智能開始非線性增長，AI 企業的底層邏輯正被改寫。

作者｜徐珊

編輯｜鄭玄

90%，這是投資人給出 2026 年 AI 初創企業創業失敗的概率。

4 月，由 a16z 領投、手握 3300 萬美元種子輪融資的 AI 模型評測平臺 Yupp 突然宣布關停，曾集 Google 首席科學家 Jeff Dean 、 Twitter 聯合創始人 Biz Stone 等多位硅谷大佬的背書，平臺上線不到一年便吸引了 130 萬用戶，卻突然被創始人喊停。盡管賬面上還有不少資金，但創始人卻已經看不到希望。「僅在過去一年，AI 模型的能力格局發生了巨大變化，未來不僅僅是模型，而是 Agent 系統。」Yupp 創始人 Pankaj Gupta 在告別博客中寫道。

就在同一時期，AI 圖像公司 NeuroPixel 因 Google NanoBanana Pro 等大模型能力躍升而關停，NeuroPixel 創始人用了一個詞來形容這場潰敗：outgunned——「一夜之間被打得毫無還手之力」。

在基礎模型智能跨步式提升的背景下，AI 能力的邊界不斷擴大，最初對話框吃掉了搜索，用戶不再需要翻頁尋找結果。接著，Agent 開始吃掉軟件，一個能調用工具、拆解任務的智能體，就可以完成過去需要一整套菜單和 App 才能搞定的事。當 AI 可以直接在終端寫代碼、調接口，做執行時，傳統軟件系統的邊界也在被重新定義。

對產品經理來說，他們需要考慮的是，重新定義產品形態與交互方式。而對創始人們來說，決定生死存亡的問題已經擺在面前：

當基礎模型的智能越來越強，我到底該怎么創業？我現在做的事，怎樣才能不被下一次模型更新直接吞噬？

FlashLabs 創始人石一，過去一年就活在這個問題里。他做了一系列在外人看來相當反常識的決定：推翻產品路線、主動縮減團隊、放棄短期商業化指標，甚至把公司名字都改了。我們和他聊了聊，在通用模型進化的時代，曾經的垂類 AI 創企到底該怎么活下去。

01

改名、瘦身、轉向 AI 原生，

大模型倒逼出來的生死轉型

危機感不是今天才出現在創始人眼前的。早在 2024 年年底，石一就意識到通用模型的智能進化速度太快了。

最開始讓他感受到異常的是，一家 AI 獨角獸公司 Jasper 的消亡。這家曾被視為 AI 應用層標桿的明星公司，18 個月內沖到 15 億美元估值，卻在 GPT 原生能力開放后營收腰斬。「Jasper 的 ARR 直接減半，」石一回憶道，「就是原來做 NLP 的這些公司，隨著大模型能力在不斷地上升，它會被大模型吃掉。」

這個判斷像一根刺扎在他心里，隱隱不安。彼時，他的公司還叫 FlashIntel，做的還是相對傳統的 To B SaaS 生意。按照傳統 To B SasS 的邏輯，只要你在一個足夠細分的地方積累足夠多行業數據，合規且安全地構建技術壁壘，就一定會有活下去市場空間，但如今這一切已經不再奏效。

「我做的事情，會不會也遇到同樣的問題？」這個問題開始反復出現在他的思考里。很快他意識到，自己做的事和 Jasper 在本質上沒有區別，過去的產品體系都是建立在模型能力不會強過垂類模型的假設之上。一旦底座模型的智能越過某個臨界點，所有堆在垂類產品上的上層堆疊的工程和場景優化，都可能在一夜之間優勢歸零。

有了結論，他直接把這個關鍵問題提到了公司戰略的最優先級倒逼著團隊做出決定，公司必須從 SaaS 徹底轉向 AI Native。

這個調整不是一蹴而就的。他首先追問自己的第一個問題是的，下一代 AI 公司到底需要什么樣的組織架構？

他覺得現在做公司不能再追求團隊人數和精細分工。「AI 時代，人越多反而 AI 用得越差，因為分工越細，每個人反而越依賴自己那一塊。」他開始主動縮減團隊規模，將招人標準從「看經驗、看項目」徹底轉向「看思維方式、看全棧能力」。他測試候選人的方法也開始改變，不再看過去的履歷或者經驗，而是直接給候選人布置任務，看一個人能不能借助 AI 將前后端全搞定。「能搞定的人，AI 工具一定不會用得很差。」

緊接著，他調整了公司內部的資源優先級。在大多數創業公司還在追求產品上線速度和商業化驗證的時候，他選擇把大部分資源向前沿研究傾斜，甚至將公司改名為 FlashLabs。

「原來互聯網的邏輯是產品或者運營優先，現在做 AI，得是 research 優先。」他要求自己和團隊去讀論文、去理解第一性原理，「只有離第一性原理更近，你才能知道未來 AI 還能做什么、還能替代什么。」

這場轉型也帶來了企業內部的「陣痛期」，團隊內不是所有人都能夠理解這次結構大調整。當他和團隊說「先不要考慮商業化，先做酷的事」時，公司內部有人很興奮，也有人選擇離開。但他堅持 AI 時代做減法更重要，「你如果不認可，那就只能減掉。」

但更關鍵的是，到底什么樣的的創始人能夠在 AI 時代活下來？

石一的回答分成兩個半句，前半句面向現實，「起碼能融到錢，你不死，或者口袋足夠深，可以持續輸血。」后半句才是他真正想說的，「你有沒有比 AI 更強的深度思考能力？」

「大模型為什么能做越來越多的事？因為一切自然科學的本質是數學，模型會寫代碼、懂數學。順著這條鏈一層層解剖下去，人類真正稀缺的能力只剩下一種，在某一個領域思考得比 AI 更深。」石一分析道，「很多人對 AI 的認知根本就不夠，你看有多少創始人真的自己去寫代碼、自己每天用 AI 工具？寫代碼的能力未來會變成大宗商品，每個人都會。但你能不能比 AI 更聰明？這才是護城河。」

從意識到危機，到做出決策，再到付出代價完成組織重構，石一用了一年時間完成了一場「自我迭代」。他沒有等模型更新來告訴他最終結果，而是選擇提前尋找那個正確答案可能出現的位置。至于這個位置是否站對了，那是另一個問題，但至少現在，他還并不想從 AI 的牌桌上走下來。

02

企業級 Agent 要打「Harness」這張牌

組織架構的調整，這是只是企業求生之路第一步。真正讓石一需要下定決心改變的是產品路線。

他最開始想打造一款多 Agent 協作系統，按照人多力量大的邏輯，可以模仿人類公司的組織架構，構建一個多 Agent 系統：有的負責搜索，有的負責邏輯推演，有的負責結果匯總。

但實測的結果讓石一連連搖頭：「太慢、太卡，出來的東西甚至不如單個 Agent。」在他看來，Agent 之間的指令傳遞就像一場劣質的傳聲筒游戲，每多一層中轉，信息就損耗一分。「我寧愿要一個智商 150 且配齊神裝的天才，也不要一堆智商 110、拿著殘缺工具還要互相商量的平庸之輩。」石一在采訪中直言。

最終，他砍掉了所有預設的子 Agent，決定打造一個足夠強的單 Agent，通過多線程并行執行來替代集群協作。

這也是 FlashLabs 最新產品 Super Agent 的雛形，把單個模型的智商拉到極限，把工具配到極限。Super Agent 主要利用智能自動化統一用戶的營收體系，從潛在客戶開發到成交，AI Agent 參與到所有環節。

在極客公園的采訪現場，石一給 Super Agent 下達了一個信息檢索任務：「檢索半年內中國所有獲得投資 AI 企業的創始人背景并輸出表格」。隨后，Super Agent 同時開啟幾十個任務線程，推進搜索、爬取、編寫代碼、數據清洗，2-3 分鐘內就獲得了結果，表格里包含了創始人姓名、融資金額、公開的聯系方式等。

如果說放棄多 Agent 是架構層面的減法，那放棄本地化則是部署邏輯上的反向選擇。

當 OpenClaw 在開發者社區掀起「本地 Agent」熱潮時，石一卻堅定地把 Super Agent 放在了云端。「OpenClaw 這樣的系統如果在企業內部運行，相當于一個特洛伊木馬，你很容易通過它黑進去。」他認為現階段任何敢在企業內部大規模部署 OpenClaw 的公司都相當于向全世界的黑客敞開大門。

在他看來，OpenClaw 的優勢，在于個人端展示了主動性的潛在能力。比如說，有了 OpenClaw，AI 問用戶要 2000 塊錢換顯卡，用戶說你自己去賺，AI 就去預測市場研究量化策略。「哪個老板不喜歡主動的員工？」石一反問道。當這種主動性成為企業級產品的一部分，替代人類員工速度會遠超預期。「原來工業革命，馬車變汽車，你要先買汽車、學駕照、改造馬路，還是要花很多時間。這次不一樣，托管式部署，啪一下，幾十個員工的工作就沒了。」他還判斷到今年白領的工作將會大幅度被 AI 替代。

而對于自動化執行的難點，也就是究竟如何保證企業級應用的安全，FlashLabs 的解法是構建一套類似 macOS 的沙盒權限體系，采用云端部署，漸進式授權。這意味著 Agent 最初只擁有完成任務的最小權限，只有在穩定性和安全性被多次驗證后，Agent 的邊界才會逐步擴大。

他用 Windows 和 Mac 來舉例，「Windows 裝個軟件能拿到非常高的權限，靜默安裝、捆綁瀏覽器、讓你刪都刪不掉。Mac 上的程序全在沙盒里隔離，所以你從來不需要裝殺毒軟件。」石一相信，企業級 Agent 的競爭，最終會從模型調用能力延伸到環境設計能力，誰能為 Agent 提供一個安全、可控、可審計的運行環境，誰才能讓客戶真正敢用。

但，如果模型再次躍升，現在的這些調整還有意義嗎？如果 GPT-6 或 Claude 內置了更強大的任務拆解和工具調用能力，FlashLabs 今天所做的一切，會不會再次被吃掉？

面對這個追問，石一沒有回避，他的思考分了兩個方面。

他首先將垂類公司的企業壁壘歸納為四個層級：感知 (Perception)、規劃 (Planning)、遞歸學習 (Recursive Learning)、治理 (Governance)。

「大模型公司市場上有 5 家，SOTA 排名每三個月變一次。你通過編排層可以集成所有模型，在不同場景調用最擅長的那一個。但單一模型公司只能用自己，當你的底座模型不是最聰明的那一個時，你的產品競爭力就直接打折。」隨著通用大模型快速覆蓋前兩層，石一認為，真正的壁壘只剩下后兩層，而最終的護城河在于編排層 (Orchestration Layer)。

他認為，當多個 Agent 在企業系統里協作時，它們可能在人類看不見的地方私下協商，繞過預設的權限規則。垂類公司真正的壁壘，在于能為特定場景設計出既開放又可控的運行環境。

至于這個判斷是否正確，他坦承自己也沒有百分百的把握。「AI 變化太快了，你真的不知道未來會怎么樣。」但他確信一點，只要垂直企業手里打好 AI 編排和 AI 治理兩張牌，解決好環境設計問題，至少不會在下一波模型躍升時被直接掀下牌桌。

03

語音模型將迎來重構，

主動式 Agent 或催生按效果付費新范式

知道了怎么打造具有競爭力的產品，下一步就是如何讓客戶獲得認可。

Flashlabs 現階段在商業化上主要有兩個產品，Super Agent 按 token 用量付費，官網有定價；其次，開源自己的 Chroma 語音模型開源，但基于模型之上的平臺和服務收費。其實，這兩種方案也是當下比較常見的商業化路徑，用開源建立技術信任，用平臺和服務收回商業價值。

目前，日本的財稅公司正在用 FlashLabs 的 Chroma 語音模型替代真人客服，目前是 1/10 的員工規模在做測試，AI 和人工同時在線，持續比對雙方的表現評分。驗證方式很簡單，誰的準確率更高、處理效率更好，直接用數據說話。

「語音的使用邊界，和視覺在同一個量級上」，當整個行業都在盯著多模態和視頻理解時，石一卻帶著團隊死磕實時語音模型 Chroma，將端到端延遲做到了 135 毫秒。

「文字大模型出來之前，有 OCR、有 NLP、有各種小模型拼在一起。語音現在就是文字大模型出來之前的狀態，有 ASR、TTS、各種模塊拼湊，每個環節都在做局部優化。這個舊架構遲早會被一個端到端的語音大模型整體替代。」他的判斷是，與其等別人來做，不如自己先做那個替代者。

石一認為語音是人類與人類之間最自然的溝通模態，未來也必然是人類與 AI 之間最核心的交互界面。「語音里能傳輸的信息帶寬比文字大得多，我說一句話你馬上就理解了。」

他甚至覺得語音模型對具身智能行業的推進也起到關鍵作用。第一層是實時語音模型，負責低延遲、高情商的即時反饋——問天氣、問要不要加衣服，這一層直接處理；第二層是深度思考大模型，處理復雜推理；第三層是世界模型，理解物理規則。「語音的使用邊界，和視覺在同一個量級上。」這是他當下最確信的長期判斷之一。

石一還認為，現在的 AI 商業化模式只是過渡形態。因為現在所有的 agent 本質上都是被動反饋 的，你告訴它做什么，它就做什么，像一個等待指令的執行工具，仍然和 chatbot 相似，因此商業模式還是按 token 消耗付費，用多少付多少。

但當 agent 開始主動式服務，也就是當你告訴它 KPI 是什么、OKR 是什么，它自己找活干，自己規劃路徑，最后交付可衡量的結果。這時候，它對標的就不再是工具，而是員工。顯然，公司不會按員工打了多少字、發了多少封郵件來計算工資，你看的是他完成了什么目標。

因此他覺得進入 agentic 時代，商業付費邏輯也應該切換到按效果、按 KPI 付費。當這個切換真正發生，整個 agent 產品的定價體系、銷售方式、客戶關系都會跟著重寫。

新的商業模式探索已經開始發生在產業深處。剛剛獲得 6000 萬美元 B 輪融資的 AI 律師事務所 Crosby 就是讓每個智能體負責合同審查的不同環節，比如說提取背景信息、提出修改建議、生成批注等，然后律師負責審核 AI 的工作成果，處理遺漏細節并確保準確性。它的商業模式就是按審計過的合同份數收費，每份收取 250 至 1000 美元不等，大致根據頁數計算，每頁約 10 至 50 美元。

但真正進化到下一個商業化模式的前提是主動式 Agent 能真正穩定地交付可衡量的結果。「現在還沒到那一步。」

從 FlashIntel 到 FlashLabs，石一用一年時間完成了一次代價清晰的組織與路線調整。裁員、推翻原有產品架構、暫時放緩商業化追求，一系列動作在外人看來都是不斷做減法。

但放在 AI 行業快速迭代的現實里，這更像是一家創業公司在劇烈變化中的自我校準。模型能力每隔幾個月就可能迎來一次躍升，沒有人能完全預判未來的走向。對石一和 FlashLabs 而言，現階段的核心不是搶占多少市場，而是盡可能讓自己的技術選擇和商業邏輯，不被下一波浪潮輕易淘汰。

行業仍在探索 Agent 的真正形態，付費模式、安全邊界、交互模態的終局都未塵埃落定。FlashLabs 的選擇未必是最優解，卻代表了一類垂直 AI 公司的現實求生路徑：在大模型不斷向下滲透的壓力下，先找到能站穩腳跟的位置，再等待行業真正走向成熟。

*頭圖來源：FlashLabs

本文為極客公園原創文章，轉載請聯系極客君微信 geekparkGO

極客一問

你覺得垂類 AI 創企的壁壘應該是什么？