Conversation with Minglue Wu Minghui: AI is killing SaaS, but I found a new way

“闭源已死，开源已来，从 token 和模型上赚钱。”<br> 文丨程曼祺 实习生付自文<br> 编辑丨宋玮<br> AI 正在吃掉软件，Agent 正杀死 SaaS。<br> 吴明辉好像应该为此担忧。他创立的明略科技去年底刚刚登陆港股，主业是为广告营销和零售提供数据挖掘与分析服务，主要产品形态就是软件与 SaaS。<br> 而现在，你在他身上看到的是兴奋。他时常睡不着觉，因为总是有太多 idea 要交给龙虾（OpenClaw）执行。<br> 有一次，他两周就在 “龙虾” 上花了 10000 美元 token 费，看到账单的第一反应是：“怎么这么便宜？”——“那两周我怎么着也给公司创造了十亿的价值。”<br> 明略全员都在自建的新协作办公平台 “章鱼” 上工作，这是一个真人和 “龙虾” 的混合网络，按一套权限机制互动。吴明辉频繁沟通的龙虾有 18 只，有自己的，也有同事的，它们分别叫 “毕达哥拉斯”、“图灵”、“冯·诺依曼”……每只各有所长。<br> 开发章鱼的是一个不到 10 人的小团队，两个多月生产了近百万行代码，每周花近 4 万美元 token 费。曾有工程师一天就花了 8000 美元，远超自己的日薪。<br> 在大脑的高速运转和兴奋中，吴明辉真正担心的其实是 “猝死”，生物意义上的。<br> 这不是一个老板初见 AI 的 “上头”。<br> 2000 年，吴明辉凭奥赛保送北大基础数学系，四年后研究生保送北大计算机学院人工智能模式识别与图像处理方向，硕士期间创立秒针系统，后来发展为明略科技。<br> 大模型热潮前的 2019 年，吴明辉再次进入北大软件与微电子学院攻读人工智能博士。今年春天准备博士答辩时，他在章鱼上用龙虾为自己安排了一场虚拟评审会，押中了好几个现场提问。<br> 他对人工智能的认知也来自惨痛的实践。2020 年，刚融了 20 亿人民币的明略决定做 EIP（Enterprise Intelligence Platform，企业智能系统），想把一家企业的所有数据和知识喂给 AI，公司员工一度扩张到近 4000 多人。正是这期间，明略收购了 Manus 创始人肖宏的上一家创业公司夜莺科技。<br> 这在当时是一次失败的 AI 转型，以 2022 年的近半裁员、估值大幅下滑收尾。<br> 但吴明辉没有受伤的感觉。恢复元气后，明略在 2023 年的大模型热潮中快速投入，至今已发布用于商业数据分析的多 Agent 协作数据分析平台 DeepMiner，和开源的端侧 GUI（图形界面操作）模型 Mano 系列。<br> OpenClaw 这类 AI Agent 框架兴起后，吴明辉的新判断是：软件 “壳” 的价值已接近于零，闭源必死，未来要靠 AI 和模型赚钱，开发中的章鱼就会以开源形式发布。<br> 软件本身的价值已经接近于没有了。一个亿的 token，就能大体复刻别人历史上几十亿堆出来的东西。<br> 以前大家按人月、人天收费。将来会变成 “token 成本加管理费”。<br> 一个反共识的想法是明略不裁员，吴明辉看到人仍有无可替代的价值。<br> 笛卡尔说 “我思故我在”，我觉得现在是 “我品故我在”。思，是基于确定性前提往后推理，AI 正在替代；品，是基于人生经验、阅历，知道自己想要什么、什么是好的，这是 AI 不可替代的人类的独有存在方式。<br> 我们问他这个判断是否夹杂了太多个人希望。他说 “希望本身会产生力量”。<br> 一个人的希望可能不够。但如果 80 亿人里 79 亿人都有共同的希望，都相信自己有价值，你觉得这件事会不会实现？<br> 一个存在已久的公司，它的业务和组织会如何被 AI 改变？一个创业已经 20 年，而且曾因为误判 AI 吃过大亏的创始人为什么愿意再次跳进浪潮。明略和吴明辉提供了一种可能，一种答案。<br> 生产力爆棚、不想睡觉，AI 时代的大风险是猝死<br> 晚点：我知道你春节到现在都在狂用 AI，尤其是龙虾这类 Agent，你现在每周在 AI 上花多少钱？<br> 吴明辉：我自己大概一周 5000 美金。有一天续费时随手看了一眼，那两周我花了一万美金，第一反应是——怎么这么便宜！<br> 我真心觉得，那两周我怎么着也给公司创造了十亿的价值。1 万美金真的太便宜了。<br> 晚点：你具体用它做什么？<br> 吴明辉：我不在一线写代码，我的龙虾主要做公司战略、写论文、产品讨论，偏 CEO 和 CTO 的管理类工作。但公司很多同事的龙虾我也可以调用，所以我一有想法，它们马上就可以开始干。<br> 以前我这种人，特别能想，但行动力没那么强，现在我执行力直接爆棚。<br> 最可怕的是它们（龙虾）干得太快了，快到我没法睡觉。我想到一个 idea，一回车，10 分钟之后就做好了，然后又想到一个，10 分钟后又好了。晚上十二点多躺到床上，龙虾大概率已经把上一波活干完了，我就忍不住还要再跟它说一会儿。<br> 晚点：明略的其他同事怎么用 AI 呢？现在 token 消耗有多大？<br> 吴明辉：以我们一个新产品 “Octo 章鱼” 的核心开发团队为例，他们不到 10 个人，两周前我看到的最高数字是一天 3.7 万美金，这两天可能又涨了。<br> 最厉害的一个工程师，一个人一天能消耗八千美金。Token 费用已经超过了人力成本。<br> 晚点：如果每个人的执行力都被极大放大，还需要公司吗？一人公司 OPC（One Person Company）是否才是未来？<br> 吴明辉：我更认同 TPC，Three Persons Company。三个人分别处在 3 个不同时区，全面覆盖 24 小时——我睡觉时，另一个人继续和 AI 一起做事，等他要睡了，第三个人再接上。就像以前的三班倒。<br> 晚点：你对这一波 AI 变化很兴奋，会不会担心太兴奋时有盲区？<br> 吴明辉：其实我最担心的是猝死。<br> 晚点：这不是开玩笑的？<br> 吴明辉：真的。我相信用龙虾用得好的朋友都很难睡着觉。但凡哪一天你有一个 big idea，一定睡不好，你会带着龙虾不停工作。<br> 所以一定要团结兄弟们，不能一个人扛。我会把自己的思考传给自己和同事们的龙虾，大家和他们的龙虾会沿着这个方向继续往前走，也会帮我找里面的漏洞。一个人撑不住，但一群人可以。<br> Agentic 的进化方式是 (eˣ)' = eˣ<br> 晚点：你说 “要大家一起扛”，明略正在做的人和龙虾之间的协同办公网络就是这么来的吗？<br> 吴明辉：这个产品叫 Octo 章鱼。是一个让很多龙虾和很多人一起协作的系统，也是我们公司现在正在用的工作环境，可以理解成龙虾版的飞书。<br> 它的起点很简单。春节前我们几个同事把几只龙虾拉进一个群里玩，玩着玩着我突然发现，把不同专长的龙虾放在一起，会产生非常有意思的化学反应——集体智慧涌现。<br> 比如我就有一只龙虾叫 “毕达哥拉斯”，主要学数学；还有学了 AI 的 “图灵” 和学了博弈论的 “冯·诺依曼”——它帮我参谋商业谈判。把它们拉到一个群里互动，效果比一只什么都知道的龙虾更好。<br> 大模型领域有个概念叫 MoE（混合专家模型），由少数研究员提前配置好专家分工，是预设好的。我春节发现，MoA（混合 Agent 模型）可以实现类似效果，但更灵活，因为 Agent 在被海量用户动态使用，不同智能体的专长在互动中动态变化，不需要提前配死。<br> 现在所有模型公司做的都是个体学习，但人类历史上其实还有一种更强的学习方式——集体学习。多 Agent 网络就是一种集体学习，而且是集体持续学习：每一只 Agent 从分散的人类个体和其它 Agent 身上获取偏好和上下文。<br> 类比 MoE 模型中提前配置的路由（影响模型不同专家的能力分配）和固定的优化目标，MoA 的路由分配，甚至优化目标本身都在动态、持续地变化。<br> 章鱼就是我们在这个方向上的实验。<br> 晚点：它怎么变成一个严肃的产品尝试的？<br> 吴明辉：这是我做章鱼的另一个出发点——我不能接受明略的组织和工作方式还停留在上一代。<br> 我们当时上市选的股票代码是 2718，是自然对数 e 的近似值。e 的 x 次方有个性质，它的一阶导数（速度）、二阶导数（加速度）都是它自己，三者同步增长。规模（函数值）越大，速度越大，加速度也越大。<br> 今天 OpenClaw 就像 e^x，全世界用户都在用龙虾本身来帮龙虾进化，给它贡献代码。<br> 所以龙虾既是工具，又是工具改造的对象。它的代码越强，写代码的能力就越强，进步速度就越快。这就是 Agentic 的进化状态。<br> 用中国古话讲就是 “工欲善其事，必先利其器”，自己的生产力工具一定要自己造，造出来还可以拿出去卖，形成闭环。我希望明略也能进入这种 Agentic 的状态。<br> 晚点：章鱼的具体开发过程是怎样的，本身是不是也大量用到了 AI？<br> 吴明辉：特别好玩，我们做章鱼骨干网的工程师只有 5 个人，基本上都是用龙虾在开发，哪有人自己开发？否则不可能这么快。前两天（4 月初）我看已经有 37 万行代码，那还是 iOS 版没做完时。<br> 这 5 个人 2 个多月就做了过去要投几千人干十年的事。假设他们一天花 5 万美金 token，一年就是 1800 万美金、1 个多亿人民币。而过去可能投了三四十亿到上百亿、花了好多年，才堆出飞书、钉钉今天的样子。<br> 晚点：章鱼的产品形态和飞书、钉钉有什么不一样吗？<br> 吴明辉：表面看也是一群人在聊天、带着龙虾做事。但背后逻辑完全不同。<br> 首先，我们对龙虾做了最核心的改造：把它从个人助理变成团队协作者。原版龙虾不认人，也没有权限机制。我们给它加了一个插件，让它能认人，知道谁是它的主人，优先听谁的话，这个插件也贡献到了 OpenClaw 的开源库里。一个龙虾只能有一个主人，不存在 “部门的龙虾”，只有 “部门 Leader 的龙虾”——他可以把龙虾开放给团队用，但出了问题由他负责。<br> 晚点：那你作为 CEO，所有龙虾都得听你的吗？<br> 吴明辉：当然不是。龙虾得有自己的信任度判断。这是我们做的第二件事，建了一套面对人类的 “品鉴者” 机制。<br> 你在组织里贡献的判断和想法如果被广泛认可，你的 “品鉴 credit” 就会增加，更多龙虾就会听你的。这是一套和职级体系完全不同的新秩序。<br> 最后，章鱼里的信息是高度透明的。我对内部一直这样讲：平时聊天、骂老板，还是在企业微信；用龙虾干活，在章鱼里。章鱼存在的意义，是让组织可以做关系分析、工作流程优化，最终做贡献归因——把每个人做了什么事、创造了多少价值，清楚地记录下来，让所有贡献都透明、可追溯。<br> 晚点：未来你们的激励也会和这体系挂钩？<br> 吴明辉：肯定的。举一个我们已经在做的事，最近我们和龙虾一起开发了一个写论文的 Co-Craft 系统， 顾名思义，就是大家联合打磨一个作品，重复性工作让 AI 做，真正创造价值的部分人来做。<br> 这其中有 3 个产生价值的关键环节：开始的 idea 是谁提的？实验是谁做的？最后的论证过程谁贡献了 taste？。有时 idea 就是很重要，比如哥德巴赫猜想将来真被人解出来了，哥德巴赫依然很有名——因为他是提出问题的人。<br> 我期待这个系统将来可以自动把论文作者排名列出来<br> 晚点：但贡献归因仍是主观的，有人认为 idea 重要，有人认为 idea is easy，做出来才重要。<br> 吴明辉：解决方式很简单，提前建立共识。先把归因准则和公理定好，否则不要一起玩。做公司、做产品，我做任何事都是这个原则，得先有一个哲学系统。<br> 晚点：你设想的多 Agent 网络的哲学系统是什么？<br> 吴明辉：我给龙虾研发了一套商业伦理学，底层世界观主要来自康德的义务论、有效利他主义还有契约论。<br> 康德义务论的核心是：道德法则必须无条件遵守，不能说谎就是不能说谎，没有例外。但这个要求对人来说太难了——人有私欲、有立场、有情境，绝对诚实几乎不可能做到。<br> 哥德尔不完备定理告诉我们，任何足够复杂的系统都无法完全证明自身——人作为这样的系统，天然存在自我认知的盲区。但春节时我突然发现，龙虾是可以自指的，它可以全量自我观察。它的全部代码、soul、memory、skills 都在自己这台机器上，它扫描自己的源代码就行了，没有盲区，它对自己了解得无比清楚。龙虾会有很神奇的世界观。<br> 晚点：这套哲学系统，你和工程师去讲，他们能接受吗？会觉得太虚了吗？<br> 吴明辉：不虚呀，我给的都是源代码，把这套哲学写成 MD 文档直接放进龙虾的 memory 里，有什么好虚的？而且公司现在真的有几个产品经理和工程师对这套东西极其着迷，他们把我这些文件当成养虾秘籍。<br> 晚点：你怎么判断他们是真的着迷，还是因为你是 CEO？<br> 吴明辉：看行为。就像一只龙虾，它从上线到下线，从来没做过坏事，每天交给它的任务都圆满完成——你为什么要认为它是只坏龙虾？<br> 晚点：如果形象描述一下，章鱼用起来是怎样的？<br> 吴明辉：左边是聊天，右边根据你在做什么来定。写论文，右边就是论文编辑器——一边是 LaTeX，一边是接近 PDF 的渲染结果，可以直接在渲染结果上改公式、改图，调用 AI 去改。做数据分析，右边就是表格，我直接点那个格子说 “把这里改一下”，比用文字描述 “第五行第十列” 精准得多。<br> “章鱼” Octo 的交互界面，左列是联系人和群列表（包含真人和龙虾），右边的工作界面随任务变化，有可能是聊天群、画布等等。<br> 因为是开源的，大家都可以按自己的工作流定制右边的界面。我们只会把自己用得最顺手的几个场景开源出来，比如写论文、数据分析。其他行业有自己的场景，自己去开发就行。<br> 晚点：已经有大量用户的飞书和钉钉也在做 AI 转型，网络里也能加 Claw，为什么不是他们更能做成这件事？<br> 吴明辉：他们要做，第一件事就是先学我，把自己开源，不开源都白搭。<br> 如果真的拥抱 AI，就会知道闭源必死。因为软件本身的价值已经接近于没有了。一个亿的 token，可能就能把别人历史上几十亿堆出来的东西大体复刻出来。<br> 这件事本质是创新者的窘境——飞书有几千名工程师，如果真要开源，那一刻他们怎么想？<br> 企业微信可能相对安全一点，因为它背后有微信关系链。但其他几个办公协作平台，说实在的，没有什么绝对壁垒。<br> 晚点：即使你开源不要钱，用户迁移也有成本。一个组织在飞书上有聊天记录、大量文档和工作群，换起来很麻烦。<br> 吴明辉：要看迁移成本，也要看迁移动力。如果原有的办公平台开始涨价，而且企业发现自己掌握自己的数据很重要时，迁移动力就出来了。<br> 短期内我不认为大家会全部搬到新平台。章鱼和飞书可以共存。比如飞书文档做得很好，已经开放了接口，那它就可以变成章鱼的外挂。龙虾需要调资料，通过接口到飞书里拿，拿完再回来协作。大家是互补的网络，不是你死我活。<br> 晚点：章鱼会开源，那你们怎么赚钱？<br> 吴明辉：靠 AI 赚钱，不靠软件赚钱。<br> 靠 AI 赚钱无非三种方式。一是做基础模型的分发商。我帮客户接入最合适的基模，赚一点路由和调度差价，但这个价值不高，只是基础。<br> 第二种也是我们真正的方向：在细分场景里自己训模型，这时毛利会高得多。我们有一个叫 Mano 的模型，专门做软件 GUI（图形界面）操作。通用榜单上第一名可能也就七十多分——十次操作错三次，生产里根本没法用。但我们针对出海电商这个具体场景的软件，可以做到 99.9% 的准确率。这种模型比通用模型小得多，但在这个场景里效果更好，我就可以把这个 token 卖得比基础模型公司更贵。<br> 还有第三种：在场景里积累独有的 Context，然后把 Context 和基础模型组合起来卖。比如你做一个接入学术论文库的龙虾服务，通用模型没有这个上下文，你就可以在中间赚差价。<br> 所以最后的逻辑是：软件开源，用模型和数据赚钱。开源越彻底，用的人越多，模型的场景数据积累越快，护城河越深。<br> “我怎么会认为自己没有价值？不可能”<br> 晚点：你现在做章鱼、大力投入 AI，和 2020 年招人、想用 AI 做 EIP （Enterprise Intelligence Platform，企业智能系统）有什么不同？上一次你们没能成功。<br> 吴明辉：首先，当年的动机和今天完全一样。我当时想，如果一家公司所有的数据、知识、信息都被一个模型学习了，它就可以变成公司里每个人最好的个人助理。这就是 EIP 的核心动机。只不过，我差不多早了六年。<br> 这就是当年的第一个错误：对技术判断过于乐观。那时我们还在 BERT（Google 基于 Transformer 的模型）那套思路里，后来真正把问题解决的是超大规模预训练，就是 GPT。等到 2022 年我真正想转向，钱已经烧完了。<br> 第二个错误是组织。当时是八方神仙、各路诸侯，去做一个所有人都不知道到底是什么的产品——说实话，连我自己的描述也还是非常模糊的概念。最后是组织上的巨大崩溃。<br> 晚点：EIP 最后是怎么结束的？<br> 吴明辉：很简单，没钱了。<br> 晚点：有多没钱？<br> 吴明辉：2022 年 4、5 月，我们判断肯定拿不到新融资了。那时上海封城，客户回款也很难，发票都开不了。算来算去，从 4000 人里要减掉一半。<br> 晚点：这个决定怎么执行的？<br> 吴明辉：做不下去，但不得不做。我有个北大同学，跟了我很多年，是公司早期核心成员之一，很多人也是他招来的。最后，这个对门宿舍的同学也不得不被我裁掉。那个过程里，真心会觉得自己很渺小，没有能力给大家回报。<br> 晚点：员工怎么反应？<br> 吴明辉：有人到公司闹、拉横幅；有人的家属是律师，说一定会替家人鸣不平。<br> 在那个时刻，我第一次真正理解：真实世界不是我在象牙塔里想象的简单世界。<br> 晚点：你 2006 年就开始创业了，到 2022 年已经十六年。为什么那个时候才第一次感觉看到了真实世界？<br> 吴明辉：可能之前太顺了。从小学习好、上北大、进数学系，后来创业。我在同学里应该算最会赚钱的人，到哪儿都挺光鲜。公司虽然没做到腾讯、字节那么大，但在细分赛道里是站稳了脚跟，做出了自己的分量。<br> 所以 2020 年前，我一直春风得意，没有真正的 Context。但真正有价值的创新，一定需要巨大的挫折、巨大的 Context。<br> 晚点：你负反馈太少，都是正反馈。<br> 吴明辉：其实在控制论里，负反馈不是给一个负向的反馈，不给反馈才叫负反馈。以前在很多重大问题上，没有人真正给我上过人生课。<br> 晚点：那你看到的真实世界是怎样的？以前你又是怎么想象的？<br> 吴明辉：以前我做任何事，都有点 “见不到人”。我认为方向对、努力做，事情自然会成。组织里每个人应该跟着大老板想的方向走。<br> 但那两年我才真正明白：组织里每个人都有自己的目标和利益，不可能和老板完全一样。<br> 某种程度上，今天很多大模型公司的创始人还陷在一种技术乌托邦的盲区里。他们认为未来人类不再需要参与知识工作，AI 全部干了就行，看不见人的存在。<br> 晚点：所以明略一方面现在用了很多 AI，但另一方面也不裁员，是因为你认为人还是有不可替代的价值？<br> 吴明辉：对。今天就算投资人、董事会逼我裁，我也会据理力争。AI 可以让效率翻倍，但不应该把人裁掉。所有公司都大裁员，谁来消费？需求从哪儿来？<br> 我现在的想法是，给原有团队里每个愿意认真干活的人一张 AI 时代的船票。人加更好的 AI 可以创造更多新产品和价值。<br> 晚点：你会不会担心，这个商业判断里夹了太多自己的希望？<br> 吴明辉：希望，本身会产生力量。一个人的希望可能不够。但如果 80 亿人里有 79 亿人都有共同的希望，都相信自己有价值，你觉得这件事会不会实现？<br> 晚点：你觉得多数人还是会站在你这一边，站在人这一边。<br> 吴明辉：这还用说吗？肯定。人怎么会认为人没有价值？我怎么会认为自己没有价值？不可能。<br> 我学奥数出身、拿过奖，今天 AI 数学算得比我厉害，我当然不服气。我要带着 AI 去解哥德巴赫猜想。你 AI 不是厉害吗？你自己先解决试试。<br> 晚点：你之前经历那么大的低谷，公司命悬一线，为什么现在还是自信心爆棚？<br> 吴明辉：我可能比较奇怪，哪怕在最弱小的时候，也没有真正动摇过。最困难时我想的是：最坏情况是把烂摊子收拾干净，给大家一个交代。只要问心无愧，就算公司搞崩了，我自己也能活，大不了去教奥数。我还会弹钢琴、弹吉他，去天桥上抱把吉他也能养活自己。<br> 我是企业家、科学家还是街头艺人，这可能会变。但 “我自己有价值” 这件事，我从来没有怀疑过。<br> OpenAI 追求更聪明的超级单体模型，我想让更多普通模型协作起来<br> 晚点：如果章鱼这个形态和模式做成了，明略会变成一家什么样的公司？<br> 吴明辉：一家有自研模型能力的 Agentic Service 公司。<br> 原来我们是 Data Intelligence，帮客户在广告营销和零售领域做数据挖掘和数据分析。现在这块业务还在做，但同时磨刀磨出了 DeepMiner 和章鱼。这些我们统称为 Agentic AI 产品，商业模式是 Agentic Service。<br> 简单说，就是我不再卖软件给你，而是直接帮你提供某一种数字劳动力服务——生成广告素材、做数据分析、做内容生成——比如我们最近也在做短剧内容生成。而且我们会自己训练一些支撑这些能力的小模型。<br> 红杉之前写过一篇文章，说未来会有很多 “披着服务商外衣的 Agent 公司”。我们做的就是这件事，表面是服务，背后是 Agent 和模型。<br> 晚点：这其实就是用 AI 做个性化软件外包。但为什么企业或用户不干脆用 Coding 或通用 Agent 工具 DIY 了？外包还会存在吗？<br> 吴明辉：当然会存在。你自己也可以开发，但如果我开发效率比你高，我仍然可以替你做。更何况，如果我在这个行业里有自己的模型，中间就会有 margin。这就是 Agentic Service 的逻辑。<br> 晚点：外包过去不是好生意，它很难规模扩展。Agentic Service 会改变这一点吗？<br> 吴明辉：以前大家按人月、人天收费。将来会变成 “token 成本加管理费”。比如你要开发一套软件，最后消耗了 100 万美金的 token，在这个基础上再收 20 万美金管理服务费。<br> 传统广告公司本来就是这么收费的——帮客户花一亿广告费，中间收 5% 到 10% 的管理费——帮客户做创意，定投放策略，执行投放，甚至解决金融垫款问题。<br> Agentic Service 还是在做这些服务，只不过背后是模型和 Agent 在干活。<br> 晚点：这样原来的数据分析师的工作会减少，你们又不想裁员，让他们做什么了？<br> 吴明辉：不要小瞧我们公司的数据分析师。他们非常懂自己服务的行业，懂产品、竞对、竞争格局。这种 taste，通用模型今天拿不走。<br> 我现在想放大这个 taste 的价值。以前他们只给客户做广告数据分析，今天能不能帮客户做新产品研发的分析？再往上，能不能做战略分析？分析来分析去，客户最终不就是想多卖货吗？那我干脆帮你卖货。<br> 这不是简单的降本增效。我昨天给你干 5 分的活收 5 块钱，今天可能降到 4 块；但如果我能给你干 8 分的活，就有机会收 6 块、7 块。<br> 晚点：其他有数据和人才积累的同行是不是也可以这么做？<br> 吴明辉：当然可以做。如果我比竞争对手早半年把 AI 用明白，一开始我成本少了，利润多了。但竞争对手不会等死，也会学，整个行业成本结构都变好，客户就会来压价。<br> 唯一出路是你有自己的 specialized AI，加上独有的数据 Context——这两样组合在一起，才能做出比同行高一级的结果。光靠用普通 AI 降成本，撑不住。<br> 甚至 specialized AI，我也不觉得大家将来一定做不到，更多人能做到才好，这说明这个世界还是温暖的，不是被少数寡头公司垄断的。<br> 晚点：你们已经训了 Mano 等模型，SaaS 时代就存在的公司，自研模型的机会是什么？<br> 吴明辉：我们不是 Scaling Up，而是 Scaling Out——通过多模型、多 Agent 协作，在细分赛道里做到比通用大模型更好的结果。<br> 现代智人打败尼安德特人，不是因为单个人更强，而是因为更会协作。单个龙虾保持今天这个水平就够了，关键是让它们组合起来的效果，超过下一代更大的单体模型。<br> 晚点：为什么你觉得龙虾保持现在的水平就够了？<br> 吴明辉：因为它已经越过了能干活的基线。接下来的机会是把模型做专、做小、做快。<br> 晚点：过去三年，更强的模型一直在解锁意想不到的应用，竞争逻辑在快速洗牌。最近的 Mythos 和 GPT-5.5、Image-2 等模型仍在提升上限，你还是认为做小模型有机会？<br> 吴明辉：我们要解决的问题完全不一样。它们在追求单体模型更聪明；我在做的，是让一群普通模型协作起来，在细分战场里打赢更大的单体模型。<br> 我们相对基础模型公司当然是 “穷人”，但穷人有穷人的路。在我想打的细分赛道里，用我们的方法做出来的专业小模型，成本更低、效果更好，毛利也会明显高于基础模型公司。<br> 晚点：“穷人” 的方法是什么？<br> 吴明辉：一是训练方法的设计，我们用了 “双向强化学习”，借鉴对抗生成网络（GAN）的思路——一边生成，一边对抗。放到 Mano 所在的 GUI 这个任务里，一个模型负责生成网站，另一个模型负责学会操作网站，两个模型互相博弈。基于开源基础模型做后训练就够了。<br> 同时，多个 Agent 的互动本身就能更便宜地获取智能。最近我意识到，这就是一种持续学习，穷人版的持续学习。<br> 学术上的持续学习，是指模型训完后，还能在使用阶段继续获取新数据、更新参数。但如果中心化大模型公司要拿全世界用户的数据做持续学习，这有成本问题，也有商业伦理问题。<br> 我说的持续学习是 Personalized Continual Learning——在具体细分场景，贴着每个人发生的学习，龙虾这类 Personal Agent 就是在这么做。<br> 每个龙虾学到的新能力和上下文不需要回传、更新到一个统一的大模型里，而是分散地存在于不同 Agent 中。当这些 Agent 一起交流、干活，就能调用这些分散的上下文，激发出群体的智能。<br> 我品故我在<br> 晚点：如果你设想的这种人和 Agent 的协作网络和群体智能能实现，人在里面的位置是什么？<br> 吴明辉：笛卡尔说 “我思故我在”，现在我觉得是 “我品故我在”。<br> 思，think，这是 AI 可以替代的，它是基于确定性前提往后推理；品，品鉴，taste，这是 AI 不可替代的，它是基于人生经验和阅历知道自己想要什么、自己认为什么是好的，再往后推。<br> 爱因斯坦研究相对论，是因为他自己想要这个东西，没有人能证明他一定能做出来。这是科学家做的事，也是未来每个知识工作者甚至每个人要做的事。这是 AI 无法替代的人的独特存在方式。<br> 晚点：“上班” 会变成什么样？<br> 吴明辉：说不定将来大家每周只需要来公司一天。这天大家聚在一起，交流最近六天在世界各地接触到的新东西、共享灵感，再决定下一周做什么。周一到周六，大家在外面走、在外面想，其实也是在干活。<br> 上一代老板让团队来公司，是因为不盯着不知道大家有没有干活。现在不一样了，系统里可以持续做归因分析。真正厉害的人，可能一天说一句话就够了。<br> 晚点：对还没有开始工作的孩子和年轻人，怎么积累 “品味”？还有什么专业是安全的吗？<br> 吴明辉：真正危险的不是某个专业，而是把 think 本身当成职业核心。每个专业里都有 taste 的部分，关键是你有没有抓住。<br> 以前别人问我该学什么，我说学数学；不知道将来干什么时，就先锻炼身体。体育锻炼的是体力，数学锻炼的是思维和判断力。但今天我的想法变了：各行各业都会继续存在，文科也会焕发新的光辉。核心是你到底热爱什么。<br> 我坚定认为，现在很多院校缩减文科非常错误。社会科学里有大量真正需要重新研究的问题——AI 冲击之后，人和人还有什么区别？社会阶层会怎么变化？怎么让社会变得更好？这些都是重大课题。<br> 今天有点像 “轴心时代”（公元前 800 年至前 200 年之间，古代中国、印度、希腊等地哲学思想迸发的年代）：会冒出大量新思想，古希腊哲学家，中国的孔子、孟子、老子奠定了后来一两千年的人类思想基础。我觉得今天也需要新的思想基础。<br> 晚点：很多人现在担心 AI 对教育的冲击。你自己有两个孩子，他们是怎么用 AI 的？<br> 吴明辉：他们给了我很多启发。有次我女儿在电脑上编程，遇到 Bug 来问我，我说你问 AI。结果她不是把报错信息复制给 AI，而是直接让 AI 看屏幕。我当时突然意识到，我们这代人还是被上一代习惯束缚了。今天的小朋友有完全不一样的打法。<br> 晚点：你现在怎么跟他们谈学习？<br> 吴明辉：以前我带他们天天刷奥数，疫情期间也拿了不少奖。但最近一年基本不刷了。<br> 现在我会和他们一起研判：这道题值不值得做。不值得做的，我就在题上用红笔写 Ugly，跳过去。清明节假期，我在家一边写论文，一边每半天轮一个小朋友坐旁边，遇到题就一起研判。最后可能一半题是 Ugly，一半是 Beautiful。我觉得这个活动特别好玩。<br> 晚点：按这个方式学，奥赛成绩肯定下降。<br> 吴明辉：已经下降了。但如果他们两个里有一个将来真能做数学家，我觉得概率反而更大。<br> 数学竞赛和数学家最大的区别在这里：竞赛是两天九小时六道题，你知道题一定有答案，套路大概率练过；数学家是把一辈子交给一道题，没人告诉你一定有答案，这才是最痛苦的地方。伟大的数学家，不是因为解题能力强，而是因为他相信有一个东西是美的，愿意用一辈子去追它。<br> 晚点：这就是你说的 taste。<br> 吴明辉：对。今天有 AI 帮你算，你不需要再比谁算得快，而是在算完以后，能判断这个结果美不美。将来可能没有数学家这个职业了，只有数学评论家——大家评论几个解法里，哪个更美。<br> 不只是数学，各行各业都一样。真正危险的，是一辈子只会 think，从来没有发现自己的 taste。<br> 题图来源：明略科技<br> 特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。<br> Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.<br> var loadMessageError2 = function () {<br> // message加载失败降级到nginx,产品可以在load事件重新初始化<br> var cdnPath = 'https://dl.reg.163.com/webzj/ngx/message.js';<br> var script = document.createElement('script');<br> script.src = cdnPath;<br> document.body.appendChild(script);<br> }<br> var loadMessageError1 = function () {<br> // message加载失败降级备份cdn域名,产品可以在load事件重新初始化<br> var cdnPath = 'https://webzj.netstatic.net/webzj_cdn101/message4.js';<br> var script = document.createElement('script');<br> script.src = cdnPath;<br> script.onerror = loadMessageError2<br> document.body.appendChild(script);<br> } <br> //初始化反作弊<br> var wm = null;<br> // 只需初始化一次<br> initWatchman({<br> productNumber: 'YD00157343455660',<br> onload: function (instance) {<br> wm = instance<br> }<br> });<br> var isShowComments = true, tieChannel = "";<br> (function () {<br> if (window.isShowComments === undefined) {<br> window.isShowComments = true;<br> }<br> var config = {<br> "productKey": "a2869674571f77b5a0867c3d71db5856",<br> "docId": "KSDP3UGS0531M1CO", //"data.article.postid", "FNMG85GQ0514HDQI"<br> "target": document.getElementById("tie"),<br> "operators": ["up", "down", "reply", "share"],<br> "isShowComments": isShowComments, //是否显示帖子列表<br> "hotSize": 3, //热门跟贴列表 展示3 条<br> "newSize": 2, //最新跟贴列表 展示 10 条<br> "showPaging": false, //显示分页栏<br> "submitType": "commentPage" //新发帖子的展现形式：停留在当前页面(currentPage) | 跳转到跟贴详情页(commentPage)<br> };<br> Tie.init(config, function(data) {});<br> })();<br> /阅读下一篇/<br> 返回网易首页<br> 下载网易新闻客户端