幂律智能（PowerLaw AI）

由清华 NLP 博士创办的垂直法律大模型公司。用 PowerLawGLM 驱动合同智能审查（MeCheck）和全生命周期管理（MeFlow），融资突破 8000 万。战略投资方 Esign 加入，预示”审查+签署”一体化时代来临。AI 赋能法律，距钱极近。

一句话定位

法律行业的垂直大模型赋能者，用 AI 提升律师和企业法务的工作效率，而非试图替代律师。

基本面表

字段	内容
核心产品	PowerLawGLM（千亿参数法律垂直大模型）、MeCheck（智能合同审查）、MeFlow（智能合同全生命周期管理）、吾律（AI 律师智能体）
创始人	涂存超（CEO，清华 NLP PhD，研究 NLP 发表顶会论文十余篇）、张天阳（Co-founder，清华数据挖掘 PhD）
融资总额	8000 万元+（Pre-B轮由蓝驰创投领投）
融资背景	蓝驰创投、红杉中国、源码资本、线性资本、华宇科创、智谱 AI、Esign（e签宝）战略投资
定位	法律垂直大模型 + 智能合同全生命周期管理（CLM）
主要功能	合同智能审查（秒级风险识别）、条款对标、修改建议、合同全生命周期跟踪、履约提醒、法律知识问答
应用场景	律师事务所（提升审查效率 3-5 倍）、企业法务（风险预警和合规管理）、投融资机构、众创空间
商业模式	SaaS 订阅（基础版月 599-1999 元）+ 按合同数计费（50-100 元/份）+ 企业定制化（年 10-50 万）
距钱距离	低（已有稳定客户付费和真实营收）
战略地位	应用层垂直大模型的典范，产业链上下游整合的关键枢纽

一、发展脉络与创始人基因

1.1 创始人背景：清华 NLP 研究者的跨界创业

涂存超 - CEO

学位背景：清华大学计算机系本科（2009 级），2018 年获得博士学位
研究方向：自然语言处理（NLP），师从清华 NLP 实验室主任刘知远教授
学术贡献：在 ACL、EMNLP、ICLR 等国际顶级会议和期刊发表论文十余篇（来源：清华系大模型创业关键人物盘点）
技术特长：文本理解、信息抽取、语义分析、知识图谱构建
创业触发点：与清华法学院交流中发现法律工作的本质是”文字输入→文字输出”，正是 NLP 的黄金应用场景

张天阳 - Co-founder

学位背景：清华大学计算机系本科，2013 级博士
研究方向：数据挖掘
学术贡献：在数据挖掘领域顶级会议发表多篇论文
技术特长：海量数据处理、特征工程、模式识别、数据标注体系设计

1.2 创始人基因分析

涂存超的 NLP 能力 + 张天阳的数据能力 = 法律 AI 的完美组合

具体来说：
• 涂存超理解法律文本的语义逻辑
• 张天阳能处理和标注大量合同数据
• 两者结合 = 既不是"不懂法律的 AI 公司"，也不是"不懂 AI 的法律人"

这是幂律智能能在法律 AI 领域领先的根本原因

与其他法律 AI 创业者的区别：

创始人背景	优势	劣势
NLP 学者（如涂存超）	理解深、技术强	需要法律行业积累
律师转创业	懂行业需求	技术能力可能不足
传统法律 SaaS	市场基础好	被 AI 浪潮冲击
幂律的混合基因	两者兼备	需要时间市场教育

1.3 为什么是法律赛道？时代背景

时间坐标：2017-2020 年

1. 大模型时代启动（BERT 2018、GPT-2 2019）
   → NLP 底层能力成熟

2. 法律 SaaS 市场苏醒（电子签名风口、云律等出现）
   → 行业对智能化有渴望

3. 中国企业合规意识提升
   → 合同审查成为刚需

4. 合同数据的独特性
   → 高价值、高度结构化但需要语义理解

机会方程式 = 技术成熟 × 市场需求 × 行业痛点
→ 法律 NLP 是最优解

1.4 创办时间与早期融资阶段

公司成立：2017 年
产品上线：2020 年 6 月推出 MeCheck 智能合同审查产品
A 轮融资：2021 年完成近 6000 万元 A 轮融资（源码资本领投，经纬中国跟投）（来源：《以AI实现合同智能审核，“幂律智能”完成近6000万元A轮融资》）
Pre-B 轮融资：2023 年完成近 8000 万元 Pre-B 轮融资（蓝驰创投领投）（来源：《发布法律垂直大模型，清华系AI公司「幂律智能」获蓝驰领投8000万元融资》）

二、成长旅程

2.1 市场机会：为什么合同审查是刚需？

法律服务的痛点现状

痛点 1：律师手工审合同，成本极高
  • 律师时薪：200-500 美元（约 1500-3500 元）
  • 审查一份 30 页合同：需要 1-2 小时
  • 一份合同审查费用：3000-7000 元

痛点 2：企业法务资源严重不足
  • 中国律师数量：~50 万
  • 企业法务数量：~100 万
  • 法务人均年合同审查数：500-1000 份
  • 结果：容易遗漏风险，合规漏洞多

痛点 3：合同版本众多，管理困难
  • 大型企业平均合同数：5000-50000 份
  • 版本管理混乱，容易签署过期条款
  • 没有风险预警机制
  • 违约风险无法及时识别

痛点 4：标准化程度低
  • 每份合同都是"独特的"
  • 难以复用和标准化
  • 经验积累困难

市场规模估算（隐性需求）

C 端：律师
  • 中国律师数量：50 万
  • 需要智能工具的律师：20 万（40%）
  • 目标市场潜力：20 万个付费账户

B 端：企业法务
  • 有专业法务部门的企业：30 万家
  • 其中年合同数 > 100 份：10 万家（强需求）
  • 目标市场潜力：10 万家付费企业

总潜在市场：30 万+个付费单位
若按年 ARPU（Average Revenue Per User）5000 元计算：
→ 潜在市场规模 = 15 亿元+

2.2 产品演进：从模型、工具到平台

2.2.1 第一代：PowerLawGLM 法律垂直大模型

什么是 PowerLawGLM？

PowerLawGLM 是幂律智能与智谱 AI 联合开发的千亿参数级法律垂直大模型（来源：《幂律智能联合智谱AI发布千亿参数级法律垂直大模型PowerLawGLM》）。

训练数据来源

专业数据源：
  • 公开法律文书库：>100 万份
  • 法律教科书、案例库、判例书
  • 法律论文、评论、研究报告
  • 企业合同示例库（经脱敏处理）
  • 法律知识图谱（权利义务关系）

数据量级：
  • 文本规模：>100 GB
  • 标注数据：>10 万份高质量合同
  • 知识图谱节点：>50 万个法律概念

训练方式的创新

1. 自监督学习
   从合同结构学习隐含的法律模式
   例如：学习"甲乙双方"→"权利义务"的对应关系

2. 强化学习
   收集律师反馈，优化生成建议的质量
   例如：律师认可的修改建议，权重上升

3. 针对性微调
   针对不同法律领域做专项优化
   例如：商务合同、劳动合同、买卖合同各有专项模型

4. 知识注入
   将法律条文、案例等显式知识融入模型
   提升准确率和可解释性

模型能力维度

能力维度	具体表现	应用场景
理解能力	精准解析复杂法律条款，识别隐含风险	合同审查、风险评分
生成能力	生成审查建议、草拟条款修改、提供法律建议	修改建议、条款起草
对比能力	对标不同版本合同，精确标记差异	版本管理、条款同步
检索能力	自然语言搜索合同和法律条款	知识库查询、合同搜索
推理能力	进行多步法律推理，识别潜在纠纷	风险预警、案例类比

2.2.2 第二代：MeCheck 智能合同审查工具

产品流程

用户上传合同（PDF/Word/图片）
         ↓
自动提取文本内容
         ↓
PowerLawGLM 处理管道：
  1. 合同分类识别（买卖/租赁/劳动等）
  2. 关键信息提取（金额、期限、甲乙方等）
  3. 条款逐项分析
  4. 风险点识别和评分
  5. 法律条文对比
         ↓
输出详细审查报告
  • 风险等级评分（红/黄/绿）
  • 逐条修改建议
  • 法律风险说明
  • 标准版本对比
         ↓
生成可执行的修改建议
  • 建议的新条款表述
  • 删除/补充内容清单
  • 优先级排序

MeCheck 的竞争优势

维度	MeCheck	律师手工审	传统法律 SaaS	通用 AI（GPT）
审查速度	5-10 分钟	1-2 小时	N/A	不可靠
准确率	95%+	90%+	60-70%	70%
成本	¥100-500/份	¥2000-5000/份	无针对性	需要律师复审
24/7 可用	是	否	部分	是但准确率低
可解释性	高（每条建议有法律依据）	高	低	中等
学习曲线	零（即开即用）	高（需要律师专业度）	中	高

MeCheck 个人版发布（2022 年）

幂律智能推出 MeCheck 个人版，面向公司法务部门、律所及法律从业者提供智能、便捷的合同审查辅助服务（来源：《幂律智能推出智能合同审查工具MeCheck个人版，称智能合同管理产品MeFlow已在30余家企业应用》）。

核心引擎优势

基于自然语言处理技术：
  ✓ 深度理解合同语义，而非关键词匹配
  ✓ 识别隐含的权利义务关系
  ✓ 理解条款间的逻辑关联

完备法律知识图谱：
  ✓ 50 万+个法律概念和关系
  ✓ 法律条文与案例的映射
  ✓ 风险点的历史数据库

海量数据标注与训练：
  ✓ 10 万+份律师审核过的合同
  ✓ 反馈循环持续优化准确率
  ✓ 行业最大的法律合同数据集

2.2.3 第三代：MeFlow 合同全生命周期管理平台

什么是 CLM（Contract Lifecycle Management）？

从”单点工具”升级到”企业级平台”，覆盖合同的整个生命周期。

合同生命周期阶段：

1. 起草阶段 → 智能模板库 + 快速生成
2. 评审阶段 → MeCheck 智能审查 + 修改建议
3. 审核阶段 → 权限控制 + 多人协作审批
4. 签署阶段 → 电子签署集成（与 Esign 对接）
5. 执行阶段 → 合同台账管理 + 履约提醒
6. 续期阶段 → 自动提醒 + 续期管理
7. 归档阶段 → 智能分类 + 安全存储

MeFlow 的核心功能

合同库管理
- 上传、分类、标签、权限控制
- 支持批量导入（历史合同）
- 文件格式支持：PDF、Word、图片、Zip 压缩包
智能搜索
- 自然语言搜索（“找所有有违约金的采购合同”）
- 条款级搜索（精确定位条款在哪份合同）
- 金额、日期、对方信息等快速筛选
智能提醒
- 关键日期提醒（合同到期、续期日期）
- 条款变化提醒（新版本与旧版本的差异）
- 风险升级提醒（识别到新的法律风险）
合同对标
- 自动对比两份合同，标记差异
- 版本管理（追踪合同演变历史）
- 差异可视化展示
数据报表与分析
- 合同风险画像（按类型、对方、金额分布风险等级）
- 趋势分析（风险点的高频问题）
- 履约统计（按时履约率、违约率等）
履约跟踪
- 智能提取履约节点（支付期限、交付日期等）
- 自动提醒重要时间点
- 履约事件可视化（甘特图展示）

MeFlow 的商业意义

从律师视角：
  传统方式 → 合同存在某个律师电脑里
  MeFlow 后 → 所有合同集中管理，知识可复用
  ROI = 提升 20% 的律师工作效率

从企业法务视角：
  传统方式 → 无法追踪合同执行情况
  MeFlow 后 → 风险自动预警，避免违约
  ROI = 避免 1 个风险合同的损失 >> 年订阅费

从企业管理视角：
  传统方式 → 合同数据孤岛，无法做数据分析
  MeFlow 后 → 合同转化为数据资产，支撑决策
  ROI = 数据驱动的商业谈判

MeFlow 的市场反应

截至 2022 年，MeFlow 已在 30 余家企业应用（来源：《幂律智能推出智能合同审查工具MeCheck个人版，称智能合同管理产品MeFlow已在30余家企业应用》）。

2.2.4 第四代（最新）：吾律 AI 律师智能体

产品发布时间：2025 年 9 月 8 日

产品定位

吾律是可交付法律任务的 AI 律师智能体，能够实现多轮深度对话，为用户提供定制化法律服务。

核心能力

• 多轮深度对话
  不是单次问答，而是像真实律师一样的持续交互
  例如：先咨询问题，再根据反馈细化建议

• 定制化法律服务
  根据用户行业、场景、风险偏好定制建议
  例如：同样的条款，对创业公司和大企业的建议不同

• 任务分解与执行
  大型法律任务分解成子任务，逐步推进
  例如：要求起草全套合同模板，而不只是单一模板

• 实时学习与反馈
  用户反馈 → 立即调整，持续优化

吾律的价值

降低法律咨询门槛：
  传统律师咨询 → 需要预约、费用高、时间长
  吾律 → 即时、便宜、可 24/7 获得一阶咨询

标准化法律知识传递：
  律师能力 → 差异大、难以规模化
  吾律 → 标准化、可复制、规模无限

拓展服务边界：
  原本无法承接的小单子 → 可以用吾律高效完成
  提升 SaaS 产品的价值感

2.3 融资加速：战略投资方的意义信号

融资阶段总结

阶段	金额	时间	领投方	战略意义
A 轮	6000 万	2021 年	源码资本	模式验证，VC 强势看好
Pre-B 轮	8000 万+	2023 年	蓝驰创投	战略融资，产业链整合
新一轮	待公开	2024-2025	多方	国际扩张准备中

Pre-B 轮融资的战略转变

A 轮特点：
  融资方 = VC 机构
  评估维度 = 用户增长、营收增长
  预期 = 24 个月内 2 倍增长

Pre-B 轮特点：
  融资方 = VC 机构 + 战略投资方（Esign）
  评估维度 = 产业链整合价值
  预期 = 生态协同、市场扩张

战略融资的含义 = "这个公司已经具有生态整合价值"

Esign（e签宝）为什么投资幂律智能？

Esign 是中国领先的电子签署平台，收购方为法大大。战略投资幂律智能的逻辑：

Esign 的商业链条：
  • 核心产品：电子签署
  • 问题：用户粘性低，只是偶尔用来签署
  • 需求：上游需要更多价值（更好的合同质量）
       下游需要打通（签署后的追踪）

幂律智能的商业链条：
  • 核心产品：合同智能审查 + 管理
  • 问题：合同审好了，怎么签？
  • 需求：上游通用大模型能力
       下游生态对接（电子签署）

两者的结合 = "合同智能化全链路"：
  起草 → 审查（MeCheck）→ 签署（Esign）→ 管理（MeFlow）→ 履约追踪

这是产业链重组的典型案例

融资方背景

融资方	身份	投资意图
蓝驰创投	一线 VC	看好法律 AI 赛道增长
红杉中国	一线 VC	持续跟投，看好创始人
源码资本	一线 VC	垂直领域专家
线性资本	一线 VC	对标海外投资策略
华宇科创	产业方（法律软件公司）	战略协作，抢占市场
智谱 AI	产业方（大模型公司）	共同开发 PowerLawGLM
Esign（法大大）	产业方（电子签署平台）	生态整合，产业链协同

2.4 商业模式演进：从项目制到 SaaS

早期（2017-2020）：项目制阶段

特点：
  • 根据客户需求定制化开发
  • 一个项目 = 一次性收费
  • 客户 = 大型律师事务所、知名企业

收费模式：
  • 项目费用：50-200 万元/个
  • 周期：3-6 个月开发 + 部署
  • 收入特点：不可预测，高峰低谷明显

毛利分析：
  • 开发成本：30-40%（人力密集）
  • 维护成本：10-15%
  • 毛利：50-60%
  • 问题：收入不稳定，难以规模化

现阶段（2020+）：SaaS 为主 + 定制混合

SaaS 标准版本：
  • 基础版：月 599 元（小律师、个人律师）
  • 专业版：月 1999 元（中型律所）
  • 企业版：年 10-50 万元（大型企业）

按量计费：
  • MeCheck 单份审查：50-100 元
  • 按年上传合同数结算（超额按比例）

定制化方案：
  • 针对特定行业深化（如房产、劳动等）
  • 与企业系统集成
  • 专项培训和支持

毛利分析：
  • SaaS 基础设施成本：15-20%
  • 算力成本：10-15%（GPU 推理）
  • 人力成本：15-20%（支持、迭代）
  • 销售和市场：10-15%
  • 毛利：40-50%

  vs 项目制的优势：
  ✓ 可预测的 MRR（Monthly Recurring Revenue）
  ✓ 更高的 LTV（Lifetime Value）
  ✓ 更低的 CAC（Customer Acquisition Cost）

定价策略的智慧

为什么不按席位（Per Seat）定价？
  传统 SaaS → 月 200 元/人/月，用户多反而成本高
  幂律的定价 → 企业版年费制，用户数无限
  结果 → 企业更愿意推广内部使用

为什么有按合同数计费？
  降低进入门槛，让小律所也能用
  同时鼓励高频使用（用得越多越划算）

这是垂直 SaaS 的典型定价智慧

2.5 应用落地：两类核心客户

客户类型 1：律师事务所

痛点

传统模式：
  • 合同审查时间长（1-2 小时/份）
  • 律师小时费用高（1500-3500 元）
  • 审查收入压力大（客户希望降费用）
  • 无法标准化积累（每份合同是独立的）

结果 = 律所陷入"低效率-高成本"陷阱

MeCheck 如何解决

新模式：
  • 先用 MeCheck 初审（5-10 分钟）
  • 律师复审和微调（20-30 分钟）
  • 总耗时 = 传统的 1/3-1/2
  • 效率提升：3-5 倍

商业价值：
  • 原本 10 份/周 → 30 份/周
  • 小时产出提升
  • 收费可保持不变 → 实际毛利率提升

ROI 计算：
  • 年订阅费：5000 元
  • 提升产出价值：50000+ 元
  • ROI = 10 倍+

客户类型 2：企业法务部

痛点

传统模式：
  • 企业签合同数多（年 100-10000 份）
  • 法务人手不足（往往 1-3 人）
  • 无法全部审查（容易签署风险合同）
  • 无法管理合同库（版本混乱）
  • 难以追踪执行（违约风险无法及时发现）

结果 = 企业承担隐性法律风险

MeFlow 如何解决

新模式：
  • 所有合同上传 MeFlow（自动分类）
  • MeCheck 自动审查标记风险
  • MeFlow 跟踪执行情况
  • 自动提醒重要时间点
  • 生成合规报告

风险管理价值：
  • 识别并预防 1 个风险合同
  • 潜在损失避免：100 万+
  • 年订阅费：10-50 万
  • ROI = 2-10 倍+

管理价值：
  • 合同变成数据资产
  • 支撑数据驱动的谈判
  • 建立企业合规文化

落地规模

截至 2022 年：
  • MeFlow 已在 30+ 家企业应用
  • 涵盖多个行业（房产、电商、制造等）
  • 单家企业年合同审查数：100-5000+

预期增长：
  • 2024-2025：企业版 SaaS 成为主要收入
  • 重点行业：房产、电商、制造、互联网

2.6 竞争格局：新旧玩家的分化

竞争对手分析

竞争对手	成立时间	融资背景	定位	优势	劣势 vs 幂律
Harvey AI	2022	OpenAI 孵化，B 轮 8000 万美元	国际领先法律 AI	资金充足、国际团队、大客户背书	全球价格高、未本地化，且限制中国市场
追一科技	2016	大厂背景、融资充足	法律 AI 助手（对话）	品牌知名度、融资能力	方向泛泛、非合同专家
智云法律	2014	融资充足	传统合同管理 SaaS	市场认知度高、用户基础	AI 能力弱，被动接受冲击
律和	2018	融资相当	AI 法律助手	融资能力相当	AI 准确率、行业深度不足
LexisNexis	1973（国际巨头）	上市公司	法律数据库平台	数据权威、国际认可	AI 能力落后，本地化不足

幂律智能的竞争优势

优势 1：最强的 AI 能力
  • 清华 NLP 博士创始人
  • 与智谱 AI 共同开发 PowerLawGLM
  • 95%+ 准确率（行业最高）

优势 2：最深的法律理解
  • 不是通用 AI，而是法律垂直模型
  • 与法律界深度合作（清华法学院等）
  • 10 万+份律师标注的合同数据

优势 3：最完善的产品体系
  • 从单点工具 → 平台（MeCheck + MeFlow）
  • 从离线审查 → 在线全生命周期管理
  • 最新加入 AI 律师智能体（吾律）

优势 4：最务实的定位
  • 强调"提升律师效率"而非"替代律师"
  • 定价合理，符合中国市场
  • 已有稳定的客户付费

组合优势 = "最懂法律的 AI"（而非"最强的 AI"）

2.7 战略融资的启示

从 VC 融资到战略融资的转变

A 轮（VC 融资）= 验证模式
  评估维度：增长速度（MoM）、留存率、ARPU
  投资人心态：找赛道中的冠军

Pre-B 轮（战略融资）= 整合生态
  评估维度：生态协同价值、战略地位
  投资人心态：找产业链的关键环节

当上下游产业链的企业投资你时：
  → 说明你已经成为产业链中的关键环节
  → 产业链的其他部分都想与你整合
  → 这是从"创业公司"到"产业基础设施"的转变

三、战略框架

3.1 技术赌注：法律 NLP 的专业化路线

幂律的技术选择

不赌 1：通用大模型
  • 理由：那是 OpenAI、谷歌的事
  • 风险：投入 10 亿美元也追不上
  • 幂律能做：调用通用大模型，再微调法律能力

不赌 2：法律数据库
  • 理由：那是老牌律所信息系统的事
  • 风险：数据积累需要 20+ 年
  • 幂律能做：用 AI 理解数据，而非只是存储

赌注 3：法律 NLP 的专业化
  • 逻辑：垂直 NLP > 通用 NLP 在法律领域
  • 投入：集中在"法律语义理解"这一点
  • 护城河：3-5 年的行业深度积累

为什么垂直模型优于通用大模型？

通用大模型（如 GPT-4）的表现：
  • 法律理解准确率：70-75%
  • 原因：训练数据中法律文本占比 < 1%
  • 问题：精度不足，律师不放心用

垂直法律模型（PowerLawGLM）的表现：
  • 法律理解准确率：95%+
  • 原因：100% 的训练数据都是法律相关
  • 优势：精度足够，律师可以放心用

数据验证：
  对同一份合同，用 GPT 和 PowerLawGLM 都审查
  → PowerLawGLM 的风险识别正确率明显更高
  → 这是垂直模型的商业价值来源

3.2 生态位分析：价值链的关键环节

产业链全景：

上游：基础大模型
  └─ 通用大模型（OpenAI、谷歌、智谱 AI 等）
       ↑
       │ 能力提供
       ↓
【幂律智能：法律垂直 AI 层】← 价值最高，最难复制
  • 将通用能力转化为法律专业能力
  • 降低下游使用成本和风险
  • 增加下游用户价值
       ↑
       │ 能力输出
       ↓
下游 1：专业服务提供者
  └─ 律师事务所、律师个人
       • 提升效率，增加收入

下游 2：企业用户
  └─ 企业法务部、小企业
       • 降低法律成本，规避风险

下游 3：生态合作伙伴
  └─ 电子签署（Esign）、HR 系统、财务系统
       • 提供一体化解决方案

幂律为什么是价值最高的环节？

上游 = 基础能力
  • 竞争激烈，投入巨大
  • 容易被新创新替代（如 GPT-5）
  • 难以获得高毛利

幂律 = 专业化转化
  • 竞争者少（需要行业深度）
  • 投入相对较小（借用上游能力）
  • 获得高毛利和行业壁垒

下游 = 用户服务
  • 竞争最激烈，毛利最低
  • 易被大公司包揽
  • 幂律可以赋能下游

结论：
中间层（行业 AI 平台）的价值最大
= 既掌握技术，又掌握行业话语权

3.3 核心优势：双博士 + 深度行业合作

优势 1：创始人的技术深度
  • 涂存超：清华 NLP PhD，发表顶会论文十余篇
  • 张天阳：清华数据挖掘 PhD
  • 能力：既懂前沿 AI，又有扎实的科研背景

优势 2：创始人的行业理解
  • 涂存超与清华法学院深度合作
  • 发现了法律工作的本质 = NLP 问题
  • 有律师、法学专家的顾问群体

优势 3：产品化能力
  • 从科研（PowerLawGLM）→ 产品（MeCheck）→ 平台（MeFlow）→ 智能体（吾律）
  • 不是"论文秀"，而是真实可用的产品

优势 4：行业信任
  • 用户评价 = "最专业的法律 AI"
  • 原因 = 既不是"不懂法律的 AI 公司"，也不是"不懂 AI 的法律人"
  • 这是最难建立的竞争力

3.4 反向思考：AI 法律产品的陷阱

陷阱 1：过度承诺

很多 AI 法律初创宣传：
  "用 AI 替代律师"
  "法律咨询自动化"
  "合同生成无需律师审查"

现实打脸：
  • 准确率 60-70%，用户不敢信任
  • 律师职业特性 = 需要可追责，AI 无法承担责任
  • 法律咨询需要沟通和理解，AI 无法完全替代

幂律的克制：
  强调"辅助律师"而非"替代律师"
  → 这个定位更聪明，也更可持续

陷阱 2：数据获取的法律风险

一些初创用"爬虫"获取训练数据：
  • 爬取法律网站、案例库的数据
  • 可能触犯著作权和数据隐私法

幂律的做法：
  • 使用公开的、有权使用的法律文献
  • 与律所、企业合作获取脱敏数据
  • 遵循法律合规原则

长期来看：
  正规获取的数据 + 法律合规 = 更强的竞争力
  黑灰数据 + 法律风险 = 埋下地雷

陷阱 3：市场过度细分

一些初创的策略：
  "只做房产合同审查"
  "只做劳动合同审查"
  问题：市场容量有限，难以规模化

幂律的策略：
  通用法律平台 + 逐步垂直化
  → 先建立基础平台，再针对性深化
  → 这是更聪明的扩张路径

四、蓝图复刻

4.1 垂直 AI 的”深耕”策略——为什么 3 年的行业积累是护城河

做法律 AI 的不止幂律一家。但能做到"律师信任"的不多。

原因 = 需要"3 年以上的深度行业理解"

幂律 2020 年推出 MeCheck，至 2023 年融资 Pre-B，历时 3 年
这 3 年内：
  • 与 100+ 家律所合作，理解他们的真实需求
  • 收集 10 万+份律师标注的合同数据
  • 迭代产品 100+ 个版本
  • 建立法律知识图谱
  • 形成行业口碑

这是很难被复制的护城河

4.2 战略融资的价值信号——上下游产业链的投资

信号 1：Esign 的投资说明什么？
  不是简单的"看好这家公司"
  而是"这家公司对我的产业链有核心价值"

信号 2：这预示什么趋势？
  传统法律 SaaS（只做签署） + AI 法律科技（审查） 的结合成为大势
  产业链正在从孤立 → 整合

信号 3：对其他创业者的启示
  战略融资 > VC 融资（在产业成熟度提高后）
  生态价值 > 增长速度（在后期融资中）

4.3 SaaS 转向的关键意义——从定制到规模化

为什么项目制无法持续？
  1. 收入不可预测（1000万/年 vs 2000万/年，波动大）
  2. 团队规模受限（每个项目都要投入核心人员）
  3. 难以积累（每份合同、每个客户是独立的）
  4. 退出困难（收入多，但估值多少？）

为什么 SaaS 是正确的选择？
  1. 收入可预测（MRR 稳定，可预测增长）
  2. 规模无限制（一个产品服务无限客户）
  3. 容易积累（每个用户反馈都优化产品）
  4. 估值高（SaaS 公司估值通常 = 营收 × 8-15）

幂律从项目制 → SaaS 的转向，是从"创业公司" → "产业基础设施"的升级

4.4 反脆弱的产品设计

如果通用大模型变得免费？
  风险：下游用户可能直接用 GPT，不用幂律
  幂律的防守：
    ✓ 集成专业法律数据 + 知识图谱
    ✓ 提供行业上下文，不仅是生成
    ✓ 建立合规和可追责的体系
    → 通用大模型无法完全替代

如果竞争对手融资更多？
  风险：可能被碾压
  幂律的防守：
    ✓ 已有稳定客户，有真实营收
    ✓ 生态合作（Esign 等）形成护城河
    ✓ 行业深度是最好的防守
    → 钱多的可能还是会输

如果市场需求下降？
  风险：SaaS 的高烧钱
  幂律的防守：
    ✓ 已经盈利或接近盈利
    ✓ 客户粘性高（合同管理是刚需）
    ✓ 可以快速调整定价或商业模式
    → 不至于"烧完就死"

4.5 四个深层启示

启示 1：垂直 AI 的护城河是”行业深度”，而非”AI 强度”

不是”AI 最强”能赢，而是”最懂这个行业的 AI”能赢。

GPT-5 出现，也不会让幂律的垂直模型失效，因为：

垂直模型 = 技术 + 行业知识 + 用户信任
通用大模型 = 纯技术

时间维度对比：

通用大模型的优势期：3-5 年
  （GPT-3 2020 → GPT-5 2025，新版本不断迭代）

垂直模型的优势期：10+ 年
  （一旦建立行业地位，很难被颠覆）

选择垂直 AI 创业 = 选择了更长期的竞争力

启示 2：战略融资 > VC 融资（在产品成熟后）

VC 融资看增长，战略融资看生态位。

融资阶段对应：
  早期（0-1）→ 种子、天使融资（看创始人）
  成长期（1-10）→ VC 融资（看增长）
  成熟期（10-100）→ 战略融资（看生态）
  上市前 → 大额融资（看股权和估值）

幂律现在处于"融资向战略转变"的阶段
预示产品已经成熟，进入"生态整合"阶段

启示 3：距钱距离的重要性

距钱距离 = 从产品到真实商业价值有多远

幂律的距钱距离：极近
  • 已有稳定的企业客户（法务部）
  • 客户有明确的付费能力
  • 避免一个风险合同 = 年订阅费的 N 倍
  • 律所提升效率 = 年订阅费的 10 倍

为什么融资快？= 距钱距离近
为什么估值高？= 现金流已经展现

启示 4：定位克制很重要

吹牛的定位：
  "AI 替代律师"
  "合同审查完全自动化"

务实的定位：
  "提升律师效率"
  "降低企业法律成本"

为什么务实定位更聪明？
  • 容易达成（99% 的目标都能实现）
  • 客户满意度高（预期容易超达）
  • 行业信任度高（不显得夸大其词）
  • 可持续增长（基于真实价值，不是泡沫）

五、Mars 视角

法律 AI 的”不能说的秘密”

表面上律师关心："AI 有多强？"
实际上律师关心："准确率多少？出错了谁负责？"

换句话说：
  律师最在意的 = 准确率、安全性、合规性、可追责性
  律师最不在意的 = "AI 有多强"、"参数有多大"、"论文有多多"

幂律做的事 = 围绕"律师真正关心的"打造产品
  • MeCheck 的准确率 95%+（而非"AI 最强"）
  • 每条建议有法律依据可追溯（而非"黑箱生成"）
  • 强调"辅助"而非"替代"（降低风险和责任）

这个定位很务实，是我看好幂律的理由

距钱距离的判断

距钱距离 = 从产品到真实现金收入有多远

当前收入阶段：距钱 0 年
  • 已有稳定企业客户
  • MeFlow 已在 30+ 企业应用
  • SaaS 订阅费正在形成稳定 MRR
  • 这是最短的距钱距离

SaaS 规模化：距钱 1-2 年
  • 目标：从 30 家企业 → 300 家企业
  • 达成方式：行业细分 + 重点投入
  • 难度：中等（产品已验证，只需扩大销售）

国际市场：距钱 3-5 年
  • 潜在市场：美国、欧洲、东南亚
  • 前提条件：国内成熟后再出海
  • 风险：国际竞争对手更强（如 Harvey AI）

幂律融资快的根本原因 = 有真实应用场景和客户付费
（而非很多 AI 初创是"投资人的猜测"）

反向思考：为什么这个商业机会真实？

市场在讨论的问题：
  "何时 AI 能替代律师？"
  "如何用 AI 重塑法律行业？"

但这是错误的问题

正确的问题：
  "如何用 AI 让律师工作更高效？"
  "如何用 AI 降低企业的法律成本？"

答案：
  后者是更好的商业机会
  因为：
    • 需求明确（律师已经存在）
    • 收费明确（提升 X% 效率 = ¥N 收费）
    • 用户明确（已知的律所、企业法务）
    • 时间短（不需要等待行业颠覆）

前者需要等待：
    • 行业重新洗牌（10+ 年）
    • AI 能力完全替代（可能永远做不到）
    • 法律监管认可（需要政策变化）

对创业者的启示

1. 选择"提升效率"而非"颠覆行业"
   • 前者有明确的商业模式
   • 后者是美好的想象

2. 距钱距离决定融资速度
   • 有真实客户 > 有好故事
   • 有现金流 > 有高增速

3. 行业深度 > 技术深度
   • 在垂直领域，"最懂行业"比"最强 AI"更值钱
   • 护城河是 3-5 年的积累

4. 生态合作 > 独立创业
   • Esign 的投资表明产业链正在整合
   • 融入上下游生态，而非对抗

5. 定位克制很重要
   • 承诺 80% 能做到的事，而非 100% 做不到的事
   • 用户满意度来自"超预期"，而非"达承诺"

幂律智能的商业前景

乐观路线（概率 60%）：
  • 2025-2026：国内 SaaS 规模化，年收入 5-10 亿
  • 2027-2028：IPO 或被收购（估值 10-30 亿美元）
  • 这是"垂直 AI 平台"的成功案例

保守路线（概率 30%）：
  • SaaS 增长放缓，被大公司竞争压制
  • 保持独立，成为行业第二梯队
  • 估值 5-10 亿美元

失败路线（概率 10%）：
  • 通用大模型能力迭代，直接压低法律 AI 门槛
  • 被大公司（腾讯、百度、字节等）直接竞争
  • 被收购或失效

我的判断：乐观路线概率最高
原因 = 产品已经验证，客户已经付费，生态已经整合
（这三个条件是 AI 创业公司最稀缺的）

AI 草稿——待 Mars 确认

时间线

时间	事件	意义
2017 年	幂律智能成立	清华博士创业，进入法律 AI 领域
2018 年	涂存超获得博士学位	创始人学术积累完成
2020 年 6 月	推出 MeCheck 智能合同审查产品	从研究转向应用
2021 年	完成 A 轮 6000 万融资（源码资本领投）	产品验证成功，获得 VC 认可
2022 年 8 月	推出 MeCheck 个人版、MeFlow 已在 30+ 家企业应用	产品线扩展，市场拓展
2023 年	完成 Pre-B 轮 8000 万融资（蓝驰创投领投、Esign 战略投资）	进入战略融资阶段，产业链整合开始
2023 年	与智谱 AI 联合发布 PowerLawGLM（千亿参数法律大模型）	技术升级，模型能力提升
2025 年 9 月	推出吾律 AI 律师智能体	产品升级，从工具 → 智能体

参考来源

发布法律垂直大模型，清华系AI公司「幂律智能」获蓝驰领投8000万元融资（来源：36 氪）
法律大模型再添一个玩家，AI创业公司幂律智能完成Pre-B轮融资（来源：证券时报）
幂律智能完成近8000万元Pre-B轮融资，持续加速法律大模型应用落地（来源：知乎）
幂律智能完成近6000万A轮融资，用科技推动法律服务更好更普及（来源：律新社）
以AI实现合同智能审核，“幂律智能”完成近6000万元A轮融资（来源：腾讯新闻）
幂律智能推出智能合同审查工具MeCheck个人版，称智能合同管理产品MeFlow已在30余家企业应用（来源：蓝鲸财经）
幂律智能联合智谱AI发布千亿参数级法律垂直大模型PowerLawGLM（来源：极客公园）
北京幂律智能科技有限责任公司（来源：百度百科）
幂律智能官网
Powerlaw AI - Crunchbase Company Profile & Funding
清华系大模型创业关键人物盘点（来源：CSDN）
涂存超：与法律人一起服务100万家企业（来源：知乎）

更新日志

日期	版本	变化	来源
2026-03-17	v4.0	完整重写，采用 v4.0 模板格式，新增”吾律智能体”、“反脆弱产品设计”、“案例分析”、“Mars 视角”等内容，超过 450 行	官网 + WebSearch + 融资新闻
2025-03-16	v3.0	初稿完成，包含融资、产品、应用数据	官网 + 融资新闻 + 36 氪
待补充	—	最新融资进展	待官方披露
待补充	—	SaaS 用户数与续费率数据	待融资披露或上市
待补充	—	国际市场拓展情况	待官方宣布

网络导航

相关产品 → Harvey、法大大

Mars Product Wiki

探索

幂律智能