创业者面临一个根本性的困境:是有机增长还是筹集资金以快速占领市场份额。这造成了可称为"创业者身份危机"的挑战——在追求必要增长的同时保持真实目标。在 AI 时代,这种紧张关系呈现出新的维度。
为了探索这一演变,我与财务规划平台 Abacum 的 CEO Julio Martinez 进行了交流。该公司被德勤认定为西班牙增长最快的公司之一,已获得 4500 万美元的风险投资支持。
## 寻找超越融资的目标
根据美国劳工统计局的数据,美国约有 50% 的新公司在头五年内倒闭。考虑到创办(并可能失去)一家企业的压力,为什么有人会选择成为创业者?
非创业者通常认为这是为了钱,尽管研究表明只有 8% 的创业者将经济收益列为首要动机。成功的创业通常源于更深层次的驱动力。
"这不可能只关乎金钱,"Martinez 断言。"除非你过着有目标的生活...否则你会非常不快乐。"
维持创业目标的一种方法是自力更生——在没有外部资金的情况下创建和发展公司。从哲学角度看,自力更生代表了最纯粹形式的创业精神,成功完全取决于创造出客户愿意为之付费的产品,而不是通过购买市场份额来期待未来利润。
尽管 Abacum 筹集了大量资金,使其能够在拥有庞大客户群的情况下实现自给自足,Martinez 理解自力更生的理想:"当我看到创业者自力更生创业,多年忍受痛苦,直到第十年才开始获得一些年度经常性收入——这是对你的目标和愿景的承诺。我在其中发现了非常浪漫的东西。"
自力更生不仅体现了财务独立;它代表了创业精神的最真实形式——在没有外部压力的情况下追求有意义创新的自由。然而,实际情况往往会介入,特别是在复杂的软件类别中,正如 Martinez 所指出的,"你需要高素质的工程师,因此成本很高",即使 AI 加速了开发过程。
## AI 时代创业的新经济学
人工智能已经彻底改变了软件初创公司的财务方程,恰逢风险投资变得更加挑剔。"构建软件的成本正在大幅降低,"Martinez 解释道。"非技术人员比以往任何时候都更有能力。"
这种开发工具的民主化使资本效率更高的增长成为可能,并可能减少对外部资金的依赖,尤其是在这种资金更难获取的情况下。正如 Martinez 所指出的,"由 AI 驱动的公司可以用很少的人在很短时间内实现惊人的收入数字,"使自力更生越来越可行。
然而,当进入壁垒降低时,保护竞争优势变得更具挑战性。Martinez 反思了 AI 驱动的初创公司的脆弱性:"如果这些人做到了,那么谁会是下一个颠覆他们的人?"这种对防御能力的需求常常驱使创始人寻求风险资本来资助增长并超越竞争对手。
在 AI 时代创业的另一个担忧是人才获取。我已经广泛写过关于 AI 取代人类曾经执行的任务所需的技能。作为一名创业者,我试图确定适合未来的雇员——主要通过关注心态而非知识。
## 有目标地扩张:创始人办公室方法
Martinez 将 Abacum 的大部分增长归功于实施"创始人办公室"——最多五名具有高度驱动力、渴望、承诺、勤奋和智慧的多面手,他们直接与创始人合作。
这些团队成员,通常在 30-37 岁之间,不是为特定职能而雇佣,而是作为多才多艺的问题解决者。"你将他们部署到公司面临的下一个瓶颈,"Martinez 解释道。他们以与创始人相同的强度和主人翁意识解决关键挑战,使公司能够扩张同时保持早期阶段的能量。
"这产生了独特水平的能量、承诺、速度、敏捷性和快速反应。通过创始人办公室延长早期阶段,公司的创业心态得以维持。"
## AI 时代的平衡行为
创业之旅越来越需要平衡看似矛盾的力量。在当今由 AI 驱动的环境中,创业者必须协调:
- 自力更生的可行性增加与风险投资带来的竞争优势 - 对独立的渴望与创造有意义影响所需资源的需求 - 纯粹创业的理想与构建复杂解决方案的实际现实
虽然 AI 使创办公司变得更加容易,但它并没有消除创业的基本紧张关系。如果说有什么不同,它通过使自力更生更加可行的同时增加了获得竞争优势所需资金的需求,从而突显了这些紧张关系。
也许衡量创业成功的最终标准超越了融资选择,而是专注于影响和目标。无论是自力更生还是获得风险投资支持,成功的创业使团队能够自豪地回顾并说,正如 Martinez 所言:"那是一段地狱般的时期...非常紧张,但我们大幅增长,并产生了影响。"
好文章,需要你的鼓励
上海交通大学研究团队开发出革命性AI癌症诊断系统,通过深度学习技术分析50万张细胞图像,实现94.2%的诊断准确率,诊断时间从30分钟缩短至2分钟。该系统不仅能识别多种癌症类型,还具备解释性功能,已在多家医院试点应用。研究成果发表于《Nature Communications》,展示了AI在精准医疗领域的巨大潜力。
南华理工大学等机构提出3DFlowAction方法,让机器人通过预测物体3D运动轨迹来学习操作技能。该研究创建了包含11万个实例的ManiFlow-110k数据集,构建了能预测三维光流的世界模型,实现了跨机器人平台的技能迁移。在四个复杂操作任务上成功率达70%,无需特定硬件训练即可在不同机器人上部署,为通用机器人操作技术发展开辟新路径。
这是首个系统性探索跨视角协作智能的综合性研究,由南京大学、东京大学等顶尖机构联合完成。研究团队首次将"第一人称视角"与"第三人称视角"的协作应用进行了全面梳理,提出了三大技术方向和十三个关键任务,涵盖从智能厨房到手术机器人的八大应用场景。这项突破性工作为人工智能向人类认知迈进提供了重要的技术路径和理论基础。
这项由台湾大学与微软研究团队合作的研究探索了使用音频感知大语言模型(ALLMs)作为自动评判员来评估语音生成模型的说话风格。研究设计了"语音风格指令跟随"和"角色扮演"两个任务,测试了四种语音模型的表现,并比较了人类与AI评判的一致性。结果表明,特别是Gemini-2.5-pro模型,其评判结果与人类评判的一致性甚至超过了人类评判者之间的一致性,证明ALLMs可以作为可靠的自动评估工具。同时研究也发现,即使是最先进的语音模型在说话风格控制方面仍有显著改进空间。