Base44 现在每天增 40 万美金 ARR，华人团队做了一个 AI 学习相机很有意思

前段时间被 Wix 收购的 AI Coding 产品 Base44，因其在没有融资创立仅 6 个月而且只有一个创始人的情况下卖了 8000 万美金，而迅速进入各大媒体头条《创立 6 个月的 AI 卖了 8000 万美金没融资一个创始人，App 的 AI Coding 也火了》。

被收购时其 ARR 为 350 万美金，用户数 25 万，除了创始人还有 8 名员工，盈利 18.9 万美金。虽然其它一些 AI Coding 产品已经增长非常快了，比方说 Lovable 说它现在每月新增 800 万美金的 ARR。

但今天 Base44 的创始人 Maor Shlomo 说，在被 Wix 收购后，Base44 现在每天新增差不多 40 万美金的 ARR，也就是每 2.5 天新增 ARR 100 万美金，而且每周的增长速度还在加速。

他说如果按照这个速度持续下去，Base44 可能会打破“史上最快”的记录，而且新增用户基本上都不是 Wix 的原有用户。

与此同时，Base44 在产品这块推出了几个新功能，首先是每条消息都添加了推理，这让它在处理复杂编辑方面更加智能。其次，他们发布了一个用于构建自主应用的基础设施（alpha），让在 Base44 应用中构建和嵌入 AI Agent 变得更加容易。

最后就是加强了安全扫描，它可同时捕获 XSS 攻击漏洞及暴露的 API 密钥。之前太多用户会忽视安全警告并错误配置其应用，尽管在发布前对安全问题做了标记，但很多应用是带着数据暴露的风险上线的。

为了解决这个问题，他们将安全扫描直接嵌入到每个应用的迭代版本中，这样使得错误配置几乎不可能发生。由于增长太快，他们的支持服务这块没有跟上，现在 Base44 已经将团队规模扩大了 4 倍。

不过 Maor 没有提供其成本、利润以及广告投放，有用户说 Base44 应该投入了大量的广告，因为几乎每个 YouTube 视频都能看到 Base44 的推广。

目前行业对 AI Coding 类产品的利润提出了很多质疑，认为几乎不赚钱甚至都在花钱补贴，从而出现类似 Pace Capital 的 Chris Paik 所说的虽然实现了 PMF 但是还没有做到 BMPF 的情况《AI Coding 产品的陷阱：有 PMF 但还没有做到 BMPF》。

a16z 反驳 Chris Paik

不过针对这个问题，a16z 负责 AI 投资的两位 GP Martin Casado 和 Sarah Wang 上周写了一篇反驳 Chris Paik 的文章《Questioning Margins is a Boring Cliche…》，说质疑利润是一种无聊的陈词滥调。

文章说，单纯质疑 AI 应用公司毛利率低是短视的，历史和现实都证明了低毛利并不等于不可持续。历史上，许多科技巨头（如 Amazon、Netflix、Uber 等）都曾因毛利率低被质疑，但最终证明了其商业模式的可持续性和巨大价值。AI 应用公司与过去的 DTC 订阅公司不同，拥有更强的用户价值、更高的留存率和更快的企业扩展能力。

a16z 的几个反驳点包括：

1.毛利率低并非永久现象：初期低毛利率常见于产品主导型公司，后续通过分层定价、限流和使用更便宜的模型可以提升毛利。用户对模型的需求因任务而异，很多场景下更低成本的模型已足够满足需求。

2.高成本用户可控，企业客户更有价值：少数高用量用户驱动了大部分成本，通过限流可显著降低成本而不影响收入。企业和团队级客户愿意为高价值 AI 产品支付更高费用，这些高利润客户在外部数据中不易被观察到（这点和 Replit 创始人所说的企业级客户利润高是一致的）。

3.模型市场并非垄断，成本持续下降：目前没有模型垄断，开源和多家大厂竞争导致价格压力和持续优化。推理成本在过去 18 个月已下降 10-100 倍，未来仍有进一步优化空间。

4. 补贴并不掩盖真实产品价值：判断 PMF 应看付费转化、企业扩展和收入留存，而非短期毛利。AI 公司通过免费用户积累销售线索，最终推动高利润的企业合同。

5. AI 应用并非只是“薄包装”：优秀 AI 应用通过扩展产品功能、组合多模型、利用独特数据实现差异化和更高毛利。产品层的数据和定制模型能带来独特价值和长期定价权。

Cline 反驳 a16z

不过不少人认为 a16z 的这篇反驳文章就是垃圾，Cline 的 AI 负责人 Pash 说，他惊讶于居然需要 a16z 的两位 GP 合伙人才能写出这种烂东西：

Sarah 把利润率批评称为“无聊的陈词滥调”……结果却用 Uber/DTC 这些案例来反驳，这些我们都听了十多年了。这场辩论十五年前就已经结束了。完全错过了重点。

现在已经不是这样的对话了。Nick(负责 Cline 的产品市场) 的文章才是真正的辩论。真正的对话是封闭的应用如何强制用户通过它们的推理漏斗，并神奇地把商品流称为“ARR”，而开放的平台即使复合使用量相等或更高也得不到任何信用，因为它们允许开发者使用自己的密钥。

显然，VC 在评估 AI 应用层方面存在明显脱节。

上面提到 Nick 的文章叫《We Have No Idea How to Value the AI App Layer》，Nick 认为 AI 应用层的价值不能用传统 ARR 衡量，应注重透明度和用户控制。其核心观点包括：

1.Throughput 不是 ARR：AI 应用层（尤其是闭源 AI 工具）常用“ARR”来宣传业绩，但实际收入和成本都随模型推理（token 使用量）线性增长，这更像是“商品流量”而非软件收入。

2.开源生态的优势：开源工具让用户自带模型推理（bring-your-own），平台不承担推理成本，收入结构更清晰，激励机制更合理。

3.透明度和用户控制：理想的 AI 工具应让用户选择推理策略（如性能优先、价格优先），并明确告知所用模型、价格和任何降级情况，避免“订阅迷雾”。

4.会计和报告要清晰：不能把总 token 流量当作 ARR。应分别报告 GTV（Gross Token Volume）、净收入、贡献毛利等指标，区分平台和软件收入。5.激励机制要对齐：平台应通过提升软件质量获益，而不是通过限制用户推理获利。让开发者能自由选择最优模型，充分利用市场竞争。

Nick 说，对“边际改善”乐观但需精确：a16z 的文章认为毛利可以通过分层和路由优化，但乐观不等于可以忽略会计和激励的精确性。

闭源工具的隐性降级问题：有些工具为保护自身利润，暗中将用户任务从高性能模型切换到低成本模型，导致用户体验下降但不知情，这不是优化而是“假装优化”。

传统行业类比：支付公司不会把总支付量当 ARR，电力公司不会把总电量当 ARR，AI 应用也不应把 token 流量当ARR（Payments companies don't call total payment volume ARR. Marketplaces don't call GMV ARR. Electricity retailers don't call kilowatt‑hours ARR）。

华人团队做的这个 AI 学习相机很有意思

这几个讨论我觉得很有价值，让我们对 AI 应用的价值和评估有了更多视角，特别是 Cline 团队提出的这些观点我觉得挺值得思考。

而在 AI 硬件这块，除了上周红杉中国投的 AI 床垫 Eight Sleep 我比较喜欢外《Manus 年化收入突破 9000 万美金，红杉中国投了一个AI 床垫》，最近看到最有意思和有创新点的产品是一个华人团队做的 AI 学习相机。

它针对小孩的学习打造，但打破了大部分产品都需要时刻盯着屏幕学习的静态模式，而是让小孩可以真正在思考、创造、互动和实际环境中通过