夜雨聆风
一个19岁的少年，没有训练自己的大模型，也没有发表什么轰动世界的AI论文。
他只是调用现成的AI能力，做了一款功能非常简单的应用：
拍一张食物照片，自动识别食物，并估算热量、蛋白质、碳水和脂肪。
就是这样一款看起来像“AI套壳”的应用，累计获得上千万用户，年营收约3000万美元，折合人民币超过2亿元，最后还被老牌营养管理平台MyFitnessPal收购。
这个少年叫扎克·亚德加里，英文名Zach Yadegari。
很多人看到这里，第一反应可能不是佩服，而是不服：
这不就是调用别人家的大模型，再套一个App界面吗？
这种东西有什么技术含量？
我是不是也能做？
先别急着打开AI，让它帮你复制一个Cal AI。
因为真正值得研究的问题，不是这款应用有没有“套壳”，而是：
同样都能调用OpenAI、Anthropic等公司的模型，为什么别人做出来的应用无人问津，他却能把它做到年营收2亿元？
这篇文章不负责制造“一人一台电脑，三天财富自由”的幻觉。
我们只拆解一件事：
一个普通的AI应用，是如何从发现需求、制作产品、获取用户，一步步变成一门亿元生意的。
把扎克的成功全部归因于AI，其实并不准确。
他很早就开始接触编程。
上学时，他发现学校发放的电脑会屏蔽很多游戏网站，于是做了一个名叫Totally Science的网站，让学生能够访问网页游戏。
这个名字也很有意思。
乍一看像是一个正经的科学学习网站，实际上里面提供的是游戏内容。
这不是什么改变世界的伟大项目，甚至有点像学生之间的小聪明。
但这个项目完成了一件很多成年人创业几年都没完成的事情：
发现需求、制作产品、获得用户，最后成功卖掉。
16岁时，扎克以大约10万美元的价格出售了这个项目。
这笔钱不是整个故事里最重要的部分。
真正重要的是，他在16岁时就明白了一件事：
技术本身不值钱，只有被真实用户使用的技术才值钱。
很多普通人学习AI时，顺序恰恰是反的。
先学提示词，再学工作流；先研究智能体，再研究自动化；工具收藏了几十个，却从来没有认真问过：
到底是谁需要这个东西？
他为什么需要？
他愿意为此支付多少钱？
扎克做Totally Science时，没有先问“我会什么技术”。
他先看到了一个非常具体的场景：
学生想玩游戏，但是学校把网站封了。
需求甚至谈不上高大上，但它足够真实。
这也是他后来做Cal AI时，一直没有改变的思路。
Cal AI的创意并不神秘。
扎克当时有健身和饮食管理需求，需要记录自己每天吃了多少热量。
但传统的热量记录软件很麻烦。
吃完一顿饭，需要打开软件，搜索食物，选择对应菜品，填写重量，再确认份量。
如果一顿饭里有五六种食物，就要重复操作很多次。
很多人不是不想控制饮食，而是坚持不了每天手动记录。
扎克注意到的并不是“AI现在能识别图片了”。
他注意到的是：
每次记录食物，步骤实在太多了。
于是，他和高中同学Henry Langmack等人做出了Cal AI。
产品逻辑被压缩得非常简单：
打开手机，对着食物拍一张照片，剩下的交给AI。
这件事听上去没有多高深。
但它把原本需要搜索、选择、估算、填写的一串操作，缩短成了一次拍照。
很多人认为AI产品一定要有几十个功能，要做复杂的智能体，要接入各种自动化流程。
但普通用户根本不关心你背后用了几个模型。
他只关心一件事：
原来需要一分钟完成的工作，你能不能让我五秒钟完成？
Cal AI真正卖的不是人工智能。
它卖的是“少麻烦”。
从底层技术上看，Cal AI确实没有从零训练一个能够挑战OpenAI的大模型。
公开资料显示，它使用了OpenAI和Anthropic等公司的模型，并结合检索增强生成，也就是RAG，以及食物图片和营养数据，来提高识别结果的可靠性。
把整个过程用普通人能听懂的话解释，大致可以分成几步。
第一步，用户上传食物图片。
第二步，视觉模型判断图片里可能有哪些食物。
第三步，根据图片、餐具和食物占比，估算大概份量。
第四步，从营养数据库中寻找对应食物的热量、蛋白质、碳水和脂肪数据。
第五步，把最终结果整理成普通用户能够看懂的页面。
其中大部分底层能力，都可以购买或者调用。
图片识别不一定要自己训练，语言模型不一定要自己开发，营养数据库也可以通过公开资料或者商业接口获得。
所以，从“有没有自己训练大模型”的角度看，它确实可以被叫作AI套壳。
但“套壳”这两个字，很容易让人产生一种错觉：
只要找一个模型接口，再做几个页面，就能躺着收钱。
真正的产品不是这样。
同样是拍照识别食物，你至少要解决下面这些问题：
一张照片里有好几种菜，如何区分？
中餐混在一起，如何判断油、酱汁和配料？
用户拍摄角度不同，如何估算份量？
识别错误以后，用户如何快速修改？
应用怎样收费，用户为什么愿意订阅？
新用户第一次打开时，如何让他快速体验到效果？
识别成本太高时，怎样避免每收入1元，却要支付2元模型费用？
这些问题单独看都不惊艳。
但把它们全部解决，才是一款真正能收费的产品。
所以，Cal AI不是简单给AI换了一层皮。
它更像是给一台现成发动机，安装了方向盘、刹车、座椅、车身和导航系统，最后把它变成了一辆普通人能够开走的车。
普通人不一定有能力制造发动机。
但这并不意味着，普通人不能造车。
1. 它选择了一个高频需求
很多AI应用失败，不是技术不够强，而是用户一年只需要使用一两次。
例如，帮用户生成一次装修方案、制作一张证件照、分析一次体检报告。
这类工具可能有人愿意尝试，但很难长期订阅。
热量记录不同。
一个认真减脂、增肌或者控制饮食的人，一天可能使用三次。
早餐拍一次，午餐拍一次，晚餐再拍一次。
使用频率越高，用户形成习惯的可能性越大，订阅价值也越高。
Cal AI没有选择一个看起来最炫的需求，而是选择了一个会反复发生的需求。
2. 它选择了愿意付钱的人群
健身、减脂和营养管理，本身就是一个付费意愿比较强的市场。
这群用户已经习惯为健身房、私教、课程、蛋白粉、健康食品和运动设备付钱。
如果一款应用能让他们更方便地控制饮食，每月支付一笔订阅费，并不是特别困难的决定。
很多人做AI产品时，只考虑“有多少人需要”，却忽略了另一个更重要的问题：
这些需要它的人，平时有没有付费习惯？
一亿个只愿意免费使用的用户，未必比一万个愿意持续付费的用户更有价值。
3. 它把核心功能做成了适合传播的画面
Cal AI还有一个很大的优势：
它非常适合拍短视频。
镜头对准一盘食物，拍一张照片，几秒钟后，屏幕上直接出现热量和营养数据。
整个过程不需要复杂解释。
用户只看几秒，就能明白这款应用有什么用。
这让Cal AI非常适合在TikTok、Instagram等平台传播。
很多AI应用功能很强，但你需要花五分钟才能向用户解释清楚。
而Cal AI只需要一个动作：
拍照。
一个容易演示的产品，天然更容易通过短视频、达人测评和用户内容获得流量。
假设今天有两个人同时做一款食物热量识别应用。
两个人调用相似的模型，使用相似的数据库，最后的识别准确度也差不多。
第一个人花三个月继续调整模型，希望把准确率从90%提高到92%。
第二个人则开始研究：
什么样的应用图标点击率更高？
注册页面怎样减少用户退出？
免费体验应该开放几次？
订阅价格应该按周、按月还是按年？
哪一种短视频开头更容易让用户下载？
哪些健身博主带来的用户更愿意付费？
最后，可能是第二个人赚到了钱。
因为AI产品的竞争，早就不只是模型竞争。
它同时包括：
产品设计、用户体验、定价、支付、内容传播、达人投放、留存和复购。
很多技术人员总觉得，只要功能足够强，用户自然会来。
但现实是，用户根本不知道你的产品存在。
Cal AI能够获得大量下载，与它对社交媒体传播和网红营销的重视有很大关系。
他们会寻找健身、减脂和生活方式领域的内容创作者，让产品自然出现在“我一天吃了什么”“减脂餐记录”“挑战控制热量”等视频中。
用户不是先看到一条硬邦邦的广告，再决定下载。
他往往是在观看自己感兴趣的内容时，顺便看到了这款应用的使用过程。
这才是“产品”和“流量”真正结合的地方。
AI解决了功能问题。
内容解决了用户从哪里来的问题。
订阅解决了如何持续赚钱的问题。
三件事缺一不可。
答案是：
不能原样复制，但可以复制它的路径。
今天再做一个一模一样的拍照识别热量应用，未必是好机会。
市场已经出现了成熟产品，Cal AI也已经建立用户、品牌和数据优势。
但普通人可以复制下面这个公式：
一个熟悉的垂直行业 ＋一个反复出现的麻烦 ＋现成的AI能力 ＋极简的操作方式 ＋可以持续收费的模式
例如，你是一名亚马逊卖家。
你每天可能需要处理标题、五点描述、商品图片、客户邮件、退货原因和侵权风险。
那么你看到的机会就可能是：
上传产品图片，自动生成多个站点的商品文案；
上传客户邮件，自动判断诉求并生成回复；
输入产品信息，自动检查标题里的品牌和侵权风险；
导入退货数据，自动总结产品最常见的问题。
你不需要从零训练一个跨境电商大模型。
可以调用现成模型，再加入亚马逊规则、产品资料和固定输出模板，做成一个卖家能够直接使用的工具。
再例如，你熟悉餐饮行业。
可以做一个菜单拍照工具，自动生成菜品介绍、热量估算和短视频文案。
你熟悉房产行业。
可以输入房源资料，自动生成不同平台的房源介绍、带看话术和短视频脚本。
你熟悉招聘行业。
可以上传一批简历，自动提取候选人信息、匹配岗位要求并生成面试问题。
普通人的机会，不是再做一个万能聊天机器人。
而是把万能模型，塞进一个非常具体的工作场景里。
不要先问：
最近哪个AI模型最强？
先打开备忘录，写下你每天反复做的事情。
重点寻找以下四类问题。
第一类：需要大量阅读的问题
例如阅读合同、客户邮件、行业新闻、产品评论和简历。
AI擅长提取、分类、总结和判断。
第二类：需要重复填写的问题
例如录入商品资料、填写报告、生成报价单、整理会议纪要。
AI可以把非结构化内容整理成固定格式。
第三类：需要反复创作的问题
例如商品标题、短视频脚本、朋友圈文案、营销邮件和活动海报。
AI可以快速生成初稿，再由人工审核。
第四类：需要专业判断，但允许存在一定误差的问题
例如营养估算、初步风险筛查、产品分类和客户意向判断。
这里需要特别注意：
涉及医疗诊断、法律结论和重大金融决策的产品，不能只靠模型直接给出结论。
但如果只是作为辅助工具，帮助专业人员提高效率，就可能存在机会。
找到问题以后，再问自己五个问题：
这个问题是否每天或者每周都会发生？
现在的人是怎么解决的？
目前的方法最麻烦的步骤是什么？
AI能不能把十步缩短成一步？
解决以后，谁最愿意付钱？
五个问题里，如果有四个答案都很明确，才值得继续做。
很多人看到这里会说：
思路我懂，但我不会开发。
现在做一个AI产品的第一个版本，门槛已经比过去低了很多。
你可以把产品拆成四层。
第一层是用户界面。
用户可以上传图片、输入文字、查看结果。
这部分可以通过AI编程工具或者无代码平台完成。
第二层是AI能力。
根据产品需要，调用文字模型、视觉模型、语音识别或者图片生成接口。
第三层是行业知识。
把行业规则、专业资料、标准模板和常见问题整理成知识库。
第四层是支付与数据。
记录用户使用次数，并通过订阅或者按次收费变现。
第一版不需要开发几十个功能。
只需要完成一个最核心的动作。
Cal AI的核心动作是：
拍照，获得热量。
你的产品也应该能够被压缩成一句话：
上传商品图，获得一套商品文案。
上传客户邮件，获得建议回复。
上传房源资料，获得短视频脚本。
上传会议录音，获得任务清单。
如果一句话都解释不清楚，说明产品还不够聚焦。
普通人最怕的，不是不会开发。
而是花了半年，做出一个根本没人需要的产品。
更合理的做法，是先用7天完成一次需求验证。
第一天，选择一个你熟悉的行业，列出20个重复性问题。
第二天，找10名潜在用户聊天，问他们目前如何解决，最麻烦的地方是什么。
第三天，不开发完整应用，先用AI和表格人工模拟整个服务流程。
第四天，为其中一个问题做出可以展示的样品。
第五天，把样品发给潜在用户，观察他们是否愿意使用。
第六天，尝试收取第一笔费用，哪怕只是99元。
第七天，根据反馈决定继续、修改还是放弃。
这里最关键的，不是有多少人夸你的想法好。
而是有没有人愿意付钱。
“这个想法很有前景”和“我现在就愿意支付199元”，完全是两件事。
扎克做Cal AI，不是因为拍照识别食物听起来很有科技感。
而是因为大量用户确实讨厌手动记录热量，而且其中一部分人愿意为更省事的方式付费。
回头看扎克的创业路径，会发现他一直在重复四个动作。
第一，进入真实场景。
他自己需要记录饮食，才发现传统工具太麻烦。
第二，把麻烦缩短。
从手动搜索、填写和估算，缩短成拍一张照片。
第三，借用现成能力。
不重新发明大模型，而是组合已有模型、数据库和产品界面。
第四，把产品推向市场。
通过短视频、内容创作者和订阅模式，把一个功能变成一门生意。
这四个动作，普通人完全可以学习。
但很多人偏偏反过来：
不接触用户，整天研究模型；
不解决麻烦，专门堆砌功能；
不发布产品，永远继续优化；
不尝试收费，只关心别人说好不好。
最后，AI学了很多，收入一分没有。
Cal AI最容易被误解的地方，是大家认为它的成功证明了“AI套壳也能轻松赚大钱”。
其实，它证明的是另一件事：
在AI时代，底层技术正在变得越来越容易获得，但发现需求、设计产品和获得用户，依然非常困难。
扎克没有发明OpenAI，也没有创造全新的视觉模型。
他只是找到了一个每天都会发生、用户又十分讨厌的动作，然后用现成AI把它从十步缩短成了一步。
就是这一步，撑起了一门年营收约2亿元的生意。
普通人未必能够复制他的年龄、编程积累、团队和最终规模。
但普通人完全可以复制他的起点：
回到自己熟悉的行业，找到一个反复发生的麻烦。
不要急着开发一个无所不能的平台。
先做一个只能解决一件事的小工具。
让它真的有人使用，真的有人愿意付钱，再一点点往前走。
下一款Cal AI，未必还会来自硅谷的天才少年。
它也可能来自一个普通卖家、普通运营、普通设计师，或者一个每天被重复工作折磨，却突然意识到：
这件事，为什么不能交给AI？
