Higgsfield 的高速增长，不只是 AI 视频模型的故事

一、嘉宾背景

这期节目嘉宾是 Higgsfield CEO / founder Alex Mashrabov。Harry Stebbings 在 20VC 中采访他，讨论 Higgsfield 的增长、AI 视频产品、模型使用成本、组织建设，以及 Alex 从竞技编程到连续创业的路径。在节目语境中，Higgsfield 被描述为一家高速增长的 AI 视频与 AI 模型应用公司；Alex 则是把个人技术背景、Snap 经历和当下创意 AI 商业化联系起来的主要讲述者。

Alex 的背景不是典型硅谷履历。他说父亲来自乌兹别克斯坦，父母都是机械工程教授；从他 8 岁起，父母就告诉他必须去美国，因为那里是技术真正重要的地方。他还说母亲工作三份工，支持他参加编程竞赛教育和训练营。Alex 把这段经历和“通过国际竞赛突破地域限制”的路径联系在一起，并称自己 19 岁时进入竞技编程世界前三。

他的早期技术经历也被节目用来解释 Higgsfield 的产品判断。Alex 说 2014 年他参与过 pre-transformer 神经网络优化，做多机并行、加速，以及英俄/俄英翻译系统。之后，他参与创建 AI Factory，并称该公司以 1.66 亿美元卖给 Snap；收购后他搬到美国，并在 Snap 负责 GenAI 相关工作。Alex 说，Snap 时期团队做的移动端 face filters 推动了许多 daily new users，几乎以免费成本在移动设备上运行，并扩展到全球数亿用户。这个经历让他看到：AI 不一定先以“模型论文”的形式创造价值，也可以通过消费者产品、低边际成本分发和移动端体验形成巨大使用量。

二、本期主要内容

节目主线从 Higgsfield 的起点讲起。Alex 把机会定义在广告和社交媒体生产上：社交媒体已经成为主流媒体，但普通公司很难跟上每天变化的趋势，也很难持续生产可用于社媒传播和直接响应广告的内容。Higgsfield 早期尝试过把图片变成带音乐的 slideshow，也尝试过把长视频剪成短竖屏视频；Alex 在节目里承认，这些方向“比没有好”，但仍然不够好。

真正的转向发生在公司接近失败时。Alex 说 Higgsfield 花了一年多寻找有效产品，在 1600 万美元种子轮里烧掉超过 1000 万美元；当账上只剩不到 600 万美元、甚至略低于 500 万美元时，他意识到自己此前追逐的是 hype、叙事和注意力，而不是建设好产品。团队随后转向 PLG、客户访谈和“best product wins”的信念。他们采访 8 位创意总监后发现，AI 视频的一个真实痛点是缺少 camera control，而 camera control 是讲故事的重要瓶颈。产品在去年 3 月 31 日发布后，Alex 称它立刻出现 product-market fit。

增长叙事是节目的另一条强线。Alex 说录制当天 Bloomberg 报道 Higgsfield annualized revenue 超过 10 亿美元，并称公司从 100 万美元到 10 亿美元用了 18 个月。这里必须保留归属和口径：这是 Alex 在节目中的说法，不应写成已经被普遍验证的财务事实。他也解释了计算方法：最近 4 周收入乘以 13，只算 revenue 而不是 sales；年度订阅或年度企业合同按 12 个月分摊，只取对应 28 天收入；不会把三年企业合同一次性计入 10 亿美元口径。

收入结构说明，Higgsfield 并不是单纯的移动端消费者应用。Alex 表示 business revenue 略高于 50%，纯消费者用例约占总收入 10%，移动端收入低于 10%；他还说视频 AI 采用比 coding 晚，on-demand usage 在视频里仍显著低于领先 coding 公司。另一方面，他强调业务客户扩张很强，举例称一个客户 6 个月前只是每月 99 美元订阅，如今签下超过 600 万美元/年的合同。

Alex 对低价订阅市场的态度也很明确。他认为 Google 和 OpenAI 会摧毁 20 美元/月的消费者订阅市场，因此 Higgsfield 的重点是让用户看到足够价值，并把低价用户升级到每年花费超过 1000 美元。他承认消费者侧首月大约有 30% drop，原因是用户没有完全理解价值，但称之后曲线会变平；同时，他说业务段 12 个月 NRR 超过 300%。节目没有独立审计这些数字，因此更稳妥的写法，是把它们视为 Alex 对 Higgsfield 经营状况的披露，而不是外部确认的行业基准。

三、核心观点：推理、例子与边界

这期访谈最有价值的观点，是 Alex 把 AI 视频竞争从“谁的模型更强”转向“谁更接近真实创意生产”。他说 Higgsfield 有超过 150 名内部创意专业人员，负责产品发布视频、教程和 AI 生成电影等内容；团队制作一部 90 分钟 TV-quality AI film，需要超过 100 小时 AI 生成素材。在他的框架里，创意 AI 不是一次 prompt 直接得到成片，而是大量生成、筛选、取舍和重组。

Alex 对 benchmark 的批评也指向同一件事。他承认早期追逐自有模型和 benchmarks 是错误，并认为视频领域许多 text-to-video benchmarks 不能代表真实工作流。他把视频模型比作现代 rendering engine：如果要控制角色长相、背景、角色之间的位置和镜头叙事，短文本远远不够。他举 Higgsfield 开源电影项目为例，说平均 prompt 超过 3000 词，每个场景平均至少 10 张图像参考。这个例子把他的判断落到了具体生产条件上：视频生成的输入本来就是多模态、多步骤、多约束的，单一文本 benchmark 很容易遮蔽真正的瓶颈。

在模型策略上，Alex 的立场是实用主义，而不是纯粹自研。他说 Higgsfield 仍会针对客户明确需要的特定用例做自有模型，例如 aesthetic photoshoots 和 product consistency；但很多公司所说的“自研模型”，实际更像是在 open-weight 模型基础上，用自己的数据做 post-training。他认为最有价值的是客户决策序列：如果模型能学习用户如何把十步压缩到一步，工作流层面的生产力才会真正提高。

这也解释了为什么模型路由会成为 Higgsfield 的核心能力。Alex 说 open-weight 和自有模型可以为 Higgsfield 带来超过 80% 的毛利，closed-source models 的毛利约为 20% 到 30%；在超过 40% 的案例中，Higgsfield 会决定使用哪个模型。他把这称为 tokenomics：同样是帮助客户完成广告、视频或资产生产任务，平台必须判断什么时候使用便宜、可控的模型，什么时候使用更强但更贵的 closed-source 模型。这个观点的边界也很清楚：它依赖 Higgsfield 能稳定识别任务、维护模型质量，并承担模型切换带来的体验风险；节目没有提供独立留存、毛利或质量审计。

Alex 还把 Higgsfield 的长期定位推向“系统”，而不只是“工具”。他认为未来营销人员需要搜索资产、确认内容是否符合视觉身份和 brand guidelines，并通过自然语言处理资产库和知识。他把 Adobe 和 Canva 归入 pixel-first 时代的软件，而 Higgsfield 希望进入 semantic-first、AI-native system of records 的位置。这个判断有清晰的商业逻辑：如果营销内容规模大幅增长，品牌方真正稀缺的可能不是单次生成，而是资产组织、语义搜索、风格学习、合规判断和结果反馈。

关于护城河，Alex 的表述是 outcome 加 network effects。对 Higgsfield 来说，outcome 是帮助企业通过 AI ads 卖得更多；network effects 则来自社区项目、开源复用和可 fork 的输出。他说相关项目从 8 周前约 10 个 seeded projects 增长到超过 10,000 个，并认为这可能随时间成为护城河。这里仍有不确定性：项目数量不等于长期活跃、商业转化或防御能力；Alex 自己也承认，AI 不会替代网络效应，而 agent swarm 这类设想能否在五年内发生也并不确定。

节目还把市场扩张放在 DTC、短剧、亚洲内容趋势和广告预算中讨论。Alex 说西方市场贡献 Higgsfield well over 70% revenue，公司不在中国运营；最大使用城市是首尔，最大国家是美国。他反复提到亚洲短剧、IP 和 DTC 分发对团队的启发：很多产品和内容方希望建立直接客户关系，因此愿意尝试 video AI 这类新工具。这是一个合理的商业假设，但仍然是 Alex 对市场迁移的判断，而不是已经完全兑现的行业结论。

四、学习与应用

研究 AI 应用公司时，这期节目的第一条启发是拆开标题数字。看到“10 亿美元 annualized revenue”时，不能直接把它等同于审计 ARR、现金收入或长期合同总额。更稳妥的做法，是先问口径：是过去 4 周乘以 13，还是合同总额？年度合同是否分摊？多年企业合同是否一次性计入？Higgsfield 的案例有价值，正因为 Alex 在节目里解释了计算方式，也让读者能把增长叙事放在 live revenue 的边界内理解。

第二条启发是重新评估 AI 视频产品。评估这类公司时，不应只比较生成模型 demo，而要看 camera control、参考图、品牌资产库、语义搜索、工作流压缩、创意筛选和分发闭环。一个真正生产广告、短剧或品牌视频的团队，需要稳定产出多版本内容、做 A/B 测试、维护角色与产品一致性，并把素材放回可检索的资产系统。Alex 提到 90 分钟内容需要超过 100 小时生成素材，这意味着“更快生成”只是起点，“更好选择和控制”才决定成品价值。

第三条启发是关注毛利和模型路由。应用层公司如果长期依赖 closed-source 模型，可能在增长时承受毛利压力；如果能把部分任务路由到 open-weight 或自有 post-trained 模型，就可能改善成本结构。但边界同样明确：不是所有任务都适合便宜模型，模型切换会影响质量、可控性和客户信任。Higgsfield 的说法提示我们，模型策略的核心不是“是否自研”这个标签，而是能否用客户数据和工作流反馈，让模型更便宜、更贴近任务，并把多步操作压缩成少步。

第四条启发是分清消费订阅、专业用户和企业扩张。Alex 对 20 美元/月消费者订阅持悲观态度，因为横向大模型平台可能吸收许多低价垂直功能。对 AI 创意工具来说，更稳健的路径可能是教育 aspirational creators，帮助自由职业者或营销人员赚到钱，再把其中一部分升级成高 ARPU 专业或企业客户。但这条路有 tradeoff：前期用户教育成本高，首月流失可能明显，产品必须不断证明价值，否则扩张故事无法抵消漏斗损耗。

第五条启发在组织层面。Alex 描述 Higgsfield 内部每月模型使用超过 400 万美元，接近 400 人，平均每人每月模型支出超过 1 万美元；他还说产品变化太快会让 AI agent 客服难以维护，因为 context 和 rules 每周可能变两次。这提醒 AI 公司不能只把 AI 当成降本工具。高强度模型使用也可能带来学习速度优势，但它会形成新的成本中心、财务纪律问题和支持复杂度。尤其在 B2B 场景，AI 能处理部分一线请求，并不意味着可以消除客户成功、法务或支持组织。

最后，这期节目也为创始人叙事降温。Alex 强调 CEO 要看 actual signals、actual adoption 和 raw information，也强调招聘、授权和留住最好的人；他把 Kazakhstan 团队描述为数学物理人才密度和忠诚度的来源，而不是简单劳动力套利。但他同时说自己每周工作 80-90 小时，家庭陪伴被严重压缩。读者可以学习他的执行强度和贴近客户的方式，却不应把这种个人代价浪漫化为普遍处方。Higgsfield 未来收入是否达到财务团队模型中的 45 亿美元，或 Alex 个人设想的超过 100 亿美元，仍取决于 creative AI adoption、DTC 广告变现、分发基础设施和公司建设能否持续兑现。

来源

• 原始节目：The Untold Story of Higgsfield | Burning $4M a Month on AI Models | CEO, Alex Mashrabov