DesignArena融790萬美元！530萬用戶幫AI學審美這門生意能成嗎？

530萬人每天在幫AI投票選「哪張更好看」——然後這家公司年收入做到了6000萬美元。

週一，DesignArena母公司Intelligence宣佈完成790萬美元種子輪融資，由Index Ventures領投，Conviction（Sarah Guo和Mike Vernal）、A*、Valkyrie等跟投。

但真正讓市場側目的不是融資額。是它已有的用戶規模和收入：全球530萬用戶，年經常性收入（ARR）達6000萬美元。

一個種子輪公司，ARR做到6000萬美元——這在創投圈並不多見。

故事的起點，其實是一個「不好玩」的遊戲引擎。

2025年畢業前夕，創辦人Grace Li和幾個大學朋友在搗鼓一個AI遊戲引擎。模型確實能生成能跑、能操作的遊戲——但沒有一個是好玩的。

這就引出了一個問題：AI怎麼知道自己生成的東西「好不好玩」？

團隊的結論很直接：沒有東西能替代人類的判斷。於是他們開始構思一個能大規模獲取真實人類反饋的機制。這個機制後來長成了DesignArena。

市場缺口比他們預想的要大得多。大量AI公司苦於缺乏可擴展的用戶反饋渠道。「這是很多模型在設計領域實現迭代的關鍵瓶頸，」Li回憶說，「大約一週後，我們就與一家前沿實驗室達成了第一筆重大交易」。

這門生意怎麼賺錢？簡單得有點不像話。

對普通用戶來說，DesignArena就像一個高級模型路由器。界面有個類似ChatGPT的提示詞輸入框，用戶選擇網站、圖片或其他十幾種視覺格式，提交請求後，系統會展示一系列「A vs. B」的二選一選項。用戶一張一張挑，直到把輸出結果從最好排到最差。

普通用戶在乎的是——拿到最好的輸出結果。至於背後是哪個模型在跑，他們根本不在意。

恰恰是這種「不在意」，成了DesignArena最值錢的東西。

因為用戶的每一次投票，都在告訴AI公司：人真正喜歡的是什麼。對前沿AI實驗室來說，這就是源源不斷的即時偏好數據。他們願意為此付費。

更微妙的是，用戶必須登錄才能獲取輸出結果。這意味著Intelligence可以追蹤不同大洲、不同時間段裡的審美變化。Li提到，亞洲地區的網頁儀表盤往往更偏向極繁主義設計風格。

換句話說，這家公司不僅知道「哪個更好看」，還知道「哪個地區的人覺得哪個更好看」。

但真正值得關注的，其實不是530萬用戶和6000萬美元ARR。

而是：這門生意所在的賽道，剛剛死過一家公司。

今年早些時候，一家名叫Yupp的類似初創公司關門了。它融了3300萬美元——來自a16z crypto的Chris Dixon。它也拿下了前沿模型客戶，也聲稱有超過130萬用戶。但不到一年，撐不下去了。

同一條賽道，LM Arena今年1月剛完成1.5億美元A輪融資。它做的是文本回應的人類評估，模式類似，活得很好。

三家公司證明了同一件事：人類反饋是真需求，前沿實驗室確實願意為此付錢。但用戶規模和融資額從來不是護城河。真正決定生死的，是數據質量能不能持續幫模型改進、實驗室會不會續費、公司能不能把偶發的付費意向變成穩定收入。

說句實在話，DesignArena的ARR數字確實漂亮——6000萬美元對一個種子輪公司來說堪稱驚豔。但這些數字都是Intelligence自己的說法，目前沒有第三方數據佐證，也不能就此推算公司已經盈利。

Hugging Face上週發生的安全漏洞事件也提了個醒：自動化基準測試可以被操縱和刷分。人類反饋被寄希望於補上這個缺口。但人類反饋同樣可能被摸清規律去優化討好——和自動基準被刷分，本質上是同一種風險，只是換了個作弊對象。

DesignArena用790萬美元種子輪融資講了一個很討喜的故事：讓普通人的審美偏好，變成AI模型進化的燃料。

故事講得好不好聽，和這門生意能不能長久續費，是兩件事。Yupp的墓碑立在那兒，提醒的正是這一點。

市場接下來要觀察的，不是DesignArena還能融多少錢、用戶能不能破千萬。而是：那些付費的前沿實驗室，明年還會不會續單。

FAQ

Q1：DesignArena和一般的AI評測平台有什麼不同？

它不測程式碼跑不跑得通、圖片符不符合提示詞——它只測一件事：「好不好看、好不好用」。通過讓真實用戶在A/B盲選中投票，收集的是人類主觀偏好數據，而非客觀性能指標。這恰恰是自動化基準測不出來的東西。

Q2：DesignArena的商業模式是什麼？

普通用戶免費使用平台來生成和比較AI輸出，但必須登錄。企業端——主要是前沿AI實驗室——付費接入這個即時反饋流，獲取用戶在不同地區、不同時間段的偏好數據，用來優化自家的圖像和設計生成模型。

Q3：人類反饋這個賽道風險大嗎？

相當大。同賽道的Yupp融了3300萬美元、有130萬用戶，照樣倒閉了。人類反饋確實是剛需，但用戶規模和投票總量不是護城河。真正的考驗在於：數據質量能否持續幫模型改進、客戶是否願意長期續費。