企业AI正卡在一个尴尬的位置。模型能力每隔几个月就刷新一次基准测试，但真正把智能体放进生产环境的企业，遇到的却是另一类问题：一次看似简单的任务，要经历拆解、多轮推理、工具调用、模型切换和反复校验；链路越长，性能、可靠性与成本越相互牵动。Gartner在2026年8月给出的判断是，与基础聊天机器人交互相比，将任务交给具备推理能力的智能体时，模型服务商承担的推理成本至少为前者的五倍，复杂任务的差距可能更大。换句话说，模型能回答多少问题，决定了一项技术的能力边界；企业敢把多少真实工作交给它，取决于系统能否理解业务约束、处理执行过程，并在不断变化的模型和算力条件下稳定运行。

非与智能（Firmior AI）想押注的，正是这条从单次调用走向持续生产时必需的能力层。这家总部位于深圳前海与香港的公司，定位为全栈私有化企业智能体平台，试图把智能算力底座、推理操作系统与企业智能体放进同一架构。公司成立仅三个月，已连续完成种子轮与天使轮融资，累计金额超千万美元。其中，天使轮由锦秋基金与香港高才创业投资基金共同领投；种子轮则吸引了来自全球多个重要行业的领军人物以个人身份参与投资，并出任公司战略顾问。

比融资更早发生的，是客户的选择。公司称，成立首个季度即获得企业客户付费采购全套企业智能体平台，该客户在实际使用一个月后追加采购。随着产品进入真实研发流程，智能体日均Token调用量在两个月内增至原来的5倍，连续30天区间活跃率达92.5%。公司方面说明，上述数据来自单一客户的采购与使用统计，尚无独立第三方验证。首单、增购与持续活跃的使用数据，构成了这家初创公司产品方向的早期验证，但样本量决定了它还不是可推广的结论。

字段 内容
公司 非与智能（Firmior AI）
轮次 种子轮与天使轮
金额 超千万美元（种子轮与天使轮累计）
投资方 锦秋基金、香港高才创业投资基金共同领投天使轮；全球多个重要行业领军人物以个人身份参与种子轮投资并出任战略顾问
总部 深圳前海与香港
创始人 柳钢（Leo），创始人兼CEO
官网 https://firmior.ai/

全栈不是产品清单，而是让上层任务反过来定义底层优化

非与智能的产品架构分三层。底层通过模型部署、推理优化、异构算力适配，以及FEAS（Firmior Enterprise Agentic Server，面向企业智能体推理与运行的一体化服务器系统）提升专属算力的性能与成本效率。中间层Firmior OS承载企业记忆、知识技能、工作流、模型编排与安全治理。应用层由三款产品切入：Firmior Code面向软件研发任务，Firmior Work拓展知识工作场景，Firmior Expert面向企业高管与核心岗位，聚焦数字员工能力。

这套架构的关键不在于“把算力、操作系统和应用各做一遍，再摆成产品清单”，而在于上层任务反过来定义底层要解决的问题。一次任务调用多少模型、哪里需要人工确认、哪个环节造成等待或重复计算，都可以成为系统优化的依据。若只优化单次模型响应，企业仍可能承担一条长任务链的高成本；若只有应用界面，工作成果又难以跨场景继承。这是非与智能选择同时布局三层架构的逻辑，也是它与单纯Agent应用或单纯推理优化工具的分野。

公司所强调的“主权”，并非要求企业排斥外部模型或从头建设所有技术，而是让企业能够选择模型、划定数据边界，掌握自己的知识与工作流，并管理算力和Token成本。部署方式上，企业可依据既有基础设施和数据边界，选择一体化服务器、客户自有数据中心、私有云或专属VPC。这种灵活性在金融、能源、先进制造、政府与央国企等对安全与自主可控有较高要求的行业，构成了产品叙事的核心。

从产品架构看，三层之间的耦合方式可能比每一层的独立能力更关键。应用层产生的真实任务会不断向平台层沉淀可复用的工作流与知识，平台层则向底层提出更具体的推理与算力需求。如果这条反馈链路能够跑通，底层优化就不再是通用意义上的“更快、更省”，而是针对企业实际任务形态的定向调整。但这一机制目前仍停留在产品设计逻辑层面，其实际效果需要更多客户和更长运行周期来验证。

单一客户的5倍调用量增长，能证明什么、不能证明什么

非与智能披露的早期数据值得拆开来看。日均Token调用量在两个月内增至原来的5倍，说明智能体在这家企业承担了更多实际工作；连续30天区间活跃率达92.5%，则表明使用并未停留在一次集中试用。与一个月后的追加采购放在一起，这些迹象呈现的是客户在持续使用中扩大投入的过程。

但它们并非“效率提升5倍”的证明。Token调用量增长可能来自任务复杂度上升、智能体执行链路变长，也可能来自模型切换带来的调用次数增加，甚至可能意味着推理成本同步上升。活跃率反映的是使用频次，不是任务完成质量或业务收益。公司方面明确说明上述数据来自单一客户的采购与使用统计，这一口径的边界是清晰的：它是一次早期产品验证，不是可推广的市场证据。对一家成立三个月的公司来说，首单、增购和持续使用比演示反馈更有分量，但距离“全栈能力在真实场景中得到验证”的表述，中间还隔着客户数量、行业多样性和交付周期等变量。

从已披露的单一客户采购与使用统计看，这意味着非与智能至少跑通了一次从部署到持续使用的闭环；但该客户的具体行业、部署方式、采购金额和增购规模均未披露，因此无法判断这套闭环在不同基础设施和数据边界下的可复制性。结论的边界在于：早期验证成立，规模化验证尚未开始。

另一个值得注意的细节是，该客户采购的是“全套企业智能体平台”，而非单一应用或单一算力组件。这可能意味着客户至少在采购决策上接受了非与智能的全栈叙事，但采购行为本身并不能证明三层架构在实际运行中形成了协同效应。客户是否同时使用了Firmior Code、Firmior Work或Firmior Expert，是否部署了FEAS服务器，以及Firmior OS在其中承担了多少实际调度与治理工作，均未披露。因此，目前能确认的是“有客户愿意为整套平台付费并持续使用”，而不是“全栈架构已被验证为更优解”。

创始团队的商业化履历，恰好对应全栈路线的两端

非与智能由创始人兼CEO柳钢（Leo）牵头组建。据钛媒体报道，他曾在SAP、Oracle、微软等全球科技企业担任重要管理职务，此后加入商汤科技，担任集团首位副总裁及商业化全盘负责人，并带领集团营收提升至超15亿元，在商汤赴港上市过程中发挥作用。过去三年，他作为全球软件工程平台GitLab中国合资公司的CEO、董事，深入代码平台与软件工程，领导组织与技术产品的AI转型。

这段履历对应着全栈路线的两端：一端是深度学习系统、高性能计算与模型—芯片协同优化，决定复杂任务能否以可接受的速度和成本运行；另一端是对企业采购、权限审核、系统接入和后续推广的理解，决定先进能力能否进入日常生产。柳钢的角色，是把这些原本分布在不同专业领域的能力组织到同一产品目标之下。公司称，核心团队成员此前分布于国家级AI实验室、头部人工智能公司、代码与基础软件平台，以及高校和产业研究机构，经验覆盖智能计算平台、异构计算、模型系统与推理优化，也深入智能体工程、安全治理和大型企业交付。

前SAP首席营收官及全球执行董事会成员罗旭凯（Scott Russell）担任公司顾问。他给出的判断是：“企业不应在采用先进AI与掌握自身业务能力之间做选择。随着AI融入日常运营，信任、灵活性以及清晰的业务价值实现路径，将与模型性能同样重要。”这句话点出了非与智能试图占据的叙事位置：模型能力会持续更新，企业已有的业务系统和算力环境各不相同，让模型选择、任务编排和运行资源留有调整空间，平台才能跟着技术演进。

从团队构成看，非与智能试图同时覆盖“底层系统能力”和“企业交付能力”两个通常分离的领域。这种组合的潜在优势在于，产品设计阶段就能把交付约束纳入架构考量，而不是在项目现场才补系统集成和权限治理的课。但潜在风险同样存在：两类团队的协作方式、产品节奏和考核标准差异较大，能否在初创阶段形成统一的产品语言，仍需观察。公司未披露核心团队的具体人数、组织架构和分工，因此无法进一步判断这种组合的实际运转状态。

商业模式按层拆解，但交付风险藏在“按需组合”里

非与智能的商业模式与产品架构相对应：智能体应用按席位年度订阅，Firmior OS作为共享平台层一次性收费、按部署规模计费，FEAS服务器按硬件选型单独报价，三层按需组合。这种设计让客户不必为不需要的层级付费，也给公司提供了从软件订阅到硬件交付的多重收入来源。

但“按需组合”的另一面是交付复杂度。企业私有化项目容易演变为“一客一项目”的重交付模式，每个客户都可能带来新的系统集成、数据治理与运维要求。全栈布局也可能拉长研发战线。柳钢对此的回应是：“系统接入会因企业而异，平台不能因此每次从零开始。”他的逻辑是，Firmior OS承载的企业记忆、知识技能、工作流、模型编排与安全治理，会形成能够跨任务复用的共同能力，客户特有的环境与流程则在清晰边界内适配。随着客户群体扩大、连接与实施经验积累，新客户接入和升级会更加高效，运维投入也会更可控。

这是一个需要时间验证的假设。标准化平台能力与客户特有需求之间的边界，往往要在多个项目交付后才能清晰划定。首个客户的增购说明产品在该客户处有持续价值，但一个客户无法证明“标准化能力可复用”的命题。非与智能需要回答的真正问题是：当客户数量从一变成十、从十变成一百时，交付成本曲线是否真的会如公司预期那样下降，而不是随着行业差异和系统复杂度线性上升。

从收入结构看，三层按需组合的模式还可能带来另一种不确定性：客户可能只采购应用层，把平台层和算力层视为可选项；也可能先采购FEAS服务器，再逐步引入Firmior OS和应用。不同采购组合对应的交付范围、收入确认方式和后续扩展路径差异较大。公司未披露首个客户的具体采购组合，因此无法判断当前收入结构中哪一层贡献更大，也无法评估“全套采购”在多大程度上是客户主动选择，而非早期销售策略的结果。这一信息缺口，使得商业模式的可持续性仍需更多交易数据来检验。

竞争格局里没有点名对手，但每一层都有相邻扩张者

企业AI市场中，模型厂商、云厂商、传统企业软件公司、Agent平台与系统集成商都在向相邻层扩张。来源材料仅作此类概括，未点名具体公司。这意味着非与智能面对的竞争不是单一维度的：模型厂商可能向下提供推理优化和部署工具，云厂商可能向上提供Agent平台和私有化方案，传统企业软件公司可能把智能体嵌入既有工作流，系统集成商则可能以项目制方式满足同一批客户。

非与智能的差异化在于全栈私有化定位。它不试图训练基础模型，而是把模型选择权留给客户，把竞争焦点放在模型之下的系统能力：推理优化、异构算力适配、企业记忆与工作流沉淀、安全治理。这套定位的成立条件，是企业客户确实愿意为“拥有智能”而非“租用智能”付费，并且愿意接受一个初创公司作为全栈供应商，而不是分别采购模型、平台和集成服务。

从投资方构成看，天使轮由锦秋基金与香港高才创业投资基金共同领投，种子轮由全球多个重要行业的领军人物以个人身份参与。这种结构带有明显的产业资源色彩：个人投资者同时出任战略顾问，可能为非与智能带来早期客户接触和行业准入，但具体名单和资源网络未披露，无法评估其实际转化能力。

竞争维度的复杂性还在于，非与智能的每一层都面对不同类型的对手，而它必须同时在三层保持足够的产品竞争力。底层FEAS服务器要与既有推理优化方案和硬件供应商争夺算力预算；中间层Firmior OS要与云厂商的Agent平台和企业软件公司的嵌入式智能体争夺工作流入口；应用层则要与更轻量的单点工具争夺用户注意力。全栈定位的价值在于协同，但协同的前提是每一层都能独立成立。如果某一层明显弱于相邻对手，全栈叙事可能反而成为交付负担。这一风险在单一客户阶段尚不明显，但会随着客户数量增加而放大。

资金用途未披露，下一阶段的验证路径比融资本身更关键

非与智能未披露本轮融资的具体用途与资金分配。从公司当前阶段和产品架构推断，资金大概率会流向研发团队扩充、FEAS服务器与Firmior OS的工程化，以及早期客户的交付与支持。但这是编辑推断，公司并未给出明确说明。

更值得关注的是验证路径。非与智能的长期目标是为全球十万家先进企业打造全栈私有化智能体平台。这个数字在来源材料中作为公司目标出现，尚无独立第三方验证，也远超出当前单一客户的验证范围。从一到十万之间，公司需要证明几件事：第一，Firmior OS的标准化能力能否在不同行业、不同基础设施环境下复用，而不是每个客户都变成独立项目；第二，FEAS服务器的硬件选型和成本结构能否在真实部署中形成对公有云推理的替代优势；第三，按席位订阅、平台一次性收费和硬件单独报价的组合，能否支撑起足够的客单价和续约率。

首单客户的增购和调用量增长，说明产品在该客户处有真实使用。但单一客户的数据无法回答上述任何一个规模化问题。非与智能把“初步验证”作为起点，这个表述是准确的。接下来，它需要把从真实任务中获得的能力，做成可适配更多企业和工作场景的系统。融资是起点，客户数量、行业多样性和交付效率的改善，才是下一阶段真正需要被检验的指标。

另一个尚未被回答的问题是时间节奏。公司成立仅三个月，首单客户从采购到增购的周期也只有一个多月，这意味着当前所有数据都来自极短的观察窗口。Token调用量的5倍增长能否持续，活跃率能否在更长时间内保持，增购是否只是早期部署中的一次性扩容，都需要后续季度数据来确认。对于一家同时推进三层产品研发的初创公司来说，短期内的资源分配也面临选择：是优先扩大客户数量以验证复用能力，还是优先深化单一客户的使用深度以完善产品。公司未披露这方面的规划，但这一选择将直接影响下一阶段的验证质量。

RecodeX 极客视：企业AI的竞争正在从“谁的模型更强”转向“谁的系统能让模型真正干活”。非与智能用一套三层架构和一笔超千万美元的早期融资，换来了一个真实客户的增购和持续使用。但全栈私有化是一把双刃剑：它切中了企业对数据主权和成本控制的焦虑，也把交付复杂度、研发战线和跨行业复用难题全部揽到了自己身上。单一客户的5倍调用量增长是信号，不是证据。这家公司真正的考验，不在于能否讲清“拥有智能”的理念，而在于当客户从一变成十、从十变成一百时，那套被寄予厚望的Firmior OS，是否真的能让交付成本曲线向下弯曲。

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。