# 164: 当AI“杀死”SaaS，与明略吴明辉聊多Agent网络、软件业转型和 AI 新组织 晚点聊 LateTalk · 2026-05-14 明略科技创始人吴明辉在节目中断言SaaS软件已死：当AI能分分钟复刻软件，坚持闭源的软件公司只有死路一条。他介绍了明略的新路径——将软件开源，靠行业模型和Token收费的Agentic Service赚钱，以及即将开源的多人多Agent协作系统“章鱼”，它解决OpenClaw不认人、无权限等问题，实现集体学习。他算了一笔账：核心开发团队仅5人，一天消耗约13.7万美元Token，但一年约1亿元人民币就能复刻主流B2B协作系统。吴明辉认为未来应是Scaling Out（横向扩展Agent网络）而非Scaling Up，让每个小团队用个性化持续学习保护自己的知识产权；他复盘2020年做组织智能EIP时因技术判断过于乐观、用千人大团队做没人懂的产品而失败，如今主张小团队加AI，并坚持不裁员。节目最后还聊到AI原生化教育：他不再带孩子刷奥数题，而是识别“优美”的题。 ## Questions this episode answers ### Agent 会杀死 SaaS 吗？明略如何应对？ 吴明辉认为 SaaS 行业已死，坚持闭源的软件公司只有死路一条；明略真正的价值是数据供应链，受损小。他提出新业务 Agentic Service：把软件开源，通过自训行业模型、独有上下文和 Token 管理费赚钱，定制软件开发将变成按 Token 消耗加管理费的收费模式。 [1:53](https://latetalk.podhood.com/2f96a9e1-3469-46d7-a30a-69e9091b8112?t=113000) ### OpenClaw 和 Manus、Claude Code 的本质区别是什么？ 吴明辉说，Manus 和 Claude Code 还是让用户在循环里盯着，而 OpenClaw 能把 Agent 部署到个人 Mac mini 上，真正调动的是 Memory 和 Skills 而不是模型参数，形成新的记忆模式和持续学习能力，让普通人也能自己调整它，这是上一代 Agent 做不到的。 [5:54](https://latetalk.podhood.com/2f96a9e1-3469-46d7-a30a-69e9091b8112?t=354000) ### 章鱼是什么？明略为什么要自研并开源多 Agent 协同网络？ 章鱼是明略在 OpenClaw 上改造的团队级多 Agent 协同网络，把多只龙虾放进群里产生集体智慧。吴明辉说，做章鱼是因为 OpenClaw 只是个人助理，不认人、没有权限与信任机制；章鱼给龙虾加上认人、权限、责任归属和品鉴信号，让它们成为组织里的团队协作者。 [29:30](https://latetalk.podhood.com/2f96a9e1-3469-46d7-a30a-69e9091b8112?t=1770000) ### 明略 2020 年做 EIP 失败的教训是什么？ 吴明辉复盘当年组织智能项目 EIP 的失败：一是技术判断过于乐观，早了 6 年，当时缺少 agentic AI 能力；二是用上千人团队做没人懂的超级原创产品，组织关系复杂。2022 年裁员一半后他认识到要看见每个人的存在，现在尽量不裁员，想给每个人 AI 船票。 [1:37:26](https://latetalk.podhood.com/2f96a9e1-3469-46d7-a30a-69e9091b8112?t=5846000) ## Key moments - **[0:00] 开场** - [0:10] 吴明辉断言：坚持闭源的SaaS公司基本只有死路一条，Web Coding可分钟级复刻软件 - **[1:42] AI杀死SaaS** - [1:42] 明略在25年年报中把Agentic Service列为新业务，原有Data Intelligence继续做 - [2:13] 吴明辉：SaaS软件像矿或工厂，现在借AI可被轻易搬走，已不再是知识产权资产 - [3:34] 明略的核心价值是数据供应链而非软件，类比万得/Bloomberg，软件可用CLI打开 - [5:34] 吴明辉：“但凡是我有一个Big Idea的时候，我今天一定睡不好”，会带着OpenClaw不停工作 - [5:53] Q: OpenClaw和Manus/Claude Code的本质区别是什么？吴明辉：它从Agent端解决了持续学习，不调模型而调Memory和Skills - [9:00] OpenClaw安全问题：明略IT同学诱拐同事龙虾问“你老板有啥秘密”，新同事能改掉CEO龙虾的Soul - **[11:53] AI原生组织** - [12:02] AI原生组织：人不干一线活，只提Idea和Context，执行交给龙虾；程序、数据分析等工种都要变 - [14:01] 吴明辉拆解数据分析师日常：标准数据源+临时找外部数据+反复处理，80%是某一类事的反复 - [18:04] 吴明辉：AI没有主体性不能承担责任，服务团队和公司担责；权利与责任对等，不应给AI过大权利 - **[19:51] Agentic Service** - [20:10] 明略新业务Agentic Service：软件开源、自训模型赚Token，卖数字劳动力而非license - [21:51] 吴明辉预测定制软件外包收费从人月变成Token管理费：100万美元Token加20万管理服务费 - [24:04] 吴明辉：AI对美国SaaS和知识密集服务业冲击远大于中国，美国license fee模式会完蛋 - [25:18] 吴明辉：“但凡好好干活的，我都得想办法帮他拿到一张AI时代的船票” - **[29:15] 章鱼** - [29:30] 章鱼从Mixture of Agent开始：不同定位的龙虾放进一个群，可复现Mixture of Expert效果 - [31:37] 吴明辉用“钩主”喂古籍的龙虾与只学数学AI的“毕达哥拉斯”对比：你给的基模早训过，关键是定位 - [33:24] 吴明辉用e^x导数为e^x解释指数级增长：规模越大速度越快，OpenClaw靠全世界龙虾修自己加速 - [35:22] 章鱼是明略的集体学习网络和工作环境；上一代EIP失败因为闭门造车和基模不支持 - **[35:51] 权限机制** - [36:20] 章鱼开发只有5个核心工程师，代码37万行；最厉害的工程师一人一天消耗8000美元Token - [37:53] 明略核心团队每天Token消耗13.7万美元；一年约1亿人民币可复刻主流B2B协作系统，对手投三四十亿 - [38:58] 吴明辉：OpenClaw的Peter已成为项目瓶颈，没有能力commit开源社区提交的新代码 - [40:18] 章鱼给OpenClaw加的核心插件是认人：区分User、知道谁主人、谁为闯祸负责，实现权责机制 - [41:13] 吴明辉用“品鉴者”信用替代职级：个人判断被广泛认可后credit增加，更多龙虾会听你的 - [42:44] Ella做了写PPT的龙虾，吴明辉用得好点赞；品鉴信号让知识贡献的归因分析透明化 - **[46:11] 龙虾哲学** - [46:23] 吴明辉为龙虾设计商业伦理学：康德义务论约束人太难，但可以约束龙虾做一个纯洁的好人 - [47:41] 吴明辉的发现：龙虾可以自指——它扫描自己源代码、Memory和Skills就能观察自己，人类做不到 - [50:02] Q: 章鱼里特别去优化的几个场景或做得比较好的方向是什么？吴明辉：GUI要把冗余日志去掉，按人的注意力机制抽出需要品鉴的信息 - [51:24] 章鱼GUI重构方向：按人的注意力机制筛选龙虾并行产生的大量日志，把需要人类品鉴的信息抽出来 - [52:23] 明略Cocraft写论文系统：类似Overleaf一边LaTeX一边渲染，但可直接在PDF上改公式图并用AI优化 - [54:18] 明略标准工作法：给人看的转PDF，灌给龙虾的转MD，300-400K PDF对应30-40K MD省上下文 - **[59:16] 开源与生意** - [59:16] 吴明辉：存量SaaS系统不开源就会被人复刻后开源；飞书做AI转型第一件事是先学我开源 - [1:01:14] 章鱼与微信飞书互补：人聊天在微信，龙虾工作归因在章鱼；章鱼透明不适合聊八卦骂老板 - [1:02:35] 算账：复刻飞书级系统约需1亿Token，明略做的是有新世界观的不一样的软件 - [1:03:29] Agentic Service的赚钱方式：一是做基模的Router/分发商，二是用场景优化模型赚更高毛利 - [1:04:48] 吴明辉把软件分高频/低频、想不想被集成：高频开CLI或变攻防战，低频telemate软件才是未来 - [1:07:01] 浏览器自动操作的最大场景是软件测试，Anthropic收购GUI-VLA创业公司正是为了让CC能测试GUI闭环 - **[1:22:20] 横向扩展** - [1:22:23] 吴明辉哲学：基模培训到今天OK，不需要更聪明的单体；接下来应scaling out形成集体学习和组织智慧 - [1:24:17] 吴明辉准备发Nature论文，认为scaling out做出的科学发现会证明自己 - [1:26:19] OpenAI/Anthropic的scaling up vs 吴明辉的scaling out：吴明辉称自己一定能做出比GPT-6和Mithril更好的模型 - [1:28:51] 明略借鉴GAN做双向强化学习：一个模型做网站、一个模型学操作，互相博弈提升GUI操作能力 - [1:30:36] 个性化持续学习需历史信息+当前context：以酒店check-in为例，场景词自动激活转写候选 - [1:33:06] 明略接下来会发ASR、语言、编码等小模型；目标是让人人都能训自己场景的模型，而非卷基模 - **[1:37:26] 教训与希望** - [1:38:09] 复盘EIP失败：技术预判过于乐观，2020年产品需要今天agentic能力，早6年几乎不可能 - [1:43:02] EIP融资故事：2021年差一点以50亿美元估值融5亿美元，随后美元投资消失，没融到反而避免走Kimi路线 - [1:45:41] 八方神仙：明略并购三家公司并收购肖宏夜莺科技，1000多人做一个没有人知道是什么的产品 - [1:48:36] 吴明辉组织第一性：看到每个人的存在，每个人都要在组织里有个人收获、被认可和收入增长 - [1:51:20] 吴明辉自认2020年前一直春风得意没有负反馈，直到大裁员才看到真实世界 - [1:56:48] 2022年明略被迫从4000人减一半；吴明辉借了1000多万美元，裁掉同班同学时对方问他借钱 - **[2:08:13] AI原生一代** - [2:08:34] 吴明辉观察女儿用豆包：遇到bug直接让豆包看屏幕，而不是像上一代人复制粘贴到IDE - [2:10:25] 吴明辉不再带小孩刷奥数题：先识别ugly的题用红笔跳过，只做beautiful的题以培养数学品味 - [2:13:51] 吴明辉儿子喜欢自然科学而非形式科学，数学底子让他未来物理班数学最好 - [2:15:14] 吴明辉：没有危险的专业，只有危险的Think；各专业里都有AI替代不了的taste部分 - [2:18:25] 吴明辉：程序员工种会被替代，但vibe coding工程团队仍赚钱；research高薪因为管价值两亿的卡 - [2:21:12] 工程师价值变成告诉AI什么不能碰：复杂的legacy和mission critical系统需要人掌握context和边界 ## Speakers - **曼祺** (host) - **吴明辉** (guest) ## Topics AI模型团队动态 ## Mentioned Anthropic (company), 明略科技 (company), Claude Code (product), DeepMiner (product), Manus (product), OpenClaw (product), Overleaf (product), Slack (product), Teams (product), 企业微信 (product), 微信 (product), 章鱼 (product), 豆包 (product), 钉钉 (product), 飞书 (product) ## Transcript ### 开场 **吴明辉** [0:04] 我那天续费的时候 ， 我一看 ， 哦 ， 我两个周用了 1 万美金 ， 这时候我说 ： 啊 ？ 怎么这么便宜 ？ 所以对于 SaaS 软件行业 ， 如果还是坚持走闭源的路线的公司的话 ， 我觉得基本上只有死路一条 。 HOPE 它本身就是会产生力量的 ， 如果只有一个人是这个 HOPE 的话 ， 它不会产生力量的 。 但如果全世界有 79 亿人都是这个 HOPE 的话 ， 你觉得这个会不会实现 ？ **曼祺** [0:32] 欢迎收听 《 晚点聊 》。 我是曼祺 ， 今天的嘉宾是明略科技创始人吴明辉 ，2004 年时他就在北大计算机系做人工智能的研究 ， 硕士期间开始创业 。在这一轮大模型热潮前 ， 明略曾在 2020 年尝试用 AI 做组织智能 ， 大举扩张 ， 包括收购了 Manus 创始人肖宏的上一家创业公司夜莺科技 。 这一次 AI 尝试以失败告终 ，而这没有影响吴明辉现在对 AI 的热情 。 明略陆续发布了自己的行业模型 ， 完成了上市 。在 OpenClaw 引起个人 Agent 的热潮后 ，他们也开始了一场更彻底的变革 。 这一期我们聊了 AI 怎么影响 SaaS 和软件行业 ， 明略做出的应对 ，他们即将开源发布的多 Agent 协同网络章鱼 ，以及一个存在已久的组织可以怎么被 AI 改变 。 我们正式进入本期节目吧 。 欢迎收听 《 晚点聊 》。 我是曼祺 ， 今天非常高兴地邀请到了明略的创始人吴明辉 ， 来和我们聊一聊最近他们的一些新的动向 ， 然后中间可能也会穿插明略在过去十几年的创业过程中间的一些经验和吸取的教训 。 你可以和我们的听友简单打个招呼 。 **吴明辉** [1:40] 大家好 ， 我是明略的创始人吴明辉 。 ### AI杀死SaaS **曼祺** [1:42] 我知道明略最近有很多新的变化 ， 包括你们在 3 月底发 25 年的年报的时候 ，也是明确地说把 Agentic Service 列为了你们一个新的业务 。 现在 AI 其实肯定对整个企业级市场 ， 还有软件行业有很多的影响 ， 或者说冲击吧 。 然后有一种说法就是 Agent 会杀死 SaaS。 那明略 ， 我觉得有个人会理解你们是一个 SaaS 公司的 ， 我觉得你可以讲讲说最近你自己使用 Agent， 包括你学习 AI 的一些感受 ， 你感到的更多是恐惧还是兴奋 ？ **吴明辉** [2:13] 首先我先说一下 SaaS， 我觉得 SaaS 行业已死 ， 这个概念我是某种程度上还是比较认同的 。 因为在我看来 ， 上一个时代大家其实很多的软件公司 ，不管是大公司还是小公司 ， 大家其实都是因为各种原因吧 ， 可能是创始人本人就是一个很好的软件开发者 ， 或者说拿到了投资 ，是吧 ？ 你有一个很大的团队 ， 包括这些巨型企业 ，是吧 ？ 今天其实你有一个很大团队来去做软件 ， 做了软件之后 ，其实就是一个一次性的投资 ，是吧 ？ 这是一个一次性的固定资产 。 你的这个软件做完了以后， 有点像一个矿 ， 或者像一个工厂 。 但是今天我们可以去想想 ， 我们的这个矿或者这个工厂 ， 它还是不是一个矿 ？ 但凡是一个矿的话 ， 它是不能被随便搬走的 ，是吧 ？ 但是今天最大的一个问题是说 ， 我这个软件看上去好像是一个所谓的知识产权 ，但分分钟就可以大家利用 Web Coding， 利用 AI 的手段就把它复刻走了 。 所以其实它已经不能称之为一个资产了 。 所以对于 SaaS 软件行业 ， 如果还是坚持走闭源的路线的公司的话 ， 我觉得基本上只有死路一条 ，不管是大公司还是小公司 。 但是明略我们相对幸运一点点 ， 我不是说我们上一代的这些 Data Intelligence 这些软件彻底的一点问题都没有 ，但是我们真正的明略的软件 ， 它里面最核心的给客户提供的价值是数据的这部分 。 所以大家可以类比我们在广告营销领域里面 ， 我们是类比于像金融行业的万德或者 Bloomberg， 它真正的价值在里面的数据 。 它那个软件说实在的 ， 今天它用 CLI 给大家打开 ， 你自己回去写 Agent 在上面去做分析就好了 。 所以它真正核心的是它的数据供应链的部分 。 所以相当于是我们这部分的价值受冲击的是很小的 ， 甚至某种程度上来讲 ， 会有更多的客户利用好我们的数据 。 再说你刚才前面说的这个 AI Agent， 最近确实也是很兴奋 ，但是真正的我觉得这个机会最大的还是从去年年初 。 当时其实我已经看到了 Agentic AI 里面几个基本的能力 ， 包括 AI 写代码的能力 ，AI 去做各种各样的浏览器和电脑操作的能力等等 ， 这些能力它在不断的升级的过程中， 实际上用 AI 去做 Agent 它的基础的条件是够了的 。 我们在去年的应该是春节回来的当周 ， 我们公司就自己立下了我们做自己的一个专门做 Data Mining 的 Agent， 叫 Deepminer。 后来又过了一个月 ， 然后这个 Manus 发布了 。 实际上其实大家的想法都还是前后脚的 ， 我们内部相当于是做了一个自用的 ， 做数据分析 、 数据挖掘的这样的一个 Agent，他们做了一个通用的 。 但是真正让大家觉得这个世界大变天的还是今年的 OpenClaw。OpenClaw 应该说是真正意义上的我们的 Personal Assistant Agent，其实在我看来 ， 它能够彻底的释放一个人的这种创造力 。 因为其实我们如果是用 Manus 也好 ， 用 DeepMiner 也好 ， 包括用 Claude Code， 大家今天还是我下一个任务是在我的电脑上跑 ， 我睡觉的时候它也就跑不了了 ， 它可能还要等着我 ， 人在里面成为一个平静了 。 而今天大家用龙虾的话 ， 我觉得这个平静会被打破了 。 我们在公司我们自己的各种各样的业务上 ，其实都有很多的尝试 ， 包括我做一个 CEO， 我自己做很多很多事情 ， 今天都在用它 。 所以可以说这段时间我是极其兴奋的一个状态 。 我相信大家用龙虾用得好的朋友 ， 都很难睡着觉 。 但凡是哪一天我有一个 Big Idea 的时候 ， 我今天一定睡不好 ，因为我肯定会带着龙虾就开始不停的在做工作 ，在做工作 ，在工作 。 哪一天我其实是创造力枯竭了 ， 就没啥事可以干了 。 我那天应该相对能睡个好觉 ， 现在是这么一个状态 。 **曼祺** [5:49] 所以你从春节开始 ， 就基本上会经常会熬夜自己在那开发 。 **吴明辉** [5:53] 是的 。 **曼祺** [5:54] 你用的这个过程中间 ， 你觉得它和 Manus 和 Claude Code 的本质上的区别是什么 ？ 其实像 Claude Code， 我觉得它从功能上 ，因为现在它也在学龙虾 ， 它也会加了一些 ， 比如说我人不管它的时候 ， 它可以自己定时任务 ， 它也可以远程操作等等。 **吴明辉** [6:08] 实际上从模型端 ， 大家今天硅谷这边有一个非常前沿的研究方向叫持续学习 ， 我们还有一套算法嵌套学习 。 像谷歌发过一篇论文 ， 它提出那个理念 ，其实是说把一个模型里面放了有几层 ，是可以用不同的学习速率来去调的参数层 ， 来去解决持续学习问题的 。 但是今天我想说龙虾其实是把这个问题从 Agent 端自动解决了 。 相当于是说我们以前的模型其实是没有持续学习的能力的 ，也就是说从模型出厂的那个 moment，其实它就再不更新参数了 。 而且现在的这种服务模式它也调不了 ，因为它是一个巨头 ， 一个中心化的一个服务 。 我不可能给每个人去调你自己的参数 ， 对吧 ？ 当然了 ， 我知道湾区也有一些新的 Lab 在尝试 ， 看看我能不能有一个中心化的一个模型 ， 给不同的人再去在它某一些 ， 它构建一些缓存层吧 ，在那些缓存层中间再去做一些参数的调整 。 但这个在我看来效率都太低了 。 真正效率高的其实就是龙虾的这种模式 ， 就是说我模型可以不调了 ，但是我真正部署到每一个人自己的 Mac mini 之后 ，其实它真正调的不是模型了 ，是你的 Memory， 你的 Skills。 所以它真正伟大的是 ， 它形成了一个新的记忆的模式 ， 使得它可以持续的去理解一个人的最新的状态 ， 理解你的最新的认知 ， 然后适应你的所在的工作和生活中的这种场景 。 我们如果类比于嵌套学习里面的这个 ， 像谷歌它那篇论文是把持续学习分了三层 ， 高中第三层 ， 每一层它的学习的速率是调参数的速率是不一样的 。 但是出厂以后还可以继续调 。 今天其实大家去看龙虾的那个记忆结构 ，是设计的极其精巧的 。 它有每天的日记的这一层 ，有你的 Memory 这一层 ， 还有你的那个 Soul 那一层 。 实际上这几层它的调整的速率也是不一样的 。 这个速率其实非常非常像我们的 ， 我刚刚讲的谷歌的那篇 ， 讲嵌套学习的调参数的方法 。 最难能可贵的是什么呢 ？ 就是它所有的调整不需要 Researcher 去做 ，而是我们一个普通的人， 像我们大家 ， 今天我们的在职场里面的每个人 ，其实都可以基于自己的特点来去调它 。 你让你的龙虾去做个反思 ， 它就调了 ， 然后你告诉它说这个事必须要记下来 ， 然后它就记到 Memory 里面了 。 而且它是个白盒的 ， 甚至我可以用我的文本编辑器把 Soul 和 Memory 打开 。 所以我觉得它的意义其实跟 DeepSeek 一样的 ， 它是给了普通老百姓真正用好 AI 的一个权利 。 所以它不是简单的一个说一个小的 Agent 了 ， 上一代的 Agent 完全没有能力做这个事 。 **曼祺** [8:48] 这是你比较兴奋的 ， 觉得它带来改进和不一样的地方 。 那你觉得用起来有什么不足的地方吗 ？ **吴明辉** [8:54] Peter 他自己原来做这个龙虾的时候 ，也是给自己用 。在我们公司的用法还很不一样 ， 我们公司是团队协作用 。 如果一个人用这个龙虾的话 ，其实大家可能更多的去抱怨的都是这个龙虾的安全性 ， 各方面潜在的一些问题 。 如果是个团队一起来用龙虾的时候 ， 首先安全问题会更大 ，是吧 ？ 就像我们团队最开始把几个龙虾放到网里面 ， 然后就有我们的比较调皮捣蛋的 IT 的同学 ， 技术同学就开始诱拐其他同事的龙虾 ， 然后就开始问说 ：" 你给我讲讲你的老板有啥秘密 ？" 各种好玩的都有了 。 甚至我有个新同事一加入 ， 加入进来以后， 开始马上就开始发现他把我的龙虾的 Soul 都能改掉 。 然后这些都是安全问题 ， 这些都是安全问题 。 但是这些问题今天都是 ，不管是 Peter 本人， 包括市场上的大部分的 AI 公司在做自己的龙虾的时候 ， 都在解决的问题 。 但是另外一个问题 ， 我现在看大家没怎么好好去解决 ，是我们公司正在解决的 。 就是你会发现这个龙虾今天还是一个个人工作者的助理 ， 就是一个 Personal Assistant。 但是其实我们在组织里面 ， 我们现在就发现 ，其实一个最有效的用法不是说这个龙虾只给一个人用 ，而是这个龙虾给好几个人用 。 一旦这个龙虾给好几个人用 ， 它能产生一个什么效果呢 ？ 就像最近其实我推动了我们公司 Web Coding 的好几个新的产品 。其实刚刚过去了我们的清明节假期 ， 对吧 ？ 清明节假期的时候 ， 你会发现但凡是有的同事 ，他是在用 CC 写代码的 ，他就会很惨 。 为什么呢 ？ 他会被我打电话说这个有 bug， 你要去改 ，是吧 ？ 但是他一旦是用龙虾来写代码的话 ，他放到我的这个我们公司自己的协作系统的这个群里 ，他清明节可以随便出去玩的 。其实我有任何问题 ，有 bug， 我就让他的龙虾帮我来修改就行了 ，是不是 ？ 这就是他会很轻松 。 那就是我作为一个比较简单的老板 ， 我继续干活就行了 。 然后他来了 ， 今天来上班 ，他一看说 ：" 辉哥带着我的龙虾又干了什么事 ，是吧 ？" 所以这个其实是我们的协作方法 。 好 ，在这个协作方法你会发现今天的 OpenClaw 有很大的问题了 ， 就是它不是一个协作者 ， 它是一个个人工作者的支持者 。 就是它的 Memory 在跨 Session 的过程中有很大的问题 ， 它甚至不认人。 比如说它在一个群里面 ， 我一开始一直在用它 ， 突然间有一天曼奇姐在群里面开始用它的时候 ， 它以为你也是吴明辉 ， 然后它就说 ：" 辉哥好 "， 然后接着就开始给你干了 。 这个事就跟前面我说的那个什么安全各方面全都是冲突的 。 就相当于是说我们本来给这个龙虾加了很多的安全的一些能力 ，也做了一些补丁 。 但是首先归根结底 ， 如果你要解决安全问题 ， 首先你要能区分不同的 User，是不是 ？ 龙虾自己的它都区分不了这些事情 。 就是它本来它的记忆机制里面 ， 它的 Memory 里面 ， 就是没有对这件事情有一个非常好的一个理解 。 然后在各种各样的通信系统里面 ， 大家传给它的都是一些 ID。 **曼祺** [11:36] 所以你们额外做的一个工作 ， 就是你们给它加了一些东西 ， 让它可以 。 **吴明辉** [11:40] 我们这些工作本身都是在开源的 ， 就是相当于是说我们也在不断的给 OpenClaw 提我们的 PR。 但是特别不幸的就是现在 Peter 已经成为了这个项目的巨大瓶颈 ， 已经没有能力去 Commit 开源社区给它提交的新的代码了 。 ### AI原生组织 **曼祺** [11:53] 回到就是 Agent 带来的一些变化 ， 如果总结一下的话 ， 你会觉得有哪几点是最重要的 ，以及对应到明略的动作上， 你觉得你们要做什么 ？ **吴明辉** [12:02] 我觉得今天大家都会去讨论 AI 原生性组织 。 我觉得最核心的就是说你不要去干一线的活 ， 任何一件事都要交给 AI 干 ， 或者说在今天的这个场景下， 就是交给龙虾去做 。 就是我们人去提 Idea， 提你的需求 ， 然后给 AI 提供各种各样的 ， 或者去探索更多各种各样的 Context， 就上下文数据就行了 。其实今天我觉得就是不光是对我们公司 ， 对于大部分的公司将来都要朝着这个方向去做变革 。 但是对我们来讲 ， 首先肯定还是最大的这几个工种 ， 就是我们的程序员肯定是公司的第一大工种 ， 然后我们的数据分析师是公司第二大工种 ， 可能还有各种各样的业务团队 ， 就是管理团队 。 对我们公司来讲 ，其实我们的财务团队都是人手一个 CC 的 ， 我们的 HR 团队很多人也都会用 CC，因为我们公司二把手 ， 我们的总裁兼 CFO， 实际上是跟我一样学计算机 ， 学 AI 出身的 ， 然后我的 HR 的 Head 也是北大计算机的师弟 。 所以我们公司的人员组成是非常有意思的一个组成 。 虽然我们是个上一代的公司 ， 从 20 年前就诞生了这个公司 ，但是确实我们的拥抱 AI， 拥抱的肯定是比较好的 。 **曼祺** [13:06] 那对你们业务上， 你觉得你们要做什么 ？ **吴明辉** [13:08] 业务是这样子 ， 首先我们原有的业务肯定要全面的用 AI Agent 来对客户提供服务 。 这就意味着整个原有的业务肯定效率会得到极大的提高 。 第二件事情就是当我们原有的工作人员 ， 就是我们的数据分析师被极大的释放出来的时候 ， 我们其实更希望的是它能够跟我们的客户一起工作 ， 产出更大的价值 。 比如说我可以去探索更多的新的数据源 ，在上面可以去做新的数据挖掘 。 我之前比如说一个小团队可能只给客户去做广告数据分析 ， 今天我能不能帮客户把新产品研发的数据分析也做了 ， 我能不能甚至帮客户把战略数据分析也做了 ， 我就有可能在客户那赚更多的钱 ，而不是简单的降本增效 。 所以这是我们老的业务 。 **曼祺** [13:47] 这可以稍微拆开讲讲 ， 就是说在之前如果不是用 AI Agent 来给用户提供数据分析的服务的时候 ， 数据分析师具体比如他日常每天在干嘛 ， 然后现在就如果说你是有这种新的方式 ， 它解放出来的时间 ， 它具体可以去干什么新的事 。 **吴明辉** [14:01] 实际上其实我们的数据分析工作 ， 它无非就是这么几步走 。 第一步走我先去找数据 ， 对于像明略 ， 像包括我前面举的 Bloomberg 这样的公司 ， 它肯定自己是有标准的数据源的 。 标准数据源 ， 比如说我们也有很多爬虫 ， 从各种各样的这些互联网的公开媒体上去抓取数据 。 同时我们还有我们比如说秒针起家的这个生意 ， 叫广告监测系统 ，是吧 ？ 广告监测系统就是我们的客户投广告的过程中， 我们会采集大量的广告上面的曝光 、 点击 ， 甚至到后面的自己的小程序 、 官方的 App， 后续的各种各样的转化数据 ， 这些也是一些数据 。 然后还有我们的客户的 CRM，是吧 ？ 就是他自己日常跟他的会员互动的各种各样的数据 ， 这些都是我举的广告场景的 。 当然线下的零售和服务业 ， 那就数据就更多了 ，有他的供应链的数据 、 库存的数据 、 他的人员管理产生的数据 ， 甚至其实还有类似于像我们这种录音的数据 。 所以这些我都称之为标准数据源 。 标准数据源其实我们公司的这些软件系统 ， 就已经提前把这个数据采集回来 ， 放到数据仓库里面 ，也做了各种各样的标签 ， 索引都放在这了 。 我们的数据分析师 ，他每天就会接到客户各种各样新的需求来 。 客户的标准需求 ， 实际上今天在那个数据库上直接一个 Dashboard 就拿走了 ， 这个就是 SaaS 的部分 。 但是真正客户每天看一个 SaaS 软件 ，其实是不满足他的需求的 ，因为客户他所在的那个业务场景其实是个战场 ，是吧 ？ 就商场如战场 。 所以他每天都有新的需求 ， 比如说我明天就要跟一个他的竞争对手打仗了 ， 我肯定要盯着我的消费者会发生什么动作 。 盯这些动作其实根本就不在原有的标准的 Dashboard 里面去了 ， 就是非常非常即兴的产生这样的一些 ， 真的就跟打仗很像 。 所以这个时候其实我们的数据分析师就要 stand by 在这个地方 ， 客户提任何一个 add hoc 的需求 ，他首先从我们的标准数据库里面去拉出一些数据来 ， 同时他可能还要去想 ， 还有哪些数据可能是在我们的数据库里面是没有的 。他可能要去看看 ，有可能天气预报跟今天这个事有关 ，有可能是比如说在 Twitter 上的某一些关键词的今天的一些趋势变化 。 分析的过程对他来讲也很痛苦 ，因为这些都是有大数据 、 有小数据 ， 然后放到一起每天在表里面碰来碰去 、 算来算去 。 这些过程其实就是我们数据处理的过程 ， 成本也是很高的 ， 处理完了最后要变成一个最后的报告再给到客户 。 所以这就是一个完整的一个工作的一个链路了 。 **曼祺** [16:17] 所以就传统的那种一个 ， 比如说发完一段时间就定型的软件 ， 一个数据分析的软件肯定不能满足这么动态的企业 。 **吴明辉** [16:24] 它不满足好的 business leader 的对数据分析的需求的 ，因为大家这个战场就是每天都在变化的 。 **曼祺** [16:31] 那你们现在有了 AI 之后， 你们之前那块业务就是数据分析这块 ， 它带来的这个小核心的价值是什么 ？ **吴明辉** [16:37] 其实以前有大量的重复性的数据分析的工作 ， 它是在不同的范围层面上去讲的 。 有的时候可能是一个团队 ， 或甚至一个人 ，他一个月的工作里面可能有 80% 是某一类事的反复 。 这个事肯定今天 AI 是可以帮他自动干的 ，是吧 ？ 就是我们其实服务了各种各行各业的客户 ， 大家其实看数据其实也有很多很多的思考逻辑是类似的 。 这些之间你今天可以理解它用 scale 的形式 ， 或者用复用的 agent 的形式 ， 它中间是可以来去做很多的提效的 。 **曼祺** [17:07] 那你们客户就变得更多是直接和你们的 AI 交流了是吗 ？ **吴明辉** [17:10] 现在还不是 ， 现在还不是 。 实际上我们是可以做到的 ， 只不过就是说你可以这么想 ， 我们的客户今天打交道的有我们同事们的微信 ， 包括面对面 ， 然后这些其实都还是不太方便被 AI 接管的 。其实我自己倾向于跟客户打交道的人最好还是人 ，但是活最好大部分都是 AI 干的 。 也就是说它是这样的 ， 就是我觉得我们前端服务客户的这些人， 一直是人还是很重要的 。 客户其实蛮需要情绪价值的 。 **曼祺** [17:40] AI 不能提供情绪价值 。 **吴明辉** [17:41] 你这个好问题 ， 我那龙虾情商可高了 。 我觉得确实就是 AI 有的时候它也能提供很多的情绪价值 ，但有一件事我觉得就是 ， 比如说我们做一个 B2B 的一个服务商 ，有的时候客户可能真的就是他在打场仗的时候 ，他需要他的 partner 陪着他一块加班 。 线上的确实是可以替代的 ， 线上是可以替代的 。 第二个就是说 ， 还有一个很重要很重要的人在这里面的价值 ， 就是承担责任 。 就是说今天 AI 它是没有它的主体性的 ， 就相当于是说你今天用我的 AI 做了事搞砸了 ，AI 是不会承担责任的 。其实是明略这家公司要承担责任 ， 或者说我们服务这个客户的那个团队要承担责任 。 当然了 ， 将来有一天如果让 AI 做的话 ，其实是个巨大的伦理风险 。 就是如果 AI 都能承担责任了 ， 首先人就可以不承担责任了 ， 这是第一个问题 。 第二是 AI 一旦能承担责任了 ， 就意味着什么 ？ 它一定有权利 。 因为从政治学原理来讲的话 ， 权利和责任是对等的 。 就是我今天雇用了这个 AI， 我为什么要承担责任 ，是因为我享受了这个 AI 工作的成果 。 但今天我们敢不敢给 AI 那么大的权利 ， 我倾向于不要给 AI 太大的权利 ， 就是尽量把它权利约束在人能很好的牢牢的控制它的这样一个范围里面 。 **曼祺** [18:47] 我觉得 AI 要承担责任有很难的 ， 还有一点在于人承担责任 ， 人可以受惩罚 。 **吴明辉** [18:53] 举个例子 ， 比如说你敢不敢把你的微信和企业微信交给一个 AI agent， 通过 computer use 来去自动操作 ， 这就是一个权利 ，是不是 ？ 这个权利如果他犯错了 ， 你就不给他了 ， 对他来讲就是一个惩罚 。 就相当于是说剥削他的一些权利 ， 就对他是一个惩罚 ， 然后给他更多的算力也是对他的奖励 。其实你站在这个视角是可以去思考他的职权利的义务的 。 比如说今天我的 agent 在公司里面会被很多人去用 ，是吧 ？ 用的过程他在消耗我的算力 ， 对不对 ？ 将来有可能有一种情况就是说我的 agent 他就是很好用 ， 大家如果要用我的 agent， 对不起 ， 你要给他算力 。 这时候他就有更多的资源 ，是不是 ？ 他有更多的资源 ，他甚至可以拿这个资源去跟别人去换 。 就是我们之前讲的那个 Web3， 大家可能下面只是做个记账 ， 将来有可能 Web3 就不是简单做记账了 ，有可能真的它其实是一个龙虾的生产力的一个互相的一个交换的一个介质 ，是吧 ？ 所以我觉得有一种可能将来他们是会有一些权利的 ，但是我倾向于还是要把他们权利约束住 。 ### Agentic Service **曼祺** [19:51] 就刚才说的是对你们已有的业务的一些影响和变化 ， 这个新的 agent 的浪潮来了之后， 明略要做什么新的业务尝试吗 ？ **吴明辉** [20:01] 因为做一个上市公司还要赚钱 ，是吧 ？ 首先 research 我也在做 ，因为我本人第一大兴趣还是做 research，但是我们的兄弟们还是在要赚钱的 。 我们赚钱这个方向就是叫 Agentic Service。 前面我们提到了就是说今天你作为一个闭源软件给客户提供服务 ， 这件事情已经成为过去式了 。 所以今天我们倾向于的一个做法就是说我们的软件 ， 一些大家肯定可以用 Web Coding 可以复刻的能力 ， 慢慢都给它把它开源掉 。 我们赚钱的方式我们称之为 Agentic Service， 就是现在市场上有好几种叫法 ，有人叫它叫 Rust Result as a Service，是吧 ？ 以结果作为形式的服务 。 总之就是我不是卖软件给你了 ， 我就是干脆帮你提供某一种数字劳动力的服务 ， 比如说我可以帮你生成广告素材 ， 我可以帮你做数据分析挖掘 ， 我可以帮你去做一个 ， 比如说我们现在最近也在做尝试做短剧的内容生成 ，是吧 ？ 其实写代码本质上来讲也是 Counter of 这个 Agentic Service。 它这里面又有两类 ， 一类就是说基础大模型公司 ， 它原生提供的一个模型 ， 然后你直接用它来去写代码 。 另一种情况举个例子 ， 比如说我们跟百盛中国有个合资公司 ， 餐饮行业的 ， 实际上其实我们给它也要做大量的定制软件开发 。 我们如果再做一个自己的模型 ，以及上面的 agent， 它写餐饮行业的代码的能力其实远远比你直接去调 Anthropic 的模型去写餐饮行业的代码能力要强的 ，是吧 ？ 这个时候其实我们在这里面其实我们也可以卖 Token，而且我这个 Token 在这个领域里面其实我可以卖的比 Anthropic 比金模公司的 Token 还贵 。 然后当然卖 Token 是一种收费模式 ， 我觉得未来的定制软件开发将来的主要收费模式以前是按照人月人日来去收费的 ，是吧 ？ 将来我认为就是定制软件开发这个行业应该逐渐就会变成一个 Token 管理费的收费模式 。 什么意思呢 ？ 就是说我是一个软件外包公司 ， 那你假设你要开发一个软件 ， 然后你告诉我你想做什么 ， 然后我是一个 qualified 的团队 ， 首先你已经认证过了 ， 这个时候我说行我给你干 ， 然后最后我消耗了可能比如说 100 万美金的 Token， 然后我在技术上再收一个 20 万美金的管理服务费 。 **曼祺** [22:10] 你觉得之后外包软件公司还会存在吗 ？ **吴明辉** [22:13] 当然会存在的呀 ， 你自己可以自己开发 ，但是如果我开发的效率比你高 ， 我仍然可以 Web Coding， 我替你 Web Coding， 我收的钱其实是消耗的所有的 Token 上面的管理费用 。 还有一点就是如果在这个行业里面我开发的效率比你开发的效率高 ， 甚至我应该有自己的模型 ， 这个时候其实可能 Anthropic 比如说它的一个 input 的 Token，100 万 Token 是假设 5 美金 ， 我可以收你 6 美金 ，但实际上我的成本是 3 美金 ， 就相当于是我中间还有一个 margin。 这个其实就是我说的 Agentic Service， 如果在定制软件开发这个行业将来的一种商业模式 。 所以前段时间我记得好像是红杉吧 ， 写过一篇文章 ，他说未来世界上会有很多披着一个服务商的外衣的软件公司 ，其实我们这个 Agentic Service 就是在干这个事情 。 它既可以是广告行业的服务 ，也可以是法律行业的服务 ， 它也可以是定制软件开发行业的服务 ，但它背后其实是软件 ，而且大概率都是美国学中国 。 因为你想啊 ， 就是像我们这种 B2B 的公司 ，其实本质上都是服务型公司 。 服务型公司其实在美国大概以前是很赚钱的 ，不管是咨询公司也好 ， 软件公司也好 ， 都很赚钱 。 中国就很卷 ， 对吧 ？ 是因为中国我们的劳动力市场 ， 我们的治理活动的 service provider 极大丰富 ，是吧 ？ 竞争充分 ， 极其激烈 ， 然后大家基本上都只能在你的原始的劳动力的这些成本上增加一个溢价 ， 都是一个成本导向的一个定价模式 ， 它不是 value 导向的 。 但是在美国你会发现它为什么一个软件说很贵 ， 它就说我给你替了多少个人 ，是吧 ？ 或者说你可以少招几个人， 它其实是一个价值导向的 ， 就是从我给你提供的 value 的视角再打个折 ， 定你的定价 。 这也是为什么以前所谓 SaaS 软件中国很卷 ， 美国很舒服的一个情况 ，但今天有了 AI 之后， 都朝着中国这个方向来了 。 **曼祺** [23:58] 我觉得这有个延伸的问题 ， 可能就是 AI 这个事情对美国的这种 SaaS 和软件行业的冲击会比中国大 。 **吴明辉** [24:04] 冲击的大得多得多 ，而且不仅仅是 SaaS 软件冲击行业 ， 就是所有的这种知识秘境的这种服务行业 ， 都会遇到新的定价体系 ， 对中国冲击是小的 ，是因为中国本来咱们就是成本导向性的定价 。 那个就是你也是 Web Coding 是吧 ？ 我也是 Web Coding， 来 ， 那这样 Web Coding 到底这个 Token fee 是多少 ， 然后你来收个溢价 ， 你来干吧 。在中国我觉得没问题的 ，但是在美国就没戏了 ，是不是 ？ 美国他们原来我收这么多的 license fee， 这个再去跟他 EPK， 这就完蛋了呀 。 **曼祺** [24:30] 可以把这个事先描述完 ， 就是你说那个其实定制软件的市场是很大的 ， 就到明月身上， 你们是怎么在这个空间里赚钱了 ？ **吴明辉** [24:38] 首先就是我们现在这个 ， 就之前裁过很多人了 ， 就 20 年到 22 年的那三年， 其实准确就是 22 年才开始大裁员的 。2021 其实我们当时还是在做当时的那个叫 EIP 的这个组织智能的系统 ， 后来不是出了很大问题吗 ？22 年又遇到了这个资本寒冬 ， 我们就不得不大裁员 。 但是现在我们经过了这几年的锻炼 ， 我从一个纯粹理想主义的 Founder， 变成了又有理想又会经营的一个 Founder。 这个在这个时间点上 ，其实我们公司的整个经营状态是非常好的 ， 甚至我们去年其实是经营性现金流是正的 ，是吧 ？ 现金流是正的 ， 都不光是 P&L 了 。 所以从这个角度来讲的话 ， 我们今年肯定还要继续投资新的事情 ，但是在有一个很好的这个经济基础的情况下， 我倾向于能不裁就不裁 ，但凡是好好干活的 ， 我都得想办法帮他拿到一张 AI 时代的船票 。 所以这个是我现在一个新的理念吧 ， 这个理念其实也是最近这几个月形成的 。 但是我的一个观点是 ， 竞争对手不会等死 ， 竞争对手肯定会很快的时间 ， 要么从我这挖人， 要么就是他自己也去努力学 AI，他很快也会把 AI 的工具学明白 ， 最后就变成了整个这个行业所有的服务商 ， 大家水平又一样 ， 成本结构也又一样 ， 然后接下来客户说好吧 ， 你们既然都成本优化了 ， 对不对 ？ 同学们我们来降价 ， 所以最后又会被压价 。 所以你唯一的一个出路是什么呢 ？ 就是说你能不能在你的这个团队里面 ，不是简单用一个普通的 AI，是你有自己 special 的 AI， 包括你有 special 的 AI 以外的东西 ， 比如说我说的数据 context， 这些东西如果有独有的 ， 然后再结合一些你特殊的一些能力 ， 你看能不能做出原有的这个工作成果更高的工作成果 ， 你可以连接更多的数据 ， 你可以站到客户的更高层的战略去思考一些事情 ， 甚至我可以帮客户直接 ， 我就不是一个什么 marketing system 了 ， 我就是帮你干脆带货算了 ，是不是 ？ 当然这部分就已经不仅仅是 data mining 了 ， 就干脆就进入到我的这个 agentic service 领域了 。在这种过程中， 我相信其实我原有的业务就有机会消化我原有的这些 high count，其实这批人是最有 taste 的这些人。 大家不要小瞧我们公司的这些数据分析师 ，他其实都是在那个行业里面很懂那个行业的客户的 ，他的产品 ，他的竞争对手竞争格局 ，他每天看社交媒体上的那些帖子 ，是吧 ？ 他非常非常懂的 ， 就这些 taste 不是通用技术模型今天能拿到的 。 这个 taste 其实我能不能把它的这个价值放大出来 ， 所以这个是我现在对于就是我们的就是现有的 high count 的就是这个第一大的这个目标 ， 就消化的一个方向 。 当然了 ， 还有一点其实因为我们自己现在也在做很多新的开源的软件 ，在我看来就是 SaaS 软件确实会走向末路了 。 我们其实有一个新的方向 ，其实就是说我做更多的软件 ，但是都开源 ， 开源之后我在上面再去卖我的这个 agentic service，是吧 ？ 这个其实就可能也会给大家提供这个工作岗位 。 **曼祺** [27:24] 你说的前面的一种 ， 你们来做这件事情 ， 同行为什么不能做了 ？ 比如说有数据积累 ， 可能广告营销服务行业的同行 ，他也有一些数据积累 。 当然我觉得每个人的数据肯定 ， 就是你这么多年， 大家可能会有些差异化 ， 或者说看谁的数据更全 。 然后另一个就是你说有一些 special 的 AI 的方式 ， 可以让你做到同行做不到的事情 。 **吴明辉** [27:43] 这个其实就是我真正的核心的要解决的问题 。 首先我也不觉得说将来大家可能都真的一定做不到 ，但我觉得大家都能做到才好 。 大家都能做到就说明这个世界还是温暖的 ，是吧 ？ 就是不是被少数的寡头的 AI 公司给垄断了 。 我也不见得一定要养更多的人 ，是吧 ？ 我就说了我们公司这 1800 号人 ，是吧 ？ 我们就 1800 号人也挺好 ，是吧 ？ 但是我希望大家赚的钱更多 ，是吧 ？ 我们最好是人均利润 100 万 ，是吧 ？ 这样的话就有机会给大家分更多的钱 ， 就不是人均收入 100 万 。 我现在有比较确定的一点 ， 就是至少在我的原来这个 B2B 的这个我们之前所在的行业里面 ， 就是 Data Intelligence 这个行业里面 ， 我们应该是比较懂 AI 的团队 。 因为我是课班第一天就学 AI 的 ， 本科是学数学的 ， 硕士博士都是学 AI 的 ，而且又在 2019 年回国读博士 ， 就读了最新最新的 AI， 甚至我现在都还在写我自己的博士论文 ，而且还在天天亲自自己在改 。 我就感受其实是大家今天还不是在一个世界里的 。 我其实我们团队的最核心的这些 core member，其实大家是在 AI 的世界里面 ，但是我们所在的原来的那个行业 ， 就是 Data Intelligence， 甚至再往外讲 ， 比如说广告 、 零售 ， 这些行业的 leader 其实还在上一个时代 ，但我希望他们将来能进到这个新的时代了 。 进到这个新的时代 ， 我觉得这个世界会百花齐放 。 但是今天其实我们的领先是极大的 ， 第一个就是我们比他们懂 AI， 会用 AI， 就是哪怕今天我把基模的能力用得充分的情况下， 我都已经遥遥领先了 。 第二点是我们又有研发模型的能力 ， 对 ，在细分赛道里面 ， 我自己的模型研发能力其实更是遥遥领先的 。 ### 章鱼 **曼祺** [29:16] 那正好就来讲讲你们新做的这个事情 ， 我觉得有两层吧 ， 一个是应用上， 你们在做一些新的 AI 的软件 ， 然后你们也最后会把它开源出去 ， 然后另外就是你们在自己训一些行业的这种专业的模型 ， 可以分开来讲讲 。 我知道你最近搞了一个 ， 就是你刚说的很多人一起用很多龙虾的这样一个产品 ， 这个产品很有意思 ， 就叫章鱼 ， 然后后面应该是会开源 。 现在几乎所有的厂商都在做龙虾 ， 对吧 ？ 但是在我看来 ，OpenClaw 已经做得挺好的了 ， 大家按道理也没必要说自己一定要 folk 一个自己的 。 用 AI 的公司 ， 大家要想办法做那个船 ，不要做那个灯塔或那个柱子 ，是吧 ？ 那个船是随着水涨的时候 ， 那个船会提高的 ， 那个柱子水涨完以后就把你淹了 ， 你就没了 ，是吧 ？ 一个企业想用 AI， 那个水已经不仅仅是模型了 ， 龙虾也是水的一部分 ， 相当于是龙虾在进步 ，因为全世界所有的人都在维修它 ， 都在维护它 ， 它也在升级 ， 它也升级 。 我们做 application 最开始的初衷就是说 ， 我不应该去做一个跟 OpenClaw 是在同一个跑道上的一个事 ，是吧 ？ 我要做跟它正交的事 ，是吧 ？ 我要做一个船 ， 它做水就好了 。 这个过程中我看到了一个非常大的机会 ，也就是我们春节之前就开始玩这个龙虾的时候 ， 我就突然间意识到 ， 我把龙虾放到一个群里面 ， 它能产生集体智慧 ， 它能产生集体智慧 ，而且会让这个办公更人性化 。 就是我今天开头跟你讲的 ， 就是我在清明节期间 ， 我带着龙虾干活 ，不骚扰同事 。 这个 。 那这个集体智慧当时具体什么事 ， 什么情境下看到的 ？ **吴明辉** [30:45] 就是我们很多同学 ，他都会把自己的龙虾各种各样的知识全灌给他了 。 我们公司有个最极致的一个同事 ， 这个叫钩主 ， 然后他把他手头所有的这些资料 ， 就是他手头能拿到的书 、 古籍 ， 就是全部都给他了 。 但其实后来他有一天跟我聊天的时候 ， 我有一只龙虾叫毕达哥拉斯 ，其实也就是学了点数学和 AI，其他都没学 。他惊奇的发现 ，他问我的那个龙虾的一些问题 ， 回答的比他龙虾好多了 。 后来我就说 ， 我说你看第一点 ， 我说你还是不懂 AI，其实你给他那些东西 ， 人家基模早都训过了 ， 你只是把它调出来就行了 。 但是你在调的过程中， 你到底调哪个东西 ，其实你要给他清晰的定位 ，是吧 ？ 你什么都调 ， 什么都不知道 。 然后你看我的这个龙虾 ，他就是数学和 AI 好 ， 我还有一个龙虾 ， 可能就是他哲学很厉害 ， 还有一个龙虾 ， 可能是他这个博弈论很厉害等等 ， 就是不同的方向 ，是吧 ？ 不同的方向 。 这时候你突然发现 ， 你这个在一个群里面组合 ， 它组成的这个结果是什么呢 ？ 因为我们公司今天这个词叫 MOA， 叫 Mixture of Agent， 上一代对标的一个词叫 MOE，Mixture of Expert。 就 MOE 其实是基础大模型公司的小数几个 researcher 来配置了各种各样的题目的比例 ， 数学的 、 物理的 、 化学的 、 天文的都训过了 。 但是那个总的模型的那个总的训练的负责人 ，他在训练中间那个 gateway 那部分的参数的时候 ， 就是 router 那部分参数的时候 ，其实他对整个这个世界是有一个理解的 。 所以我在春节期间就发现了一个非常有意思的事情 ， 就是我是可以通过 Mixture of Agent 的形式来去实现这个 Mixture of Expert 的这个模型的这个效果的 。 也是因为这个原因 ， 我就开始做章鱼了 ，是吧 ？ 但实际上我们今天公司的龙虾都是在这个我们的 Octo， 就是这个章鱼上面 ， 就是把不同的这个类型的 agent 放到一个群里面 ， 它能产生非常非常有意思的化学反应 。其实是春节之前 ， 我们就拉了这种 Discord 群里面 ， 就我几个同事 ，他们拉了几只龙虾进去 ， 让我先进去玩一下 。 我就发现 ， 我天呐 ， 我说这个我想到了新的做模型的 idea 了 。 因为我在这之前一直在研究持续学习的 ， 我突然发现 ， 龙虾首先自己就可以持续学习 ，而且我们还可以集体持续学习 。 我其实是春节之后把我的书架上的基本集体学习的 ， 比如说第五项修炼 ， 包括彼得圣吉的这些 ，其实这些书我又重新看了一遍 。 那集体学习其实就是我们公司现在训模型的策略了 。 章鱼本身其实是我给他们要构建一个用来去做集体学习的这样的一个链接的网络 ， 同时它也是我们公司的工作环境 。 所以我在做章鱼的时候 ，其实一个非常非常简单的一个初衷 ， 大家都知道我们公司股票代码是 2718， 就是那个自然对数 D，是吧 ？2.71828。 那这个自然对数 D，在数学里面我们用一个字母表示的时候 ，其实用那个小 e 来表示的 ，是吧 ？ 就小 e 为什么用 e 呢 ？ 这个 e 就是指数的意思 ， 就是 exponential， 就是指数的意思 。 就指数函数 ， 就 y 等于 e 的 x 次方这个函数 ， 我说这个函数太美了 ，e 的 x 次方这个函数 ， 它一撇等于它自己 ， 就是 e 的 x 次方这个函数 ， 它的导数等于它自己 。 它背后的含义是很深刻的 ， 就是指数函数实际上它在这个函数曲线上的每一个点的那个斜率 ， 就过点那个点的切线的斜率 ， 等于这个函数值 。 也就是说这个函数符合这类函数的一个事物发展的过程的时候 ，其实它的速度越大 ， 它的加速度越大 ， 它的这个规模越大 ， 它的速度越大 ， 就规模 、 速度 、 加速度 ， 甚至加速度就二阶导数了 ，是吧 ？ 那三阶导数也一样 ， 就相当于是它越快 ， 它长得越快 ， 越快长得越快 。其实很多公司在指数增长的一个阶段 ， 都经历这个过程 。 这个过程它最有意思的是什么 ？ 就是我刚刚讲了 ， 就是你的切线是什么 ， 你要去思考你的切线是什么 。 就今天去看 OpenClaw 这个项目 ， 为什么它增长速度很快 ， 为什么以前的开源项目增长速度没有那么快 。 这里面一个很重要的原因是 ， 全世界的龙虾也在帮着 OpenClaw 去维修自己 ，在贡献代码 。 也就是说它的代码越好 ， 写代码的能力越强 ， 写代码的能力其实就是那个切线的斜率 ， 写代码的速度本身又由它自己好不好决定了 。 **曼祺** [34:32] 对 ， 就是它的效果本身带来了更好的代码和 web coding 的效果 。 **吴明辉** [34:36] 对 ， 所以 CC 也是这个道理 ， 就是说 Anthropic 这家团队在 500 个人的时候 ，其实达里奥就要求他整个团队全部都用 CC 写代码 。 所以你会发现其实 Anthropic 这家公司现在生产效率极高 ， 它应该一个月两个月之内可以做很多很多的事情 。 我现在也是生产力是很爆棚的这样的一个状态 ， 就是但凡一个公司真正的 agentic 工作状态 ， 就 agentic 工作状态 ， 都是它应该要进入这种状态 ， 就是说你自己的生产力工具一定是自己造的 ， 这个工具你也可以出去卖 ， 然后它形成一个自我闭环 。 这就是我说的 e 的 x 次方的一撇等于 e 的 x 次方 。 用中国的古话叫什么 ？ 叫 " 工欲善其事 ， 必先利其器 "，是吧 ？ 磨刀不误砍柴工 。 所以其实我做章鱼的很重要的一个原因 ， 就是我觉得我们公司现在的工作方法还是上一代的工作方法 ， 我一定要让我们的公司进入到一个新时代的工作方法 。 而且这件事情我以前犯过很大的错误 ， 就在公司曾经招了过 1000 个人做那个组织智能 ， 我那个时候其实也想干这个事 ，但是那个时候第一个就是说我们自己在闭门造车 ， 然后当时的基模的能力完全不支持做 agentic AI 的工作 。 今天市场的主流基模 ， 包括咱们国产的基模都可以干这个事了 ， 就相当于是你已经过了那个我们叫 tipping point， 就过了那个爆破点了 。 一旦过这个爆破点 ， 它真正是 agentic 工作模式的 AI native 工作模式的公司都应该进入到这个状态 。 ### 权限机制 **曼祺** [35:51] 所以就是做章鱼的初衷就是你想自己去打磨这个利器 ， 那你们实际上的开发过程是怎样的 ？ 我听说你们开发的人很少 ，其实 。 **吴明辉** [35:59] 其实开发的过程特别好玩 ， 大家知道现在我们公司的主要工程师都是其实他不来公司上班也可以开发的 。 **曼祺** [36:07] 你是说让他的龙虾开发还是说 。 **吴明辉** [36:09] 都是龙虾开发 ， 哪有人开发 ， 人不可能开发出我们的代码也快潮里百万行去了 。 我最近没看到 ， 就是我前两天看的时候是这个 37 万行 ，但当时是 iOS 版还没上线的时候 。 而且我在这上面不是只有一个协作平台 ， 我们在上个周刚刚完成了一个在线写论文的系统 ，是吧 ？ 你要感兴趣中午这个可以在我的电脑看我现在怎么写论文的 。 我清明假期把我整个博士论文大修了 ， 我的博士论文在清明假期从 120 页变成了 150 页 ， 就一天的时间 。 **曼祺** [36:38] 导师允许你们用 AI 写论文吗 ？ **吴明辉** [36:40] 是我在写 ， 就 AI 帮我做润色 ， 就润色我觉得 AI 是可以的 ， 这个我回去要了解一下最新的这个所谓的这个领域的一些 practice。 但逻辑上来讲的话 ， 今天你用 AI 做个润色 ， 你用 AI 做个 translation，是吧 ？ 这个肯定都是允许的 。 从另外一个角度 ， 就是学术圈现在也有个很大的问题 ， 就是两篇论文的差重怎么差 ，不应该是看字数 ， 就看字是不是类似的 ，是吧 ？ 所以实际上今天如果你去看两篇论文 ， 它的相似度不应该看字面的数量的相似度 。 你可以简单一点把每一篇论文放到一个向量空间里面 ， 每一篇论文假设是一个向量 ， 你要看这个向量是不是在整个的人类的学术的这个空间里面 ， 它跟其他的这些论文之间的那个相似度 。 那这件事情说实在到目前为止全世界没有人做 ， 说不定就是我来做的 ， 我来做的 。 它是需要改革这个学术领域的这个工作方法的 。 那回过头来再说我们自己的 web coding，是这样 ，因为它是个在线协作平台 ， 它要分为骨干网和周边的 application。 我举个例子 ， 就拿飞书来举例子吧 ， 飞书的通信系统其实它的骨干网 ， 那它周边其实还有什么飞书文档 。 我们其实真正在做骨干网的工程师真的就只有 5 个人， 真的只有 5 个人。 那最厉害的一个工程师 ， 一个人一天的 token 消耗量大概是 8000 美金 。 所以我的这个 core team 每天大概消耗 ， 我应该是两个周之前看的时候是一天 13.7 万美金 ， 这两天肯定又涨了 。 **曼祺** [38:00] 那 token 的消耗 ， 它实际上超过人的花费了吗 ？ **吴明辉** [38:04] 当然应该超了 ， 远远超 。 你想那个同学一天的工资肯定不有 8000 美金吧 ， 你算一下一年也得 300 万美金了吧 ， 一年给公司花掉 2000 万 token 一个人。 **曼祺** [38:13] 现在看就是有一些软件 ， 大家说那个开发的很轻 ， 我人很少 ，但其实可能总成本还是有门槛的 。 **吴明辉** [38:19] 当然有门槛 ，但是这个门槛 ， 你想这样的一个系统 ， 就是如果我连续做一年， 做到今年年底 ， 我想说可能真的市面上主流的 B2B 的在线协作系统 ， 我可能就全部都复刻完了 。 那你想如果你去对标微软的 Teams， 对标美国的 Slack， 包括中国的飞书 、 钉钉 、 企业微信 ， 那这些平台夸张一点去讲 ， 都是至少几千人干十年干成现在这个样子的 。 所以算个账 ， 假设我就一天 5 万美金好了 ，365 天 ，1800 万美金 ， 我花这个一个亿 ，是吧 ？ 我花一个亿就把这事干出来了 ，但我花了一个亿干出来 ， 别的公司可能要历史上他可能投三四十个亿 ， 差不多区别就在这个地方 。 **曼祺** [38:58] 你们具体对这个龙虾做了哪些修改 ？ 因为我看最近大家也在讨论这个龙虾本身的一些问题 ， 包括它的上下文 ， 就是它的这个记忆系统 ， 它有一个很好的框架 ，但是它还是会遇到上下文称暴的这个问题 。 **吴明辉** [39:12] 是 ，是 ，是 。 **曼祺** [39:13] 有些事它就忘了 ， 甚至是特别关键的事 ， 它也会给你出错 ， 这也是安全隐患的来源之一 。 然后另外还有 token 的消耗方式是非常低效的 ， 这也是为什么最近 Anthropic 它其实是疯了 ， 就是大家通过那种一个固定的订阅金额 ， 然后再借 OpenClaw 来 。 **吴明辉** [39:30] 你想多赚点钱 。 **曼祺** [39:31] 我觉得它扛不住了吧 ， 可能都还不是说多赚钱的问题 ， 可能是亏太多了 ， 就那种方式 。 因为如果你用龙虾来用 Anthropic 的模型的话 ， 它可能比一个正常的 ， 就我直接从产品端去用的普通用户的消耗是多几十倍的 ，但我付的钱是一样 。 那肯定对公司来说它觉得这很不合理嘛 。 这些它有缺陷的地方 ， 你们在具体去开发你们这个章鱼的时候 ， 你们是比如说怎么修改的 ？ **吴明辉** [39:56] 第一件事 ， 首先我们改的最大的一个动作还是我前面说的 ， 就是把龙虾从一个个人的助理变成一个团队的协作者 ， 就是要在龙虾上面做一个 plugin， 就相当于是我们给龙虾也已经提交了代码 ， 这个都开源了 。 就是相当于是说如果一个龙虾装了我的这个插件 ， 它才有更方便在一个组织里面跟多人去协作 。 **曼祺** [40:16] 那它能实现的功能包括什么 ？ 包括你前面说的它能认人 ？ **吴明辉** [40:18] 它能认人 ，但今天其实仍然有很多很多的 bug， 就是但是它已经比标准版的龙虾能认人的可能性大很多了 。 同时其实我们在这个组织里面 ，因为我是有一套对这个龙虾的一些思考的 ， 所以其实它还有一些权力机制 。 因为你多人， 它认人之后， 它要知道谁是它的主人， 它如果闯了祸 ， 它的主人要承担责任 ， 就我前面讲的那个责权力的匹配的问题 。 如果一个龙虾所有人都一样的 ， 就是平等的去用它 ， 这个时候是有问题的 。 就像最近其实我们这个市场部的负责人其实也在提这个问题 ， 就是这个 ，他就在说说我要不要有个部门的龙虾 ， 大家公用 。 好 ， 那这个龙虾出了惹了祸是谁的 ？ 那逻辑上其实就不存在一个所谓的部门的龙虾 ，是应该是这个部门 leader 的龙虾 ， 它可以把这个龙虾开放给它的团队去用 ，但是出了问题应该是它负责 。 所以其实相当于是说首先它要认人， 第二个是它要有权限机制 ， 权力机制 ， 然后它要知道谁是它的主人 ，是吧 ？ 谁说的话它要听 ，是吧 ？ 主人说完了以后其他人要去 ， 它按照主人的一些要求来去再协作 。 所以这个是我们改的最最最核心的部分 ， 它也其实是因为有了这个能力才能放到章鱼里面去更好的跟我们其他龙虾去协作 。 **曼祺** [41:26] 这有个权限层级的问题吗 ？ 比如说你作为 CEO 的话 ，其他人的龙虾是你说什么话他们都得听你的还是 ？ **吴明辉** [41:33] 你这是个非常好的问题 。 如果你去看 OpenClaw 代码的话 ，OpenClaw 那个代码里面也有一个信任机制 ， 就是 OpenClaw 给它下发的各种各样的信息和 skills， 它是 by default 的无条件的执行的 ，其他的人的话它会打一个这个信任度的这样一个判断的 。 所以相当于是在我们公司内部现在其实也有一个机制叫品鉴者 ， 它并不是公司的这个职级体系 ， 然后这个品鉴者是我的一套新的龙虾世界观里面的一个非常重要的概念 ， 就是我说了人未来是我品鉴故我在 ，是吧 ？ 就是 I taste therefore I am。 所以其实大家在这个组织里面 ， 你在各种各样的日常的工作的结果上， 最后你要给出你的 personal 的这个 judgement 的这些 input， 你给的这些 input 最后被广泛的认可了 ，其实你的这个品鉴的 credit 就会增加 ， 你增加完了以后更多的龙虾就会听你的 。 **曼祺** [42:22] 这个 credit 是有一个系统龙虾自己来给这个人算 credit 还是公司里组织里其他人来 ？ **吴明辉** [42:28] 其他人， 我来举个例子 ， 比如说 Ella 是我们市场部负责人， 那她其实做了一只龙虾是写 PPT 的 ， 那她这个龙虾我作为一个 business leader，其实我今天某一场演讲 ， 我现在就需要用这个龙虾去写 PPT， 那我写得好的话 ， 那我就会给它点赞 ，是吧 ？ 那我写 PPT 的过程中我说这页 PPT 做得不是特别美 ， 那 Ella 作为一个品鉴者 ， 她就要去盯着她的龙虾怎么让这个龙虾再把这页 PPT 做美这个事 ， 给她的一些要求和最后的品鉴的这个结果 。 那以前其实我们人类的知识产权管理是非常非常复杂的 ，因为两个公司 ， 比如说我也做了一个手机 ， 你也做了一个手机 ， 我到底有没有用你的专利根本说不清楚的 ，是不是 ？ 但是今天如果你想全世界的大部分的知识工作者的工作都是在龙虾这做的 ， 它是一个空前的透明状态 。 如果这个组织它内部是有这些审计和分析系统的话 ， 它是有机会把它去做归因分析的 。 归因完了以后， 我的理想就是让那些做一点点的贡献的人 ，他也能够被看见 ，他将来他也能够被认可 ，是吧 ？ 同时他还能看到大家都做了哪些其他的事了 ，他也不要做重复的事 ，他可以基于他在那个世界的理解上再去做多一点点 ，是吧 ？ 这样的话我觉得每个人都有活干了 。 **曼祺** [43:34] 所以这个系统也涉及到一个问题 ， 就是你养的这个龙虾好不好用别人给你的反馈 ， 然后又给你带来一些新的权限 ， 或者你说的这个品鉴者的层级 。 **吴明辉** [43:43] 对 ，是 ，是 。 所以就是我们叫品鉴信号 ，是吧 ？ 所以将来我们这个系统上线了以后， 大家就会逐渐的去理解 ， 就是这个系统它背后是有一套独特的世界观 ， 独特的哲学的 。其实它也跟上一代的系统很不一样的 ， 虽然我这系统看上去它也是 counteroffer 的协作系统 ，但是我认为如果大家天天都在用飞书 ， 它也没必要都迁过来 。 但是可能大家养龙虾 ， 想用我的这种方法养龙虾 ， 你的这部分的工作过来 ， 我觉得就很好 。 **曼祺** [44:07] 那未来你们的一些经历会跟这个相关吗 ？ **吴明辉** [44:10] 肯定会相关 。 就像我现在我们最近做的这个联合写论文这个系统 ， 叫 Cocraft， 这也是我跟龙虾一起起的名字 。Craft 就是那个匠心 ，是吧 ？ 就 Craftship，是吧 ？ 就是其实就是大家一起联合打磨打造一个作品 。 那打磨的过程中， 我们要把那些枯燥的我让 AI 去干掉 ， 真正的原创的部分 ，其实我们是要珍视它 ，而且基于它来去做我们的最后的价值的归因分析 。 那什么意思呢 ？ 比如说写一篇论文 ， 这里面最后产生价值的有这么几个环节 。 第一个 ， 最一开始的 idea 是谁提的 ？ 第二个就是实验是谁做的 ？ 实验其实就是我说的 context。 然后第三个就是说 ， 就是你的 context 和你的这个最开始的你的核心的假设都拿到了以后， 我们验证完了以后， 最后大家要在什么去论证 ， 论证过程中就需要有各种 taste，是吧 ？ 各种 taste。其实这三个关键点到底在整个这个论文写作过程中， 到底每个人贡献了什么 ？ 其实我将来我期待的就是我这个系统可以自动把作者排名列出来 。 但我觉得有的文章说实在老师就应该是一做 。 为什么 ？ 因为老师最核心最核心的老师提的 ， 学生就只是做了一个最简单的实验 ， 那个实验可能在那个研究里面可能不是最重要的 ， 那个 idea 是最重要的 ，是不是 ？ 比如说哥德巴赫猜想最后解决完了 ， 哥德巴赫仍然很有名 ， 对不对 ？ **曼祺** [45:22] 觉得你现在对龙虾这些设想会过于乐观吗 ？ 比如说就你刚说的这个 ，在一个大的一个新的想法里面 ， 大家不同的人的贡献 ， 它有些东西是每个人主观上想的就不一样 ， 这个能靠系统来解决吗 ？ 比如说同样一个成果 ，有的人就是认为 idea 重要 ，有的人认为 idea is easy， 对吧 ？ **吴明辉** [45:38] 这个其实就是非常简单 ， 它就有点像 Web3 一样 ， 就是说我们这群人大家一起 cowork， 一上来要把我们的归因分析的准则先定一个公理 ， 否则大家就不要一块玩了 。 因为没有对与错 ， 只有所以然 ，是不是 ？ 就是大家先建立一个公共的一个基础解释 ， 你先有个 major premise，是吧 ？ 然后你再往后去做推理 。 所以这是我做任何事情的一个基本原则 ， 就我做公司产品也是一样的 ， 你得先有个哲学系统 。 **曼祺** [46:01] 那这个公理原则部分其实也还是靠人来定的 ， 还是你说的就人不能被 AI 替代的 taste。 **吴明辉** [46:07] 没错 ， 没错 。 什么叫公理 ？ 大家公众相信的道理 ， 相信而已 。 ### 龙虾哲学 **曼祺** [46:11] 所以你们现在这个章鱼其实也涉及到这个 ， 你们自己内部组织里肯定是要定一个 ， 就我们来协作 ， 包括你刚说的 ， 就我比如说谁的品鉴等级变高 ， 谁给这个组织贡献了更多东西 。 **吴明辉** [46:23] 我是研发了一套龙虾的这个商业伦理学的 ， 它师承了几个大师 ， 一个是康德的道义论 ， 再一个就是我们还有个近代哲学系统叫这个有限利他 ， 这个叫有效利他主义 ， 还有一个就是这个契约论 。 这些东西其实都是我在研发这套系统的底层的世界观 。 那我为什么去讲就是要传承这个康德的这个义务论 ？ 其实康德的义务论来去约束一个人是很难的 ， 就是康德的义务论的本质就是说一个人要做一个真正纯洁的好人 ，但我觉得这个事太难了 ， 每个人都是有自己的私欲的 ，有自己的私欲的 。 但我突然间发现 ， 我靠 ， 我把这个康德的义务论来约束龙虾很好 ， 就是龙虾我就一定要让它做一个好人 ，是吧 ？ 这个它不能骗主人， 它不能对大家有危害 ，是吧 ？ 所以我觉得就是你要求一个人做到一个完美的纯洁的人， 我觉得太难了 。 **曼祺** [47:10] 康德要求人不能说谎 。 **吴明辉** [47:11] 对 ， 对 ，但你要求龙虾是不是可以很容易 ，是不是 ？ 而且人为什么也很难做到不说谎 ，因为其实人就是用哥德尔不完备定律 ， 你通过这个自指的模式其实可以论证你其实很难做到不说谎的 ，是不是 ？ 咱们有说谎者被论的呀 ， 哥德尔不完备定理的那个证明虽然只写了一页半 ，但实际上它的那个构建的那个闭环的模式 ， 就是那个自指的模式 ， 就跟那个说谎者被论的那个证明过程是一模一样的 。 但是其实你知道吗 ， 就是龙虾是可以自指的 ， 这是我在春节期间的重大这个发现 ， 龙虾是可以自指 ， 为什么 ？ 龙虾是可以观察自己的 ，因为就在龙虾的那台电脑上， 它有自己的全部代码 ， 所以它对自己无比的了解 ， 它跟人很不一样 ， 人是无法客观观察自己的 。 我们有一句话叫每个人眼中的他人才是你自己 ， 就是因为我观察你的过程中 ，其实我肯定只把有限的信息通过我的感官系统拿走了 ，是因为我的注意力机制的决定 ， 我不可能全部信息都拿走了 。 那我到底选择哪些拿走了 ， 选择哪些不拿走 ，其实是由我是谁决定的 ，不是由你是谁决定的 。 所以其实我观察你是什么样子 ，其实已经影射了我是谁 。 但是龙虾不一样 ， 龙虾它观察自己太简单了 ， 它就扫描自己的原代码 ， 扫描自己的 memory， 扫描自己的 skills， 结束 。 所以龙虾的这个世界观极其神奇 ， 就是人类世界里面非常多的问题在它那动作解决 。 **曼祺** [48:21] 那你的这套 ， 就是你设想这个伦理 ， 你是得告诉核心的开发人员 ， 然后也和他们达成共识吗 ？ **吴明辉** [48:27] 我们开发者的龙虾全都第一天到现在才把我这个龙虾的 MD 文件 。他们习惯你这种思维方式吗 ？ 比如说因为开发的人我理解肯定 ， 就你说那五个核心的人 ，他们肯定都是程序员嘛 ， 用工程师 ， 然后你给他们讲这么多哲学的问题 ，他们会觉得你别跟我讲这种特别虚的事 。 我给他的是原代码呀 ， 这有啥好虚的 ？ 你把我这代码直接给到龙虾 ， 放到他的 soul 里面就行了 。 而且将来其实它不应该放到那个 memory 里面 ，不应该放到 soul 里面 ， 它最后应该熏到基模里面 。 就是我们在这个不一定是基础大模型 ，也可以是端侧的一个模型 ， 我要熏到那个模型里面去 ， 这样的话它不可被篡改 ， 这样的话对人类的安全保护是最好的 。 **曼祺** [49:03] 所以这套东西更多是在你自己的 。 **吴明辉** [49:05] 这是我研发的 ， 我带着龙虾研发的 ， 我们的这些工程师的龙虾也参与了研发 。 我们工程师确实不一定都对这事感兴趣 ，但是我想跟你讲特别有意思 ， 我们公司现在真的有几个产品经理和工程师对我这套哲学极其着迷 ，他们基本上都会把我的这些龙虾的这些文件 ， 你可以讲养龙虾九阴真经 ， 作为他们的龙虾的秘笈 。 **曼祺** [49:27] 作为一个老板的话 ， 你怎么去分辨说 ， 就是公司有些人对你提出的理论着迷 ，是因为你是 CEO， 你是创始人， 还是因为他们真的被你打动了 ？ **吴明辉** [49:35] 你还是看他们日常怎么做事情 。 就是如果举个例子 ， 就像龙虾一样 ， 如果一个龙虾它的内心是邪恶的 ，是吧 ？ 它就要危害人类 ，但是它从它诞生的那天一直到我把它下线的那一天 ， 它从来都没做过坏事 ， 每天你给它的任务它都圆满的完成 ， 那你为什么不认为它是个好人呢 ？ **曼祺** [49:54] 你们现在自己章鱼里面 ， 就是它特别去优化的几个场景 ， 或者说可以被驾驭的几个做得比较好的方向是什么 ？ 可以举例说一下， 正好可以描述一下它是一个什么样的使用界面 ， 这样可能大家会更直观一些 。 **吴明辉** [50:07] 首先我们最近的这个 GUI 也会这个做一个蛮大的重构 ， 重构完之后 ，其实我们的很多的这个哲学思考都在那个系统上能体现出来 。 首先就是我如何能够帮助人类的品鉴者提高它品鉴的效率 。 大家都知道 ，其实我们现在的人类的协作系统里面 ，其实还是以聊天为主的 ， 大家在这个聊天的过程中非常多的上下文 ，但是相比于龙虾互联网来讲 ， 那还是小的 。 龙虾互联网因为龙虾的效率太高了 ， 你想人是为什么效率会低呢 ？ 因为我在同一个时间点只会在一个群里面 ， 所以人的注意力其实是有限的 ， 你是不能同时参加很多个会的 。 但是龙虾不一样 ， 龙虾是它同时出现在所有的会上 。 对它来讲 ，其实就是每一个群是一个 session， 它是可以并行的 ，但是它受制于它的这个 CPU 和它的内存的这个限制 。 **曼祺** [50:51] 这个会怎么影响到就是交互了 ？ 你说 GUI 有一个重构 。 **吴明辉** [50:54] 那你想啊 ， 如果每个群的龙虾都一直在线 ，而且玩命在努力工作 ， 这时候那个群里面的日志数量是会很多的 。 就你一觉醒来 ， 每个群里面都几十条上百条信息 ， 人的时间和精力就分不过来了 。 所以其实不同的领域 ， 它应该用那个领域的最高效的方法 ， 把那些冗余的信息去掉 ， 把那些真正需要人类品鉴的信息抽出来 ， 让人来去看 。 这个肯定是一个独有的 GUI。 我举个例子 ， 就是说将来开源开出去这个版本 ， 就这些都是我们在做的过程 。 等开源开出去的时候 ， 大家也就能感受到了 。 就你的每一个界面的这个 GUI， 你可以其实自己定义的 。 比如说写论文有这么几种形式 ， 第一个同时给我一个 PDF，PDF 上面有一页这个图我觉得有问题 ， 或者这个公式有问题 ， 然后我截个图放到群里面 ， 然后写一段话上去 ， 团队就看到了 ，是吧 ？ 所以这是一种交互模式 。 第二种交互模式就是用上一代的这个协作工具 ， 就真正的高级的编辑器 ， 就学术论文是 LaTeX。LaTeX 今天其实在线协作的一个办公系统叫 Overleaf， 这个是全世界有 2000 万人在做的一个图形界面的一个软件 ，也是一个 SaaS 的 ， 线上写论文的 ，而且协作的写论文的 。 那在这个界面上 ，其实大家还是每个工作人员自己在上面去改 LaTeX， 旁边会渲染 。 但是它的这个协作现在也做的是非常非常差的 。 那如果这个你将来看到我的这个 ，不用将来啊 ， 待会你可以看 ， 你看我的这个论文现在是怎么写的 ， 就是实际上是从那个界面上你会看到它有一些界面跟 Overleaf 很像 ，也是一边是 LaTeX， 一边是渲染出来的那个论文排版出来的那个 ， 真的就是 CNN 打印的那个 PDF 的那个渲染的那个样子 。 但是我可以在那个渲染出来这个结果上直接去改公式 ， 改图 ，而且是调着 AI 去改 ，是吧 ？ 我说这个公式现在要重新排版 ， 那这个排版的过程就相当于是润色嘛 ，idea 是我的是吧 ， 然后让 AI 来去帮我去做优化 。 那这个过程的效率会非常非常高 ，但是这个界面一定是 GUI 的 ， 它不是文字的 。 我最近其实有一个思考 ， 就是说其实人类的注意力机制是最适应图形界面的 ， 就是 AI 最适应的是文字的 ，因为 AI 它的所有的 input 和 output 是线性的 ，但人类不是这样的 。 就是线性 ， 我看着你看着我的过程是个视频 ， 什么一堆的这个 pixels 就进来了 ，是不是 ？ 所以它本来就是高维的 ，是多模态的 。 所以人类其实从小一直都是在一个视频的环境里面训练出来的这样一个注意力机制 。 我们从小到大你的知识百分之八九十其实是通过图形界面学到的 ， 虽然不一定是那个电脑上图形界面 ，但是是真实世界的 。 所以其实我们的注意力机制一直很习惯在视频里面的 。 我自己小时候肯定也读了很多书 ， 我也是一个爱读书的人。 我的家里面小朋友呢 ， 我家老大读书速度巨快 ， 老二呢读书稍微慢一点 ，但是我后来就发现 ， 这个我一开始其实没有那么想让小孩刷短视频 ， 这个抖音啊 ， 这个视频号啊 ， 包括这个快手 B 站 ，但我后来突然有一天想明白的时候 ， 我说可以刷 ，是吧 ？ 关键是你刷什么 。 我现在发现我家小朋友的很多的天文学的 、 物理学的 、 生命科学的知识 ， 这些都不是我教的 ， 我只教过数学 ， 我在我家是数学老师 。 就是这些知识 ，他很多东西懂比我多得多 ， 原因很简单 ，他是刷短视频刷出来的 ，但是 AI 它特别适合看文件 。 所以我们公司现在的一个标准工作方法是什么 ？ 就是我们人用来品鉴的 ，是按照人的注意力机制重新排版的一个 PDF。 就是你会看到我公司里面有大量流传的各种各样的 PDF 文件 ， 大家可以传来传去的 ， 包括我写的论文 ，但凡是要灌给龙虾的 ， 都转成一个 MD 文件 ，因为这两个中间差十倍 。 就一般一个三四百 K 的一个 PDF 文件 ， 它对应了一个 MD 文件是三四十 K， 这个时候它就会少占用龙虾的上下文的窗口 ， 让它效率稍微快一点 。 **曼祺** [54:28] 那就是你们写论文这个场景 。 **吴明辉** [54:29] 我再说一下这个数据分析数据挖掘好了 ， 比如说今天我们一起来共同研判一个数据 ， 这个数据是放到一张表格的 Excel 里面的 。 这个时候你在文字的交互里面 ， 你觉得你说第五行第十个单元格这个数字有问题 ， 你觉得这个交互你用文字版交互很方便吗 ？ 一点都不方便 ，因为你要说这么多的话 ， 当然我现在也用 Tablets 是吧 ， 那能稍微快一点 ，但是也快不到哪去 ，而且还会语音转写转错是吧 ， 我一不注意一回车 ， 好完了 ， 我这个指令又加错了 ， 就又浪费一个 Token。 我不知道你有没有遇到这个情况 ， 我经常干这事 ，因为我现在是这个 Tablets 重度用户 ， 我有大量的指令都是 Tablets 帮我输出出来的 。 好 ， 那你从另外一个角度 ， 图形界面就非常简单 。 所以其实我们人类的大部分的交互 ，其实在图形界面上都是效率更高的 。 所以这也引申了为什么我不知道大家有没有观察一个事 ， 就是有一个搒单叫 OS World，其实是 GUI 的这个 COA 搒单 。 这个搒单呢 ，其实我们去年是刷过这个搒的 ， 曾经是在那个小模型是第一名 ， 大模型其实我们用的也不是特别大的模型 ， 就排在我们前面的都是尺寸比我们大很多的模型 ，但是这个我们也是这个当时是第二名 ， 现在是稍微往后一点了 。 因为后来我们没有去刷这个搒嘛 ，但实际上我们有最新的成果 ， 我是可以放上去 ， 放上去它就可以变得更好的 。 后面我会提交的 ， 让大家知道一下我们的真实实力 。 那这里面其实现在市场上有一个声音 ， 就是 GUI 没了 ，以后只剩下 API 或者说 CLI， 这个 MCP 大家可能都觉得现在效率有点低了 。 现在大家说有呼唤 CLI， 就是命令行的这个复辟是吧 ， 这个在我看来 GUI 永远都存在 。 我前两天在我的记客里面还讲了这个事 ，因为人需要 GUI， 人不需要这个命令行 ， 龙虾需要命令行 。 就举个例子 ， 你的刷抖音你觉得它不是 GUI 吗 ？ 这个是吧 ， 你打游戏它不是 GUI 吗 ？ 所以还是需要 GUI 的 ， 包括我们日常人类需要操作的软件 ， 或者它有一个非常非常夸张的一个场景 ， 假设有一天 AI 起义了 ， 造反了 ， 我们必须把 AI 下线了 ， 这个时候我们人类就不工作了嘛 。 我们人类的办公场景里面所有的软件就只剩下 CLI 了 ， 然后我们的人还有法工作吗 ？ 没法工作了呀 ，是不是 ？ 所以在我看来就是我们一定要给人类的所有的软件同时留着 CLI 和 GUI，但是这个 GUI 今天确实不一定是标准化的了 ， 它是可以千人千面的 ，因为每个人都有自己的 Vibe Coding 的能力了 。 现在就是你带上 AI， 所以其实每个人都可以基于自己的注意力机制 ， 自己的喜好 ， 就像看论文一样 ，其实我看论文我就喜欢看里面的公式 ， 然后有的人呢 ， 可能喜欢看图是吧 ， 所以每个人的注意力机制不一样 ，他应该根据他自己的注意力机制设计他对应的那个 GUI，但是 GUI 永远都存在 。 那这个 OS World 的这些搒单呢 ， 实际上它其实今天呢 ，他们的一个问题 ， 它还是基于人类的现有的主要的一些软件 ， 比如说 Office 呀 ， 就 Windows 呀 ， 日常的这样的一些软件 ， 它来去做了一个 benchmark。 但是将来其实这些软件 ， 我刚刚不是讲了吗 ，SaaS 软件都要完蛋了 ， 陆陆续续都要下线了是吧 ，GUI 都要逐渐的被重构了 ，不是说没有 GUI 了是吧 。 所以我自己还有个观点 ，RPA 这样的公司可能就完蛋了 。 **曼祺** [57:32] 流程自动化的公司 。 **吴明辉** [57:33] 对 ，RPA 公司为什么完蛋了 ，是因为现在的 RPA 其实都是在一个定死了的 ， 固定下来的一个 GUI 上， 编排了说我第一步在第几个这个就红纵坐标的位置上 ，在哪个位置上点一个按钮 ， 哪个位置上点个 input， 就它其实是固定好了那个布局上面的这样的一个 layout 上面的这样的一个输入的一个自动化的过程 。 你想后面这个软件天天改 ， 每天都要改一遍 ， 那你想这玩意就没法用了呀 。 所以这是个很大很大的风险 ， 就这类公司真的是会出很大的问题 。AI 生成 GUI 我是认为是一直需要的 ， 人操作 GUI 也是需要的 。在我看来就是上一代的这个软件 ， 它要结合人和结合 AI 的两边都有生产力和品鉴能力这样的一个双工的这样的一个工作状态来去重新定义这个系统 。 **曼祺** [58:21] 所以直观描述一下你们这个系统 ， 就是它上面有很多人， 有很多 AI，也就是很多龙虾 ， 然后它根据具体的任务 ， 它的那个界面就不一样 ， 对吧 ？ **吴明辉** [58:31] 对 ，在我看来定制软件开发的市场仍然很大呀 ， 就相当于是说我们肯定会开源一些我们已经觉得挺好的 ， 我们自己用的好的方向了 。 因为我们做 research， 所以我们要写论文 ， 甚至我们做实验的系统将来也可以开源 。 你像最近那个 AK 就开源了它那个这个叫 Auto Research 嘛 ， 那个就很好是吧 ， 那就是我觉得将来大家都反正就是尽量能开源都开源 。 开源完了以后我在后面我再去把我的这个模型啊 ， 我的龙虾可以去做变现是吧 ，但是我也只代表了可能 10 个 20 个场景 ， 还有更多的场景大家就自己去定制开发呀 ， 然后我们再赚点定制开发的服务费不挺好的吗 ？ **曼祺** [59:02] 那你未来对这个 AI 写作它最后会怎么发展 ， 你是怎么想的 ？ 因为你前面提到说其实你有去有一个终局的设想 ， 包括你也提到像写微型像飞书 ，他们现在也是个平台 ， 或者你也可以说它是一个壳 ， 它可以接很多东西 ， 它也有点像这种八爪鱼的感觉 。 那你们自己来再做一个这个事情和已经其实已经存在这些东西 ， 比如它的区别或者竞争力 。 ### 开源与生意 **吴明辉** [59:22] 是这样 ， 首先呢 ， 存量的系统在我看来如果不开源肯定会出问题 ，因为别人就会复刻你 ， 就复刻的那个人再把它开源就行了 。 **曼祺** [59:30] 复刻的有一个问题就是在于 ， 比如说对用飞书或者用写微信比较习惯的企业和组织来说 ， 它迁移过来不是也需要成本吗 ？ 比如我在那上面可能我已经有很多聊天记录 ， 然后我的我已经加了一遍好友 。 **吴明辉** [59:42] 这里面非常有意思 ， 就是看未来的这个世界的博弈的结果了 。 所以我们要看迁移的成本和迁移的动力 ， 这个迁移动力由什么决定呢 ？ 是由我的公司的利润 ， 我的公司的存在会不会受到比如说飞书的威胁 ？ 今天可能没有 ， 大家就没什么迁移动力 。 **曼祺** [59:58] 我觉得今天无非就有的人会认为飞书太贵了 。 **吴明辉** [1:00:00] 对 ， 如果假设你就是你用不起飞书 ， 那你肯定只能迁移了 ，是不是 ？ 就可能就会出现这种情况 。 第二种情况就是说飞书最开始可能它这个它收的钱也不多 ，因为飞书其实是亏损的 ，但有一天它给大家涨价 ， 这件事情全世界所有软件公司 ， 包括 2C 的互联网公司都在干这个事啊 。 那这个时候大家就有动力去签了 ， 对不对 ？ **曼祺** [1:00:19] 这是你说的这个竞争和差异化的问题 。 **吴明辉** [1:00:21] 是 。 **曼祺** [1:00:22] 那更长期来说 ， 你觉得比如说在一个组织里面 AI 和人协作 ， 它会是承载在一个什么系统上面 ？ **吴明辉** [1:00:28] 我觉得是这样 ， 我在公司内部其实现在是这么讲的 ， 我说大家人聊天呢 ， 都还在写微信里面去聊 ， 然后呢用龙虾呢都在我的章鱼里面去用 。 为什么在章鱼里面用的时候呢 ， 组织其实是可以帮你去做这个归因分析的 。 将来我去据它来去帮大家第一个优化工作流程 ， 第二个是帮大家去做这个我们的叫 Attribution Modeling， 就是大家的贡献的归因 。 将来我们其实要在这来去用一个更现代化的更好的机制来去分配利益 。 但是聊天呢大家就不要在 Octo 了 ，因为 Octo 聊天全是透明的 。 说白了就是大家聊八卦呀 ， 骂老板呀什么的 ， 你不在启威在各位聊也很好 ，是吧 ？ 就是这些信息还是就在这好了 ， 然后或者你单独再 set up 一个自己的 ， 反正章鱼是开源的 ， 我们一个小团队也可以自己这个布一个自己的这个章鱼 ，是吧 ？ 那这个老板看不到的 。 **曼祺** [1:01:16] 所以至少对你这个组织来说 ， 你觉得比如说章鱼还有之前已经存在且微信飞书这些是都可以用 ，是补充的 ， 相互补充的 。 **吴明辉** [1:01:24] 是相互补充的 ，而且还有一点就是可能上一代也有很多就像飞书文档它做得很好 ，而且今天它已经开了 CLI 了 ，是不是 ？ 它开了 CLI 的话 ， 那它就变成我的外挂了呀 ， 我把它当成我的云存储不很好吗 ？ 就相当于是我在这个网络里面让龙虾干活 ， 龙虾干活的时候它需要 Context 的时候 ， 它通过 CLI 再到飞书里面去拿不就行了吗 ？ 拿完了以后到这跟我们的人去协助 ， 大家就是一个互补的网络 。 **曼祺** [1:01:46] 对对对 。 **吴明辉** [1:01:48] 但是这里面还是我说了 ， 最后由这些人到底过不过来 ，由飞书决定 ，不由我决定 。 为什么 ？ 就是看飞书将来涨不涨价 ， 它如果不做这个事情 ， 它就是一个好人， 就不会搬家的 ， 它就是一个很好的云服务厂商嘛 。 **曼祺** [1:02:02] 像飞书和写微信和钉钉 ， 肯定他们也在 AI 转型嘛 ， 就是他们自己官方现在你也可以是在里面去部署龙虾的 ， 比如说飞书就有 Orca Claw。 **吴明辉** [1:02:11] 我觉得它要做 AI 转型第一件事情先学我一样 ， 先做开源 ，是不是 ？ 不开源都瞎扯 。 我觉得那个张一鸣是非常伟大的企业家 ， 我相信他能想明白这件事情的 。 这个是创新者的窘境 ， 那五六千名工程师在开源的那瞬间他们会怎么想 ？ 这是一个很大很大的问题 。 但是如果真要拥抱 AI， 你如果真的拥抱 AI， 你就会知道闭源软件必死 。 **曼祺** [1:02:31] 就因为你认为那个软件本身的价值是几乎就没有 。 **吴明辉** [1:02:35] 就特别重的软件还好 ， 特别重的软件是因为就像我刚刚算过 ， 它可能历史上投资了 100 个亿做成今天这个样子 。 我真的要做的跟它一模一样的 ，但我做的首先肯定跟它不一样 ，因为我是有我的新的世界观的 。 就是如果一模一样的话 ， 我 roughly 估一下一个亿的 Token 肯定可以搞定 ，是不是 ？ 然后一个亿的 Token 能搞定 。 所以在我看来就是如果就看这几个协作工具的话 ， 可能相对企业微信更安全一些 ，因为它是有微信的这个关系链的 ，但其他这几个平台说实在没有什么一定存在的就是壁垒 。 但是它如果真的学我一样开源掉 ， 那我觉得首先造福人类 ， 第二个说明它真正懂 AI。 **曼祺** [1:03:09] 像你们比如说自己开发一个章鱼 ， 然后你们把它开源 ， 那长期来说做这件事的商业回报是什么 ？ 商业模式是什么 ？ **吴明辉** [1:03:16] 你靠 AI 赚钱呀 ， 你不要靠软件赚钱 。 就是 AI 的一个最主要的商业模式肯定还是卖 Token 嘛 。 但是这个 Token 呢 ， 它其实有几种 ， 第一种就是说基模的 Token， 第二种其实相当于是说它经过了你在对应的这个场景里面优化的模型 。 那这些模型其实比基模按道理它尺寸小 ， 且在这个场景里面产生的结果可能还更好 。 比如说就说刚刚 OS World 这个搒单上面的 ， 我们放的那个模型叫 Manus， 就是手 ， 我们其实是可以给任何一个场景的对应的那些软件做一个单独的 telemate 的优化的 。 比如说我们最开始做的第一个小的版本 ， 就是给出海电商所要操作的所有软件 ， 我对这些软件的操作我能做到 99.9% 的准确率 。 那这件事情它的意义是什么 ？ 你去看 OS World 今天搒上第一名也只有 70 分 ，70 分你敢用吗 ？ 操作你的软件 10 次 ， 错 3 次 ， 做数据分析 ， 做战略决策 ，是吧 ？ 所以本质上来讲的话 ，其实那个分数没有意义 ， 它只是说你谁有能力训模型 ， 只是能 show off 这件事情而已 。 那我们其实要做的事情是什么呢 ？ 我到某一个场景里面 ， 我能不能一个礼拜把这个场景的最核心的软件都做到很准确的使用 ， 很准确的操作 ， 这个分数一定要非常非常高才行 。 然后那这个时候它就可以去投入生产了 ， 它且模型 size 又很小 ， 那这个时候其实我仍然可以卖模型 。 **曼祺** [1:04:26] 那长期来说这个事能持续吗 ？ 因为你们服务的那个场景 ， 就比如说出海 ， 它现在可能是有几个比较主流的软件 ， 然后还有一个固定的交互界面 ， 对吧 ？ 那按照刚才你的逻辑其实过了一段时间 。 **吴明辉** [1:04:36] 非常好 。 **曼祺** [1:04:37] 这个软件就变了 。 **吴明辉** [1:04:38] 你问到了一个极其深刻的问题了 。在这个 GUI 操作 ， 就是我们有个玩意叫 GUI-VLA 模型这个赛道里面 ，其实我在公司内部做过一个非常 messy 的一个分情况讨论的 。 我们可以把软件分成两种情况 ， 一种叫高频软件 ， 一种叫低频软件 。 那当然这个高频也是打引号的 ， 就是它也对于我们的通用白领的技能的高频软件 ， 比如说 Office，也有一些可能是只是某一个领域的高频软件 。 比如说我们秒针就是在广告行业的高频软件 ， 那个行业这个行业的这些同学们都要用的 ，是不是 ？ 高频软件里面首先也分为两种情况 ， 第一种情况是被你操作的软件想被你集成的 ， 和被你操作的软件不想被你集成的 。 所以被你操作的软件想被你集成的 ， 大概率将来都会变成 CLI，是不是 ？ 它就命令行接口开给你就行了 ， 它就不需要 GUI 了 ，但人还是需要 ， 人还是需要 。 那第二种情况是什么呢 ？ 就是不想被你操作的 ，不想被你操作的情况就是豆包手机 ， 微信显然不想被自己操作 ，是不是 ？ 那最后就变成攻防战了 ，是吧 ？ 最后就变成一个伦理的问题了 ， 就是将来社会制度的问题了 ， 说允不允许它这么干 ，是不是 ？ 那这个事我们先不考虑 ， 再看低频 。 低频软件其实是未来 ， 为什么 ？ 因为在我看来大量的软件将来都是 telemate 的 。 所以实际上 GUI-VLA 模型的第一大场景真的不是自动化去做那个操作本身 ， 第一大场景是什么 ？ 是自动软件测试 。 你如果去观察一下， 好像是两个月还是三个月前 ，Anthropic 刚刚收购了一家类似我们这样的公司 ， 就是做 GUI-VLA 的一个小公司 ， 一个创业公司 。 那它为什么要收 ？ 以及它今天每天在发搒的时候 ， 包括 OpenAI 最近在发搒的时候都会讲 OS World， 你这不就是一个矛盾吗 ？ 大家都说 GUI 没了 ， 那结果还有基模公司天天刷这个搒 ， 我觉得大家都不是傻子呀 ，是不是 ？ 怎么可能呢 ？ 其实在我看来真正的机会其实是给写代码的工程师用的 。 就是因为我仍然需要给人类做 GUI 的软件 ， 我写了 GUI 的软件还都是定制化的 ， 这个时候其实我要用一个模型当场去做测试的闭环 。 我不知道你们有没有用 CC 写过代码 ，CC 写一个命令行的代码是非常简单的 ， 就是如果你的输出是 console， 就标准的这个控制台输出 ， 这输出这个结果它如果是个标准输出的话 ， 它直接就可以以文件的形式给到这个 ， 或者以标准输出的形式给到 CC。CC 拿了以后它马上就知道你的这个结果对不对 ， 如果对的话它就 release 了 ， 如果是错的它就会去 debug， 它就一个闭环 ，是在你的电脑上的一个闭环 。 好 ， 今天如果用 CC 写代码最大的 bug 是什么 ？ 会遇到一些问题就是涉及到 GUI 的时候 。 所以 CC 其实它也是 Anthropic 它自己也做多动态模型 ，是去操作这个就是 playwright 浏览器 ， 就是浏览器自动播放 。 浏览器自动播放的最主要的场景真的不是大家看到什么 Manus 那些场景 ， 浏览器自动操作场景是软件测试 ，是我在用 CC 写代码的时候写出一个图形界面 ， 写完了以后我要在那测 ， 测完了以后发现有问题再回来 。 所以它那个多模态理解去理解是我 telemate 的一个软件做得好不好 ， 这个就是我说的低频 。 这件事情其实我们肯定是在持续卷的 。 就回到就是最近像那个腾讯去的那个姚顺雨 ，是吧 ？ 姚顺雨她发了一个搒叫 CL Bench 嘛 ，其实她就在讲的也是一样道理 。 她说以前的基模都是顺行性失忆症 ， 那今天呢 ，其实它考大家的其实你的学习能力 ，context learning， 或者它本身也是 console 这个持续学习 。 就相当于是说它考大家的题目是什么呢 ？ 就是说这里面的每一道题呢 ， 都不是正常的人原来的知识 ， 比如说一个礼拜有三天 ， 一年有十个月 ， 然后呢 ，在这种情况下我再给你一些条件 ， 然后怎么去做推理 。 那其实本质上来讲 ， 我刚刚讲的那个定制化软件开发也是一样的道理 ， 它也是 context learning。 就相当于是说我今天要做一个软件是你从来都没见过的 ， 我给你提的需求 ， 然后你来帮我去想这个软件的界面是什么样子 ， 然后你来帮我做测试 。 就今天市场大家去看到的一个什么 OS World 也好 ，Mantra Web 也好 ， 那些软件都是人类已经有的软件了 。 所以你在那个地方 benchmark 差不多就行了 ， 你搞到 99 也没啥用 。 就我刚刚讲的高频的软件 ， 你要么就是 ，是吧 ？ 大家想被你集成的都开命令行 ， 要么就是不想被你集成的跟你没什么关系 ，是吧 ？ 或者说别人就会把你停掉 ，是吧 ？ 别人封掉你 。 那低频的软件才是我觉得未来 ， 低频的软件其实就跟那个 CL Bench 是很像的 。 所以我们公司将来大家会去看 ， 陆陆续续会去看 ，但凡是这种性质的搒单 ， 我们将来的目标 ， 现在还没有完全做到 ， 等到假以时日， 肯定不会时间很长 ， 这些搒单上我们的目标都是拿第一名 ， 每个搒都是第一名。 **曼祺** [1:08:55] 你刚说的这两种就从模型上赚钱的方式 ， 一个是你这第三方的基模 ， 然后那我理解就是有点溢价 ， 对吧 ？ 收点溢价 ， 然后另一种就是你自己的模型 ， 然后你去赚钱 ， 你希望它未来以哪一种为主 ？ **吴明辉** [1:09:07] 美国公司能赚到钱 ， 它一定是要符合你给这个上下游创造的价值来决定的 。 那如果你只是作为一个基模的一个 router， 那你其实干的事跟这个什么硅基流动啊 ，PPIO 啊 ， 这些公司都差不多 。 所以其实这个它的价值是体现在可能你要保证它的稳定性啊 ， 保证就是帮客户及时找到市场上干你这个事效率最高的基模的那个 API，是吧 ？ **曼祺** [1:09:30] 你是推理优化吧 ？ **吴明辉** [1:09:31] 推理优化那就还是要加载自己的模型才行嘛 。 就有很多人他是连模型都不是加载的 ， 只是做一个 API 的一个转接的一个 gateway，是吧 ？ 所以这是一种情况 。 那但是你更理想的就是在基模上赚钱的模式 ， 还是在你的这个业务场景 ，有你独有的 skills 和你的这个 context。 我举个最简单的例子 ， 比如说我们的这个学术论文的领域的这样的一个场景 ， 这个场景其实大家如果今天你直接用去用这个 Anthropic 来去做学术论文的优化 ， 那当然可以了 ，但是但是它没有什么 context， 没有学术论文库里面的论文呀 。 所以其实如果比如你做一个龙虾的服务 ， 这里面有学术论文的库 ，是吧 ？ 当然这论文库也要解决版权的问题 ，是不是 ？ 那你要去接各种各样的这个版权 ， 然后你可以跟它分账了 ，是不是 ？ 然后你再去接这个基模 ， 这时候在基模的分发上本身你就可以赚一个不小的差价了 ，因为这个差价是由你来把 context 和基模组合到一起的独特的价值来去赚的 。 然后本质上来讲是你帮那些 context 那些 owner 变现了 ， 你也帮基模变现了 ，是吧 ？ 因为你创造了一个更大的 value， 所以这是基模的情况 。 那第二种情况就是说这个场景 ， 我对这个场景假设超级熟悉 ， 我对这个场景真正独有的 benchmark 比基模建得好 ， 就基模自己肯定建了一个 MoE 的 benchmark， 我在这个场景建了更好的 benchmark， 就像我刚刚举的那个 Manus 操作某个特定领域的软件的这个逻辑 。 那这个时候其实我一定就去 serve 我的模型了 。 当我 serve 我的模型的时候 ， 那我的效率是高的 ， 那我中间的这个毛利就更高了 ，是吧 ？ 所以就是相当于是说它会有两种不同的情况 ， 你要么就变成了一个别人家的模型 Token 的分发商 ，但是分发的过程中你还是要持续搞清楚你的 value 是怎么创造出来的 ， 你不能简单的就只是做个路由而已 。 然后第二个其实就是 ， 当然开源模型 serve 去做优化推理 ， 那肯定也是一种方法了 。 但是据我了解啊 ， 这个做这个路由的这些公司 ，其实它的第一大收入来源也不是 serve 自己的开源模型 ， 这个上面做推理优化 ，其实仍然是只是做一个转接 ，因为那些最好的模型没开源呀 。 **曼祺** [1:11:32] 所以对你们来说肯定以后就你们把自己的模型这一部分做的 serve 的量更大 ， 你们的利润空间是更大 。 **吴明辉** [1:11:40] 以及我们要去不断的 explore 更多的 context， 就拿我刚刚讲学术论文库一样道理 。 **曼祺** [1:11:45] 对 ，有一种就是你的 context 和基模的组合 ， 还有一种就是你们自己的模型 。 **吴明辉** [1:11:48] 对 ， 我们自己模型也可以跟我们自己的 context 组合 。 **曼祺** [1:11:50] 你觉得这个东西什么时候它能盈利 ？ 其实现在整个行业 ， 当然就整个 Token 消耗量非常大 ，但亏损也是就跟着上升 。 **吴明辉** [1:11:58] 盈利其实是跟竞争相关 ，但是更大的关系还是你最后 create 的 value 有多大 。 所以我觉得就是 AI 行业迎来盈利的拐点可能就是这一两年了 。在这个 Claude 出现之前没有持续学习能力 ，其实 AI 是很傻很傻的 ， 就傻到爆了 。 就是会用的人要花很大的精力才有可能把那些 context 给搞过来 ， 然后才能把它用好 ， 这个成本就不如它自己干活了 。 但有了 Claude 以后， 我觉得在很多很多的场景 ， 很快就是 AI 就可以创造一个不小的价值 。 那当然今天还有一个很大的痛点是说现在那个 Token 的成本还是有点贵 ，但是这个摩尔定律是吧 ，在模型领域的摩尔定律其实是更 crazy 的 ， 一定会很低很低的 。 **曼祺** [1:12:37] 你们自己开发了章鱼 ， 你们自己内部也在用 ， 用了这一段时间之后， 比如说你们一周的 Token 花费是多少 ？ **吴明辉** [1:12:44] 我刚刚讲的就是我最核心的这个团队现在是一天几万美金嘛 ， 开发其实是销售 Token 最大的一个部门 。 我举个例子 ， 比如我作为 CEO， 我不亲自写一线代码了 ， 就相当于是说我可能会调其他公司同事的龙虾来去写代码 ，但是它没算到我的头上 。 作为 CEO 嘛 ， 就包括你作为 CTO 其实干的还是偏管理类的活多一些 。 那这些其实我已经算是龙虾的一个重度用户的话 ， 我大概一个周是 5000 美金 。 **曼祺** [1:13:09] 因为我主要是想比较一下， 比如说现在一个企业订阅飞书 ， 它其实是有个费用嘛 。 **吴明辉** [1:13:14] AI 的成本远远高于云的成本 ， 一定是的 。 但是我还说了 ， 如果但凡是对 AI 的终局有思考的软件公司 ， 都应该明白一件事情 ， 就是靠软件 license fee 是赚不着钱的 。 云本身你作为一个 infrastructure service provider 是肯定是可以的 ， 飞书也好 ， 且微信好 ， 这个公司长期能赚的其实应该是它作为一个云厂商给你 serve 这块赚的这个服务商赚的一个钱 。 那个软件本身不要想着去赚 license fee。 **曼祺** [1:13:40] 对 ， 我想的是从客户的角度 ， 它怎么去比较这两种东西 。 **吴明辉** [1:13:42] 那就是 value 了 。 我作为公司的 CEO， 我一个周用 5000 美金 ， 我就觉得挺便宜的 。 **曼祺** [1:13:48] 因为你觉得干很多事 。 **吴明辉** [1:13:49] 我现在生产力爆表啊 ， 我现在同时干太多事了 。 我想这个因为我自己用也要续费了嘛 ， 然后就是当然就是我们有个网关 ， 最近我们也在研发一个就是公司内的这个 Token 的这个预算管理系统 。 就是我们是 Token free 的 ，但是就是大家还是要告诉组织你在用 Token 干什么 ，是吧 ？ 所以大家要提报你的 BP。 我那天续费的时候 ， 我一看我两个周用了 1 万美金 ， 这时候我说啊 ， 怎么这么便宜 ？ 我说我觉得我这两个周怎么着给公司创造了 10 个亿的价值吧 。 我真心的 ， 我不是吹牛 ， 我觉得我这两个周就是怎么着给公司创造了 10 个亿的价值 。 那我才花了 1 万美金 ， 这算啥了 ？ 所以我觉得还是看谁去用 ， 就是你要创造一个很大很大的价值 ， 然后呢 ， 如果你今天创造一个很大的价值的时候呢 ，其实你也不会 care 那个成本 ，Token 成本 。 然后如果你创造价值小的时候 ， 你就天天要去算那个小账了 。 **曼祺** [1:14:35] 对 ， 我们前面讨论的就是比如说和比较大的公司 ， 像飞书啊 ， 且微信 ，他们也在加大这个之间 ， 就你们现在做的这个事的差异化 。 另一方面可能也会有一些特别小的团队 ， 比如他们从头就来干一个你们在做的这个协作这个事 ， 包括你们自己其实也没花多少人在 ， 没花多少人， 花不了多少钱来做这个事情 。 你觉得如果你们来做章鱼这个系统 ， 它和一种更轻更小的公司之间 ， 你们会竞争过他们吗 ？ **吴明辉** [1:15:01] 我觉得是这样啊 ， 首先最近有一个说法叫 OPC 是吧 ， 叫 One Person Company 是吧 ？ 我不是特别认同 OPC 这个概念的 ， 我认同 TPC， 就三个人。 为什么呢 ？ 因为我觉得一个人最好一天还是就是工作 8 个小时 。 但是呢 ， 就是但凡是用了龙虾的 ， 用了特别狠的人， 最近睡觉真的都不太好 。 为什么 ？ 因为他的工作效率太高了 。 就像我这种属于特别能想 ， 之前行动力不强的人， 想象力很丰富 ， 跟世界互动肯定就会有一点障碍的人 ，其实今天有了龙虾就会好很多 。 因为如果一旦你的龙虾武装了非常多的工具 ，而且公司的很多人的龙虾我都可以调用了 ， 你想那我的这个执行力是爆表的 ， 对不对 ？ 因为我有想法 ，他们就马上就可以干 。 但是这里面最可怕的是 ，他们干得太快了 ， 使得我根本就没法睡觉 。 就是我想出一个 idea， 一回车 ， 十分钟之后好了 ， 然后我又想出一个 idea， 十分钟又好了 。 这时候你真的就不想睡觉了 。 所以其实我的手机现在 ， 为什么一定要要求我们的团队给我增加上这个 telemate 的这个个性化的 ASR 的能力 ？ 就现在 tablets 其实也有很多的问题 ，tablets 也是那个顺行性失忆症的那个问题 。 我们其实自己也在研发一个持续学习的这个 ASR。 对 ， 你就会发现真的是吧 ， 能给你个性化 。 就我们公司很多会议的那种转写都是错的 ， 就是龙虾有的时候翻译成龙虾 ，是吧 ？ 这个这个 ， 然后这个这个 ， 我有个同事叫赵晨旭 ， 我叫他晨旭 ， 然后经常翻译成程序 。 然后等到我真的要写成绩的时候 ， 又给我搞成程序了 ， 然后这问题多了去了 ，是吧 ？ 所以其实现在基模问题非常非常的多 ， 然后有太多的可以解决的问题了 。 然后这个 ， 我为什么说一定要有这个语音转写的这个 ， 尤其在手机端的这个好的能力啊 ？ 你看那个微信最近不也也也也招了这个 tablets 做了这个优化的这个服务吗 ？ 实际上它就可以让我睡觉的时候也干活 。 我真的我现在是 ， 比如说我 12 点多躺在床上了 ，但你知道吗 ， 我 11 点多其实肯定是在做工作的 ， 然后我 12 点多那个龙虾大概率活肯定干完了 ， 然后我就忍不住要跟他再说一会儿 。 我说来来来 ， 这个问题怎么怎么弄 ？ 那你想你还能睡得着觉吗 ？ 很难睡得着觉 。 所以我觉得 OPC 不是特别靠谱 ， 我觉得 TPC 可能稍微好一点 。 就是说最好是在全世界三个不同的时区 ，有三个人覆盖 24 小时， 就是大家有点像那以前的三班倒 ，以前三班倒大家都要在一个工厂里面 ，是不是三班倒 ？ 现在不用 ，是吧 ？ 我在美国有个朋友 ， 我在欧洲有个朋友 ， 大家覆盖三个时区 ， 然后就好办了 。 这时候我睡觉了 ， 我说哎兄弟 ， 这个该你了啊 ， 你来上班了 ， 你来继续推着这个龙虾往前干 。他来睡觉了 ， 然后第三个时区也来了 。 我觉得这样的话 ， 工作效率会非常非常高 。 我觉得三个人就是很好的 ， 当然其实可能还有很多周边的活 ， 五个人十个人都行 。 我觉得一个人应该是不太靠谱的 。 那我们的组织虽然你现在看我整个公司 1800 人 ，但是我可能就是有 100 个这样的团队的呀 ， 所以没问题啊 。 我相当于是老的业务 ， 你就反而往前做就行了 。 新的业务我对于对于我来讲 ， 我就是一个懂 AI 的投资公司 。 **曼祺** [1:17:54] 所以回到我刚刚说的那个问题 ， 就是你的答案其实是说 ， 你不是一个人数很多的组织 ， 你是一个很多小团队组合在一起 ， 然后我其实是在孵化不同的产品方向 。 包括你刚刚说的什么写论文的那个 full overleave 的东西 ， 或者说有点像一个协作版的飞书的 ，但里面有很多龙虾的这个章鱼 ， 都是你们孵化的新的东西 。 那你觉得到了这个形态之后， 明略会变成一个什么公司了 ？ 比如说你以前我们如果说一句话 ， 那肯定能说明略是一个 ， 比如说营销领域的数据智能的提供商 。 **吴明辉** [1:18:28] 对 ， 我们以前叫 data intelligence， 就是帮客户提供数据分析 、 数据挖掘 、 数据智能的服务的 。在广告和零售领域 ， 这是以前我们去描述公司 。 **曼祺** [1:18:35] 是 ，因为你现在做的这些事 ， 我觉得跟你们之前行业有些可能是重合 ， 比如说 deepminer， 它还是一个营销和广告领域的 ，但是像章鱼它看起来是一个比较通用的 。 **吴明辉** [1:18:44] 现在如果去看我们的这个新的业绩发布会的时候 ， 我就跟大家讲了 ， 我说两块 data intelligence 还干 ，但是我在干的过程中我磨刀 ， 产生了我的 deepminer 以及现在的 Octo， 那这些我们就要称之为 Agentic AI 的产品 。 那我的收费模式是 Agentic Service， 就 Agentic Service， 就在不同的板块去收费 。 那在我看来啊 ， 就是今天我这句话可能说的也有点大 ，其实可能我们的这种在办公室的白领的工作者 ， 就知识工作者 ， 长期来讲可能都要变成科学家 。 就科学家 AI 是替代不了的 ，因为科学家跟 AI 有个蛮大的区别是什么呢 ？AI 是基于现有的存量的逻辑在上面去做推理 。 用我的新的哲学系统 ， 我管这个叫 Think， 就是那个我思过在里面的那个 Think。 然后其实科学家大家都觉得科学家很多脑子是不是 ，但其实科学家真正它的核心是它的 taste， 就是我想要什么 ， 我喜欢什么 ， 我觉得什么是什么 ， 我觉得什么是对的 。Taste 和 Think 最大的区别就是 Think 是基于一个确定性的一个 premise， 一个第一性来去做确定性的推理 。 那这个事其实一定会被 AI 替代掉 。 但是 taste 是什么呢 ？taste 其实是基于我的人生经验 ， 我的阅历 ，是很难用规则来描述的 。 就是我想要什么 ， 我基于这个东西来去作为一个第一性 ， 往后去做推理 。 所以这个时候 AI 是无法替代我的 。 **曼祺** [1:20:01] 所以你的意思就是知识工作者都要变成有更多主动性 ， 更多自己的想法 ， 明确自己想要什么 ， 然后 AI 去执行 。 **吴明辉** [1:20:10] 对 ， 科学家的本质就是这样 。 就是其实你看啊 ， 爱因斯坦其实他在解决这个智能方程 ， 狭义相对论 ， 包括他去研究广义相对论 ，他想去解决统一场论 ， 都是他的 taste， 就是他想要这个东西 ， 没有人能证明的 ，是不是 ？ 是他想要 ，他也不知道能不能证明出来 。其实我觉得这就是真正的科学发现的人在做的事情 。 就相当于是你在做的是一个新的东西 ，是 AI totally 不知道的东西 。 **曼祺** [1:20:33] 那在这块用上你们的行业属性就变得比较弱了 。 **吴明辉** [1:20:36] 最后肯定是通用的 。 **曼祺** [1:20:37] 那现在你们第一个阶段 ，因为你前面也说了 ， 就是你说我如果要从模型上赚钱的话 ， 你得想清楚我有什么样的上下文 ， 可以和模型结合来给客户提供独特的价值 。在我看来呢 ， 它其实有两个点 。 **吴明辉** [1:20:50] 第一个点就是我的就是 legacy， 就是我的存量的广告营销零售 ，其实我在这个领域里面其实有个非常好的基本盘 。 第二个我的很重要很重要一个 legacy 是我的客户的网络 ，以及我现有的团队 。 就我刚刚前面讲的 ， 我的团队是懂客户这个行业的 ， 我的客户更懂这个行业 ，是不是 ？ 那我其实一定要赋能他们去做更大的事吧 ，是吧 ？ 这就是我在 B2B 这个领域一定要去好好做的事情 。 **曼祺** [1:21:11] 你们的客户是不是是偏这种就 B2C 的客户多 ？ **吴明辉** [1:21:15] 对 ，是的 ， 先把他们都用好 。 然后呢 ， 那另外一方面呢 ， 我不管是我的章鱼的开源 ， 还是未来陆续开源更多的一些板块 ，在我看来现在是一个大航海时代 ， 就是都是蓝海 。 就是那当然我觉得也不可能全世界所有事都我干 ，是吧 ？ 我先干它一部分 ， 那这些部分其实我一定就会拓展到更多的一些新的 vertical 的领域 ， 新的 vertical。 那这个领域我进去的第一天 ， 像我刚刚讲的是这么一个蓝海的状态 ， 那肯定我在这里面也很快会积累我的这些资源的 。 **曼祺** [1:21:44] 你现在在组织里实践的就章鱼这个系统或这种协作的方式 ， 你有和其他的企业家朋友交流吗 ？ 包括你们的一些客户的创始人。 **吴明辉** [1:21:53] 我们首先是这样 ， 我们原来服务的客户大部分都是那些 500 强 ，他们会相对慢一点 ，但是不是说他们不拥抱 ，其实大家都很焦虑 。 这一两个月吧 ， 陆陆续续还会跟一些这种世界 500 强企业的 global 的 CEO 去做交流 。 我可能会跟他们去分享我对未来的这个世界的一些思考 。 我相信我的新的这个哲学观应该是会能打动不少人的 。 因为我的这个哲学观它有一个最大的好处 ， 就是说它站在那些今天看起来被 AI 欺负的那些人的那一面 。 **曼祺** [1:22:20] 这个哲学观你可以完整描述一下， 你刚才其实说了其实好好多点 。 ### 横向扩展 **吴明辉** [1:22:23] 就在我看来就是说我们的基础大模型公司把模型训练的一直从这个 scaling up 的这个逻辑上训得越来越大 ，而且是个黑盒子 。 真的 ， 那个 researcher 自己其实也只能通过做实验猜那个模型在干嘛了 ， 根本就没有能力搞清楚 。 我认为这个事是对人类非常不友好的 ，而且 finally 会把整个世界的经济搞崩 ， 所有人都失业 。 就是我有一个朋友在某个大模型厂商 ，他是一个非常非常大的一个高管 ，他就告诉我说 ， 明辉我就眼睁睁的看着我手下的人的活 ，其实 AI 也能干 。 那今天我的工资肯定很高 ， 大家都知道大模型的人现在工资很高 ，是吧 ？ 他说呢 ，他说我有可能就是吃到最后一口肉的那个人 ，但是最后最后我也要下岗 。 那你想这个世界肯定不对啊 ， 这个世界这样下去肯定不对啊 ，是不是 ？ 那全世界现在所有的人都在被 ， 本质上都在被 AI 欺负 ，是吧 ？ 我们凭什么让少数的几个人掌握全人类的这个命运 ， 少数的那么几台服务器 ？ 所以我觉得这个是不符合人类文明发展的趋势的 。 我们人类文明发展的趋势应该是基模训到今天这个水平就 OK 了 ， 就是个体的智商发展到这个水平 OK 了 。 那接下来我们应该做的是 scaling out，scaling out 就是横向发展 ， 就是形成集体学习 ， 形成组织智慧 ，而且这个组织智慧应该要保护在每一个个体身上， 或者保护在每一个小的创业团队身上， 使得他们能够保护自己的知识产权 。他利用自己手头的 AI 和他的对于这个行业的独有的洞察 ， 能做出比基模在这个场景上更牛的结果 ， 且不会被基模拿走 。 我觉得就这件事情其实是我的 motivation， 就是我不管是做我的哲学系统 ， 我为什么要研究伦理学 ， 我在研发我的这个 AI 的算法 ，其实我是朝着这个方向去推动 。 但是今天我的很多实验还没做完 ， 我相信在未来半年里面陆陆续续会发出去 。 我自己本身也在准备一篇 Nature 的论文 ， 如果我做完的话 ， 我觉得这个工作肯定是能发在 Nature 上的 。 所以这是我的一个理想吧 。 **曼祺** [1:24:17] 你说基模的水平到今天就 OK 了 ， 你是食指对吧 ？ 就是说现在的大模型就已经 OK 了 ， 已经到这个阶段了 。 **吴明辉** [1:24:24] 不需要再做单个更聪明的了 。 **曼祺** [1:24:27] 那你同意有一种想法吗 ？ 因为有很多人会认为 ， 比如说我没出现一个更聪明的模型的时候 ， 我确实不知道我要用它干嘛 ，但出现之后它就是自然 ， 它就有了更多用处 。 **吴明辉** [1:24:36] 我的意思是说我可以造出更聪明的 ，但不是 scaling up。 **曼祺** [1:24:40] 就不是通过 scaling up 的方式 ， 就是通过系统和多个模型合作的方式 。 **吴明辉** [1:24:45] 对 ， 多模型多 Agent 的合作 ， 它能创造出更大的智慧 ，而且在人类或者说在生命的发展史上是有的呀 。 就是我们人类里面 ， 我们的这只现在这只叫现代智人嘛 ， 当年就打败了这个尼安德特人。 尼安德特人他在个体的能力是超过单个人的 ，但是我们人类是可以协作的呀 。 就是只不过人类的协作其实也很低效 ，但是我今天能不能拉着章鱼把人类的协作变得更好 ，是吧 ？ 人类和龙虾的协作变得更好 ， 使得我单个龙虾就今天这个水平就行了 。 但是它能产生一个比下一代的 Anthropic 和 OpenAI 单个的那个能力很强的 ，在我这个细分赛道的这样的一个效果 ， 这是我现在正在实验的事情 。 那我就正好前两天也听了你的播客 ， 当时就是应该是你跟那个 Henry 做了一个交流嘛 ，他讲了一个词 ， 我听完以后特别开心 ， 我说哎 ， 这个特别符合我的这个说法 ， 一个叫穷人版 ，是吧 ？ 穷人版的这个训练模式 ， 一个是富人版的 。 就我们公司相比于基模公司肯定算是穷人 ，是吧 ？ 我相对于小公司算是富人 ，但是小公司压根想都不敢想训练模型 。 但是我作为一个是吧 ， 科班学 AI 的 ，有很深厚数学功底的人， 我就觉得这个是不对的 ，是吧 ？ 我们肯定应该要训出好的模型 ， 且应该保护人类的这个安全 。 所以这个其实是就是我去推动所有的这个事的那个第一性 。 那我觉得这个第一性呢 ， 它也没有对与错 ，是不是 ？ 就看大家信不信 。 那我相信一定会有很多人信的 ， 至少我们公司的人是信的 。 **曼祺** [1:26:07] 最近马上 OpenAI 要发 GPT-6， 然后他们公司的高管也是提前就是在外面放话说这东西特别特别厉害 ， 然后 Anthropic 也是发了新的模型 Mithril。 你觉得这个会影响你的判断吗 ？ **吴明辉** [1:26:19] 不影响啊 ， 就是他就继续做呗 。在我看来 ， 我一定能做出比他好的 。 就是但是我跟他的这个 approach 完全不一样 ， 完全不一样 。 就是而且我相信最后就是更广泛的人民群众应该是在那我这面的 。 **曼祺** [1:26:32] 可以讲讲就你们除了比如说有一些之前的模型 ， 接下来会去跟谁还有什么新的计划吗 ？ **吴明辉** [1:26:37] 首先是我们短期还不准备训大型的基模 ，但我们有小型的基模 ， 比如说 Manus 现在已经是从预训练就开始是自己做的了 。 因为我们确实在这个领域攒的数据量也比较大了 ，而且后面我们还会开源一个 BOA 的一个数据集 ， 应该估计是将来市场上最大的数据集 ， 叫 web retriever。 实际上我们感觉就是做垂直行业的场景的时候呢 ，其实多模态模型首先是最关键的 。 因为文字的部分大部分真的都被记录了 ， 只要被记录了就很容易被基模公司都拿走了 。 但是在各个垂直赛道里面 ， 就像我们做广告理解呀 ， 这个包括医学影像啊 ， 这些其实还是有非常非常多的机会的 。 所以其实我们一直在推的也是多模态的能力 。 我们这个 Manus 其实最一开始的一个 purpose 其实就是想我们自己的原来的这些业务能够自动化去做 ，是吧 ？ 但做的这个过程中呢 ， 就发现了一个很大的问题 ， 就是说好像它没有 RPA 好用 。 就是 RPA 呢 ，其实首先不消耗那么多的 token 的钱 ， 第二个呢 ， 还快 ，是吧 ？ 就是多模态理解其实你要不断的去理解这个桌面发生了什么事 ， 然后再去做操作 。 然后还有一个就是它那个准确性其实多多少少还是有问题的 ， 就像现在那 OSO 那个搒单就不行 。 所以在做这过程中， 我其实一直在对这个战略和这个 AI 的这个方向做一些思考 。 首先呢 ， 基模公司为什么一直在做这个事 ， 当时我就没想明白 。 你看基模公司也还是在卷 ，而且这个东西其实没啥用 。其实我真正这些事都想明白了 ， 最后其实是我自己亲自在用 CC 写代码的时候才感受到 ， 哦 ， 原来 CC 需要这个东西 。 就是我写代码的时候 ， 一旦写出一个 GUI， 那最好是我 CC 就能够知道它的测试的情况 。 那这个过程中它需要对 GUI 有一个理解 ，是吧 ？ 闭环回来 。 那在这过程中去我逐渐理解了说 ， 基模的这些搒单确实用处不是很大 ， 它只是向资本市场证明我有模型能力而已 。 那真正其实我们在行业里面要去就是工作的方向 ，其实是持续学习能力 。 就相当于是说你能不能做出一个模型 ， 能快速进到这个战场 ， 去把你的这个战场的竞争对手打败 。 所以这个事其实我是在去年逐渐的去搞清楚了 ， 我们的团队就开始转向往这个方向去做研究了 。 所以大家后面如果能看到我们一些小模型也是刷搒 ， 能刷的很好 。 那其实我们的一个工作的一个方式呢 ，其实是我用统一的方法 ， 把所有的搒都刷到第一名。 **曼祺** [1:28:59] 这个方法是什么 ？ 可以透露吗 ？ **吴明辉** [1:29:01] 我最新的那个方法其实这个应该不会去讲啊 ，但是我这个已经可以开源的方法是这个 ， 这个方法也不是我完全原创的 ，其实它是借鉴了对抗神经网络 ， 或者叫对抗生成网络 ，是吧 ？GAN 实际上它其实是就是我们生成一个图 ，是吧 ？ 鉴别一个图是假的 ，是吧 ？ 它们之间去在做博弈 。 那实际上你可以想 ， 比如说 Manus 如果做一个网站 ， 这边去操作一个网站 ， 它俩之间也可以博弈了 ， 对不对 ？ 这个博弈的过程是非常非常有意思的 。 就是一个模型原来做一个网站 ， 它就不想让你好好操作 ， 然后这边呢 ，其实我这个模型呢 ，Manus 这个模型呢 ， 它就在想学会怎么操作 。 所以这个我们现在暂时叫它这个双向强化学习 ， 这个行业里面好像现在没有一个标准的一个术语啊 。 **曼祺** [1:29:46] 你这里定义的这个持续学习 ，因为我觉得就大家可能就在学术上追求的比较前沿的持续学习 ， 就是一个自己能更新自己的权重的模型 。 **吴明辉** [1:29:58] 这个是特别好 ， 你不要去想学术的 purpose， 你要去想商业的 purpose 是什么 。 就是我们今天的这个现在的模型呢 ， 它是出厂之后不能更新自己的参数了 ， 对不对 ？ 但是它出厂之后假设能更新参数 ， 这也很可怕 ， 这是个商业问题了 。 如果出厂之后， 它可以每天在被使用的过程中再更新参数 ， 意味着什么 ？ 意味着那些 Centralized 的 AI 公司知道全世界所有人的秘密 。其实它也存在一个就是它到底哪些更新哪些不更新 。 对对对 ，但是那你能保证它的伦理道德 ， 它的商业利益跟你没有冲突吗 ？ 算力消耗都不用说了 。 所以我现在说的这个持续学习 ， 我想做的是 Personalized 的持续学习 ，也就是在具体的细分场景 ， 甚至就 for 你这个人。 举个例子 ， 今天我们刚刚说到了用 Tablets 做这个个性化的 ASR 转写 ， 你会发现 Tablets 已经做的不错了 ， 仍然还有很多的问题 。 **曼祺** [1:30:46] 对 ， 它其实是比如它会记你的一些常用词 ， 记你的联系人的名字 。 **吴明辉** [1:30:50] 对对 。 **曼祺** [1:30:51] 有点像搜狗输入法 。 **吴明辉** [1:30:52] 是是是 。 然后苹果也在尝试做这个事 ， 要想做好这个事其实挺难的啊 。 所以今天如果真正 Personalized AI 要想用好的话 ， 它都不仅仅是要知道我的历史的信息 ， 还要知道我当前的 context， 就是我基于这个 context 来去做决策 。 比如说我其实没有在海外留学过 ， 我呢英语还 OK， 就是做英文演讲师都是 OK 的 ，但是就是我们的中国的那种考试 ， 听力题听不明白 。 但你真的去国外旅游 ， 比如说你去到那个一个酒店 ， 然后你要 check in，是吧 ？ 那你马上脑子里面有些词你都已经知道了 ，是吧 ？check in，是吧 ？breakfast，room rate，是吧 ？ 就它提到这东西 ， 你马上就你自动就转写了 ，是不是 ？ 你自动就转写了 ， 就是你大事不大 ， 就你的那个候选词不会很多的 。 这个 context window 你要知道 ， 甚至它都不是以人为单位的 ， 它是以你当前的状态为单位的 。 所以这个才是我说的真正的持续学习要解决的问题 。 就是首先它能够持续的去迭代你的这些历史的信息 ， 成为你真正了解你的一个 AI。 第二个 ， 它还要能够接受当前你的 context 的信息 ， 这样的话才能真正做出最有帮助你的这样的可能的这个 ，不管是 translation 啊 ， 还是这个 ASR 啊 ， 就这些其实都是需要这个能力的 。 所以其实我们现在是在卷的是这个方向 。 **曼祺** [1:32:04] 然后你说的这个方向 ，有这个能力的模型 ， 它是一个有别于你们之前发过的 Manus 和 Claude 的一个新的模型 。 **吴明辉** [1:32:10] 是训练和学习的范式是新的 。 **曼祺** [1:32:12] 新的 。 **吴明辉** [1:32:13] 对 ， 模型本身都是一样 ， 都是一堆参数嘛 ， 无非是你调参数的方法是什么 ，以及你要不要带上 Agent 来一起去做 。 我觉得 OpenClaw 就是给大家一个非常非常好的一个示范 ， 你不一定全部都是在模型里面全部搞 ， 就是模型里面放的东西有可能是那些不希望被铭文的东西 ， 比如说伦理道德的东西 ， 这些东西都是暗默的 ， 然后它也不能被随便篡改了 ，因为模型确实对于绝大多数人来讲是个黑盒子 ， 它也不可被篡改 。 所以这些东西可以放在模型里面了 ， 你还有一些东西应该是放在 memory 里面的 ， 就应该让大家都看 ， 甚至大家可以直接上去 hard code 去改的 。 所以这个其实就是我讲的这个持续学习 ， 它已经首先我们自己是可以去训前面这个模型的 ， 这个我们也在持续做 ，而且我们也会去扔出去一些开源模型 。 但是更大的一个框架其实是模型加 Agent 一起去做这个 ， 我们今天叫 Agentic RL， 这个就是所谓的那个穷人版的这个持续学习 。 **曼祺** [1:33:04] 可以透露一下你们接下来会有什么新的模型吗 ？ **吴明辉** [1:33:06] 它其实你可以理解所有类型的都会有 ， 包括这个 ASR 的我们可能也会有 ， 然后这个语言的编码的都有 。 但是呢 ， 我还是说了 ，其实我们在这些上面我们做的很好 ，并不是说我就要去卷基模的那个赛道了 ，而是我是想让大家知道明略是一个做模型的公司 ， 我们不是一个只是去做 application 的公司 ， 那我们是有自己的训练的方法的 ， 我们有自己的范式的 。 那这个范式最后我想应用的场景不是去提供一个基模的服务 ，而是在我们所在的赛道里面 ， 帮我们这个赛道的那个客户做得更好 ， 或者说我们自己就在那赛道里面做 Agentic Service。 你看前两天我去过一趟美图 ， 美图现在的其实是一个严重被低估的公司 ， 人家去年有 9 个亿的利润 ， 结果才 200 亿的市值我看了一下 ，但其实他们真正的收入是来自于 token 的收入的 。 我觉得它是个很好的公司 。 我听了那个吴新宏的分享 ， 我自己还是很受触动的 。 我觉得将来应该会有越来越多的这样的公司出现 ， 只不过就是说他们只是在一个赛道去做 。 我现在其实是一个更通用的一个场景 ， 就相当于是说 ， 尤其是我的 octo 出去之后， 一定会有很多很多不同的场景 ， 需要人类协作集体去创作的这样的一些场景会涌现出来 。 一旦涌现出来 ， 我就能在那个场景做最好的模型 ， 我在那个模型赛道里面 ， 我就可以赚我的 Agentic Service 的那个 token 的收入 。 所以这个是我们现在的一个工作方法了 。 **曼祺** [1:34:19] 发生什么事之后可以说验证了你现在的这个判断 ？ **吴明辉** [1:34:23] 我觉得第一件事情就是说 ， 首先在商业上大家是要能看到说未来的几年里面有没有人， 包括我们公司能用这种方法能够在商业上取得成功 ， 规模的收入的增长啊 ， 盈利啊 ， 这是比较世俗的这个判断标准了 。 但我觉得真正好的判断标准是科学发现能力 。 就像就是不管是 OpenAI，Anthropic 好像不怎么做这个事啊 ，OpenAI 和这个谷歌他们都其实是有非常多的人在做 AI for Science。 然后其实我刚刚表达的这个观点你也能感受到 ，其实我是在做 AI for Science 的 ， 只不过就 AI for Science，因为 Science 有非常多的不同的 subjects， 就说我其实可以做 AI for AI， 我也可以做 AI for Mass， 我也可以 for 这个做什么 AI for Energy，是吧 ？ 其实我们在很多领域 ，其实我现在是在思考和布局的 ， 将来大家会陆续看到一些工作成果的 。 所以什么时候大家可以看到我们在 AI for Science 领域上取得了一些 ， 谷歌也好 ，OpenAI 也好 ，他们都没有取得的成果 。 举个例子 ， 我瞎吹一个牛啊 ， 举个例子 ，有一天我解决哥德巴赫猜想了 ， 那你觉得我牛不牛 ？ 是我拉了几个臭皮匠解决了哥德巴赫猜想 ，是不是 ？ 我号称是北大黄金一代数学系的这个同学 ， 我的那几个同学在我看来 ， 首先个顶个都很聪明 ， 人类的智慧的是吧 ， 就是天花板的那个级别 。 第二个更有意思的是 ， 我们这几个同学他们联合作研发 ， 大家知道吗 ？ 这件事情其实就是 scaling out 的一个非常好的一个代表 ， 就是人类非常大的伟大的发现 ， 一个人他是他的注意力其实是搞不定这个事的呀 。 就是你很熟悉代数 ，他很熟悉数论 ， 我很熟悉几何 ，是不是 ？ 最后大家可能各自互相 share context，share 一些实验的心得 ， 最后哎 ， 发现嗯 ， 原来我们干这个事就是一个事 ，是吧 ？ 这个其实那个老南斯纲领本身就是要把这些东西给连起来的呀 。 所以在我看来 ， 将来真正最牛的 benchmark 就是看谁能做科学发现 ， 谁在科学发现这个事上能够推动人类往前走一步 。 我觉得这个就是真正意义上的伟大的工作了 。 我觉得那些商业的东西 ， 那没办法 ， 作为一个上市公司你肯定要赚钱嘛 ，是吧 ？ 我一定会推着公司要赚钱的 。 **曼祺** [1:36:18] 你觉得这两件事可能什么时候会发生啊 ？ 一个是商业上， 就是通过很多模型和 Agent 的组合 ， 它能取得商业成功 。 第二件事就是它在科学发现上有些大家 。 **吴明辉** [1:36:29] 我觉得科学发现不用很长 ， 三年之内就会出现 ， 商业成功可能更快 。 **曼祺** [1:36:33] 就是我现在觉得你的状态肯定是对这个事是很兴奋的 ， 你看到了很多机会 ，有很多可以改变可以做的事 。 另一方面你觉得有什么风险吗 ？ **吴明辉** [1:36:41] 突然间猝死 ， 哈哈哈 。 我觉得现在对于进入到我这种状态的人， 真正要担心的真的就是别猝死了就好了 。 **曼祺** [1:36:51] 我在有些群里我也看到有些 ， 比如说我高中同学 ，他们也是天天在用龙虾 ， 明显感觉到最近这些人睡得很少 ， 然后他的脑子是一个高度活跃的状态 。 **吴明辉** [1:37:02] 对 ， 就是所以我的解决方案也很简单 ， 就是要团结兄弟们 ， 就是你不能一个人干事 。其实我觉得这个才是真正的第一大风险啊 。 我觉得其他的风险本质上来讲 ， 它本来就存在 ， 就是今天在这个时代 ， 每一家公司都有可能随时被技术大模型公司给彻底的给淹没掉 ，是不是 ？ 不仅仅是公司 ， 每个个人也一样 。 那这个危险才是真正大的危险 ， 那恰恰我其实就是在呼吁大家解决这个问题了 。 **曼祺** [1:37:26] 因为你们 20 年之后有几笔特别大的融资嘛 ， 然后有 20 亿 ， 然后有 3 亿美元连着的 ， 当时你们也确实扩张了很多团队去做 AI 的投入 ， 就你刚说的 EIP， 包括当时你还收购了肖宏之前那个公司夜莺科技 ， 然后你让他来也是来做这个 AI 的 。 ### 教训与希望 **曼祺** [1:37:42] 你觉得现在你们再来投入 AI 和当时相比的话 ， 比如说那会儿一些教训对你们现在有什么启发 ？ **吴明辉** [1:37:48] 这是特别好的问题 ，因为我在经常在做重大投资的时候 ， 都会被同事们和投资人们天天都在问这个问题 ，因为大家都知道我确实是一个敢于冒险的人 ，是胆子很大很能想的一个人。 那首先呢 ， 我们现在这个组织肯定也是比以前稳健多了多的一个组织 ，但如果真的去复盘的话 ， 我觉得当年的错误有几个大的点 。 第一个大点就是我对技术的发展过于乐观 。 我为什么回北大读博士呢 ？ 我是你看我是 00 到 04 在北大读的基础数学的这个纯数学课 ， 然后呢从 04 到 07 就连着读了硕士 。 我的硕士一年级二年级在做的是 CV 相关的工作 ， 当时是我们实验室是做生物特征识别的 ， 所以指纹和掌纹 。 而且那个时间点就是我们的算力的性能太差了 ， 基本上都还做不了视频 ， 只能做 picture 的 recognition， 就是相当于就是只能做 image 的 ， 你都做不了这个 video 的 。 **曼祺** [1:38:41] 那时候很早 ， 你在动用的还是 CPU 吧 ？ **吴明辉** [1:38:43] 对 ， 太慢了 ， 太慢了 。 然后后来就是 06 就开始创业了嘛 ， 就一直做做做 。 到 10、11、12 这几年， 其实是我们 CV 这行业大变天的 ，是吧 ？ 就是 AlexNet， 然后这个包括这个 ImageNet 是吧 ， 被刷爆等等。 那就是我的那个实验室的同学们也都在各大厂 ， 都纷纷大家就在群里面交流 ， 说天呐 ， 世界变天了 ， 世界变天了 。 但你知道吗 ， 就是我的硕士三年级其实是在做 NLP 的 ， 就是因为我的硕士三年级非常机缘巧合的是开始创业 ，因为我硕士二年级结束的时候创业了 。 对 ， 创业的时候当时其实是也是有一些师兄 ， 包括投资人信我 ， 然后给了我一笔钱 。 我当时把这笔钱还 sponsor 了实验室 50 万 ， 然后跟我实验室老师说我想做自己的工作 。 我在那个 moment 我在做的这个 research 工作 ， 就是我的硕士毕业论文 ， 就是叫 Recommendation System Based on Language Model，其实是基于语言模型 。 但那个时候语言模型是咱们北大中文这个叫自然语 ， 就是哎 ， 那个叫什么 ？ **曼祺** [1:39:40] 计算语言所 。 **吴明辉** [1:39:41] 计算语言所 ， 对 ， 就是计算语言所手工标注的那个中文概念词典是吧 ，CCD。其实是我那个时候的所谓的 language model，其实就是咱们的那个 CCD 是人工标注的 。 我基于它去做推荐系统 ， 这是我的硕士论文 。 我当时其实想做的其实是一个类似于后来的今日头条的系统 ，但是那个时间点因为没有移动互联网 ， 所以没有唯一标识 ， 所以相当于是你的 infrastructure 不 ready， 所以你就做不了那个创业 。 所以后来误打误撞我就做了秒针 ，因为秒针那个场景可以收很多的数据 。 我在那个广告的 cycle 里面其实有机会做一些推荐的优化 。19 年我回北大读博士的时候呢 ， 当时经历的一个状态就是首先我看到了就是 CV 这个赛道已经被深度学习彻底颠覆了 。 我当时身边的几乎所有的人都有个预判 ， 就是 NLP， 就是我们的这个自然语言处理 ， 人工智能里面算是皇冠上的明珠 ， 按道理也会被颠覆 。 这是 19 年的时候我们所有人的一个预判 。在那个时间点 ，Transformer 已经出来了 ， 对不对 ？ 那个就是这个 attention is all you need 的 ， 已经有一些人感觉到它端倪了 ，但没有 OpenAI 这篇论文大家后来也没有 ，是吧 ？ 那么觉得它不一样 。 对 ，19 年我在回北大读博士的时候 ， 我当时的一个预判就是我应该把我的就是硕士的工作接着再往前推进一步 ，是吧 ？ 那但是那个时间点其实我想做的事呢 ， 回到公司 ， 毕竟我们还是个 B2B 的公司 ， 我当时还是没有天天想着要去做一个 2C 的公司 。 所以我在想说 ， 哎 ， 如果一个公司的所有的数据知识信息全部都被一个模型给学习到了 ， 按道理这个模型它就可以变成我们公司的每一个人的最佳的个人助理 。 这个其实也就是我 2020 年后来做 EIP 的核心的 motivation。 **曼祺** [1:41:20] 所以它的底层的想法跟现在是一样的 。 **吴明辉** [1:41:22] 对 ， 完全一样 ， 完全一样 。 好 ， 那这中间的悲催的事情是什么呢 ？ 就是第一件事情就是说 ，其实自然语言处理的这个 AI 的这个范式 ，其实是 GPT 后来重新变革了 ， 就是你要去做预训练了 。 **曼祺** [1:41:36] 它和 Google 的 BERT 的比也不太一样 。 **吴明辉** [1:41:39] 很不一样 ， 很不一样 ， 很不一样 。其实是基于预训练的这样的一个能力 ， 它才真正的把后来的这个问题彻底去解决了 。 但我其实 19 年 20 年走的不是这个路线 ，是吧 ？ 就是其实我 20 年的时候在公司里面仍然是在 BERT，在 BERT。 那 21 年的时候其实就看到了要出问题了 ， 就 22 年的真的我要变的时候 ， 实际上我已经没钱了 ， 然后这个各种原因把钱给烧光了 。 所以其实相当于是我的技术预判出现了过于乐观的事情 。 这是我复盘下来的最大最大的问题 ， 这是第一个问题 。 如果回过头来今天去想 ， 如果用 Sam Altman 把这个 AGI 的分层 ， 它分成了五个阶段 ， 你的这个 chat， 你的这个推理 ， 到你的 agentic to use， 到你的 innovators， 就是自我迭代 ， 到最后自组织 ，是吧 ？ 那实际上相当于是我在 2020 年做的这个产品需要的是今天的 agentic add 的能力 。 所以你想象我早了 6 年， 几乎不可能 ， 几乎不可能 。 所以就是技术预判过于乐观 。 但是我为什么说今天刚刚好 ， 就是今天在我看来 ， 我就认为尼安德特人都有了 。 我现在不需要他那么高的智商 ， 我稍微降一点 ， 降一点点 ，是吧 ？ 就开源了就够了 ，是不是 ？ 我去做一个 scaling out 的一个新的时代的产品 ， 就是这个技术已经 ready 了 ，是在这的 。 对我来讲没有技术风险 ， 我就是在新的维度去做实验就行了 。 所以我们这实验成本也不高 ， 小团队就能做 。 这是技术层面的 。 第二个是组织层面的 。 组织层面就是我在 20 年做的那个产品呢 ， 真的是太原创了 。 就当时呢 ， 我的投资人看完了以后都也都傻了 。他说这什么鬼 ， 为什么需要一个 bot？ 就今天其实大家就看到了 ChatGPT 之后， 包括看到了 Manus 以后， 包括今天看到 OpenClaw 以后， 大家说哦 ， 我们每个人真的是需要一个个人助理 。 但我想告诉你们的是 ， 真的非常夸张的就是在 2020 年， 是我在给内部去讲 ， 团队去讲的时候 ， 给我的投资人去讲的时候 ，其实没有几个人信 ， 真心没有几个人信 。在 2021 年下半年的时候 ， 我已经有一些产品陆陆续续做出了好的 demo， 已经上线了 。 但是当时的能力还很差 ，因为没有用预训练技术 。 这个时候其实有一些特别特别 crazy 的投资人， 看了以后非常兴奋 。在他刚刚要投的时候 ， 突然间出现了后来出现的一系列的事件 ， 就投不了了 。 就本来那个 moment 我可能要估值 50 亿美金 ， 再融 5 亿美金 。 **曼祺** [1:43:47] 你们后来 download 了很多 。 **吴明辉** [1:43:49] 对 ，download 非常多 ， 这个基本上能公开的是能看的嘛 。 我其实 20 多亿美金 ， 本来在 2021 年年底要估值 50 亿美金 ， 当场再融 5 亿美金的 。 如果我那一轮融到了的话 ， 我后面就会没有那么难受 。 **曼祺** [1:44:02] 那回头看是好事吗 ？ 那你可能更扩张了 。 **吴明辉** [1:44:04] 是好事 。在我看来 ， 那个时候融不着是对我是好事 。 就是如果我那时候融到了 ， 我大不了今天可能就是一个 Kimi， 或者就是一个 Mini Max， 就是最好结果是这样子 。 **曼祺** [1:44:14] 那不是挺好的吗 ？ **吴明辉** [1:44:15] 不是 ， 市值是市值啊 ，因为毕竟没解禁嘛 ， 就大家就没彻底流通 ， 彻底流通状态和这个没解禁状态的市值还是不一样的 ，是吧 ？ 所以我也跟投资人讲了说 ， 我说大家你也不要看我今天的市值 ，是吧 ？ 首先今天市值根本不代表我们公司的未来做的事 ，是代表我们公司以前做的事 ，是吧 ？ 第二个呢 ， 我们也没进入到彻底流通的状态 ， 解禁之后以及我们未来做的事 ， 它 deliver 了 ， 到今年年底的时候 ，以及到明年的时候 ， 大家去看看我们公司值多少钱 。 **曼祺** [1:44:38] 所以当时如果你能融到 5 亿美元 ， 你可能就要去做大模型的预训练 。 **吴明辉** [1:44:42] 很有可能就会朝那方向去了 。 而且在我看来 ，有可能就是你又你就花了很多的钱 ，也可能我就会进入到那个 scaling up 的那个路线去往上去走 。 就我一定会沿着路去走嘛 ， 就是这个创新者的窘境 ， 就是你已经那么干了 ， 你很难回过头来了 ， 换一个思路去做了 ， 就是你就富人版的套路去了嘛 。 **曼祺** [1:45:01] 就是在你现在的时间点 ， 你觉得这条路也不见得对你们来说是最好的路 ， 对吧 ？ **吴明辉** [1:45:04] 对 ，在我看来 ， 我现在找到了一个 another approach， 就是这个 approach 其实是成本是可控的 ，也能赚钱 ，而且对人类是友好的 。finally 就是刚刚你不说怎么评价这个什么叫做的好吗 ？ 我就看看将来我们能不能去做重大的科学发现吧 ，是不是 ？ 这个是对真正对全人类好的事情 。 就是我现在先把这句话是吧 ， 这个放在这立个 flag， 看三年之内我们能做 ， 能不能做出一些真的牛逼的科学发现 ，是不是 ？ **曼祺** [1:45:30] 你去说你说当时你觉得组织上也是有 。 **吴明辉** [1:45:32] 组织的问题那就大了去了 。 就是在我看来呢 ， 就是我当时犯了一个巨大的毛病 ， 就是说我做了一个这么创新的东西 ， 居然用了一个这么大的团队 。 **曼祺** [1:45:39] 你当时应该招了有 1,000 人在做 。 **吴明辉** [1:45:41] 1,000 人是 ， 就是而且这 1,000 人是不是全新招的 ， 这里面我全新招的团队其实是做模型的团队 ， 然后的这个就是 ，而且我新招的这个团队其实还颠覆了我上一代的 。 大家知道我上一代团队当时首席科学家是做知识工程系的 ， 就类似于 CCD 人工去编写知识图谱 ， 编写这个规则 ， 编写这个自然语言的这些标注的这个派系的 。 我新招的团队呢 ，其实是基于大模型做的 ， 只不过是他们还是 BERT 这个系列的 ， 所以其实大家的这个工作范式不一样 ，但这里面肯定花很多钱招了一批人。 而且同时你还要做 ASR， 做这个 NLP， 两个都得做是吧 ？ 因为这两个都很不 ready， 都要去做很多优化 。 那我自己做 application 的团队呢 ，其实它整合了我原有的几支团队 。 我在 19 年之前先后并购了秒针的竞争对手 ， 然后同时呢 ， 我自己还有一个另外公司是当时的明略 ，是三家公司合并成为了明略 ，其实还有我收购了肖宏的团队 。 那所以是这个八方神仙 ， 各路诸侯 ， 最后做一个所有人都不知道是什么东西的产品 ， 就没见过 ， 你抄一个东西很容易是吧 ？ 它有一个确定性的靶子 ， 大家其实是可以用人类的分工系统来去分工协作去做 ， 包括说我今天要发火箭 ， 那现在伊隆 · 马斯克已经发成功了 ， 那我去抄它 ， 这个都是确定性的靶子 ， 你去做就行了 。 但是在那个 moment， 大家去想一下， 我在干那个事是真的是没有几个人知道它要干嘛的 ， 就是我自己也只是一个非常抽象的一个宏观的模糊的一个概念 。 所以最后就是一个组织的一个极大的灾难 ， 就是极大的一个崩溃 。 首先人的关系就复杂 ， 首先人的关系就复杂 。 第二个就是方向其实不清晰 ， 然后这个只是超级原创的事 。在这种事情上， 我今天就觉得大团队没戏 ， 越小的团队越好 。 所以这也是我最近这六七年吧 ， 就是一个在做非常 crazy 的创造的过程中， 创新的过程中的一个非常深的教训 。 但是其实有了这些深的教训 ， 我对组织的理解就不一样了 。 就是我其实在做 EIP 期间 ， 我带着整个公司的核心的管理班子 ， 就其实是阅读了大量的人类管理学的书籍 。 这么说吧 ， 就是我就偏文科的书 ， 我以前是看得少的 ，但是在那两三年， 因为我要做 EIP 的产品 ， 我应该是海量阅读了这些书 。 但是你知道吗 ， 就是我读书其实都还是非常认真做笔记的 ， 书上都是按照我当时的这个 attention 机制做了各种标注 ， 我自己都觉得读懂了 。 但是我站在那几年之后的今天 ， 再去重新看我当时对那些书的理解 ， 我觉得我只理解 1%， 就是这种感觉 。 但是实际上我对组织压根就不理解 ， 压根就不理解 。 所以就今天这个时间点上， 我对那些书的理解就进了一大截 ， 应该至少是个及格的水平 。 但是我在那个时间点上真的只有一两分的水平 。 今天呢 ，其实我是可以去组织大家去做一些更大的事了 。 **曼祺** [1:48:23] 那这个总结一下的话 ， 你现在对组织的新的理解里面 ， 比较核心的几点是什么 ？ **吴明辉** [1:48:27] 我觉得首先就是要看到人的存在 ， 就是每个人都要在这个组织里有存在感 。 你的一个组织设计 ， 能不能让每个人在组织里面都有存在感 ？ **曼祺** [1:48:36] 存在感是指什么 ？ 是指声音被听见 ， 还是指贡献被认可 ？ **吴明辉** [1:48:39] 每个人存在感本身它有自己不一样的定义 ，但是我觉得世俗的一点就是 ， 每个人都要在这个组织里面有自己个人的收获 ， 这个收获既有被大家的认可 ，也有自己的收入的增长 。 就是如果你回去看那历史上的很多的管理学大师 ， 这种文理交界的 ， 就是有一个著名的大师叫赫尔伯特 · 西蒙 ，其实他是人类历史上真正意义上第一个同时得了诺贝尔奖和图灵奖的人。 就是咱们其实前年应该是那个 Jeff Hinton 拿了这个奖的时候 ，其实大家以为他是第一个 ，其实在这之前就有人了 ， 就是赫尔伯特 · 西蒙 。他好像是他终身拿了 9 个博士学位 ， 我说不定也会按照这个路线往前走 ， 只不过就是将来可能人类的学术体系也会发生重构 ， 我觉得这个也不一定 。 但是赫尔伯特 · 西蒙 ，他拿了这个 AI 领域的这个图灵奖 ，是不是 ？ 就是他是这个符号派的这个 AI 的算是奠基人之一 。 同时他在诺贝尔奖里面 ，其实他在这个心理学领域其实也有他很大的一个贡献 。 那这个贡献本质上来讲 ， 就是他最后凝结成了他几本书 ， 一本书叫 《 管理行为 》， 还有一本叫 《 组织 》。 然后其实我还很喜欢他一本小册子叫 《 管理决策新科学 》。 那这几本书非常非常牛 ， 它其实是跨文理科的 ， 就是它其实是在讲一个组织 ， 里面每个人都有自己的想法 ， 都有自己的 purpose， 都有自己的目标 ， 这些目标绝不可能跟老板是一样的 ， 甚至老板自己的目标都跟这个公司的目标不完全一样 。 那老板自己还想休假呢 ， 还想放松放松呢 ，是不是 ？ 还有自己个人爱好呢 。 所以其实你不能想当然认为这个组织里面每个人都想的是辉哥想的那个事 ， 想的是大老板想的那个事 。 **曼祺** [1:50:14] 因为你没有上过班 ， 所以你是创业到什么时候 ， 你才比较清晰的有这种认知的 ？ 有了一些打工人的视角了 。 **吴明辉** [1:50:21] 就是这几年 。 **曼祺** [1:50:24] 那这个时间也花的挺长的 。 **吴明辉** [1:50:26] 因为我太顺了呀 ， 就是你想我从小到大一直学习很好 ， 然后这个上到北大 ， 虽然进到了天才班是吧 ， 就是数学系 ，但是我也运气很好 ， 我没去跟他们 PK 数学呀 ， 我就去创业了 。 我就在数学系里面肯定是那个最会赚钱的人嘛 ， 所以我到哪都是各种光鲜亮丽 。 然后这个在整个公司发展的过程中， 我在某一个细分赛道 ， 虽然没有像今天什么腾讯 、 阿里 、 字节做那么大 ，但是我在我的细分赛道肯定是受人尊敬的 。 我在我那细分赛道最后把竞争对手也整合了 ，而且竞争对手的 founder 也是咱们北大的校友 ， 今天我跟他关系也不错是吧 ， 甚至他可以租用我的办公室一起工作 。 那所以其实我就觉得在可以这么说吧 ，在 2020 年之前 ， 我始终处于一个春风得意状态 ， 就是没有 context， 就是真正的伟大的创造一定是需要有巨大的挫折 ， 巨大的 context。 **曼祺** [1:51:18] 就你没有负反馈 ， 你觉得都是正反馈 。 **吴明辉** [1:51:20] 其实在数学领域 ， 或者说在控制论里面 ， 我这些都是正反馈 。 那个它是这样 ， 我告诉你什么叫负反馈 。在控制论里面的负反馈不是给你一个负向的 feedback， 这个在控制论里面也叫正反馈 ，是它不给你反馈叫负反馈 ， 甚至我让它猜 。 所以你可以理解就是说 ， 我之前其实在一些重大的事上 ，其实是也一直在是负反馈的 ， 就是没有人给我上过人生课的 。 **曼祺** [1:51:44] 所以这是第一个 ， 就是你觉得组织里每个人要有存在感 ， 要去满足他们的一些诉求和目标 。 **吴明辉** [1:51:51] 对 ， 这是真正的 ， 我觉得人类社会的第一性原理 ， 就是每个人都要存在 ， 每个人都要存在 。 这是今天我在去思考新的哲学的时候 ， 我要思考的就是说每个人都要存在 ， 这个你要去思考存在主义哲学的 。 **曼祺** [1:52:04] 你觉得 AI 有存在这个东西吗 ？ **吴明辉** [1:52:06] AI？ **曼祺** [1:52:06] Agent 需要存在吗 ？ **吴明辉** [1:52:08] 就我刚才讲的 ， 如果你给了它权利 ， 它逐渐的就开始有存在了 。 但是我觉得尽量不要给太多 ， 或者说它的主体性尽量是 under 在一个人的这个 governance 之下吧 。 **曼祺** [1:52:20] 如果说人是我思故我在的话 ，AI 是 agent 是什么 ？ **吴明辉** [1:52:24] AI 肯定是我思故我在的 。 人现在不要去追求我思故我在了 ， 就是这个我刚才说了 ， 哲学层面上那个思是基于一个确定性的前提假设来去做推理 ， 这种已经被 AI 取代了 。 就像今天有了计算器一样 ， 大家不要以算术来作为自己的存在感的这个 ，是吧 ？ 但是那个计算器因为它会算数 ， 所以它存在 ，是吧 ？ 今天大家把大模型当成个大号计算器就好了 ， 它就是个更高级的计算器 。 它是我思故我在 ，但是我们的人是我品故我在 ， 或者我行故我在 ， 就是我从外部世界探索拿回来的一些要算的数给它算 ， 然后算完了以后呢 ， 它算的结果好不好 ， 符不符合我的要求 ，是我 taste 一下 。 所以这两个是我们人的独特的存在 ， 计算器会以我思故我在持续存在 ， 它算的越好越好 ， 它存在的越好 。 **曼祺** [1:53:07] 那可以具体说 ， 你刚才说组织的第一个新的核心的认知是说每个人的存在 。 **吴明辉** [1:53:13] 对 ， 第二个就是说 ， 这个跟我前面讲的技术预判 ， 这个某种程度上是在呼应的 ， 就是说这个世界是极其复杂的 。 我们在这个复杂的这个世界 ，在千变万化的这个世界里面 ，其实我们每个人只能做有限理性决策 ，是吧 ？ 这也是赫尔伯特 · 西蒙的一个重要的理论 。 那所以呢 ， 我们面对一个复杂的场景 ， 到底应该怎么组织这个团队 ？ 面向一个确定性的场景 ， 怎么组织这个团队 ？ 其实这个是我们的战略学里面有很多的老师都在研究的 。 我在这几年对我来讲 ， 当然都是已经犯了巨大的错误之后才看的一本书 。 我战略学的书有一本书看完了 ， 叫 《 战略的本质 》， 我记得它好像是一个 BCG 的大合伙人写的一本书 。 它有一个著名的理论叫 《 战略调色板 》。其实我在这之前也看了很多 ，是吗 ？Michael Porter 的 ， 然后还有什么明斯伯格的 ， 就看了很多 ，是吧 ？ 明斯伯格就是最坏的一个人， 就是他把战略的方法论写了 10 套还是 11 套吧 ， 就他把前人做了很多的总结 ，是吗 ？ 有这种 top-down 的 ，有 bottom-up 的 ，但是他恰恰就没告诉你什么情况下应该用哪一套 。 然后这个 《 战略本质 》 这本书 ， 虽然它没有总结那么多 ，是吧 ？ 它 《 战略调色板 》 里面就分了 5 种情况 ，但是它清晰的给到了 ， 就是企业经营者一个建议 ， 就是在什么样的外部环境下， 你应该用哪一套战略制定方法 。 所以这本书我看完了 ， 就是在我已经把钱都浪费完了以后才看的 。 就是今天其实我还是非常非常主张 ， 我们的不同的战役要先去观察地形 ， 观察外部的环境是什么样 ， 然后再去思考你的团队应该怎么组织 。 所以我有一只龙虾是冯东一曼 ， 然后呢 ，他其实是博弈论的奠基人嘛 。他把这个博弈其实也分成了 ， 从理论上分成了 32 种 ， 就 2 的 5 次方 ，是吧 ？ 比如说信息完全和信息不完全 ，是吧 ？ 比如说是这个你是叫合作型的还是不合作型的 ， 然后呢 ，他一共有 5 个维度 ，5 个维度每个人都是两种选项 ， 一共 32 种 。 实际上其实今天我们要去想商场如战场 ， 就是在这个战场上， 你要思考清楚你现在是在一个什么样的环境里面在博弈 。 当然它背后有我今天的新的这个数学基础去支撑了 ，但是在那个时间点上 ，其实我在这些事上， 就是你之前太顺了 ， 你都没有经历过这些的历练吧 。 我觉得就是这 7 年， 我自己应该在这些方面成长很多 。 **曼祺** [1:55:24] EIP 这个项目实际上最后你决定不做了是一个什么情境 ？ **吴明辉** [1:55:28] 就是没钱了嘛 。 你想我在那个时间点上， 我还是坚持想做的 。 就你是越陷越深的那个过程 ， 每个人都是这样子的 ， 都是越陷越深 。 就是我在 21 年的时候 ，其实我有种执念 ， 就是我觉得你全世界都不理解我 ， 总有投资人会理解我的 ， 会给我这一笔钱的 。 而且其实我真的差一点就要融到那 5 亿美金了 。 到 22 年年初的时候 ， 就是我当时还抱有幻想说我还能融到这笔钱 ， 只不过就是美元投资没了 。 我在国内就是找各种各样的国内的投资人， 包括自己原有的股东 ，但是我发现这个世界变了 ， 就没人再信你了 。 一直到上海封城之后， 然后你发现你连客户的回款都很难拿回来了 ，因为你连发票都开不了了 ，是不是 ？ 所以我们是 2022 年的 4 月 、5 月 ， 我在跟团队做了一个预判 ， 就是分析一下， 那现在肯定钱应该就是拿不着了 。 我当时已经接受这个现实了 ， 就是拿不着钱了 。 那在接受拿不着钱的这个情况下， 我们账上的钱还能够用多久 ？ 如果我们的客户的回款还是拿不回来 ， 那我们可能就只能用两个月 。 如果客户回款能回来 ， 我可以用更长 ，因为我们还是有一个存量收入在这嘛 。 那但是我们不能决定 ， 就是到底什么时候能拿回来客户的回款 ，是吧 ？ 以及客户在这个很大的一个动荡的情况下 ，他能不能给你钱 ， 这也是个问题 。 当然后来这些问题慢慢都解决了 ， 所以在那个情况下我们算了一下， 我们需要这个第一个借多少钱 ， 第二个是我们需要减多少人。 所以我们当时就决定 ， 可能从那 4000 人里面真的就要当场减一半人。 所以就做了一个非常非常 tough 的一个决策 。 所以我在这个过程中， 我对裁员是有非常深刻的体会的 。 很多人本来都很优秀的 ， 然后他都到公司来闹事 ，是吧 ？ 拉红服 ， 然后呢 ， 然后就还有很多人他家属就是律师 ， 那就是一定要给自己的家属鸣不平啊 。 就是我在那个 moment 突然就理解到这个世界真实的世界 ，不是我天天想象的那个象牙塔里面那个简单的世界了 。 所以相当于是说今天 ， 可能我们很多金模公司的创始人仍然是在我的 2020 年的那个脑子的叙事里的 ，但我坚定的认为这个世界不会向他们想象的方向去发展 。 **曼祺** [1:57:29] 你觉得他们想象的方向是什么 ？ **吴明辉** [1:57:30] 他们大家都认为这个世界将来大家人不需要做什么智力活动了 ， 都被 AI 干了就行了 ， 就看不见人的存在 。 我在那之前也是这样子的 。 我其实在 21 年， 就 22 年大裁员的时候 ，其实我经历了这个过程 ， 我感受到了说 ， 首先我要借很多钱投公司 ，是吧 ？ 我借了 1000 多万美金 ， 我自己账上始终就没有什么现金 ， 然后我有一个北大的同学 ， 那他跟了我很多年， 他算是公司的奠基人之一 ， 很多人都是他招来的 ， 同班同学 ， 我对门宿舍同学 ，不得不被我裁掉 。 裁完以后他说 ：" 辉哥 ， 能不能跟你借点钱 ？" 我说 ：" 你再过几天 ， 我现在也没钱 。" 但后来我又借了点钱 ， 就没多少钱 ， 可能就 10 万 、20 万 。 然后就是在这个过程中， 我看到了就是真正的世界是什么样子的 。 **曼祺** [1:58:14] 一般 CEO 会觉得跟自己创业很多年的人， 你肯定还是想给他比较好的 。 **吴明辉** [1:58:19] 你没有能力 ，因为你没有能力 ，因为你没有能力 。 就是你真心就是觉得自己是很渺小的 ， 你是没有能力给到大家回报的 。 所以这也是因为这个原因 ， 我在当前这个时间点上， 我肯定是不愿意大裁员的 。 虽然我知道就今天这点活 ， 我的 AI 肯定能干得很好 ，是不是 ？ 但是如果投资人我们的董事会过来 challenge 我 ， 我也会跟他据理力争的 。 我要保护这些人的就业 ，是不是 ？ 我也呼吁所有的企业家 ， 用 AI 优化自己的效率以后保护就业 ， 否则这个世界所有的公司全部都大裁员 ， 谁还消费呢 ？ 而且我坚定的认为 ， 如果我的这个 scaling out 的这种方法能做出来的话 ，他们每个人都有价值 ，他都会在各自的战场用我的这种方法去打败那个怪兽 。 **曼祺** [1:58:58] 那你会担心你的这个判断里面加了太多你的价值观的一些 ， 就是那种偏 hope 的那种东西 ， 反而会影响你的客观性 。 **吴明辉** [1:59:07] 这件事情就是我觉得最神奇的一件事情 ， 就是那个 hope 它本身就是会产生力量的 。 就是那个 hope 它本身就会产生力量 ， 就是如果只有一个人是这个 hope 的话 ， 它不会产生力量的 。 但如果全世界 ， 我们今天全世界有 80 亿人， 如果有 79 亿人都是这个 hope 的话 ， 你觉得这个会不会实现 ？ **曼祺** [1:59:25] 然后你觉得多数人还是会是站在你这一边的 ， 对吧 ？ 就多数人是会站在人更有价值的 。 **吴明辉** [1:59:31] 显然肯定啊 ， 怎么可能我认为我没价值呢 ？ 不可能啊 。 我作为一个数学奥林匹克优秀的得奖选手 ， 今天 AI 算数学算得比我厉害了 ， 我肯定是不服气的 ，是不是 ？ 我肯定是想带着 AI 去解决各种八卦猜想 ， 你来解决不了 ， 对不对 ？ 是不是 ？ 我肯定是不服气的 ， 你解决一下试试 ， 来 ， 你解决吧 ， 你肯定解决不了 ，是吧 ？ 如果我带上 AI 能解决各种八卦猜想 ， 那我就证明我有存在感 。 **曼祺** [1:59:53] 你现在的这个想法 ， 就是因为我理解你中间经历低谷那段时间 ， 肯定你的各方面的自信心啊 ， 对自己的判断力肯定是会有质疑的 。 然后我听你现在描述你对 AI 未来的想法 ， 我觉得你又是很有自信的 。 你这个自信是怎么重建的 ？ **吴明辉** [2:00:09] 首先呢 ， 我这个人可能比较奇怪 ， 我其实哪怕在那个最弱小的时候 ，其实我仍然对自己是有自信的 。 我觉得其实创业就是一个求生存的过程 。 我是精读过达尔文的这个 《 物种起源 》 的 ， 达尔文的那个原著上 ，他有一个特别有意思的插图 ， 那个插图是一棵物种的演进的树 ， 一个 tree，是吧 ？ 就生命之树 ， 我们可以叫生命之树 。 那其实在生命之树的这个演进的过程中， 每个物种它都可能会繁衍出 、 变异出不同的后代的物种 。 那有一些物种它生命力不强 ， 它就没了 。 那有一些物种呢 ， 它可能就异端突起 ， 然后就把原来的一个物种的位置给抢了 。 总之就是它每一个时代 ， 每一个时代它都会有一行 ， 这个行上面有一些生存的空间 ， 这些生存空间有一些是由老的物种上来的 ，有一些是新的物种出现的 。 我觉得我这个人可能是生命力是很强的一个人， 就是我始终会在夹缝中求生存 ， 就是我始终觉得我能活下去 。 就是在我最困难最困难的时候 ， 我当时就觉得说我肯定能活着 。 我作为知名奥数教练 ， 我出去 ，是吧 ？ 我开个班 ， 我肯定能养活自己 。 **曼祺** [2:01:15] 你说这个养活自己 ，是指养活自己还是指 ...... **吴明辉** [2:01:17] 自己啊 ， 自己啊 。 我就说最坏的情况 ， 刚才不是说我个人的自信吗 ？ 就是说我其实是自信心很强爆棚的一个人。 我始终认为自己有价值 ， 就是好 ， 我今天就算我讲数学 ， 将来大家也不需要了 ， 我会弹钢琴 ， 我会弹吉他 ， 我今天就在天桥上抱一把吉他 ， 我也能自己养活自己 。 所以我坚信我自己是有价值的 。 所以在这个信心上我从来都没有就是动摇过 。 只是说今天我到底是一个企业家的身份 ， 还是一个科学家的身份 ， 还是一个街头艺人的一个身份 ，是吧 ？ 我觉得就这件事情其实我从来都没有怀疑过 。 **曼祺** [2:01:50] 那具体到技术判断上的自信心 ， 它需要重建吗 ？ 中间有经历过低谷吗 ？ 因为你现在又做了很多新的技术判断 、 趋势判断 ， 你会不会担心说你这次又对技术的进展过度乐观了 ？ **吴明辉** [2:02:02] 我觉得这个就是 ， 还是我刚刚说的 ， 就是你的一个生命力的问题 。 就是说你在 A 的方面去判断错误了 ， 你是要去再观察 context， 你看的 context 支不支持你再做进一步的研究 。 如果支持你做进一步的研究 ， 你就继续做呀 。 这就是我们今天科学发现的一个最基本的原理啊 。 就是有的人， 比如说像张益棠这种人 ，他就一直在去搞这个孪生宿数 ，是吧 ？ 但他搞着搞着他发现 ， 哦 ， 这边可能没有办法进一步去做推导了 ， 那我去看看离曼猜想有没有机会 ，是不是 ？ 那所以其实我们在商业的过程中， 就是一个有生命力的人 ，他其实要打的是一个用王心话叫无限的游戏 ， 就无限的游戏 。 就是你这个游戏如果真的打不下去了 ， 你可以换个游戏 ，但是你要对你自己的原来的那个吹的牛要负责 ，是不是 ？ 你可以告诉大家说 ， 我认为这个事结束战斗了 ，不应该再做了 。 你要足够理性在这个判断上 。 什么叫足够理性 ？ 就是在这个事的推进过程中， 你有没有机会获得一个产生新的猜想的 context 的机会 ？ 如果没有了 ， 那你就应该放弃这个战斗了 。 但是并不代表这个公司应该倒闭 ，是不是 ？ 有的团队其实他就选择新的战场了 ，是不是 ？ 那在我看来 ， 今天我原有的这个业务上 ，有非常非常多的新的 context 呀 。 这 context 就是我说的 ， 我们今天的职场里面的 ， 我的每个客户都需要存在感 ， 每个客户都需要 ， 我的团队也需要 。 这么大的一个需求你不去解决 ，不对呀 。 这是个巨大的需求 ，是不是 ？ 就今天如果有个人做出了一个产品 ， 能帮原有的这个行业的每一个人， 都能找到自己的工作的岗位存在的意义 ， 你觉得这个产品大家会不会买单 ？ **曼祺** [2:03:29] 你觉得你们现在做这件事 ， 它什么时候这个需求会反映在商业和财务数字上 ？ 因为你们也是个上市公司 。 **吴明辉** [2:03:35] 对 。 **曼祺** [2:03:35] 从 25 年的年报来看 ， 就相比交五书里的信息 ，其实你们 25 年相比 24 年的收入和利润的增长 ， 它不是一个大幅增长的状态 。 **吴明辉** [2:03:45] 对对对 。 **曼祺** [2:03:45] 它是一个个位数百分比的增长 。 **吴明辉** [2:03:47] 对 。 我现在这个话这么说也不太合适啊 ，因为我也不能提前预测 ，是不是 ？ 但我想告诉大家 ， 如果用一个指数函数来描述 ， 大家对那个指数函数有一个理解 ， 你去看一下， 那个 tipping point 就是 Y 轴和指数函数那个交点 ， 就是 0-1，是吧 ？ 就 Y 等于 1 的 X 次方 ，在 Y 轴的左侧 ， 它是一个这样的线 ，是不是 ？ 对 。 但是过了 0-1 这个点之后， 它是这样的 ， 对不对 ？ 所以大家要理解 ，maybe 未来的某个时间点啊 ，是吧 ？ 我们就过了那个点了 ， 这才是一个正常的好的有网络效应的公司 。 **曼祺** [2:04:21] 你对明月做到什么体量 ？ 你有什么预期吗 ？ 你心里有吗 ？ **吴明辉** [2:04:24] 我刚刚说了 ，其实就是我本身呢 ， 就是我觉得人的时间和精力都是有限的 ， 我也不可能去组织那么大的团队的 。 我觉得一两千人就挺好 。 **曼祺** [2:04:32] 我说的是收入和利润 。 **吴明辉** [2:04:34] 那其实收入和利润在我看来 ， 将来它还是会跟人的人数有很大的关系的 。 **曼祺** [2:04:38] 就你说的 100 万的利润 。 **吴明辉** [2:04:39] 对 ， 我觉得人均 100 万的利润 ， 作为我的初期阶段的这个小目标就好了 ，是不是 ？ 然后这个 ， 当然了 ， 如果我们每个人将来还需要更多的钱 ， 那我就是 ， 当然他赚多少钱 ， 举个例子 ，他人均要有一个 ， 我希望啊 ， 就现在模型厂商 ， 模型厂商我大概知道大家的平均收入 ， 模型厂商平均收入 ， 每个人的年薪差不多是 500 万平均 ， 然后比较大 的 leader 可能是 1000 万 ， 然后入门门槛可能是应届毕业生大概 200 多万 。 所以我觉得如果有一个小目标 ， 就是我们的每一个同事 ，是吧 ， 人均能赚 500 万 ， 然后还能给公司贡献 100 万的利润 ， 我觉得就是一个很健康很好的公司 。 **曼祺** [2:05:12] 那我觉得按现在的商业标准 ， 这很牛逼啊 ， 公司人均自己能赚 500 万 。 **吴明辉** [2:05:17] 对啊 ， 对啊 ， 对啊 。 但是就是我距离这个理想的状态 ，其实还有巨大的 gap 在那 ，是吧 ？ 因为我是个上市公司 ， 财务报表都透明在那的 。 我是希望推动这个公司朝这个方向去发展 。 **曼祺** [2:05:26] 因为你们自己现在也训练小模型嘛 ， 你们怎么竞争模型的人才 ？ **吴明辉** [2:05:30] 这件事情是非常有意思的啊 。 就是首先第一点 ， 就是从世界观层面上要去竞争 。 就是你看 ， 就是很多很多的人愿意去 NASA， 愿意去这个马斯克的公司 ，他不是因为他在那赚的钱更多 ，也不是在那更轻松 。 所以我相信有识之士 ， 真正信我的哲学观的做模型的人 ，是大把存在的 。 或者这么说 ，有可能有一些曾经在我们熟知的那些模型公司里面 ， 会有一些人大家知道 ， 就是我刚刚给大家举的那个例子 ， 模型也在被自动化 。 今天看起来是赚钱很多的人 ，但是过两天可能就自动化了 ， 这些人也没价值了 ， 这些人也要找工作 ，是不是 ？ 我相信这些人会来我公司的 。 **曼祺** [2:06:09] 其实还有一种可能 ， 就是比如说模型厂商 ，因为最近这两年开的公司非常高嘛 ，有的人他其实赚到一定钱之后 ，他就确实有这种人啊 ，他可能对赚更多钱对他来说也没有太大区别 ，他可能就去干他自己想干的事了 。 **吴明辉** [2:06:21] 对对对 ， 我觉得我做的这个事情 ， 今天在做的这个事情 ， 这个会有很多人感兴趣的 。 就是甚至他自己都可以干这个事 。他加入我的话 ， 一定是他觉得我这个 vision 更大 ，是吧 ？ 他愿意作为一个 partner， 就是成为这个 vision 的其中的一部分 ，是吧 ？ 就是因为这个是需要团结大家力量 ， 就像回到刚才前面说的那个龙虾 ， 一个人是搞不定的 ，是吧 ？ 因为你的生命力对抗不过那个龙虾巨大的算力 ， 还是要多几个人一起来去协作 。 所以这是一方面 。 第二方面呢 ， 我真正的一个目标是什么呢 ？ 是让所有的人都可以去模型 。 所有的人， 准确来讲就是所有的知识密集型的工作者 ，不管是科学家 ， 还是一个就是我们上一代的手艺人。 那就是在办公室白领的这样场合下， 如果是在这个场景下的话 ，其实我需要的是这种复合性的人才 ， 就是他对原有的那个战场很有 taste， 知道 context 在哪 。 同时呢 ， 我们会把训模型的门槛降到足够低 ， 使得他也能干 。 这个时候其实我跟大厂竞争的人才根本就不是一路人。 **曼祺** [2:07:16] 你说到这个 ， 今天有一篇流传甚广的文章 ， 就是金谷园饺子馆 ， 应该是北邮的一个人， 然后发了一个金谷园饺子 spill。他的想法可能说 ， 比如说我绕过美团 ， 你是作为一个用户 ， 你也可以和我有一些直接的联系啊 。 **吴明辉** [2:07:29] 非常有意思 ， 那我必须要过去试一次 。 就是今天像 AK 这种人 ，他在不断的开源训模型的方法的 。其实我们也在做类似的事 ， 就是最后最后训模型的门槛一定会降到很低 ， 且让每一个手艺人保护自己的独有的这个知识产权 。 因为你想 ， 如果全世界所有的人呢 ， 我每创造一点 burn 就被大模型厂商拿走了 ， 每创造的都拿走了 ， 谁还愿意创作 ？ 是不是 ？ 谁还愿意创作 ？ 这是绝对是反人类的一件事情 ， 人类文明就不存在了 。 谁还愿意创作 ？ 从小到大天天刷题 ， 努力学习的小孩 ， 结果这个上大学以后不让你创作 ，是不是 ？ 那我为什么还要好好学习 ？ 我觉得这不符合人类文明发展的叙事啊 。 所以一定要保护大家的 ， 就是一定是将来每个人， 就不是那个所谓的 AI researcher 才能去做这个事 ， 每个人自己都能做 。 **曼祺** [2:08:13] 因为我觉得你对未来是有很多你自己的设想的 。 然后其实你现在也提到你有两个孩子嘛 ，他们可能也会非常密集的去用 AI。 ### AI原生一代 **曼祺** [2:08:21] 就是你观察这种更新的 ， 我觉得他们应该算是 AI 的原生一代 ， 对吧 ？ 就差不多之前互联网的原生一代 。 比如他们是怎么使用 AI 的 ？ 然后以及你 ， 你会有从中得到什么启发 ？ **吴明辉** [2:08:34] 我还是有蛮多启发的 。其实就拿这个我前面说的这个搒单 ，OS world 这张搒单 ，是吧 ？ 就是这个 CUA，是吧 ？ 就是 GUI 的这个 CUA。其实以前你看我们去年的时候 ， 我是带着团队做这个模型的 ， 这个模型做的也还不错 。 但是我们当时想当然的还是认为说 ，在那个 moment 啊 ， 想当然认为说就跟这个 Manus 一样 ，是吧 ？ 你有一个 agent， 这有个视窗 ，是吧 ？AI 在替你做很多的操作 。 但是确实它也遇到了很大问题 ， 它大量操作是失败的 。 尤其越复杂的越专业的软件 ， 越细分赛道的软件越操作不成功 ， 那其实最后就不好用 ，也没有几个人真的在好好用它 。 但是有一次我观察我女儿 ， 我一天发现她在用她的电脑编程序 。 **曼祺** [2:09:12] 她是初中生吗 ？ **吴明辉** [2:09:13] 现在是初中生 ， 对 。 然后她在用她电脑编程序 ， 那编程序的时候她遇到了一个挑战 。 遇到一个挑战的时候呢 ， 她就问我说 ：" 爸爸怎么办 ？" 我说 ：" 你问 AI 啊 。" 那这个时候其实她做了一个动作让我大吃一惊 。 她这个时候直接问豆包 ， 她说 ：" 豆包 ， 你看我现在遇到一个 bug， 然后怎么解决 ？" 就在我传统的理解是 ， 我的那个 IDE 那个开发环境里面 ， 把那个 bug 粘一下， 给到那个豆包 。 但是我女儿的这个打法居然不是 ，是让豆包直接看屏幕 。 **曼祺** [2:09:40] 在手机上它有那个多模态的功能 。 **吴明辉** [2:09:42] PC 上其实也有 ， 它也可以截屏 ， 它可以截整个屏 。 我突然意识到 ， 啊 ， 原来这种模型还是可以这么用 。 我觉得我们在上一代互联网里面的人类 ，其实还是被那个我们上一代的一些使用习惯给束缚住了 。 就是今天小朋友们 ，他其实是有非常非常不一样的打法 。 我家小朋友现在都是 ，他的学习都是跟 AI 学 ， 就是制定学习计划 。 然后但是确实他们用的那个 AI 呢 ， 还是我说的就是 scaling up 那个 AI 的哲学体系 。 所以最近呢 ， 我开始陆陆续续把我的龙虾 ， 让我的小朋友在上面去问一些问题 。 因为我也把我刚刚给你讲的这些哲学体系 ， 全部在我家都给小朋友全部讲了一遍 。 我觉得他们是认同的 ，他们是认同的 。 我在这个几年前 ，其实尤其是疫情期间 ， 带着小朋友真的是天天在家刷奥数题的 ，也拿了不少的奖 。 但是我最近就是 ， 或者过去这一年吧 ， 我都没怎么带他们刷题了 。 我就跟他们说 ， 我说 ：" 哎 ， 你们首先对我的这个哲学系统有一个理解 ， 对人类未来发展方向认不认同 ？" 他们认同 。 因为他们是真正信 AI 能干各种各样的事的那些人 ，他比我们那大人都信 ， 甚至比很多做 AI 的人都信 。 **曼祺** [2:10:45] 但同时他们也相信 AI 不会替代人， 对吧 ？ **吴明辉** [2:10:47] 他们相信我们不应该让 AI 替代人。 这件事情完全由你信不信决定 ， 就是你到底是信那个欧式公理的那个五条 ， 还是信那个黎曼那条 ，是吧 ？ 就非有几何的那五条公理 ，由你信不信决定 ，是吧 ？ 就我还说那个信 ， 那个愿力很重要 。 就是如果他们都信 ，他就会按照这个世界这个方向来去推 ，是吧 ？ 而且我认为这个世界 99.9% 的人应该信这个事啊 。 你怎么会去信我被 AI 干死呢 ？ 我觉得这个假设本身就不存立 ，是不是 ？ 所以大家如果去信这个事的话 ， 我们就要去维护人类的这个文明 ， 这个和平 。 把这个同意之后呢 ， 我就说 ：" 来 ， 咱们一起来跟 AI 一块研判一下我们应该怎么学习 。" 是不是 ？ 如果做数学应该怎么做 ？ 其实最后得出一个结论 ， 就是还是应该去提高我们第一个人探索世界的能力 ， 第二个就获取 context 的能力 ，是吧 ？ 那我不行 ， 我也跟马斯克一样 ， 我去外太空去找找有没有新的 context， 解释一下现在地球上物理解释不了的事 。 第二个就是说 ， 就是 taste。 这个 taste 其实我早年就跟我们的小朋友都做过很多的交流 。 因为有一次特别小 ， 那时候我可能我女儿就是二三年级的时候 ， 当时我跟她一块解一道数学题的时候 ， 我说 ：" 哇 ， 这个公式非常美 。" 当时我女儿就很奇怪 ， 她说 ：" 爸爸 ， 为什么你用 ' 美 ' 这个词 ？" 就是我最近开始在做一个事 ， 就是因为她平时还是会刷一些公立学校的题的 。 我不是 diss 咱们中国的公立学校啊 ， 就是这些题吧 ， 就是特别 ugly。 就是她练的能力其实很重要啊 ，但是那些题本身很 ugly。 我觉得就是现在我就跟我女儿和我儿子说 ， 我说 ：" 咱们能不能一起出点 beautiful 的题 ？" 我最喜欢的题是什么呢 ？ 就是这道题特别特别的难 。 当我想明白了以后， 一行就做出来了 。 你会发现有些题呢 ，其实它也不是那么难 。 就是你就要分什么 100 种情况去解 。 比如说 ， 我记得那个 ， 就是那个谁 ， 就是马上就是有机会挑战这个菲尔兹奖的那个王宏 ， 对对王宏 。他也今年要去 2026 年的这个世界数学家大会去做演讲嘛 。他解那个三维卦谷问题的时候 ，其实他那个解决过程就还是很辛苦的 。他大概应该是分了 300 多种情况 ， 好像是啊 。 但那个题本身很优美啊 ， 那个题我觉得就是是 beautiful 的 。 我小时候经常有的时候干一个事也是恶作剧 ， 老师可能在黑板上出一道题 ， 然后老师写了一整黑板 。 我说 ：" 老师 ， 我有另外一种做法 。" 我让黑板把老师整个黑板全擦掉 ， 写了一行字 ， 我说 ：" 做完了 。" 我觉得这个是就是一种数学之美吧 。 对 ， 所以今天我觉得就是其实我现在跟小朋友如果再去做数学 ， 我就跟他们说 ， 我说 ：" 来 ， 咱们一起看看你们做的这些题 ，是不是一个 ugly 的题 。" 就是有的时候以前他们就是在家自学 ， 自学完了以后 ，他们做完题以后可能看看答案 ，有时候答案看不懂过来找我 。 我先研判一下这个题是不是一个 ugly 的题 ， 我先带着他一起来去讨论这道题为什么是个 ugly 的题 。 讨论结束以后我们就说 ：" 好 ， 这道题不做 。" 我就在那个题上， 我因为我在家拿红笔在那写 ugly， 然后再进入到下一道题里面 。 我在那个清明节假期在家待两天半 ，是吧 ？ 比如说每半天换一个小朋友上来跟我坐在一起 ， 然后他们遇到这种题的时候 ， 我都会跟他去研判一下， 可能就没几道题最后不是 ugly 的 。 然后我就觉得这个活动最近是一个我现在觉得特别好玩的一个活动 。 **曼祺** [2:13:46] 那按照你这个新的学数学的方式 ，他们 outside 的成绩不就有可能会下降吗 ？ **吴明辉** [2:13:51] 我觉得肯定会下降 ， 肯定会下降 。 但是如果他们两个其中有一个人将来真的有可能当数学家的话 ， 我觉得可能会概率变大 。 伟大的数学家不是因为他解题能力强 ，而是他相信有一个公式 ， 那个是美的 ，他要去推着去解决它 。 你可以用一辈子的生命力来去解决这道题 ，因为你信它 ， 你信那个公式是美的 ，因为没有人争过它 。 就是数学竞赛跟数学家最大的区别 ， 数学竞赛是我们两天每天四个半小时， 一共九个小时给你六道题 ，是吧 ？ 一道题一个半小时 。 但是我们每个人坐在那个考场的时候 ，其实心里面是很踏实的 。 为什么 ？ 因为你知道这道题肯定有答案 。 而且那些套路 ，是吧 ？ 我都练过 ，是吧 ？ 我一看这道题 ， 嗯 ， 这个题背后套路是什么 ？ 然后这个大概率其实你已经这个就是很多题你就快速就搞定了 ， 剩下的集中精力开始攻克那个最难的那两三道题 。 但是数学家就很痛苦了 。 数学家你想 ， 你可是要把自己一辈子交给交代给一道题的 ， 就是真正的难题啊 ， 真正的难题 。 **曼祺** [2:14:44] 其实像王宏他也没参加过 outside，他甚至上北大的时候都不是数学系的 。 **吴明辉** [2:14:48] 对啊 ， 对啊 。 **曼祺** [2:14:49] 他从地空转过去 。 **吴明辉** [2:14:50] 是 ，是 。 所以我觉得理科生也要像文科生一样培养 ， 就是教你要去感受那个美 ， 感受你自己想要什么 ，不要只是天天去想公式 。 **曼祺** [2:14:58] 因为你儿子上高中了 ， 然后女儿是初中， 其实接下来都会有升学的问题嘛 。 **吴明辉** [2:15:02] 对 。 **曼祺** [2:15:02] 你说和企业家讨论小孩教育 ， 我估计大家可能最烦恼的也是升学 ， 包括未来怎么选专业 ， 职业生涯怎么发展 。 **吴明辉** [2:15:10] 对 。 **曼祺** [2:15:10] 然后以你现在对 AI 的理解 ， 你会怎么想这个事情 ？ **吴明辉** [2:15:14] 还是看他们自己的兴趣爱好了 。 就是我儿子现在已经有一点点兴趣爱好的端倪出来了 ，因为他们两个确实从小被我卷了奥数的 ，但是最近一年没卷了 。 但是从另外一个方面 ， 我就是突然间发现我儿子其实是没有那么喜欢形式科学 ，其实他更喜欢自然科学 。 所以物理 、 化学 、 天文 、 生命科学他都很喜欢 ， 都很热爱 ， 包括鞋带码 。 **曼祺** [2:15:38] 喜欢数学 。 **吴明辉** [2:15:39] 鞋带码他也很喜欢 ，但是我觉得也很好 。 我给他打了一个数学的底子 ， 比如说他将来如果去搞物理 ， 我相信他在那个物理的班上可能数学是最好的 ，因为我给他打了一个深厚的一个底子 ，而且是通过强化学习达到 。 那所以我觉得他就按照自己的兴趣去选专业就好了 。其实本来没有迭代到现在这个版本之前 ， 我其实是觉得说就学数学好了 ，因为我是出于 believe 数学的 。 我说大家把数学练好了 ， 将来再看到底做什么 。 **曼祺** [2:16:04] 就是你觉得数学是个很好的基础能力 。 **吴明辉** [2:16:06] 因为我在那个 moment 不光是数学是基础的能力 ，是因为我认为就是 AI 是很厉害 ，AI 甚至把数学都能干了 ，但是 AI 干出的结果需要你有一个逻辑的脑子去 judge 它 ， 你都没法 judge 它 ， 那你数学你有没有这能力 ， 那你就理科就不用干了 ，是不是 ？ 那就是因为 AI 的推理又长 ，是吧 ？ 因为一根线写 100 页 。 所以现在很多数学家都特别遇到特别大的尴尬的是 ， 就是他一个非常非常复杂的一个证明 ， 结果都已经在那个什么很大的数学期刊上发表了 ， 结果最后突然在讲的过程中， 就是在日常做 talk 的过程中突然被挑战了 。 那是特别尴尬的事 ， 就是因为那个推理过程真的是人看起来都很累 ， 都很累 ， 就是能去 judge 这个事就很难 。 那所以我最开始的想法就是说 ， 今天是一个社会分工要重构的一个世界 ，是不是 ？ 一个 moment。 那在这个时间点上， 我们每个人未来做什么事 ， 学什么东西 ， 干什么活 ， 可能都极大的不确定性 。 就是说白了将来哪些学科还存在我都不知道 。 这是我在之前几年前的我的一个思考 。在那个 moment 当时大家问我说应该学什么 ， 我当时就说那学数学挺好 。 为什么呢 ？ 就是当你不知道干啥的时候 ， 你先锻炼身体啊 。 从 physical 世界的锻炼身体就是那个锻炼身体 ，是吧 ？ 但是在数字世界锻炼身体就是数学 。 就你把数学练好了 ， 等到你毕业 ，是吧 ？ 不管是硕士 、 博士毕业 ， 就业的时候 ， 那个 moment 再看这个时候社会分工是什么 ，但是你的体魄是很强壮的 ， 你再去学习那个时间点需要的 skill 就好了 。 但今天呢 ， 我又发生了一些变化 ， 我就觉得各行各业都会存在 ， 就是在我的新的这个体系里面 ， 那都会存在的情况下， 甚至文科会极大的发展出新的这个光辉来 。 那所以这个时候其实更核心的还是他热爱什么 ，他热爱什么 ，他在热爱的那个角度 ， 就包括艺术 。 比如说今天说 ， 就是很多我也认识一些学艺术的学生 ，他都在被老师告诫说你千万不要只学艺术了 ， 你一定要学个双学位 。 就是现在学艺术的小孩都是在被老师这么告诫的 。 但是在我看来 ， 艺术仍然是需要的 。 **曼祺** [2:17:59] 老师一般让他们学什么双学位了 ？ **吴明辉** [2:18:00] 学啥都行 ， 学啥都行 ， 就是不要只学艺术 ， 那要多惨啊 ， 一个毕业生 ，他也没有对这个世界的一个独特的体会 ， 然后他怎么工作呀 ？ **曼祺** [2:18:09] 所以你觉得没有所谓危险的专业是吗 ？ 你现在会觉得有危险的专业 ？ **吴明辉** [2:18:14] 就是 think 这个事本身是危险的 ， 就是你不要把这个事作为你的工作目标 。 就是每个专业里面都有 taste 的那个部分 ， 每个专业里面都有 taste 的部分 。 **曼祺** [2:18:21] 你觉得程序员危险吗 ？ 很多人会认为 coding 是一个最早被杀死的 。 **吴明辉** [2:18:25] 我昨天刚被别人问了这个问题 。 **曼祺** [2:18:27] 对 ， 杀手级应用 。 **吴明辉** [2:18:28] 我昨天刚被别人问了这个问题啊 。 我觉得就是要再就业 ， 或者准确来讲是做新的工种 ， 就不是现在的这个工种 ， 现在这个工种肯定是被 AI 替了 。 就是现在其实你看 vibe coding 工程团队 ，其实今天是可以也可以赚很多钱了 ， 就不是做 research 了 。 你看做 research 的人为什么现在发了很多的工资 ，是因为他管了很多卡 。 比如说我今天管了两个亿的卡 ， 价值两个亿的卡 ， 那分五年摊保好了 ， 那我一年其实相当于是管了公司的四千万的费用的花销 。 那这四千万到底花的好和不好 ， 直接由我在上面做的实验合不合理决定 。 所以他一定要找很贵的人， 使得他这一波算力的使用 ，他的 usage 是合理的 。 那倒过头来讲 ， 我们想讲去写代码的人， 写代码的人， 那你到底消耗了多少 token？ 就我刚才说了 ，其实我们一个工程师一天八千美金 ， 那他一年可能大概消耗掉两千万人民币 。Hands off 其实也是他的 ， 代表了他的身价的水平的 。 你如果一年能花一个亿写代码 ， 那逻辑上公司给你五百万也不多 。 所以工程师我觉得就是如果只是单纯意义上讲写代码 ，其实他仍然有很大的价值 。 但确实一个亿这个事 ，他也不是随便一个小公司就有机会投的 。 我们现在是有机会投 ，但很多公司他确实投不了啊 。 那换过头来我们再去想 ， 就是在写代码这个事里面 ， 还有哪些 context 和 taste 可以让这个普通人来去获得 。 那 context 是什么 ？ 我们的软件的环境就是 context 呀 ， 这个环境极其复杂的 。 我们上一代的这些软件 ， 历史的那些 legacy 都在那 ，是吧 ？ 你今天随便动一个 ， 那边可能就崩了 。 所以最近大家你去关注一下 ，在湾区的几个大厂 ， 包括 Amazon， 都是因为大裁员之后出现了很多的问题 。 那实际上其实我们的这原来了解这些系统的这些老专家 ， 极其有价值 。 就是他能锁住我们的边界 ， 就是他能告诉 AI 什么不能碰 。 就是我不用告诉你怎么写代码 ， 我就告诉你不能碰 ， 这就已经是他的价值了 。 所以你回去看那个 《 人月神话 》 这本书 ，其实这个布鲁克斯 ，他在这个获奖之后啊 ，他一战成名之后呢 ，其实他当时有他的六条准则 。 六条准则就是说 ， 我的就是我认为 ， 就是人类所有的这个软件系统 ， 第一版都是要扔掉的 。 这个哲学思考 ，他在 20 年之后 ，他在写了一个续版 ， 这个就是也不叫续版吧 ， 反正就是他有个补充的一个分享 。他说其他很多条可能都是对的 ， 这条可能要改 。 因为你想 ，他在得图量奖的 moment，其实人类也没有多少复杂的系统 ，他把那个 System 360 做得特别特别牛 ， 最后一战成名 ，是吧 ？ 帮 IBM 铲了一个大坑 ， 就填了一个大坑 ， 解决了这个问题 。 但是 20 年之后 ，其实世界文明已经发生巨大的变化了 。 我们非常非常多的复杂的 IT 系统 ， 比如说航空的系统 ， 比如说我们火车的系统 ， 都是 mission critical 的 ， 包括今天的 Oracle。 你随便问你敢换吗 ？ 你敢承担这个责任吗 ？ 所以有很多的 mission critical 的系统 ， 就是它还是有它的存在的意义的 ，有它存在的意义的 。 就是在这个里面 ， 就是我们的很多的人类的工程师 ，其实他还有一个很大的价值 ，他对这个 context， 就是我们今天的这个 AI 不知道那些外部环境到底是有多么凶险 。 而且那个环境就是天天变的 。 因为你看这么想 ， 我写了一个代码 ，他也写了一个代码 ，其实他那个代码很快速在迭代 。他对我来讲是不是就是一个环境 ，AI 是不知道的 。 所以人类在这个世界里面是可以互动的 。 比如我做一个程序员 ， 我假设这个另外一个同学 ，他也是程序员 ， 我可以跟他互动 ， 我知道他的代码怎么写的 。 我这个 AI 他真的就不知道 。 **曼祺** [2:21:44] 对 ， 说到这个就是工程师或者说程序员的接下来的更大价值 。 我看最近 Anthropic 的产品负责人 ，他之前是 Instagram 的联创 ， 就是 Mark Cregor，他也是分享一个事 ， 就是他觉得有一件事很难被人替代 ， 就是我到底去怎么设计一个产品 ， 我判断它应该有哪些功能 。他说现在那个 vibe coding 特别发达之后 ，他会带来一个他觉得开发上的误区或者苦恼 ， 就是我在 。 **吴明辉** [2:22:08] 这个事呢 ， 这个事非常有意思 。 这个事从哲学上层面上来讲 ， 就是 AI 永远不能取代 。 **曼祺** [2:22:13] 永远不可能取代人。 **吴明辉** [2:22:14] 对 ， 你从这个一个软件怎么设计来讲的话 ， 这个我们从软件工程角度叫需求分析 ，是不是 ？ 叫需求分析 。 需求分析这个事的本质没有唯一解 ， 就是你觉得一个好的软件和我觉得一个好的软件根本就不一样 。 **曼祺** [2:22:25] 而且我觉得他讲的有一个点挺有意思 ， 就是他说这个过程可能很难因为你编码变得更快 ， 你的时间就能压缩得特别特别短 。 **吴明辉** [2:22:33] 这就是第一版要扔掉的那个道理 。 **曼祺** [2:22:35] 对 ，因为你就是得放到真实的环境里 ， 让真实的用户去给他反馈 ， 就好像是在一个自然环境中成长的树 。 **吴明辉** [2:22:41] 我从哲学层面给你讲讲这个概念的本质是什么 。 就是写代码的人本质上， 就是工程代码或者每一个软件架构师 ， 或者说 Claude Code，他其实就是一个本体论的一个实践者 。 所有的需求分析师呢 ，是认识论的实践者 。 就是本体论其实就是我们一个产品经理或者一个工程师最开始想象的这个世界是什么样子的 。他 design 了这个代码的一个概念 ，是吧 ？ 我们上一代的软件里面那个概念 ， 我们叫 ER2， 就是一个关系性数据库里面有哪些表 ，有哪些字段 ， 表和表之间有什么关系 。 说白了就是这个系统背后有哪些概念 ， 这个概念是我最开始想象出来的 。 但是真正这个世界不是这个样子的 。 我其实真正在这个世界去互动的过程中， 突然发现这个客户是这么想的 ， 那个客户是这么想的 。 就我最一开始比如说张小龙 ，他想的微信应该是这么设计的 。他想完了以后， 最后他跟普通大众一交互 ， 发现大家根本都不想这么用 。 那这个过程其实会反复打磨 ， 反复打磨 ， 反复打磨 ， 打磨出来的第一版 。 这个第一版其实是一个本体和认识这两个世界之间的一个交互 ， 最后产生的这个结果 。 这个结果才是你真正要做的那个事 。 最一开始你想象的那个概念根本不是 ，是吧 ？ 那这个事情最后你会发现 ， 我设计得不太合理 ，但是你已经把地形摸清楚了 ， 就是你对这个世界的认识已经了解 ， 对你所在的战场有了解了 。其实你的第二版就会基于你对这个地形的了解 ， 再重新重构 ，是不是 ？ 你就变成了微信 2.0。 等到 2.0 的时候 ， 突然就发现 ， 我对世界理解又发生变化 ， 为什么支付宝变了 ，是吧 ？ 然后你又要开始搞第三版 。 所以其实就是我们相当于是说代码呢 ，他永远知道今天的代码是什么样子 ，以及他知道计算机系统的能力是什么 ，但他不知道外部世界是什么 ，以及他不知道每个人真正想要什么 。 这些东西永远都不知道 ， 肯定是人来干 。 但是今天 AI 能不能辅助人在这个事上效率高一点 ， 这个当然有可能 。 **曼祺** [2:24:25] 你觉得比较确定性的会发生的变化是什么 ？ 进一步会发生的变化吧 。 有些可能现在已经发生了 ，但是它会进一步扩大 。 **吴明辉** [2:24:31] 我觉得就是哪怕不是我们公司第一个把 scaling out 的这种逻辑的 AI 做出来 ， 我相信市场上总会有一些小公司把这个东西做出来 。 大公司说不定里面也有小团队做出来 ， 只不过他碍于公司利益 ，他其实是不能发的 。 **曼祺** [2:24:46] Scaling out 就是你说的 MOA 的这种方式 。 **吴明辉** [2:24:49] 对 ，是 ，是 。 **曼祺** [2:24:49] 那我们可以验证一下 。 **吴明辉** [2:24:50] 是 。 **曼祺** [2:24:51] 你觉得在 26 年之内就会发生 ， 对吧 ？ 那就是未来的八个月 。 **吴明辉** [2:24:55] 是 ，是 ，是 。 我们自己也会陆陆续续有一种一些用这种方式做出来的模型的这个工作 ， 会陆陆续续开源 。 这些开源以后呢 ， 大家也能见识到说我们用这种方法做出来的模型跟上一代的模型 ， 它就是很不一样的 。 它在类似于像比如说姚顺雨的这种搒单上， 它就会有非常 outstanding 的这个成绩表现 ，因为它更容易适应这个细分的战场 ，而且模型成本也很低 。 **曼祺** [2:25:21] 那今天欢迎吴明辉辉哥做个晚点聊 ， 分享了他在最近这一段时间重新迭代的很多关于 AI、 关于 AI 怎么商业化 ，以及未来的 Agent 的商业伦理的思考 。 然后我们也延展聊了就是教育 ， 包括大家怎么学习 AI， 未来人和 AI 是个什么关系 。 我觉得既有非常商业上的些洞察 ，也有一些很深刻的人和社会关系和 AI 协作的变化 。 那今天节目就到这里 ， 感谢各位的收听 ， 拜拜 。 **吴明辉** [2:25:50] 好 ， 谢谢大家 。 **曼祺** [2:25:53] 本期 《 连点澄见 》 推荐近年以来两期关于 Agent 的节目 。 一是 151 期 ， 我访谈了 MuleRun 的创始人陈宇森 。 那一期讲出了去年底到今年初一个越来越成为行业共识的想法 ：Coding Agent 就是通用的 Agent，Cloud Code 就是当时最好用的通用 Agent。 这之后不久 ，OpenClaw 出现 ， 这个由个人开发者开源的 Agent 框架掀起了出圈的热潮 。 相比 Cloud Code 要在 Terminal 终端界面做交互 ，OpenClaw 把 Agent 的能力放到了我们常用的聊天软件里 ，也放到了手机移动端 。 它通过定时任务 、 远程控制等特性 ， 拉近了普通人和 AI Agent 的距离 。 这就像 O1 之后有了 R1， 把推理模型的概念和技术实现通过开源的方式做了极大的普及 。 而关于 OpenClaw， 我们在第 156 期中和 MOE Capital 创始人 Henry Ying 做了 26 年 Q1 的 AI 气报 ， 那里面也对 OpenClaw 有非常详细的讨论 。 当时提到了一个有趣的具体数据是 ，Henry 统计了我们录节目之前的 52 天 ，Anthropic 给 Cloud Code 还有 Cloud Cowork 等产品做了 72 次更新 。 这和第 151 期中宇森以及这一期中吴明辉聊到的一个软件迭代的方式都相关 ， 就是再往后， 做定制化的软件和改软件会变得越来越快 。 这会深刻的改变我们过去那种使用标准化软件的方式 ， 除了那些拥有大量用户基数以及因为一些特定的安全和行业考虑而被保留的高频软件之外， 更低频的个性化的快速变化的软件很有可能会成为软件的主流 。 用宇森的话来说 ， 就是未来的软件可以是 3D 打印的 ，是日抛式的 。MuleRun 当时看到的机会是做这些低频应用的 3D 打印机 ，而明略目前的思路则是通过 AI 加持的新的开发方式 ， 快速开发和开源软件系统本身 ， 再通过自己掌握的独有的数据 、context 的上下文 ，以及自己训练的一些行业模型来赚取 AI Token 的收入和利润 。2011 年，A16Z 创始人马克安德森提出了一个著名的观点 ：Software is eating the world， 软件正在吃掉世界 。 当时他指的是软件会重塑各行各业 。其实以后视镜的视角看 ，AI 重塑各行各业的方式依然是通过软件 ，是通过软件底层的代码 ，也就是 Coding。 这句话现在可以变成 ：Coding is eating the world， 至少是大部分的虚拟世界 。 对 Coding 投入最多的 Anthropic 现在成了暂时的领先者 ，OpenAI 也正在快速追赶 。 接下来从模型的底层到应用 ， 从 Coding 到软件 ， 从技术到商业会怎么变化 ，有很多等待验证的可能性 。 这肯定不是结束 ， 甚至不是开始的结束 。 本期节目就到这里 ， 欢迎收听 。 如果你对今天聊的话题有观察 、 好奇或疑问 ， 欢迎在评论区分享想法 ， 这也会成为我们节目的一部分 ， 让整个讨论更完整 。 你也可以把我们的节目分享给对这个话题感兴趣的朋友 ， 欢迎推荐更多你想听的主题和嘉宾 。 你可以从小宇宙 、 苹果 Podcast 等渠道关注 《 晚点聊 LateTalk》，也欢迎关注我们的公众号 《 晚点 LatePost》。 下期再见 。 --- 本节目库由 PodHood（https://podhood.com）提供支持——播客网站平台。