探路“一人公司”｜對(duì)話OPC創(chuàng)業(yè)者肖鎮(zhèn)中：研發(fā)小模型徹底顛覆“龍蝦”限制

中經(jīng)記者 陳靖斌 深圳報(bào)道

在AI大模型持續(xù)演進(jìn)、資本與技術(shù)資源向頭部集中之際，一種與“規(guī)模化敘事”并行的路徑，正在悄然形成。2026年年初，隨著AI Agent從“輔助工具”向“執(zhí)行主體”加速演進(jìn)，“少人+AI”的創(chuàng)業(yè)形態(tài)開(kāi)始從技術(shù)圈內(nèi)部實(shí)驗(yàn)，向更具現(xiàn)實(shí)可行性的產(chǎn)業(yè)路徑外溢。圍繞“大模型是否終局形態(tài)”的討論，也逐步從能力邊界延伸至部署方式與成本結(jié)構(gòu)的再平衡。

“長(zhǎng)遠(yuǎn)來(lái)看，AI不會(huì)只是云端超大模型一家獨(dú)大。”在前海一處OPC社區(qū)辦公空間內(nèi)，剛剛回國(guó)不久的肖鎮(zhèn)中對(duì)記者表示，“更多場(chǎng)景會(huì)在各種硬件和消費(fèi)電子產(chǎn)品上發(fā)生，小模型的本地推理會(huì)成為基礎(chǔ)能力。”在他看來(lái)，這一路徑的現(xiàn)實(shí)意義，不僅在于技術(shù)分化，更在于對(duì)既有調(diào)用體系的重構(gòu)——“云端的OpenClaw（‘龍蝦’）能力很強(qiáng)，但它的使用方式，本身也構(gòu)成了一種限制。”

圖/OPC創(chuàng)業(yè)者、深圳市內(nèi)卡科技有限公司負(fù)責(zé)人肖鎮(zhèn)中（受訪者供圖）

與之并行的另一層變化，則來(lái)自創(chuàng)業(yè)組織形態(tài)本身。當(dāng)“一個(gè)人公司”成為熱詞，其可行性邊界與適用條件，也在實(shí)踐中被不斷檢驗(yàn)與修正。“AI確實(shí)能放大生產(chǎn)力，但不是所有問(wèn)題都能靠一人+AI解決。”肖鎮(zhèn)中強(qiáng)調(diào)，這種“被放大”的效率背后，仍然存在精度驗(yàn)證與協(xié)同復(fù)雜度的結(jié)構(gòu)性約束。

在技術(shù)路徑與組織形態(tài)的雙重變化中，一個(gè)更具現(xiàn)實(shí)意味的問(wèn)題逐漸浮現(xiàn)：當(dāng)AI從“能力競(jìng)賽”進(jìn)入“部署競(jìng)賽”，端側(cè)小模型是否正在成為打破“OpenClaw式調(diào)用依賴(lài)”的關(guān)鍵變量。

研發(fā)能“死命用”的端側(cè)小模型

從團(tuán)隊(duì)構(gòu)成看，肖鎮(zhèn)中團(tuán)隊(duì)共9人，全部為人工智能方向博士，分別來(lái)自劍橋大學(xué)、牛津大學(xué)及馬普所等頂尖高校與科研機(jī)構(gòu)，長(zhǎng)期從事大模型結(jié)構(gòu)和訓(xùn)練相關(guān)研究，具備扎實(shí)的底層技術(shù)積累。

在此背景下，肖鎮(zhèn)中向記者表示，團(tuán)隊(duì)選擇切入小模型賽道，并非單一因素驅(qū)動(dòng)：一方面源于團(tuán)隊(duì)的技術(shù)積累，另一方面則是對(duì)應(yīng)用場(chǎng)景與部署邏輯的趨勢(shì)判斷。

具體而言，在當(dāng)前主流技術(shù)路徑中，大模型主要依托數(shù)據(jù)中心算力運(yùn)行，并通過(guò)云端OpenClaw體系對(duì)外提供服務(wù)，其核心優(yōu)勢(shì)在于通用性與規(guī)模化能力輸出。然而，隨著應(yīng)用逐步深入，使用成本高企、對(duì)網(wǎng)絡(luò)環(huán)境的強(qiáng)依賴(lài)以及調(diào)用邊界受限等問(wèn)題，正開(kāi)始在實(shí)際落地過(guò)程中持續(xù)暴露，并對(duì)部分場(chǎng)景形成約束。

“OpenClaw很強(qiáng)，但你必須聯(lián)網(wǎng)、有調(diào)用限制，還要考慮費(fèi)用。”肖鎮(zhèn)中表示，“很多時(shí)候你不敢‘死命用’，因?yàn)槊恳淮握{(diào)用，本質(zhì)上都是成本。”

相較之下，本地部署的小模型，則呈現(xiàn)出另一種使用邏輯，也構(gòu)成對(duì)上述限制的直接回應(yīng)。

“本地模型更像是你自己的算力資源，可以無(wú)限使用，不用擔(dān)心賬戶被耗光。”他補(bǔ)充道，“某種程度上，它是在把原本受限于OpenClaw的能力，轉(zhuǎn)化為可控的本地能力。”

在具體技術(shù)路徑上，肖鎮(zhèn)中強(qiáng)調(diào)，其團(tuán)隊(duì)的小模型并非單純依賴(lài)“大模型蒸餾”這一降本方案，而是圍繞端側(cè)場(chǎng)景進(jìn)行定向優(yōu)化。

“蒸餾是一種方法，但我們更多是針對(duì)特定場(chǎng)景做模型設(shè)計(jì)。”他表示，“端側(cè)設(shè)備的算力和計(jì)算方式都受限，不能簡(jiǎn)單復(fù)制數(shù)據(jù)中心的邏輯。”

在其描述中，小模型（通常在7B參數(shù)以下）雖然在通用能力上不及大模型，但通過(guò)任務(wù)專(zhuān)精，可以在特定場(chǎng)景中維持較高性能水平，并在使用方式上形成差異化優(yōu)勢(shì)。

“這更像是一種分工。”肖鎮(zhèn)中表示，“通用能力交給大模型，但高頻、剛需、對(duì)隱私敏感的場(chǎng)景，可以由本地小模型承接。”

基于這一判斷，其團(tuán)隊(duì)將未來(lái)落地場(chǎng)景指向智能終端與本地化系統(tǒng)能力，包括手機(jī)、耳機(jī)、智能家居等設(shè)備。

“未來(lái)小模型會(huì)內(nèi)置到設(shè)備里，成為本地的‘OpenClaw’。”他說(shuō)，“用戶不需要再每一次都去調(diào)用云端，而是直接在本地完成推理。”

這一表述，實(shí)際上指向一種更底層的變化：AI能力的“調(diào)用權(quán)”，正從平臺(tái)側(cè)向終端側(cè)部分回流。

與技術(shù)路徑變化并行的，是對(duì)“OPC創(chuàng)業(yè)形態(tài)”的實(shí)踐性理解。

盡管團(tuán)隊(duì)規(guī)模為9人，已超出“一人公司”的字面定義，但肖鎮(zhèn)中并未否認(rèn)這一模式的內(nèi)核邏輯。

“我們創(chuàng)業(yè)時(shí)，OPC還沒(méi)那么流行。”他表示，“但我認(rèn)同這種模式——用更少的人，通過(guò)AI撬動(dòng)更大的生產(chǎn)力。”

在具體實(shí)踐中，其團(tuán)隊(duì)已將AI工具深度嵌入開(kāi)發(fā)流程。

“我們每天用coding agent寫(xiě)代碼，效率提升是很明顯的。”肖鎮(zhèn)中向記者表示。

但與此同時(shí)，他也對(duì)當(dāng)前市場(chǎng)對(duì)OPC模式的樂(lè)觀預(yù)期，提出了更為審慎的觀察。

“AI現(xiàn)在很熱，大家覺(jué)得它什么都能干，但真正用好它解決復(fù)雜問(wèn)題，并不簡(jiǎn)單。”他說(shuō)。

例如，在文本生成類(lèi)任務(wù)中，AI可以快速產(chǎn)出大量?jī)?nèi)容，但其準(zhǔn)確性難以驗(yàn)證。

“寫(xiě)郵件、寫(xiě)文案，看起來(lái)很高效，但你很難確認(rèn)它是不是完全正確。”他表示。

而在代碼等高精度任務(wù)中，這一問(wèn)題則更為突出。

“AI一次生成很多代碼，你怎么快速驗(yàn)證對(duì)錯(cuò)？”肖鎮(zhèn)中反問(wèn)。

因此，在其看來(lái)，“一人公司”的適用范圍仍存在明顯邊界。

“不是所有方向都能靠一人+AI搞定，很多工作還是需要團(tuán)隊(duì)協(xié)作。”他說(shuō)。

顛覆限制仍需算力支持

如果說(shuō)端側(cè)小模型路徑代表著一種技術(shù)方向的再選擇，那么其背后的現(xiàn)實(shí)約束，則更多體現(xiàn)在資源結(jié)構(gòu)與工程化能力上。

在當(dāng)前階段，肖鎮(zhèn)中團(tuán)隊(duì)尚未完成融資。

“我們剛起步，還在準(zhǔn)備融資階段。”他向記者表示。

但即便在早期階段，資源壓力已經(jīng)顯現(xiàn)。

“做小模型，訓(xùn)練成本很高，很容易就燒掉上千萬(wàn)級(jí)資金。”他說(shuō)。

這一表述，揭示出一個(gè)常被忽視的現(xiàn)實(shí)：小模型并不等同于“低成本模型”，其研發(fā)階段依然高度依賴(lài)算力資源。

“本質(zhì)問(wèn)題是，模型變小之后，如何保證能力。”肖鎮(zhèn)中表示。

在其看來(lái)，這一問(wèn)題并非簡(jiǎn)單的工程優(yōu)化，而是涉及模型能力與資源約束之間的結(jié)構(gòu)性矛盾。

“大模型越大能力越強(qiáng)，現(xiàn)在要壓縮它，同時(shí)還要保持性能，這是最難的。”他說(shuō)。

目前，其團(tuán)隊(duì)部分算法已在實(shí)驗(yàn)環(huán)境中驗(yàn)證，并在學(xué)術(shù)界取得一定成果。

“我們?cè)谝恍﹫?chǎng)景里已經(jīng)跑通，也發(fā)表了論文。”他表示。

但從科研成果到產(chǎn)業(yè)化落地，仍存在明顯斷層。

“從實(shí)驗(yàn)室到工程落地，還有數(shù)據(jù)質(zhì)量、硬件限制等一系列問(wèn)題。”肖鎮(zhèn)中指出。

這一階段性差距，也直接影響到項(xiàng)目推進(jìn)節(jié)奏與資源配置。

因此，在現(xiàn)階段，其團(tuán)隊(duì)選擇以自籌資金進(jìn)行小規(guī)模驗(yàn)證。

“先把算法在小場(chǎng)景里打磨出來(lái)，再逐步放大。”他說(shuō)。

在更宏觀層面，這種資源約束并非個(gè)體問(wèn)題，而是當(dāng)前AI創(chuàng)業(yè)生態(tài)的共性特征。

“對(duì)我們來(lái)說(shuō)，最大的需求就是算力資源。”肖鎮(zhèn)中表示。

目前，地方政府已提供包括算力券在內(nèi)的支持工具，但其具體使用與適配，仍需企業(yè)自行探索。

“我們后續(xù)會(huì)去了解和申請(qǐng)。”他說(shuō)。

與此同時(shí)，他也提出了更具結(jié)構(gòu)性的政策期待。

“如果在Token使用或者AI agent消耗上有支持，對(duì)整個(gè)生態(tài)都會(huì)有幫助。”肖鎮(zhèn)中表示。

這一表述，實(shí)際上指向AI創(chuàng)業(yè)中另一個(gè)關(guān)鍵變量：調(diào)用成本結(jié)構(gòu)。

在以O(shè)penClaw為代表的云端調(diào)用體系中，Token消耗直接對(duì)應(yīng)企業(yè)成本支出；而在高頻使用場(chǎng)景下，這一成本會(huì)持續(xù)累積，形成對(duì)創(chuàng)新試錯(cuò)的約束。

因此，從算力到Token，本質(zhì)上都是同一問(wèn)題的不同表現(xiàn)形式——即AI能力的“可負(fù)擔(dān)性”與“可控性”。

回到技術(shù)路徑本身，小模型的價(jià)值，并不僅在于性能優(yōu)化，更在于對(duì)這一成本結(jié)構(gòu)的重構(gòu)。

通過(guò)本地部署，其在一定程度上繞開(kāi)了對(duì)OpenClaw的持續(xù)調(diào)用依賴(lài)，使AI能力從“按次計(jì)費(fèi)”轉(zhuǎn)向“本地資產(chǎn)化使用”，從而在使用頻率、隱私保護(hù)與響應(yīng)穩(wěn)定性上形成新的均衡。

但與此同時(shí)，其前置投入與工程復(fù)雜度，也對(duì)創(chuàng)業(yè)團(tuán)隊(duì)提出了更高要求。

在肖鎮(zhèn)中看來(lái)，這種路徑并非對(duì)大模型的替代，而是一種并行演進(jìn)。

“小模型不是替代大模型，而是結(jié)合。”他說(shuō)。

在“云端大模型”與“端側(cè)小模型”的分工之中，AI能力的供給方式，正在從單一中心化結(jié)構(gòu)，走向更具層次感的分布式體系。而圍繞“誰(shuí)掌握調(diào)用權(quán)、誰(shuí)承擔(dān)成本、誰(shuí)定義體驗(yàn)”的核心問(wèn)題，這一結(jié)構(gòu)性重構(gòu)，或許才剛剛開(kāi)始。

（編輯：趙毅 審核：童海華 校對(duì)：顏京寧）