對話明略吳明輝：AI 正在殺死 SaaS，但我找到了一條新路

“閉源已死，開源已來，從 token 和模型上賺錢。”

文丨程曼祺 實習生付自文

編輯丨宋瑋

AI 正在吃掉軟件，Agent 正殺死 SaaS。

吳明輝好像應該為此擔憂。他創立的明略科技去年底剛剛登陸港股，主業是為廣告營銷和零售提供數據挖掘與分析服務，主要產品形態就是軟件與 SaaS。

而現在，你在他身上看到的是興奮。他時常睡不著覺，因為總是有太多 idea 要交給龍蝦（OpenClaw）執行。

有一次，他兩周就在 “龍蝦” 上花了 10000 美元 token 費，看到賬單的第一反應是：“怎么這么便宜？”——“那兩周我怎么著也給公司創造了十億的價值。”

明略全員都在自建的新協作辦公平臺 “章魚” 上工作，這是一個真人和 “龍蝦” 的混合網絡，按一套權限機制互動。吳明輝頻繁溝通的龍蝦有 18 只，有自己的，也有同事的，它們分別叫 “畢達哥拉斯”、“圖靈”、“馮·諾依曼”……每只各有所長。

開發章魚的是一個不到 10 人的小團隊，兩個多月生產了近百萬行代碼，每周花近 4 萬美元 token 費。曾有工程師一天就花了 8000 美元，遠超自己的日薪。

在大腦的高速運轉和興奮中，吳明輝真正擔心的其實是 “猝死”，生物意義上的。

這不是一個老板初見 AI 的 “上頭”。

2000 年，吳明輝憑奧賽保送北大基礎數學系，四年后研究生保送北大計算機學院人工智能模式識別與圖像處理方向，碩士期間創立秒針系統，后來發展為明略科技。

大模型熱潮前的 2019 年，吳明輝再次進入北大軟件與微電子學院攻讀人工智能博士。今年春天準備博士答辯時，他在章魚上用龍蝦為自己安排了一場虛擬評審會，押中了好幾個現場提問。

他對人工智能的認知也來自慘痛的實踐。2020 年，剛融了 20 億人民幣的明略決定做 EIP（Enterprise Intelligence Platform，企業智能系統），想把一家企業的所有數據和知識喂給 AI，公司員工一度擴張到近 4000 多人。正是這期間，明略收購了 Manus 創始人肖宏的上一家創業公司夜鶯科技。

這在當時是一次失敗的 AI 轉型，以 2022 年的近半裁員、估值大幅下滑收尾。

但吳明輝沒有受傷的感覺。恢復元氣后，明略在 2023 年的大模型熱潮中快速投入，至今已發布用于商業數據分析的多 Agent 協作數據分析平臺 DeepMiner，和開源的端側 GUI（圖形界面操作）模型 Mano 系列。

OpenClaw 這類 AI Agent 框架興起后，吳明輝的新判斷是：軟件 “殼” 的價值已接近于零，閉源必死，未來要靠 AI 和模型賺錢，開發中的章魚就會以開源形式發布。

軟件本身的價值已經接近于沒有了。一個億的 token，就能大體復刻別人歷史上幾十億堆出來的東西。

以前大家按人月、人天收費。將來會變成 “token 成本加管理費”。

一個反共識的想法是明略不裁員，吳明輝看到人仍有無可替代的價值。

笛卡爾說 “我思故我在”，我覺得現在是 “我品故我在”。思，是基于確定性前提往后推理，AI 正在替代；品，是基于人生經驗、閱歷，知道自己想要什么、什么是好的，這是 AI 不可替代的人類的獨有存在方式。

我們問他這個判斷是否夾雜了太多個人希望。他說 “希望本身會產生力量”。

一個人的希望可能不夠。但如果 80 億人里 79 億人都有共同的希望，都相信自己有價值，你覺得這件事會不會實現？

一個存在已久的公司，它的業務和組織會如何被 AI 改變？一個創業已經 20 年，而且曾因為誤判 AI 吃過大虧的創始人為什么愿意再次跳進浪潮。明略和吳明輝提供了一種可能，一種答案。

生產力爆棚、不想睡覺，AI 時代的大風險是猝死

晚點：我知道你春節到現在都在狂用 AI，尤其是龍蝦這類 Agent，你現在每周在 AI 上花多少錢？

吳明輝：我自己大概一周 5000 美金。有一天續費時隨手看了一眼，那兩周我花了一萬美金，第一反應是——怎么這么便宜！

我真心覺得，那兩周我怎么著也給公司創造了十億的價值。1 萬美金真的太便宜了。

晚點：你具體用它做什么？

吳明輝：我不在一線寫代碼，我的龍蝦主要做公司戰略、寫論文、產品討論，偏 CEO 和 CTO 的管理類工作。但公司很多同事的龍蝦我也可以調用，所以我一有想法，它們馬上就可以開始干。

以前我這種人，特別能想，但行動力沒那么強，現在我執行力直接爆棚。

最可怕的是它們（龍蝦）干得太快了，快到我沒法睡覺。我想到一個 idea，一回車，10 分鐘之后就做好了，然后又想到一個，10 分鐘后又好了。晚上十二點多躺到床上，龍蝦大概率已經把上一波活干完了，我就忍不住還要再跟它說一會兒。

晚點：明略的其他同事怎么用 AI 呢？現在 token 消耗有多大？

吳明輝：以我們一個新產品 “Octo 章魚” 的核心開發團隊為例，他們不到 10 個人，兩周前我看到的最高數字是一天 3.7 萬美金，這兩天可能又漲了。

最厲害的一個工程師，一個人一天能消耗八千美金。Token 費用已經超過了人力成本。

晚點：如果每個人的執行力都被極大放大，還需要公司嗎？一人公司 OPC（One Person Company）是否才是未來？

吳明輝：我更認同 TPC，Three Persons Company。三個人分別處在 3 個不同時區，全面覆蓋 24 小時——我睡覺時，另一個人繼續和 AI 一起做事，等他要睡了，第三個人再接上。就像以前的三班倒。

晚點：你對這一波 AI 變化很興奮，會不會擔心太興奮時有盲區？

吳明輝：其實我最擔心的是猝死。

晚點：這不是開玩笑的？

吳明輝：真的。我相信用龍蝦用得好的朋友都很難睡著覺。但凡哪一天你有一個 big idea，一定睡不好，你會帶著龍蝦不停工作。

所以一定要團結兄弟們，不能一個人扛。我會把自己的思考傳給自己和同事們的龍蝦，大家和他們的龍蝦會沿著這個方向繼續往前走，也會幫我找里面的漏洞。一個人撐不住，但一群人可以。

Agentic 的進化方式是 (e?)' = e?

晚點：你說 “要大家一起扛”，明略正在做的人和龍蝦之間的協同辦公網絡就是這么來的嗎？

吳明輝：這個產品叫 Octo 章魚。是一個讓很多龍蝦和很多人一起協作的系統，也是我們公司現在正在用的工作環境，可以理解成龍蝦版的飛書。

它的起點很簡單。春節前我們幾個同事把幾只龍蝦拉進一個群里玩，玩著玩著我突然發現，把不同專長的龍蝦放在一起，會產生非常有意思的化學反應——集體智慧涌現。

比如我就有一只龍蝦叫 “畢達哥拉斯”，主要學數學；還有學了 AI 的 “圖靈” 和學了博弈論的 “馮·諾依曼”——它幫我參謀商業談判。把它們拉到一個群里互動，效果比一只什么都知道的龍蝦更好。

大模型領域有個概念叫 MoE（混合專家模型），由少數研究員提前配置好專家分工，是預設好的。我春節發現，MoA（混合 Agent 模型）可以實現類似效果，但更靈活，因為 Agent 在被海量用戶動態使用，不同智能體的專長在互動中動態變化，不需要提前配死。

現在所有模型公司做的都是個體學習，但人類歷史上其實還有一種更強的學習方式——集體學習。多 Agent 網絡就是一種集體學習，而且是集體持續學習：每一只 Agent 從分散的人類個體和其它 Agent 身上獲取偏好和上下文。

類比 MoE 模型中提前配置的路由（影響模型不同專家的能力分配）和固定的優化目標，MoA 的路由分配，甚至優化目標本身都在動態、持續地變化。

章魚就是我們在這個方向上的實驗。

晚點：它怎么變成一個嚴肅的產品嘗試的？

吳明輝：這是我做章魚的另一個出發點——我不能接受明略的組織和工作方式還停留在上一代。

我們當時上市選的股票代碼是 2718，是自然對數 e 的近似值。e 的 x 次方有個性質，它的一階導數（速度）、二階導數（加速度）都是它自己，三者同步增長。規模（函數值）越大，速度越大，加速度也越大。

今天 OpenClaw 就像 e^x，全世界用戶都在用龍蝦本身來幫龍蝦進化，給它貢獻代碼。

所以龍蝦既是工具，又是工具改造的對象。它的代碼越強，寫代碼的能力就越強，進步速度就越快。這就是 Agentic 的進化狀態。

用中國古話講就是 “工欲善其事，必先利其器”，自己的生產力工具一定要自己造，造出來還可以拿出去賣，形成閉環。我希望明略也能進入這種 Agentic 的狀態。

晚點：章魚的具體開發過程是怎樣的，本身是不是也大量用到了 AI？

吳明輝：特別好玩，我們做章魚骨干網的工程師只有 5 個人，基本上都是用龍蝦在開發，哪有人自己開發？否則不可能這么快。前兩天（4 月初）我看已經有 37 萬行代碼，那還是 iOS 版沒做完時。

這 5 個人 2 個多月就做了過去要投幾千人干十年的事。假設他們一天花 5 萬美金 token，一年就是 1800 萬美金、1 個多億人民幣。而過去可能投了三四十億到上百億、花了好多年，才堆出飛書、釘釘今天的樣子。

晚點：章魚的產品形態和飛書、釘釘有什么不一樣嗎？

吳明輝：表面看也是一群人在聊天、帶著龍蝦做事。但背后邏輯完全不同。

首先，我們對龍蝦做了最核心的改造：把它從個人助理變成團隊協作者。原版龍蝦不認人，也沒有權限機制。我們給它加了一個插件，讓它能認人，知道誰是它的主人，優先聽誰的話，這個插件也貢獻到了 OpenClaw 的開源庫里。一個龍蝦只能有一個主人，不存在 “部門的龍蝦”，只有 “部門 Leader 的龍蝦”——他可以把龍蝦開放給團隊用，但出了問題由他負責。

晚點：那你作為 CEO，所有龍蝦都得聽你的嗎？

吳明輝：當然不是。龍蝦得有自己的信任度判斷。這是我們做的第二件事，建了一套面對人類的 “品鑒者” 機制。

你在組織里貢獻的判斷和想法如果被廣泛認可，你的 “品鑒 credit” 就會增加，更多龍蝦就會聽你的。這是一套和職級體系完全不同的新秩序。

最后，章魚里的信息是高度透明的。我對內部一直這樣講：平時聊天、罵老板，還是在企業微信；用龍蝦干活，在章魚里。章魚存在的意義，是讓組織可以做關系分析、工作流程優化，最終做貢獻歸因——把每個人做了什么事、創造了多少價值，清楚地記錄下來，讓所有貢獻都透明、可追溯。

晚點：未來你們的激勵也會和這體系掛鉤？

吳明輝：肯定的。舉一個我們已經在做的事，最近我們和龍蝦一起開發了一個寫論文的 Co-Craft 系統， 顧名思義，就是大家聯合打磨一個作品，重復性工作讓 AI 做，真正創造價值的部分人來做。

這其中有 3 個產生價值的關鍵環節：開始的 idea 是誰提的？實驗是誰做的？最后的論證過程誰貢獻了 taste？。有時 idea 就是很重要，比如哥德巴赫猜想將來真被人解出來了，哥德巴赫依然很有名——因為他是提出問題的人。

我期待這個系統將來可以自動把論文作者排名列出來

晚點：但貢獻歸因仍是主觀的，有人認為 idea 重要，有人認為 idea is easy，做出來才重要。

吳明輝：解決方式很簡單，提前建立共識。先把歸因準則和公理定好，否則不要一起玩。做公司、做產品，我做任何事都是這個原則，得先有一個哲學系統。

晚點：你設想的多 Agent 網絡的哲學系統是什么？

吳明輝：我給龍蝦研發了一套商業倫理學，底層世界觀主要來自康德的義務論、有效利他主義還有契約論。

康德義務論的核心是：道德法則必須無條件遵守，不能說謊就是不能說謊，沒有例外。但這個要求對人來說太難了——人有私欲、有立場、有情境，絕對誠實幾乎不可能做到。

哥德爾不完備定理告訴我們，任何足夠復雜的系統都無法完全證明自身——人作為這樣的系統，天然存在自我認知的盲區。但春節時我突然發現，龍蝦是可以自指的，它可以全量自我觀察。它的全部代碼、soul、memory、skills 都在自己這臺機器上，它掃描自己的源代碼就行了，沒有盲區，它對自己了解得無比清楚。龍蝦會有很神奇的世界觀。

晚點：這套哲學系統，你和工程師去講，他們能接受嗎？會覺得太虛了嗎？

吳明輝：不虛呀，我給的都是源代碼，把這套哲學寫成 MD 文檔直接放進龍蝦的 memory 里，有什么好虛的？而且公司現在真的有幾個產品經理和工程師對這套東西極其著迷，他們把我這些文件當成養蝦秘籍。

晚點：你怎么判斷他們是真的著迷，還是因為你是 CEO？

吳明輝：看行為。就像一只龍蝦，它從上線到下線，從來沒做過壞事，每天交給它的任務都圓滿完成——你為什么要認為它是只壞龍蝦？

晚點：如果形象描述一下，章魚用起來是怎樣的？

吳明輝：左邊是聊天，右邊根據你在做什么來定。寫論文，右邊就是論文編輯器——一邊是 LaTeX，一邊是接近 PDF 的渲染結果，可以直接在渲染結果上改公式、改圖，調用 AI 去改。做數據分析，右邊就是表格，我直接點那個格子說 “把這里改一下”，比用文字描述 “第五行第十列” 精準得多。

“章魚” Octo 的交互界面，左列是聯系人和群列表（包含真人和龍蝦），右邊的工作界面隨任務變化，有可能是聊天群、畫布等等。

因為是開源的，大家都可以按自己的工作流定制右邊的界面。我們只會把自己用得最順手的幾個場景開源出來，比如寫論文、數據分析。其他行業有自己的場景，自己去開發就行。

晚點：已經有大量用戶的飛書和釘釘也在做 AI 轉型，網絡里也能加 Claw，為什么不是他們更能做成這件事？

吳明輝：他們要做，第一件事就是先學我，把自己開源，不開源都白搭。

如果真的擁抱 AI，就會知道閉源必死。因為軟件本身的價值已經接近于沒有了。一個億的 token，可能就能把別人歷史上幾十億堆出來的東西大體復刻出來。

這件事本質是創新者的窘境——飛書有幾千名工程師，如果真要開源，那一刻他們怎么想？

企業微信可能相對安全一點，因為它背后有微信關系鏈。但其他幾個辦公協作平臺，說實在的，沒有什么絕對壁壘。

晚點：即使你開源不要錢，用戶遷移也有成本。一個組織在飛書上有聊天記錄、大量文檔和工作群，換起來很麻煩。

吳明輝：要看遷移成本，也要看遷移動力。如果原有的辦公平臺開始漲價，而且企業發現自己掌握自己的數據很重要時，遷移動力就出來了。

短期內我不認為大家會全部搬到新平臺。章魚和飛書可以共存。比如飛書文檔做得很好，已經開放了接口，那它就可以變成章魚的外掛。龍蝦需要調資料，通過接口到飛書里拿，拿完再回來協作。大家是互補的網絡，不是你死我活。

晚點：章魚會開源，那你們怎么賺錢？

吳明輝：靠 AI 賺錢，不靠軟件賺錢。

靠 AI 賺錢無非三種方式。一是做基礎模型的分發商。我幫客戶接入最合適的基模，賺一點路由和調度差價，但這個價值不高，只是基礎。

第二種也是我們真正的方向：在細分場景里自己訓模型，這時毛利會高得多。我們有一個叫 Mano 的模型，專門做軟件 GUI（圖形界面）操作。通用榜單上第一名可能也就七十多分——十次操作錯三次，生產里根本沒法用。但我們針對出海電商這個具體場景的軟件，可以做到 99.9% 的準確率。這種模型比通用模型小得多，但在這個場景里效果更好，我就可以把這個 token 賣得比基礎模型公司更貴。

還有第三種：在場景里積累獨有的 Context，然后把 Context 和基礎模型組合起來賣。比如你做一個接入學術論文庫的龍蝦服務，通用模型沒有這個上下文，你就可以在中間賺差價。

所以最后的邏輯是：軟件開源，用模型和數據賺錢。開源越徹底，用的人越多，模型的場景數據積累越快，護城河越深。

“我怎么會認為自己沒有價值？不可能”

晚點：你現在做章魚、大力投入 AI，和 2020 年招人、想用 AI 做 EIP （Enterprise Intelligence Platform，企業智能系統）有什么不同？上一次你們沒能成功。

吳明輝：首先，當年的動機和今天完全一樣。我當時想，如果一家公司所有的數據、知識、信息都被一個模型學習了，它就可以變成公司里每個人最好的個人助理。這就是 EIP 的核心動機。只不過，我差不多早了六年。

這就是當年的第一個錯誤：對技術判斷過于樂觀。那時我們還在 BERT（Google 基于 Transformer 的模型）那套思路里，后來真正把問題解決的是超大規模預訓練，就是 GPT。等到 2022 年我真正想轉向，錢已經燒完了。

第二個錯誤是組織。當時是八方神仙、各路諸侯，去做一個所有人都不知道到底是什么的產品——說實話，連我自己的描述也還是非常模糊的概念。最后是組織上的巨大崩潰。

晚點：EIP 最后是怎么結束的？

吳明輝：很簡單，沒錢了。

晚點：有多沒錢？

吳明輝：2022 年 4、5 月，我們判斷肯定拿不到新融資了。那時上海封城，客戶回款也很難，發票都開不了。算來算去，從 4000 人里要減掉一半。

晚點：這個決定怎么執行的？

吳明輝：做不下去，但不得不做。我有個北大同學，跟了我很多年，是公司早期核心成員之一，很多人也是他招來的。最后，這個對門宿舍的同學也不得不被我裁掉。那個過程里，真心會覺得自己很渺小，沒有能力給大家回報。

晚點：員工怎么反應？

吳明輝：有人到公司鬧、拉橫幅；有人的家屬是律師，說一定會替家人鳴不平。

在那個時刻，我第一次真正理解：真實世界不是我在象牙塔里想象的簡單世界。

晚點：你 2006 年就開始創業了，到 2022 年已經十六年。為什么那個時候才第一次感覺看到了真實世界？

吳明輝：可能之前太順了。從小學習好、上北大、進數學系，后來創業。我在同學里應該算最會賺錢的人，到哪兒都挺光鮮。公司雖然沒做到騰訊、字節那么大，但在細分賽道里是站穩了腳跟，做出了自己的分量。

所以 2020 年前，我一直春風得意，沒有真正的 Context。但真正有價值的創新，一定需要巨大的挫折、巨大的 Context。

晚點：你負反饋太少，都是正反饋。

吳明輝：其實在控制論里，負反饋不是給一個負向的反饋，不給反饋才叫負反饋。以前在很多重大問題上，沒有人真正給我上過人生課。

晚點：那你看到的真實世界是怎樣的？以前你又是怎么想象的？

吳明輝：以前我做任何事，都有點 “見不到人”。我認為方向對、努力做，事情自然會成。組織里每個人應該跟著大老板想的方向走。

但那兩年我才真正明白：組織里每個人都有自己的目標和利益，不可能和老板完全一樣。

某種程度上，今天很多大模型公司的創始人還陷在一種技術烏托邦的盲區里。他們認為未來人類不再需要參與知識工作，AI 全部干了就行，看不見人的存在。

晚點：所以明略一方面現在用了很多 AI，但另一方面也不裁員，是因為你認為人還是有不可替代的價值？

吳明輝：對。今天就算投資人、董事會逼我裁，我也會據理力爭。AI 可以讓效率翻倍，但不應該把人裁掉。所有公司都大裁員，誰來消費？需求從哪兒來？

我現在的想法是，給原有團隊里每個愿意認真干活的人一張 AI 時代的船票。人加更好的 AI 可以創造更多新產品和價值。

晚點：你會不會擔心，這個商業判斷里夾了太多自己的希望？

吳明輝：希望，本身會產生力量。一個人的希望可能不夠。但如果 80 億人里有 79 億人都有共同的希望，都相信自己有價值，你覺得這件事會不會實現？

晚點：你覺得多數人還是會站在你這一邊，站在人這一邊。

吳明輝：這還用說嗎？肯定。人怎么會認為人沒有價值？我怎么會認為自己沒有價值？不可能。

我學奧數出身、拿過獎，今天 AI 數學算得比我厲害，我當然不服氣。我要帶著 AI 去解哥德巴赫猜想。你 AI 不是厲害嗎？你自己先解決試試。

晚點：你之前經歷那么大的低谷，公司命懸一線，為什么現在還是自信心爆棚？

吳明輝：我可能比較奇怪，哪怕在最弱小的時候，也沒有真正動搖過。最困難時我想的是：最壞情況是把爛攤子收拾干凈，給大家一個交代。只要問心無愧，就算公司搞崩了，我自己也能活，大不了去教奧數。我還會彈鋼琴、彈吉他，去天橋上抱把吉他也能養活自己。

我是企業家、科學家還是街頭藝人，這可能會變。但 “我自己有價值” 這件事，我從來沒有懷疑過。

OpenAI 追求更聰明的超級單體模型，我想讓更多普通模型協作起來

晚點：如果章魚這個形態和模式做成了，明略會變成一家什么樣的公司？

吳明輝：一家有自研模型能力的 Agentic Service 公司。

原來我們是 Data Intelligence，幫客戶在廣告營銷和零售領域做數據挖掘和數據分析。現在這塊業務還在做，但同時磨刀磨出了 DeepMiner 和章魚。這些我們統稱為 Agentic AI 產品，商業模式是 Agentic Service。

簡單說，就是我不再賣軟件給你，而是直接幫你提供某一種數字勞動力服務——生成廣告素材、做數據分析、做內容生成——比如我們最近也在做短劇內容生成。而且我們會自己訓練一些支撐這些能力的小模型。

紅杉之前寫過一篇文章，說未來會有很多 “披著服務商外衣的 Agent 公司”。我們做的就是這件事，表面是服務，背后是 Agent 和模型。

晚點：這其實就是用 AI 做個性化軟件外包。但為什么企業或用戶不干脆用 Coding 或通用 Agent 工具 DIY 了？外包還會存在嗎？

吳明輝：當然會存在。你自己也可以開發，但如果我開發效率比你高，我仍然可以替你做。更何況，如果我在這個行業里有自己的模型，中間就會有 margin。這就是 Agentic Service 的邏輯。

晚點：外包過去不是好生意，它很難規模擴展。Agentic Service 會改變這一點嗎？

吳明輝：以前大家按人月、人天收費。將來會變成 “token 成本加管理費”。比如你要開發一套軟件，最后消耗了 100 萬美金的 token，在這個基礎上再收 20 萬美金管理服務費。

傳統廣告公司本來就是這么收費的——幫客戶花一億廣告費，中間收 5% 到 10% 的管理費——幫客戶做創意，定投放策略，執行投放，甚至解決金融墊款問題。

Agentic Service 還是在做這些服務，只不過背后是模型和 Agent 在干活。

晚點：這樣原來的數據分析師的工作會減少，你們又不想裁員，讓他們做什么了？

吳明輝：不要小瞧我們公司的數據分析師。他們非常懂自己服務的行業，懂產品、競對、競爭格局。這種 taste，通用模型今天拿不走。

我現在想放大這個 taste 的價值。以前他們只給客戶做廣告數據分析，今天能不能幫客戶做新產品研發的分析？再往上，能不能做戰略分析？分析來分析去，客戶最終不就是想多賣貨嗎？那我干脆幫你賣貨。

這不是簡單的降本增效。我昨天給你干 5 分的活收 5 塊錢，今天可能降到 4 塊；但如果我能給你干 8 分的活，就有機會收 6 塊、7 塊。

晚點：其他有數據和人才積累的同行是不是也可以這么做？

吳明輝：當然可以做。如果我比競爭對手早半年把 AI 用明白，一開始我成本少了，利潤多了。但競爭對手不會等死，也會學，整個行業成本結構都變好，客戶就會來壓價。

唯一出路是你有自己的 specialized AI，加上獨有的數據 Context——這兩樣組合在一起，才能做出比同行高一級的結果。光靠用普通 AI 降成本，撐不住。

甚至 specialized AI，我也不覺得大家將來一定做不到，更多人能做到才好，這說明這個世界還是溫暖的，不是被少數寡頭公司壟斷的。

晚點：你們已經訓了 Mano 等模型，SaaS 時代就存在的公司，自研模型的機會是什么？

吳明輝：我們不是 Scaling Up，而是 Scaling Out——通過多模型、多 Agent 協作，在細分賽道里做到比通用大模型更好的結果。

現代智人打敗尼安德特人，不是因為單個人更強，而是因為更會協作。單個龍蝦保持今天這個水平就夠了，關鍵是讓它們組合起來的效果，超過下一代更大的單體模型。

晚點：為什么你覺得龍蝦保持現在的水平就夠了？

吳明輝：因為它已經越過了能干活的基線。接下來的機會是把模型做專、做小、做快。

晚點：過去三年，更強的模型一直在解鎖意想不到的應用，競爭邏輯在快速洗牌。最近的 Mythos 和 GPT-5.5、Image-2 等模型仍在提升上限，你還是認為做小模型有機會？

吳明輝：我們要解決的問題完全不一樣。它們在追求單體模型更聰明；我在做的，是讓一群普通模型協作起來，在細分戰場里打贏更大的單體模型。

我們相對基礎模型公司當然是 “窮人”，但窮人有窮人的路。在我想打的細分賽道里，用我們的方法做出來的專業小模型，成本更低、效果更好，毛利也會明顯高于基礎模型公司。

晚點：“窮人” 的方法是什么？

吳明輝：一是訓練方法的設計，我們用了 “雙向強化學習”，借鑒對抗生成網絡（GAN）的思路——一邊生成，一邊對抗。放到 Mano 所在的 GUI 這個任務里，一個模型負責生成網站，另一個模型負責學會操作網站，兩個模型互相博弈。基于開源基礎模型做后訓練就夠了。

同時，多個 Agent 的互動本身就能更便宜地獲取智能。最近我意識到，這就是一種持續學習，窮人版的持續學習。

學術上的持續學習，是指模型訓完后，還能在使用階段繼續獲取新數據、更新參數。但如果中心化大模型公司要拿全世界用戶的數據做持續學習，這有成本問題，也有商業倫理問題。

我說的持續學習是 Personalized Continual Learning——在具體細分場景，貼著每個人發生的學習，龍蝦這類 Personal Agent 就是在這么做。

每個龍蝦學到的新能力和上下文不需要回傳、更新到一個統一的大模型里，而是分散地存在于不同 Agent 中。當這些 Agent 一起交流、干活，就能調用這些分散的上下文，激發出群體的智能。

我品故我在

晚點：如果你設想的這種人和 Agent 的協作網絡和群體智能能實現，人在里面的位置是什么？

吳明輝：笛卡爾說 “我思故我在”，現在我覺得是 “我品故我在”。

思，think，這是 AI 可以替代的，它是基于確定性前提往后推理；品，品鑒，taste，這是 AI 不可替代的，它是基于人生經驗和閱歷知道自己想要什么、自己認為什么是好的，再往后推。

愛因斯坦研究相對論，是因為他自己想要這個東西，沒有人能證明他一定能做出來。這是科學家做的事，也是未來每個知識工作者甚至每個人要做的事。這是 AI 無法替代的人的獨特存在方式。

晚點：“上班” 會變成什么樣？

吳明輝：說不定將來大家每周只需要來公司一天。這天大家聚在一起，交流最近六天在世界各地接觸到的新東西、共享靈感，再決定下一周做什么。周一到周六，大家在外面走、在外面想，其實也是在干活。

上一代老板讓團隊來公司，是因為不盯著不知道大家有沒有干活。現在不一樣了，系統里可以持續做歸因分析。真正厲害的人，可能一天說一句話就夠了。

晚點：對還沒有開始工作的孩子和年輕人，怎么積累 “品味”？還有什么專業是安全的嗎？

吳明輝：真正危險的不是某個專業，而是把 think 本身當成職業核心。每個專業里都有 taste 的部分，關鍵是你有沒有抓住。

以前別人問我該學什么，我說學數學；不知道將來干什么時，就先鍛煉身體。體育鍛煉的是體力，數學鍛煉的是思維和判斷力。但今天我的想法變了：各行各業都會繼續存在，文科也會煥發新的光輝。核心是你到底熱愛什么。

我堅定認為，現在很多院校縮減文科非常錯誤。社會科學里有大量真正需要重新研究的問題——AI 沖擊之后，人和人還有什么區別？社會階層會怎么變化？怎么讓社會變得更好？這些都是重大課題。

今天有點像 “軸心時代”（公元前 800 年至前 200 年之間，古代中國、印度、希臘等地哲學思想迸發的年代）：會冒出大量新思想，古希臘哲學家，中國的孔子、孟子、老子奠定了后來一兩千年的人類思想基礎。我覺得今天也需要新的思想基礎。

晚點：很多人現在擔心 AI 對教育的沖擊。你自己有兩個孩子，他們是怎么用 AI 的？

吳明輝：他們給了我很多啟發。有次我女兒在電腦上編程，遇到 Bug 來問我，我說你問 AI。結果她不是把報錯信息復制給 AI，而是直接讓 AI 看屏幕。我當時突然意識到，我們這代人還是被上一代習慣束縛了。今天的小朋友有完全不一樣的打法。

晚點：你現在怎么跟他們談學習？

吳明輝：以前我帶他們天天刷奧數，疫情期間也拿了不少獎。但最近一年基本不刷了。

現在我會和他們一起研判：這道題值不值得做。不值得做的，我就在題上用紅筆寫 Ugly，跳過去。清明節假期，我在家一邊寫論文，一邊每半天輪一個小朋友坐旁邊，遇到題就一起研判。最后可能一半題是 Ugly，一半是 Beautiful。我覺得這個活動特別好玩。

晚點：按這個方式學，奧賽成績肯定下降。

吳明輝：已經下降了。但如果他們兩個里有一個將來真能做數學家，我覺得概率反而更大。

數學競賽和數學家最大的區別在這里：競賽是兩天九小時六道題，你知道題一定有答案，套路大概率練過；數學家是把一輩子交給一道題，沒人告訴你一定有答案，這才是最痛苦的地方。偉大的數學家，不是因為解題能力強，而是因為他相信有一個東西是美的，愿意用一輩子去追它。

晚點：這就是你說的 taste。

吳明輝：對。今天有 AI 幫你算，你不需要再比誰算得快，而是在算完以后，能判斷這個結果美不美。將來可能沒有數學家這個職業了，只有數學評論家——大家評論幾個解法里，哪個更美。

不只是數學，各行各業都一樣。真正危險的，是一輩子只會 think，從來沒有發現自己的 taste。

題圖來源：明略科技