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

“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

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。

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。

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。

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。

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。

但更有意思的是始终存活下来的前三名对比：

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。

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。

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）