SeaArt:AI创作平台的崛起之路,从工具到互动娱乐平台的进化

SeaArt用两年半成全球第一AI创作社区,秘诀是不卖模型卖品味,打造AI时代的Roblox。

原文标题:5000万用户、5000万美金ARR,全球第一AI创作消费平台要做AI时代Roblox

原文作者:机器之心

冷月清谈:

SeaArt仅用两年半的时间,便超越Midjourney等平台,成为全球访问量第一的AI内容创作社区。其成功的关键在于没有陷入“卖模型”的误区,而是定位于“超级调度者”,兼容各种底层模型,专注于沉淀用户创作资产和社交关系。SeaArt最新推出的SeaVerse,标志着其从创作工具向AI互动娱乐平台的进化。通过Agent驱动,SeaVerse能够根据简单指令生成图像、视频、游戏等,实现全模态创作。SeaArt的商业模式核心在于贩卖情绪价值和审美品味,而非单纯的技术。平台通过创作者分享风格模板,形成正向循环,积累了大量的AI原生创作SKU,构建了AI时代的内容与创意供应链。SeaArt的成功还得益于其团队在游戏出海方面的经验,以及差异化的市场策略和社区运营模式。该平台或将定义AI时代的内容消费方式。

怜星夜思:

1、SeaArt 取得成功的关键因素有哪些? 除了文章中提到的,你认为还有哪些潜在因素?
2、SeaArt 从创作工具进化为互动娱乐平台 SeaVerse,你觉得这种转变前景如何? 会面临哪些挑战?
3、文章提到 SeaArt 通过模板化、工作流化与 Agent 架构,兼容各种底层模型,你怎么看待这种“超级调度者”的模式? 这种模式的优势和劣势是什么?

原文内容

图片
编辑|杨文

2026 年,AI 大模型的军备竞赛仍在继续。


各家公司争相发布更强大的模型版本,比拼参数量、推理速度、benchmark 得分,整个行业陷入了一种近乎狂热的「性能偏执」。在这种逻辑下,大部分人都认为只要技术足够强,用户便会涌来。


然而,市场给出一个反直觉的反馈:用户侧出现了「智能过剩」。


刚刚履新腾讯 AI 首席科学家的姚顺雨首次公开露面时就表示:



风投公司 Menlo Ventures 合伙人 @deedydas 也曾表达过同样的观点,



事实也佐证了这一点。截至目前,仍有大量用户坚持使用 Studio Diffusion 1.5 等「过时」模型进行创作。这也许从另一个层面说明了,用户真正消费的是风格、情绪,并不是什么模型版本号。


正是基于这个洞察,SeaArt(海艺)在成立仅两年半后,就超越 Midjourney、Leonardo、Civitai 等全球同类平台,成为全球访问量第一的 AI 内容创作社区



目前,该平台单月访问用户超过 3000 万,注册用户超过 5000 万,ARR 逾 5000 万美元,用户平均在线时长达到竞品的 3 倍以上,用户单日生成图片超 2000 万张、视频超 50 万个。这些海量的高频交互,不仅展现了极强的用户粘性,更预示着其长期爆发的增长潜力。


过去两年,SeaArt 始终保持着每年用户规模与收入的高速增长。


2024 年,平台用户规模同比提升 7.7 倍,收入同比增长 5.5 倍。进入 2025 年,通过发力多模态与视频创作场景,平台流量与收入规模较 2024 年同期均实现 4-5 倍增长,增长曲线持续加速。


SeaArt 的成功验证了一个商业逻辑:在 AI 时代,效率工具贩卖的是时间成本,内容平台贩卖的是情绪价值、审美品味与表达欲,后者的天花板,在于人类想象力本身。


而最近 SeaArt 推出的全面升级 2.0 版本 —— SeaVerse,也标志着这家公司从单一的创作工具进化为 AI 时代的互动娱乐平台。



体验网址:https://seaverse.ai/


一手实测 SeaVerse


SeaVerse 是一个由 AI Agent 驱动的创意社区,只需简单一句话,它就能生成图像、视频、音乐、游戏、APP 等。



为了测试 SeaVerse 的全模态创作能力,我们尝试让它生成一款视觉效果惊艳的太空侵略者游戏,输入提示词「Create a visually stunning Space Invaders game.」


图片


SeaVerse 接到需求后立马行动,调用 app-builder、frontend-design 等 skill,并确立「复古未来主义霓虹街机」的设计方向,将 80 年代街机美学与赛博朋克霓虹风格融合。


从深空黑搭配青色、洋红、黄色霓虹光效的配色方案到 CRT 扫描线、粒子爆炸、星空背景等视觉特效,每个细节都经过精心设计。


图片


系统自动调用一系列工具完成从设计到编码的全流程,最终交付了一个功能完整的 HTML5 游戏成品,且无需任何代码基础即可获得可直接传播、消费的内容产品。



我们又让 SeaVerse 生成一个超级玛丽的小游戏,输入提示词「Generate a visually stunning classic Super Mario game」。


SeaVerse 再次展现了强大的 Agent 协同能力。系统迅速调动游戏开发工作流,从美术设计到关卡设计,再到交互逻辑,全自动完成了一款功能完整的横版平台跳跃游戏。


图片


这款游戏不仅完美还原了超级玛丽的核心玩法,包括跳跃物理、踩怪、吃金币、顶砖块、冲向终点旗帜,还融入了现代化的视觉呈现。


图片


游戏采用复古未来主义美学,在保留像素风格的同时加入了 CRT 扫描线特效、流畅的 60fps 渲染和动态粒子效果。马里奥的行走动画、金币的旋转摆动,每细节处理同样用心。


整个过程从提示词输入到游戏交付,我们无需编写一行代码。


继游戏开发后,我们让 SeaVerse 开发了一款能够拍照识别食物并计算卡路里的健康管理 App


这需要整合计算机视觉、数据分析、UI 交互等多个技术模块,SeaVerse 自动集成了 SeaCloud SDK,建立了与 GPT-4o 视觉模型的连接通道,使 APP 具备了真实的图像识别能力。


图片


我们上传一张食物照片测试了下,系统在数秒内便返回了精准的分析报告,不仅标注食物名称和总热量,还细化到蛋白质、碳水、脂肪、纤维等六大营养指标,并附带针对性的健康建议。


图片


最后,我们再试试视频生成。我们让它创作一个 30 秒宫崎骏风格早餐 Vlog 片头,SeaVerse 遵循提示词要求,调用相关工具,分别生成视频和音频,最后使用 FFmpeg 组合视频片段并合并音频。


上效果:


提示词:创作 30 秒宫崎骏风格早餐 Vlog 片头。0-5 秒:鸟瞰视角,阳光洒满小镇街道,镜头下摇至窗台;6-15 秒:厨房内景,手绘风格展现煎蛋、烤面包的特写,食物泛着诱人光泽;16-25 秒:餐桌全景,盘子依次摆放,热气腾腾。背景音乐用轻快的 acoustic folk 风格,加入鸟鸣和厨房环境音,传递治愈系的生活美学。


一番实测下来,我们发现,传统 AI 工具往往止步于素材生成或代码片段输出,而 SeaVerse 通过多 Agent 协同机制,真正实现了从创意输入到成品交付的全流程自动化,这消解了技术门槛与创意表达之间的壁垒,即使我们不懂代码、不会剪辑、不懂乐理,只要能清晰描述想法,就能获得专业级的作品产出。


当然,SeaVerse 目前更适合快速原型验证和创意探索场景,对于需要深度定制或复杂业务逻辑的项目,专业开发仍不可替代。


不卖模型,卖品味


如果说产品体验是 SeaArt 的表层优势,那么其商业模式设计才是真正的护城河。


这家公司做对的第一件事,就是没有陷入「卖模型」的陷阱。


SeaArt 这家公司从一开始就没打算自己训练底层大模型,而是选择做「超级调度者」


通过模板化、工作流化与 Agent 架构,向下它兼容全球主流的开源和闭源模型,无论是 Stable Diffusion、Flux 还是未来可能出现的新技术,都可以被快速接入;向上,它专注于沉淀用户的创作资产和社交关系。


这种定位让 SeaArt 避开了最烧钱的模型研发竞赛,同时让技术迭代变成了自己的增益而非威胁。未来无论哪个模型强大,对 SeaArt 来说都只是换一个更好的引擎,而 SeaArt 的核心资产是平台上超过 200 万个一级 AI 创作 SKU,包括模型、LoRA、Workflow、模板化应用、数字人或 Agent。


每一个 SKU 都代表着创作者的品味和调性,都是可以定价、可以交易、可以持续产生收益的。


数据显示,平台上的头部创作者通过分享自己的风格模板,月收入可以达到 3000-4000 美元,这个数字在很多国家已经超过了普通白领的工资水平。


这种变现模式形成了正向循环,创作者越愿意贡献高质量资产,平台的创意供给就越丰富,小白用户的创作门槛就越低;门槛降低带来用户增长,又会吸引更多创作者入驻。


这是一个典型的飞轮效应,而且随着资产积累,飞轮只会越转越快。


传统 AI 工具平台解决的是「怎么做」的问题,用户来了、生成了、走了,这也是为什么 的原因,平台留不下任何可积累的价值。


但 SeaArt 把每一次创作都变成了数据资产的沉淀,用户的风格偏好、参数选择、作品反馈,这些数据反哺到平台的推荐系统和模型优化中,让后来的用户可以站在前人的肩膀上。


SeaArt 已形成全球规模最大的 AI 原生创作资产库之一,超 200 万一级 AI 创作 SKU 是动态进化的,本质上构成了 AI 时代的内容与创意供应链。


这些资产具有可复用、可个性化调用的特性,它们之间可以组合、可以迭代,就像软件开发中的开源组件一样,让整个生态的创新效率指数级提升。


为何 SeaArt 能用两年半走完别人 5 年的路?


SeaArt 的崛起不是偶然,在全球 AI 应用层的激烈竞争中,要想赢得一席之地,必须有一套自己独特的打法。


SeaArt 背后是一支拥有 20 年出海游戏经验的团队。长期的游戏出海实践,让这个团队练就了在全球范围内寻找成本洼地的本领。


他们深谙各地算力市场的峰谷规律,通过跨时区灵活调度全球算力资源,在 SeaArt 早期实现了极低成本的快速扩张。


当 SeaArt 用户规模突破 3000 万量级后,单日海量的 token 调用又进一步摊薄了算力成本,形成规模效应,由此构建起成本优势的良性循环。


市场策略上,SeaArt 同样展现出差异化思维。团队没有一开始就对标竞争最激烈的美国市场,而是利用在巴西等非英语市场的多年获客经验,率先切入这些高需求但竞争密度更低的新兴市场。通过解决简单易上手的核心痛点,SeaArt 迅速在当地形成口碑爆发,后续持续动态布局日本、欧洲、美国高付费能力等国家


不同于效率工具「用完即走」的产品逻辑,SeaArt 的产品设计内嵌了深刻的反馈机制与成瘾曲线,每一次生成的随机性、每一个赞的即时满足、每一次 remix 带来的社交认可,都会让用户产生持续的使用冲动。


社区运营方面,SeaArt 团队长期深耕 SLG 等高复杂度游戏领域,对高粘性社区的构建具有系统性认知。(注:SLG 是 Simulation Game 的缩写,通常指的是模拟类游戏。玩家通常需要做出决策来控制游戏中的人物或事件,管理资源、扩展势力,或解决游戏内的复杂问题。)


SeaArt 构建了创作者与粉丝之间的强绑定关系,平台上的头部创作者不仅仅是模板提供者,他们是 KOL、是意见领袖,拥有自己的粉丝群体。这种关系一旦形成,用户的迁移成本就会急剧上升,即使有技术更好的竞品出现,用户也很难放弃在 SeaArt 积累的社交资产和创作历史。这种粘性是纯技术公司永远无法理解的,却是游戏公司最擅长的领域。


基于以上种种,也就能理解,为何 SeaArt 能在两年半内走完其他平台可能需要 5 年甚至 10 年才能走完的路。


我们在讨论 AI 应用的未来时,经常把技术突破等同于护城河。


大模型技术固然会越来越强,但这些进步对 SeaArt 来说只是更丰富的供给侧资源。因为只要人类的核心需求仍然是「表达」和「消费」,技术就只是手段。


随着 SeaVerse 全模态能力的释放、创作者生态的深化以及变现机制的完善,SeaArt 或许会成长为 AI 时代真正的「全民级内容平台」,就像移动互联网时代的 Roblox、B 站那样,定义一代人的内容消费方式


© THE END 

转载请联系本公众号获得授权

投稿或寻求报道:liyazhou@jiqizhixin.com

文章里提到的点都很重要,比如没死磕底层模型,而是专注应用层;还有游戏出海的经验带来的成本控制和市场策略。我觉得还有一个潜在因素是迎合了Z世代的创作和表达欲,现在年轻人就喜欢这种简单直接、能快速出效果的工具。可能SeaArt在产品设计上也更懂用户吧。

人在工位,刚用SeaArt生成了一张领导的画像。我觉得吧,“超级调度者”这种模式有点像炒菜,食材都是别人提供的,厨师只是负责把它们炒熟。这种模式的优势是成本低、速度快,可以快速推出产品。劣势是菜的味道取决于食材,如果食材不好,厨师再厉害也做不出好菜。所以,SeaArt要保证自己能拿到最好的“食材”,才能保持竞争力。另外,这种模式也容易被模仿,如果其他平台也开始做“超级调度者”,SeaArt的优势就会被削弱。

SeaArt的这种转变,本质上是从“生产工具”向“内容社区”的转型。这种转型的前景在于,它可以大幅提升用户粘性,将用户从一次性的使用者转变为长期参与者。用户不仅可以在平台上创作内容,还可以与其他用户互动、交流,甚至形成自己的社交圈子。然而,这种转型也面临着诸多挑战。首先,内容社区的运营需要投入大量的人力物力,包括内容审核、社区管理、活动策划等。其次,如何平衡创作自由和内容质量,是一个需要长期探索的问题。最后,如何吸引和留住优质内容创作者,也是平台需要重点关注的问题。

谢邀,人在厕所,刚用midjourney画了一张赛博朋克风的马桶。我觉得哈,SeaArt成功的一个重要原因是“缝合”得好。它把各种开源模型、社区资源、用户创作缝合在一起,形成了一个生态。这种模式有点像安卓系统,虽然不是自己造轮子,但能把各种资源整合起来,做出一个好用的产品。当然,这种模式也面临挑战,比如如何保证内容的质量和原创性,如何避免侵权问题,这些都需要SeaArt认真思考。

这种模式很聪明啊!相当于自己不造发动机,而是造车,这样可以随时换用最好的发动机。优势就是灵活,可以快速适应技术变化,降低风险。劣势也很明显,就是受制于底层模型,如果底层模型出了问题,或者有更好的竞争对手出现,就比较被动。而且,这种模式需要很强的整合能力,需要对各种模型有深入的了解,才能做好调度。