Founder Park 2025-10-17 20:27 北京
Joshua Xu：不确定性就是我们的优势。
超 15000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。
邀请从业者、开发人员和创业者，飞书扫码加群：
进群后，你有机会得到：
最新、最值得关注的 AI 新品资讯；
不定期赠送热门新品的邀请码、会员码；
最精准的AI产品曝光渠道
- 沟通型视频：比如，同步业务进展、做个教程、录个访谈、播客或者产品讲解。这类视频的目的就是为了说清楚一件事。 （用脚本来编辑最合适。)电影感视频：比如，制作精良的广告、电影、MV、预告片，还有那些高端的品牌内容。这类视频是为了打动人、启发人或者纯粹为了娱乐。（用时间线来编辑更方便。)
01
核心理念：
拥抱不确定性
其实就一句话：「快速行动，做到极致。驾驭 AI 浪潮，接受研究本身的不确定性，提前六个月布局，并做出能随着模型升级而能力提升的灵活产品，但绝不以牺牲质量为代价。」1.1 一个根本性的变化：从找「地基」到驾驭「浪潮」在 AI 时代，我们工作的前提就是不再依赖一个稳定的技术「地基」。每隔几个月，AI 技术就会发生翻天覆地的变化。模型能做什么，不能做什么，没人说得准，而且一直在变。我们正处在一个百年一遇的技术窗口期。未来 12 个月，AI 就是我们这代人的「战争」。我们有机会做出下一个 Google 或 Facebook。机会就在眼前，我们必须把强度拉满。这才是大家来 HeyGen 的原因，也是我们聚在这里的理由。一个关键的区别：不过，说「拥抱不确定性」，我们指的只是底层的 AI 技术基础：模型、能力、研究突破。但在服务稳定性、产品质量和用户体验上，我们绝不接受任何不确定性。就算脚下的「地基」不断变化，我们给用户的东西也必须绝对可靠。这不是一个 Bug，而是我们的机会。我们选择顺着趋势走。传统时代
AI 时代（我们的方式）
在稳固的地基上盖楼
在技术浪潮上冲浪
追求用得久
做出来就能自动升级
做 12-18 个月的计划
实际点，计划未来的 2 个月（正好跟上模型升级的节奏）
打磨到完美再发布
为了学习而发布
一步一步来
同时做各种实验- In-context learning、fine-tuning 与 RAG 方法的权衡语音模型后处理能力的提升如何优化一个集成了多家供应商的系统
迭代节奏：
两个月一次路线图
2.1 我们的节奏：为期两个月的浪潮周期为什么是两个月？因为这刚好和 AI 模型的升级节奏差不多，能让我们在保持专注的同时，又能灵活地调整方向。我们的节奏是这样的：- 每两个月规划一次路线图：跟 AI 的发展周期是同步的。领导层、技术负责人和产品经理（我们也鼓励设计师参加）会坐下来，深入复盘产品和策略。为了聊得透彻，最好在线下进行。我们会非常坦诚地评估自己的表现，该调整策略就调整。6-12 个月的战略布局：预测并为下一个大机会做准备。每两周出一份承诺清单：产品和工程团队一起定下来，接下来两周各自要交付什么。每天都发布：每天都有新的改进、功能或者实验上线。
- 第 1 天：想清楚假设和成功的标准。第 2 天：做出一个 MVP（真正意义上最简可行的那种）。第 3-5 天：发给一小部分用户试试。第 2 周：分析数据，总结学到的东西，决定下一步怎么走。
- 单向门：出去了就回不来的那种决策，要非常谨慎（很少见）。双向门：随时可以反悔的决策，产品经理快速决定，马上测试（很常见）。 当有争论时，问问自己：这事能测试吗？如果能，那就别吵了，直接动手做实验。
- 有了决定，马上在 Slack 里说清楚，指定一个人负责，明确完成时间。团队之间要完全透明。不仅要说计划，还要说为什么这么定。清楚地告诉大家，这个决定需要同步给谁。
- 时刻关注 AI 研究的最新进展。理解算力的发展趋势。预测模型接下来会具备什么能力。搭建能从未来的技术进步中受益的灵活架构。
- 搭建的抽象层，要假设它未来会变（但提醒一句：时机不成熟时别过度设计）。写文档，要记录你的假设，而不是具体的实现方法。所有东西都严格做好版本控制。设计的系统要能随着模型升级而自动变好。
行事原则：
速度就是一切
3.1 速度就是一切，没得商量新的现实：在 AI 时代，谁学得快，谁就赢。就这么简单。- 以天为单位发布，不是周。拿不准的时候，就发个实验。保持前进的势头比追求完美更重要。慢，是唯一不可原谅的罪。
- MVP 是用来验证想法的，不是最终产品。一个「足够好」且及时的东西，远胜于一个「完美」但迟到的。先发布不完美的，再跟进：如果不行就果断砍掉，如果用户在乎就持续迭代到最好。Bug 比不完美的功能更糟糕，因为 Bug 会让你学不到东西。
- 用户水平不同，用 AI 产品做出来的东西差别巨大。我们的责任是：教会用户怎么用，而不只是介绍功能。成功的标准 = 任何一个用户，平均能做出多高质量的视频。我们要衡量的是视频的质量，而不仅仅是创建了多少视频。
- 我们自己做：Avatar 视频模型（因为没有外部供应商能达到我们的质量要求）。用别人的：语音（外面的供应商质量足够好，我们也能省下资源）。我们不纠结面子，只要结果。
团队协作：
所有人都要对「为什么做」有共识
4.1 通用的团队结构所有团队都一样：产品经理（PM） + 工程师 + 设计师 + 数据科学家。4.2 每个角色是干什么的产品经理：总指挥他们需要会什么
推动决策和定优先级。
能上手做出可用的 MVP 和体验原型。
直接跟老板们沟通策略。
能把复杂的技术概念，用简单的语言讲给用户听。
为每个功能背后的「为什么」负责。
主导「先做原型」的工作方式。
协调工程师、数据科学家和设计师。
-
- 直接做能用的原型，别再写又长又臭的文档了。用 Figma 设计稿或者体验原型本身当文档。规划那些眼下还不存在的能力。非常熟悉市面上所有的 AI 工具，并且每天都在用。
- 用最快的速度把决定好的东西做出来。提供产品经理可能会忽略的技术视角。设计的架构要灵活，方便快速迭代。深入理解做这件事背后的「为什么」。
- 用 AI 编程助手（比如 Cursor、ChatGPT）来提速。以前我们总说 10 倍工程师，现在我不确定有没有 10 倍，但有了 AI 工具，每个人的效率至少是两年前的 3 倍。做的原型，要有能进化成正式产品的潜力。少写文档，多写代码。直接跟 PM 一起快速做原型。
- 能上手做出可用的 MVP 和体验原型。把原型打磨成消费级的、让人用着开心的体验。确保所有功能都和谐地统一在 HeyGen 的产品框架里，并建立和维护设计规范。坚守我们的原则：简单到连我奶奶都会用。主导简化的工作——如果我奶奶用着都费劲，设计师就得站出来解决它。维护好设计系统，让未来的开发能保持一致和快速。帮助把产品营销做得更简单易懂。在功能被验证后，专注于视觉打磨和体验的一致性。
- 对市面上所有的 AI 工具了如指掌，并且每天都在用。
- 解释和验证指标：确保大家对数据的理解是一致的。做统计分析：相关性、因果关系推断等。建立 PostHog 里搞不定的高级实验指标。为成熟的功能搭建公司级的数据看板。做需要高级 SQL/Python 的复杂分析。做一些轻量级的数据工程和建模。普及数据科学的知识和术语。
- 熟悉自己领域的核心数据，能发现异常并着手调查。用 PostHog 看数据趋势和用户行为。能从 Hex 的主表里拉一些简单数据。主动管理实验的全过程，包括事前的测试和事后的清理。设计实验方案——给谁看，怎么分组，成功的标准是什么。想清楚需要埋哪些点来衡量效果。初步判断实验哪个版本胜出。理解自己领域的数据和公司战略的关系，能在发布决策时做出高质量的判断。应该能自己在 PostHog 里做分析，在 Hex 里写简单的查询。
- 分析实验的影响——一起解读结果。定义关键指标（比如 AER、留存、转化）。当需要深入分析时，一起复盘实验。调查数据异常。
- 框定问题定义目标理清背景
- 和 PM、设计师一起设计方案搞定可行性、权衡和执行
- 让复杂的 AI 人人可用守住「奶奶测试」的底线创造愉悦的体验
- 用数据验证假设科学地衡量影响指导实验的方法
- 这事为什么值得做？我们在为谁解决什么问题？为什么是现在？为什么用这个方法？这事怎么能帮公司往前走？
- 原型先行：PM/设计师和工程师直接搭档，快速把想法做出来测试。证明它行：在投入大量设计之前，先用真实用户验证这个想法。设计打磨：一旦被证明可行，设计师再介入，把体验打磨好，确保它和整个产品风格统一且简单。达到上线标准：任何一个从原型毕业要上线的功，都必须是经过精心设计的。
产品团队：
比对手快 5 倍
5.1 他们干什么：构建和打磨产品的核心功能核心产品团队，专注的是最基础的产品体验，那些定义了 HeyGen 是什么、能做什么的功能。他们追求的是极致的用户体验、完整的功能和长期的产品愿景。核心产品团队的特点：- 做复杂功能时，开发周期更长。非常关注产品体验和用户走过的每一步。强调设计系统和体验的一致性。需要和整个产品生态系统打通。我们虽然做的是个商业工具，但对于一个创意工具来说，让人用得爽太重要了，这也是 HeyGen 能不能做到一亿用户的关键。
增长团队：
一切为了提升迭代速度
6.1 增长团队是公司的实验引擎增长团队和核心产品团队的玩法不一样。我们是实验引擎，为速度、学习和影响力而生。我们所有的原则，都只为了一个目的：提升我们的迭代速度。6.2 增长团队的核心原则工程只是工具，产生影响才是目的。我们不只是交付代码，我们交付的是结果。在 AI 时代，代码不值钱，影响力才值钱。别为了追求代码优雅，去过度设计一个没人要的东西。你要优化的，是「多快能产生影响」：做那些最重要的事（20% 的投入，带来 80% 的结果），一旦被证明有效，就迭代，当价值真正体现出来后，再把它打磨好。做实验是为了学习，不是为了赢那些稳赚不赔的实验，根本算不上实验。做实验的目的，是通过冒聪明的风险、赌大胆的假设来学得更快。要愿意快速犯错，这样你才能更快地找到正确的路。6.3 增长团队的重心增长 PM：实验的指挥官- 和团队一起做决定。对数据和学习循环负责。深入理解用户痛点和业务影响。清晰地定义问题和目标。定义「做什么」——框定问题、定义目标、理清背景。和工程师一起明确「为什么做」——为什么这事值得干？为什么是现在？有强烈的行动偏好，快速发起实验。对结果负责，不只是对产出负责。
- 和 PM、设计师一起设计方案。负责搞定可行性、权衡和执行，目标是做得更好、更快、更聪明。在明确「为什么做」的同时，塑造「怎么做」。以最快的速度把实验做出来。痴迷于学习循环和数据。深入理解问题，而不只是等着别人告诉他「要做什么」。理解了「为什么」，就能成为一个更主动的参与者，用更少的迭代交付更多的价值。关注多快能产生影响，而不是完美的架构。打造能改变公司发展轨迹的实验引擎。
如何沟通：
直接、异步、高效
核心原则：- 异步优先：我们办公室在不同地方，所以尽可能用异步的方式沟通。会议警报：如果团队里有谁一周开超过 3 个、5 人以上的会，就得亮红灯了。时间花在哪：我们的时间应该花在做东西上，不是开会上。线下见面：利用线下见面的时间，实现最高效的沟通和团队建设。
极力避免的「坑」
8.1 AI 开发七宗罪追求完美的架构- 花好几周去设计一个能「扩展」的架构。扩展想解决的问题是：你只有 100 个用户。你真正的问题是：还没人爱你的产品。
- 「我们需要做更多用户研究。」聊了好几个月，一行代码没写。更好的办法是：先做错，快速学习，再做对。
- 总等着 AI 技术「成熟」。还用 2019 年的思路做东西。现实是：它永远不会稳定，去驾驭浪潮吧。
- 所有人都同意 = 没人在乎。要有强烈的观点，但也要乐于被说服。有争论，说明你可能碰到了真正重要的事。
- 「这个还没准备好。」「我再打磨一下。」自信地发布，然后快速改进。
- 偷偷摸摸开发 6 个月。然后搞个盛大发布。结果发现，你的对手早就发布、早就学到了。
- 「我们已经投了这么多了。」快速砍掉失败的项目。庆祝你学到的东西，然后删掉代码。
- 那些让你无法从实验中学到东西的 Bug。安全漏洞。明显伤害用户体验的功能。影响到现有客户的破坏性改动。
- 影响公司未来的「单向门」决策。会影响未来 6 个月开发的技术架构决策。当用户反馈告诉你，大方向错了。法律或合规要求。
- 「我们再多想想」 → 潜台词：我们已经落后了。「我们得让所有相关方都同意」 → 潜台词：决策瘫痪要来了。「万一技术变了怎么办？」 → 潜台词：它肯定会变，但我们还是得发。「我们等下一个模型出来再说」 → 潜台词：我们的对手可不等。「我们需要一个更稳健的方案」 → 潜台词：我们首先需要的是用户。「这个还可以再打磨一下」 → 潜台词：先发出去，如果用户在乎再说。
怎么打赢这场硬仗？
9.1 我们为什么能赢- 我们的发布速度比对手快 5 倍：更多的实验 = 更多的学习。学习会产生复利，变成更好的产品：别人躲着走的东西，我们迎头赶上。不确定性就是我们的优势：「老派」的竞争对手适应不了。我们专注于真正重要的事：用户的质量，学习的速度，创新的差异化。
- 快速行动，不妥协。打造绝对最好的产品体验。质量第一（尤其是视频的视觉质量）。充分讨论，坚决执行。拿不准？发个实验。拥抱不稳定的 AI 开发——去驾驭浪潮。通过整合来激发创新。
唯一不变的，
就是变化本身
三年前，我们根本想象不到 AI 今天能做什么，那时连 ChatGPT 都没有。三年后，我们今天觉得最牛的东西，可能也会显得很古老。唯一不变的，就是变化本身。唯一的策略，就是驾驭浪潮。唯一的目标，就是用户价值。我们没有所有问题的答案，但我们有一样更好的东西：业内最快的学习闭环。每一天，我们都面临一个选择：是去寻找虚假的稳定，还是去驾驭浪潮。我们选择后者。我们选择去打造那种能随着 AI 进步而奇迹般变得更好的产品。我们选择快速发布，更快地学习，并最终取胜。欢迎来到软件开发的未来。让我们一起做点了不起的事。记住，快但要稳；创意要能整合；速度得有方向。赶紧上，别纠结，顺势而为。
