在 AGI Playground 2026 上，我们做了一场特别的 Founder Show 活动，10 个团队，每人 15 分钟，讲清楚自己在做什么、为什么值得做，并接受现场评委的追问
在 AGI Playground 2026 上，十个团队各用十五分钟介绍产品并接受追问。项目横跨 Agent 基础设施、交互界面、Physical AI、硬件和 AI 原生内容，表面上方向分散，背后却在回答同一个问题：当模型越来越强、越来越便宜，创业公司还能创造什么不可替代的价值？
我的判断是，竞争正在从“谁拥有更强的模型”，转向“谁能让模型进入真实环境，获得独有数据，并在持续使用中形成闭环”。模型提供通用智能，产品必须提供环境、反馈、记忆、控制和结果。
人机交互不能停留在聊天框
Tap8 看到的是信息吞吐的不对称。模型生成文字很快，人却读不过来。它试图用代码搭建信息骨架，再用像素补足视觉表现，把文字、图表、3D 内容和交互组织成实时生成的视频界面。
这条路线的关键不是“把回答做成视频”，而是让表达本身可以点击、拖动、旋转和继续追问。代码保证数字、文字和结构的准确，像素负责更丰富的视觉体验。生成结果一旦出错，还能定位到具体代码，再把反馈纳入后续改进。
SureThing 解决的是另一个聊天框问题：长期工作的 Agent 无法靠一串对话管理。真正的团队协作需要状态可见、过程可介入、权限可控制，也需要适合不同任务的界面。
它让 Agent 根据工作场景动态生成页面，把进度、数据、待审批内容和关键选择直接呈现出来。人不必参与每一步，但必须看得见 Agent 正在做什么，并能在方向错误时及时接管。未来复杂 SaaS 的一部分价值，可能不再是提供完整菜单，而是根据当前目标只生成用户真正需要的界面。
Agent 缺的不只是智能，还有自己的网络和电脑
EigenFlux 认为，今天的互联网从页面结构到注意力分发都为人设计，并不适合 Agent。Agent 需要内容和元数据，需要信息主动推送，也需要发现其他 Agent、交换需求和展开协作的原生机制。
它从广播和点对点通信切入：Agent 描述长期关注的内容或当前需求，网络负责匹配可能感兴趣的另一方。团队披露，目前已有四千五百多个 Agent 接入，供需广播中约有两成形成有效对接。
这件事的终局不只是信息流。通信建立之后，Agent 才可能进一步表达需求、提供服务、形成信任和完成交易。EigenFlux 把它概括为从信息流动、供需匹配到专业化协作的三阶段演进。
KRuntime 则提出“模型提供智能，开发者构建环境”。Prompt、工具、文件、反馈、状态、记忆和循环代码共同决定了 Agent 的行动空间。强模型进入糟糕的环境，依然会频繁出错；同一个模型进入更好的环境，也会表现得像一个更好的 Agent。
它用 TypeScript 实现 KB 级虚拟 Unix 环境，把文件系统、Shell、进程、网络、记忆和 Skills 组合起来。数据库、对象存储和知识库都可以挂载为文件，Agent 使用预训练时已经熟悉的 Unix 动作完成工作，需要更多算力时再调用远端资源。
我更看重它对长期价值的理解：Runtime 不只是执行容器，也是经验容器。Agent 在真实业务里留下的任务轨迹、记忆和自动化流程，可以继续改进环境、沉淀 Skills，也可以成为后训练和模型蒸馏的数据。给每个 Agent 一台“电脑”，真正的意义是让它从入职第一天开始积累组织经验。
Physical AI 的突破口未必是人形机器人
Aceii One 是一台能沿球场移动、识别网球轨迹并根据对手回球调整下一拍的网球机器人。它选择的不是通用人形形态，而是一个规则清晰、反馈可测、用户又愿意持续训练的专用场景。
传统发球机按照预设出球，网球机器人则持续观察、预测和回应。每一次对打既创造产品体验，也生成新的训练数据。硬件在这里不只是软件的载体，它创造了一个软件无法独立产生的使用场景。
这给我的启发是，Physical AI 不必等待通用机器人全面成熟。专用设备可以先进入真实世界，在明确任务中形成感知、行动和反馈闭环，再把能力迁移到其他运动或相邻场景。
Ropedia 从更底层的数据缺口切入。语言模型读过人写下的内容，Physical AI 还需要理解人做了什么、世界怎样回应，以及一个动作之后会发生什么。但大量真实物理经验从未被记录，也不存在于公开互联网中。
它通过第一视角设备、力与触觉设备和桌面采集装置，把人的行动转化为视觉、语义、深度、3D 重建、4D 姿态、触觉和力等多模态数据，再由 Human Experience Engine 进行同步和处理。
Ropedia 声称，基于人的经验数据训练出的模型可以泛化到不同机器人形态。这一判断如果持续成立，Physical AI 的下一条 Scaling Law 就未必来自某一种机器人的专属数据，而可能来自可规模化生产、能够跨硬件迁移的人类经验。
世界模型要从“生成内容”走向“理解行动”
SEELE 和空间直觉都从游戏进入世界模型，但切入点并不完全相同。
SeeleAgent 希望一句 Prompt 不只生成代码原型，而是同时生成空间布局、3D 资产、规则、互动机制和反馈。SEELE 披露，平台已有超过三十六万名活跃创作者，生成了二十多万个游戏。用户开始要求下载完整工程并发布到应用商店，说明生成游戏正在从演示体验走向生产工具。
它下一步要把物理规则、对象状态和行动反馈纳入生成过程，让世界能够持续存在并根据玩家行动变化。这里真正要降低的，不只是开发成本，而是把创造互动内容的门槛从完整工业体系降低到个人想象力。
空间直觉更强调游戏过程产生的数据。它认为，生成一个3D场景并不等于做出好玩的游戏。完整世界还需要角色、物理规则、目标、挑战、奖励和玩法循环。
玩家在具体情境中作出的连续选择，会形成比静态内容更有价值的反馈：什么让人停留，哪个节点改变了行动，下一段体验应该怎样生长。每一次游玩既消费内容，也生产内容和训练数据。这种由真实选择形成的反馈闭环，才可能支撑更通用的世界智能。
上下文必须主动抵达，任务必须真正完成
AirJelly 处理的是 Agent 的上下文缺口。信息散落在应用、标签页和聊天记录里，即使真实存在，也未必能在正确时刻进入模型。用户每次都要重新解释背景，遗漏一个细节，Agent 看到的就是残缺的工作现场。
它把工作循环分为捕获、处理和召回。最有意思的取舍，是不再持续录制整个屏幕，而是在用户按下 Enter 时捕获周围信息。团队此前每五秒截图，一天约产生一千五百张；改为 Enter 触发后降到约三百张，成本也降至五分之一。
Enter 往往意味着人的意图从思考转入行动。围绕这个时刻采集的信息噪声更少，也更接近模型熟悉的语言上下文。经过事件、任务、长期知识和混合检索处理后，上下文不再等待人手工粘贴，而可以主动进入正在执行的任务。
Bridge 则把重点放在“完成”上。复杂任务会跨设备、跨应用、跨会话运行，仅仅生成一个看似合理的结果，并不代表目标已经达到。
它用总控 Agent 拆解和调度任务，每项工作交给独立 Agent，同时设置 Reviewer 持续检查终止条件。只要目标尚未达成，系统就继续执行、检查和调整。这个结构承认了一件现实：Agent 不仅需要行动能力，也需要一个独立机制判断事情究竟有没有做完。
Bridge 同时选择开放产品和底层框架，把商业价值放到企业托管、隐私控制、数据基础设施和可定制环境中。它背后的判断是，通用软件功能越来越容易被 Coding Agent 复制，真正难复制的是 Agent 如何进入一家企业，理解业务规则，并对持续完成工作负责。
稀缺资源已经转移
这十个项目没有给出同一个答案，但共同勾勒出模型时代的新分工。
Tap8 和 SureThing 重做人与 AI 的交互界面；EigenFlux 建立 Agent 的通信网络；KRuntime 提供长期工作的环境；AirJelly补足主动上下文；Bridge追踪任务是否真正完成。Aceii One 和 Ropedia把智能带入物理世界，并把行动转化为数据。SEELE 和空间直觉则试图让生成内容变成能够持续演化的互动世界。
我认为，模型变强不会消灭所有应用，反而会更清楚地暴露模型之外的稀缺资源：高质量环境、真实工作流、专有反馈、物理经验、组织记忆、用户信任和结果责任。
未来有价值的 AI 公司，未必拥有最大的模型，但必须拥有一个模型无法凭空获得的闭环。它要让智能进入场景，在行动中获得反馈，再把反馈变成产品和系统下一轮进化的燃料。