Neo-labs#AI Native 小型实验室：1-7 人小工作室的钢铁心智怎么练？

30 人拿 10 亿美元

2 人月花 90 美元

为什么说这两种"小"是同一种。

当 AI 把心智变成可调度资源，人数就不再是规模的必要条件：

就像钢铁支撑起来的摩天大楼，靠密度不是靠体积。

未来的组织是小而强。

组织形态的范式正在默默地重构。

前阵子 Yann LeCun（杨立昆）拿着 $1.03B 种子轮（欧洲史上最大种子轮）注册 AMI Labs 时，整个 AI 圈都在问一个问题：

约 30 人核心研究团队，怎么撑得起估值的资本叙事？

人很少的公司，其实，已经有不少"无名组织" ——

Neo-Labs，新兴的研究驱动型初创公司模式，新实验室。

2 个人跑提示工程外包，月技术支出 $90

Mixlab 2-3人核心 + 9 年社区

YC 内部 350+ 智能体（Agent）工具在替代初级岗位

Cursor 早期 10 人跑出 IDE 红海。

它们背后是同一个范式转变：

当 AI 让代码、设计、内容的边际成本接近零，工业时代那套"10-1000 人"的木材型组织，正在被 1-7 人的钢铁型组织替代。

小团队与摩天楼的反差：5-7 人站在空摩天楼前

Notion 创始人 Ivan Zhao 给这种新型组织起了一个名字：

Infinite Minds（无限心智）。

类比就像钢铁之于摩天大楼：

人数不是关键，"心智"成为可调用资源才是。

这不是"一人公司"的旧故事，也不是"远程办公"的延伸。

这是 AI Native 小型实验室 的新范式

围绕着这一轮AI所提供的新能力，我们有机会创建真正意义上的Agentic公司。正如前 Google CEO所提到的：Agent 时代赚钱最简单的方法是建立一个Agentic公司

——

本文用 3 个问题展开：

它是什么？

为什么 1-7 人能跑出 20-50 人产出？

以及怎么从 0 到 1 搭一个？

什么是 AI Native 小型实验室？

把"AI Native 小型实验室"拆成 3 个判定标准：

• AI Native：日常工作流中 ≥ 80% 经过 AI 智能体（Agent）编排
• 小型：核心团队 1-7 人
• 实验室：研究占 30-50% 时间（不是纯交付）

三者缺一不可。

没有 AI Native = 传统小工作室；

没有小型 = 传统公司 AI 化；

没有实验室 = 单纯外包或代理。

这个范式和 Steph Palazzolo 在 The Information 创造的"Neolabs"（重研究 + 卖模型，$1B+ 算力）类似。

也叫作 Agent Labs（重产品 + 卖 Agent，轻资本）。

Cursor 早期（10 人跑出 IDE）、Perplexity、Cognition 都在 Agent Labs 这条路线上。

本文聚焦的"AI Native 小型实验室"指的也是 1-10 人规模的这种。

一个战斗力十足的微型组织 = 由不同技能的超级个体所构成

战斗力 = ∑(超级个体能力) × 协同系数 × AI 杠杆

传统公司：协同系数低（部门墙、会议文化），AI 杠杆接近 0；

AI Native 小型实验室：协同系数高（高信任 + 目标一致 + 文档驱动），AI 杠杆 ≥ 10 倍。

钢铁心智 = 文档驱动。

文档是 AI 军队的"调度协议"。

钢铁心智：大脑形状的笔记本 + 智能体从中跑出

CLAUDE.md（项目级持久化上下文）、Skills（可复用技能包）、决策记录

——

所有决策和上下文必须写成 AI 可读、可学习的格式。

CLAUDE.md 不是给 AI 看的"说明书"，是组织大脑的外化器官。

把它写好，等于把"founder 的隐性知识"封装成任何新成员（包括 AI Agent）能直接调用的资产。

为什么 1-7 人能跑赢 20-50 人？

YC 合伙人 Pete Koomen 给出了底层答案：

真正的 AI-Native 组织 ≠ 把 AI 当 Copilot 用

AI-Native = AI 作为组织运转的"建设层"

这个"建设层"由 3 大引擎组成。

引擎 1：智能体工具栈（工具注册表，Tool Registry）

最初 20 个工具

→ 每次遇到智能体可改善的场景就加一个

→ 现在 350+ 工具注册表，涵盖 SQL 查询（数据团队）、会计分录（Journal Entries，财务）、融资轮次记录（Priced Rounds）、合伙人开放办公时间（Office Hours）、活动管理（Events）、两句话公司介绍（Two-Sentence Description，教创始人讲清公司）。

工具注册表本质上是一个解析器（Resolver，任务分发器），告诉智能体"我能做什么"

接到任务后，先查解析器决定调用哪个工具，再去执行。

Claude Code 的"技能注册表"、YC 的"工具注册表"、OpenClaw 的"解析器"、Hermes Agent 的同类组件是不同智能体框架的具体实现方案。

小型实验室不需要 350 个工具，但需要 20-50 个核心工具。

工具从"写代码 / 写文档 / 跑实验 / 发内容"入手，每个工具必须写清楚"名字、描述、何时用、例子、边界"。

引擎 2：文档驱动（CLAUDE.md + 技能封装）

文档驱动是 AI 时代基本功

两个前提：

默认信任（向员工开放上下文和数据）+ 平等共享（AI 能力向每个人开放，不只领导层）

2 个元技能：

• 技能封装（Skillify）：做完新事 + 觉得结果不错 → 说 "skillify it" → 智能体把操作封装成可复用技能 → 注册到解析器 → 以后像调方法一样随时调用。
• 查重检测（Check Resolvable）：每次技能封装后调用 → 让智能体检查所有现有技能 → 评估新技能是否与已有技能重复。原则：不重复自己（DRY 原则）、互斥且穷尽（MECE 原则）。10 个做同一件事的技能 = 坏；1 个带参数的技能 = 好。

引擎 3：Dream Cycle（夜间自我进化）

每天晚上自动读取当天所有 Agent 对话，改进自身技能。

白天：员工使用智能体完成工作，产生大量工作产物（artifact）。

夜间：Dream Cycle 智能体自动运行，读取所有对话 + 寻找本可以做得更好的地方 + 寻找如果提前知道就能更高效的上下文。

次日：相关技能的提示词被自动优化，系统整体能力提升。

YC 的案例：

合伙人 Tom 手写一个"两句话讲清公司"的提示词 →

其他合伙人在群组开放办公时间让 Spring Batch 创始人当场练习 + 给出即时反馈

→ 合伙人的"隐性知识"被显性化

→ 会议转录交给智能体"根据你从这里学到的，改进两句话描述技能"

→ 改进后效果肉眼可见更好

→ 这个技能现在比 YC 任何一个人单独做都要好。

说白了：

组织内部的技术诀窍（know-how）不再只存在某个人脑子里，AI 在系统性地把它搬进组织的公共资产。

YC、OpenClaw、Karpathy 的 auto-research、Codex 的自学习目标也都是在回答这个问题。

这就是超级智能在组织内部诞生的方式。

听起来是小事，但你把任何组织的运营拆开看，就是无数个这样的"原子操作"。

3 大引擎的耦合：

文档驱动（CLAUDE.md + 技能包）

→ 喂养智能体工具栈

↔ Dream Cycle（夜间进化）

→ 调用社区/星群协作。

三者形成正反馈循环：

文档越多 → 工具越好用；

工具越好用 → 产出的对话/数据越多（喂给 Dream Cycle）；

Dream Cycle 越强 → 工具和文档自动优化；

优化后的工具和文档 → 再次喂养产出的质量。

工具栈 + Dream Cycle：透明工具箱上方有弯月表示夜间自动运转

Just-in-Time Software 验证：

2013 年 Gary 用 Rails 写了 Gary's List 的 50 万行代码 + 整套智能体框架，但僵化、改起来慢十倍。

现在用 Claude Code / Gbrain 重写同样能力，约 1 万行 TypeScript + 2000 行 Markdown，50 万行 → 1 万行 = 50 倍简化。

最佳 AI 软件的特征：

最小代码量、在模型能力之上加最少的预写代码、让模型做最多的工作。

4 阶段生命周期：压缩 10 倍的传统创业

Anthropic 最近发布的《The Founder's Playbook》中给出 4 阶段框架：同样适用于 1-7 人小公司，只是节奏压缩 10 倍。

阶段 1：创意期——研究型验证

目标：找到"问题与解法的匹配"

3 个完成条件（必须全部满足）：

问题真实、具体、频繁；

解法对应真问题；

有足够信号证明值得建。

智能体角色：研究伙伴 + 唱反调的魔鬼代言人。

3 大失败模式：

把"建出来"当"已验证"、过早规模化（智能体让构建零摩擦，导致执行远超认知）、丧失客观性（找支持我观点的证据）。

小型实验室：

研究占比更高（50-80%），但用 Chat + Cowork 加速。

阶段 2：MVP（最小可行产品）——把验证过的问题变成可用产品

目标：找到"产品-市场匹配"

3 大失败模式：

被虚假的产品-市场匹配欺骗（早期增长是短暂外力，朋友、HN 头条）、零摩擦范围蔓延（加一个功能一下午而非一个冲刺周期）、因缺乏经验而不安全（智能体生成能跑 ≠ 安全）—— 这条最致命，很多人栽在最后一项。

小型实验室的护城河：

CLAUDE.md 是 day-1 投资。

最小可行产品阶段就该写好：项目核心问题（一句话）、用户精确画像、6 个月内预期规模、架构原则（选 X 因为 Y，避免 Z 因为 W）、已接受的取舍、会话日志

（YYYY-MM-DD: 建了 X，决定 Y，引入假设 Z）

阶段 3：发布——从增长到可持续

目标：增长可重复 + 渠道驱动、产品扛住生产负载、运营不依赖创始人。

创始人角色转型：

从"在每条反馈循环里都是资产"到"成为瓶颈"。

小型实验室的关键转变：

必须建"把创始人从执行里解放出来"的运营系统 —— 智能体工具栈 + 技能注册表 + Dream Cycle

阶段 4：规模化——从赌注变生意

目标：可持续盈利、上市就绪、被收购。

入场券问题：

"如果有钱的行业巨头明天复制你的产品，你的用户会留下吗？"

如果答不上来 → 还没到规模化阶段。

小型实验室的独特护城河：

积累的领域深度、集成深度、专有数据、工作流锁定。

创始人角色 4 阶段演进：

• 创意期：思考者 + 验证者
• 最小可行产品期：编排者 + 工程监工（用 Claude Code 当工程团队）
• 发布：架构师 + 翻译者（把你知道的变成系统）
• 规模化：公众面孔 + 离场者（让系统在你不直接管时还跑）

关键护身符 3 条：

1. 意义建构永远跑在构建前面
2. 永远用 AI 做反方
3. CLAUDE.md 必建（day-1 持久化上下文）

从 OPC 到 AI 驱动工作室

把"AI Native 小型实验室"放回 4 种组织形态看：

形态 1：一人公司（OPC）

痛点 + AI + 公域 + 星群 = 1 人摩天楼

1 人核心，0-3 个兼职协作者；高度依赖个人品牌 + 公域流量；适合内容创作、教育、SaaS 工具、咨询。

关键能力：

品牌 IP 三角定位（我是谁 × 为谁 × 提供什么）、

45 天冷启动、

信任阶梯 5 步（关注 → 评论 → 私信 → 私域 → 成交）、

7 类 AI 智能体团队（内容生成 / 用户互动 / 数据追踪 / 选题研究 / 视觉设计 / 视频脚本 / 复盘优化）

形态 2：分布式创意厂牌

5 人小群 + 共同兴趣 + 心流协作 + 失败堆叠

3-5 人核心；

共同兴趣驱动（不是 KPI 驱动）；

异步 + 心流优先；

适合创意工作室、独立游戏、艺术共创、设计研究。

形态 3：AI 驱动工作室

设计制片人 + 智能体集群 + 客户协作

设计制片人作为创意监制；

智能体集群编排 3-7 个 AI 智能体协同；

与客户深度协作（不是交付，是共创）；

适合品牌咨询、产品设计、AI 应用集成。

设计制片人的核心能力：

审美对齐（协调顶级审美 + AI 自动化流）、

创意策展（在 AI 输出中保持"品味红线"）、

跨域整合（设计 + 技术 + 商业）、

AI 调度（编排智能体完成"以前需要 20 人"的活）

形态选择决策树：

• 1 个强个体 + 公域流量 → 一人公司
• 3-5 个共趣者 + 共同创作 → 分布式厂牌
• 5-7 个专业互补 + 客户协作 → AI 驱动工作室
• 不确定 → 先从 OPC 起步，再演化

三种公司形态对比：1 人公司 / 分布式厂牌 / AI 驱动工作室

小型实验室的三大引擎

工具栈：不需要 350 个工具，但需要 20-50 个核心工具。工具从"写代码 / 写文档 / 跑实验 / 发内容"入手。每个工具必须有描述 + 例子 + 边界。

文档驱动：最小可行产品阶段就该写好架构上下文模板（项目核心问题 / 用户精确画像 / 6 个月内预期规模 / 架构原则 / 已接受的取舍 / 会话日志）。

Dream Cycle 简化版：每天 10 分钟手动 review 智能体对话 → 找 3 个"如果提前知道就能更高效"的点 → 更新 CLAUDE.md / 技能。不必全自动，先手动跑出节奏。

陷阱 + 失败模式

陷阱 1：范围蔓延——零摩擦扩张

智能体让加一个功能只需 1 小时，导致产品越来越杂。

症状：最小可行产品 3 个月还没发布、写了 10 个功能只有 3 个有人用、用户在评论里说"这 app 到底做什么？"。

防御：写范围文档（做什么 / 不做什么 / 加新功能的证据门槛），"用户说不能不用吗？"才加，每个 session 开头回顾范围 + CLAUDE.md。

陷阱 2：创始人变瓶颈

决策从 1 小时拖到 1 周；只有创始人知道的答案；任务只有创始人记得做。

症状：所有客户邮件都抄送创始人、关键代码只有创始人能改、投资人/合作方只认创始人。

防御：全量审计"创始人经手的所有事"，分类（可自动 / 可外包 / 真要创始人），用技能把创始人知识封装。

陷阱 3：杰文斯悖论——需求爆发失控

当某种资源的使用效率提高时，人们反而会消耗更多这种资源。

YC 的证据：SQL 查询门槛降低 → 不只是已有问题变得容易回答 → 更重要的是：人们开始提出以前根本不敢提的问题 → 提问的数量和复杂度都爆炸。

小型实验室的表现：用户开始问"你能帮我做 X 吗？"（X 不在产品范围）、投资人开始问"你们能不能也做 Y？"、内部需求从 5 个变成 50 个。

防御：培训"提问文化"，但设优先级机制，用解析器自动分流，周会审视需求爆炸。

以上 3 大陷阱不说明"AI Native 小型实验室更容易死"。

恰恰相反，这 3 个陷阱在传统初创公司里同样存在。

AI Native 的真正差异是：

陷阱 1-2 可以用智能体工具栈 + 技能 + Dream Cycle 系统性防御；

陷阱 3 是红利信号而非问题。

注意：哪些坑 AI 替你挡了，哪些坑还得自己填

失败模式：

• 创意期：把"建出来"当"已验证"、过早规模化、丧失客观性（用 AI 做反方找反向证据）
• 最小可行产品期：虚假的产品-市场匹配（看周 6 / 周 12 不是周 1）、零摩擦范围蔓延、上线前必跑安全审查
• 发布期：技术债到期（架构审计 + 定向重构）、创始人变瓶颈、新市场合规/支付/预期是不是你最初设计的？
• 规模化期：委派太快/太慢、规模化技术运营（代码硬化 + 对话服务等级协议 + 协作智能体跑支持）、自然增长天花板（必须建专属市场进入功能）

构建路径（1-7 人规模）

Step 1：建基础设施（1-2 周）

部署智能体循环（智能体能持续执行任务的工作回路，开源：Pi / Claude Code / 自建）、模型路由器（不同任务用不同模型）、工具注册表（初始 20 个工具）。给智能体开放只读数据库权限。写 CLAUDE.md（项目背景 + 架构 + 取舍 + 会话日志）。

投入：$10K-100K/年在 token 上（YC 数据）

现在投入 = 一次性的时间跳跃窗口。

先建的公司获得对手无法比拟的优势。

Step 2：建第一批工具 + 社区接入（2-4 周）

选 1-2 个高频 + 重复 + 规则化的场景（财务 / 客服 / 数据查询 / 部署）。

目标：让团队立刻感受到价值。

同时接入 1-2 个外部社区（Mixlab / HN / 垂直社群）

关键原则：

不要建 100 个独立 App；

建一个工具注册表（工具注册表 / 解析器），所有团队贡献工具，智能体自动发现 + 调用。

Step 3：建技能体系 + Dream Cycle（4-6 周）

技能封装：

做完新事 → 封装为技能。

查重检测：

不重复自己 + 互斥且穷尽检查。

培训团队使用技能化思维。

每晚自动运行 Dream Cycle（读取当天智能体对话 + 识别可改进的技能 + 自动优化提示词 + 次日生效）。

Step 4：建文化（持续）

默认信任（向员工开放数据）、

平等共享（AI 能力向所有人开放）、

默认广播智能体对话（共享组织大脑）、

培训"提问文化"（应对杰文斯悖论）。

与传统初创公司路径的差异：

• 传统：创意 → 找人 → 融资 → 构建 → 增长 → 融资 → 雇人 → 重复
• AI Native：研究 → 用 AI 建 → 用 AI 跑 → 增长

关键差异：找人和融资被智能体工具栈压缩、构建阶段从月压缩到天、雇人环节被技能 + Dream Cycle 替代。

真实公司教科书级案例

Cursor——智能体实验室教科书

Cursor CEO Michael Truell 在深度访谈中给出 3 个反直觉选择。

选择 1：产品入口从使用行为出发，不碰模型。不从"大模型 / 智能体平台 / Copilot 插件"切入，从零构建完整 IDE（不是 fork VS Code）。"

AI 工具的关键不在于你给了多少能力，而在于你接入的是哪个工作界面。"

选择 2：组织建设先找人，再确立架构。早期 10 人团队一半时间投入招聘，创始人亲自做猎头，内部 Slack 频道 #hiring-ideas 从人出发反向匹配岗位。

两天线下试用，不满意直接淘汰。

考察主动性、改进建议、不熟悉环境下的信息寻找能力。

"这能看到一个人真实工作状态，比所有面试都强。"

选择 3：技术路径先把数据用起来，反向建模。

起步阶段：不训练模型，不建调参团队，只从外部供应商买 token，先把编辑器做出来让用户用起来。

数据积累后：轻量自研（代码自动补全模块）→ Cursor 2.0 推出内部大模型 Composer。

"用户一多，数据自然就来。让模型适应产品，而不是用产品去配合模型。我们做的不是一个 AI 项目，而是一个持续构建 AI 的地方。"

AMI Labs——模型实验室的小型 + 分布式

融资 $1.03B 种子轮（欧洲史上最大种子轮）。

豪华团队：Yann LeCun（杨立昆，图灵奖得主、前 Meta 首席 AI 科学家）、谢赛宁（Saining Xie，联合创始人/CSO、视觉表征学习权威、DiT 共同作者）、Alexandre LeBrun（CEO）、Michael Rabbat（世界模型研究副总裁）、Pascale Fung（冯，首席研究与创新官）。

技术路线：联合嵌入预测架构（JEPA，Joint Embedding Predictive Architecture）。

LLM 路径以"下一个 token 预测"为核心，处理已被表达的信息（文本/图像/代码/语音），缺陷是不会"理解"只会"生成"；JEPA 路径让系统"学习现实世界的抽象表征"，在潜在空间中预测状态变化与结果，强调长期记忆 + 推理 + 规划 + 端到端安全可控。

目标场景：工业自动化、机器人、医疗、可穿戴设备（对可靠性、可控性、安全性要求更高的领域）。

AMI Labs 验证了"模型实验室也可以小型 + 分布式"：

4 地（巴黎/纽约/蒙特利尔/新加坡）+ 约 30 人核心研究团队+ $1.03B 种子轮。

关键不是人数，是人才密度 + 路线清晰 + 耐心资本。

但 AMI Labs 的"小型"是相对的（相对 OpenAI 数千人），仍是智能体实验室的 10 倍+ 规模。

NeoLabs.ai——2 人机会主义者驱动型实验室

公司画像：

2 人核心 + 业务定位为专家级提示词工程外包 + 价值主张为相比美国本土提示词工程师节省 50% 成本 + 版权年份 2023 + 技术栈 Vercel + Next.js + Google Workspace + 月度技术支出约 $90（极简）。

3 种雇佣模式：

1. 兼职提示词工程师（4 小时/天，5 天/周，2 个月起）
2. 全职提示词工程师（最受欢迎，8 小时/天，5 天/周，1 个月起）
3. 按项目计费提示词工程师（按实际工时，无最短期限）

所有项目均保密协议保护。

这是"机会主义者驱动的实验室"—— 核心是把现有模型能力封装成服务卖，研究新模型不在优先项上。

3 个案例的共性：

都验证了"AI Native 小型实验室"的核心要素（文档驱动、超级个体、工具注册表部分），只是侧重点不同。

Cursor 是教科书级完整实现

AMI Labs 是模型实验室的小型 + 分布式延展

NeoLabs.ai 是简化版的"销售服务型"实验。

跨学科组织

把 1-7 人 + 智能体工具栈 + Dream Cycle 放回组织学谱系看，它最接近 1970 年代硅谷"车库创业" —— 但有本质不同：

车库创业的杠杆来自创始人个人能力，AI Native 实验室的杠杆来自"个人 × AI 智能体工具栈 × Dream Cycle 自我进化"。

从生物学的视角看更妙：

Dream Cycle 像神经元在睡眠中巩固记忆；

技能元技能像免疫系统识别新抗原；

社区/星群像生态位的互利共生。

这种"组织即有机体"的视角，呼应了 Ivan Zhao 说的"无限心智" —— AI 时代组织不是被设计出来的，而是被持续演化出来的。

组织即有机体：神经元 + 工具标签 + 智能体协作

把AI-Native实验室范式放回思想史看，它最像的不是硅谷的"颠覆式创新"，而是 1970 年代欧洲的"小而美"哲学 —— E.F. Schumacher 在《小的是美好的》（Small Is Beautiful）里

主张的"以人为本、规模适度、技术服务于生活"。

但不是复古：

Schumacher 时代没有 AI 工具，"小"意味着"弱"；

AI Native 时代"小 + AI 杠杆"意味着"小而强"。

"强"不是来自人数，而是来自"个人 × AI 智能体工具栈 × Dream Cycle 自我进化"。

这种"小而强"才是 AI 时代最反直觉的事——

也是为什么 AI Native 小型实验室值得被认真研究，而不是被当作"创业鸡汤"。

生态博弈

AI-Native实验室范式的小公司甜点区，正在被两股力量挤压：

上方的 OpenAI 锁生态（资本+股权绑定），下方的 Neolab 高估值（吸走顶级人才与注意力）。

理解这两股力量，才能看清小公司的真实生存空间。

OpenAI 锁生态：每家 YC 初创 $2M + 股权。

目标：为初创企业提供 OpenAI 产品 + 资源 + 帮扶。

反映的 4 大行业趋势：

1. 从"卖接口（API）"转向"锁生态"——类比 10 年前中国互联网"流量补贴锁定"模式
2. 争夺开发者心智——"当下人工智能领域都在争夺开发者群体"
3. 从"通用闭源"转向"贴合开发者需求"
4. 股权绑定 = 深度锁定——以股权换代币，OpenAI 不只是供应商，而是"技术附庸"

对小型 AI 实验室的影响：

• 短期不利：OpenAI 股权+代币绑定 YC 体系；YC 网络本身就是强大孵化器渠道；小型实验室客户群被挤压
• 长期反而可能推动差异化：多模型并存是常态（DeepSeek 开源 + Claude）；小型实验室若能在垂直场景、定制化、本地化部署（主权人工智能、隐私敏感行业）上提供 OpenAI 给不了的能力，仍有生存空间

3 大突破口：垂直场景深耕（客服智能体 Sierra、PPT 智能体 Gamma、软件工程智能体 Cognition）、主权人工智能 + 本地化、差异化方法论（AMI Labs 的 JEPA、Humans& 的新交互、Reflection 的反思）

估值倒挂现象：高估值 × 无收入 × 无产品。

AMI Labs（估值 1.03B 种子轮，收入 0，仅 JEPA 论文）、SSI（估值 32B，收入 0，无公开产品）、Thinking Machines（估值

3 大原因：

1. 研究人才资产类别化 —— 团队本身可"软着陆"到大型科技公司；即使商业化失败，资本仍能通过以招聘为目的的收购（acqui-hire）收回部分
2. 主权人工智能战略 —— 前沿模型 = 国家安全；政府战略资本不在乎短期回报
3. 赛道赌注 —— 投资人赌"下一个范式"；范式突破的回报是 100-1000 倍；即使 10 个 Neolab 中 9 个失败，1 个成功就回本

启发：

• 好消息：资本对"无收入小公司"已脱敏；估值不再要求产品证明
• 坏消息：你拿不到 Neolab 那种 $1B 种子轮（没那个影响力）；但你也不需要——AI-Native实验室范式是 OPC / 微组织路径，走"小而美"路线
• 实操建议：不要被 Neolab 的高估值诱惑去学他们（学不来）；你的优势是"快速验证 + 精益运营"（vs Neolab 的"长期研究 + 耐心资本"）。 做小而美的产品公司，而不是小而美的研究公司

从钢铁心智到无限心智

瓶颈从"能 build 什么"变成"选择 build 什么"。

AI 时代创业不是"更快地走老路"，而是重新定义创业生命周期 —— 非技术创始人可独立交付生产级代码，精益 10 人独角兽从故事变成可执行计划。

Mixlab 9 年走下来，我们自己的样本同样验证了这条范式——

3-4 人核心 + 8 万公域 + 3 万私域 + 9 年运营，比传统的四五十人创业团队跑得更轻、更远。

如果你正在考虑启动一个 AI Native 小型实验室，或已经在运营一个 1-7 人小团队并希望接入一个能互相挑战的星群，欢迎加入 Mixlab 无界社区。

我们是最先触达未来的那一小部份人，正在持续把"研究时代"的判断跑成 day-1 的工作流。

参考

• [1] The Founder's Playbook: Building an AI-Native Startup — Anthropic 官方 PDF
• [2] Steph Palazzolo "The Rise of Neolabs" 系列报道 — The Information
• [3] swyx "Agent Labs: Welcome to GPT Wrapper Summer" — latent.space
• [4] Ivan Zhao "Infinite Minds" 主题演讲 — Notion
• [5] Ilya Sutskever — We're moving from the age of scaling to the age of research — Dwarkesh Patel 播客
• [6] Yann LeCun's AMI Labs raises $1.03B to build world models — TechCrunch
• [7] Cursor (company) — Wikipedia
• [8] Inside YC's AI Playbook — Y Combinator Library
• [9] Inside OpenAI's New Founder Experience Team — Forbes
• [10] OpenAI co-founder Ilya Sutskever's Safe Superintelligence reportedly valued at $32B — TechCrunch
• [11] Mira Murati's Thinking Machines Lab valued at 10bn after 2bn fundraising — Financial Times
• [12] Product/Market fit survey — Sean Ellis 官方