企业软件里最昂贵的数据，往往不是那些被结构化进数据库的字段，而是散落在邮件线程、工单流转、代码提交记录和即时通讯频道里的“工作如何真正发生”。一个采购订单从谁发起、谁在什么节点改了口径、哪个审批被卡了两天、最后是谁用一通电话解决了问题——这些事件与决策的先后顺序，构成了企业运转的真实动力学。但今天的 AI 代理大多只拿到一份静态文档堆。它们能检索政策原文，却不知道上个季度那次例外是怎么批下来的；能生成回复草稿，却不理解这条工单和三个月前那批退货之间的因果链。
这正是 Zeroset 试图切入的位置。2026 年 10 月 6 日，这家此前一直处于隐身状态的创业公司宣布完成 520 万美元种子前轮融资，并推出首个产品 Nebula。据公司披露，Nebula 连接企业已经在用的 Microsoft 365、SharePoint、Outlook、Teams、GitHub 以及工作场所通讯工具，追踪这些系统中信息与活动随时间的变化，目标不是给 AI 代理更多可搜索的文件，而是让它理解构成工作流的决策与事件顺序，从而自主完成工作。
Zeroset 联合创始人兼 CEO Akshat Kannan 对 Business Insider 表示：“现成的模型对企业实际运作的动态毫无理解。它们对工作是如何完成的毫无理解。”这句话指向一个具体的技术缺口：通用模型的知识截止于训练数据，而企业内部那些不成文的流程、临时的依赖关系和部门间的隐性约定，从未进入任何公开语料。
| 字段 | 内容 |
|---|---|
| 公司 | Zeroset |
| 轮次 | 种子前轮 |
| 金额 | 520 万美元 |
| 投资方 | Gradient、2048 Ventures 联合领投，Leblon Capital 参投 |
| 总部 | 未披露 |
| 创始人 | Akshat Kannan、William Zhang |
| 官网 | https://zeroset.com/ |
把“世界模型”从机器人搬到企业，Nebula 想捕捉的是事件顺序而非文档集合
Zeroset 在官方公告中把自己的技术路线描述为“将世界模型部署到企业中”。这是一个从机器人领域借来的概念。公司在 X 平台发布的声明中写道，机器人学曾经面临类似问题：构建有能力的机器人不仅需要对策略做算力扩展，还需要对环境的表征，编码状态以及状态在动作下如何变化。随着时间推移，这些表征从手工指定的状态转向学习到的世界模型。Zeroset 认为，企业自动化缺少的正是这样一个“代表工作并从中学习的通用系统”。
Nebula 的产品机制可以理解为：连接企业现有软件系统，捕捉人和代理在跨系统工作时产生的状态与轨迹，用这些轨迹建模企业如何运作、如何随时间变化。据公司披露，这些模型包含“特定于一家公司的决策、依赖关系和不成文流程”。与传统的企业搜索或 RAG（检索增强生成）方案相比，Nebula 的差异点在于时间维度和事件序列。前者回答“文档里写了什么”，后者试图回答“这类事情上次是怎么一步步做成的”。
从已披露的产品形态看，Nebula 的输入是企业软件中自然产生的行为痕迹，而不是要求员工额外录入流程文档。这是一个有意义的取舍：它降低了企业的数据准备成本，但也把产品价值高度绑定在数据质量和系统覆盖度上。如果一家企业的关键决策发生在 Nebula 尚未接入的系统中，或者发生在系统之外的线下沟通里，模型对工作流的理解就会出现盲区。公司尚未披露 Nebula 如何处理这类数据缺口。
两个退学创始人和五名员工，一笔以训练成本为主要压力的早期融资
Zeroset 的团队规模与融资额之间保持着一种刻意的紧凑。公司拥有五名员工，创始人 Akshat Kannan 今年 18 岁，从斯坦福退学；William Zhang 21 岁，去年从得克萨斯大学退学。两人于 2026 年 1 月创立公司，从成立到完成融资并结束隐身状态，大约花了九个月。
这笔 520 万美元的种子前轮由 Gradient 和 2048 Ventures 联合领投，Leblon Capital 参投。Gradient 是 Google 于 2017 年创立的创投基金，专注种子期和早期 AI 与机器学习初创公司。对于一家种子前轮公司而言，联合领投的结构并不常见，它通常意味着两家机构都希望在早期获得足够大的敞口，也意味着创始团队在谈判中拥有相对强的位置。
资金用途直接暴露了这类公司的成本结构。据公司披露，新资金将用于招聘研究人员和系统工程师、资助早期企业部署，以及支付模型训练费用。Kannan 对 Business Insider 表示，训练是公司最高的成本之一，在一次峰值训练运行中，两周内花费约 10 万美元。这个数字放在大模型公司的训练预算里并不算大，但对一家五名员工、刚完成种子前轮的公司而言，单次训练运行消耗掉近 2% 的融资额，意味着模型迭代的节奏必须被严格控制。公司没有披露这种峰值训练运行的频率，也没有披露日常训练成本的摊销方式。
商业模式把许可费和使用量绑在一起，但收入验证还没开始
Zeroset 计划采用许可收费与按使用量计费相结合的模式，使用量随流经 Nebula 的数据量和代理活动规模扩展。这种混合定价在 AI 基础设施公司中越来越常见：固定的许可部分提供可预测的基础收入，使用量部分则试图捕捉客户价值增长的上行空间。但 Zeroset 目前仍处于封闭研究预览阶段，公司明确表示将逐步扩大客户访问，而非一次性广泛发布。这意味着上述定价模式尚未在真实付费客户中验证。
公司称初期聚焦于在制造、供应链运营和金融研究等行业部署长时运行代理的企业和 AI 原生公司。这个客户画像有其内在逻辑：长时运行代理对上下文连续性的需求最强，因为它们需要在数小时甚至数天的任务中保持对企业状态的准确理解。制造业和供应链运营中的异常处理、金融研究中的跨文档推理，都是典型的“事件序列比单点信息更重要”的场景。
但聚焦这些行业也意味着更高的销售门槛。制造业和供应链企业的软件栈往往复杂且异构，核心系统可能是本地部署的 ERP，而非 Nebula 目前列出的 Microsoft 365、SharePoint、Outlook、Teams、GitHub 这类偏协作与开发的工具。公司尚未披露是否已经与任何制造或供应链企业达成部署协议，也未披露客户名单或合同金额。从封闭研究预览到付费收入之间，Zeroset 还需要跨过从技术预览到生产级可靠性的距离。
与 Mem0 和 Zep 的间接竞争，争的是 AI 代理的“记忆层”定义权
Zeroset 在 AI 代理基础设施的版图中，最接近的参照物是 Mem0 和 Zep。这两家公司都在为 AI 代理构建记忆基础设施，解决的是“代理如何记住之前的交互和上下文”的问题。Zeroset 与它们构成间接竞争，而非直接对标。区别在于，Mem0 和 Zep 更偏向代理会话层面的记忆管理——提取、存储和检索对话或交互中的关键信息——而 Zeroset 的 Nebula 试图建模的是企业运营层面的动态，包括跨系统的状态变化和事件序列。
这个定位差异让 Zeroset 避开了与记忆基础设施公司最拥挤的功能对比，但也让它面临一个更模糊的品类定义问题。如果客户只是想让 AI 代理记住用户偏好和近期交互，Mem0 或 Zep 的轻量方案可能更易落地。如果客户想要的是对企业工作流的深度建模，Nebula 需要证明自己带来的增量价值足以覆盖接入多个企业系统、处理异构数据和安全合规的额外成本。公司尚未披露 Nebula 与现有记忆基础设施方案在具体任务上的性能对比。
另一个值得注意的竞争维度来自大模型公司本身。随着基础模型上下文窗口的扩大和工具调用能力的增强，部分“代理记忆”需求可能被模型原生能力吸收。Zeroset 的防御在于它积累的是企业专有的运营轨迹数据，这些数据不会出现在公开训练集中。但这一防御的强度取决于客户是否愿意把这类敏感数据交给一家早期创业公司处理，而不是通过自有基础设施构建类似能力。
投资逻辑押注的是“企业专有世界模型”的稀缺性，但验证路径仍然陡峭
从投资方组合看，Gradient 和 2048 Ventures 的联合领投传递的信号是：这是一个技术路线明确、团队背景符合 AI 基础设施投资偏好的早期项目。Gradient 作为 Google 背景的 AI 专项基金，对“世界模型”“代理基础设施”这类概念并不陌生；2048 Ventures 的参与则补充了早期 SaaS 和企业软件的投资视角。Leblon Capital 的参投规模未披露，但其出现在资本表中，说明这笔交易在机构层面获得了至少三家独立决策方的认可。
投资逻辑的核心假设可以拆解为三层：第一，企业 AI 代理从“能执行任务”走向“能自主完成工作”，中间缺少一个对企业运作状态的持续表征层；第二，这个表征层必须从企业已有的软件系统中自动提取，而不能依赖人工录入；第三，一旦 Nebula 在早期客户中跑通，积累的企业专有运营数据将形成切换成本和数据护城河。这三层假设中，第一层有较清晰的产业逻辑支撑，第二层的技术可行性取决于 Zeroset 的工程实现能力，第三层则完全未被验证。
从已披露的融资额和团队规模看，这笔钱不足以支撑大规模市场推广。Zeroset 的策略是逐步扩大客户访问，这意味着它选择了一条以产品验证为先的路径。在封闭研究预览阶段，关键指标不是收入，而是 Nebula 能否在真实企业环境中持续、稳定地捕捉工作流事件，并让代理据此做出比静态文档检索更优的决策。公司尚未披露任何此类指标。
资金用途背后是研究密集型的烧钱节奏，单次训练成本暴露了规模化的脆弱性
520 万美元的种子前轮融资，在 2026 年的 AI 基础设施创业环境中属于中等偏上的规模。但 Zeroset 的成本结构让这笔钱的消耗速度成为一个需要关注的变量。公司明确表示将把资金用于招聘研究人员和系统工程师、资助早期企业部署和支付模型训练费用。其中，模型训练费用是最不可预测的部分。Kannan 披露的一次峰值训练运行两周花费约 10 万美元，如果这类运行每月发生一次，仅训练成本一年就会消耗约 120 万美元，接近本轮融资的四分之一。
当然，峰值训练运行不代表常态。公司没有披露日常训练的频率和单次成本，也没有说明是否已经建立了更经济的训练流程。但这一数据点揭示了一个结构性事实：Zeroset 不是一家以软件工程边际成本为主的 SaaS 公司，而是一家研究密集型的模型公司。它的产品迭代速度受制于训练预算，而训练预算又受制于融资节奏。在下一轮融资到来之前，公司必须在模型性能和烧钱速度之间找到平衡。
招聘研究人员和系统工程师的优先级也值得注意。五名员工的团队同时需要模型研究和系统工程两类人才，这通常意味着创始团队自身在某一侧有短板需要补足，或者产品对系统工程的复杂度要求超出了纯研究团队的能力范围。Zeroset 没有披露两位创始人的具体分工和技术背景，但从公司把“系统工程师”与“研究人员”并列写入招聘计划看，Nebula 的企业系统连接层可能比模型层更消耗工程资源。
封闭预览是一把双刃剑：控制质量的同时，也推迟了产品市场匹配的验证
Zeroset 选择封闭研究预览而非公开测试，在早期 AI 基础设施公司中并不罕见。这种策略的好处是可以在可控环境中调试系统，避免在数据连接不稳定或模型输出不可靠时过早暴露给市场。但它也意味着公司无法通过大规模用户反馈快速迭代产品假设。Nebula 的核心价值主张——让 AI 代理理解企业工作流的事件顺序——只有在足够多样化的真实企业环境中才能被证伪或证实。
公司称将“逐步扩大客户访问”，但没有披露当前预览阶段的客户数量、行业分布或使用时长。从产品描述看，Nebula 需要接入多个企业系统才能发挥价值，而每个系统的接入都涉及权限配置、数据合规审查和潜在的 IT 部门协调。对于一家五名员工的创业公司来说，同时服务多个预览客户并保持系统稳定性，本身就是一项工程挑战。
更关键的问题是，Nebula 的价值验证需要时间。一个 AI 代理要证明自己“理解了工作流”，至少需要在多次相似任务中表现出比静态文档检索更优的决策质量。这种验证不可能在两周的试点中完成。Zeroset 的封闭预览策略如果持续过久，可能会让早期投资人的耐心和下一轮融资的窗口成为新的约束条件。
风险不在技术概念，而在企业数据接入的摩擦与模型价值的可测量性
Zeroset 面临的风险可以分成三类。第一类是数据接入摩擦。Nebula 目前列出的连接对象集中在 Microsoft 365、SharePoint、Outlook、Teams、GitHub 和工作场所通讯工具，这些系统在数据接口和权限模型上相对标准化。但公司目标客户所在的制造业和供应链运营领域，核心系统往往是 SAP、Oracle 或定制化的本地 ERP。这些系统的数据接入难度远高于云端协作工具，且涉及更严格的数据主权和合规要求。公司尚未披露 Nebula 是否已经具备与这类系统的集成能力。
第二类是模型价值的可测量性。Zeroset 的核心主张是“理解事件顺序比检索文档更重要”，但这一主张需要一个可量化的验证框架。如果客户无法在部署 Nebula 后看到代理任务完成率、人工干预次数或流程处理时间的明确改善，付费意愿将难以持续。公司尚未披露任何基准测试结果或客户成功指标。
第三类是竞争替代。Mem0 和 Zep 在代理记忆基础设施上已经积累了一定的开发者生态，大模型公司也在不断提升原生上下文处理能力。Zeroset 的差异化在于企业运营层面的动态建模，但这个差异化能否转化为客户愿意为之付费的产品优势，取决于 Nebula 在真实场景中的表现，而非概念层面的区分度。公司仍处于封闭研究预览阶段，尚未广泛发布，这意味着上述所有风险都还没有被市场数据所检验。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：Zeroset 把机器人学的“世界模型”概念移植到企业软件，试图让 AI 代理从“读文档”进化到“懂流程”。这个方向在逻辑上成立，但真正的考验不在模型层，而在那些散落在邮件、工单和代码提交里的企业真相能否被稳定地捕捉、建模并转化为可测量的代理行为改善。520 万美元能支撑的验证窗口有限，而企业数据接入的摩擦和模型价值的可测量性，才是决定这家公司能否从研究预览走到付费部署的两道硬门槛。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。