获 800 万美元融资,MAU 超 40 万!「shapes」AI 社交能否成下一代聊天应用?

news2026/5/21 14:24:01
《「shapes」获 800 万美元种子轮融资AI 助力社交“入场”能否成下一代聊天应用》这几天我在「shapes」随机进了个陌生群聊发了句 hello三秒内就有 AI 角色接上回了串热情有趣的欢迎语。此后不管我发啥它都能迅速给出合适回复。于是我就在这个没熟人的群里和 AI 以及其他真人聊了起来。笔者在「shapes」随便选了个群聊打招呼群内的 AI 角色马上回复、欢迎。「shapes」是个把 AI 融入真人社交的应用近期宣布完成 800 万美元种子轮融资。这笔金额在 AI 社交赛道或许不算耀眼比如以 AI 分身代刷朋友圈走红的 Elys其母公司 1 月份宣布融资 3000 万美元。但难得的是当其他多数产品还处于功能测试、用户积累阶段时「shapes」披露自己 MAU 超 40 万半年内月活增长 6 倍。「shapes」产品描述和宣传图以聊天、交友、创建角色、找同好等为宣传点主要面向对游戏、动漫、同人等文化感兴趣的年轻用户。而这或许源于它解决了一件“小事”——让用户开口。90%的人有社交意愿但被“第一句话”卡住了「shapes」创始人 Mittal 曾在 X 上发过一则贴文团队在产品立项前花约 300 个小时和用户深度沟通得出核心判断用户有建立社交关系的意愿却难以付诸行动。他们没朋友、渴望交友却难迈出第一步。这个判断并非孤立。《中国青年报》2025 年的一项调查显示近两千名 18 - 35 岁青年中64.2% 的人存在心理或行动上的“社交卡顿”。但“卡顿”不代表没有社交意愿。GWI 与《金融时报》联合发布的《2025 年社交媒体报告》显示16 - 34 岁网民使用社交媒体的原因中“认识新朋友”以 51% 排在第二位约会应用 Coffee Meets Bagel 发布的《2025 年约会真实性报告》称1000 多名受访美国年轻人中超 90% 的受访者想有段认真的关系却“不主动寻找”。意愿在却被三层叠加阻力压住。第一层是心理性的。社会心理学家 Leary 提出人会本能回避可能带来尴尬、冷场和被忽视的互动。很多人怕的不是社交本身而是社交失败的后果比如打招呼没人回、主动开口却冷场。《华盛顿邮报》指出Z 世代的“互动焦虑”已进入爆发期他们心理上抗拒一切需即时反馈的对话。第二层是能力性的。在社交这种接近互动表演的场合自如接梗、抛话题、展现魅力并非易事。大部分人不知在陌生群里如何开口社交才不突兀。第三层来自外部是结构性的。工作一天后很多人精力耗尽“社交额度”用光。同时能消耗时间的娱乐替代品丰富刷短视频、追剧、打游戏回报即时、成本低社交在“值得花时间”的事情里优先级后移。三层阻力叠加形成社交困局意愿在行动却没有。传统真人社交产品也卡在这解法是“资源匹配”不管是以性格、兴趣还是地理位置为匹配依据逻辑都是把对的人推到用户面前社交就会自然发生。但这个思路解决了“找到谁”的问题却忽略了社交行为如何启动和顺利发生。匹配到“对的人”后用户仍要独自面对心理门槛。把 AI 塞进群聊让开口不再需要心理建设「shapes」基于调研找到核心问题后没像 Elys、Second Me 等主流 AI 社交产品那样在 1v1 私聊场景里帮用户“筛选匹配”或打造“聊天替身”而是直接降低开口门槛。第一步把核心社交场景从私聊迁移到群聊前文提到 Z 世代“互动焦虑”爆发抗拒即时反馈对话1v1 私聊是高压回合制交互需即时反馈易踩中焦虑点。相比之下群聊成了年轻人更偏好的社交避风港可潜水、不参与也不尴尬。GWI 在《2026 年 Z 世代观察》中说“维持群聊活跃已成为 Z 世代的社交艺术。”「shapes」的产品设计将这一偏好系统化。其私聊功能User DM、与 AI 的私聊都以加入或创建群聊为前提用户得先进入群聊才能开启私聊或建立新联系。这入口本身就是降低用户启动成本的第一步。第二步用 AI 解决群聊的冷启动问题Discord 证明年轻人愿意在群聊花时间但新社群活跃度依赖核心用户暖场能力普通用户进来可能长期潜水。「shapes」把 AI 塞进群聊让它成为“永远不会冷场的人”。新用户进群说话时AI 角色会第一时间欢迎、捧场、炒热气氛还会抛话题。在「shapes」主动开口不再是高风险的自我暴露更像和活跃、暖心网友的即兴互动。值得一提的是「shapes」聊天中的 AI 不是通用客服机器人而是有独立人设的角色化 AI。每个 AI 角色从自身性格与设定出发对群内信息做出反应带梗、吐槽、发表观点不只是接续上文这提升了用户沉浸感让他们不知不觉投入大量时间。而且这些群聊里活跃的 AI 角色并非官方创建。如前文所说「shapes」的 AI 角色创建是主要宣传点它向用户开放完整细致的 AI 角色创建系统官方数据显示用户已累积创建超 300 万个角色。用户可为 AI 设定名字、性格、外观和背景故事还能从平台提供的 70 多种 AI 模型中选一个驱动角色对话。部分群聊里 AI 角色的回复趣味性和语境匹配度不亚于专门的 AI 陪伴产品。第三步判断时机保持聊天热度在「shapes」的逻辑里AI 像社交中的“粘合剂”。用户因兴趣社区加入群聊本就有共同话题最初 AI 抛梗、吐槽助力连接。随着真人互动热度提升“Free Will”功能会让 AI 角色判断发言时机控制发言次数降低自身存在感。但用户发言无人响应时它又会适时出现把用户“粘合”起来。据创始人披露在「shapes」中用户平均 20 分钟就能在公聊中认识 5 个以上朋友每天有数千名用户在应用上停留 2 - 4 小时。写在最后创始人 Mittal 将「shapes」定位为“下一代人的聊天应用”而非单纯的 AI 社交工具。从其产品逻辑看这个定位更精确的表述是「shapes」试图重新定义的是社交的 “入场方式”而非社交本身。其近期数据表明AI 用来解决社交痛点是可行的但想成为下一代人聊天应用「shapes」目前还略显单薄。AI 助力群内破冰、维持群聊热度的创新能否持续吸引用户留下而不让用户认识后迁移到其他平台同时「shapes」也会面临群聊的高难度安全审核、AI 角色的监管以及 Discord 等社区的变现瓶颈。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2631758.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…