鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

AI创业公司的2025:一半是海水,一半是火焰

编程导航
编程导航
2026-01-01 12:30
阅读 193
编程导航
2026-01-01 12:30
阅读 193

文 | 一点财经,作者 | 深语,编辑 | 言进

2025年的最后两天,AI圈像是憋了一整年的大招,终于来了个集体释放。

一边是智谱AI在12月30日启动招股,计划2026年1月8日在港交所上市,奔向港股“大模型第一股”的宝座,市值预计超511亿港元。

紧接着,12月31日MiniMax启动港股招股,计划在2026年1月9日在港上市,估值在461.23亿~503.99亿港元。

另一边,12月30日科技巨头Meta掏出20亿美元,收购了AI应用Manus的母公司“蝴蝶效应”。

然而,有人欢喜有人忧。

你再看看,那些AI圈曾经的明星创业公司——王小川的百川智能、李开复的零一万物、杨植麟的月之暗面,在资本市场已经很久没有动静了。

2025年的年末,AI创业圈一边热闹,一边冷清,这分明在说一个残酷的真相:潮水不是退了,是给所有人指了三条截然不同的道:一条叫上岸,一条叫卖身,剩下那条叫前途未知。

今天,咱们就看看到底谁在吃肉,谁在喝汤,谁以后可能上不了桌。

赢家通吃:上岸密码与卖身捷径

先说台上的赢家。他们能站上去,不是因为技术多玄乎,而是把账算明白了。

资本市场现在精得跟猴一样,光喊“改变世界”已经没用了。你得掏出真家伙:要么能印钞,要么能补洞,要么证明自己还没断气。

创立于2019年的智谱能当“大模型第一股”,路子其实很接地气:早期开源赚吆喝,后期转型做乙方。

说白了,就是先免费把AI工具发给大伙用,等大家用顺手、离不开的时候,再开始卖更高级的工具、定制方案和技术支持。这招让它在一众只会烧钱的公司里,显得特别“实在”,好像真的能赚钱。

看其营收,招股书显示2022年、2023年、2024年分别为5740万元、1.245亿元、3.124亿元,复合年增长率达到130%。2025年上半年,收入为1.9亿元,超越了2023年的全年水平。

AI大模型是智谱的核心产品,公司的主要收入也来自于大模型。

它的算盘打对了:现在所有老板都怕被大厂用AI锁死,一个技术不错、看起来中立的开源平台,确实是条退路。换句话说,它吃的是“卖水给淘金者”的饭。

但智谱的难题也明显:

第一,上市等于脱光了裸奔。以前跟投资人可以吹未来,上市后每个季度都要交成绩单,利润薄一点、增长慢一点,股价立马教你做人。

第二,它的护城河,能不能经得起巨头的价格战?华为、阿里云真要打价格战,可以贴着成本甚至亏本卖服务。智谱靠开源社区垒起来的墙,经得起几轮炮轰?

第三,一边要哄着开发者继续用爱发电,一边要从企业口袋里掏钱。这个平衡木,走好了是艺术,走砸了就是两头不讨好。

再说成立于2021年的MiniMax。

紧跟智谱的MiniMax急着上市,那股焦虑味,隔老远都闻得到。它的核心逻辑就一句:在资本彻底不信“大模型”童话前,把“多模态”这个新故事卖出去。

它的牌是“多模态”,就是让AI不仅能读字,还能看图、听音、说话。这故事听起来当然比纯文字聊天更酷、更未来。但问题就出在,这玩意是个烧钱的无底洞,而且具体怎么赚钱,比通用大模型还模糊。

MiniMax的冲刺,本质上是一场豪赌。赌的是资本市场还会为下一个“技术神话”买单。故事好听,但架不住现实骨感:

第一,技术炫酷,但源源不断的资金支持从哪来? 养一个多模态模型贵得离谱,但哪个行业愿意且有能力为这份“技术秀”持续付高额费用?是游戏、广告还是电影?每个都是深水区。

第二,巨头打盹的窗口期有多长? 腾讯搞社交、字节玩视频,天然有多模态数据和场景。一旦它们发力,创业公司那点技术先发优势,说没就没。

上市对MiniMax来说,不是庆功酒,而是续命药。药效能撑多久,全看后面业绩能不能跟上。

但你如果以为,只有上市才算成功,那就错了。另一条更隐秘、也更现实的路,是“卖身”。

2025年,Manus突然凭借智能体爆火,甚至被推高到跟DeepSeek一样的高度。

然而,如今被Meta天价收购,它的命运揭示了一条残酷但有效的生存法则:在巨头看不上的细分角落,把自己做到极致,然后等一个卖身的机会。

它不是去卷什么通用大模型,而是在某个极其具体的交互或创意场景里(比如做海报、剪视频),把智能体体验打磨到“用户用爽了,就再也回不去”的地步。这样一来,它就积累了深度的场景数据和一群死忠用户。

对Meta来说,这就像看中了一块现成的“顶级腹肌”。自己练要花几年,还不一定练得好,直接买来装上,立竿见影。这是一笔效率至上的买卖。

但对于Manus来说,卖身后的路挑战重重:

第一,从此没有自己。卖入豪门,产品是生是死,团队是分是合,都得听新当家的。创业的初心和产品的灵魂,在收购签字那一刻,基本就结束了。

第二,天花板肉眼可见。垂直应用做得再深,市场也就那么大,想象空间完全没法跟平台公司比。它的终极宿命,就是成为巨头生态里一个高级零件。

这三位AI创业圈的“赢家”告诉我们,在今天,能活下去的AI创业公司,从一开始就想清楚了自己到底是卖什么的,以及最终要卖给谁。

幻想时间已经结束,必须靠变现能力说话。

失落的往日明星:天才、导师与赌徒的泥潭

再看那些从C位消失的昔日明星。他们的故事,比赢家更精彩,也更惨烈——全是教科书级的反面案例。

先说王小川和他的百川智能,一个天才CEO,偏偏管不住人。

王小川是技术天才,这没人怀疑,但他犯了一个天才常犯的错:觉得技术能解决一切。

一开始,他心比天高。左手要搞对标OpenAI的通用大模型,右手要做中国的ChatGPT,怀里还揣着横扫金融、教育、医疗的B端蓝图。结果就是,战线拉得比裹脚布还长。

钱像水一样泼出去,每个领域都沾一点,每个领域都不深。

等到2025年年初,真正的黑马DeepSeek杀出来时,百川的客户直接“反水”,因为别人家的模型更好用、更便宜。说好的“现金奶牛”B端业务,瞬间成了“过期奶糖”。

更致命的是内部。这位自称用“生物学”管理企业的天才,连自己身边的联合创始人都留不住。今年上半年,高管走了一大批,其中不少还是搜狗时代的旧部。

人心散了,队伍没法带。最后今年5月王小川发布全员信自我反思,并且断臂求生,all in 医疗AI。

但医疗是个比通用AI更深的烧钱黑洞,监管严、周期长、变现难。从“改变世界”的泛梦想,仓皇退守到一个更艰难的垂直战场,这不像战略转型,更像慌不择路的逃亡。

技术天才的浪漫幻想,在复杂的组织和残酷的商业现实面前,碎了一地。

再说李开复的零一万物,创业导师为啥教不会自己创业呢?

李开复是无数创业者的精神偶像,但他亲自下场创业,却暴露了导师和战士的本质区别。

他的问题,是“投资人心态”太重。精于计算,厌恶风险,要求每笔投入必须有快速回报,“烧1块必须赚回6毛”。

这种心态在大厂当高管或做投资时是优点,但在刺刀见红的AI创业赛道上,就成了枷锁。

当需要狠下心,砸重金、耐住寂寞打磨核心技术时,犹豫和退缩就是最大的敌人。后来。看到自研大模型太烧钱,零一万物成了“AI六小龙”里第一个转身拥抱DeepSeek的,全面转向To B。

他的策略是靠自己的江湖地位和人脉,去敲大老板的门,做定制化大单。这听起来很牛,但其实想象空间没那么大。

人脉能换来第一次机会,换不来第二次。定制化项目做一单是一单,成本高,难复制,根本无法规模化。当华为、阿里带着整套云服务和地板价杀过来时,零一万物会毫无还手之力。

创业导师的金句,在真实的硝烟里,显得苍白无力。

最后说说Kimi和它背后的母公司月之暗面。

它的打法简单粗暴:烧钱,买量,冲数据。巅峰时期一个月广告费砸2个亿,硬是把月活冲到行业第二。但它忘了,AI产品的核心是技术价值,不是流量数字。

当不投一分钱广告、全靠口碑的DeepSeek横空出世时,Kimi的皇帝新衣被瞬间扒光。用户用脚投票,转身就走,因为DeepSeek不要钱,还更好用。而且论投流,Kimi哪能投的过财大气粗的豆包和元宝。

QuestMobile的数据打了狠狠一耳光:Kimi的月活早就跌出了AI原生App前三,不到对手的零头。

更尴尬的是产品本身。曾经主打的“长文本处理”优势,很快被同行追上。在多项真实测评里,Kimi生成的答案质量堪忧,被用户吐槽“文字堆砌”“缺乏洞察”。

今年停止烧钱后,Kimi想回头补技术的课,但时间不等人。创业最怕这种局面:流量路子断了,技术底子薄了,钱也烧得差不多了。

大逃杀开启:未来只有三条路

为什么现在AI创业圈冰火两重天?因为行业的游戏规则,从2025年起,彻底变了。

第一,资本从“傻白甜”变成“铁公鸡”。

前两年,投资人听到“AI”“大模型”就双眼放光,钞票大把撒。现在,他们第一句话是:“你的财务情况到底怎么样?”

画饼时代结束了,现在比拼的是硬核的赚钱能力和清晰的盈利路径。智谱有B端合同,蝴蝶效应有垂直场景,这就是他们的硬通货。而失意的明星公司们,还停留在“我有一个梦想”的PPT阶段。

第二,赛道从“大草原”变成“高压楼梯”。

AI行业正在急速分层,形成残酷的鄙视链:

顶层(平台层):未来可能只剩下3-5家,掌握核心底座。要么像智谱一样抢到门票,要么就是华为、阿里、字节这些巨头的游戏。这里玩的是生态、规模和烧钱耐力。

中层(应用层):这是“卖身区”或“傍大款区”。你的宿命就是成为巨头生态里的一颗螺丝钉,就像Manus。你得足够独特、不可或缺,才有被收购的价值。

底层(消亡层):绝大多数创业公司的归宿。技术不顶尖,应用不垂直,卡在中间不上不下。最后的结局,就是悄无声息地消失。

第三,能力从“单点突破”变成“全能铁人三项”。

早期,有个技术大牛就能拉起队伍。现在,光懂技术死路一条。你需要:

战略定力:知道什么不能做,比知道什么能做更重要。

组织管理:能把一群天才管好,拧成一股绳。

商业嗅觉:深刻理解市场,找到愿意付钱的真实需求。

融资和成本控制:在寒冬里找到钱,并把每一分钱花在刀刃上。

未来的AI创业者,必须是技术、商业、管理的全能型怪物。单项冠军,活不到决赛。

结语

2025年的钟声,是AI创业浪漫主义时代的丧钟,也是现实主义时代的号角。

这个行业,不再相信眼泪,不再追捧梦想家。它只认一样东西:可持续的生存能力。

潮水还没退去,部分裸泳者已被拍死在沙滩上。接下来,是穿着铠甲的真战士,才能参与的地狱级生存游戏。

游戏刚刚开始,但玩家,已经少了一大半。

原文链接: AI创业公司的2025:一半是海水,一半是火焰
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230