Windsurf内部探秘 Vercel创始人谈v020vc播客谈基金和种子轮QWEN3的颠覆AI改变广告业 天空精读2025年6月3日
感谢科技的进步，每一个长访都可以有万字全文，但或许更稀缺的是时间。希望本城日常精读可以帮助大家在最有限时间里掌握最新的科技商业认知。同时附上完整视频和全文的链接，感兴趣的同学可以继续针对特定内容深入了解。
Windsurf 内部探秘：一个神奇的AI代码编辑器，4个月内超100万开发者用户：20250420
Windsurf的联合创始人兼CEO瓦伦·莫汉分享了他们公司的独特历程。Windsurf作为迅速崛起的AI编程工具，已成为Cursor的主要竞争对手，在短短四个月内吸引了超过一百万用户。瓦伦揭示了Windsurf的特别之处，包括早期就大力投入企业销售的原因，以及为何“能动性”将是工程师和产品构建者未来最需培养的关键技能。他们的故事始于近四年前，最初是一家GPU基础设施公司Codium，在生成式AI模型兴起后，他们意识到单纯的基础设施价值将减弱，毅然转型，利用自身基础设施优势构建AI编码应用。最初的Codium提供免费的自动补全工具，覆盖多种IDE，并通过优化基础设施控制成本。随后，应大型企业（如戴尔、摩根大通）需求，开发了企业级解决方案，强调安全和基于私有数据的个性化。然而，现有IDE（特别是VS Code）对AI能力的展现构成了限制，促使他们大约六个月前决定分叉VS Code，打造自己的AI原生IDE——Windsurf，以实现更强大的代理能力和更好的用户交互体验，例如，自定义UI使得重构功能的接受率即刻提升了两倍。
瓦伦强调，初创公司极少一开始就找对方向，必须在非理性乐观与残酷现实间寻求平衡，不断基于新信息调整，摒弃原有信念，成为追求真相的组织。他们接受会犯错，不迷恋想法，这种文化使得公司每年都像获得新生，能够测试全新假设。对于工程师的未来，瓦伦认为AI将接管绝大部分“解决问题”的执行层面，甚至部分“如何解决”的规划层面（尤其在理解内部环境和代码库后）。工程师的核心价值将转向定义“需要解决什么问题”，即识别最重要的业务需求、产品能力，并做出明智的技术决策。尽管如此，计算机科学的基础知识（如操作系统原理）仍有助于培养解决问题的深刻理解和直觉，提升工程师的水平，同时AI也赋能了更多原本不具备深厚背景的人参与构建。因此，学习计算机科学或相关领域，重点在于掌握解决问题的原则、系统思维和“能动性”——主动创造而非被动执行任务的能力。
在招聘方面，Windsurf奉行精简原则，目标是在支撑宏大愿景（如将应用构建时间缩短99%）的前提下维持最小规模。只有当某个职能不堪重负，如同“脱水”般急需援助时，才会启动招聘。这种做法强制推行无情的优先级排序，确保团队聚焦于最关键的任务，避免资源分散和内部政治。他们寻找技术顶尖、对使命充满热情且愿意努力工作的人，并直言不讳公司的高强度和竞争性。面试时允许使用AI工具，但更注重现场考察候选人的思维过程和解决问题的能力。
Windsurf很早就认识到企业销售的重要性，在一年前便聘请了销售副总裁，如今拥有庞大的市场推广团队。他们从不视销售为消极环节，认为对于服务大型企业（如财富500强），纯粹的产品驱动增长模式难以奏效。与Cursor等竞争对手相比，Windsurf的核心优势在于对大型代码库（如戴尔上亿行代码）的深度理解能力，这源于其早期服务大型企业的经验和自研的、能并行处理大规模代码的分布式系统与模型。此外，Windsurf不仅限于自有IDE，也大力支持JetBrains等其他主流IDE，以满足更广泛开发者群体的需求，特别是在Java生态中。同时，他们在安全合规（如FedRAMP）和混合部署模式方面投入巨大，以满足大型企业对代码安全的严苛要求。
现场演示展示了Windsurf的能力：用户可以提供设计图，让AI在现有React项目中将其实现为“狗狗版Airbnb”；可以指向界面元素并用自然语言要求修改（如改变背景颜色）；AI甚至能理解“复古风格”这样的抽象指令并相应调整。更重要的是，AI不仅执行任务，还能观察用户的直接代码修改（如重命名变量），并智能地将该变更应用到代码库的其他相关位置，实现了人与AI在代码修改上的流畅协作。瓦伦建议用户保持耐心和明确性，从小处着手，并逐渐培养对AI能力的直觉。Windsurf的崛起也预示着一个趋势：领域专家（如市场、销售人员）正利用此类工具构建满足自身特定需求的定制化软件，挑战了传统“一刀切”的垂直SaaS产品，因为AI大大降低了构建和维护定制解决方案的门槛。Windsurf的技术栈采用混合策略，结合使用最佳的第三方大模型（如Anthropic的Sonnet进行规划）和自研模型（用于代码库理解、检索、编辑和基于海量用户反馈训练的自动补全），目标始终是构建最佳产品，不受限于单一技术路径。
在人工智能驱动的代码生成领域，真正的竞争优势并非源于纯粹的代码规划，而是来自对现有复杂代码库进行修改和优化的深刻理解。这种能力，基于对海量用户代码演变数据的观察和学习，构成了关键的差异化因素和“护城河”。仅仅封装底层大模型（如Sonnet）并提供高级别接口，难以形成持久的竞争力；核心在于深入理解代码本身。因此，尽管“从零到一”的应用构建是目标领域，但前提是具备这种深层次的代码理解力。
为了满足不同开发者的需求，工具形态也需考虑周全。例如，Windsurf作为一款本地IDE，允许开发者在自己的机器上编写代码，处理复杂的依赖项（如NVIDIA驱动），延续了数十年的本地开发习惯；而Bolt则提供了在浏览器中运行的云端体验。这种灵活性旨在让开发者在他们最适合的环境中构建，无论是本地还是云端代码空间，特别是对于非全栈或需要特定系统依赖的应用。
构建此类前沿开发者工具的公司，其内部组织架构也呈现出独特性。核心工程团队可能不设传统的产品经理，因为开发者自身即是产品的目标用户，他们的直觉至关重要，工程师在某种程度上向产品角色演化。然而，对于企业级市场等工程师不直接了解的需求（如FedRAMP合规），则需要设立“产品策略”角色，连接客户需求与技术能力。工程团队倾向于扁平化、小规模（如“双披萨团队”），确保领导者能深入技术细节，这在快速发展的AI领域尤为关键，避免脱离实践的“纸上谈兵”。团队需保持高度灵活性，能够根据优先级快速重组。
关于AI对工程师就业的冲击，存在一种普遍误解。即便AI能编写大量代码，工程师的价值远不止于此，还包括代码审查、测试、调试、设计、部署等诸多环节。根据阿姆达尔定律，即使极大优化了编码这一环节，整体生产力提升也是有限的（例如27%-40%）。对许多技术需求旺盛的大型企业而言，工程师生产力的提升反而增加了技术投资的回报率，刺激它们投入更多资源，甚至可能在短期内雇佣更多工程师。AI公司自身仍在积极招聘工程师，这本身就是行业前景乐观的信号。
在产品开发策略上，必须驾驭一种内在张力：既要通过持续迭代、倾听用户反馈来满足短期需求（“基本要求”），又要进行着眼于未来6至12个月的长期押注，勇于“蚕食”现有产品，推出颠覆性的创新。这种“秘密路线图”式的、不受限于当前用户请求的长期规划，才是最终制胜的关键，而非仅仅是满足用户提出的增量改进。
回顾创业历程，一个深刻的教训是需要更快地接受犯错的可能性，更频繁地重新评估假设，克服不可避免的“自我陶醉”，在非理性乐观与不妥协的现实主义之间找到平衡。尤其在市场环境变化时（如从零利率环境转变），更需警惕过度的自信。
最终，面对AI浪潮，最务实的建议是亲身实践。积极拥抱和利用这些新工具（如代码编辑、应用构建工具），将带来显著的生产力提升。这种能力不仅限于工程师，产品经理等角色若能借此直接编辑代码、快速验证想法，也能极大地提升效能和影响力，打破传统角限，实现跨层级的深度参与和价值创造。对于能最大限度利用这些工具的个人而言，未来一年将充满获得超额回报的机会
Vercel 创始人兼 CEO 吉列尔莫·劳奇探讨了人工智能，特别是其产品 V0 (vZero)，对产品开发和未来技能需求的深远影响。V0 被用户形容为“患有多动症的超级天才、五岁的博士”，虽然并非无所不知，但展现出智慧的火花。劳奇认为，人工智能将使产品团队成员变得更加全栈，例如设计师能交付完整产品，产品经理能进行原型设计并发布到生产环境，打破了人们对自身构建能力的限制。
对于工程师角色的未来，劳奇指出，虽然许多过去专业化的编程任务（本质上是“翻译”任务，如将设计稿转化为代码）正在被 AI 取代——V0 在这方面表现出色，甚至在遵循无障碍标准等最佳实践上超越人类——但理解事物底层运作原理（如 CSS、布局等概念）变得至关重要。这种理解能帮助人们更好地引导 AI 模型，使其遵循意图。未来可能不再需要对每个细节都了如指掌的深度专家，而是需要更广阔的视野。
劳奇建议未来人才培养应注重理解事物原理（如数学）、出色的口才（能够清晰表达意图和创造力，知道如何用语言引导模型），以及实践和展示（如参加黑客马拉松、建立个人品牌）。学习编程，特别是作为网络通用语言的 JavaScript 和 React，仍然有价值，基础架构工程技能在未来几十年也将非常重要，因为 AI 更多是在编排现有工具和基础设施，而非从零创造。
V0 的目标是扩大能够构建和交付产品的人群，其灵感部分来源于 ChatGPT 在生成 Vercel 技术栈代码方面的出色表现。V0 拥有庞大的用户基础和活跃的社区，用户可以分享、复用和迭代彼此的创作，这被视为 GitHub 模式的演进，实现了“社交产品构建”。V0 将意图（提示）置于首位，代码成为输出结果。劳奇强调，V0 不仅用于原型设计，已有企业客户完全使用 V0 构建和交付产品，甚至被用于求婚网站等创意场景，并通过 Vercel 的基础设施实现规模化部署。
要成功使用 V0，劳奇建议用户大胆提出需求，提供灵感参考（或利用社区资源），对工具的能力保持开放心态（它可能知道你不知道的东西），专注于产品描述和用户体验，并乐于迭代（简单提示“尝试其他方案”有时就能解决问题）。V0 提供了“逃生舱”，允许用户编辑生成的代码或寻求其他 AI（如 ChatGPT）的帮助来解决难题。
劳奇认为，“品味”是一种可以通过增加“曝光时间”——即花时间观察用户如何使用你的或他人的产品——来培养的技能。尝试大量产品、构建并发布、获取反馈是关键。AI 可以帮助捕捉设计的普遍原则，但人类的品味和创造力仍需引导模型。
最后，劳奇预见未来 AI 将融入软件开发，成为其同义词。虽然通用 AI 或许能实时构建复杂的垂直应用，但人类通常需要有明确观点、经过验证和支持的专业工具。构建 AI 产品时，紧密的用户反馈循环至关重要，Vercel 也通过开源 AISDK 等方式，支持开发者构建自己的垂直领域 AI 工具和生成式用户界面。人工智能的发展并非要取代所有技能，而是重塑工作方式，提升个体能力，让更多人能够将想法变为现实。
关注用户交互细节至关重要，例如移动端与桌面端输入框回车键的不同默认行为，体现了对用户习惯的深刻理解与产品设计的取舍，点明了对细节的极致追求是构建优秀产品的基础。要真正打磨产品，必须增加“暴露时间”，即走出办公室，将产品置于真实用户的使用场景中。观察用户实际操作，主动暴露在现实的“痛苦”之中，能让产品团队保持谦逊和脚踏实地，避免陷入“一切都很好”的惯性思维。越多暴露越好，可以通过安排客户会议、观看用户现场演示、甚至亲自高频使用客户基于自身技术构建的产品等方式来实现，从中总能发现意想不到的问题或改进点。
谈及AI驱动的新工具v0，它目前支持通过zip文件导入代码库（Git集成即将推出），能够进行全栈开发并连接API，未来还将无缝集成Vercel市场中的数据库、AI模型等第三方基础设施。尽管AI在生成代码，特别是处理基于文件和组件的任务（这与Next.js理念天然契合，降低了处理大型代码库的复杂性）方面表现出色，但仍处于发展阶段，可能犯错，并且在应对超大型代码库时存在局限。尽管如此，v0凭借其高用户留存率和自主解决部分错误的能力，已深度融入用户的日常开发流程。
在利用AI进行设计（如使用Vizira）时，关键在于积极互动和提供反馈。用户不应犹豫直接告诉AI调整方向，比如要求“让它看起来更好”，或尝试使用“新粗野主义”、“极简风”、“报纸风格”等具体的风格提示词，往往能激发AI的潜力，创造出令人惊喜的设计效果。
打造卓越产品需要投入巨大的“心血与汗水”，它是由成千上万个微小细节累积而成的，是一个永无止境的优化过程。这不仅需要努力，还需要“创造性的克制”，审慎地对待每一个新增功能，因为每个“是”都如同领养一只宠物，意味着长期的责任与维护负担。“吃自己的狗粮”，即团队深度使用自家产品（如Vercel用v0构建v0），是发现问题、驱动改进的有效机制。
AI正在深刻地改变工作方式，赋能每一个人成为创造者，打破传统角限。在Vercel内部，从设计师用AI生成动画、市场团队制作交互式演示，到工程师使用AI工具优化底层架构，AI的应用已无处不在。未来，AI将与软件深度融合，甚至等同于软件本身。最终的愿景是实现“人人都能创造”，让想法的表达和实现变得前所未有的便捷，共同推动一个更快、更高质量、更少错误的数字世界的到来。
专业博主Wes Roth： 出乎意料的是，Qwen 3系列模型已经发布，而非许多人期待的DeepSeek新品。该系列旗舰模型命名复杂，为Qwen 3 235B A22B，代表这是一个拥有2350亿总参数的专家混合（MOE）模型，但每次调用仅激活220亿参数。关键在于，该模型展现出与Gemini 2.5 Pro、O3 Mini等顶尖模型的强大竞争力，在多项基准测试（如Arena Hard, AIME, Live Code Bench, Code Forces）中表现突出，有时甚至超越了Gemini 2.5 Pro，尤其在编码方面。不过需要注意，基准测试并非全部，可能存在针对性优化。
除了旗舰MOE模型，Qwen 3系列还包含六个参数量从6亿到320亿不等的开源稠密模型。所有预训练和后训练模型均已在Hugging Face、Modelscope和Kaggle上发布，旨在推动全球大型基础模型的研究与部署，赋能开发者与研究人员。有开发者暗示模型卡之外还存在一些未披露的吸引人的特性。
Qwen 3的关键特性包括：同时支持“思考”（推理）和“非思考”（快速响应）模式，这种融合能有效控制计算资源分配，模型能根据任务难度调整思考深度，从而在难题上获得更好表现；支持119种语言和方言；以及改进了能动性（agentic capabilities），加强了与软件工具交互的能力（如MCP支持）。
其训练数据量相较于Qwen 2.5（18万亿token）几乎翻倍，利用了网络数据、文档，并借助Qwen 2.5系列模型进行文本提取、质量提升以及数学和代码合成数据的生成，体现了AI模型迭代构建的趋势。预训练分为三个阶段，逐步增加数据量、知识密度并将上下文长度扩展至32k token。后训练则包括长链思维冷启动、推理强化学习、思考模式融合和通用强化学习等阶段。对于轻量级模型，采用了强到弱的知识蒸馏技术，利用大模型训练小模型，以期在保持大部分能力的同时实现更快的速度。
团队通过博客文章和论文分享其开发过程和技术细节，推动开源创新。所有模型均在Apache 2.0许可下发布，允许商业用途、修改、分发和创建衍生作品。团队表示，未来重心可能从训练模型转向训练智能体，预示着下一代迭代将为工作和生活带来实质性进步。这次发布无疑加剧了高性能开源AI模型的竞争格局。
在投资界，尤其是在市场不景气时，关键是“不要做混蛋”，因为许多非主流风险投资公司会在此刻选择沉默。风险投资本身已成为一种同质化产品，一种可以被创业者“压榨”的商品。传统的百分之二或二点五的管理费模式从根本上缺乏意义，未能使投资人与最终的投资结果保持一致。我们投资的信条是，如果我们无法想象一笔交易能带来100倍的回报，那么我们根本不应考虑它。
我的投资生涯始于大约二十年前，最初只是作为天使投资人，支持那些在创建WISE和Skype期间遇到的、令我兴奋的企业家。后来，我加速了投资步伐，每年进行三四十笔交易，但这逐渐让我感觉过于“华尔街化”，偏离了我的使命感。这种反思促使了Plural的诞生，其核心理念是让那些真正经历过公司创建、留下过“伤疤”的创始人成为投资者。回顾过往，对Bolt二级市场股票的投资是我个人重要的决策之一。
风险投资行业确实经历了从精品手工业到商品化大批量产业的转变，但这需要细分来看。中后期的大额投资与早期的高速投资截然不同。Plural专注于支持那些最具雄心、有时甚至无人问津的创始人。我们反对那种仅凭电子表格、计算客户获取成本和终身价值来做决策的投资方式，尤其是在早期阶段，更重要的是深入理解创始人的动机和独特优势。欧洲风险投资界的一个现象是，绝大多数普通合伙人缺乏在实际运营公司的工作经验，而这种经历，尤其是作为创始人的“伤疤”，是极为宝贵的。
尽管有人认为可预测的SaaS增长时代已经结束，新一代公司的增长轨迹更加陡峭和难以预测，但增长型投资仍有其空间。然而，发现下一个万亿美元级别的公司变得更加困难。拥有运营经验的投资者在评估早期创始人时，思维方式与纯粹的金融背景投资者不同，尤其是在产品市场契合点之前。我们Plural的合伙人都曾是创始人，都经历过融资，与那些同样有运营背景的投资者（如Max Levchin、Ben Horowitz）的对话最具启发性。这种经历让我们更能成为创始人的优质合作伙伴，时间将证明这是否让我们成为更好的投资者。风险投资本质上是一场品牌游戏，Plural的品牌定位是支持那些从事深刻、艰难事业的最具雄心的创业者，无论是聚变能源（Proxima Fusion）还是病人监护（Teton）。
我们倾向于支持连续创业者，他们通常在下一次创业时追求更大的目标，并从过往错误中汲取了教训，尽管首次创业者的天真也有其优势。面对当今世界前所未有的挑战，我们个人更难对传统的SaaS项目感到兴奋，但这并不否定其价值。关于投资者本身，关键不在于是否富有，而在于他们如何处理自己的资金，尤其是自己的钱。风险投资行业的整体利益一致性存在问题，高额管理费是核心弊端之一。Plural采取了较低的管理费，以更好地与结果保持一致，并能进行更多投资。我们相信，风险投资团队应该通过实现可观的DPI（已分配资本回收倍数）来赚取丰厚回报，而非仅仅因为配置了资本。
当前的流动性窗口期确实拉长了，DPI可能需要15至17年才能显现，这对长期、艰难的项目构成挑战。传统的10年期基金模式可能需要更新，尤其是对于深度科技项目。我们需要为长期流动性寻找更好的解决方案，并可能需要在早期更有纪律地返还部分资本。除了费用，GP出资（利益攸关）是另一个关键的对齐机制。在Plural，合伙人不仅是基金的最大投资人，并且主导合伙人还会为每笔交易开出个人支票。我们还自己承担律师费，而非按行业惯例让公司支付。
创始人与投资者之间最常见的冲突是时间线的不一致。基金构成也是一个重要考量，即使追随最有雄心的创始人，也需考虑基金整体的风险敞口平衡。Plural在投资组合构建上重视多样性，并谨慎处理储备金，我们反对纯粹按比例跟投的“逃避责任”做法，倾向于要么加倍投入要么退出，但现实操作更为复杂，需要坦诚沟通。
在决策流程上，Plural强调个体合伙人的“切身利益”和信念。主导合伙人需撰写备忘录，阐述交易为何对其个人重要、为何能成为联合创始人以及如何实现100倍增长。投资委员会进行激烈讨论，但不投票，最终决定权归于主导合伙人，他们常在听取反馈后放弃交易。储备金决策则需要多数票通过。对于交易条款，我们认为早期阶段的清算优先权意义不大，且大型、VC主导的董事会往往效果不佳，更倾向于平衡的、包含其他企业家的董事会。
创始人必须为自己的所有权而战，风险投资是一种商品，可以被压价。但选择合作伙伴时，不能只看条款，要看对方是否能在逆境中提供支持。最优秀的创始人或许不“需要”VC的帮助，但最好的VC应随时准备深入参与。早期投资是艺术而非科学。种子轮投资正被多阶段基金的大规模期权游戏所破坏，但这难以持续。市场资本增多对创始人有利，但关键在于是否有足够多的优质创始人。
Plural若未能成功，主要原因将是欧洲缺乏足够有雄心的企业家。如今，欧洲主权变得空前重要，尤其在乌克兰战争和美国角色变化之后。欧洲需要在国防、航天、能源、安全等关键领域实现自力更生，这将催生GDP级别的机遇。我们需要独立于美国和中国的技术解决方案，尤其是在涉及数据、情报和关键基础设施的领域。这需要巨大的资本投入和更现代化的欧洲协作方式。尽管政治周期可能与长期项目需求冲突，但创业精神和现有的人才、资本基础让我们有理由保持希望。克服欧洲与中美竞争障碍的关键在于为深科技提供充足的早期资金，同时欧洲创业者需要更有雄心、更擅长营销。监管虽是挑战，但最好的企业家总能找到方法。
个人财富的积累并未改变我的核心心态，早已实现财务自由的我，如今完全专注于投资的上升潜力以及如何利用回报做好事。若给欧洲领导人提政策建议，我会强调增加对深科技的投资、鼓励创业、减轻监管负担，并让政府成为欧洲初创企业的最大客户。我坚信爱沙尼亚的潜力及其由Skype等早期成功案例驱动的生态系统。放眼未来十年，我对欧洲变得更加乐观，相信我们将重建关键产业。Synthesia和Bolt是我个人投资中的亮点。Plural的终极愿景是助力欧洲诞生万亿美元市值的公司。
人类应专注于高价值任务，将工厂式、呼叫中心式的低效工作自动化并交由人工智能处理，例如机器能在极短时间内完成成千上万种广告变体的调整。当前消费者每天接收大量商业信息，但多数被忽略，人工智能或能提升广告的关注度。定制训练的AI模型可预测广告效果、分析原因并指导优化，这预示着前所未有的个性化内容量，甚至引发了未来是否还需要人类创造内容的疑问。利用模型辅助决策、提供信息和想法的理念才刚起步。
我们所知的营销理论建立于六十多年前，远落后于互联网、社交媒体和人工智能时代。新技术、文化变革和数据爆炸正颠覆传统营销，为了触达未来的消费者，营销需要实现“量子跃迁”。WPP首席技术官斯特凡·普雷托瑞斯指出，营销正经历由技术、文化和数据驱动的前所未有的巨大转型。媒体渠道的扩散和碎片化，使得品牌有效触达消费者日益复杂。内容需求呈爆炸式增长，同时消费者注意力却缩短至不足8秒，这形成了巨大矛盾。营销是企业中最后一个未被充分数字化和现代化的职能，仍充斥低效、人工流程。企业正努力进行转型，以实现更精简、高效、自动化的未来，为迎接人工智能做好准备。这种未来的压力迫使企业现在就行动，重新思考整体战略。
人工智能在商业中的价值在于其技术与专有数据、独特领域知识的结合。一个常见的误解是仅靠个人数据就能有效营销，实际上，位置、天气、时间等背景数据在预测行为方面往往更有用。关于人工智能能否产生原创创意，取决于如何定义“创造力”。真正的创新罕见，而商业创意旨在驱动业务成果。人工智能在内容创造方面极其有用，尤其擅长保持品牌建设所需的一致性，如运用特定美学风格、准确呈现产品。然而，更重要的问题是我们想要构建怎样的未来：是让机器取代人类工作的“黑盒”，还是创造增强人类智能的技术？后者是更值得追求的方向。
传统广告创意过程漫长、昂贵且涉及大量人力。WPP开发的人工智能平台（如WPP Open Platform）展示了替代方案。通过输入品牌数据训练定制AI模型（品牌引擎），可以创建代表目标受众的合成“角色画像”，并进行“合成焦点小组”测试，以极低成本和极快速度获取反馈，其规模和速度远超传统方法，甚至因整合海量数据而具备“超人”般的洞察力。该平台还能结合品牌大脑生成大量符合品牌规范的图文内容建议（如13000种变体），并通过“性能大脑”预测每种变体的效果（品牌提升、直接响应或销售额），帮助营销人员优先选择最优方案，避免在低效广告上浪费媒体预算。这种方法结合了AI生成背景与精确的3D产品渲染图，以达到最佳视觉效果。
如此巨大的产出效率引发了对人员配置影响的担忧。然而，技术通常自动化单调任务，促使人类转向更高层次的思考，如设计、信息传递、消费者研究或优化产品视觉。人工智能转变的是任务而非摧毁工作岗位，它要求人们学习新工具和新工作方式，从繁琐的“装配线”工作中解放出来，这总体上是积极的。我们正处在人工智能与就业交叉的新纪元，企业必须迅速进化以跟上步伐。
对营销人员的核心建议是：立即行动。不要空谈观望，要亲身实践，在实践中学习。使用人工智能会改变思维方式，促使人们反思传统营销流程、数据使用和决策方式，实现真正的“量子营销”。这种变革需要全组织参与，从CEO到基层，不能外包。由具备好奇心和技术适应性的领导者带领的组织将更容易适应，但无论如何，适应是唯一的选择。
