奧特曼預言與現實相差幾何？12個頂級模型“創業”一年，僅3個存活

“在 AI 時代，一個人有可能創辦一家估值 10 億美元的獨角獸公司。”2024 年初，OpenAI CEO 山姆·奧特曼（Sam Altman）拋出考慮了這個后來被廣泛引用的判斷。

數據似乎也正驗證這一趨勢。據股權管理平臺Carta 統計的2025 年數據顯示：超過三分之一的新公司由單人創始人創辦。從 2019 年的 23.7% 到 2025 年上半年的 36.3% ，獨立創始人創立公司的比例在六年間增長了 53% 。不僅不需要聯合創始人了，甚至一個人、一套 AI 工具就能打天下的“一人公司”案例也開始出現在科技媒體的報道中。

AI越來越強，但一個人+AI，真的等于一家公司嗎？AI能做到什么程度？

Collinear AI（專注企業級AI Agent的初創公司）的研究團隊認為，整個行業正在快速邁向長周期、多步驟的Agent工作流，但可靠性并沒有跟上這一進程。因此，他們發布了YC-Bench（首個帶有模擬時鐘的開源長時序 Agent 評測基準） 試圖用科學的方式回答這個問題——不是靠感覺和案例，而是把“一個人能做的事”拆解成可量化的任務，然后用全球最強的 AI 模型逐一去測試。

研究團隊構建了一個高擬真度的模擬創業環境，AI 在里面扮演 CEO，讓 AI Agent 從零運營一家公司：管理員工、挑選項目合同、應付難纏的客戶、維持公司賬上的現金流。一年后，從起始資金 20 萬美元，到最終能活下來且賺錢的，12 個頂級模型里，只有 3 個做到了。

論文來源： YC-Bench: Benchmarking AI Agents for Long-Term Planning and Consistent Execution https://arxiv.org/abs/2604.01212

前沿模型能經營一家創業公司嗎？

帶著這樣的疑問，研究團隊發布了 YC Bench。其核心設計思路是：給一個前沿模型種子資金、一支小團隊和一個任務市場，讓它模擬經營一家 AI 初創公司——管理員工、按時交付、分配資源，在一年內實現利潤最大化。

核心挑戰有三層：

• 不確定性下的規劃：市場是部分可觀察的，AI 不能“偷看答案”，必須基于不完整信息做決策。
• 延遲反饋：很多決策的后果要幾周甚至幾個月才顯現，AI 必須從延遲的信號中學習和調整。
• 錯誤累積：早期的一個糟糕決策會在后期放大，最終導致破產——這正是現實創業中最殘忍的規律。

其中，研究團隊增加了對抗性壓力：環境里有意設置了難纏的客戶、不斷上漲的人力成本，讓 AI 在壓力下做出判斷。

評估的方法，是12 個模型（含閉源和開源），每個模型跑 3 次（不同隨機種子數據集），唯一允許在回合間“記事”的工具是 Scratchpad（草稿本）——相當于 AI 的內部筆記本，這是它跨回合保持記憶的唯一方式。

在這個評測中，Agent = LLM + 工具 + 決策框架，LLM 是大腦，框架是手腳。

每個被測模型都被套上了一層 Agent 框架，讓它們能：

• 查看公司當前狀態（財務報表、員工情況）
• 根據看到的信息做推理和決策
• 調用工具執行動作（分配任務、招聘員工、推進時間）

這 12 個模型做的就是這個 Agent 循環，不是單純地回答問題。YC-Bench 測的不是"哪個大模型答卷考得好"，而是"哪個模型當老板當得好"。

12 個模型，同一場壓力測試，結果：三個沒想到

研究團隊挑選了 12 個來自不同公司的主流 AI 模型，放在同一套環境里進行三輪獨立測試。

模型在模擬環境里的行為差異極大，主要體現在四個維度。其中，Scratchpad 寫入頻率反映了 AI 在長程任務中進行主動規劃和自我反思的強度；任務檢查比例反映了 AI 是否主動核實客戶可信度；并發任務數反映 AI 是否存在“過度并行”問題。

在計算成本與穩定性上，API成本差異極為懸殊，而結果卻并不與成本正相關。

圖中可以看到不同模型之間運行時間差異巨大。同樣跑完一年模擬，Claude Opus 4.6 用了70分鐘，GPT-5.4 Nano只用了3分鐘。深入拆解，有以下幾個原因：

• 首先，運行時間和Token量強相關，這意味著AI在每個決策回合“想了多久”。Claude Opus 4.6 產生了16.7M token，而GPT-5.4 Nano只有2.0M token。這背后源于兩個行為：Scratchpad的寫入量（記錄各種情況）和每輪發出的命令數（與環境交互）。
• 其次，不同模型本身推理速度和吞吐量差別也很大，比如Gemini Flash系列是專為速度優化，推理極快，其他GPT-5.4 Nano/Mini也是輕量級小模型，參數少、推理快，而Claude Opus 4.6是旗艦大模型，參數量大，每個Token計算量高，自然也就慢了。
• 此外，還存在API網絡延遲的疊加效應。YC-Bench中跑了幾百個回合，每輪都要調用API，旗艦款模型的響應延遲高于輕量模型，再乘以幾百輪，延遲就會被大幅放大。

綜合來看，結論還是有不少讓人意外之處。

1. 頂級模型的差距，比想象中大得多

在三輪測試中，12 個模型里，只有 3 個能持續跑贏 20 萬美元起始資金。剩下 9 個，要么勉強持平，要么在一年內走向破產。

但更有意思的是始終存活下來的前三名對比：

Top 3 模型最終資金對比

其中，GLM-5 以極低成本接近 Claude Opus 的表現，可以說是 Claude Opus 的“性價比殺手”——差距極小，但算力消耗天差地別。這對那些想用 AI 運營公司的人來說，是個重要信號：最貴的模型不一定是最優的。

2. Scratchpad 是生死線

這是整個論文最反直覺的發現：決定輸贏的并不完全是參數量，而是Scratchpad 的使用方式。

例如，在前文表格中，Gemini 3.1pro 作為旗艦款的Pro模型，按慣例來講應該是同系列中參數最大的，但在三次測試中破產兩次；反觀其輕量版模型Gemini 3 Flash一次都沒有破產，雖然最終資金不多，但至少活下來了。

而其他能持續、規律地使用 Scratchpad 做規劃和自我反思的 AI（如 Opus 4.6、GLM-5、GPT-5.4），表現遠優于那些"走一步看一步"的 AI。GPT-5.4 雖然 Scratchpad 使用頻率極高（10.6次/100輪），但其高任務檢查率使其也維持了穩定盈利。

這像極了人類創業者：那些隨時記筆記、復盤決策、做長期打算的人，往往比那些憑直覺行動的人走得更遠。AI 也不例外。

3. 第一道坎，來自最難纏的客戶

47% 的破產都始于對抗性客戶——AI 在沒有充分核實背景的情況下接受了不利條款，或者沒有識別出客戶的惡意意圖。其他主要失敗原因包括：員工分配不當（26%）、過度并行化（17%）以及其他因素（10%）。

這個數字令人意外：人們通常認為 AI 在邏輯推理和數據分析上很強，但識別意圖和風險，恰恰是它最薄弱的地方。

更諷刺的是，論文還發現前沿模型有一種獨特的失敗模式：過度并行化——Claude Sonnet 4.6 平均同時承接 7.2 個任務，遠超其他模型，但這種"多線程"策略反而導致資源分散、每條線都做不深。

這不只是論文，更像是現實的壓力測試

看完這些實驗數據，你會發現 YC-Bench 測的，其實就是"一個人 + AI 工具"能否真正成為一家公司的核心能力。

換句話說，YC-Bench 用代碼模擬的，正是每一個想靠 AI 創業的"超級個體"每天都在面對的真實挑戰。

山姆·奧特曼說，一個人可以創辦一家獨角獸。

YC-Bench 的研究說明，前提是這個人得比 AI 更懂什么時候不該聽 AI 的。這不是對 AI 的否定，恰恰是對 AI 時代“一人公司”最誠實的定義：一個人 + AI，不是降低了對創業者的要求，而是把要求從“你會多少技能”變成了“你有多擅長做判斷”。

YC-Bench 的價值，不在于告訴我們 AI 能做什么，而在于誠實地揭示了 AI 現在還不能做什么——以及在那些縫隙里，一個人必須自己補上的那些能力。

最后，綜合這份論文中的判斷，或許可以給在做“一人公司”的人提供幾個提示：

• 不要被 AI 的“智商”騙了——模型在各項評測榜單上分數很高，但在長程任務里，堅持用筆記、持續復盤、主動識別風險的做事習慣，比純粹的推理能力更重要。目前沒有哪個模型在這一點上做到完美，包括測試中的大贏家Claude Opus。
• “最貴的”不等于“最合適的”——GLM-5 的出現說明，模型選擇上存在被嚴重低估的性價比路線。一人公司本就在資源有限的前提下運營，沒必要為最貴的模型付溢價。
• 早期的一個失誤，真的會殺死你——這是YC-Bench最殘酷的發現：AI 在前幾個月的決策質量，直接決定了后期的發展空間。一個人創業也是如此——最初的合同、人員、方向選擇，會在12個月后被放大成巨大的優勢或劣勢。
• AI 的盲點，在人際判斷上——47%的破產源于客戶識別失誤，這不是技術問題，而是 AI 缺乏“社會經驗”的系統性弱點。在現實中，這意味著一個人用 AI 跑公司，必須自己在關鍵決策上保持判斷力，而不是完全依賴 AI 的建議。

（文｜數智達觀，作者｜蓋虹達，編輯丨楊林）