在AI大模型持续演进、资本与技术资源向头部集中之际，一种与“规模化叙事”并行的路径，正在悄然形成。2026年年初，随着AI Agent从“辅助工具”向“执行主体”加速演进，“少人+AI”的创业形态开始从技术圈内部实验，向更具现实可行性的产业路径外溢。围绕“大模型是否终局形态”的讨论，也逐步从能力边界延伸至部署方式与成本结构的再平衡。
“长远来看，AI不会只是云端超大模型一家独大。”在前海一处OPC社区办公空间内，刚刚回国不久的肖镇中对记者表示，“更多场景会在各种硬件和消费电子产品上发生，小模型的本地推理会成为基础能力。”在他看来，这一路径的现实意义，不仅在于技术分化，更在于对既有调用体系的重构——“云端的OpenClaw（‘龙虾’）能力很强，但它的使用方式，本身也构成了一种限制。”
与之并行的另一层变化，则来自创业组织形态本身。当“一个人公司”成为热词，其可行性边界与适用条件，也在实践中被不断检验与修正。“AI确实能放大生产力，但不是所有问题都能靠一人+AI解决。”肖镇中强调，这种“被放大”的效率背后，仍然存在精度验证与协同复杂度的结构性约束。
在技术路径与组织形态的双重变化中，一个更具现实意味的问题逐渐浮现：当AI从“能力竞赛”进入“部署竞赛”，端侧小模型是否正在成为打破“OpenClaw式调用依赖”的关键变量。
研发能“死命用”的端侧小模型
从团队构成看，肖镇中团队共9人，全部为人工智能方向博士，分别来自剑桥大学、牛津大学及马普所等顶尖高校与科研机构，长期从事大模型结构和训练相关研究，具备扎实的底层技术积累。
在此背景下，肖镇中向记者表示，团队选择切入小模型赛道，并非单一因素驱动：一方面源于团队的技术积累，另一方面则是对应用场景与部署逻辑的趋势判断。
具体而言，在当前主流技术路径中，大模型主要依托数据中心算力运行，并通过云端OpenClaw体系对外提供服务，其核心优势在于通用性与规模化能力输出。然而，随着应用逐步深入，使用成本高企、对网络环境的强依赖以及调用边界受限等问题，正开始在实际落地过程中持续暴露，并对部分场景形成约束。
“OpenClaw很强，但你必须联网、有调用限制，还要考虑费用。”肖镇中表示，“很多时候你不敢‘死命用’，因为每一次调用，本质上都是成本。”
相较之下，本地部署的小模型，则呈现出另一种使用逻辑，也构成对上述限制的直接回应。
“本地模型更像是你自己的算力资源，可以无限使用，不用担心账户被耗光。”他补充道，“某种程度上，它是在把原本受限于OpenClaw的能力，转化为可控的本地能力。”
在具体技术路径上，肖镇中强调，其团队的小模型并非单纯依赖“大模型蒸馏”这一降本方案，而是围绕端侧场景进行定向优化。
“蒸馏是一种方法，但我们更多是针对特定场景做模型设计。”他表示，“端侧设备的算力和计算方式都受限，不能简单复制数据中心的逻辑。”
在其描述中，小模型（通常在7B参数以下）虽然在通用能力上不及大模型，但通过任务专精，可以在特定场景中维持较高性能水平，并在使用方式上形成差异化优势。
“这更像是一种分工。”肖镇中表示，“通用能力交给大模型，但高频、刚需、对隐私敏感的场景，可以由本地小模型承接。”
基于这一判断，其团队将未来落地场景指向智能终端与本地化系统能力，包括手机、耳机、智能家居等设备。
“未来小模型会内置到设备里，成为本地的‘OpenClaw’。”他说，“用户不需要再每一次都去调用云端，而是直接在本地完成推理。”
这一表述，实际上指向一种更底层的变化：AI能力的“调用权”，正从平台侧向终端侧部分回流。
与技术路径变化并行的，是对“OPC创业形态”的实践性理解。
尽管团队规模为9人，已超出“一人公司”的字面定义，但肖镇中并未否认这一模式的内核逻辑。
“我们创业时，OPC还没那么流行。”他表示，“但我认同这种模式——用更少的人，通过AI撬动更大的生产力。”
在具体实践中，其团队已将AI工具深度嵌入开发流程。
“我们每天用coding agent写代码，效率提升是很明显的。”肖镇中向记者表示。
但与此同时，他也对当前市场对OPC模式的乐观预期，提出了更为审慎的观察。
“AI现在很热，大家觉得它什么都能干，但真正用好它解决复杂问题，并不简单。”他说。
例如，在文本生成类任务中，AI可以快速产出大量内容，但其准确性难以验证。
“写邮件、写文案，看起来很高效，但你很难确认它是不是完全正确。”他表示。
而在代码等高精度任务中，这一问题则更为突出。
“AI一次生成很多代码，你怎么快速验证对错？”肖镇中反问。
因此，在其看来，“一人公司”的适用范围仍存在明显边界。
“不是所有方向都能靠一人+AI搞定，很多工作还是需要团队协作。”他说。
颠覆限制仍需算力支持
如果说端侧小模型路径代表着一种技术方向的再选择，那么其背后的现实约束，则更多体现在资源结构与工程化能力上。
在当前阶段，肖镇中团队尚未完成融资。
“我们刚起步，还在准备融资阶段。”他向记者表示。
但即便在早期阶段，资源压力已经显现。
“做小模型，训练成本很高，很容易就烧掉上千万级资金。”他说。
这一表述，揭示出一个常被忽视的现实：小模型并不等同于“低成本模型”，其研发阶段依然高度依赖算力资源。
“本质问题是，模型变小之后，如何保证能力。”肖镇中表示。
在其看来，这一问题并非简单的工程优化，而是涉及模型能力与资源约束之间的结构性矛盾。
“大模型越大能力越强，现在要压缩它，同时还要保持性能，这是最难的。”他说。
目前，其团队部分算法已在实验环境中验证，并在学术界取得一定成果。
“我们在一些场景里已经跑通，也发表了论文。”他表示。
但从科研成果到产业化落地，仍存在明显断层。
“从实验室到工程落地，还有数据质量、硬件限制等一系列问题。”肖镇中指出。
这一阶段性差距，也直接影响到项目推进节奏与资源配置。
因此，在现阶段，其团队选择以自筹资金进行小规模验证。
“先把算法在小场景里打磨出来，再逐步放大。”他说。
在更宏观层面，这种资源约束并非个体问题，而是当前AI创业生态的共性特征。
“对我们来说，最大的需求就是算力资源。”肖镇中表示。
目前，地方政府已提供包括算力券在内的支持工具，但其具体使用与适配，仍需企业自行探索。
“我们后续会去了解和申请。”他说。
与此同时，他也提出了更具结构性的政策期待。
“如果在Token使用或者AI agent消耗上有支持，对整个生态都会有帮助。”肖镇中表示。
这一表述，实际上指向AI创业中另一个关键变量：调用成本结构。
在以OpenClaw为代表的云端调用体系中，Token消耗直接对应企业成本支出；而在高频使用场景下，这一成本会持续累积，形成对创新试错的约束。
因此，从算力到Token，本质上都是同一问题的不同表现形式——即AI能力的“可负担性”与“可控性”。
回到技术路径本身，小模型的价值，并不仅在于性能优化，更在于对这一成本结构的重构。
通过本地部署，其在一定程度上绕开了对OpenClaw的持续调用依赖，使AI能力从“按次计费”转向“本地资产化使用”，从而在使用频率、隐私保护与响应稳定性上形成新的均衡。
但与此同时，其前置投入与工程复杂度，也对创业团队提出了更高要求。
在肖镇中看来，这种路径并非对大模型的替代，而是一种并行演进。
“小模型不是替代大模型，而是结合。”他说。
在“云端大模型”与“端侧小模型”的分工之中，AI能力的供给方式，正在从单一中心化结构，走向更具层次感的分布式体系。而围绕“谁掌握调用权、谁承担成本、谁定义体验”的核心问题，这一结构性重构，或许才刚刚开始。
配查信提示：文章来自网络，不代表本站观点。
