Meta 超级智能实验室（MSL）前总监 Rohit Patel 离职创业，其 AI 原生办公平台 Ndoc 试图用一套统一工作区取代 Excel、Word、PowerPoint、Tableau、Replit 乃至「从 ChatGPT 里复制粘贴」的碎片化工作方式，并已与多家正纷纷加码企业办公市场的 AI 实验室展开正面竞争。
从 Meta 超级智能实验室到独立创业
在 Meta 工作了八年、专注 AI 研发的 Rohit Patel 已确认离开公司并创立初创公司 Ndoc，对外定位是「AI 原生的微软 Office 套件或 Google Workspace 替代品」。他是继 Meta 高管 Joel Kaplan、AI 研究员 Andrew Tulloch 以及 AI-for-Work 产品负责人 Emily Dalton Smith 之后，又一位从 Meta 出走的高管级人物——这三人分别于 2026 年 10 月、2026 年前后以及今年 6 月前后离开，Patel 是最新一位。
一体化工作区：Stage、Narrative 与 Model 三个标签页
Patel 的设计目标不是「在现有流程上再叠一层 AI」，而是用一个统一工作区替代散落在多个工具里的工作方式，且同事无需注册账号也能访问。
Ndoc 把三部分组件整合在同一套布局中：
- Stage 标签页：承载关键结论的呈现形式，包括幻灯片、仪表盘、模拟以及小型应用。
- Narrative 标签页：呈现分析过程、编号引用、自动生成的图表，以及数字背后的「为什么」。
- Model 标签页：存放底层数据集与 Python 脚本。
这一设计延续了 Patel 在 Meta 的技术背景。他在 Meta 期间主要研究强化学习（AI 智能体通过试错与最大化奖励来学习决策）以及评估 AI 输出是否可信。他的观点是：如果 AI 要替企业生成做决策用的表格和幻灯片，那么总得有人能检查它的工作过程——例如用户可以直接找到生成这些文档所用的 Python 脚本。
「即使你完全不懂 Python，也可以让 AI 聊天窗口给你解释：『嘿，这个脚本做了什么？我的公式在哪一行？』然后你就能验证那个公式。」Patel 表示，「这里没有任何藏在幕后的东西。」
实际使用流程是：上传数据集，让 Ndoc 完成分析并写出结论叙述；用户还能补充文档级上下文，包括受众、语气和记忆。「它会跨越你个人、这份具体文档、你的团队和你的公司维持记忆。」Patel 说。
开源模型、自研成本与 .ndoc.html 文件格式
Ndoc 采用开源模型混合构建并微调，Patel 表示由于平台是从零开发，运行成本明显低于基于前沿模型构建的替代方案。不过早期试用者的反馈出乎他意料：「我以为这才是大家会兴奋的点，但大家其实并不在意。真正让他们兴奋的是，他们喜欢看到所有端到端流程都汇聚在同一个地方。」 他更大的野心是重新发明「文件」本身：文档可导出为单个 .ndoc.html 文件，在任何浏览器中打开。Patel 计划将该格式开源，让其他开发者基于它开发应用，而不必像过去那样被 Microsoft 或 Google 长期锁定。他称，开源的意愿也是他离开 Meta 单干的原因之一——在 Meta 这样的公司里，要让所有人就一个开放格式达成一致，必然需要「成百上千的人和关于格式该长什么样的意见」。
「人类只能以人的速度前进，而……我可以按 AI 的速度前进。」
竞争环境：AI 实验室的「企业工具」路线
团队仅三人、尚无融资的 Ndoc，选择正面切入其他 AI 实验室也在争夺的企业工作平台赛道。目前 OpenAI、Anthropic、Meta、xAI 和 Google 均已推出面向企业的 AI 工具，允许用户连接 Google Workspace、Microsoft 365 等办公套件，让模型直接在既有工具中工作；上个月 OpenAI 还推出了 ChatGPT 内部的共享工作区 Space，与上述成熟工具形成更直接竞争。
Patel 承认 Space 构成威胁，但认为这些实验室方向错误：
「企业基本上是在给电子表格外挂 AI，让它替你填格子，这简直让我心都碎了。这就像你刚刚发明了电，然后决定最好的用法是给耕地的牛装上灯。不，应该是弄一台拖拉机。」
他承认让模型进入用户既有工作场所是有原因的——改变习惯、替换整套工作流非常困难，因此 Ndoc 也做了连接器，允许客户导入既有工具中的数据。他的产品标准相当高：「我不会发布任何我自己不喜欢用的东西。如果我开始用这个工具，却总是回头去用我原来的工作流，说明我做得还不够好……我有一座没有达到这个标准的工具坟场。」
当前进度与产品节奏
截至周二，Ndoc 正在开展企业试点，并向加入等待名单的少量客户开放 alpha 版本。注册免费，但客户需按用量和 token 付费。团队希望在未来数周内推出 beta 版本，并计划明年正式全面发布。融资方面，Patel 坚持在拿到用户喜爱度证明之前不拿钱：「在有人证明他们喜欢这个产品之前，我不想拿钱。」 他的总体节奏观是：先执行，再优化。
「执行极其便宜……所以就按一个次优的计划去执行，之后再操心。等你做出最优计划的时候，执行早就被别人做完了。」
AI 落地的两条主线：一边狂奔，一边清场
从近期科技媒体的热度分布看，AI 已经不是单点话题，而是同时在多个方向上出现结构性变化：一边是产品形态的突破与规模化铺开，另一边则是同质化项目的加速出局，中间还夹着平台规则调整、硬件量产和基础安全事件的连锁反应。
核心变化：热度榜里的七个信号
- Grok 放出 AI 生成影片《Odyssey》的前七分钟——生成式视频开始进入“以片段质量竞争”的阶段，成片长度本身成为可展示的卖点。
- “AI 墓园”清单持续更新——这是一个滚动维护的项目与创业公司失败名单，反映出同质化 AI 产品的淘汰速度正在加快。
- Warhound 融资 2 亿美元，用 Anduril 装备“战犬”——生成式 AI 与自主系统进一步绑定到国防领域，资本热度明确。
- Uber 让全部 3 万名员工使用 ChatGPT Work——企业级 AI 工具从试点阶段进入全员默认配置阶段。
- Airbnb 限制房客承担的家务，引来房东反弹——平台开始重新划分服务责任边界，这类规则调整几乎必然伴随摩擦。
- 特斯拉在加州启动 Optimus 人形机器人生产，同期利润下滑 43%——硬件量产推进与财务压力同时出现，是判断其机器人业务可持续性的关键观察点。
- 网络安全领域出现“很糟的一天”——一天之内多起事件，说明当前安全防护水位并没有跟上业务扩张速度。
影响与建议
选型维度
如果要判断一个 AI 项目是否值得跟进，建议从四个维度切入：是否产生真实交付物（如视频片段、可执行任务）而非仅停留在演示；是否有可验证的规模化指标（如全员铺开、量产下线）；商业闭环是否清晰（付费方、付费方是否已在使用）；依赖的外部条件是否稳定（平台规则、模型能力、安全环境）。按这四条看，榜上七个项目恰好分成了生与死两端。
人群与场景建议
- 内容与市场团队：可关注生成式视频的形态变化，但建议先用小样本测试质量稳定性，再决定是否进入正式产线。
- 企业 IT 与 HR：全员级 AI 工具铺开前，先明确权限、数据边界与员工使用规范，否则规模化等于规模化风险。
- 平台与生态合作方：平台规则变动（如服务责任划分）应提前预警给供给侧，避免纠纷在履约阶段集中爆发。
- 硬件与供应链观察者：人形成本量产与母公司盈利之间存在张力，值得持续跟踪产线利用率而非只看下线新闻。
- 安全团队：把“安全事件集中爆发”当作周期性提醒纳入演练，而不是等事件发生后再补。
落地步骤
- 按上述四个维度，对自己关注的 3 至 5 个 AI 项目做一次定性打分，先明确自己在“追热点”还是“抄作业”。
- 选定 1 个场景做小闭环试点，设定可量化的验证指标（成本、周期、人工替代比例）。
- 同步补齐该场景的合规与安全清单，尤其是数据流向与权限归属。
- 观察一到两个试点周期后再决定扩量、换供应商或停掉，并保留随时回退的路径。
真正的分水岭不在于谁上了热搜，而在于谁能把 AI 从演示变成可交付、可验收、可复制的东西。
评论