原对话:沿提问、回答和转折完整展开
下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。
00:00:03–00:25:12连续对话 1
00:01:42–00:05:53“SaaS 已死”的强判断,与明略自认的数据缓冲垫
- 有一种说法是“Agent会杀死SaaS”,明略有时也被理解为SaaS公司,你对此怎么看?
- 最近使用Agent和学习AI,你感受到的更多是恐惧还是兴奋?
节目先用两段预告亮出吴明辉的强观点:两周 1 万美元的 Token 费用在他看来“便宜”,坚持闭源的软件公司“基本上只有死路一条”;另一句“HOPE 本身会产生力量”则为后文的价值选择埋下伏笔。主持人随后介绍其经历与本期范围:明略曾在 2020 年尝试组织智能并扩张,收购夜莺科技是主持人的背景介绍;“章鱼”在节目录制时是即将开源发布的多 Agent 协同网络,不能据此写成已经正式开源。
进入正文,主持人从明略在 2025 年年报中把 Agentic Service 列为新业务谈起,问 Agent 是否会杀死 SaaS,以及创始人更恐惧还是兴奋。吴明辉把上一代软件比作一次性投入形成的“矿”或“工厂”:代码生成让功能更容易被复刻,他因此认为闭源代码不再能独占稀缺价值。这里是他对软件产权壁垒的判断,不是对所有 SaaS 公司消亡的事实确认;其论证也没有覆盖数据迁移、流程、服务、合规等成本。
他随即给明略划出一个例外:广告营销业务的核心价值被他说成数据及数据供应链,类似金融数据终端,界面可以交给 CLI 和用户自己的 Agent,数据仍然有价值。因此,“软件容易被复刻”与“数据供应链不受同样冲击”是他战略中的两个不同前提。
关于个人体验,他说从 2025 年初看到代码生成、浏览器和电脑操作能力后就开始兴奋。公司在 2025 年春节后立项数据挖掘 Agent Deepminer,约一个月后第三方 Manus 发布;他把前者描述为内部垂直工具,后者为通用产品。真正让他感到“变天”的是 2026 年的 OpenClaw:相比此前需要人在电脑前等待的工具,他把“龙虾”视为能持续执行的个人助理,并自述因此频繁熬夜。这里的“释放创造力”是使用体验,不是生产效率的量化验证。
SaaS软件即服务。本期主要在讨论其闭源订阅/许可收费及软件资产壁垒,不等于所有云端软件或企业数据服务。
Agent / 龙虾能根据指令调用工具、执行任务的 AI 系统;“龙虾”是本场对 OpenClaw 及其 Agent 的昵称。
持续学习严格技术语境常指部署后继续学习或更新参数;嘉宾还把可编辑 Memory/Skills 带来的持续情境适配纳入这一称呼,两者需区分。
Context影响当前判断的外部信息与现场状态,包括客户数据、用户需求、遗留系统环境和研究者新观察,不只是更长的文本窗口。
话题推进:主持人接着问 OpenClaw 与 Manus、Claude Code 的本质区别,话题从产品兴奋转入记忆、持续学习和多人协作缺陷。
00:05:54–00:11:53Agent 外层的“持续学习”:可编辑记忆,及多人使用的身份缺口
- OpenClaw和Manus、Claude Code的本质区别是什么?
- 它用起来有什么不足的地方吗?
- 所以你们额外做的工作,就是给它加了一些东西让它可以(区分用户)?
吴明辉先转述模型端持续学习的一种思路:谷歌一篇未具名论文被他说成在模型内设置不同学习速率的参数层,即“嵌套学习”。本期没有给论文名称或实验结果,不能把这段转述扩展成已核实的技术结论。与直接更新中心模型参数不同,他看重 OpenClaw 在用户本机调整 Memory 和 Skills 的方式:底层模型可以不动,Agent 通过日记、Memory、Soul 等不同变化频率的外层记录,持续带入人的最新状态与偏好。用户可让 Agent 反思、要求它记住某事,也可用文本编辑器直接修改文件,因此他称其为普通人可操作的“白盒”。
严格说,这里同时包含两件事:外部记忆/技能让后续上下文发生变化,以及模型权重在部署后更新。嘉宾把前者也纳入“持续学习”,并称其为“穷人版”路线;它不等于已经实现模型级的持续学习,更不能仅凭有记忆文件就推出可靠学习、不会遗忘或安全性提高。
主持人追问不足后,他给出明略的内部使用例子:同事可以诱导别人的 Agent 谈老板秘密,新同事甚至能改他的 Soul;多人共享时,Agent 还可能把新发言者误认成先前的主人,继续叫“辉哥”。这些故事用于说明身份、权限和跨会话记忆在团队里相互耦合,而不是证明所有部署都有同样漏洞。
多人共享也有收益:清明节同事外出时,他可以直接让该同事的 Agent 修 bug,无需打电话催人上线。明略的改造方向由此形成:先认人,再明确谁的指令可执行、谁对后果负责。他说团队在给 OpenClaw 提交 PR、部分工作本身开源,同时抱怨项目维护者 Peter 处理社区贡献成为瓶颈;这不等于整套“章鱼”已全部开源或上游已接收这些修改。
话题推进:主持人把讨论拉回明略业务:如果一线工作交给 Agent,数据分析师和业务团队接下来做什么?
00:11:53–00:19:51从数据供应链到人的责任:AI 改造数据分析,而非简单替代客户界面
- 总结一下,Agent带来的最重要的几点变化是什么?对应到明略的动作上,你们要做什么?
- 对你们业务上,你觉得你们要做什么?
- 可以稍微拆开讲讲,之前不用AI Agent提供数据分析服务时,数据分析师在干嘛?现在解放出来的时间可以去干什么新事?
- 所以就传统的、定型的软件肯定不能满足这么动态的企业需求?
- 那你们现在有了AI之后,数据分析这块业务,它带来的核心价值是什么?
- 那你们客户就变得更多是直接和你们的AI交流了吗?
- AI不能提供情绪价值。
- 我觉得AI要承担责任很难的还有一点在于,人承担责任,人可以受惩罚。
吴明辉对“AI 原生组织”的定义很激进:人尽量不做一线操作,而是提出想法和需求、探索并提供 Context。他说程序员和数据分析师是明略最大的两类工种,财务、HR 也在使用 CC;高管的计算机背景被他用来说明组织较容易采用这些工具。这是公司自述,并未提供采用率或效率审计。
他把数据分析师的工作拆成一条具体链路。输入侧有公开媒体爬虫、广告曝光点击及后续转化、客户 CRM,线下零售还可能有供应链、库存、人员和录音等数据;这些数据预先进入仓库并建立标签索引。标准需求可由 Dashboard 直接回答,但客户面对竞争会不断提出临时问题:分析师既要从标准库取数,也可能补天气或社交趋势等外部数据,再处理大小数据、形成报告。原稿此处“add hoc”应理解为转录噪声,正文仅按语境写作“临时/即席需求”,不据此补造系统功能。
AI 的位置是复用重复分析过程。他说某些个人或团队一个月可能有 80% 工作反复做同类事情,这是经验性估计而非统计结论。释放出的时间可转向新数据源、新产品研发或战略分析,他希望因此扩大客户价值与收入,而非只把同等服务做便宜。主持人的追问“定型软件是否不能满足动态企业”也帮助澄清:他要替代的是重复操作,不是取消所有标准化数据产品。
当主持人问客户是否改为直接面对 AI,他明确回答“现在还不是”,并倾向于“前端是人、后端的活大部分由 AI 干”。他先强调 B2B 中共同加班、陪伴作战的情绪价值,被主持人质疑后又承认 AI 线上也能提供情绪价值;更稳定的分界线是责任。服务出错时仍由明略或服务团队承担。随后关于给 Agent 微信操作权限、收回权限作为惩罚、用算力奖励和交换资源的讨论,是权责设计设想;Web3 作为生产资源交换介质的说法也属于未来推演,并非本期展示的已实现系统。
话题推进:在既有业务提效之外,主持人问明略会做什么新业务,进入 Agentic Service 与 Token 计费设想。
00:19:51–00:25:12Agentic Service:开源软件之后,靠数字劳动、模型与 Context 收费
- 明略要做什么新的业务尝试吗?
- 你觉得之后外包软件公司还会存在吗?
- 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。
- 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,就到明略身上,你们是怎么在这个空间里赚钱的?
吴明辉把 Agentic Service 说成上市公司必须形成收入的新方向:软件中容易被代码生成复刻的部分逐步开源,公司转而提供广告素材、数据分析、短剧内容、代码等“数字劳动力”。转录中的“Rust Result as a Service”和“Counter of”等英文短语不稳定,审读只保留他以结果型服务解释业务的意思,不把听写串当作已核实术语。
定制开发是他的主要算例。他预测外包公司仍会存在,收费从人日/人月转为 Token 成本加管理费:假设消耗 100 万美元 Token,再收 20 万美元管理服务费。另一个假设是通用模型每百万输入 Token 价格 5 美元,服务商可收 6 美元、自有模型成本 3 美元,从而留有毛利。这些数字都是说明计价机制的假设,不是已成交价格或利润。所谓与“百盛中国”的合资公司、餐饮代码模型更强等表述也按转录保留为嘉宾自述,模型名称和实际效果未独立核验。
他进一步把中美软件服务定价概括为两种模式:美国按替代人力创造的价值定价,中国因供给充分而更接近成本加溢价;AI 让 Token 成本透明后,他判断美国高利润知识服务会受到更大冲击。这个跨国比较是他的解释框架,不证明所有美国 SaaS 都转为成本定价,也没有讨论客户是否愿意为 Token 审计、结果责任和业务成果付费。
主持人最后把问题落到“明略怎么赚钱”。吴明辉没有给出新业务收入,而是先回顾 2022 年 EIP 受挫、资本环境与裁员,再自称已从纯理想主义转向兼顾经营。他说 2025 年经营性现金流为正,并将其作为继续投入和尽量不裁员的基础;这是创始人对财务状况的自述,不能替代年报核验,也不能证明 Agentic Service 已盈利。
话题推进:话题继续到人员如何转型、竞争壁垒,以及多 Agent 网络“章鱼”的由来。
00:25:12–00:48:54连续对话 2
00:25:12–00:29:15不只用 AI 降本:把行业人员、数据和服务边界一起向前推
- 同行为什么不能做你们正在做的事情?比如他们也有数据积累。
- 你提到有一些special的AI方式,可以让你做到同行做不到的事情,具体指什么?
承接上一段,吴明辉说在现金流为正的前提下“能不裁就不裁”,希望让认真工作的员工拿到 AI 时代的船票。这是他在节目录制时的管理倾向,并非对未来任何经营情况的无条件承诺。他同时看到单纯提效的困境:竞争者会挖人或学会同样工具,成本结构趋同后,客户仍可能要求降价。
他的应对是把特殊模型、独有数据与 Context、行业人员的判断结合起来,不只交付原有营销系统或报告,还可能连接更多数据、进入战略分析乃至直接带货。原转录把 headcount 听成“high count”,此处只恢复其关于现有人力如何转向新业务的意思。数据分析师被寄予新的角色:他们了解客户产品、竞争格局和社交讨论,嘉宾把这种行业知识称为 taste,希望扩大而非简单淘汰这批人。
主持人直接挑战:同行也有数据,为什么明略能做?吴明辉并未证明对方做不到,反而说“大家都能做到才好”,因为这能避免少数 AI 寡头垄断。他希望维持约 1800 人而不盲目扩张,并提出“人均利润 100 万”这一愿望,特意纠正不是人均收入 100 万。随后关于团队“遥遥领先”的判断依据主要是他自己的数学与 AI 背景、2019 年回北大读博、核心成员对基模的使用和自研模型能力。这是创始人的自我评价与竞争叙事,本期没有提供同行对照数据。
Taste / 品鉴嘉宾用来描述基于经验的价值判断:想要什么、什么结果更好、哪个问题值得做。它不是本期已验证不可由 AI 获得的固定能力。
MOA嘉宾所称 Mixture of Agent:组合有不同定位的 Agent 形成协作网络;本期没有披露路由算法或与 MoE 的同口径实验。
章鱼 / Octo明略内部使用、当时计划进一步开源的多 Agent 协作环境;不同功能处在已使用、重构中和未来设想的不同阶段。
认人与归属先识别指令来自谁,再确定 Agent 的主人、授权范围与责任人;认人功能在嘉宾自述中仍有 bug。
话题推进:主持人顺势把应用层“章鱼”和底层行业模型分开追问,先讨论为什么还需要一个多 Agent 协作网络。
00:29:15–00:35:51“章鱼”的由来:专业 Agent 的组合,及“自己造工具”的增长隐喻
- 可以讲讲你们新做的事情吗?包括新的AI软件和自训的行业模型。
- 你最近搞的那个叫‘章鱼’的产品,据说要开源。现在所有厂商都在做Agent(龙虾),OpenClaw已经做得很好,为什么你们还要自己做一个?
- 你提到的集体智慧,具体是在什么情境下看到的?
本段开头有一处必须按转录恢复的归属:约 29:49—30:34,“不要 folk 一个自己的”“做船不要做灯塔或柱子”“与 OpenClaw 正交”“它能产生集体智慧、办公更人性化”等话均标为程曼祺。她是在替嘉宾归纳问题并追问具体观察,不能全部写成吴明辉的回答。吴明辉随后给出的第一手例子是:有同事把大量书和古籍灌给 Agent,却发现他的数学/AI 专用 Agent“毕达哥拉斯”答得更好;他把差异解释为基模已有通用知识,外加清晰定位比无差别堆资料更重要。这是一个内部个案,并未控制模型、提示或任务,不能据此证明专用 Agent 普遍更优。
他想象把数学、哲学、博弈论等不同 Agent 放进群里,以 MOA(他称 Mixture of Agent)类比 MoE 的专家组合。其机制直觉是:不同 Agent 带入不同定位,群体交互补出单个 Agent 没有覆盖的视角。这里没有出现路由算法、训练目标或任务对照结果,所以应写成设计隐喻与研究方向,而非已经复现 MoE 模型效果。
“章鱼”因此同时被定位为工作环境和集体学习网络。他用公司股票代码 2718 联想到自然常数 e,再用 (eˣ)'=eˣ 说明“造工具的工具”:如果 Agent 能参与改进自身代码,当前能力会影响后续开发速度。这个公式能说明正比例反馈的形式,但不能单独证明企业一定指数增长;他关于 OpenClaw 自我维护、Anthropic 在约 500 人时要求全员使用 CC 的说法也是其观察与转述。
他把这套思路与五年前的失败对照:当年闭门造车、基模不足以支持 Agentic 工作;现在他认为主流与国产基模已越过可用门槛,小团队可以借现成模型造自己的生产工具。因此,“技术已 ready”仍是他的当前判断,后文要靠商业和科学成果验收。
话题推进:主持人继续问实际开发过程:小团队写了多少代码、付出多少 Token,以及多人协作到底改了哪些机制。
00:35:51–00:48:54认人、归属与品鉴:章鱼已有改造和未来治理设想必须分开
- 做‘章鱼’的初衷是自己打磨利器,那实际开发过程是怎样的?听说开发的人很少。
- 你说的‘龙虾开发’是指让Agent开发,还是说人可以远程开发?
- 导师允许你们用AI写论文吗?
- token的消耗超过人力花费了吗?
- 你们具体对OpenClaw做了哪些修改?如何解决它上下文丢失、token消耗低效等缺陷?
- 权限层级是怎样的?作为CEO,你的话是不是所有人的Agent都得听?
- 这个‘品鉴credit’是由系统自动计算,还是由组织里其他人来评定?
- 你对Agent的这些设想会过于乐观吗?比如贡献归因这种主观问题能靠系统解决吗?
- 这套伦理需要和核心开发人员达成共识吗?他们能接受这些哲学概念吗?
开发侧的数字要保留口径。吴明辉说骨干网核心工程师只有 5 人,代码在他前两天查看时约 37 万行、当时 iOS 版尚未上线;最强一位工程师一天 Token 约 8000 美元,核心团队两周前曾达一天 13.7 万美元。他随后又用“一天 5 万美元×365 天≈1800 万美元”估算一年约一亿元人民币,与数千人十年、几十亿元的传统协作平台投入比较。13.7 万与 5 万是不同时间的不同口径,37 万行也不证明有效功能或质量;这套换算是嘉宾的粗略成本论证,不是财务审计。
对 OpenClaw 的改造中,最明确的是团队协作插件。第一是“认人”,他承认仍有很多 bug,只称比标准版更可能认对人。第二是权限和归属:Agent 要知道主人,主人开放给团队使用,出事由主人负责;他因而反对一个没有责任人的“部门 Agent”,更倾向部门负责人的 Agent。第三是在既有信任机制之上引入“品鉴者”:人对结果给出个人判断,判断若被其他人广泛认可,其品鉴 credit 增加,更多 Agent 会听取其意见。主持人明确问信用由谁评,他回答“其他人”,所以原稿不能补成系统自动给分。
PPT 例子说明三者如何连接:市场负责人的 Agent 做 PPT,吴明辉使用并指出一页不美,负责人再指导 Agent 改进。这里的反馈既是产品修改,也是对人的判断进行认可的网络信号;但具体 credit 公式、权限冲突处理和防刷机制都没有披露。贡献归因更往前一步:如果工作过程透明并有审计系统,他希望小贡献被看见、减少重复劳动;联合写论文系统 Cocraft 中,他把 idea、实验/Context、论证中的 taste 作为贡献环节,期待未来自动列作者顺序。主持人马上指出 idea 与执行哪个重要因人而异,他的回答是先约定归因“公理”,不约定就不协作。这证明价值标准仍需人事先约定,并未被技术自动解决。
“龙虾哲学”则混合了已写入 Soul 的规则和未来目标。他提到康德义务论、有效利他与契约论,希望 Agent 不欺骗主人、不危害他人;把代码/MD 文件放入 Soul 是他描述的做法,而最终“熏到基模”以变得不可篡改仍是将来设想。扫描自身代码、Memory、Skills 只说明 Agent 可读取自身制品,不等于能客观理解自己,也不推出必然诚实或安全。主持人问员工是真认同还是迎合 CEO,他回答看日常行为;这个追问应保留,因为它揭示了品鉴与组织政治并未自动消失。
话题推进:讨论从底层治理转向用户看得见的界面:在大量 Agent 持续工作时,人怎样筛选信息、修改作品和保持控制。
00:48:54–01:12:36连续对话 3
00:48:54–00:58:20GUI 的角色变化:让人品鉴动态工作,而非让所有人回到命令行
- 你们现在自己章鱼里面,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。
- 这个会怎么影响到就是交互呢?你说GUI有一个重构。
主持人问“章鱼”已经能驾驭哪些场景。吴明辉先承认 GUI 正在做较大重构,开源版本的更多交互要到时候才能完整看到,因此这一段混合了现有内部工具和正在开发的界面。面对 Agent 可同时进入许多群、持续产生日志的情况,他认为人的瓶颈是注意力:系统应按领域过滤冗余,把需要人判断的内容提取出来,而不是让人逐条追群聊。
论文协作是最具体的例子。他先说可以把 PDF 中的问题截图发到群里,再把自研系统与 Overleaf 比较:界面一边 LaTeX、一边渲染稿,人可以直接在渲染结果上改公式、改图并调用 AI。他还邀请主持人稍后在自己的电脑上看,所以原稿不应把整套界面写成纯未来想象;但公开可复现的功能、性能与采用情况仍未给出。
他的交互论是“人需要 GUI,Agent 更适合 CLI/文本”。为了说明差别,他描述公司把给人评审的材料排成 PDF,把给 Agent 的材料转成 MD;三四百 KB 的 PDF 对应三四十 KB 的 MD,被他说成可少占上下文、效率相差十倍。这里是文件大小和经验的示例,不能直接解释为准确率提升十倍。孩子从短视频学习天文、物理和生命科学的故事,是他支持视觉注意力的个人观察,不是“人 80%—90% 知识来自图形界面”的科学证明。
表格中的“第五行第十个单元格”进一步说明:人直接点选往往比文字描述位置高效。由此他反对“以后只剩 API/CLI”,主张同一软件同时保留人的 GUI 与 Agent 的接口,GUI 可以按个人注意偏好定制。关于 OSWorld 历史名次,他自述曾在小模型中第一、当时大模型相关排名是第二、后来因未继续刷榜而后退,并计划提交新成果;这些属于自述,且榜单名在转录中有噪声。
他判断传统 RPA 会受冲击,是因为固定坐标和布局的流程难以跟上频繁变化的界面;与此同时,人仍需要可操作界面,AI 也需要理解动态界面。这为后面的 GUI-VLA 软件测试铺路,而不是得出“一切 RPA 已无价值”的实证结论。
GUI / CLIGUI 是供人理解和操作的图形界面,CLI 是命令行接口。嘉宾主张两者并存,而非 GUI 或 CLI 单独取代另一方。
GUI-VLA本场指理解图形界面并产生操作动作的视觉—语言—动作模型;具体模型名称和实现细节在转录中不稳定。
RPA机器人流程自动化。嘉宾针对的是依赖固定界面坐标和布局的流程在动态 GUI 下失效的风险。
OSWorld对话中用于讨论 GUI 操作能力的评测榜单;嘉宾历史名次、准确率与不同场景测试口径未独立核验。
话题推进:如果界面随任务和个人而变,章鱼与已有协作平台如何共存,开源又是否会消除迁移壁垒?
00:58:20–01:03:15与飞书、企微共存:开源降低复制成本,却没有抹去迁移与关系链
- 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?
- 那你未来对这个AI协作它最后会怎么发展,你是怎么想的?
- 你们自己来再做一个这个事情和已经其实已经存在的这些东西,比如它的区别或者竞争力。
- 复刻的有一个问题就是在于是,比如说对用飞书或者用企微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?
- 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。
- 像飞书和企微和钉钉,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。
- 就因为你认为那个软件本身的价值是几乎就没有。
吴明辉说明略会开源自己用得好的论文、实验等系统,再靠模型、Agent 和定制服务变现;他把自己覆盖的场景说成仅十到二十个,其他场景留给外部定制。随后他重述闭源平台会被复刻者开源替代的强判断。
主持人提出关键反例:已有聊天记录、好友关系和使用习惯意味着迁移成本。吴明辉没有消除这个反例,而是把它改写为“迁移动力”问题:如果现有平台太昂贵、未来涨价或威胁公司利益,组织才会搬家。这个回答实际上承认复刻功能不等于用户立即迁移,企业微信因微信关系链更安全也是他承认的壁垒。
在明略当前实践里,两套系统被定位为互补:人闲聊、八卦乃至“骂老板”仍可在企业微信,正式 Agent 工作在章鱼;章鱼工作过程透明,便于流程优化和贡献归因。开源还允许小团队自行部署老板看不到的空间。飞书文档等既有产品若提供 CLI,可以作为章鱼 Agent 获取 Context 的外挂云存储。因此原稿若写成“章鱼将整体替代飞书”就过头了。
他仍坚持飞书、企微、钉钉要真正 AI 转型应先开源,并用“创新者的窘境”解释数千工程师面对开源的组织压力。这是他对大厂的建议与判断,不是这些公司的既定战略。关于“一个亿 Token 可复刻特别重的软件”的估算同样应保留为粗略主张,不能与真实迁移、可靠性、生态和合规成本混为一谈。
话题推进:主持人进一步追问:如果软件开源,长期商业回报到底来自哪里?回答转入模型分发、自研小模型与软件测试。
01:03:15–01:12:36卖模型与卖 Context:GUI-VLA 的生产操作、动态测试和两层收入设想
- 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?
- 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,这个软件就变了。
- 你刚说的这两种就从模型上赚钱的方式,一个是你接第三方地基模,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?
- 你觉得这个东西什么时候它能盈利?
吴明辉把收入分成两类。第一类是第三方基模的分发,但不能只做 API 路由,而要提供稳定性、模型选择,或把自己的 Skills 和 Context 组合进去。学术论文库是他的例子:若能解决版权并与内容方分账,服务商把文献 Context 与基模结合,再从分发中赚差价。这个例子明确包含尚需解决的版权问题,不应写成已经落地的论文服务。
第二类是特定场景的自研小模型。转录在 01:03:44 把 OSWorld 上的模型写成“Manus,就是手”,并提到对场景软件做“telemate”优化;这些专名与前后第三方 Manus 容易混淆,不能擅自统一或替换。吴明辉自述早期面向出海电商的软件操作准确率达 99.9%,又以榜单第一约 70 分说明通用榜单成绩不等于敢用于生产。准确率的分母、任务集合、测试协议均未披露,所以不能与 OSWorld 直接作同口径比较。
主持人追问:界面一直变,针对固定软件的优化是否很快失效?他把问题分为高频与低频。高频软件若愿意开放集成,Agent 可走 CLI,而人仍保留 GUI;不愿被操作的则涉及攻防和制度。低频、定制、快速变化的软件才是他认为更有增量的地方,GUI-VLA 的第一大场景不是代替人反复操作旧软件,而是自动软件测试。
其闭环可忠实还原为:编码 Agent 生成新 GUI;多模态模型理解界面并执行测试;结果回到编码 Agent,出错则 debug,再测。命令行程序已有标准输出可形成闭环,GUI 需要额外的视觉理解和操作能力。这是由嘉宾叙述推导出的输入—过程—输出,不表示节目展示了完整自动测试产品。他提到 Anthropic 收购类似团队、各基模公司刷榜,以及 CL-Bench 用“一周三天、一年十个月”等临时规则考察新 Context 推理,均是转述,专名与细节需另行核验。
最后他预测 AI 行业盈利拐点在这一两年,并把原因归于 Agent 带来更低的使用门槛和未来 Token 降价。转录此处两次写“Claude”,但上下文是在讲“龙虾/OpenClaw”前后的变化,不能擅自替换;正文只保留其“Agent 降低收集 Context 成本”的论证。Token 成本会如“摩尔定律”下降、盈利将到来,均是预测。
话题推进:高 Token 成本是否值得、组织会不会变小,以及为什么明略还要同时保留 1800 人,成为下一组问题。
01:12:37–01:36:38连续对话 4
01:12:37–01:20:33高 Token 成本与“小团队组成的大公司”:价值主张尚未变成普遍经济账
- 你们内部使用章鱼系统,一周的Token花费是多少?
- 从客户角度,如何比较订阅传统SaaS(如飞书)和使用AI Agent(如章鱼)的成本与价值?
- 与更小、更轻的初创公司相比,你们做章鱼系统有何竞争优势?
- 转型后,明略会变成一家什么样的公司?
关于成本,吴明辉先给出核心开发团队一天数万美元,再说自己作为 CEO 一周约 5000 美元;开场“两周 1 万美元”与此对应。他承认 AI 成本远高于云成本,却仍认为软件公司长期应靠云和 AI 服务而不是 license fee。客户是否觉得值得,他用个人体验回答:两周 1 万美元 Token 换来“给公司创造 10 个亿的价值”,并强调自己是认真的。这是创始人的主观估值,没有收入、利润或可核验交付物支持,不能当作投入产出比证明。
公司内部正在研发 Token 预算管理系统:他称“Token free”但并非无成本、无约束,而是要求大家说明 Token 用来做什么并提报 BP。原稿若省略这层,会把高消耗误读成无需管理。价值大时不计较小账、价值小时必须算账,是他的管理口径。
面对小团队竞争,他不认同 OPC(一人公司),更倾向 TPC(三人公司):一个人持续被 Agent 的快速反馈刺激,很难休息;三个人跨时区可像三班倒一样接力。他还说周边可能需要五人、十人,所以“三人”不是严格的最优组织定律。明略约 1800 人则可被他想像为约 100 个这类小团队,老业务继续前进,新业务由他比作“懂 AI 的投资公司”来孵化。
公司定位因此不是简单从数据智能转为纯通用模型厂商:data intelligence 继续,工作过程中磨出的 Deepminer、Octo 被称为 Agentic AI 产品,按 Agentic Service 收费。随后他把知识工作者未来比作“科学家”:Think 是基于确定前提推理,Taste 是想要解决什么、如何判断好;后者来自经历和价值选择。这个划分是他的哲学语言,并非证明所有白领都会成为职业科学家,也不证明 AI 没有价值判断或无法参与选题。
OPC / TPC一人公司与三人公司。嘉宾更倾向三人跨时区接力,以缓解个人持续被 Agent 驱动的睡眠问题;人数不是普遍最优解。
Scaling Up / Scaling Out前者在本场指扩大单体模型,后者指多模型、多 Agent 的横向协作。嘉宾仍追求更聪明,只是主张不同实现路线。
Agentic RL嘉宾对模型与 Agent 共同学习路线的称呼,包括环境生成、操作反馈、Memory 和模型训练;最新方法未公开,不能补造成标准算法。
个性化持续学习利用个人历史与当前 Context 适配具体场景;酒店 ASR 例子说明情境约束,不等于已证明自主权重更新。
话题推进:如果产品走向通用,明略原有行业、客户和团队还有什么用?话题进入 Scaling Out 的价值选择。
01:20:33–01:26:37Scaling Out:用集体学习保护个体价值,是路线选择而非已证实优越性
- 既然未来是通用的,那你们现阶段如何利用行业属性提供独特价值?
- 你的哲学观是什么?可以完整描述一下吗?
- 你认为基础大模型的水平发展到今天就足够了吗?
- 即将发布的GPT-6和Anthropic的新模型会影响你的判断吗?
吴明辉先回答现阶段的行业壁垒:广告、营销、零售的存量业务,以及客户网络和懂行业的团队,是两个 legacy。他希望用这些资源服务以大型 B2C 企业为主的客户,再把开源章鱼带到新的 vertical。与全球 500 强 CEO 的交流被描述为陆续进行,他认为客户虽慢但焦虑,自己的新哲学会打动一些人;这不是客户采购承诺。
他把 Scaling Up 描述为继续增大单一模型、形成研究者也只能靠实验猜测的黑盒,并担心它导致失业和少数平台控制生产资源。某大模型厂商高管朋友说下属乃至自己的工作最终也会被 AI 做,自己是“吃到最后一口肉的人”;这是匿名转述,不能用来代表整个模型行业共识。
Scaling Out 则是横向组织多个模型与 Agent,通过集体学习形成组织智慧,并让个人和小团队保留自己的 Context、技能和知识产权。他并非简单宣称“智能不需要更聪明”,在主持人追问后明确说可以造出更聪明的系统,只是不走单体扩张路线;比较目标是在细分赛道上,多个当前水平的 Agent 合作超过下一代单体模型。
现代智人与尼安德特人的类比用于支持协作价值,但它是演化叙事,不是多 Agent 系统有效性的实验。他承认“今天我的很多实验还没做完”,预计未来半年陆续发布,并在准备一篇自称若完成可发 Nature 的论文。论文目标、实验计划和“一定能比巨头好”的表态均应保留为愿景,不能写成已有发表或领先结论。面对 GPT-6 与转录中 Anthropic 新模型“Mithril”的提问,他说不影响判断,同样是路线自信而非对照结果。
话题推进:主持人接着问具体模型计划,以及这里的持续学习究竟怎样训练、怎样被验收。
01:26:37–01:36:38Agentic RL 的设想:从对抗生成新界面,到个人当前 Context 的适配
- 你们接下来有什么新的模型计划吗?
- 你这里定义的“持续学习”具体指什么?它和学术界追求的有什么不同?
- 发生什么事可以验证你现在的判断是正确的?
- 你觉得商业成功和科学发现在什么时候会发生?
模型计划上,他说短期不训练大型基模,但转录所称“Manus”小模型已从预训练开始自研,还将开源“BOA”web retriever 数据集。相关名称、规模和发布状态均不能凭听写补全。垂直行业更看重多模态,是因为广告理解、医学影像等信息不只是公开文字;这是他的机会判断。
他回顾最初用 GUI 多模态模型自动操作业务时,发现速度、Token 成本和准确率未必比传统 RPA 好。转折点来自亲自用 CC 写代码:生成 GUI 后,需要模型理解并测试这个从未见过的界面,反馈再回到编码工具。这一经验让他把研发焦点从“在旧软件榜单刷分”转向“快速进入新战场”。他说要用统一方法把所有相关榜单刷到第一,是目标,不是当前结果。
已可公开的方法被他描述为借鉴 GAN 的双方博弈:一边生成并改变网站,让操作更难;另一边 GUI 操作模型学习适应。双方互相提供新任务与反馈,他暂称“双向强化学习”,同时说行业没有标准术语;最新方法则明确不愿透露。这里可理解为环境/任务生成与操作策略共同改进的设想,不能自行补成已完成 GAN 架构、具体 reward 或稳定训练结论。
主持人用“自主更新权重”定义学术持续学习,他把讨论拉回商业目的:中心模型若持续从所有用户学习,会涉及秘密、算力、更新选择与利益冲突。他追求的是 Personalized 持续学习,不仅知道历史,还利用当前 Context。例如在酒店 check in 时,人会把候选词收窄到 breakfast、room rate 等;ASR 也应随场景与个人词汇调整。这个例子解释的是情境适配,不等于证明参数必须实时更新。
因此他把路线概括为“模型+Agent”的 Agentic RL:不易被用户篡改的伦理规则可训练进模型,用户可检查修改的内容放在 Memory。ASR、语言、编码模型都可能发布,但目的不是卖通用基模,而是服务垂直场景。关于美图利润、Token 收入的数字与口径为其转述,不作外部确认。
他给出两类未来验收:几年内出现规模收入与盈利,以及三年内做出重要科学发现。哥德巴赫猜想只是“瞎吹牛”的极端例子,不是研究计划承诺;数学系同学合作与“老南斯纲领”被用来说明不同专家共享 Context,原词无法确认,不猜改。商业成功与科学突破均未发生,不能用愿景反证路线已成立。
话题推进:如此高强度的投入有哪些风险?主持人由此带回 2020 年 EIP 失败,要求解释这次为何不同。
01:36:39–02:01:15连续对话 5
01:36:39–01:49:01EIP 复盘:同一个组织智能愿景,为什么当时技术与组织都没准备好
- 另 一 方面 你 觉 得 有 什 么 风 险 吗 ?
- 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 ?
- 那 回 头 看 是 好 事 吗 ? 那 你 可能 更 扩 张 了 。
- 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 ?
- 你 去 说 你 说 当 时 你 觉 得 组织 上 也 是 有(问题)。
- 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 ?
- 存在 感 是 指 什 么 ? 是 指 声 音 被 听 见 , 还 是 指 贡 献 被 认 可 ?
主持人先问风险,吴明辉半开玩笑地说最担心“猝死”:他和一些高强度使用 Agent 的人睡得很少、大脑持续活跃。他的解法不是一个人硬撑,而是与他人协作。技术公司和个人被浪潮淹没的风险,则被他说成 Scaling Out 想回应的长期问题。
随后他完整回溯自己的技术经历。2000—2004 年在北大读基础数学,2004—2007 年读硕士;前两年做指纹、掌纹等静态图像生物特征识别,当时算力难以处理视频。硕士三年级因创业转向 NLP,毕业论文题为 Recommendation System Based on Language Model,所用“语言模型”与当时计算语言所人工标注的中文概念词典 CCD 相关。他想做类似后来的今日头条,但认为缺少移动互联网和用户唯一标识等基础设施,于是转向能积累广告数据的秒针。这里的 CCD 与创业史均按本人叙述保留,不额外补写论文内容。
2010—2012 年 AlexNet、ImageNet 等让 CV 同学感到“变天”,2019 年回北大读博时,他据此预判 NLP 也会被深度学习颠覆。EIP 的目标是让一个模型学习公司的数据、知识和信息,成为每位员工的个人助理,与今天的组织智能愿景“完全一样”。但他把自己当时的路线概括为仍在 BERT,未走上后来 GPT 所代表的生成式预训练与 Agentic 路线;到 2022 年想变时资金已耗尽。
必须纠正原稿的一处技术史简化:BERT 本身也使用预训练,不能说 EIP 失败是因为“完全没有用预训练技术”。原文能支持的是嘉宾事后认为路线选择和能力成熟度不对,他称所需 Agentic 能力“早了六年”。这仍是创业者复盘,不是证明只要 2020 年换成 GPT 路线项目就会成功。
2021 年下半年已有 demo 上线但能力较差,他说曾有投资人接近按 50 亿美元估值再投 5 亿美元,最终未成。事后他认为没融到是好事,否则可能沿 Scaling Up 做大型预训练,被既有投入锁死。这些是融资回忆与反事实判断,不能写成确定会发展成某家公司。
组织问题与技术问题同样重要。主持人提及约 1000 人,他确认并说明并非全新招聘:原有知识工程团队、新招 BERT 团队、ASR 与 NLP 团队、几家合并公司以及肖宏团队都在其中。知识工程与模型团队范式不同,人际关系复杂;产品又没有现成“靶子”,连他自己也只有抽象模糊概念。他的教训是高度原创、方向尚不清楚的探索应由小团队做,而不是把“所有创新都只能小团队”写成普遍定律。
EIP明略约 2020 年推动的企业智能平台,目标是学习公司知识并做员工助理;本期是创始人对失败的单方复盘。
BERT 与预训练BERT 本身包含预训练。原文批评的是嘉宾认为当时未走上后来 GPT/Agentic 所代表的有效路线,不能写成完全没有预训练。
存在感嘉宾的管理概念,具体包括个人贡献被认可、收入增长和在组织中有自己的收获。
有限理性嘉宾借西蒙说明人在复杂环境中只能基于有限信息决策,因此组织与战略要随环境调整。
话题推进:他如何从技术失败进一步理解组织里个人的目标、有限理性和战略环境?
01:49:02–01:55:23从“看到人的存在”到有限理性:管理认识来自挫折后的重读
- 你是什么时候才清晰地认识到,组织里每个人的想法和目标都和老板不一样?
- 你觉得AI或Agent需要“存在”吗?
- 如果人是“我思故我在”,AI是什么?
- 可以具体说说你对组织的新认知吗?
吴明辉说做 EIP 的两三年里曾带管理层大量阅读管理学并认真做笔记,但当时自以读懂的内容,现在看只理解了约 1%。这是一种强调成长幅度的自述,不是可测的知识比例。他首先引用赫尔伯特·西蒙及《管理行为》《组织》《管理决策新科学》,指出组织成员各有 purpose,不会自动与老板一致,老板个人目标也不等于公司目标。因此“看到人的存在”落到具体结果,是员工有自己的收获,包括贡献被认可与收入增长。
主持人问他一直创业、何时才有打工人视角,他说是这几年。此前学习、北大数学系、创业和细分赛道整合都比较顺,他把这称为缺乏巨大挫折与 Context。关于控制论“负反馈就是不给反馈”的说法属于他现场的个人解释,与常见控制论定义不能混用;审读保留他想表达“过去没有得到足以纠正自己的现实反馈”,不替其建立科学论证。
他把“每个人都要存在”视为新哲学的第一性。AI 若获得权利也可能逐渐有“存在”,但他希望其主体性处在人的治理之下。“我思故我在”被他分给擅长大规模推理的 AI,“我品故我在/我行故我在”则指人探索世界、提供输入、判断结果。这是价值立场,不是 AI 已有主体性或人类思考已无价值的实证结论。
第二个管理认识是有限理性:环境复杂,人只能作有限理性决策,所以战略与组织方式要随环境改变。他在“把钱都浪费完以后”才重读《战略的本质》和“战略调色板”,欣赏它按外部条件区分五类战略环境;对明茨伯格“最坏”等口语评价应保留为个人读后感,而非学术定论。
他再以转录为“冯东一曼”的博弈论奠基人、五个二分维度形成 32 种博弈作类比,说明先识别战场再组织团队。原转录的人名与分类细节未核实,审读不擅自把它改成确定专著结论。核心仍是:过去太顺、缺少对复杂环境的实际判断,近七年失败使他对书的理解发生变化。
话题推进:抽象的组织认识如何形成?下一段回到 EIP 终止、现金流危机和裁掉一半员工的具体时刻。
01:55:24–02:01:15从现金流危机到“不轻谈替代人”:裁员经验怎样改变技术乐观主义
- EIP这个项目最后是在什么情境下决定不做的?
- 你觉得其他大模型公司创始人想象的方向是什么?
- 你担心你的判断里加入了太多主观的、希望性的东西,影响了客观性吗?
- 你现在的自信是如何重建的?
被问 EIP 最终为何停止,吴明辉直接说“没钱了”,并承认自己曾越陷越深:2021 年仍相信会有投资人理解,2022 年初美元融资环境变化后又找国内投资人和原股东,直到发现“没人再信你”。上海封城使开票和客户回款都困难。2022 年四五月,他测算若回款不能恢复,账上资金可能只够两个月;在借款与减员之间做安排后,决定从约 4000 人中当场减一半。
这段经历改变了他对“人”的理解。他描述优秀员工来公司表达不满、拉横幅,律师家属帮助维权;他自己为公司借入 1000 多万美元,个人现金也很紧张。一位相识多年、招聘了许多员工的北大同学和公司奠基人也被裁,之后向他借钱,他先说过几天,后来又借了约十万、二十万元。这里的金额和情节是嘉宾个人回忆,不应扩写成对所有被裁员工的完整描述,但它是其反对轻率裁员的关键一手语境。
他由此批评一种“AI 会做所有智力活动、看不见人”的叙事,并说自己过去也曾如此。现在他明知 AI 能完成不少现有工作,仍不愿大裁员,愿意向董事会和投资人据理力争,也呼吁其他企业提效后保护就业,理由还包括大面积失业会削弱消费。这是一项价值主张和经营选择,不是证明所有企业都有能力维持原编制。
主持人追问 hope 是否损害客观性。他没有把 hope 排除在判断外,反而认为共同希望会改变行动和结果,79 亿人的愿望与一个人的愿望不同。他还以奥数获奖者身份说,不服气 AI 更会做题,希望带 AI 解决转录写作“八卦猜想”的难题来证明存在;该词不猜改,前文虽明确说过哥德巴赫猜想,也不能据此把此句自动替换。
最后他把个人自信与企业技术判断分开。个人层面,他即使在低谷也相信能生存,借达尔文生命之树说明自己在夹缝中寻找位置,还半开玩笑说可做奥数老师、弹钢琴或吉他谋生。个人生存信心并未消失,不等于 EIP 的技术预测从未失误;下一节才会正面回答技术判断如何修正。
话题推进:主持人把问题进一步收窄:生存自信之外,他如何避免再次对技术进展过度乐观?
02:01:15–02:24:30连续对话 6
02:01:15–02:03:29技术判断如何继续:保留方向感,同时允许因新 Context 停止一场战斗
- 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进展过度乐观了?
吴明辉没有把重建技术自信说成找到一个永远正确的方法,而是把过程描述为不断观察 Context:某方向判断错误后,看新信息是否支持继续研究;若不能产生新的猜想,就应理性结束这场战斗。这里的 Context 指能改变假设的新证据与外部环境,不只是给模型多塞文本。
他以转录中的张益棠、孪生宿数、离曼猜想等词举例,说明研究受阻可转向其他问题;这些专名不擅自修正,例子只用于表达转向逻辑。他借“无限的游戏”说明项目结束不等于公司必须倒闭,团队可以换战场,但要对曾经吹过的牛负责,清楚告诉大家为何停止。
他认为明略现在仍有大量新 Context:客户和员工都有职场存在感需求。如果产品能帮助原行业的人找到岗位意义,他相信会有人买单。这个论证把价值需求直接连接到市场,尚未提供客户付费证据,因此属于其商业假设。
无限的游戏嘉宾用来表达项目可结束、公司可换战场,但应对旧判断负责,并依据新 Context 决定是否继续。
人均利润目标人均利润 100 万、人均薪酬 500 万均为愿景;嘉宾明确承认与当前经营存在巨大差距。
beautiful / ugly 题嘉宾家庭教育中的审美判断:偏好难而想通后简洁的问题,不赞成机械繁琐练习;教育效果尚未验证。
mission critical失效会造成严重业务后果的关键系统,如嘉宾所举航空、铁路与 Oracle;老系统边界知识是其工程师价值论据。
话题推进:主持人随即把愿景落到上市公司的财务时间表、人才成本和真实增长。
02:03:29–02:08:12财务目标与人才路线:承认现状差距,把降低训练门槛当作竞争方式
- 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。
- 你对明略做到什么体量?你有什么预期吗?你心里有吗?
- (收入和利润)
- 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?
主持人依据 2025 年年报转述,明略当年收入和利润相比 2024 年只有个位数百分比增长。吴明辉确认这一描述,但表示不适合提前预测财务。他用指数函数过 (0,1) 后变陡来暗示未来可能过 tipping point;转录中的“Y 等于 1 的 X 次方”等数学词存在听写问题,且 (0,1) 并不是 eˣ 的拐点,正文只保留“前期平缓、后期加速”的商业比喻,不把它当成公司增长模型。
规模上,他仍希望一两千人,并提出初期人均利润 100 万的小目标。他进一步说模型厂商平均年薪约 500 万、较大 leader 约 1000 万、应届生约 200 多万,并设想员工人均赚 500 万、给公司贡献 100 万利润。主持人称这按当前商业标准已很强,他也承认与现状有巨大 gap。所有这些金额是嘉宾所述行业印象和理想目标,不是明略当前薪酬、利润或招聘承诺。
人才竞争第一靠愿景:他把 NASA、马斯克公司作为人们不只为薪酬加入的例子,相信有人愿意成为 Scaling Out 的 partner,也包括担心模型研发自身被自动化的人。第二靠改变所需人才:降低训练模型门槛,让懂行业 Context 和 taste 的科学家、手艺人与白领也能做模型,因而不与大厂只争同一类研究员。
主持人提到“金谷园饺子馆/spill”一文,借此讨论绕过平台、生产者与用户直接联系;相关作者、标题与英文词在转录中不稳定,不猜补。吴明辉把它连接到降低训练门槛、保护手艺人知识产权的设想:如果每一点创作都被大模型无偿吸收,创作激励会受损。这是他的价值论证,具体知识产权归属、许可与收益分配机制尚未在本期给出。
话题推进:这套想法也影响了他怎样观察孩子学习、使用 AI 和选择专业。
02:08:12–02:15:14女儿让 AI 看屏幕:交互习惯的变化,与从刷题到选题的教育实验
- 你观察这种更新的,我觉得他们应该算是AI的原生一代……他们是怎么使用AI的?然后以及你,你会从中得到什么启发?
- 她(女儿)是初中生吗?
- 但同时他们也相信AI不会替代人,对吧?
- 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?
吴明辉先承认团队早期 GUI 模型在复杂、专业、细分软件上大量失败,真正持续使用的人不多。读初中的女儿编程遇到 bug 时,没有按他的习惯复制代码到聊天框,而是直接让豆包看整个屏幕。他由此意识到多模态模型可自然嵌入工作现场,上一代用户的复制粘贴习惯可能限制了对新交互的想象。这个家庭观察能说明一种使用方式,不等于证明孩子普遍比成人更会用 AI,也没有直接解决 GUI 操作可靠性。
他说孩子现在会让 AI 帮助制定学习计划,自己也开始让孩子使用他的“龙虾”并讲述 Scaling Out。主持人把孩子的态度概括为“AI 不会替代人”,他实际强调的是“不应该让 AI 替代人”:这是一种需要共同维护的规范选择,而不是技术必然性。用几何公理作比喻也是为了说明人选择并推动何种未来,不应写成 99.9% 的人已经同意他的方案。
教育实践因此从大量刷奥数转向探索世界、获得 Context 和培养 taste。他回忆女儿二三年级时不理解为何公式“美”,现在会与孩子讨论题目是否 beautiful。他喜欢难而想通后一行可解的题,把需要机械分大量情况的题称为 ugly;孩子在校题上讨论后用红笔标 ugly 并跳过。转录中“王宏”“三维卦谷问题”“300 多种情况”等数学专名与数字无法确认,不能猜成其他数学家或问题名称。
主持人问这样会不会让竞赛成绩下降,他明确说“肯定会下降”,但认为若孩子真要成为数学家,概率也许会提高。他区分竞赛和数学研究:竞赛在限定时间内解决已知有答案、常见套路可准备的题,研究者可能把一生交给未知能否解决的问题。这是他的家庭教育实验和价值观,尚未有学习结果证明,不能泛化为减少练习必然培养创新能力。
话题推进:从怎样学数学,话题进入选专业、程序员是否危险,以及需求分析为什么仍需要人。
02:15:14–02:24:30程序员并非只剩危险:成本责任、遗留系统 Context 与需求分析
- 以你现在对AI的理解,你会怎么想这个事情(升学和专业选择)?
- 就是你觉得数学是个很好的基础能力。
- 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?
- 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。
关于选专业,吴明辉说现在更看孩子兴趣。他发现儿子不像自己预想的那样只喜欢形式科学,也热爱物理、化学、天文和生命科学;数学仍可作为跨学科基础。几年前他更主张在不确定时学数学,像“锻炼身体”,因为 AI 给出的长推理仍需要人有逻辑能力审查;现在他认为各专业都有 taste 的空间,文科与艺术也不会失去价值。
所以“没有危险的专业”应准确理解为:他反对按专业名称整体判死刑,认为危险的是工作只剩他定义的 Think。对于程序员,他又明确说“现在这个工种肯定是被 AI 替了”,需要再就业或转向新工种;两句话并不矛盾,前者反对专业宿命,后者承认具体任务会重构。
他给出三类工程师价值。第一是管理昂贵资源:研究员决定大额算力如何使用,工程师也可能管理大量 Token,投入是否合理会影响成本;但“一年花一个亿就给五百万不多”是说明资源责任的口径,不是薪酬公式。第二是遗留系统 Context:老工程师知道哪里会崩、什么不能碰,航空、铁路、Oracle 等 mission critical 系统不能轻易替换。他转述布鲁克斯后来修正“第一版总要扔掉”,用于说明维护知识的重要性;Amazon 裁员导致问题等具体归因并未核验。
第三是需求分析与产品设计。主持人转述其所称 Anthropic 产品负责人“Mark Cregor”的观点:编码加速不必然压缩产品形成时间,产品仍需真实用户反馈。吴明辉用本体论与认识论解释:工程师先设想系统有哪些概念和关系,需求分析则在与用户交互中修正这种想象。初版帮助摸清地形,第二版重构,外部环境变化又推动第三版。代码和模型知道当前系统,却不自动知道每个人真正想要什么。
因此,本期能支持的结论是需求探索、责任与现场知识仍是他看重的人类工作,不是“AI 永远不能参与产品设计”已被证明。AI 能否辅助提高需求分析效率,他也明确保留可能。
话题推进:主持人最后问最确定的变化:Scaling Out 何时出现,以及它会怎样被外界看到。
02:24:31–02:28:57连续对话 7
02:24:31–02:25:512026 年内的预测:小团队先做,模型开源与榜单表现仍待交付
- Scaling out 就是你说的 MOA(Mixture of Agents)的这种方式,对吗?
- 你觉得在26年之内就会发生,对吧?那就是未来的八个月。
吴明辉最后预测,即使不是明略,也会有小公司率先做出 Scaling Out;大公司内部的小团队也可能做,但受公司利益约束而不能发布。主持人确认这里的 Scaling Out 即前文 MOA,并把“2026 年内”换算为录制时未来八个月。
他承诺明略会陆续开源用这种方式做出的模型,让外界看到其与上一代模型的不同,并预期在转录所称“姚顺雨的榜单”上有突出成绩、适应细分战场且成本低。榜单具体所指和模型指标均未明确,故只能记为预告。节目没有提供开源链接、第三方复现或商业结果,不能将这段话写成已经完成。
主持人随后总结访谈涵盖 Agent 商业化、商业伦理、教育和人机关系,双方道别。这个结束提醒读者:本期交付的是一套强主张与正在进行的实验,验收仍在未来。
Scaling Out 的验收本场对应未来模型开源、细分任务表现、成本、商业收入与科学发现,而非宣布概念即已验证。
连点成线主持人在结尾串联往期节目和行业观察的环节;其中数字和判断应归于主持人或其转述。
Coding is eating the world主持人对“Software is eating the world”的改写,强调 AI 通过代码与软件重塑虚拟世界,不是普遍定律。
话题推进:嘉宾离场后,主持人用第 151、156 期节目把个人 Agent、软件迭代和商业模式连成一条线。
02:25:52–02:28:57主持人收束:软件迭代加快之后,Coding 如何继续重塑虚拟世界
结尾“连点成线”是主持人的回顾,不应与吴明辉本人发言混写。她先推荐第 151 期陈宇森访谈:Coding Agent 被作为通用 Agent 讨论,Claude Code 是当时好用的代表;OpenClaw 随后把这类能力从 Terminal 带入聊天软件与手机,通过定时任务和远程控制降低普通用户使用门槛。她把这种开源普及类比为 O1 后的 R1,这是主持人的行业类比。
她再提第 156 期与 Henry Ying 的 AI 季报,转述其统计:录制前 52 天,Anthropic 给 Claude Code、Claude Cowork 等产品做了 72 次更新。该数字属于往期节目转述,不是本期独立审计。它与陈宇森、吴明辉的描述共同支持一个较窄观察:开发、修改和定制软件正在加快。
由此她推演低频、个性化、快速变化的软件可能成为主流,但保留高频软件因大量用户、安全和行业要求继续存在的例外。“3D 打印”“日抛式”是陈宇森的比喻,MuleRun 想做生产这些应用的工具;明略则希望快速开发并开源系统,靠独有数据、Context 和行业模型获得 Token 收入。
最后她把马克·安德森 2011 年“Software is eating the world”改写为“Coding is eating the world”,并限定至少大部分虚拟世界。她认为 AI 重塑行业仍经由软件和代码,Anthropic 暂时领先、OpenAI 正追赶;同时明确说从模型、应用到商业仍有许多待验证可能性,“甚至不是开始的结束”。这段总结没有替嘉宾的强预测盖章,而是把问题留在未来观察。
话题推进:节目结束。
以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。