FlashLabs如何应对通用大模型冲击实现自救

智能的非线性增长，正在改写AI企业的生存法则。

一个数字足以说明当下的残酷：投资人预测，到2026年，高达90%的AI初创企业将走向失败。

今年4月，一个标志性事件震动了行业。由顶级风投a16z领投、手握3300万美元种子资金的AI模型评测平台Yupp，突然宣布关停。这家公司曾星光熠熠，不仅获得谷歌首席科学家Jeff Dean、推特联合创始人Biz Stone等硅谷巨头的背书，上线不到一年就吸引了130万用户。然而，创始人Pankaj Gupta却在告别博客中坦言，尽管账面资金充裕，但已看不到未来。他写道：“过去一年，AI模型的能力格局已发生巨变。未来不再是单一模型的竞争，而是Agent系统的天下。”

几乎在同一时间，AI图像公司NeuroPixel也因谷歌NanoBanana Pro等大模型能力的跃升而倒下。其创始人用了一个词精准概括了这场溃败：outgunned——一夜之间，被彻底碾压。

基础模型的智能正以跨步式速度提升，AI能力的边界随之疯狂扩张。最初，对话框“吃掉”了搜索，用户不再需要翻页寻找答案。紧接着，Agent开始“吞噬”软件，一个能调用工具、拆解任务的智能体，就能完成过去需要一整套菜单和多个App才能搞定的事。当AI可以直接在终端写代码、调接口、执行任务时，传统软件系统的边界也在被重新定义。

这对产品经理而言，意味着必须重新思考产品的形态与交互。而对于创始人来说，一个决定生死存亡的问题已摆在面前：

当基础模型越来越聪明，创业的路径究竟在哪里？今天所做的一切，如何才能避免被下一次模型更新直接“吞噬”？

过去一年，FlashLabs创始人石一就活在这个问题的阴影下。他做出了一系列在外界看来颇为“反常识”的决策：推翻既定产品路线、主动缩减团队规模、放弃短期商业化指标，甚至将公司彻底改名。我们与他进行了一次深度对话，试图探寻在通用模型飞速进化的时代，垂直领域的AI创业公司究竟该如何求生。

改名、瘦身、转向AI原生：一场被大模型倒逼的生死转型

危机感并非突如其来。早在2024年底，石一就已敏锐察觉到，通用模型的智能进化速度远超预期。

最初的预警信号，来自AI独角兽Jasper的迅速衰落。这家曾被视为AI应用层标杆的明星公司，在18个月内估值冲至150亿美元，却在GPT原生能力开放后，营收遭遇腰斩。“Jasper的年度经常性收入直接减半，”石一回忆道，“这揭示了一个残酷现实：随着大模型能力不断上升，许多基于其构建的垂直应用，正被底层模型本身‘吃掉’。”

这个判断像一根刺扎进他心里。彼时，他的公司还叫FlashIntel，业务是相对传统的To B SaaS。按照传统逻辑，只要在足够细分的领域积累足够深的行业数据，构建起合规安全的技术壁垒，就总能找到生存空间。然而，这套逻辑正在失效。

“我做的事，会不会遭遇同样的命运？”这个问题开始反复拷问他。很快他意识到，自己的业务与Jasper在本质上并无不同——过去的产品体系都建立在“模型能力不会强过垂类模型”的脆弱假设之上。一旦底座模型的智能越过某个临界点，所有堆叠在垂直产品上的工程优化和场景打磨，其优势都可能在一夜之间归零。

结论清晰后，行动必须果断。他将这个生存问题提升至公司战略的最高优先级，并倒逼团队做出决定：公司必须从SaaS彻底转向AI原生（AI Native）。

转型绝非一蹴而就。他首先追问：下一代AI公司究竟需要怎样的组织架构？

他的答案是，不能再盲目追求团队规模和精细分工。“AI时代，人越多，AI反而可能用得越差。因为分工越细，每个人就越局限于自己的模块。”他开始主动缩减团队规模，并将招聘标准从“看经验、看项目”彻底转向“看思维方式、看全栈能力”。测试方法也随之改变：不再依赖过往履历，而是直接布置任务，考察候选人能否借助AI独立搞定前后端全流程。“能搞定的人，AI工具一定不会用得很差。”

紧接着，他调整了公司内部的资源优先级。当大多数创业公司仍在追逐产品上线速度和商业化验证时，他却选择将大部分资源向前沿研究倾斜，甚至为此将公司更名为FlashLabs。

“过去互联网的逻辑是产品或运营优先，现在做AI，必须是研究优先。”他要求团队深入研读论文、理解技术的第一性原理，“只有离原理更近，你才能预判AI未来还能做什么、还能替代什么。”

这场转型不可避免地带来了“阵痛”。当他对团队说“先别考虑商业化，先做酷的事情”时，内部反应两极分化：有人兴奋，也有人选择离开。但他坚信，在AI时代做减法比加法更重要，“如果不认可这个方向，那就只能减掉。”

那么，究竟什么样的创始人能在AI时代存活下来？

石一的回答分为两层。第一层关乎现实：“起码要能融到钱，保证自己不死，或者口袋足够深，可以持续输血。”第二层才是核心：“你能否拥有比AI更强的深度思考能力？”

“大模型为什么能做越来越多的事？因为一切自然科学的本质是数学，而模型会写代码、懂数学。顺着这条链一层层解剖下去，人类真正稀缺的能力只剩下一种：在某个特定领域，思考得比AI更深。”石一分析道，“很多人对AI的认知根本不够。你看有多少创始人真的自己写代码、每天深度使用AI工具？未来，写代码的能力会变成大宗商品，人人都会。但你能不能比AI更聪明？这才是真正的护城河。”

从意识危机到决策落地，再到付出代价完成组织重构，石一用一年时间完成了一场“自我迭代”。他没有坐等模型更新来宣判结局，而是选择主动寻找那个正确答案可能出现的位置。至于这个位置是否站对，那是另一个问题。但至少现在，他还没有离开AI牌桌的打算。

企业级Agent的竞争：关键在于打好“治理”这张牌

组织架构的调整只是求生的第一步。真正让石一下定决心彻底改变的，是产品路线的根本转向。

他最初设想打造一个多Agent协作系统，仿照人类公司的组织架构：有的Agent负责搜索，有的负责逻辑推演，有的负责汇总结果。

然而实测结果却令人失望。“太慢、太卡，产出的结果甚至不如单个Agent。”在石一看来，Agent之间的指令传递就像一场失真的传声筒游戏，每多一层中转，信息就损耗一分。“我宁愿要一个智商150、配齐全套神装的天才，也不要一堆智商110、拿着残缺工具还要互相扯皮的平庸之辈。” 他直言不讳。

最终，他砍掉了所有预设的子Agent，决定反其道而行之：打造一个足够强大的单Agent，通过多线程并行执行来替代低效的集群协作。这便是FlashLabs最新产品Super Agent的雏形——将单个模型的智商拉到极限，同时为其配备最强大的工具集。Super Agent旨在通过智能自动化统一企业的营收流程，从潜在客户开发到最终成交，让AI Agent深度参与所有环节。

在演示中，石一向Super Agent下达了一个复杂任务：“检索过去半年内所有获得融资的中国AI企业创始人背景，并输出表格。”随后，Super Agent同时开启数十个任务线程，并行推进搜索、爬取、编写代码、数据清洗等工作，仅用2-3分钟便输出了结果，表格中包含了创始人姓名、融资金额、公开联系方式等详细信息。

如果说放弃多Agent是架构上的减法，那么放弃本地化部署，则是部署逻辑上的一次反向选择。

当OpenClaw在开发者社区掀起“本地Agent”热潮时，石一却坚定地将Super Agent放在了云端。“像OpenClaw这样的系统如果在企业内部运行，无异于一个特洛伊木马，黑客很容易通过它渗透进去。”他认为，现阶段任何敢在企业内部大规模部署类似系统的公司，都相当于向全世界的黑客敞开了大门。

在他看来，OpenClaw的价值在于，它在个人端展示了AI“主动性”的惊人潜力。例如，AI可以向用户要钱升级显卡，如果被拒绝，它甚至会自己去研究量化策略赚钱。“哪个老板不喜欢主动的员工？”石一反问道。当这种主动性融入企业级产品，替代人类员工的速度将远超预期。“以前的工业革命，马车变汽车，你得先买车、学驾照、改造马路，过程漫长。这次不一样，托管式部署，‘啪’一下，几十个员工的工作可能就消失了。”他判断，今年白领岗位被AI替代的进程将大幅加速。

那么，如何保证企业级自动化应用的安全？FlashLabs的解法是构建一套类似macOS的沙盒权限体系，采用云端部署、渐进式授权。这意味着Agent最初只被赋予完成任务所需的最小权限，只有在稳定性和安全性经过多次验证后，其权限边界才会逐步、可控地扩大。

他用Windows和Mac来类比：“在Windows上安装软件，常常能获取很高的权限，导致静默安装、捆绑软件，删都删不掉。而Mac上的程序全在沙盒里隔离运行，所以你基本不需要安装杀毒软件。”石一相信，企业级Agent的竞争，最终将从模型调用能力，延伸到环境设计能力。谁能提供一个安全、可控、可审计的运行环境，谁才能真正让客户放心使用。

但一个终极问题依然悬而未决：如果模型能力再次跃升，例如GPT-6或Claude内置了更强大的任务拆解和工具调用能力，FlashLabs今天所做的一切调整，是否又会面临被“吃掉”的风险？

面对这个尖锐追问，石一的思考分为两个层面。

首先，他将垂直AI公司的竞争壁垒归纳为四个层级：感知（Perception）、规划（Planning）、递归学习（Recursive Learning）和治理（Governance）。

“市场上主流大模型公司就那么几家，技术排名每三个月就可能洗牌一次。通过编排层，你可以集成所有模型，在不同场景调用最擅长的那一个。但单一模型公司只能用自己的模型，一旦你的底座模型不是最聪明的，产品竞争力就直接打折。”随着通用大模型快速覆盖前两层能力，石一认为，真正的壁垒将集中在后两层，而最终的护城河在于编排层（Orchestration Layer）。

他解释道，当多个Agent在企业系统内协作时，它们可能在人类看不见的地方进行“私下协商”，甚至绕过预设的权限规则。垂直公司真正的价值，在于能为特定业务场景，设计出既开放高效、又安全可控的运行环境。

至于这个判断是否绝对正确，他坦承并无百分之百的把握。“AI变化太快了，未来真的难以预测。”但他确信一点：只要垂直企业能打好AI编排和AI治理这两张牌，解决好环境设计问题，至少不会在下一波模型能力跃升时，被轻易地掀翻牌桌。

语音模型将迎来重构，主动式Agent或催生按效果付费新范式

明确了如何打造有竞争力的产品，下一个问题便是：如何让市场真正认可并为之付费？

FlashLabs目前的商业化主要围绕两个产品展开：Super Agent按token消耗量付费；其二，将自研的Chroma语音模型开源，但基于该模型之上的平台和服务进行收费。这亦是当下常见的技术商业化路径：用开源建立生态信任，用服务收回商业价值。

目前，日本一家财税公司正在使用FlashLabs的Chroma语音模型替代部分真人客服。他们采用1/10的员工规模进行测试，让AI与人工坐席同时在线，持续比对双方在准确率、处理效率等维度的表现。验证方式简单直接：用数据说话。

当整个行业都将目光聚焦于多模态和视频理解时，石一却带领团队死磕实时语音模型Chroma，将端到端延迟压缩到了135毫秒。“语音的使用边界，与视觉在同一量级上，”他判断道。

“在文字大模型出现之前，我们有OCR、有NLP，各种小模型拼拼凑凑。现在的语音领域，就处在文字大模型爆发前夜的状态——ASR、TTS、各种模块拼凑，每个环节都在做局部优化。这个旧架构迟早会被一个端到端的语音大模型整体替代。”他的策略是，与其等待别人来碘伏，不如自己成为那个替代者。

石一认为，语音是人类之间最自然的沟通模态，未来也必然是人机交互的核心界面。“语音传输的信息带宽远大于文字，一句话就能传递复杂意图和情感。”他甚至认为，语音模型对“具身智能”的推进也至关重要。其架构可分为三层：第一层是实时语音模型，负责低延迟、高情商的即时交互；第二层是深度思考大模型，处理复杂推理；第三层是世界模型，理解物理规则。“语音的应用潜力，与视觉同等巨大。”这是他当下最确信的长期判断之一。

此外，石一认为当前的AI商业化模式只是过渡形态。因为现有的Agent本质上仍是“被动反馈”的，用户发出指令，它才执行，形态上仍未脱离聊天机器人的范畴，因此商业模式仍是按资源消耗（token）付费。

但当Agent进化到“主动式服务”阶段，即你只需设定KPI或OKR，它便能自主规划路径、寻找方法、交付可衡量的结果时，它的对标物就不再是工具，而是员工。显然，公司不会按员工打了多少字来发工资，而是看他完成了什么目标。

因此，他判断进入“主动智能”时代后，商业付费逻辑理应切换到按效果、按KPI付费。一旦这个切换发生，整个Agent产品的定价体系、销售模式和客户关系都将被重构。

新的商业模式探索已在产业深处悄然开始。刚刚获得6000万美元B轮融资的AI律师事务所Crosby，便是让多个智能体分工负责合同审查的不同环节，如提取信息、提出修改建议、生成批注等，最后由律师审核AI成果。其商业模式是按审核通过的合同份数收费，每份250至1000美元，根据页数大致折算为每页10至50美元。

当然，进化到下一个商业模式的前提，是主动式Agent能真正稳定、可靠地交付可衡量的业务结果。“现在，我们还没完全走到那一步。”石一补充道。

从FlashIntel到FlashLabs，石一用一年时间完成了一次代价清晰的组织与战略校准。裁员、推翻产品架构、暂缓商业化，这一系列动作在外界看来是不断的“减法”。

但置于AI行业快速迭代的洪流中，这更像是一家创业公司在剧变中的自我定位与生存实验。模型能力每隔数月就可能跃升，无人能完全预判未来。对石一和FlashLabs而言，现阶段的核心任务并非抢占多少市场份额，而是确保自身的技术路径与商业逻辑，不至于在下一波浪潮袭来时被轻易淘汰。

行业仍在探索Agent的终极形态，付费模式、安全边界、交互方式的终局都远未尘埃落定。FlashLabs的选择未必是唯一的最优解，但它清晰地折射出一类垂直AI公司在现实压力下的求生路径：在底层大模型不断向下渗透的阴影中，先找到一个足以站稳脚跟的立足点，再等待整个行业走向真正的成熟。

*头图来源：FlashLabs