Permulaan AI Vertikal Melayari Kehidupan Semasa Dominasi Model Umum

Kecerdasan buatan bermula meningkat secara bukan linear, logik asas syarikat AI sedang ditulis semula.

Penulis artikel, sumber: GeekPark

90%, ini adalah kebarangkalian yang diberikan oleh pelabur terhadap kegagalan perusahaan permulaan AI pada tahun 2026.

Pada bulan April, platform penilaian model AI, Yupp, yang dipimpin pendanaan oleh a16z dan telah mengumpulkan pembiayaan benih sebanyak $33 juta, tiba-tiba mengumumkan penutupannya. Platform ini, yang mendapat sokongan dari tokoh-tokoh besar Silicon Valley seperti Jeff Dean, ilmuwan utama Google, dan Biz Stone, salah seorang pencipta Twitter, menarik 1,3 juta pengguna dalam masa kurang dari setahun sejak pelancarannya, tetapi tiba-tiba dihentikan oleh pendirinya. Walaupun masih mempunyai banyak dana di atas kertas, pendiri tersebut sudah tidak lagi melihat harapan. “Hanya dalam setahun terakhir, lanskap kemampuan model AI telah berubah secara besar-besaran; masa depan bukan lagi tentang model, tetapi sistem Agent,” tulis pendiri Yupp, Pankaj Gupta, dalam blog perpisahannya.

Pada masa yang sama, syarikat imej AI, NeuroPixel, ditutup akibat peningkatan kemampuan model besar seperti Google NanoBanana Pro, dan pendiri NeuroPixel menggunakan satu perkataan untuk menggambarkan kekalahan ini: outgunned — «dipukul hingga tiada daya untuk membalas dalam semalaman».

Dalam konteks peningkatan pintar berasaskan model asas, sempadan kemampuan AI terus meluas; awalnya, kotak perbualan menggantikan carian, dan pengguna tidak lagi perlu melalui halaman untuk mencari hasil. Seterusnya, agen mulai menggantikan perisian — sebuah agen yang mampu memanggil alat dan menguraikan tugas boleh menyelesaikan perkara yang dahulu memerlukan satu set menu dan aplikasi. Apabila AI boleh menulis kod, memanggil antaramuka, dan melaksanakan tugas secara langsung di terminal, sempadan sistem perisian tradisional juga sedang ditakrif semula.

Bagi produk manajer, mereka perlu mempertimbangkan semula mentakrif bentuk produk dan cara interaksi. Bagi para pendiri, masalah yang menentukan kelangsungan hidup telah berada di hadapan mereka:

Semakin pintar model asas, bagaimana saya hendak memulakan perniagaan? Apa yang saya lakukan sekarang, bagaimana cara memastikannya tidak diserap oleh kemas kini model seterusnya?

Pendiri FlashLabs, Shi Yi, telah hidup dengan soal ini selama setahun terakhir. Beliau membuat serangkaian keputusan yang kelihatannya bertentangan dengan akal sehat dari luar: membatalkan rancangan produk, secara aktif mengurangi pasukan, meninggalkan indikator komersial jangka pendek, bahkan mengganti nama perusahaan. Kami berbincang dengannya tentang bagaimana perusahaan AI khusus yang dulunya berkembang harus bertahan hidup di era evolusi model umum.

Rasa kecemasan bukanlah sesuatu yang baru muncul di hadapan pendiri hari ini. Pada akhir 2024, Shi Yi sudah menyedari bahawa kelajuan evolusi kecerdasan model universal terlalu pantas.

Yang pertama kali membuatnya merasa ada yang tidak beres ialah kehancuran perusahaan AI unicorn, Jasper. Perusahaan bintang yang pernah dianggap sebagai tolok ukur lapisan aplikasi AI, mencapai valuasi 1.5 miliar dolar AS dalam 18 bulan, tetapi pendapatannya turun separuh selepas kemampuan asli GPT dibuka. “ARR Jasper terus berkurang separuh,” kenang Shi Yi, “perusahaan-perusahaan yang sebelumnya fokus pada NLP akan dimakan oleh model besar seiring peningkatan kemampuan model tersebut.”

Penilaian ini seperti duri yang menancap di hatinya, menimbulkan rasa tidak tenang. Pada masa itu, syarikatnya masih bernama FlashIntel dan masih menjalankan perniagaan SaaS B2B yang lebih tradisional. Menurut logik SaaS B2B tradisional, selagi anda mengumpulkan data industri yang mencukupi di satu segmen yang cukup khusus, serta membina rintangan teknologi yang patuh dan selamat, pasti akan ada ruang pasaran untuk bertahan hidup, tetapi kini semua ini sudah tidak lagi berkesan.

“Apakah perkara yang saya lakukan juga akan menghadapi masalah yang sama?” Soal ini mula berulang-ulang muncul dalam pemikirannya. Dengan cepat, dia sedar bahawa tindakannya sendiri pada dasarnya tidak berbeza dengan Jasper, dan sistem produk lama semuanya dibina berdasarkan anggapan bahawa keupayaan model tidak akan melebihi model khusus. Sekiranya kecerdasan model asas melampaui titik kritikal tertentu, semua rekabentuk dan pengoptimuman skenario yang dibina di atas produk khusus mungkin kehilangan kelebihannya dalam semalaman.

Dengan kesimpulan itu, dia secara langsung menaikkan isu penting ini ke tahap tertinggi dalam strategi syarikat, memaksa pasukan membuat keputusan—syarikat mesti berpindah sepenuhnya dari SaaS kepada AI Native.

Penyesuaian ini bukanlah sesuatu yang terjadi seketika. Pertanyaan pertama yang dia ajukan adalah, struktur organisasi seperti apa yang diperlukan oleh perusahaan AI generasi berikutnya?

Dia merasakan bahawa dalam masa kini, syarikat tidak lagi boleh mengejar bilangan pasukan dan pembahagian tugas yang terperinci. “Di era AI, semakin ramai orang, semakin buruk penggunaan AI, kerana semakin halus pembahagian tugas, semakin setiap orang bergantung hanya pada bahagian mereka sendiri.” Dia mula secara aktif mengurangkan saiz pasukan, dan mengalihkan piawaian perekrutan dari “melihat pengalaman dan projek” kepada “melihat cara berfikir dan kemampuan penuh.” Kaedah ujian calonnya juga berubah—tidak lagi melihat latar belakang atau pengalaman lampau, tetapi terus memberi tugas kepada calon untuk melihat sama ada seseorang itu mampu menggunakan AI untuk menyelesaikan keseluruhan aspek depan dan belakang. “Orang yang mampu menyelesaikannya, pasti tidak akan menggunakan alat AI dengan buruk.”

Seterusnya, beliau menyesuaikan keutamaan sumber daya dalaman syarikat. Ketika kebanyakan syarikat rintisan masih mengejar kelajuan pelancaran produk dan pengesahan komersial, beliau memilih untuk mengalihkan sebahagian besar sumber ke arah penyelidikan mutakhir, bahkan menukar nama syarikat menjadi FlashLabs.

“Dulu logik internet adalah produk atau operasi lebih diutamakan, tetapi sekarang dalam membuat AI, research harus diutamakan.” Dia meminta dirinya dan pasukannya untuk membaca kertas kerja dan memahami prinsip pertama, “Hanya dengan mendekati prinsip pertama, anda akan tahu apa lagi yang boleh dilakukan AI di masa depan dan apa yang boleh digantikan.”

Transformasi ini juga membawa masa "kesakitan" dalaman perusahaan, di mana tidak semua ahli pasukan memahami penyesuaian struktur besar ini. Ketika dia dan pasukannya berkata, "Jangan fikirkan komersialisasi dahulu, buat perkara yang keren dahulu," ada yang sangat bersemangat di dalam syarikat, tetapi ada juga yang memilih untuk pergi. Namun, dia berpegang teguh bahawa dalam era AI, melakukan pengurangan lebih penting, "Jika anda tidak bersetuju, maka anda hanya perlu buangnya."

Tetapi yang lebih penting lagi, apakah jenis pendiri yang akan bertahan di era AI?

Jawapan Shi Yi dibahagikan kepada dua separuh ayat: separuh pertama menghadapi realiti, "Setidak-tidaknya anda boleh mendapatkan pendanaan, selagi anda tidak mati, atau anda mempunyai dana yang mencukupi untuk terus menyuntik dana." Separuh kedua ialah apa yang sebenarnya ingin dia katakan, "Adakah anda mempunyai kemampuan pemikiran mendalam yang lebih kuat daripada AI?"

"Mengapa model besar mampu melakukan semakin banyak perkara? Kerana esensi semua sains semula jadi adalah matematik, dan model boleh menulis kod serta memahami matematik. Dengan menguraikan rantai ini langkah demi langkah, kemampuan sejati yang paling jarang dimiliki manusia tinggal satu sahaja: berfikir lebih mendalam daripada AI dalam satu bidang tertentu," kata Shi Yi. "Banyak orang tidak memahami AI dengan cukup baik. Lihatlah berapa banyak pendiri yang benar-benar menulis kod sendiri atau menggunakan alat AI setiap hari? Kemampuan menulis kod akan menjadi komoditi biasa di masa depan, yang semua orang akan miliki. Tetapi, adakah anda mampu lebih bijak daripada AI? Inilah parit pertahanan sebenar."

Dari kesedaran akan krisis, membuat keputusan, hingga membayar harga untuk merestrukturisasi organisasi, Shi Yi menghabiskan satu tahun untuk menyelesaikan satu "iterasi diri". Dia tidak menunggu pembaruan model untuk memberitahunya hasil akhir, tetapi memilih mencari tempat di mana jawapan yang betul mungkin muncul. Mengenai sama ada tempat itu dipilih dengan betul, itu adalah persoalan lain, tetapi sekurang-kurangnya sekarang, dia masih tidak ingin meninggalkan meja permainan AI.

Penyesuaian struktur organisasi hanyalah langkah pertama dalam perjalanan perusahaan untuk bertahan hidup. Yang benar-benar membuat Shi Yi perlu membuat keputusan teguh untuk berubah adalah rute produk.

Awalnya dia ingin menciptakan sistem kerjasama banyak agen, mengikuti logikanya bahawa lebih ramai orang, lebih banyak kekuatan, dengan meniru struktur organisasi syarikat manusia untuk membina sistem banyak agen: ada yang bertanggungjawab untuk mencari, ada yang bertanggungjawab untuk penarikan kesimpulan logik, dan ada yang bertanggungjawab untuk merangkum hasil.

Namun, hasil ujian sebenarnya membuat Shi Yi menggeleng-gelengkan kepala: “Terlalu perlahan, terlalu lag, hasil yang dihasilkan bahkan lebih buruk daripada satu agen sahaja.” Menurutnya, penghantaran arahan antara agen-agen itu seperti permainan tiub suara yang rendah kualitinya; setiap tambahan perantara, maklumat semakin hilang. “Saya lebih suka seorang jenius dengan IQ 150 yang dilengkapi peralatan sempurna, daripada sekumpulan orang biasa dengan IQ 110 yang memegang alat yang tidak lengkap dan perlu berbincang antara satu sama lain.” Shi Yi secara terus terang menyatakan dalam temu bual itu.

Akhirnya, dia memotong semua sub-Agent yang telah ditetapkan dan memutuskan untuk menciptakan satu Agent yang cukup kuat, menggantikan kolaborasi kluster dengan pelaksanaan paralel multi-thread.

Ini juga merupakan bentuk awal produk terbaru FlashLabs, Super Agent, yang mendorong kecerdasan model tunggal hingga batas maksimum dan melengkapi alat-alatnya hingga batas maksimum. Super Agent terutama memanfaatkan otomatisasi pintar untuk menyatukan sistem pendapatan pengguna, dari pengembangan calon pelanggan hingga penjualan, dengan AI Agent terlibat di semua tahap.

Di tempat wawancara Geek Park, Shi Yi memberikan tugas pencarian informasi kepada Super Agent: “Cari latar belakang pendiri semua perusahaan AI di China yang menerima pendanaan dalam enam bulan terakhir dan keluarkan dalam bentuk jadual.” Selepas itu, Super Agent memulakan puluhan thread tugas secara serentak untuk menjalankan pencarian, penggalian, penulisan kod, dan pembersihan data, dan mendapatkan hasil dalam masa 2-3 minit—jadual tersebut mengandungi nama pendiri, jumlah pendanaan, dan maklumat hubungan awam.

Jika meninggalkan Multi-Agent adalah pengurangan di aras arsitektonik, maka meninggalkan pelokalan adalah pilihan berlawanan dalam logik penghantaran.

Semasa OpenClaw memicu gelombang "Agent Tempatan" di kalangan komuniti pembangun, Shi Yi teguh meletakkan Super Agent di awan. "Sistem seperti OpenClaw jika dijalankan di dalam perusahaan, sama seperti kuda Troya—anda mudah disusupi melalui ia." Beliau percaya bahawa pada peringkat ini, sebarang syarikat yang berani melaksanakan OpenClaw secara besar-besaran di dalam perusahaan sama saja membuka pintu kepada peretas di seluruh dunia.

Menurutnya, kelebihan OpenClaw terletak pada kemampuan potensial untuk menunjukkan inisiatif di peringkat peribadi. Sebagai contoh, dengan OpenClaw, apabila AI meminta pengguna RM2000 untuk menukar kad grafik, pengguna berkata, "Kau cari sendiri," maka AI akan mula meramal pasaran dan menyelidik strategi kuantitatif. "Siapa bos yang tidak suka pekerja yang proaktif?" tanya Shi Yi sebaliknya. Apabila inisiatif ini menjadi sebahagian daripada produk perniagaan, kelajuan penggantian pekerja manusia akan jauh melebihi jangkaan. "Dulu, ketika revolusi industri, kereta kuda berubah menjadi kereta, anda perlu membeli kereta, belajar lesen memandu, dan memperbaiki jalan—ia masih memakan banyak masa. Tapi kali ini berbeza: dengan pelaksanaan berasaskan pengurusan, *pam*, pekerjaan puluhan orang hilang seketika." Beliau juga menjangka bahawa pekerjaan pejabat pada tahun ini akan digantikan secara besar-besaran oleh AI.

Untuk kesukaran dalam pelaksanaan automatik, iaitu bagaimana menjamin keselamatan aplikasi perniagaan, penyelesaian FlashLabs adalah membina sistem kebenaran sandbox yang serupa dengan macOS, menggunakan penghantaran awan dan pemberian kebenaran progresif. Ini bermaksud Agent pada awalnya hanya mempunyai kebenaran minimum untuk menyelesaikan tugas, dan sempadan Agent hanya akan diperluaskan secara bertahap setelah kestabilan dan keselamatan telah diverifikasi berulang kali.

Dia menggunakan Windows dan Mac sebagai contoh: "Di Windows, memasang perisian boleh memberikan kebenaran yang sangat tinggi, pemasangan senyap, pengikatan pelayar, sehingga anda sukar membuangnya. Di Mac, semua program berada dalam persekitaran sandbox, jadi anda tidak pernah perlu memasang perisian anti-virus." Shi Yi percaya bahawa persaingan agen perniagaan akhirnya akan meluas dari kemampuan pemanggilan model kepada kemampuan reka bentuk persekitaran; siapa yang mampu menyediakan persekitaran operasi yang selamat, terkawal, dan boleh diaudit untuk agen, barulah mereka yang boleh membuat pelanggan benar-benar berani menggunakannya.

Namun, jika model sekali lagi melonjak, adakah penyesuaian-penyesuaian ini masih bermakna? Jika GPT-6 atau Claude membawa kemampuan pemecahan tugas dan pemanggilan alat yang lebih kuat, apakah segala sesuatu yang dilakukan FlashLabs hari ini akan sekali lagi tertelan?

Menghadapi soalan ini, Shi Yi tidak mengelak, dan pemikirannya dibahagikan kepada dua aspek.

Dia terlebih dahulu mengkelaskan rintangan perusahaan dalam bidang khusus menjadi empat peringkat: Persepsi (Perception), Perancangan (Planning), Pembelajaran Berulang (Recursive Learning), dan Pentadbiran (Governance).

Terdapat lima syarikat model besar di pasaran, dan peringkat SOTA berubah setiap tiga bulan. Dengan lapisan pengaturan, anda boleh mengintegrasikan semua model dan memanggil model yang paling unggul untuk setiap skenario. Namun, syarikat model tunggal hanya boleh menggunakan model sendiri; apabila model dasar anda bukan yang paling cerdas, daya saing produk anda terus berkurang. Seiring model besar generik dengan cepat merangkumi dua lapisan pertama, Shi Yi percaya bahawa rintangan sebenar kini hanya tinggal dua lapisan terakhir, dan parit pertahanan akhir terletak pada lapisan pengaturan (Orchestration Layer).

Beliau percaya bahawa apabila beberapa agen bekerjasama dalam sistem perusahaan, mereka mungkin berunding secara rahsia di tempat yang tidak kelihatan oleh manusia, mengelakkan peraturan kebenaran yang telah ditetapkan. Halangan sebenar bagi syarikat khusus ialah kemampuan mereka untuk merancang persekitaran operasi yang terbuka tetapi boleh dikawal untuk skenario tertentu.

Mengenai sama ada penilaian ini betul, dia mengakui bahawa dia sendiri tidak mempunyai keyakinan 100%. “AI berubah terlalu pantas, anda benar-benar tidak tahu apa yang akan berlaku di masa depan.” Tetapi dia yakin satu perkara: selama perusahaan vertikal memainkan dua kartu utama—pengaturan AI dan tata kelola AI—serta menyelesaikan masalah reka bentuk persekitaran, mereka sekurang-kurangnya tidak akan tersingkir dari meja semasa lonjakan model seterusnya.

Setelah memahami cara menciptakan produk yang kompetitif, langkah seterusnya ialah bagaimana mendapatkan pengiktirafan daripada pelanggan.

Pada peringkat semasa, Flashlabs mempunyai dua produk utama dalam komersialisasi: Super Agent dikenakan bayaran berdasarkan penggunaan token, dengan harga yang tersedia di laman web rasmi; kedua, mereka membuka sumber model suara Chroma mereka, tetapi mengenakan bayaran untuk platform dan perkhidmatan berdasarkan model tersebut. Sebenarnya, kedua-dua pendekatan ini adalah jalur komersialisasi yang biasa pada masa kini—menggunakan sumber terbuka untuk membina kepercayaan teknikal, dan mengambil semula nilai komersial melalui platform dan perkhidmatan.

Sekarang, syarikat perpajakan Jepun sedang menggantikan kakitangan pelanggan sebenar dengan model suara Chroma daripada FlashLabs, dengan ujian sedang dijalankan pada skala 1/10 tenaga kerja, di mana AI dan manusia berada secara bersamaan, dan prestasi kedua-duanya dibandingkan secara berterusan. Cara pengesahan adalah mudah: siapa yang mempunyai ketepatan lebih tinggi dan kecekapan pemprosesan yang lebih baik, data akan berbicara sendiri.

"Batas penggunaan suara setara dengan visual," ketika seluruh industri memfokuskan perhatian pada multimodal dan pemahaman video, Shi Yi justru membimbing pasukannya untuk fokus pada model suara real-time Chroma, mencapai latensi end-to-end sebesar 135 milisaat.

Sebelum model bahasa besar muncul, terdapat OCR, NLP, dan pelbagai model kecil yang disatukan. Kini, suara berada dalam keadaan yang sama seperti sebelum model bahasa besar muncul—terdapat ASR, TTS, dan pelbagai modul yang disusun bersama, dengan setiap peringkat melakukan pengoptimuman tempatan. Arsitektur lama ini pasti akan digantikan sepenuhnya oleh satu model suara besar end-to-end. Penilaian beliau ialah, lebih baik menjadi penerus pengganti itu sendiri daripada menunggu orang lain melakukannya.

Shi Yi percaya bahawa suara adalah mod komunikasi paling semula jadi antara manusia dengan manusia, dan pada masa depan pasti akan menjadi antaramuka interaksi paling utama antara manusia dengan AI. "Lebar pita maklumat yang boleh dipindahkan melalui suara jauh lebih besar berbanding teks; apabila saya berkata satu ayat, anda segera memahaminya."

Dia bahkan merasakan model suara memainkan peranan penting dalam kemajuan industri kecerdasan berbadan. Tahap pertama ialah model suara masa nyata, yang bertanggungjawab atas respons segera dengan latensi rendah dan kecerdasan emosi tinggi—seperti bertanya tentang cuaca atau sama ada perlu memakai pakaian tambahan, tahap ini menangani secara langsung; tahap kedua ialah model besar pemikiran mendalam, yang menangani penalaran kompleks; tahap ketiga ialah model dunia, yang memahami hukum fizikal. “Batas penggunaan suara setara dengan visi.” Ini adalah salah satu penilaian jangka panjang yang paling yakin beliau miliki sekarang.

Shi Yi juga berpendapat bahawa model komersialisasi AI semasa ini hanyalah bentuk peralihan. Disebabkan semua agen semasa pada dasarnya bersifat responsif pasif—anda memberitahu mereka apa yang perlu dilakukan, dan mereka melakukannya, seperti alat pelaksana yang menunggu arahan, masih serupa dengan chatbot—oleh itu, model perniagaan masih berdasarkan pembayaran mengikut penggunaan token, bayar mengikut penggunaan.

Namun, apabila agen memulakan perkhidmatan proaktif, iaitu apabila anda memberitahunya apa itu KPI dan apa itu OKR, ia sendiri mencari tugas, merancang jalan sendiri, dan akhirnya menghantar hasil yang boleh diukur. Pada masa ini, ia tidak lagi diukur sebagai alat, tetapi sebagai pekerja. Jelas bahawa syarikat tidak membayar gaji berdasarkan berapa banyak perkataan yang diketik atau berapa banyak e-mel yang dihantar oleh pekerja; anda melihat apa matlamat yang telah dicapainya.

Oleh itu, dia merasa bahawa dalam era agentic, logik pembayaran perniagaan juga perlu berpindah kepada pembayaran berdasarkan kesan dan KPI. Apabila peralihan ini benar-benar berlaku, keseluruhan sistem penentuan harga, cara jualan, dan hubungan pelanggan untuk produk agen akan ditulis semula.

Penerokaan model perniagaan baharu telah bermula di dalam industri tersebut. Crosby, firma undang-undang AI yang baru memperoleh pendanaan Siri B sebanyak $60 juta, mempercayakan setiap agen dengan tugas berbeza dalam proses semakan kontrak, seperti mengambil maklumat latar belakang, mencadangkan perubahan, dan menghasilkan catatan, sementara peguam bertanggungjawab untuk mengesahkan hasil kerja AI, menangani butiran yang terlepas, dan memastikan ketepatan. Model perniagaannya ialah mengenakan bayaran berdasarkan bilangan kontrak yang telah diaudit, dengan kadar antara $250 hingga $1,000 setiap kontrak, lebih kurang berdasarkan bilangan muka surat, iaitu sekitar $10 hingga $50 setiap muka surat.

Namun, prasyarat sebenarnya untuk berevolusi ke model komersial seterusnya ialah agen proaktif mampu menghantar hasil yang boleh diukur secara stabil. "Kita belum sampai ke tahap itu sekarang."

Dari FlashIntel ke FlashLabs, Shi Yi menyelesaikan penyesuaian organisasi dan rute yang jelas dalam masa satu tahun. Pemutusan hubungan kerja, pembatalan arsitektur produk asli, serta sementara memperlambat pencapaian komersial—serangkaian tindakan ini kelihatan seperti terus-menerus mengurangi.

Namun, dalam konteks realiti industri AI yang berubah dengan pantas, ini lebih seperti perusahaan rintisan yang menyesuaikan diri semasa perubahan drastik. Kemampuan model mungkin mengalami lompatan setiap beberapa bulan, dan tiada siapa yang dapat meramal arah masa depan dengan pasti. Bagi Shi Yi dan FlashLabs, fokus utama pada peringkat ini bukanlah merebut berapa banyak pasaran, tetapi memastikan pilihan teknologi dan logik perniagaan mereka tidak mudah ditinggalkan oleh gelombang seterusnya.

Industri ini masih sedang mencari bentuk sebenar agen, dan model pembayaran, sempadan keselamatan, serta mod interaksi akhir masih belum ditentukan. Pilihan FlashLabs mungkin bukan penyelesaian terbaik, tetapi mewakili jalan bertahan realistik bagi syarikat AI vertikal: di bawah tekanan model besar yang terus meresap ke bawah, terlebih dahulu cari posisi yang boleh dipertahankan, kemudian tunggu sehingga industri benar-benar matang.