非與智能成立僅三個月融資逾千萬美元，致力讓企業真正「擁有智能」

一家成立仅三个月的企业 AI 公司，连续完成了种子轮与天使轮融资，累计金额超过千万美元。非与智能的天使轮由锦秋基金与香港高才创业投资基金共同领投；种子轮投资者则是来自全球多个重要行业的领军人物，他们也成为公司的战略顾问。

比融资更早发生的，是客户的选择。公司成立首个季度，就有企业客户付费采购了非与智能的全套企业智能体平台，并在实际使用一个月后追加采购。产品进入这家客户的真实研发流程后，智能体日均 Token 调用量在两个月内增至原来的 5 倍，连续 30 天区间活跃率达到 92.5%。

这些数据来自一家客户，不能代表所有企业的应用效果，却勾勒出非与智能试图回答的问题：当大模型越来越强，企业怎样让 AI 真正进入自己的系统、完成工作，并把使用过程中形成的知识和方法留下来？

这个问题正成为企业 AI 的新分界线。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，则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。非与智能押注的，是从单次调用走向持续生产时必需的那一层能力。

融资之外，先看第一笔订单

企业 AI 的演示不难做。把模型接入知识库，生成一份报告，甚至让智能体调用几个工具，都可以在短时间内看到效果。进入生产环境后，问题会变得具体：哪些数据可以访问，任务由谁授权，执行过程如何留痕，结果出了偏差由谁接手，长期运行又需要多少算力与成本。

非与智能选择从这些日常而复杂的要求入手。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在同一架构中，让 AI 沿着企业已有的权限、系统和业务规则运行。这里的“私有化”，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。

首个客户的采购和增购，给这一路线带来了早期验证。持续使用比一次演示更能暴露工程问题：任务一旦进入真实流程，模型能力、系统接入、权限治理和推理成本就不能各自为政。非与智能也因此把客户的使用反馈，作为产品迭代的重要输入。

客户使用量的变化尤其值得关注。日均 Token 调用量增至原来的 5 倍，说明智能体在这家企业承担了更多实际工作；连续 30 天区间活跃率达到 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。它们并非“效率提升 5 倍”的证明，却让早期产品获得了比演示反馈更有分量的检验。

为什么一家公司要做“全栈”

在企业里，一项工作很少止于一次问答。智能体可能需要理解目标、读取资料、调用工具、在不同系统间执行操作，再由人检查结果。任务链越长，推理延迟、执行可靠性、数据权限和成本越容易相互牵动。单点应用能够解决眼前的问题，跨岗位、跨流程的持续使用则需要共同的运行底座。

这也是“全栈”在这里的含义。它不是把算力、操作系统和应用各做一遍，再摆成产品清单，而是让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。

非与智能将这层底座称为 Firmior OS。它承载企业记忆、知识技能、工作流、模型编排与安全治理，把经过验证的工作方法沉淀下来，供不同任务和岗位复用。企业智能本体——由企业独有的知识、业务关系、规则、经验及其执行方式形成的体系——也在持续使用中演进，而不只停留在某个人的电脑或某次对话里。

例如，一项工作通常要先判断信息从哪里来、怎样处理例外、结果交给谁复核。过去这些步骤分散在文档、个人经验和不同软件里；进入智能体系统后，它们需要成为有来源、有权限、可更新的知识与流程。企业既能让新的智能体沿用已验证的方法，也能在规则变化时统一调整，而不必让每个岗位、每套工具重新积累一遍。

应用层面，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。三类产品对应不同的工作入口，共享平台中的记忆、技能、工作流与治理能力。非与智能希望建设的并非一家只做研发智能体的公司，而是一套能够覆盖多种企业工作场景的系统。

平台之下是智能算力与推理能力。非与智能通过模型部署、推理优化和异构算力适配，处理复杂任务持续运行时的性能、可靠性与成本问题。FEAS（Firmior Enterprise Agentic Server）则是面向企业智能体推理与运行的一体化服务器系统。应用不断带来真实任务，平台沉淀共用能力，底层据此优化推理与算力效率——这也是公司同时布局三层架构的逻辑。

这一设计还试图避免企业被单一模型或单一技术路径锁定。模型能力会更新，企业已有的业务系统和算力环境也各不相同；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。对企业来说，掌握智能不等于拒绝外部创新，而是能够引入更合适的能力，同时把数据边界、组织知识和成本决策留在自己手中。

把不同能力汇到同一条产品线上

非与智能由创始人兼 CEO 柳钢（Leo）牵头组建。他在企业科技经营与 AI 产业实践中已有二十年积累，曾在 SAP、Oracle、微软等企业担任高管职务；在商汤科技负责商业化体系搭建，后来担任 GitLab 中国合资公司的 CEO、董事，进入代码平台与软件工程领域。

这段经历让他熟悉企业采购、交付和组织推广，也让团队看到：先进模型进入企业生产，不能只靠一个演示效果。非与智能因此汇聚了智能计算、推理优化、智能体工程、专业 GTM 与企业交付等不同背景的人才。团队既要解决底层系统的工程问题，也要让产品能被企业实际采购、部署和持续使用。

这种组合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。

早期投资者的构成与这一方向相呼应。种子轮由来自全球多个重要行业的领军人物以个人身份参与，他们同时成为战略顾问；天使轮则由锦秋基金与香港高才创业投资基金共同领投。成立初期获得融资，为团队推进平台建设提供了支持，而首个客户从采购到增购的过程，也让产品方向在对外亮相之初有了真实业务的检验。

从调用模型，到积累企业自己的智能

企业可以随时接入更先进的模型，但模型升级不会自动让一个组织拥有更好的工作方法。真正难以迁移的资产，往往是岗位如何判断、团队怎样协作、流程如何执行，以及这些经验如何在人员变化后仍能被继承。

非与智能的理念是“拥有智能，才能拥抱智能”。在它的设想中，企业不必在引入外部先进技术与掌握自身核心能力之间二选一：模型可以不断更换，业务中的知识、技能和工作流则持续沉淀在企业可控的平台上。智能体参与的任务越多，组织积累下来的方法也越丰富。

要把这一设想做成平台，关键还在复用。不同企业的系统和流程不可能完全一样，但身份权限、知识技能、工作流、模型编排与安全治理可以成为标准化且可适配的共同能力。客户特有的要求在清晰边界内配置，真实任务中验证过的方法回到平台，再服务新的岗位和场景。这样，客户增加带来的才不只是更多项目，也包括系统本身更强的适应能力。

这是一条比推出单个 AI 工具更长的路。非与智能已用首单、增购和持续增长的使用量完成了初步验证；接下来，它要将这些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。对这家刚刚起步的公司而言，融资是起点，更重要的是让每一家企业都能拥有自己的先进智能。