导航|地址|刷新
奥特曼预言与现实相差几何？12个顶级模型“创业”一年，仅3个存活_手机网易网




















网易网易号



0







奥特曼预言与现实相差几何？12个顶级模型“创业”一年，仅3个存活


钛媒体APP
2026-04-03 17:11·北京·独立财经科技媒体

0


“在 AI 时代，一个人有可能创办一家估值 10 亿美元的独角兽公司。”2024 年初，OpenAI CEO 山姆·奥特曼（Sam Altman）抛出考虑了这个后来被广泛引用的判断。

数据似乎也正验证这一趋势。据股权管理平台Carta 统计的2025 年数据显示：超过三分之一的新公司由单人创始人创办。从 2019 年的 23.7% 到 2025 年上半年的 36.3% ，独立创始人创立公司的比例在六年间增长了 53% 。不仅不需要联合创始人了，甚至一个人、一套 AI 工具就能打天下的“一人公司”案例也开始出现在科技媒体的报道中。

AI越来越强，但一个人+AI，真的等于一家公司吗？AI能做到什么程度？

Collinear AI（专注企业级AI Agent的初创公司）的研究团队认为，整个行业正在快速迈向长周期、多步骤的Agent工作流，但可靠性并没有跟上这一进程。因此，他们发布了YC-Bench（首个带有模拟时钟的开源长时序 Agent 评测基准） 试图用科学的方式回答这个问题——不是靠感觉和案例，而是把“一个人能做的事”拆解成可量化的任务，然后用全球最强的 AI 模型逐一去测试。

研究团队构建了一个高拟真度的模拟创业环境，AI 在里面扮演 CEO，让 AI Agent 从零运营一家公司：管理员工、挑选项目合同、应付难缠的客户、维持公司账上的现金流。一年后，从起始资金 20 万美元，到最终能活下来且赚钱的，12 个顶级模型里，只有 3 个做到了。

论文来源： YC-Bench: Benchmarking AI Agents for Long-Term Planning and Consistent Execution https://arxiv.org/abs/2604.01212
YC-Bench 怎么测的？

前沿模型能经营一家创业公司吗？

带着这样的疑问，研究团队发布了 YC Bench。其核心设计思路是：给一个前沿模型种子资金、一支小团队和一个任务市场，让它模拟经营一家 AI 初创公司——管理员工、按时交付、分配资源，在一年内实现利润最大化。



打开网易新闻 查看精彩图片

核心挑战有三层：


不确定性下的规划：市场是部分可观察的，AI 不能“偷看答案”，必须基于不完整信息做决策。

延迟反馈：很多决策的后果要几周甚至几个月才显现，AI 必须从延迟的信号中学习和调整。

错误累积：早期的一个糟糕决策会在后期放大，最终导致破产——这正是现实创业中最残忍的规律。


其中，研究团队增加了对抗性压力：环境里有意设置了难缠的客户、不断上涨的人力成本，让 AI 在压力下做出判断。

评估的方法，是12 个模型（含闭源和开源），每个模型跑 3 次（不同随机种子数据集），唯一允许在回合间“记事”的工具是 Scratchpad（草稿本）——相当于 AI 的内部笔记本，这是它跨回合保持记忆的唯一方式。

在这个评测中，Agent = LLM + 工具 + 决策框架，LLM 是大脑，框架是手脚。

每个被测模型都被套上了一层 Agent 框架，让它们能：


查看公司当前状态（财务报表、员工情况）

根据看到的信息做推理和决策

调用工具执行动作（分配任务、招聘员工、推进时间）


这 12 个模型做的就是这个 Agent 循环，不是单纯地回答问题。YC-Bench 测的不是"哪个大模型答卷考得好"，而是"哪个模型当老板当得好"。

12 个模型，同一场压力测试，结果：三个没想到

研究团队挑选了 12 个来自不同公司的主流 AI 模型，放在同一套环境里进行三轮独立测试。



打开网易新闻 查看精彩图片

模型在模拟环境里的行为差异极大，主要体现在四个维度。其中，Scratchpad 写入频率反映了 AI 在长程任务中进行主动规划和自我反思的强度；任务检查比例反映了 AI 是否主动核实客户可信度；并发任务数反映 AI 是否存在“过度并行”问题。



打开网易新闻 查看精彩图片

在计算成本与稳定性上，API成本差异极为悬殊，而结果却并不与成本正相关。



打开网易新闻 查看精彩图片

图中可以看到不同模型之间运行时间差异巨大。同样跑完一年模拟，Claude Opus 4.6 用了70分钟，GPT-5.4 Nano只用了3分钟。深入拆解，有以下几个原因：


首先，运行时间和Token量强相关，这意味着AI在每个决策回合“想了多久”。Claude Opus 4.6 产生了16.7M token，而GPT-5.4 Nano只有2.0M token。这背后源于两个行为：Scratchpad的写入量（记录各种情况）和每轮发出的命令数（与环境交互）。

其次，不同模型本身推理速度和吞吐量差别也很大，比如Gemini Flash系列是专为速度优化，推理极快，其他GPT-5.4 Nano/Mini也是轻量级小模型，参数少、推理快，而Claude Opus 4.6是旗舰大模型，参数量大，每个Token计算量高，自然也就慢了。

此外，还存在API网络延迟的叠加效应。YC-Bench中跑了几百个回合，每轮都要调用API，旗舰款模型的响应延迟高于轻量模型，再乘以几百轮，延迟就会被大幅放大。


综合来看，结论还是有不少让人意外之处。

1. 顶级模型的差距，比想象中大得多

在三轮测试中，12 个模型里，只有 3 个能持续跑赢 20 万美元起始资金。剩下 9 个，要么勉强持平，要么在一年内走向破产。



打开网易新闻 查看精彩图片

但更有意思的是始终存活下来的前三名对比：



打开网易新闻 查看精彩图片

Top 3 模型最终资金对比

其中，GLM-5 以极低成本接近 Claude Opus 的表现，可以说是 Claude Opus 的“性价比杀手”——差距极小，但算力消耗天差地别。这对那些想用 AI 运营公司的人来说，是个重要信号：最贵的模型不一定是最优的。

2. Scratchpad 是生死线

这是整个论文最反直觉的发现：决定输赢的并不完全是参数量，而是Scratchpad 的使用方式。

例如，在前文表格中，Gemini 3.1pro 作为旗舰款的Pro模型，按惯例来讲应该是同系列中参数最大的，但在三次测试中破产两次；反观其轻量版模型Gemini 3 Flash一次都没有破产，虽然最终资金不多，但至少活下来了。

而其他能持续、规律地使用 Scratchpad 做规划和自我反思的 AI（如 Opus 4.6、GLM-5、GPT-5.4），表现远优于那些"走一步看一步"的 AI。GPT-5.4 虽然 Scratchpad 使用频率极高（10.6次/100轮），但其高任务检查率使其也维持了稳定盈利。



打开网易新闻 查看精彩图片

这像极了人类创业者：那些随时记笔记、复盘决策、做长期打算的人，往往比那些凭直觉行动的人走得更远。AI 也不例外。

3. 第一道坎，来自最难缠的客户

47% 的破产都始于对抗性客户——AI 在没有充分核实背景的情况下接受了不利条款，或者没有识别出客户的恶意意图。其他主要失败原因包括：员工分配不当（26%）、过度并行化（17%）以及其他因素（10%）。

这个数字令人意外：人们通常认为 AI 在逻辑推理和数据分析上很强，但识别意图和风险，恰恰是它最薄弱的地方。

更讽刺的是，论文还发现前沿模型有一种独特的失败模式：过度并行化——Claude Sonnet 4.6 平均同时承接 7.2 个任务，远超其他模型，但这种"多线程"策略反而导致资源分散、每条线都做不深。

这不只是论文，更像是现实的压力测试

看完这些实验数据，你会发现 YC-Bench 测的，其实就是"一个人 + AI 工具"能否真正成为一家公司的核心能力。



打开网易新闻 查看精彩图片

换句话说，YC-Bench 用代码模拟的，正是每一个想靠 AI 创业的"超级个体"每天都在面对的真实挑战。

山姆·奥特曼说，一个人可以创办一家独角兽。

YC-Bench 的研究说明，前提是这个人得比 AI 更懂什么时候不该听 AI 的。这不是对 AI 的否定，恰恰是对 AI 时代“一人公司”最诚实的定义：一个人 + AI，不是降低了对创业者的要求，而是把要求从“你会多少技能”变成了“你有多擅长做判断”。

YC-Bench 的价值，不在于告诉我们 AI 能做什么，而在于诚实地揭示了 AI 现在还不能做什么——以及在那些缝隙里，一个人必须自己补上的那些能力。

最后，综合这份论文中的判断，或许可以给在做“一人公司”的人提供几个提示：


不要被 AI 的“智商”骗了——模型在各项评测榜单上分数很高，但在长程任务里，坚持用笔记、持续复盘、主动识别风险的做事习惯，比纯粹的推理能力更重要。目前没有哪个模型在这一点上做到完美，包括测试中的大赢家Claude Opus。

“最贵的”不等于“最合适的”——GLM-5 的出现说明，模型选择上存在被严重低估的性价比路线。一人公司本就在资源有限的前提下运营，没必要为最贵的模型付溢价。

早期的一个失误，真的会杀死你——这是YC-Bench最残酷的发现：AI 在前几个月的决策质量，直接决定了后期的发展空间。一个人创业也是如此——最初的合同、人员、方向选择，会在12个月后被放大成巨大的优势或劣势。

AI 的盲点，在人际判断上——47%的破产源于客户识别失误，这不是技术问题，而是 AI 缺乏“社会经验”的系统性弱点。在现实中，这意味着一个人用 AI 跑公司，必须自己在关键决策上保持判断力，而不是完全依赖 AI 的建议。


（文｜数智达观，作者｜盖虹达，编辑丨杨林）








特别声明：本文为网易自媒体平台“网易号”作者上传并发布，仅代表该作者观点。网易仅提供信息发布平台。






打开网易新闻体验更佳




热搜

科技股“三度探底”

今年军校报考热度与生源质量均创历史新高

龚宝冬遇难 西南政法大学官网变黑白

男孩被奶奶责怪负气离家5天后被找到

微软股价涨幅扩大至15%

宇树科技：8月10日打新





热门跟贴




打开APP发贴

0条跟贴








相关推荐




吓到奥特曼，暂停训练GPT-6？Hugging Face公开首个AI攻击全过程

新智元82跟贴









为什么让 AI 理解世界的前提是读懂因果？

机器之心Pro









3步推理生成加速20+倍！CoLT教会多模态大模型用「潜思维链」思考

机器之心Pro









马斯克发Grok新模型！登智能体测评榜首，比OpenAI家便宜一半

智东西









神秘黑马-莫刻机器人冲榜WorldArena，仅32张真武810E封神

机器之心Pro









谁刷谁上头！OpenAI创始人奥特曼自曝短视频上瘾，网友：真戒不掉

雷科技









贾扬清再创业，造了一支AI军团，让GLM-5.2提速534%

智东西









大模型、机器人之外，社会智能补上AGI第三极

机器之心Pro









具身智能还在“前GPT时代”

钛媒体APP3跟贴









10万科学家免费用1年！OpenAI把科研流水线搬进ChatGPT

新智元









金融AI有三大红线 AI只能辅助 不能主导投资决策

财联社









人形机器人“拐点”已至：产量只是下限，模型决定天花板

经济观察报









00后小哥复刻Claude最强神话模型OpenMythos

量子位









Agent输出到底该用谁？ 卡帕西转发：试试让AI输出HTML

量子位









动易科技PhyAgents双足人形自主对打羽毛球，无遥控，实时决策击球落点

量子位









王晓野：Working Agent将是下一个爆发点

量子位









“AI领域最被滥用的术语”李飞飞终于把世界模型讲明白了

量子位









AI Agent是科技革命中的一次真正的范式转移

量子位









讯飞首发实时生成技术！像真人主播一样临场应变，表情动作实时刷新

智东西









奥特曼：特定条件下用OpenAI模型比Kimi更划算

明亮Company1跟贴











回到顶部回到首页



------
导航页 打开网址