平臺：

展示能力。

這比買廣告強得多。

二十八、真正優秀的 PLG 不是“沒有銷售團隊”

而是：

產品本身能夠製造需求。

很多人誤解：

Product-Led Growth = 不要 Sales。

錯誤。

Higgsfield 今天企業銷售照樣重要。

真正 PLG 是：

客戶第一次體驗

不需要銷售。

先體驗價值。

再：

Enterprise Expansion。

這是：

Product-led acquisition + Sales-led monetization。

很多 AI 公司最終都會走這條路線。

二十九、Higgsfield 的收入結構也已經證明這一變化

2026 年 8 月 FT 報道：

企業訂閱已經構成 Higgsfield 收入的多數。

並不是：

靠一羣 $20/月消費者

撐起 7 億—10 億美元 run rate。

這點非常重要。

因爲：

消費入口

和：

企業收入

並不衝突。

Consumer 可以是：

Lead Generation。

真正 monetization：

Enterprise Workflow。

三十、這也是 Mashrabov 爲什麼認爲“$20 AI Subscription”非常危險

他的判斷是：

OpenAI；

Google

這種水平型平臺，

會不斷把：

通用功能

打包進入一個低價訂閱。

如果創業公司只是：

“一個稍微更好的生成按鈕。”

很危險。

因爲巨頭可以：

Bundle。

你每月收費：

$20。

它：

包含在 $20 總訂閱裏。

三十一、這和 Microsoft Office 摧毀大量獨立小工具完全一樣

90 年代：

獨立：

Word Processor；

Spreadsheet；

Presentation。

最後：

Office Bundle

通喫。

AI 同樣可能形成：

Intelligence Bundle。

Chat；

Image；

Video；

Search；

Coding；

Slides；

Research。

都包含。

所以一個垂直 AI 公司必須擁有：

巨頭很難用：

一個按鈕

吞掉的東西。

三十二、垂直 AI 真正的護城河不是“模型”，而是工作流深度

例如：

一個廣告 Agent。

不是：

生成一張圖。

而是：

讀取 Brand Guidelines；

讀取過去 Campaign；

識別產品 SKU；

生成不同人羣版本；

生成視頻；

發佈；

讀取 ROAS；

自動重新生成。

這種系統已經不是：

Feature。

而是：

Operating Workflow。

這纔是垂直 AI 真正應該追求的方向。

三十三、最終它可能變成 System of Record

過去 Creative Tools：

Photoshop。

未來可能出現：

Creative System of Record。

裏面知道：

品牌所有產品；

人物；

場景；

歷史廣告；

表現數據；

授權；

資產。

AI 再從這套數據庫：

生成下一輪內容。

一旦進入這一步，

客戶切換成本就變高。

這纔是真正的 Moat。

三十四、Mashrabov 說“AI Moats are bullshit”，真正應該怎麼理解？

不能理解成：

AI 公司沒有護城河。

更準確的是：

單純模型能力本身的護城河非常脆弱。

今天領先。

明天：

新模型開源。

Google 發佈。

OpenAI 更新。

模型性能差迅速縮小。

所以真正 Moat 應該在：

Distribution；

Workflow；

Data；

Customer Relationship；

Network Effect；

Brand；

Operational Scale。

這也是他自己的商業戰略實際上正在做的事情。

三十五、Higgsfield 自己就曾經犯過“必須自己訓練底模”的錯誤

早期團隊把大量資源投入：

自研模型。

這在 AI 創業圈很常見。

Founder 會想：

如果模型不是我的，

我只是 Wrapper。

問題是：

從零 Pretrain：

極其貴。

而且上游開源模型：

更新極快。

所以公司後來逐漸調整策略：

更多利用：

Open-weight Models；

再做：

Post-training；

Workflow Optimization；

Routing。

這是非常重要的一次戰略認知。

三十六、未來 AI Application Company 不一定要擁有“基礎模型”

這就像：

Shopify 不需要自己造：

CPU。

Netflix 不需要：

自己造互聯網。

Stripe 不需要：

自己造銀行系統所有底層。

真正問題不是：

你有沒有模型。

而是：

你控制價值鏈裏哪個最重要的節點？

如果：

客戶願意付你很多錢；

底層模型供應商不斷競爭降價，

你反而擁有更好的經濟地位。

三十七、開源模型爲什麼可能成爲應用層最大的利潤來源之一？

Mashrabov 在訪談中給出了一組非常有意思的內部數字：

使用自家模型和 Open-weight Models 時，

Higgsfield 的 Gross Margin：

80%+。

使用閉源 Frontier Model：

約：

20%—30%。

這不是整個行業統一標準，

只是 Higgsfield 自己的經濟數據。

但它說明一個非常重要的產業結構：

Open Source transfers margin from model layer to application layer。

三十八、模型越商品化，應用公司利潤空間可能越大

假設以前一個視頻：

Inference Cost = $8。

你賣：

$10。

毛利：

20%。

開源競爭以後：

Inference Cost = $2。

仍賣：

$10。

毛利：

80%。

價值沒有消失。

只是：

從：

Model Vendor

轉移到：

Application Layer。

這就是爲什麼應用公司應該喜歡：

模型競爭。

三十九、這和雲計算歷史非常類似

早期服務器：

很貴。

後來 AWS；

Azure；

Google Cloud

不斷降低基礎計算成本。

結果：

並沒有摧毀 SaaS。

反而誕生：

更多 SaaS。

AI 基礎模型未來也可能類似：

Intelligence becomes cheaper infrastructure。

應用公司使用越來越便宜的：

智能原材料。

然後：

向客戶賣更昂貴的：

業務結果。

四十、真正應該關注的是“Value Capture”在哪裏

模型公司創造：

Intelligence。

應用公司創造：

Workflow。

客戶創造：

Revenue。

最終誰拿最多利潤？

取決於：

誰最不可替代。

如果模型：

高度集中，

模型公司有定價權。

如果模型：

高度競爭，

應用層更強。

Higgsfield 的策略本質就是：

保持模型可替換。

四十一、這就是 Model Routing 的戰略意義

Mashrabov 表示，

Higgsfield 目前在超過：

40% 的請求中

可以自己決定：

使用哪個模型。

平臺會在 35+ 模型之間選擇：

質量；

價格；

任務類型

最合適的模型。

這聽起來像：

技術細節。

其實是：

Gross Margin Engine。

四十二、Model Router 本質上就是“AI 世界的交易臺”

想象：

用戶要完成：

任務 X。

平臺看到：

Model A：

$1。

質量：

95。

Model B：

$0.20。

質量：

94。

理性系統：

選 B。

客戶看不到區別。

平臺毛利提高。

這就像：

金融市場的：

Smart Order Routing。

訂單去：

最優交易場所。

AI 世界：

Prompt 去：

最優模型。

四十三、未來大型 AI App 很可能都變成“模型套利公司”

它們會實時比較：

價格；

Latency；

Quality；

Context Window；

Region；

GPU Availability。

然後選擇。

這產生一種新的能力：

Model Arbitrage。

不是預測模型股票價格。

而是：

動態採購最低成本 Intelligence。

誰擁有足夠大的請求量，

誰就擁有：

採購議價權。

四十四、這可能形成 AI 應用公司的規模經濟

流量小：

只能按 API 價格買。

流量大：

可以：

自部署；

定製模型；

優化硬件；

批量採購 GPU。

所以規模越大：

單位智能成本越低。

這就是：

Inference Economies of Scale。

如果成立，

大型 AI 應用公司會產生非常強的：

Cost Moat。

四十五、Higgsfield 每月燒 400 萬美元模型費用，到底意味着什麼？

Mashrabov 在最新 20VC 訪談中說：

公司內部用於各類 AI 模型的支出：

超過：

400 萬美元/月。

公司員工接近 400 人。

粗略折算：

平均每人：

$10,000+/月的模型消費。

這不是：

對外客戶 inference 成本的全部口徑。

它描述的是公司內部極高強度使用各種模型的狀態。

四十六、真正值得注意的不是“400 萬燒得多”，而是 AI 正在變成新的員工資本開支

過去公司給員工：

MacBook：

$3,000。

Software：

每月幾百美元。

現在頂級 AI-native 公司可能給頂級員工：

每月：

$10,000；

$30,000；

未來甚至更多

的模型預算。

這意味着：

Compute becomes compensation leverage。

公司不只是給員工工資。

還給：

智能槓桿。

四十七、未來頂級人才之間最大的差距，可能不是工資，而是“能調用多少機器智能”

想象兩個工程師。

A：

只能用免費模型。

B：

擁有：

無限 Claude；

Codex；

視頻模型；

GPU；

Agent。

即使個人能力相近，

B 的輸出可能：

高得多。

所以企業人才競爭可能出現：

新維度：

AI Budget per Employee。

就像過去：

投行給交易員：

Bloomberg；

數據；

資本。

AI 公司未來給 Builder：

算力。

四十八、一個 Creative 一週燒掉 3 萬美元模型費，爲什麼很值得注意？

Mashrabov 說，某位創意員工爲了自己解決 Asset Workflow 問題，通過連續 Vibe Coding，在一週內產生過超過：

3 萬美元

模型開銷。

過去：

這聽起來像失控。

今天如果最後：

做出的內部工具

能讓 100 人效率提高，

可能非常便宜。

所以判斷 AI 成本不能看：

絕對費用。

要看：

ROI。

四十九、真正優秀的 AI 公司可能不是控制 Token，而是鼓勵員工“燒出生產率”

傳統 CFO 看到：

AI Bill：

$4M。

第一反應：

削減。

AI-native CEO 可能問：

這 4M 產生了：

多少產品？

多少自動化？

多少收入？

如果：

每多燒 $1 模型成本，

創造：

$10 Value，

就應該：

繼續燒。

這叫：

Compute ROI。

未來所有公司都需要學會計算。

五十、AI 公司甚至可能出現一種全新的管理指標：

Revenue / Compute Dollar。

過去 SaaS：

Revenue / Employee。

未來：

還要看：

Revenue / Inference Spend；

Revenue / GPU；

Revenue / Token。

因爲：

算力正在成爲新的：

COGS

和：

生產要素。

這會重寫：

企業財務分析。

五十一、爲什麼 Benchmark 越來越不能代表產品？

Mashrabov 對 AI Benchmarks 的批評很強。

原因之一：

實驗室測試往往是：

Text-to-Video。

一條 Prompt。

但真實 Higgsfield 企業 Workflow 可能使用：

3000 詞以上結構化描述

加：

10 張甚至更多 reference images。

這已經不是：

“一句話生成視頻”。

更像：

給一個渲染引擎完整 Production Specification。

五十二、這揭示整個 AI 行業一個巨大問題：Benchmark 與經濟價值的距離越來越遠

一個模型：

Benchmark 第一。

但：

慢；

貴；

控制差；

角色不一致。

另一個：

分數略低。

但是：

穩定；

便宜；

可控。

企業可能選擇第二個。

所以真正 B2B Benchmark 應該是：

Economic Benchmark。

完成任務：

多少錢？

多久？

成功率多少？

人工返工多少？

五十三、未來 AI 模型最終會像數據庫一樣被選擇

公司今天不會問：

“全球絕對最聰明數據庫是哪一個？”

而是：

這個場景用：

Postgres；

Snowflake；

Redis；

ClickHouse？

根據：

任務選擇。

AI 也會如此。

Coding：

一個模型。

Video：

一個。

Quick Classification：

小模型。

高風險 Reasoning：

Frontier。

這就是：

Heterogeneous Model Stack。

五十四、這意味着“一個模型統治所有任務”可能並不是最終形態

巨頭當然會提供：

通用模型。

但專業系統仍可能：

多模型共存。

所以 Application Layer 真正的能力是：

Orchestration。

不是：

死綁某一個模型。

這和雲原生架構非常類似。

五十五、亞洲爲什麼對 Higgsfield 的戰略尤其重要？

Mashrabov 此前多次談到：

AI 視頻的早期商業化並不完全由美國定義。

短視頻；

短劇；

直播電商；

高頻內容生產

在亞洲市場非常成熟。

這提供了一個很重要的產業啓示：

新技術真正最先賺錢的地方，未必是發明技術的地方。

往往是：

已有商業結構

最適合新技術的地方。

五十六、中國短劇爲什麼是 AI 視頻非常值得觀察的產業？

傳統電視劇：

製作週期長。

預算高。

季數少。

微短劇：

內容更新極快。

大量測試：

題材；

Hook；

角色；

投放素材。

本質上非常像：

Performance Marketing + Entertainment。

這和 AI 最適合的：

快速生成；

快速迭代；

大量 Variant

高度吻合。

所以短劇是：

天然 AI-native Media Format。

五十七、真正的 AI 娛樂革命可能首先來自“工業化內容”，而不是好萊塢大片

因爲好萊塢電影：

質量標準極高。

一個鏡頭稍微異常：

觀衆就看得出來。

短視頻廣告；

微短劇；

Social Content：

生命週期短；

需求量大；

速度比完美更重要。

所以技術滲透往往從：

Low-cost / High-frequency

場景開始。

然後再：

向高端上移。

這與很多科技產業歷史完全一致。

五十八、數字攝影也是這樣

早期數字相機：

畫質比膠片差。

專業攝影師不願用。

但：

消費者喜歡方便。

最終：

數字技術持續改進。

膠片幾乎退出大衆市場。

AI 視頻很可能也遵循：

Bottom-up Disruption。

先：

社交廣告。

再：

短劇。

再：

電視製作。

最後才：

高端電影。

五十九、所以“AI 會不會替代 Hollywood”是一個問得太早的問題

更正確的問題是：

AI 首先會替代 Hollywood Production Pipeline 的哪些成本？

Previs。

Storyboards。

背景。

VFX。

Dubbing。

Advertising Creative。

Localization。

Extra Shots。

未來：

逐層侵入。

技術革命通常不是：

一夜替代。

而是：

Cost Stack Decomposition。

一層一層削掉。

六十、這也是爲什麼混合製作可能比“全 AI 電影”更重要

未來很長時間最實用的模式可能是：

真人：

演主要角色。

AI：

背景；

場景；

轉場；

特效；

補鏡頭；

多語言；

營銷素材。

不是：

Human vs AI。

而是：

Human × AI Production。

真正專業製作會尋找：

每一步最便宜、最好、最快的方法。

六十一、Higgsfield 自己做 AI 長片的戰略價值，不一定是進入電影發行

更重要的是：

Dogfooding。

自己成爲：

最極端用戶。

如果你能自己完成：

90 分鐘製作，

就會暴露：

角色一致性；

Asset Management；

Scene Control；

Rendering；

Editing

所有真實問題。

這會直接反哺：

產品。

這是非常高級的 Product Research。

六十二、爲什麼“給用戶看真實工作流”比做廣告強？

因爲 AI 市場最大問題：

用戶不知道：

真正怎麼用。

每週一個新模型。

用戶：

已經疲勞。

如果你只是說：

“我們的模型更強。”

意義很小。

真正最好的銷售內容是：

看，我用它把一個真實 Campaign 從 0 做完。

這叫：

Workflow Marketing。

未來 AI B2B 最重要的營銷形式之一。

六十三、AI 產品教育本身正在變成增長壁壘

AI 能力變化太快。

如果用戶不會用：

模型再強：

也沒價值。

所以公司必須：

教 Workflow。

Template；

Tutorial；

Examples；

Agents。

誰教會用戶：

怎麼從新技術賺錢，

誰就更容易獲得：

長期留存。

六十四、這就是爲什麼 Higgsfield 需要 150 個 Creative，而不是隻招 150 個 Growth Marketer

Marketing 告訴你：

產品很好。

Creator 告訴你：

怎麼用它做出好東西。

AI 產品世界：

第二種更重要。

這可能是未來 AI SaaS 組織設計非常值得模仿的一點。

六十五、Alex Mashrabov 的技術背景爲什麼與這家公司高度匹配？

他早年就是高水平 Competitive Programmer。

20VC 將其描述爲：

全球 Top 3 級別的競賽程序員；其他長期訪談也確認他曾多次進入 ICPC 世界總決賽並在競賽中達到極高排名。

這類訓練最大的價值不是：

會刷題。

而是：

在資源有限、時間有限的情況下快速尋找算法最優解。

這和今天 AI Infra 極其相似。

六十六、AI 公司今天本質上就是一個巨大“資源調度問題”

GPU 很貴。

模型很多。

Latency 不同。

質量不同。

流量劇烈波動。

公司需要不斷決定：

這項任務：

用哪個模型？

哪個節點？

多少算力？

如何 Batch？

如何緩存？

這恰好非常適合：

Algorithmic Thinking。

所以 Mashrabov 的競賽工程背景，

不是一個勵志故事。

而是：

實際公司能力的一部分。

六十七、AI Factory 的 $166M Exit 爲什麼也非常重要？

2018 年，Mashrabov 等人創立：

AI Factory。

Snap 在 2020 年收購公司，交易價格約：

1.66 億美元。

AI Factory 的技術後來與 Snapchat Cameos 等 AI 視頻功能緊密相關。

這意味着：

Higgsfield 並不是他的第一次 AI 視頻創業。

而是：

第二次。

這會形成巨大的：

Founder-Market Fit。

六十八、真正優秀 Founder 最大優勢之一，是“同一個行業做第二遍”

第一次：

學習。

第二次：

速度明顯提升。

他已經知道：

哪裏難；

誰厲害；

哪些技術重要；

客戶怎麼用。

所以重複創業者如果仍然在：

同一技術域，

經常擁有：

巨大的：

Compressed Learning Curve。

六十九、Snap 經歷給 Mashrabov 的另一種資產：Consumer Scale

Snap 不是企業軟件。

它擁有：

數億消費者。

消費級 AI 需要理解：

Latency；

用戶審美；

移動端；

成本；

病毒傳播。

這正是 Higgsfield 後來的核心能力：

把複雜 AI 包裝成普通人可用產品。

這是純研究背景 Founder 往往不具備的。

七十、Higgsfield 早期真正成功的公式因此是：

Deep Technical Capability

× Consumer Product Instinct

× Professional Creative Workflow。

三者同時存在。

純研究 Lab：

可能沒有 Consumer。

純 Consumer App：

可能沒有 Infra。

純 Creative Tool：

可能沒有前沿 AI。

交集：

才形成差異化。

七十一、爲什麼公司把核心工程團隊放在哈薩克斯坦非常值得研究？

Mashrabov 最新訪談稱：

未來團隊結構大致會達到：

California：

約 50 人；

Remote：

約 50 人；

Kazakhstan：

超過 300 人。

同時，公司強調中亞團隊擁有大量：

數學；

物理；

競賽編程

背景人才。

這代表另一種 AI 人才全球化模式。

七十二、硅谷真正的優勢從來不只是“人在硅谷”

而是：

Capital；

Customers；

Network；

Risk Appetite。

工程團隊完全可以：

分佈全球。

過去：

印度。

東歐。

以色列。

今天：

中亞

也可能成爲新的高端技術人才中心。

AI 又讓：

Remote Engineering

更加容易。

所以未來科技公司組織可能是：

Silicon Valley Capital + Global Talent Arbitrage。

七十三、但不要把“低成本工程師”作爲這裏的核心理解

如果只是：

工資便宜。

競爭對手也能外包。

真正護城河來自：

Talent Density。

競賽體系；

數理教育；

團隊文化；

長期積累。

這和：

DeepMind 倫敦；

以色列 Cybersecurity；

臺灣半導體

類似。

人才一旦形成集羣，

就會產生：

Cluster Effect。

七十四、優秀人才會吸引優秀人才

一個 Olympiad Champion：

願意和另一個 Champion 工作。

於是：

團隊質量進一步提高。

這就是：

Talent Network Effect。

技術公司真正最難複製的資產之一：

不是：

辦公室。

而是：

一羣已經互相信任的極強 Builder。

七十五、Mashrabov 的管理哲學爲什麼如此激進？

他明確表達：

自己更認可：

Jensen Huang；

Elon Musk；

Nik Storonsky

這類高度：

Hands-on；

Detail-oriented

管理風格。

他對很多傳統 Corporate Management Rituals 持懷疑態度，認爲本質仍然是：

Hire the best people, empower them, retain them。

這個觀點有價值。

但也需要邊界。

七十六、“反管理學”本身也可能成爲一種危險管理學

在：

400 人

時，

Founder 可以非常深入。

4000 人呢？

40000 人呢？

公司規模擴大：

信息複雜度必然增加。

所以：

Process 不是因爲 Manager 無聊。

而是解決：

Coordination Cost。

真正優秀公司：

不是沒有流程。

而是：

No unnecessary process。

這兩句話差別很大。

七十七、Founder 高強度工作也不能被簡單複製成成功公式

Mashrabov 在訪談中談到了自己極端工作投入以及家庭代價，20VC 甚至把“一季度只有一天完整陪孩子”列爲節目主題。

這可以解釋：

他的優先級。

但不能得出：

“創業成功必須如此。”

因爲：

我們看到的是：

Success Survivor。

大量同樣每週工作 90 小時的人：

仍然失敗。

這叫：

Survivorship Bias。

七十八、真正值得學習的不是工時，而是“資源聚焦強度”

一個 Founder 可以：

工作 90 小時，

但全部做：

沒用的事。

另一個：

60 小時，

聚焦：

關鍵瓶頸。

後者可能更強。

所以高質量創業真正應該優化的是：

Output per Founder Attention。

Founder 注意力的回報率。

七十九、Higgsfield 的案例反而證明：“聚焦”比“努力”更重要

前一年：

很努力。

燒：

$10M。

但方向不對。

後來：

專注 Camera Control。

增長爆發。

所以真正教訓不是：

更努力。

而是：

努力必須乘以正確方向。

公式可以寫成：

Execution × Direction。

方向接近 0。

執行再強：

還是接近 0。

八十、公司從 $1M → $1B 的真正祕密不是一個 Feature，而是一條完整飛輪

可以壓縮成：

Camera Control

→ Professional Creator Adoption

→ High-quality Content

→ Organic Distribution

→ Consumer Users

→ Business Adoption

→ Agentic Workflow

→ Higher Usage

→ Model Routing

→ Better Margins

→ More Capital

→ More Models / Distribution。

這纔是 Higgsfield 真正值得研究的地方。

不是：

“AI 視頻很火。”

而是：

它正在形成：

Business Flywheel。

八十一、下一階段最大的風險是什麼？模型層突然把應用吞掉

Google；

OpenAI；

Meta

都可以：

視頻生成。

如果基礎模型公司直接提供：

Camera Control；

Characters；

Editing；

Brand Workflow，

Higgsfield 怎麼辦？

這就是所有 AI Application 公司最大的：

Vertical Integration Risk。

八十二、唯一長期答案：跑得比模型層更靠近客戶

不要和 OpenAI 比：

誰的基礎模型更聰明。

要比：

誰更理解：

DTC Brand；

Creative Agency；

Film Studio。

誰擁有：

客戶資產；

Workflow；

歷史 Campaign；

Performance Data。

越靠近：

真實業務，

越難被：

基礎模型一鍵替代。

八十三、第二個風險：AI 視頻最終可能嚴重 Commodity 化

如果所有模型都能：

生成電影級畫面。

視覺質量不再是差異化。

那麼：

視頻本身價格會快速下降。

這類似：

Stock Photography。

過去：

很貴。

後來：

互聯網降低價格。

生成 AI：

進一步趨近：

零。

所以 Higgsfield 必須避免：

只賣：

Pixels。

八十四、真正值錢的必須是“Outcome”

廣告：

產生 Sales。

電影：

產生 Audience。

品牌內容：

產生 Engagement。

如果 Higgsfield 最終能夠連接：

生成

和：

結果數據，

它纔可能構建：

真正強大的閉環。

八十五、最理想的終局是“Creative Autonomous Loop”

系統：

讀取：

產品。

分析：

受衆。

生成：

100 個 Creative。

發佈。

讀取：

CTR；

CVR；

ROAS。

自動找到 Winner。

再：

生成下一代。

循環。

這已經不是：

AI Video Tool。

而是：

Autonomous Growth Engine。

如果做到這一層，

價值會比：

單純視頻生成

高几個數量級。

八十六、這也是爲什麼“數字廣告”可能比電影更早創造千億美元 AI 視頻市場

電影：

一年幾十、幾百部頂級項目。

廣告：

全球每天：

數百萬 Creative。

頻率高。

效果可量化。

ROI 可驗證。

所以 AI 視頻商業化最肥沃的土壤很可能不是：

Hollywood。

而是：

Performance Marketing。

八十七、第三個風險：今天的 Run Rate 增長速度不一定可持續

從：

$20M

到：

$1B

的增長非常驚人。

但：

基數已經變大。

$1B 再增長：

10 倍

意味着：

$10B。

Mashrabov 在訪談最後公開表達：

自己認爲未來 12 個月存在衝擊：

$10B

的可能。

而他的財務團隊內部更保守的模型約爲：

$4.5B。

這必須明確標註：

這是創始人預測，不是已經實現的收入。

八十八、$10B 目標真正意味着什麼？

如果真的達到：

Higgsfield 就不再是：

普通 AI Startup。

它會成爲：

世界最大的軟件企業之一。

所以未來一年最關鍵不是：

再講增長故事。

而是驗證：

Revenue Quality。

有多少：

Recurring？

有多少：

Enterprise？

客戶集中度？

Churn？

Gross Margin？

Cash Flow？

真正進入：

公司成熟階段。

八十九、AI 時代“Revenue Quality”會比 ARR 數字本身越來越重要

一個客戶：

突然大量買 Credits。

是不是穩定？

一個 Campaign：

一次性暴漲。

是不是可持續？

年合同：

是否真實使用？

所以投資者不能只看：

Run Rate。

還要看：

Cohort Economics。

客戶一年以後：

是否仍然留下？

仍然增加？

這才決定：

10 億是否真正是：

平臺，

還是：

階段性 AI 熱潮。

九十、第四個風險：企業客戶高度集中

一個客戶從：

$99

長到：

$6M。

非常漂亮。

但如果 Top 20 Customers：

佔收入太高，

風險增加。

所以進入企業階段以後，

Higgsfield 必須從：

Viral Growth Company

變成：

Enterprise Risk Management Company。

Security；

SLA；

Compliance；

Customer Success；

Procurement

都會越來越重要。

九十一、這也是所有 AI Startup 從 $100M 到 $1B 都必須經歷的成人禮

$10M：

產品。

$100M：

增長。

$1B：

Institution。

這時不能只靠：

Founder Heroics。

需要：

財務；

安全；

法律；

銷售；

Infra。

Mashrabov 自己也說，Higgsfield 並沒有因爲 AI 就消滅 Legal 或 Customer Success；相反，公司已經有十多人 Legal、四十多人 Customer Success，只是他們大量使用 AI。

這點非常重要。

九十二、AI 目前更像“放大優秀員工”，而不是簡單刪除所有員工

原本很多人預測：

Legal 消失。

Customer Support 消失。

現實目前更復雜。

公司產品迭代越快：

合同越多；

國家越多；

企業客戶越多。

複雜度也增加。

AI 幫員工處理：

第一層工作。

但：

高階複雜工作增加。

這叫：

Automation-induced Demand Expansion。

九十三、歷史上每一次生產率革命都出現過類似現象

Excel 沒有消滅：

Finance。

反而：

金融分析數量增加。

Photoshop 沒有消滅：

Design。

設計需求增加。

AI Coding：

可能也不只是減少 Developer。

還會讓：

軟件數量增長。

所以：

效率提高

和：

行業就業

之間不是簡單負相關。

需求彈性決定結果。

九十四、Higgsfield 對創業者最大的第一條啓示：不要從模型開始，從 Workflow 開始

錯誤問題：

我可以用這個新模型做什麼？

正確問題：

哪個工作流：

昂貴；

慢；

重複；

結果可量化？

然後：

AI 是否能夠：

改變它的成本曲線？

Higgsfield 真正成功：

不是因爲“有視頻模型”。

而是因爲：

它找到：

Professional Creative Workflow。

九十五、第二條：不要把 Demo 當 Product

Demo：

一次成功。

Product：

1000 次仍然可控。

Enterprise Product：

100 萬次，

還能：

安全；

可審計；

可管理。

這三個階段：

完全不同。

大量 AI Startup 仍然停留：

Demo Stage。

Higgsfield 真正跨過的是：

Workflow Stage。

九十六、第三條：不要愛上自己的模型

模型是：

工具。

如果 Google 明天：

更便宜。

就用 Google。

如果開源模型：

更強。

就用開源。

Application Founder 真正忠誠的對象：

應該是：

Customer Outcome。

不是：

模型宗教。

這是 Mashrabov 這場訪談非常值得學習的地方。

九十七、第四條：開源最大的價值不只是“民主化 AI”，而是重構利潤分配

開源模型：

降低 Intelligence Cost。

於是：

更多利潤：

進入應用。

這就是爲什麼 Open Source：

不僅是技術哲學。

也是：

Industrial Economics。

每一次底層商品化，

都會在上一層創造新巨頭。

Linux → Cloud。

Web Standards → Internet Apps。

Open Models → AI Applications。

九十八、第五條：Distribution 必須從第一天就成爲產品的一部分

如果每新增一個用戶都需要：

Facebook Ads，

CAC 會不斷上漲。

Higgsfield 的內容團隊證明：

產品本身可以成爲：

Distribution Medium。

所以 Founder 應該問：

用戶使用產品以後，會不會自然向別人展示產品能力？

如果會：

擁有：

Built-in Distribution。

這是極強優勢。

九十九、第六條：AI 公司最該捨得花的錢，可能就是模型費

但必須有：

ROI。

未來聰明公司不會簡單說：

“我們要降低 AI Spend。”

而會區分：

Productive Compute

和：

Waste Compute。

這與公司過去管理：

Cloud Spend

完全一樣。

AWS 賬單高：

不一定壞。

如果收入：

更高，

就是好賬單。

一百、未來 CFO 需要學一種新的資本配置：Intelligence Budgeting

不同部門：

每投入：

$1 AI Cost，

產生：

多少 Value？

Engineering：

10×？

Sales：

4×？

Legal：

2×？

公司會開始：

像分配 Headcount

一樣分配：

Machine Intelligence。

這可能成爲未來企業管理非常重要的新學科。

一百零一、第七條：AI 越強，真正優秀的人越值錢

因爲一個普通人拿 AI：

可能提高：

2 倍。

頂級 Builder：

可能提高：

10 倍。

這就是：

Complementarity Effect。

機器並不總是縮小人才差距。

有時候：

機器放大人才差距。

所以：

Hire the best

在 AI 時代反而更重要。

一百零二、這也是爲什麼 Higgsfield 願意給頂級人才極高算力

如果一個 10× Engineer：

每月燒：

$100K 模型費用，

但創造：

$10M Value，

非常划算。

企業未來會越來越理解：

模型預算不是福利。

而是：

生產資料。

就像：

工廠給最好的技師：

最好的機器。

一百零三、第八條：地理位置的價值正在重新定義

總部：

San Francisco。

Engineering：

Kazakhstan。

用戶：

全球。

客戶收入：

歐美爲主。

這種公司本身就是：

AI Globalization

的新形態。

資本、客戶、人才：

不再必須在同一個城市。

這讓創業公司可以尋找：

全球最優組合。

一百零四、第九條：未來 AI 公司最強的組織可能不是“工程師最多”，而是“工程師 + 行業專家密度最高”

Higgsfield：

Engineer + Filmmaker。

醫療 AI：

Engineer + Doctor。

法律 AI：

Engineer + Lawyer。

工業 AI：

Engineer + Operator。

AI 把技術門檻下降以後：

行業知識的重要性上升。

所以未來最強團隊往往是：

Technical Intelligence × Domain Taste。

一百零五、這對 PhasePunk 這類 AI 動畫項目也有一個非常直接的啓示

AI 視頻最容易犯的錯誤：

一直追：

哪個模型最新。

真正做長期動畫 IP：

更重要的是：

角色母版；

鏡頭語言；

世界觀；

場景資產；

色彩；

角色一致性；

故事結構；

Production Pipeline。

也就是說：

模型只是引擎。

IP 和 Workflow 纔是：

長期資產。

今天可以用 Higgsfield。

明天可以：

換模型。

但：

PhasePunk 的資產庫必須屬於自己。

這就是 Higgsfield 自己在商業層面也正在驗證的邏輯。

一百零六、AI 視頻最終最大的公司，未必是“模型最好”的公司

就像：

Amazon 不是：

互聯網協議公司。

Shopify 不是：

支付底層公司。

Netflix 不是：

視頻編碼公司。

AI 視頻終局可能出現：

Foundation Model Companies。

Creative Operating Systems。

Distribution Platforms。

IP Studios。

真正最大 Value Capture：

可能出現在：

控制：

客戶工作流；

品牌資產；

分發；

效果數據

的公司。

一百零七、Higgsfield 真正想成爲的，已經不只是“Runway 競爭對手”

從 Mashrabov 現在的講話可以看出：

公司的野心明顯在上移。

不是：

“最好的 AI Video Model。”

而是：

Creative Infrastructure。

如果未來一家 DTC 公司：

從 Idea；

生成；

Asset；

廣告；

投放；

分析

全部經過 Higgsfield，

它就從：

Tool

變成：

Platform。

兩者估值邏輯完全不同。

一百零八、Tool 與 Platform 最大區別是什麼？

Tool：

客戶問：

這個功能好不好？

Platform：

客戶問：

如果我離開，會失去什麼？

當系統擁有：

品牌資產；

Workflow；

團隊協作；

Agent；

效果歷史；

模型 Routing，

切換成本上升。

這纔是：

Durable Moat。

一百零九、所以 Mashrabov 說“Moats are bullshit”，最終最有意思的地方在於：他正在瘋狂造 Moat

只是：

不把 Moat 建在：

模型。

而建在：

客戶使用；

內容分發；

工作流；

模型路由；

創意團隊；

品牌；

企業關係。

這纔是：

真正成熟的 AI Application Strategy。

一百一十、從資本角度看，Higgsfield 現在進入最困難階段

從：

0 → $100M。

靠：

爆發式 PMF。

從：

$100M → $1B。

靠：

全球擴張。

從：

$1B → $10B。

就需要：

真正建立：

Industrial Structure。

不能只是：

高速增長故事。

必須形成：

長期經濟壁壘。

一百一十一、未來一年我最關注 Higgsfield 的不是 $10B 目標，而是七個指標

第一：

Run-rate revenue 能否轉化爲穩定全年收入。

第二：

Business NRR 是否仍然長期高於 150%—200%。

第三：

Enterprise Revenue 佔比是否繼續提高。

第四：

Open-model Routing 是否真的持續推高 Gross Margin。

第五：

Top Customer Concentration 是否健康。

第六：

內容平臺是否進入真正企業 System of Record。

第七：

Free Cash Flow 能否跟上收入增長。

這些比：

下個月 ARR headline

更重要。

一百一十二、真正判斷 AI 視頻是不是泡沫，也應該看這些指標

不是：

視頻是不是很酷。

而是：

企業是否：

持續付錢。

企業爲什麼：

付錢。

是爲了：

嚐鮮？

還是：

直接產生 Revenue？

如果：

AI Creative

真的提高：

廣告 ROI；

縮短製作；

擴大測試規模，

這就是：

真正商業需求。

那 AI 視頻就不是：

玩具。

而是：

Production Infrastructure。

一百一十三、如果 Higgsfield 的增長持續，它還說明一件更大的事情：軟件收入速度正在與互聯網時代脫鉤

傳統公司：

10 年做到：

$1B Revenue。

雲 SaaS：

5—10 年。

AI-native：

理論上：

幾年甚至更短。

爲什麼？

因爲：

Global Distribution 已經存在。

Payment 已經存在。

Cloud 已經存在。

Models 已經存在。

客戶已經數字化。

創業公司只需要：

插入已有全球基礎設施。

於是：

Time-to-Scale

急劇下降。

一百一十四、這會反過來改變 VC

過去一個 Series A 公司：

$5M ARR。

今天某些 AI 公司：

Series A 時：

幾十甚至上億美元 run rate。

意味着：

融資階段與收入階段：

開始錯位。

於是：

傳統：

Seed；

A；

B；

Growth

的定義

可能越來越失效。

資本市場必須重新理解：

AI Company Lifecycle。

一百一十五、但增長越快，組織風險也越大

公司一年：

10 倍；

20 倍。

員工制度；

財務；

安全；

合規

很容易落後。

這就是：

Organizational Lag。

很多高速公司最後不是：

產品失敗。

而是：

組織無法承受增長。

所以 Higgsfield 下一階段真正的考驗：

可能不再是：

產品。

而是：

公司建設。

一百一十六、這也是爲什麼創始人高強度親自控制細節短期有效，但長期必須制度化

$10M Revenue：

Founder 看所有東西。

$1B：

不可能。

真正偉大的公司必須完成：

Founder Judgment → Institutional Capability。

把創始人腦子裏的：

標準；

審美；

速度；

判斷

複製給：

組織。

否則：

Founder 成爲最大瓶頸。

一百一十七、Higgsfield 最值得學習的不是“18 個月 10 億”

這種速度：

絕大多數創業者無法複製。

真正可以複製的是：

幾個思維。

第一：

熱點不是需求。

第二：

找到用戶真正無法控制的地方。

Camera Control

就是典型。

第三：

不要愛模型。

愛客戶。

第四：

讓內容成爲 Distribution。

第五：

把 AI 成本當生產資料，而不是單純成本。

第六：

儘快從 Feature 升級到 Workflow。

第七：

真正 Moat 建在：

客戶行爲，

不是 Benchmark。

一百一十八、而對於整個 AI 行業，Higgsfield 最重要的信號其實不是 Video

它告訴我們：

Application Layer 開始真正證明自己可以捕獲巨大價值。

過去兩年市場最大的爭論：

錢是不是都會被：

NVIDIA；

OpenAI；

Anthropic；

Google

賺走？

Higgsfield 如果能長期維持：

大規模收入；

高 NRR；

高應用層毛利，

就證明：

答案不是。

應用層同樣可以：

Value Capture。

一百一十九、關鍵前提是：應用公司必須做模型公司不願意做的“最後一公里”

模型：

提供 Intelligence。

應用：

理解：

行業；

用戶；

流程；

數據；

結果。

最後一公里最髒。

最複雜。

最垂直。

但往往：

也是最值錢。

這與歷史上：

Enterprise Software

的發展完全一樣。

一百二十、真正最大的公司往往誕生於“基礎技術商品化”以後

數據庫商品化以後：

Salesforce。

Cloud 商品化以後：

Snowflake；

Shopify。

支付基礎設施成熟以後：

大量 FinTech。

如果：

AI Models

最終變成廉價、充足的基礎設施，

真正的 Application Supercycle

甚至可能：

纔剛剛開始。

Higgsfield 很可能只是：

最早的一批案例。

最值得記住的一句話

Higgsfield 這場故事表面上是：

18 個月從 100 萬美元級別衝到 10 億美元年化收入運行率。

但真正值得理解的並不是這個數字。

而是它背後出現了一條新的科技產業鏈：

模型越來越便宜；

內容越來越容易生成；

生成本身越來越不值錢；

控制、工作流、分發和商業結果越來越值錢。

這纔是 AI 視頻行業真正的價值遷移。

過去兩年很多人認爲：

AI 視頻戰爭的核心是：

誰能訓練出世界上最強的視頻模型？

但 Higgsfield 的答案正在變成：

誰能讓企業用所有模型，更快、更便宜、更穩定地生產能夠賺錢的內容？

前一個問題是：

Model Competition。

後一個問題是：

Economic Infrastructure。

如果開源模型繼續進步，

基礎模型繼續降價，

Higgsfield 甚至並不需要：

每一代都擁有世界最強模型。

它真正需要擁有的是：

客戶；

創意資產；

生產流程；

分發；

模型 Routing；

Performance Data。

然後把越來越廉價的：

AI Intelligence

採購回來，

包裝成越來越昂貴的：

Business Outcome。

這可能正是未來 AI 應用層最重要的商業公式：

Buy intelligence cheaply.

Own the workflow.

Sell outcomes expensively.

低價購買智能。

控制工作流。

高價出售結果。

如果這條公式成立，

那麼今天看到的 Higgsfield 就不只是一家：

AI Video Startup。

它真正試圖建立的是：

生成式媒體時代的生產與分發基礎設施。

而 10 億美元 Run Rate 也不是終點。

真正的問題是：

當視頻、圖像、廣告、數字人甚至影視製作的邊際生成成本不斷趨近於零以後，

誰能夠控制全世界越來越龐大的“創意生產流水線”？

誰控制那條流水線，

誰纔可能成爲這一輪 AI 媒體革命裏真正長期的大公司。