爆火AIGC產品卷翻海外營銷：AI一鍵搞定美工和拍攝，摳圖PS設計樣樣精通_風聞

　　允中 發自 凹非寺

　　量子位 | 公眾號 QbitAI

　　第一批被AI搶飯碗的設計師已經出現了。

　　隨着各個互聯網大廠紛紛發佈如何將AI工具融入日常工作流中，美工、設計、原畫等眾多崗位紛紛出現了裁員爆料，毫無疑問這一波AI浪潮的降本增效已經真切開始影響大家的飯碗了。

　　就在最近，海外一款名為ZMO.AI的生成式營銷軟件，B端用户月活迅速突破百萬，ARR達到300萬美金。

　　****△官網地址：https://background.zmo.ai/

　　看來，老營銷人也逃不過這一波AI的失業潮了。

　　據悉，ZMO.AI旗下的AI背景生成生成, 只需商家上傳一張產品圖，便可以在100%保留產品細節的前提下，依據指令生成成千上萬不同風格的背景。

　　其逼真度堪比大片的商用場景圖，無論是光影還是清晰度，都完勝超過10年經驗的PS大師。

　　它家的另一個產品Marketing Copilot，更是隻需上傳一張產品圖，便可從拍攝、到海報製作、到後期投放優化全部嵌入AI workflow的自動化流程，利用AI強大的創造力和分析能力實現運營秒秒鐘優化。

　　這麼開箱即用的產品，讓不懂拍攝和PS的小老闆也能上手。

　　****△官網地址：https://background.zmo.ai/

　　實際上，ZMO.AI在營銷生成領域紮根已久。

　　從2020年底便在服裝營銷領域推出AI模特功能，和國內知名服裝品牌有眾多深入的成功合作。

　　此次Diffusion的大火，ZMO也在2022年9月趁勢推出了更廣泛受眾的AI內容生成產品ImgCreator.AI，並將營銷人羣作為主要服務對象，強化產品中背景生成、海報生成和數據優化的AI能力，併為B端用户提供Marketing Copliot的增值功能。

　　此舉為ZMO贏得超過百萬月活的高價值小B端用户，並且用户付費意願強烈，傳來迅速達到300w美金ARR的喜訊。

　　生成的產品貨不對板？

　　和其他純玩目的的AI繪畫C端用户不同，B端的用户面對的是非常專業的場景，無論是對質量的要求，還是對可控性、準確性的要求和C端用户相比都極高，這也許也是類似於ZMO這樣專業化的AI內容產品能獲得成功的原因。

　　Rowdy 是英國創業公司e-Bike的CEO, 他們是一個不到10人的小團隊，旗下產品e-bike主打電動自行車防盜系統。

　　據Rowdy介紹，對於小公司而言，網站搭建和博客撰寫所需要的大量素材非常昂貴，AIGC的出現大大解放了他們的生產力。

　　不過Rowdy發現大量的AIGC網站往往是藝術美學風格，和他所需要的真實照片風格相去甚遠，而ZMO.AI的真實照片風格逼真度非常高，並且分辨率可以達到4/8K， 完全看不出來是AI生成的圖片了。

　　這半年來，Rowdy的團隊一直在用ZMO的產品為網站設計和公司博客配圖，每週能生成200多張照片。

　　據Rowdy描述：

　　相比於價格高昂的拍攝來説，二十幾英鎊的軟件費用簡直太划算了。

　　****△圖為Rowdy使用ZMO.AI生成素材後的公司網頁

　　Nila是一家跨境電商的負責人，他們的户外沙發在歐美地區增長非常迅速，不過她也遇到了營銷的難點。

　　對於沙發這種大件拍攝是一件非常痛苦的事情，因為不僅運輸成本很高，搭建拍攝場景同樣又慢又貴。

　　於是Nila團隊聘請了許多美工人員，通過P圖的方式來完成素材的製作。

　　然而頭疼的點也隨之而來， 雖然Nila團隊僱傭了許多外包的修圖師，但想要P出非常真實的效果，往往需要10年以上的經驗，而修圖師的水平參差不齊，使得P圖效果以及數據表現都和原圖差距很大。

　　經過圈內好友介紹，Nila開始使用ZMO.AI的文字P圖，她發現僅僅輸入一段文字，照片就可以毫無P圖痕跡的按照指令修改，完全不需要任何高門檻的工具學習或者經驗，她這個小白也能成P圖大師。

　　P出來的圖非常自然，完全看不出來是P過的，數據表現也比之前好很多。

　　在使用ZMO.AI的產品前，Nila每天會花大量的時間和修圖師反饋，前前後後要磨好幾天才能上線比較好的效果。“萬一內容表現不好，還需要重新P，這裏的時間和金錢消耗都不小。”

　　****△https://background.zmo.ai/

　　和Nila不同，Nick是美國一家專業營銷代理的營銷經理,，負責幫助廣告主搭建官方社媒賬號和設計廣告素材。

　　Nick的客户既有線上電商客户，也有傳統實業甚至餐飲行業的用户。

　　尤其是疫情之後，所有商家都離不開線上營銷，但高質量素材確實是一個難題。

　　Nick如是説到。

　　AIGC的出現確實給這個行業帶來了很大的變革，然而Nick發現網上盛傳的Midjourney或者很多其他的AIGC產品完全滿足不了他的需求，因為生成的圖片中產品的細節會變化，無法100%保持原樣。

　　Nick説：

　　乍一眼看是差不多的，但仔細比對發現花紋、logo、材質都不完全一致，貨不對板商家是肯定不會使用的。

　　Nick在twitter上發現ZMO.AI這款軟件不僅可以完全保持產品的所有細節，還可以逼真的生成光影，無論從分辨率還是真實度上都能完全滿足運營人員的需求，這是其他AIGC軟件所無法達到的。

　　****△https://background.zmo.ai/

　　不僅如此，讓Nick最為驚歎的是ZMO的Marketing Copilot功能完全重新定義的營銷人的工作流。

　　只需要上傳產品圖，從拍攝，到海報，到內容優化，全能自動化搞定！真實一個成熟的AI,能自己做營銷了，哈哈

　　Nick將客户以前數據表現良好的素材上傳到了Marketing Copilot訓練了自己的專有化生成模型，這樣模型的輸出就能更符合自己客户的受眾喜好和品牌調性。

　　Marketing Copilot的模型往往會先需要1-2周的內容方向自適應調教，反覆進行生成素材——數據反饋——素材優化的流程，之後特有模型根據指令以及品牌調性自動生成符合受眾喜愛的營銷圖片，在這個過程中來自高質量營銷數據的反饋功不可沒，並且這些數據是私密的，商家完全有控制權。

　　在Nick看來Marketing Copilot不再是一個簡單的內容生成工具，而是改變營銷流程的一整套解決方案，通過AI更強的分析能力和生成能力，極大的縮短營銷各個環節的消耗和協作生產，並以最終數據為導向24小時不停歇的優化整個營銷內容。

　　Nick表示團隊確實AI出現後在考慮縮減一部分營銷人員，因為當團隊熟悉Marketing Copilot這個新的工作流之後，每一個SKU的出圖量從原來的不到10張瞬間暴漲到200張，並且開始藉助Marketing Copliot大量進行AB測試和迭代，將原來三四個月的優化週期縮短到了2-3周，銷售額更是增長了3倍。

　　****△https://background.zmo.ai/

　　終極的AI workflow到底應該是什麼樣的，當下下結論為時尚早，但很可能不只是一個空白文本框，後面還連着一個不屬於你的API。當下對於創業公司更重要的是做出能解決商家痛點的產品和用户一起不斷迭代，而非空談和迭代demo視頻。

　　特定場景下更需要專門優化的大模型

　　ZMO.AI的驚人增長，不禁讓人聯想到了TypeFace和Adobe這兩家公司。

　　和火爆的OpenAI、Stability AI這些做通用大模型的公司不同，TypeFace、ZMO、Adobe都不約而同選擇了有應用場景的垂類大模型方向進行產品打造。

　　市面上有一種普遍的觀點，認為未來所有行業都將被極少數通用AI大模型主導。那麼這種應用場景的垂類大模型還是否有進一步的意義呢？顯然，這幾家公司給出了不同的觀點。

　　Typeface雖然是一家2022年6月才成立的初創公司，但它的創始人卻是大名鼎鼎的Adobe前CTO—Abhay Parasnis，也在創立之初就獲得了來自谷歌風投、微軟風投和光速的6500萬美元的投資。

　　除了明星創始團隊，Typeface讓人印象最深刻的就是針對大型品牌，創建基於企業品牌定位和受眾目標而生成的個性化文字及圖像內容。

　　和麪向大眾的通用內容生成不同，大品牌對於品牌調性以及內容可控性的要求無法通過直接調用Stable Diffusion達到。

　　Parasnis表示：

　　對於一家公司來説，最基本的一個問題是其數據和品牌形象的安全。每個企業都希望確保自己不會在不經意間創造出不準確、剽竊或冒犯性的內容，導致自己的聲譽受損。

　　目前Typeface通過個性化訓練的品牌獨有模型以及內容審查算法幫助這些大品牌解決上述痛點。

　　而設計界鼻祖Adobe也在前段時間發佈了自家的AIGC產品Firefly。

　　面對設計師丟掉飯碗的擔憂，Adobe提出“並非替代，而是賦能”的口號，並在更加專業的設計層面給出了可實用落地的AIGC功能。

　　比如生成矢量的功能，只需要一張草圖，就可以生成自定義向量，這對於設計師而言非常的實用。

　　但普通的AIGC生成器往往是一個整體平面圖生成，無法真正生成矢量和圖層。

　　然而Adobe2022年10月就在發佈會上提到會將AIGC的能力嵌入PS內，目前尚未落地植入，Firefly上的許多功能點也都還處於開發中，可想而知要將Firefly集成到Adobe複雜的工具生態中還是一項非常浩大的工程。

　　與Typeface、Adobe相似，ZMO.AI同樣也是面向專業用户的垂類大模型，只不過ZMO的用户羣體更多的是營銷方向的小B。

　　在ZMO.AI的聯合創始人馬裏千看來，雖然基礎大模型在許多任務上可以表現出平均人類的水平，但它們在特定垂直領域中表現不佳。

　　這是因為這些領域的領域知識不是常識，相關數據也不容易公開獲取。

　　例如，ZMO為了完整的保留產品細節會需要用到自研的高精度摳圖算法。摳圖是一項複雜的視覺任務，它涉及準確估計每個像素的 alpha 值，以從圖像和視頻中提取前景對象。

　　這可能會因為複雜的背景、光照條件和物體透明度等因素而具有挑戰性。

　　此外，這項任務的標註是困難、特定和昂貴的，ZMO花費了一年的時間和高昂的成本才獲得這些高精度的標註數據。

　　馬裏千表示：

　　在我們的使用案例中，我們可能會專注於摳圖特定對象（例如產品），這不是大型基礎模型的優勢所在。

　　從Typeface、Adobe和ZMO的產品中不難看出，大模型終究是需要細分場景的數據和規則的，在特定場景中需要大量專門優化通用大模型來提升生成質量，並且符合這個專業場景的可控輸入和輸出才能真正的落地使用。

　　創始人：圖像生成質量已到達拐點

　　為了更深入瞭解ZMO.AI瘋狂增長背後的秘訣，ZMO的創始人張詩瑩進行了一次專訪，以下是對話內容：

　　Q1：AIGC這一年以來不僅湧入眾多創業公司，還有許多大廠下場，您認為什麼是創業公司的機會呢？

　　Zsy： 在我看來目前AI公司是有生態分層的，大模型層、純應用層和垂類大模型層。

　　大模型層就像操作系統，是屬於少數人的機會，更適合大廠或者大佬這種有雄厚財力人力的玩家，創業公司更適合後兩類。

　　而純應用層在底層大模型不斷變動的時代壁壘很低，可持續性不強。垂類大模型是我們堅定的方向，這類的公司比如Character.AI、Midjourney、Typeface、ZMO。

　　垂類大模型公司通過搭建端到端的工程棧，覆蓋模型的研發、訓練、數據、應用整條價值鏈，這類公司的產品並不依賴第三方API，迭代非常迅速並且能很好地利用應用側用户的數據反饋形成數據飛輪。

　　比如ZMO就將我們應用端大量的高價值用户反饋數據和模型完全打通，通過數據飛輪對垂類大模型的內容生成方向進行重要的引導和優化，並積累自己的專有數據集。

　　Q2：垂類大模型難道不會很快就被通用大模型取代嗎？ZMO的模型有多大？

　　Zsy： 我並不認為垂類大模型和通用大模型是一個對立的概念，相反我認為垂類大模型是可以站在通用大模型的肩膀上進一步優化專業領域的模型。

　　對於非常細碎，需求個性化的C端場景，通用大模型會更合適；然而像營銷這種非常專業的toB場景，AIGC產品不會是簡單的一個對話框和後面的第三方API組成。

　　因為專業場景對於可控性、準確度以及質量的要求極高，這必然會是一個複雜的系統結構，需要在通用大模型的基礎上進行專門的模型優化才能符合營銷場景的需求。

　　我們的模型參數量是SD的3倍——有2.3B，當然我們還在不斷利用用户反饋進行RLHF優化，50台機器同時做優化訓練，保持每月一迭代版本的速度。

　　Q4：Midjourney和你們已經盈利了，文生圖公司盈利的可能性相對於其他類型的大模型公司是不是更高？

　　**Zsy：**我不是非常瞭解其他大模型領域，所以不便評論。然而對於CV的AIGC領域，我認為確實生成質量已經到達了拐點，這也解釋了為什麼付費用户會大量持續增長。

　　對於我們的用户而言，生成的內容能給他們切切實實的降本增效，甚至能提高收入，他們以前拍攝動則幾萬美金，而現在幾十刀的訂閲費就解決了，所以我們的付費用户很快漲到了2萬個。

　　Q5：您認為ZMO的優勢是什麼？

　　**Zsy：**首先ZMO在生成式營銷領域積累了2年半，對於這個領域的know how和用户痛點有深刻的認知。

　　比如用户對於產品細節不能貨不對板的需求，比如拍攝和PS費時費力的痛點等等，所以我們才能搭建起來深刻綁定營銷AIGC原生workflow的產品。

　　其次我們擁有大量營銷領域的專業數據，比如我們積累的6000萬高清真實照片數據集用於訓練超高分辨率的逼真照片，比如我們積累的海量alpha摳圖數據集等等。

　　最後一點是我們搭建並驗證跑通的專業營銷用户的RLHF反饋系統，這種高質量的專業用户數據反饋是比較高的商業數據壁壘，屬於特定行業私有數據，通過這種反饋才能在細粒度參數下不斷優化內容生成方向。

　　Q6：如何應對大廠的競爭？

　　**Zsy：**我認為競爭是在所難免的，不過目前大廠推出的功能在我看來更多是防禦性反應，做的應用仍搭載在現有業務上，只針對有技術和願意付高價的一小部分人做了一些附加功能；而像我們這樣的AIGC初創公司從一開始就在新的內容創作範式框架下去創造產品，構建完全不同於傳統工作流的AI Native Apps。

　　大廠是否能做出強大的新一代AI產品還是要看能不能革自己的命吧。

　　Q7：是如何做到用户洞察的？

　　**Zsy：**我非常喜歡和用户聊天，每天會花2個小時閲讀用户的反饋，很多用户的痛點都是在這當中發現的。

　　我認為早期看數據很難看出來真正的痛點，因為巨大的流量中既有我們目標用户，也有大量純”玩”的用户，所以找到大量的目標用户觀察他們的使用，和他們聊天就成了我日常必備，當然我也經常會去拜訪客户的公司，和不同環節的營銷人員交朋友。