CZ apoiou um estudante universitário chinês, rodada seed de US$ 11 milhões, criando um Agente Educacional

Título Original: "Zhao Changpeng Investiu em um Estudante Universitário Chinês, Rodada Seed de US$ 11 Milhões, Criando um Agente Educacional"

Autor Original: Founder Park, uma comunidade para empreendedores sob a GeekPark

Um estudante universitário chinês, rodada seed de US$ 11 milhões, atualmente o produto com maior financiamento no empreendedorismo estudantil do Vale do Silício.

Apresentando um produto chamado VideoTutor, um agente educacional para o K12 que pode gerar vídeos de ensino/explicação personalizados com apenas uma frase, anunciou hoje a conclusão de uma rodada seed de US$ 11 milhões. Esta rodada de financiamento foi liderada pela YZi Labs, com a participação da Baidu Ventures, Jin Qiu Fund, Amino Capital, BridgeOne Capital e vários investidores renomados.

Esta é também a primeira empresa de produtos de IA investida pela YZi Labs.

O fundador Kai Zhao afirmou que o VideoTutor recebeu reconhecimento e apoio de CZ e da equipe de investimento da YZi Labs, e que esta rodada de financiamento foi liderada pela YZi Labs. Eles receberam mais de 10 propostas de investimento (term sheets) e selecionaram essas poucas no final.

O produto lançou sua primeira versão em 14 de maio (estreou no mercado de produtos da Founder Park), recebeu reconhecimento do mercado e validação de PMF e, em menos de 5 meses, fechou esta rodada seed de US$ 11 milhões.

Na visão de Kai, a principal razão pela qual conseguiram garantir este financiamento é que, partindo da premissa da direção correta, a "equipe de jovens gênios" usou o aprendizado visual para abordar os pontos problemáticos da preparação para o SAT americano no campo do K12.

"Este campo é mais adequado para jovens trabalharem, aliado a uma excelente capacidade prática de engenharia, e o próprio fundador tem uma visão e experiência muito boas, com uma execução muito rápida."

Não apenas eles, Cursor, Mercor, Pika, GPTZero e outros, estudantes universitários do Vale do Silício estão estabelecendo novos recordes de financiamento com produtos de IA, um após o outro, remodelando a percepção de todos sobre o empreendedorismo em IA.

O empreendedorismo na era da IA é, de fato, um pouco diferente.

Conversamos com esses jovens do VideoTutor para entender por que eles conseguiram garantir esse financiamento seed, que tipo de mudanças estão acontecendo no empreendedorismo do Vale do Silício hoje e por que eles estão tão ansiosos para recrutar funcionários de grandes empresas de tecnologia chinesas.

Convidados: CEO Kai Zhao, CTO James Zhan

Entrevista & Edição | Wanhu

A seguir, o conteúdo da entrevista, editado e organizado pela Founder Park.

Trilha K12: A Verdadeira Direção é o Aprendizado Visual

Founder Park: Com tantas instituições demonstrando grande interesse no seu projeto, qual aspecto principal você acha que mais as impressionou?

Kai: Acredito que o primeiro aspecto fundamental é estar no caminho certo. A trilha de educação em IA tem grande potencial e perspectivas, e o campo educacional em que estamos entrando está focado nos exames de admissão universitária americanos SAT e AP. Visando estudantes do ensino médio K12, temos um hiato geracional muito pequeno com nossa base de usuários. Passamos por todo o ciclo de preparação para exames e estudos, entendendo onde estão os pontos problemáticos dos exames e da preparação, e conseguimos criar um produto que realmente aborda esses pontos.

Em segundo lugar, a equipe é extremamente talentosa. James vem da Gemini e foi um engenheiro central no Google especializado em engenharia de IA e algoritmos. Eu pessoalmente tenho três experiências em empreendedorismo educacional, iniciando minha jornada empreendedora com software educacional desde o meu primeiro ano. Durante meu segundo ano, participei da criação do projeto MathGPTPro, que foi selecionado para o Qijie Innovation Forum, entre outros. Tenho experiência na construção bem-sucedida de produtos educacionais.

Em terceiro lugar, no campo da educação em IA em que estamos, o núcleo reside no motor de animação, e somos os desenvolvedores principais do VideoTutor. Somos a equipe que melhor entende a tecnologia central e pode renderizar o motor de animação com grande precisão.

A equipe em si tem um gene de marketing muito forte e sabe como promover de forma eficaz.

O VideoTutor alinha-se bem com um consenso de investimento comum entre os principais VCs americanos, conhecido como a "equipe de jovens gênios". Isso se refere à ideia de que este campo é mais adequado para jovens se envolverem, aliado a capacidades práticas de engenharia muito fortes, bem como o fundador tendo grandes insights e experiência, e capacidades de execução muito rápidas. Acredito que este é um motivo de consenso pelo qual todos os investidores podem estar otimistas quanto a isso.

VideoTutor toca o sino da NYSE no YZi Labs EASY Residency Demo Day

Founder Park: Qual problema central na indústria educacional seu produto visa resolver?

Kai: Atualmente, os produtos de aprendizagem no mercado podem ser classificados em duas categorias: produtos de aprendizagem ativa e produtos de aprendizagem passiva. Produtos de aprendizagem passiva, como o Gauth da ByteDance, Chegg, AnswersAi, etc., cobrem o que chamamos de cenário de "Ajuda com Lição de Casa", onde o processo de aprendizagem é muito curto e envolve principalmente estudantes pagando para obter as respostas de suas tarefas.

Por outro lado, o VideoTutor cobre o cenário de aprendizagem ativa. Nesse cenário, não precisamos considerar a motivação de aprendizagem dos estudantes, porque eles devem aprender e fazer exames, como o SAT americano e exames AP. Nesse cenário, há uma grande necessidade de visualização, já que 80% do conteúdo no exame SAT americano envolve conhecimentos como funções, cálculo, que exigem renderização de imagem complexa. O motor de animação do VideoTutor está bem equipado para abordar esse cenário.

Além disso, o valor médio do pedido neste campo é muito alto. Nos EUA, cerca de 2,6 milhões de estudantes fazem o exame SAT todos os anos, levando a uma demanda significativa por serviços pagos. Cursos presenciais de SAT são muito caros, cobrados não como pacotes, mas por hora, começando em uma média de US$ 150 por hora e chegando a US$ 230 na maioria dos casos. Muitos estudantes e pais estão dispostos a pagar por esses cursos. No entanto, o VideoTutor pode efetivamente mudar ou até substituir o treinamento liderado por professores, já que os vídeos gerados por IA atuais são quase indistinguíveis do conteúdo liderado por professores. Dessa forma, os estudantes podem ter seu próprio professor de preparação para exames personalizado por IA a um custo mínimo.

Founder Park: Qual foi o catalisador para decidir desenvolver este produto naquele momento?

Kai: Na verdade, mesmo antes de nós, havia uma equipe em Stanford chamada Gatekeep Ai trabalhando em um conceito semelhante de aprendizagem visual. Já estávamos cientes do impacto dessa direção. Em tentativas empreendedoras anteriores, a maioria dos produtos educacionais estava essencialmente aproveitando a API do GPT, assemelhando-se a um produto ChatGPT Wrapper. No entanto, percebemos que produtos baseados apenas em perguntas e respostas baseadas em texto têm um limite. É evidente que negócios como Chegg e Gauth estão em declínio, com uma parte significativa de seus cenários sendo substituída pelo ChatGPT, já que os estudantes podem pagar US$ 20 e obter as respostas de suas perguntas de lição de casa através do ChatGPT.

A era dos produtos baseados em API-wrapper com camadas de otimização atingiu seu pico.

No entanto, a geração visual multimodal tem um futuro muito promissor, especialmente no contexto de cenários de aprendizagem visual, como o SAT americano. Infelizmente, a Gatekeep liderou o caminho, mas não continuou porque lançou um pouco cedo, quando as habilidades de programação do modelo fundamental ainda não estavam maduras e o GPT-4 não havia sido lançado. Além disso, o motor de animação matemática envolvia renderização e algoritmos, que eles não conquistaram. Mas nossa equipe dominou todo o desenvolvimento central do motor de animação, resolveu esse problema e tornou a renderização de vídeo muito precisa.

PMF: Forte Disposição do Usuário para Pagar

Founder Park: Depois que seu produto entrou no ar, você fez parceria com várias escolas. Na sua opinião, quando ou qual recurso fez você sentir "acertamos este produto, atingimos o ponto problemático corretamente" e sentiu que encontrou o PMF?

Kai: Você pode olhar para isso a partir de três dimensões.

Primeiro, do ponto de vista da receita, o VideoTutor recebeu solicitações de API de 1000 empresas até o momento, incluindo todas as principais instituições educacionais nos EUA e até mesmo instituições domésticas. Além disso, muitas escolas querem comprar o serviço. Diretamente do lado do consumidor, há um pai de estudante que também é investidor. Depois de experimentar o produto, ele deu para todos os parentes e amigos tentarem, e todos estão dispostos a pagar. Então, ele de alguma forma conseguiu meu número de algum lugar, me mandou uma mensagem e quis investir em nós. Os consumidores têm uma disposição muito forte para pagar.

Em segundo lugar, de uma perspectiva de demanda do usuário. Por que a educação com tutor individual nos EUA é tão rígida? Porque os pais acreditam que o ensino individual é eficaz e estão dispostos a pagar por isso. Agora, a tecnologia de IA multimodal pode humanizar o efeito de ensino individual, fornecendo respostas personalizadas instantâneas. Além disso, aulas de vídeo ao vivo gravadas por professores no ensino individual online nos EUA não são, na verdade, diferentes dos vídeos gerados por IA. Isso é o que chamo de "mudança de demanda". Os cursos pré-gravados caros comprados pelos estudantes não são diferentes do que minha IA gera. Então, por que não usar IA? Tem custos mais baixos e melhores resultados de ensino.

Recebemos muitos feedbacks muito positivos dos estudantes, e muitos professores estão dispostos a promover este produto. A taxa de conclusão inicial e o tempo de uso foram particularmente bons. Os 200 usuários semente que selecionamos agora são do acúmulo inicial.

Em terceiro lugar, é uma questão de gosto e senso de produto. Quando você continua iterando, desde o progresso de toda a indústria educacional até as necessidades centrais dos estudantes e pais pagando, e depois até a evolução do produto em si, quando você olha para trás, toda a lógica é de circuito fechado. Então, a partir dessas três dimensões, você pode ver que o PMF já é suficiente. O mais crítico é que existe uma disposição muito, muito forte para pagar.

Colaborou com a FIZZ

Founder Park: Muitos usuários estão dispostos a pagar proativamente, e alguns entraram em contato com você proativamente para investir.

Kai: Certo. Na trilha de SAT e AP, a disposição para pagar já é forte. O valor médio do pedido neste campo começa de US$ 100 a US$ 200, e as aulas presenciais são ainda mais caras, possivelmente em torno de US$ 800. Nos EUA, há 2,6 milhões de estudantes fazendo o SAT, e 37% desses estudantes estão dispostos a pagar proativamente. Este é um mercado com uma disposição muito forte para pagar e demanda. Nosso produto pode atender a essa demanda muito bem.

Founder Park: Na trilha de SAT, para os candidatos, eles confiarão na IA tanto quanto em um professor humano?

Kai: Atualmente, a IA respondendo a perguntas no nível de exames como o SAT e AP dos EUA raramente comete erros factuais. Nesse caso, por que é melhor do que um tutor presencial? Um, é mais barato, e dois, os estudantes podem fazer perguntas continuamente sem se preocupar em fazer perguntas bobas ou o professor ficar impaciente. Eles podem aprender 24/7 de qualquer lugar.

Além disso, este mercado é escalável. Depois de completar o mercado dos EUA, podemos expandir para o Canadá, os exames A-Level do Reino Unido e assim por diante, onde a demanda por serviços pagos é muito alta.

Founder Park: Como você está considerando atualmente o aspecto pago?

Kai: Oferecemos assinaturas mensais e também um modelo de pagamento por desempenho. Acho que a IA agora pode alcançar o pagamento por desempenho. Podemos introduzir um pacote, por exemplo, você paga US$ 799, e garantimos que seu filho possa tirar uma nota perfeita em Matemática no SAT.

Founder Park: Mas com o pagamento por desempenho, não depende ainda da iniciativa pessoal do estudante?

Kai: Isso pode não ser viável para o exame nacional de admissão universitária na China porque existem muitos pontos de avaliação, mais de mil. No entanto, o SAT dos EUA tem apenas 62 centros de teste, com 50 sendo centros regulares onde a maioria dos estudantes não tem problemas, e os 12 centros restantes também podem ser dominados pelos estudantes. A menos que o estudante tenha um problema genuíno com raciocínio lógico, não há essencialmente nenhuma situação em que eles não possam aprender. Além disso, a melhoria da eficiência da IA é muito evidente.

Na verdade, muitos tutores online americanos também fornecem este serviço. Você paga US$ 1800 ao professor, e o professor dá aulas particulares para a criança, com uma taxa de sucesso de cerca de 100%, porque o local de teste do SAT é fixo. Contanto que o nível de inteligência do estudante seja normal, não deve haver muitos problemas. No entanto, essa abordagem não funciona para o Gaokao (Exame Nacional de Admissão Universitária Chinês), pois não pode ser melhorado significativamente em um curto período. Além disso, o Gaokao exige a criação de lacunas de pontuação e pode apresentar perguntas difíceis, enquanto os exames de admissão universitária americanos não têm perguntas absolutamente difíceis, já que testam principalmente se você dominou os pontos de conhecimento.

O pagamento por desempenho também é um modelo que professores suplementares anteriores usaram, e ter esse pré-requisito é necessário.

Founder Park: Então, em seu preço, o custo do modelo é uma preocupação? É uma porcentagem alta?

Kai: O valor médio do pedido em nosso campo é muito alto, começando de US$ 69 por mês. O custo do modelo é atualmente muito baixo, então não é um problema. A indústria educacional não é como o campo de codificação, onde todos estão cortando preços porque a codificação exige suporte a muito contexto.

Produto Visando Estudantes do Ensino Médio, Plataforma Web é Fundamental

Founder Park: Lembro-me de você mencionar da última vez que seu protótipo da primeira versão levou apenas pouco mais de dois meses para desenvolver. Como você considerou todo o ciclo de desenvolvimento naquela época, como divisão de trabalho, decidir quais recursos incluir e quais não incluir?

Kai: O consenso da nossa equipe é que a iteração deve ser rápida, porque a velocidade é necessária para receber rapidamente feedback dos primeiros usuários.

Depois que a primeira versão foi postada no Twitter, causou uma enorme sensação e trouxe um grande número de usuários. No entanto, muitos desses usuários eram programadores, investidores ou entusiastas de tecnologia, a quem podemos chamar coletivamente de "early adopters de tecnologia". Nesse estágio, o feedback que recebemos deles foi bastante disperso e não muito valioso. Ainda precisávamos filtrar esses diversos usuários e identificar os usuários semente verdadeiramente centrais, ou seja, estudantes do ensino médio de alta qualidade, e então obter feedback útil através de consultas.

O feedback chave que recebemos foi que a precisão da renderização de vídeo deve atingir 100%, o que era a prioridade máxima para otimização. Recursos como estética da interface do usuário ou suporte para diferentes seleções de voz TTS (texto para fala) foram todos cortados. Voltando ao núcleo do produto: o que estamos fazendo é aprendizagem de conhecimento em cenários científicos, então a precisão da renderização gráfica é crucial.

Founder Park: Como você decidiu sobre a duração da geração naquela época?

Kai: Naquela época, a duração de pico mais longa era de aproximadamente 6 minutos. A principal consideração naquela época era que a explicação de perguntas regulares e pontos-chave não deveria exceder 6 minutos. No entanto, em feedbacks subsequentes, descobrimos que alguns estudantes com habilidades de aprendizagem mais baixas esperavam que o conteúdo pudesse ser explicado mais devagar e com mais profundidade. Percebemos que a duração não deveria ser restrita, e depende mais da habilidade de aprendizagem do usuário.

Founder Park: Qual é a duração mais longa agora?

Kai: A mais longa deve ser dentro de uma hora, e você pode continuar sondando mais fundo. É interativo e gerado em tempo real, mas esse recurso foi adicionado recentemente; não estava disponível nas versões iniciais.

Founder Park: Houve algum recurso que você considerou inicialmente, mas depois achou não tão importante e decidiu não implementar?

Kai: Por exemplo, um aplicativo. Naquela época, nos perguntamos se deveríamos desenvolver rapidamente um aplicativo. Ainda assim, mais tarde, percebemos que a maioria dos estudantes americanos usa principalmente laptops ou iPads para estudar. A maioria das escolas K12 nos EUA fornece aos estudantes laptops Chromebook, que são amplamente adotados. A lição de casa dos estudantes também é concluída em seus computadores. No ensino médio, quase todo estudante tem um computador, e a proporção de smartphones no ambiente de aprendizagem é inferior a 5%, uma porcentagem muito baixa.

Founder Park: Então, se é um produto visando principalmente grupos de educação ou estudantes, a versão web é mais crítica para desenvolver primeiro, e o aplicativo não é tão importante.

Kai: Sim, na verdade, já sabíamos esses dados, já que estudei nos EUA por muitos anos. Mais tarde, realizamos pesquisas com cem estudantes extraídos dos primeiros dezenas de milhares de usuários. Entre esses 100 estudantes, mais de 90 tinham computadores, então ficamos ainda mais convencidos desse ponto.

Founder Park: Quando você lançou a primeira versão, você também visou o grupo K12?

Kai: Sim, e mais tarde, continuamos a visar este grupo. Não nos consideramos concorrentes do Gauth. Focamos mais em cenários de treinamento para exames. Um grande número de estudantes do ensino médio americanos já escolhe treinamento presencial ou plataformas de aprendizagem online, e o VideoTutor efetivamente fez a transição dessa demanda.

Founder Park: O K12 será seu grupo central de usuários pelo menos dentro de um ano?

Kai: Deve ser uma métrica central dentro de dois anos.

Usando Grandes Modelos, Mas Não Dependendo Apenas de Grandes Modelos

Founder Park: Você poderia apresentar brevemente sua implementação técnica atual? Em termos de geração de cursos e gráficos, o VideoTutor superou outros modelos de geração de vídeo por uma grande margem. Mesmo quando muitos modelos lutam para gerar texto com precisão, sua tecnologia é muito impressionante.

James: Os vídeos que geramos contêm texto e gráficos. O processo geral de produção é o seguinte: usamos um grande modelo de linguagem para gerar texto e instruções de animação correspondentes, que são então renderizadas através do nosso motor de animação e, finalmente, exibidas no vídeo.

A parte do texto é relativamente direta; temos o grande modelo de linguagem gerando o texto, que é então renderizado diretamente. No entanto, para a parte da animação, temos nosso próprio motor de renderização de animação matemática. Sua vantagem reside na alta precisão da renderização de conteúdo, como eixos de coordenadas e formas geométricas, que é nossa tecnologia central.

Atualmente, a saída do grande modelo de linguagem é apenas texto. O agente que desenvolvemos é como dar ao grande modelo de linguagem um pedaço de papel e uma caneta, permitindo que ele desenhe as animações educacionais adequadas que imagina. A parte que é desenhada é inteiramente nossa tecnologia.

Founder Park: Como todo o processo de síntese de vídeo, incluindo áudio e vídeo, é tratado?

James: Inicialmente, o usuário fornece um prompt, como "O que é o Teorema de Pitágoras?". O primeiro passo é fazer com que o grande modelo de linguagem raciocine através de todos os cenários, normalmente definindo 3 a 5 cenários dependendo da dificuldade da pergunta. Então, o modelo gera um roteiro aproximado para cada cenário. Posteriormente, com base no roteiro de cada cenário, uma segunda rodada de raciocínio é feita para gerar o texto, gráficos correspondentes e texto de voz para cada cenário. O texto de voz é então sintetizado usando TTS.

Finalmente, concatenamos todos os cenários para criar um vídeo completo.

Founder Park: Meu entendimento é que essa era a abordagem para a primeira versão. Agora, com a adição do processo interativo sob demanda, o processo de geração mudou?

James: De fato, houve uma mudança. Agora, para que os usuários vejam rapidamente o conteúdo, primeiro geramos a cena inicial para eles visualizarem enquanto as cenas subsequentes são renderizadas em segundo plano. Quando um usuário faz uma pergunta, convertemos sua fala em texto e fornecemos esse texto, juntamente com o conteúdo das cenas anteriores, a um grande modelo de linguagem para raciocínio e planejamento da próxima cena de ensino. O processo de renderização para as cenas seguintes prossegue como antes.

Founder Park: Se um usuário tem uma pergunta após ouvir por um minuto, ele a faria diretamente. Ao receber a pergunta, você retorna a pergunta do usuário juntamente com o conteúdo coberto anteriormente ao modelo para processamento? Durante este processo, após o usuário fazer a pergunta, a animação continua ou pausa?

James: Nossa latência atual foi reduzida dos 20 a 30 segundos iniciais para menos de 5 segundos. Em termos de interação, implementamos transições para garantir que os usuários não foquem excessivamente nesses 5 segundos, tornando o processo geral contínuo. Dentro de 4 a 5 segundos, o usuário pode ver conteúdo recém-apresentado com base em sua pergunta.

O design atual envolve o professor de IA dizendo: "Hmm, deixe-me pensar sobre isso" e então apagando o quadro-negro, assim como uma simulação de professor real. Se você acha que há um problema com o que foi explicado, eu apagarei e escreverei novamente para você. Esse processo parece mais natural.

Além disso, não estamos apenas esperando passivamente por perguntas dos usuários; também realizamos testes no meio do caminho. Raciocinamos com base no feedback do teste e nas perguntas dos usuários. Além disso, em vez de estarmos constantemente abertos, exigimos que os usuários habilitem manualmente o microfone, com uma ação para abri-lo e fechá-lo.

Founder Park: Então, com base nesse mecanismo, você pode gerar uma explicação durando até aproximadamente uma hora.

James: Para ser preciso, não há limitação. Se um usuário constantemente tem perguntas, ele pode continuar perguntando.

Kai: Sim, não há limite predefinido. Na verdade, o VideoTutor está indo nessa direção à medida que a IA multimodal avança. Não estamos criando demanda, mas sim atendendo melhor às necessidades existentes. Olhe para a educação humana presencial; por que os pais americanos estão dispostos a pagar taxas altas? É porque a indústria de educação e treinamento dos EUA foca amplamente no ensino individual, começando em US$ 100 por hora. É porque professores presenciais podem se envolver em questionamentos guiados, observar onde você não entende e, em seguida, acompanhar com perguntas. O VideoTutor também visa alcançar esse efeito de ensino de um professor real, permitindo que cada criança se envolva em interação e ensino em tempo real.

Founder Park: Durante as aulas da Founder Park, os estudantes são obrigados a ligar suas câmeras?

Kai: Na verdade não. Se os estudantes ligam suas câmeras depende principalmente das leis de privacidade dos EUA. O produto não foi projetado com um recurso obrigatório de câmera ligada. A decisão de ligar a câmera cabe aos estudantes. A principal interação ainda é através de perguntas e feedback verbal.

Founder Park: Tecnicamente, você segue uma estratégia de usar modelos pequenos em combinação com grandes modelos baseados em nuvem, ou como funciona?

Kai: É uma combinação. Temos um conjunto de dados interno com mais de 100.000 pontos de dados de vídeo. Os melhores dados nesses conjuntos de dados são duplamente anotados manualmente e depois usados para ajustar o modelo. Por exemplo, temos mais de 8.000 pontos de dados de treinamento de amostra de SAT. Esses modelos pequenos ajustados funcionam em conjunto com modelos de uso geral baseados em nuvem, como Claude e Gemini.

Founder Park: Usar Claude, Gemini ou GPT impactará o desempenho central do produto?

Kai: Focamos principalmente no campo K12, e o nível do modelo base já é suficiente. No entanto, para garantir 100% de precisão, usamos dois modelos simultaneamente para verificação. Se os dois modelos fornecem a mesma resposta, então essencialmente não há erros. Em relação à geração de código, o Claude é usado principalmente por causa de suas fortes capacidades de codificação.

Founder Park: Onde está o gargalo tecnológico atual do produto? É nas capacidades do modelo ou na geração de código?

Kai: As capacidades do modelo são um aspecto. Outro aspecto é a renderização, que conseguimos reduzir para menos de 5 segundos. Com mais implantação de GPU, ficará ainda mais rápido. A capacidade de memória de longo prazo é outro desafio. Precisamos acumular dados de comportamento de aprendizagem de longo prazo dos estudantes, entender quais conceitos um estudante não compreende e lembrá-los se eles esqueceram um tópico aprendido há um mês.

James: Em termos de tempo de renderização, fizemos muitos esforços e avanços tecnológicos contínuos, desde os 2 minutos iniciais para 1 minuto, e agora para menos de 10 segundos. Nosso objetivo final é alcançar quase zero de atraso de renderização, onde assim que um usuário faz uma pergunta, o raciocínio termina e os resultados são exibidos imediatamente. Este é um desafio difícil que nossa equipe está enfrentando atualmente, mas encontramos uma nova direção.

Foco nos Resultados dos Exames, Não nas Taxas de Conclusão

Founder Park: Como você mede atualmente as métricas centrais do seu produto? Como você determina se um vídeo é útil para os usuários?

Kai: A métrica mais crucial é o exame. Na nova versão, depois que você assiste a um vídeo, haverá um teste no final. Se você responder corretamente, prova que você entende; se não, mostra que o conceito não foi explicado claramente.

Avaliar a eficácia da aprendizagem não pode depender apenas das taxas de conclusão, já que alguns estudantes podem compreender o conteúdo na metade do caminho. Quando um estudante atinge um certo ponto no vídeo e demonstra compreensão através de um teste, ele pode pular o restante. A métrica central do nosso produto é ver quantos estudantes melhoraram suas pontuações através dessa abordagem.

Founder Park: No entanto, o exame final é feito em um ambiente diferente. Como você obtém os resultados para determinar se eles passaram?

Kai: Isso se relaciona com a cultura do produto nos Estados Unidos, onde usuários que alcançam resultados positivos através de um produto tendem a compartilhar espontaneamente suas experiências. Muitos estudantes que usam o VideoTutor para se preparar para o exame SAT vêm voluntariamente compartilhar suas experiências e pontuações. Também os envolvemos como embaixadores do campus para disseminação adicional.

Temos uma equipe de 20 estudantes do ensino médio servindo como embaixadores do campus. Se você olhar para o sucesso inicial da Mercor, eles usaram principalmente o modelo de "história de sucesso do usuário". A Mercor ajudou inicialmente muitos programadores indianos a garantir empregos nos Estados Unidos. Posteriormente, eles entravam em contato com esses usuários, criavam uma história de usuário e compartilhavam como eles usaram a Mercor para encontrar emprego. Isso criou uma excelente promoção boca a boca. O mesmo se aplica ao VideoTutor; visamos que mais estudantes alcancem resultados significativos usando o produto e depois compartilhem suas experiências através de histórias de usuários.

Founder Park: Onde os estudantes compartilham principalmente suas experiências?

Kai: Os estudantes compartilham principalmente no TikTok, enquanto os pais se envolvem em grupos do Facebook.

Founder Park: Olhando para um período de seis meses ou um ano, qual é sua abordagem planejada para o crescimento do produto?

Kai: Fundamentalmente, o VideoTutor é um produto B2C onde a promoção boca a boca é crucial. Muitos aplicativos de IA bem-sucedidos inicialmente dependeram do boca a boca de early adopters; por exemplo, quando um designer achou um produto útil, ele espalhou a palavra. Para nós, a métrica central é quantos candidatos ao SAT melhoraram suas pontuações usando nosso produto e depois compartilharam esse sucesso com outros estudantes e pais. Os pais usam principalmente Facebook e Instagram, enquanto os estudantes preferem o TikTok, então alavancamos essas plataformas para disseminação. Uma vez que um consenso sobre a qualidade do nosso produto é estabelecido através do boca a boca, professores nas escolas naturalmente notam. A razão pela qual muitas escolas tomaram conhecimento de nós cedo é porque numerosos professores usaram o produto, acharam-no benéfico e o recomendaram aos oficiais de compras da escola. Portanto, o foco principal permanece na promoção boca a boca B2C e a métrica chave é quantos estudantes melhoraram suas pontuações após usar o produto.

Founder Park: Qual é o status geral e o tempo de lançamento esperado da nova versão da Founder Park?

Kai: Esperamos lançá-la oficialmente dentro de dois meses, o mais cedo possível. Até lá, os estudantes poderão receber respostas com latência muito baixa e a renderização gráfica em cenários STEM será 100% precisa. Claro, não cobriremos cenários de competição ou assuntos universitários complexos como álgebra linear por enquanto. Nosso foco será mais no campo K12.

Founder Park: Quais são as barreiras ou fossos atuais para o VideoTutor?

Kai: Acho que há alguns pontos. Primeiro, o volante de dados. Atrás de cada vídeo há código, e bons dados de vídeo gerados pelo usuário, após anotação secundária, podem ser usados para retreinar e ajustar modelos. Quanto mais dados, melhor a qualidade do vídeo. Além disso, há dados de comportamento de aprendizagem. Saber quais tópicos são fracos para diferentes estudantes nos permite estabelecer um volante de dados; quanto mais pessoas usam, melhor o produto entende os estudantes. Em segundo lugar, temos uma vantagem tecnológica líder, como o algoritmo do motor de animação. Embora o algoritmo em si não seja a vantagem central, com nossas iterações rápidas e dados crescentes, a vantagem se tornará mais aparente.

O terceiro ponto é a marca. O VideoTutor já se tornou uma marca líder no campo da educação em IA entre os círculos de pais norte-americanos, e a confiança dos pais também é um fosso intangível.

Founder Park: Em três a cinco anos, no que você espera que o VideoTutor evolua como produto?

Kai: No futuro, esperamos que o VideoTutor possa se tornar um professor de IA para todos aprenderem conhecimento STEM. Focamos apenas em STEM. Acredito que superará o Duolingo. O Duolingo é um produto de aprendizagem de idiomas de classe mundial, mas no campo STEM, ainda não houve um produto de classe mundial porque STEM requer extensa renderização gráfica. Agora que a tecnologia de modelo fundamental está pronta, acredito que o campo STEM dará à luz o próximo "Duolingo".

Estamos contratando, buscando especialmente talentos de grandes empresas de tecnologia domésticas.

Founder Park: Você teve várias experiências empreendedoras antes. Sobre o que elas eram principalmente?

Kai: Atualmente sou um estudante do terceiro ano. Quando estava no primeiro ano, comecei um negócio com James para criar um produto educacional e recebi US$ 200.000 em investimento anjo. Embora esse empreendimento tenha falhado, ganhei uma experiência valiosa: você não pode ficar preso na competição homogênea. Naquela época, desenvolvemos um aplicativo, mas havia muitos produtos semelhantes no mercado, então estávamos no início de uma guerra de preços e era desafiador cobrar pelo serviço.

Durante meu segundo empreendimento, juntei-me a outra equipe, MathGPTPro, como cofundador e fiquei por alguns meses. Durante essa fase, aprendi como analisar métricas de produto, como construir produtos e como alcançar o crescimento do usuário. Foi também nessa época que cheguei a uma conclusão: produtos educacionais orientados a respostas baseados em texto haviam atingido seu limite. Isso porque eles não eram muito diferentes do ChatGPT, e bancos de perguntas de conhecimento estruturado, como o que plataformas como Homework Help investiram pesadamente, também estavam sendo substituídos pelas capacidades de edição de grandes modelos. Então, para minha terceira jornada empreendedora, eu sabia que a visualização era uma tendência inevitável.

Foto de Zhao Kai fazendo um pitch na Universidade de Harvard com Sam Altman

Founder Park: Além de perceber as limitações de produtos baseados em texto através de suas experiências passadas, como essas experiências em termos de equipe ou outros aspectos ajudaram você com o que está fazendo agora com o VideoTutor?

Kai: Foi muito útil.

Primeiro, ajudou-me a avaliar melhor a direção e o potencial futuro do produto. Eu avaliaria a evolução geral do produto observando o tráfego e a receita do site dos concorrentes.

Segundo, em termos de desenvolvimento de produto, ajudou-me a avaliar melhor o ritmo de desenvolvimento do produto, incluindo design de produto, integração frontend-backend e quais métricas observar.

Terceiro, em termos de gestão de equipe e cultura organizacional, aumentou minha capacidade. Estabeleci um sistema de gestão mais completo, incluindo a definição das responsabilidades de cada membro da equipe, recompensas e distribuição de capital. Além disso, aprendi como levantar fundos. Completamos esta rodada de financiamento de US$ 10 milhões em menos de 20 dias.

Founder Park: Quantas pessoas estão atualmente na sua equipe?

Kai: 6 pessoas, e todos moram juntos.

Founder Park: Como a equipe foi formada inicialmente?

Kai: James e eu já começamos dois negócios juntos. Ambos nos formamos na mesma escola e desenvolvemos um aplicativo juntos durante nosso primeiro ano. No nosso segundo ano, comecei outro negócio com outras duas pessoas, e todos nos conhecemos. Quando percebemos a visão significativa de produto que essa tecnologia poderia trazer, entramos em contato uns com os outros para formar uma equipe para trabalhar neste produto. Todos eram ex-alunos, e o outro parceiro da nossa equipe, Nick, também era meu colega de quarto na faculdade.

Founder Park: Você agora também está planejando expandir sua equipe. Que tipo de pessoas você está procurando contratar?

Kai: Estamos procurando principalmente por funções em backend, frontend, grandes modelos de linguagem e UI/UX, preferencialmente com experiência. Como agora passamos da fase de tentativa e erro e entramos no estágio de construção rápida de produto, precisamos de indivíduos experientes para nos ajudar a crescer.

Founder Park: Você precisa de engenheiros experientes, gerentes de produto e líderes de crescimento para levar o produto de 1 a 10, ou até de 10 a 100.

Kai: Exatamente, esse é o estágio em que estamos. Prevemos expandir a equipe para 9 a 10 pessoas, com foco na contratação de engenheiros.

Esta rodada de contratação pode ser dentro do país, então será uma mistura de entrevistas presenciais e remotas.

Founder Park: Que tipo de pessoa você espera que esse indivíduo seja?

Kai: Preferimos alguém que tenha experiência em grandes empresas de tecnologia, como ByteDance ou Meituan. A ByteDance tem uma cultura organizacional dinâmica e acelerada que valoriza jovens talentos. Pessoas treinadas na ByteDance geralmente têm boas metodologias e capacidades, e depois de se juntarem a nós, podem trazer essas experiências bem-sucedidas e se envolver em aprendizagem combinada.

Estamos procurando indivíduos que enfrentaram desafios nas principais empresas de tecnologia chinesas, têm experiência com iteração rápida e superaram o estágio de empreendedorismo estudantil. Não estamos procurando contratar iniciantes; precisamos de indivíduos com experiência que não sejam veteranos tradicionais da indústria. Veteranos da indústria podem ter responsabilidades familiares que os impedem de se imergir totalmente no trabalho. Portanto, estamos procurando indivíduos no nível intermediário—jovens, enérgicos e dispostos a se comprometer.

Estamos dispostos a oferecer opções de ações substanciais para talentos excepcionais. Embora tenhamos levantado US$ 11 milhões em financiamento, por que não estamos contratando engenheiros nos EUA? É porque acreditamos que a proeza do produto e as capacidades de engenharia na China são verdadeiramente excelentes. Esta onda definitivamente verá uma equipe dirigida por empreendedores chineses produzir grandes produtos que irão para o mercado internacional. Muitos aplicativos de IA hoje são construídos por indivíduos chineses, mostrando as formidáveis capacidades de engenharia na China. Esta é nossa vantagem, e visamos alavancar os pontos fortes entre os EUA e a China.

Estudantes Universitários do Vale do Silício Estão Todos Empreendendo em IA

Founder Park: Especialmente no Vale do Silício agora, a tendência do empreendedorismo estudantil universitário é particularmente proeminente. Que tipo de situação você vê?

Kai: Vamos olhar para um fato sobre esta rodada de empresas avaliadas em dezenas de bilhões de dólares: a Mercor, uma empresa focada em recrutamento por IA, levantou mais de US$ 3 bilhões em novo financiamento, atingindo uma avaliação de dezenas de bilhões de dólares; enquanto isso, a Cursor já atingiu uma avaliação sólida de US$ 10 bilhões. Há também outros como GPTZero, Pika e assim por diante. Estes são todos projetos de startup estudantis, especialmente os fundadores da Cursor e Mercor são estudantes universitários que abandonaram a faculdade no terceiro ano.

Esta onda de empreendedorismo jovem tem uma característica comum, que é a competição altamente diferenciada. Eles focam em um campo muito estreito e não trabalham em coisas genéricas. Por exemplo, a Mercor foca em recrutamento por IA e inicialmente apenas recrutou programadores indianos.

O segundo ponto é o ambiente. O ambiente de capital de todo o Vale do Silício e a inovação de base, como Stanford, YC, o fundo de Peter Thiel, todos apoiam o empreendedorismo estudantil universitário no estágio mais inicial, independentemente de você ter uma ideia madura ou não, e estão dispostos a apoiá-lo, fornecendo uma poderosa rede de conexões.

O terceiro ponto, eu acho, é a qualidade desses estudantes universitários. Seja nós ou aqueles que saem do Vale do Silício, todos temos um espírito de aventura muito corajoso e uma forte capacidade de aprender. Este espírito aventureiro, que se atreve a explorar, pode não ser possuído por muitos estudantes na China. Porque no Vale do Silício, você é inspirado por muitos casos de sucesso ao seu redor quando vê pessoas da mesma idade tendo sucesso, e o ambiente de capital também está disposto a acreditar nos jovens.

Para mim, também comparei os custos e benefícios naquela época. Se eu escolhesse terminar a universidade e depois encontrar um emprego, talvez não conseguisse pagar o custo do meu estudo no exterior, e talvez não tivesse um ótimo retorno sobre o investimento. Mas se eu escolhesse começar um negócio, poderia aprender loucamente em uma idade muito jovem, e minha vida teria possibilidades infinitas. Sempre quis criar uma grande empresa desde jovem.

Founder Park: Por que a geração atual de estudantes universitários pode começar empresas que valem dezenas de bilhões de dólares, enquanto no passado, vender uma empresa por um ou dois milhões de dólares era considerado muito notável? Existe um fator de hype e bolha de IA nisso?

Kai: Não acho que seja inteiramente uma bolha. A Cursor tem US$ 4,5 bilhões em receita real, o que é muito confiável. Por trás disso, a metodologia e o insight cognitivo desta geração jovem de equipes são cruciais. Olhe para essas equipes; seus antecedentes são bastante notáveis, e eles têm uma capacidade de aprendizagem muito boa.

A Cursor confiou em programadores estudantes universitários desde cedo, e esses indivíduos têm uma alta aceitação de IA, fornecendo feedback forte. O próprio fundador é um pequeno engenheiro gênio que pode entender profundamente os usuários, com fortes capacidades de iteração de engenharia. Desde cedo, os quatro colocaram o produto em funcionamento. Uma vez que iteraram bem o produto, construíram uma boa reputação com os usuários, ganharam receita, e os investidores estavam com medo de perder o próximo Mark Zuckerberg, então o capital veio para apoiá-los.

No nível mais fundamental, a condição chave é que muitas das tecnologias nesta onda de IA são novas, e os jovens aprendem rápido, são práticos, confiáveis e ousados, permitindo um entendimento extremo do usuário e uma velocidade de iteração ultra-rápida para superar produtos tradicionais. Por exemplo, antes da Cursor, o GitHub Copilot também se saiu muito bem, mas por que não teve sucesso? Foi por causa da experiência do usuário e velocidade de execução.

Founder Park: Podemos dizer que, como a IA é uma tecnologia nova, muitos produtos também precisam ser vistos de uma nova perspectiva?

Kai: Sim, esta geração mais jovem tem insights cognitivos mais profundos do que a geração anterior de empreendedores e pode estar mais próxima dos usuários. Os principais usuários de IA agora são nascidos após 2000, e sua velocidade de aprendizagem, velocidade de iteração de feedback e tolerância são todas mais rápidas do que a geração anterior de empreendedores.

Portanto, a velocidade de iteração cognitiva é a chave. Na era da internet móvel, a iteração tecnológica era baseada em anos ou trimestres, mas na era da IA, a iteração tecnológica poderia ser baseada em dias. Como fundador, você deve aprender rápido, e os jovens podem ficar acordados até tarde, e eles são mais competitivos.

Founder Park: Algumas mídias disseram que muitos fundadores do Vale do Silício também começaram a trabalhar 996, qual é sua visão sobre isso?

Kai: Alguns dos meus amigos empreendedores brancos, que levantaram muito dinheiro, também trabalham 996. Eles são como nós, alugando uma casa grande, onde todos vivem e trabalham juntos. Acho que 996 é mais um ambiente forçado. Hoje em dia, o Vale do Silício é um pouco como uma corrida do ouro, e ninguém quer ficar para trás, então a única maneira é iterar produtos rapidamente e deve trabalhar até tarde da noite para iteração rápida. Este é um tipo de ambiente que força as pessoas a fazer isso.

Founder Park: Esses empreendedores estudantes universitários no Vale do Silício têm alguma tendência em sua seleção de trilha?

Kai: Acho que, seja nossa educação ou outros, todos têm uma tendência, que é começar um negócio dentro de sua zona de conforto. A zona de conforto refere-se ao seu entendimento suficiente do campo e dos usuários. O fundador da Cursor tem um entendimento profundo de codificação, e nós também fazemos educação porque temos um bom entendimento desse grupo de pessoas. Hoje em dia, os jovens são mais propensos a começar um negócio dentro de sua zona de conforto cognitiva existente, em vez de pular apressadamente para um campo desconhecido. Porque dessa forma, você receberá feedback do usuário de forma rápida e precisa o suficiente.

Há também o empilhamento cognitivo. Fizemos educação três vezes, e meu entendimento está continuamente se acumulando. Esses estudantes universitários não são propensos a fazer precipitadamente algo que nunca fizeram antes, mas em vez disso, focam em como fazer melhor. Eles têm uma maneira de pensar de uma nova geração, iterando continuamente dentro de seu círculo cognitivo, e são corajosos na criação de oportunidades.

Outro ponto é o espírito de exploração ousada, não facilmente influenciado pelas negatividades dos outros, com uma atitude de "não me importo com o que você pensa sobre mim", muito autoconfiante. Por trás disso está a cultura da "experimentação rápida", onde sei que meu produto ainda não está pronto, mas não me importo, rápido para lançar, rápido para iterar, rápido para receber feedback.

Founder Park: Quando essa tendência começou?

Kai: Acho que é um sucesso impulsionado pelo consenso. Quando todos veem projetos como o GPTZero que crescem de dormitórios, iteram continuamente e depois recebem apoio de capital e reconhecimento do usuário, com muitos desses casos de sucesso de tentativa e erro rápidos e crescimento rápido, um consenso é formado.

Em uma frase, "Melhor feito do que perfeito", a conclusão é mais importante do que a perfeição. Além disso, as pessoas não estão muito preocupadas com a competição; muitos fundadores no Vale do Silício estão dispostos a compartilhar seus conceitos de produto, não têm medo de serem copiados, contanto que iterem rapidamente. Acho que esta onda de jovens também tem uma boa capacidade de contar histórias. Esta história não é conversa vazia, mas baseia-se na praticidade e na busca da verdade, aliada à sua visão sobre o futuro.

Founder Park: Venda-se primeiro.

Kai: Sim. Acho que o conceito subjacente é o espírito de aventura e confiança extrema. Impulsionados por isso, eles constantemente se atrevem a cometer erros e não têm medo de falar incorretamente. Articulem ousadamente seus conceitos de produto, executem ousadamente, e se cometerem um erro, sempre podem corrigi-lo. Esta cultura de não ter medo de cometer erros levou à onda atual de empreendedorismo estudantil universitário e sucesso.

VCs nos Estados Unidos também olham para projetos de estudantes universitários, e a Y Combinator investe em alguns projetos de estudantes universitários a cada lote.

Levantar Fundos é a Última Coisa com que o VideoTutor Precisa se Preocupar Agora

Founder Park: Se você pudesse voltar para quando começou o VideoTutor, que conselho daria a si mesmo? Que áreas poderiam ter sido melhoradas?

Kai: Acho que deveria ser mover-se mais rápido. Também, composição da equipe. A equipe do VideoTutor passou por muitas rodadas de tempero. Se eu soubesse antes, teria montado a equipe melhor com base nas habilidades necessárias para o produto. Acredito que, no final das contas, a capacidade organizacional é crucial para o empreendedorismo. Eu gastaria mais tempo na capacidade organizacional: selecionando pessoas, reconhecendo talentos e utilizando pessoas de forma eficaz.

A equipe atual é adequada para crescer de 0 a 1, mas para escalar o VideoTutor ainda mais, é necessário trazer indivíduos mais experientes que possam contribuir com sua excelente experiência e habilidades para a equipe, ajudando toda a equipe a crescer junta.

Founder Park: Nos próximos seis meses, que tipo de desafios de produto ou técnicos você acha que o VideoTutor pode encontrar?

Kai: Acho que um desafio é a renderização, visando alcançar latência zero real, o que exigirá um avanço de engenharia. O segundo ponto está relacionado ao crescimento. Acredito que gira em torno do gosto do produto, que abrange muitos aspectos, como se o design da interface do usuário e da interação é suave e impecável, se os recursos estão livres de bugs e se o layout visual é atraente, entre outros. Todos esses são testes para nós.

James: Inicialmente, nosso posicionamento para o VideoTutor era de auxiliares de ensino visual para todas as disciplinas, mas mais tarde, tornamo-nos muito verticais, focando apenas no campo da matemática porque é onde nos destacamos. Nosso motor de renderização matemática é de primeira linha. O próximo avanço chave que precisamos fazer pode estar na expansão horizontal. Por exemplo, como podemos trazer a vantagem da visualização para cenários nas humanidades? Por exemplo, explicar "Arando ao meio-dia, o suor cai no solo sob o trigo". Esta é uma consideração técnica para nós avançarmos.

Founder Park: Você acha que o histórico dos fundadores pode representar desafios para futuras expansões?

Kai: Na verdade não. De fato, muitos grandes VCs nos abordaram, como a a16z, que não investirá muito cedo, mas sim quando a equipe mostrar sinais de sucesso, para que saibam que o investimento não falhará. Mantivemos relacionamentos muito bons com muitos VCs de topo.

O financiamento é a menor das preocupações do VideoTutor; as áreas mais críticas de foco são o ecossistema do usuário e o produto.

Link do Artigo Original