今年的GTC大会上，黄仁勋提出企业必须制定智能体战略，并发布了面向算力、推理和智能体安全运行的产品。这对柳钢来说，是一个明确的创业信号——要为企业搭建一套私有智能体。
柳钢曾在商汤兼任集团副总裁与商业化负责人，近7年的时间里，他认为自己都在跟“如何让AI进入一家企业”打交道。在他看来，“AI能否融入企业工作环境，能否在安全范围内实现业务价值，比模型性能更为重要。”
如今，如何让智能体持续、可靠地执行任务是行业聚焦的问题之一。
在柳钢看来，随着AI Coding的兴起，智能体有望从编程扩展更多企业岗位中，大批企业正在努力尝试。但受限于数据安全的顾虑，企业又难以将财务数据、核心代码、客户资料等敏感信息完全交给第三方平台。
2025年，新京报贝壳财经发布的《中国企业家人工智能应用调研报告》显示，57.81%的受访企业担忧商业数据泄露，43.75%担心过度依赖大模型平台商。
在这个节点上，柳钢认为从私有化切入智能体赛道是正确的方向。
今年6月，柳钢成立非与智能（Firmior AI）。试图把服务器、模型推理系统和智能体应用整合成一整套产品，部署在企业自有或专属环境中。企业可以自行指定服务器，也可以采购非与智能配置的硬件，非与智能负责部署和优化模型、操作系统及智能体，并提供后续升级和维护服务。
目前，非与智能完成种子轮与天使轮融资，累计超千万美元，天使轮由锦秋基金与香港高才创业投资基金共同领投。
创始人柳钢拥有二十年技术商业化与业务规模化实战经验，曾任JiHu-GitLab CEO、商汤科技集团副总裁，并在Oracle、微软、SAP等全球巨头担任高管。在商汤科技期间，创新业务总裁领导数十亿规模业务发展。
搭建全栈智能
通俗来讲，非与智能向企业提供的是一套能在本地运行的AI智能体系统，涵盖服务器、操作系统和智能体应用三个层次。
底层提供模型运行所需的算力，企业既可以采购非与智能配置的服务器，也可以使用自行指定的硬件，由非与智能负责模型部署和推理性能优化。
中间层是公司自研的Firmior OS操作系统，统一管理模型调用、数据权限、知识库和工作流，并计划通过后台智能体积累员工日常工作中产生的知识和经验。
上层是供员工直接使用的智能体。非与智能负责整套系统的部署、配置和调试，并提供后续模型升级、产品更新及技术维护服务。
目前，非与智能推出了三款面向不同工作场景的智能体产品。
Firmior Code面向软件开发人员，可以读取企业内部代码库，了解已有的代码结构和开发规范，帮助程序员完成需求分析、代码编写、调试、测试和审查等工作。它能够将复杂的开发任务拆解为多个步骤，接入常用的编程工具，重要的代码修改仍由人工审核。
Firmior Work面向日常办公场景，可以连接企业内部知识库、文档和业务系统，帮助员工查找资料、撰写报告、制作PPT和分析数据。对于复杂任务，它可以调用不同工具分步骤完成，并将经过验证的工作成果和操作方法保存下来，供后续重复使用。
Firmior Expert面向财务、法务、研发、供应链等专业岗位。它可以结合企业内部制度、业务数据、历史案例及岗位工作方法，通过接口连接相关业务系统，在授权范围内执行具体任务。企业也可以对智能体的操作权限、执行过程和结果质量进行管理。
三款产品运行于同一企业智能底座，共享身份权限、安全治理、企业记忆与模型编排。柳钢告诉36氪：企业可以从某一高价值场景开始部署，逐步扩展到更多部门和岗位；在不同场景中形成的知识与技能，也能够回到平台持续复用。
企业知识“自进化”
在企业部署AI的过程中，知识库和工作流往往是两项基础工作。智能体需要知道企业有哪些数据、遵循什么规则、如何处理具体业务，才能真正参与员工的日常工作。
但这些信息在很多企业里并没有得到系统整理。员工的工作经验可能散落在个人电脑、聊天记录和业务系统中，许多操作步骤和判断标准也没有形成正式文档。要让AI掌握这些信息，企业通常需要先整理数据、建立知识库，再由熟悉业务的人员梳理工作流程。
这也是近年来企业AI落地服务商需要解决的问题。
非与智能的技术思路是：让企业先使用智能体，再从日常工作中逐步积累知识和工作方法。为此，公司在Firmior OS中规划了一套“智能体自进化机制”。柳钢将其中负责积累经验的后台程序称为“旁路智能体”。
按照他的介绍，员工使用AI编程、制作报告或处理数据时，系统会在授权范围内分析过去一周、一个月甚至更长时间的工作记录，包括员工提出的要求、使用的数据、生成的成果及后续反馈。
系统并非简单保存全部记录，而是尝试筛选其中值得重复使用的内容。
例如，一名财务人员使用AI制作报表，可能多次上传数据、修改内容，最终采用其中一个版本。柳钢认为，员工是否实际采用某项成果，可以作为判断其价值的依据。旁路智能体据此筛选数据、报告和操作方法，保存下来供后续检索和调用。
更复杂的一步，是从具体操作中提炼业务逻辑。
以供应商延期交货为例，过去，经验丰富的员工会根据库存、采购价格、运输费用和资金情况，决定是否更换供应商。非与智能希望系统不仅能记录员工最终选择了什么方案，还能逐渐识别这些数据之间的关系，以及员工做出判断时遵循的规则。如果能够实现，企业就有机会通过日常工作记录，逐步建立自己的业务知识体系，而不必完全依赖人工提前梳理。
将业务数据、对象关系和操作规则组织起来，帮助智能体理解企业如何运转，也被称为建立企业本体（Ontology）。但建立这类系统，过去需要投入不少业务梳理和工程工作。
柳钢认可企业本体的价值，但对高度依赖人工交付的方式持保留态度。他认为，如果每家企业都需要大量既懂AI又懂业务的工程师参与建设，这类服务就很难大规模推广。因而他希望智能体系统能逐步企业抓取内部数据和历史经验，帮助参与复杂业务决策。
目前，非与智能已经在企业客户中部署智能编程产品。公司披露，首个客户使用一个月后追加采购，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%。
挑战不可能三角
AI性能好、数据安全、成本可控似乎是行业里的“不可能三角”。
企业通常需要在这三者之间取舍：使用云端服务相对方便，但涉及数据控制权；自行部署可以更好地控制数据，却可能需要承担较高成本，性能也未必理想。
柳钢认为，突破性能、数据安全和成本之间的限制，关键在于对整套系统进行联合优化。他希望能通过模型选择、推理优化、服务器配置和智能体应用的协同，在有限的硬件预算内提供一套完整的AI系统，挑战这项不可能。
企业通常只有一台或几台服务器，无法照搬大型云计算平台的技术架构。非与智能主要从模型、推理引擎、硬件和智能体四个层面同时调整：根据任务选择和组合不同模型，优化推理过程中的计算与缓存，并针对实际工作负载分配服务器资源。因同时提供算力服务与上层智能体，也可以根据员工实际使用时产生的计算需求，反过来优化底层系统。
按照柳钢的介绍，经过这套优化，公司可以用一台配备8张GPU的标准服务器，支撑约100名程序员使用AI编程工具，并将四年周期内的人均使用成本控制在部分同类云端产品之下。
算力支撑智能的规模，模型定义能力的边界，智能体承载能力的落地。在非与智能看来，他们占据的优势是算力、模型与智能体的全栈协同，以及帮助企业沉淀资产，而这也将成为企业未来最重要的资产之一。
图片来源｜企业供图