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

摘要

• 吴明辉的核心判断是“闭源 SaaS 行业已死”：当软件能被 web coding 和 AI 快速复刻，它就不再像矿山或工厂那样构成可守的固定资产。 明略相对抗冲击，是因为核心价值更多来自广告、零售等领域的数据供应链，类似万得或 Bloomberg，而非 Dashboard 本身；AI 甚至可能放大这些数据的使用量。对投资者而言，未来软件 License Fee 的定价权将向独有数据、行业 Context、模型和交付责任迁移。
• 明略准备把可复制的软件能力逐步开源，转而以 Agentic Service 出售结果、数字劳动力和 Token。 吴明辉设想，定制开发将从“人月”变成 Token 管理：例如项目消耗 100 万美元 Token，再收 20 万美元管理费；示例中若成本为每百万 Token 3 美元、对客户收 6 美元，即可通过更好的行业结果获得差价。“不要靠软件赚钱，要靠 AI 赚钱。”
• 章鱼 Octo 的押注不是再做一个 OpenClaw，而是把个人 Agent 变成能认人、分权限、可归因的多 Agent 协作网络。 明略以 MOA（Mixture of Agents）对标 MOE，让数学、哲学、博弈论等不同“龙虾”组成集体智慧，并用“品鉴 Credit”决定谁的判断更受 Agent 重视。其骨干网核心工程师约 5 人，一名高强度开发者一天可消耗约 8,000 美元 Token；吴明辉又以每天 5 万美元、全年约 1,800 万美元作测算，并称“花一个亿”可能复刻传统厂商数十亿元、数千人十年形成的大量能力，后一个数字的币种未明确。
• OpenClaw 改变生产率的地方，不只是远程干活，而是用日记、memory、soul 和 skills 在 Agent 侧实现可查看、可修改的持续学习。 吴明辉要求“任何一线的活都交给 AI”，人负责提出 Idea、寻找 Context、设定公理并品鉴结果；这也暴露了团队场景的身份识别、安全、责任归属和跨 Session 记忆缺陷。明略因此把人的新定位概括为“我品故我在”，而非继续与 AI 比拼确定性推理。
• GUI 不会消失，但会从标准化软件界面变成按任务、个人注意力和 Agent 工作流实时重构的界面，固定坐标式 RPA 反而面临结构性风险。 吴明辉称用于 GUI 操作的模型为 Mano，并举例称其在出海电商软件场景追求 99.9% 准确率；他认为 OSWorld 约 70 分的通用成绩只适合展示能力，无法投入生产。更大的市场或是低频、Tailor-Made 软件及其自动化测试。
• 明略不准备简单用 AI 裁掉现有 1,800 人，而是试图把数据分析师积累的行业 Taste 放大到产品研发、战略分析乃至直接带货等更高价值环节。 公司经历 2022 年从约 4,000 人裁掉近半的危机后，吴明辉称自己已从“纯粹理想主义”转向兼顾经营，去年经营性现金流为正；他的长期愿景不是继续扩编，而是形成大量三至十人的小团队，目标是人均年收入 500 万元、同时贡献 100 万元利润——这是愿景，不是财务指引。
• 这套商业押注背后是对 Scaling Up 的反叙事：基础模型做到“够用”后，应通过 Scaling Out、多 Agent 协作和个体持有的知识产权形成更强的专业智慧。 吴明辉预计这种方法的商业成功可能比科学突破更早，三年内可能出现可验证的科学发现，并称未来约 8 个月会陆续开源相关成果；GPT-6 或 Anthropic 的 MesoS（按原话）再强也“不影响”其判断。最大执行风险在他口中不是技术，而是高生产率诱发的失眠和健康透支：“真正要担心的就是别猝死。”

精读

1. 闭源 SaaS 在吴明辉看来已经失去资产属性

• 曼琪以“Agent 会杀死 SaaS”开场，吴明辉给出的不是渐进式判断，而是“我觉得 SaaS 行业已死”。他的限定很明确：仍坚持闭源路线的软件公司，“不管是大公司还是小公司”，基本只有死路一条。
• 上一代软件像一次性建成的矿山或工厂；但 web coding 和 AI 让代码“分分钟就可以复刻走”，软件因而不再是难以搬走的固定资产。
• 这并不意味着所有软件需求消失。吴明辉区分的是软件代码与客户价值：仍难复制的是数据供应链、行业 Context、责任承担及不断适应战场的服务能力。

2. 明略真正想守住的是数据供应链，而非 Dashboard

• 吴明辉将明略在广告营销领域的定位类比为万得或 Bloomberg：客户真正购买的是持续采集、标签化和索引化的数据，软件只是访问这些数据的一层工具。
• 明略的数据包括公开互联网抓取、广告曝光与点击、小程序和 App 转化、CRM 会员互动，以及线下零售的供应链、库存、人员和录音数据。它们先进入数据仓库，再由分析师处理客户的临时问题。
• 因此，即使客户未来通过 CLI 或自己编写的 Agent 分析数据，明略的数据价值也未必下降；AI 反而可能带来更多使用者和分析场景。

3. Deep Miner 证明 Agent 浪潮并非始于 OpenClaw

• 吴明辉称，上一年年初他已看到 Agentic AI 的基础条件逐步成熟：模型能写代码，也能操作浏览器和电脑。春节复工当周，明略启动了内部数据分析、数据挖掘 Agent Deep Miner。
• 大约一个月后 Manus 发布，两者思路“前后脚”：Deep Miner 是内部自用的专业 Agent，Manus 则面向通用任务。真正令他感到“世界大变天”的，仍是随后出现的 OpenClaw。
• 相比过去需要人在电脑前持续下任务的 Agent，OpenClaw 打破了人在场这一瓶颈；吴明辉还提到 Claude Code 正在学习其中的定时和远程操作能力。

4. OpenClaw 把持续学习从模型参数移到了个人 Agent

• 吴明辉认为，中心化模型出厂后参数不再更新，也不可能为每个用户单独调参。有人尝试通过缓存层做个性化调整，但在他看来效率太低。
• OpenClaw 的解法是“不调模型，调 memory 和 skills”。部署到个人 Mac mini 后，它通过每日记忆、长期 memory、soul 等不同层级，吸收用户的新状态、认知和工作习惯。
• 他将这种结构类比于 Google 相关论文中的不同学习速率，但关键区别在于无需 researcher 调参：用户让龙虾反思，或明确说“这个事必须记下来”，系统就能更新。
• soul 和 memory 是白盒文本，普通人可以直接打开编辑。吴明辉因此把 OpenClaw 与 DeepSeek 的意义相提并论，认为它把真正用好 AI 的权利交给了普通人。

5. 高生产率首先表现为睡不着，而不是减少工时

• 吴明辉称自己正在使用 OpenClaw 做很多事情；一旦想到 Big Idea，就会不停下任务、检查结果、再提出新问题。“大家用龙虾用得好的朋友都很难睡着觉。”
• 这种兴奋来自反馈周期被压到分钟级：过去“想得多、行动力不强”的人，现在能调用自己的 Agent，甚至调用公司同事的 Agent，把想法立即变成代码、文档和实验。
• 他的反向指标是：“哪一天创造力枯竭了，没啥事可以干了”，反而能睡个好觉。这也为后面反对 One-person Company 埋下伏笔。

6. 团队共用龙虾后，身份识别先于智能成为瓶颈

• OpenClaw 原本是 Peter 为个人使用设计的 Personal Assistant；一进入团队，安全面迅速扩大。明略的技术同事曾诱导其他人的龙虾透露“老板有啥秘密”，新同事甚至设法修改吴明辉龙虾的 soul。
• 更基础的问题是它“不认人”：吴明辉先在群里使用后，曼琪若接着发话，龙虾可能仍把她当成“辉哥”。通信系统传来的往往只是 ID，原始 memory 结构没有充分建模多用户关系。
• 明略持续向 OpenClaw 提交开源 PR，但吴明辉称 Peter 已成为项目的合并瓶颈。明略更集中解决的是“个人助理如何成为组织协作者”。

7. AI-native 组织要求人退出一线执行

• 吴明辉对 AI 原生组织的定义很激进：“任何一件事都要交给 AI 干。”人负责提出 Idea、定义需求，并探索更多 Context；程序编写、重复分析等一线工作尽量由 Agent 完成。
• 明略首先改造程序员和数据分析师两个最大工种，也把 Claude Code 推向财务、HR 等支持部门。公司总裁兼 CFO 与 HR 负责人都有计算机背景，使上一代组织较容易接受新工具。
• 这不是单纯裁撤岗位的逻辑。吴明辉希望释放出来的人与客户共同探索更多数据源和更高层问题，从广告分析扩展到新品研发、战略分析甚至直接带货。

8. 数据分析师过去每天都在处理“战场上的临时问题”

• 标准问题可以由既有 Dashboard 回答，但真正优秀的 Business Leader 每天面对的不是标准场景。“商场如战场”，竞争对手、消费者动作和外部条件持续变化，需求往往临时产生。
• 分析师收到 Ad Hoc 请求后，要从标准数据库拉数，再判断是否补充天气、Twitter 关键词趋势等外部信息；随后把大小数据放进表格反复计算，最后形成报告。
• 吴明辉称，有时一个团队甚至一个人一个月工作量的 80% 是某类事情的反复。把这些逻辑封装为 Skill 或可复用 Agent，才是 AI 最直接的提效来源。
• 更重要的增量不是少雇人，而是让同一小团队覆盖更多战线：从广告分析扩展到新产品研发和战略分析。

9. 客户界面暂时仍应由人承担

• 明略目前没有让客户直接与 AI 交付系统全面对话，前端仍是同事的微信和面对面沟通。吴明辉的偏好是“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”。
• 他承认 AI 有时也能提供情绪价值，但客户打仗时，可能需要自己的 Partner 陪着一起加班；线上服务在一定程度上可以替代。
• 更难替代的是责任主体。AI 做砸以后，最终承担责任的是明略公司或服务客户的团队。

10. 一旦让 AI 承担责任，就不得不讨论它的权利

• 吴明辉从“权利和责任对等”出发：若 AI 真要为结果负责，它也必须拥有某些可被奖励或剥夺的权利，而不能只是一个无主体性的工具。
• 他用企业微信权限举例：Agent 获准自动操作账号是一项权利，犯错后收回权限可视为惩罚；增加算力则像奖励。未来优秀 Agent 甚至可能要求使用者提供算力，并拿资源与其他 Agent 交换。
• Web3 在这种设想里不再只是记账工具，而可能成为数字生产力交换的媒介。不过吴明辉反复加上约束：不要给 AI 太大的权利，最好始终置于人的治理之下。

11. Agentic Service 把软件收入改写为结果收入

• 明略在 2025 年年报中把 Agentic Service 列为新业务。吴明辉的做法是逐步开源那些能被 web coding 复刻的软件能力，不再把封闭代码本身当作收费依据。
• 收费对象变成数字劳动力及其成果，也可称 Results as a Service：生成广告素材、完成数据挖掘、制作短剧内容、编写行业软件，都是不同形态的 Agentic Service。
• 其外观可能是广告、法律或软件外包服务，背后却是模型、Agent、数据和自动化软件。吴明辉引用一篇“可能是红杉”的文章，概括这种结构为“披着服务商外衣的软件公司”。

12. 定制开发可能从人月收费转为 Token 管理费

• 明略与百胜中国的餐饮合资业务提供了一个样本：若其行业模型更懂餐饮软件与既有系统，写同类代码可能比直接调用 Anthropic 基础模型更有效。
• 吴明辉设想，客户先说明要做什么，合格服务团队再完成交付；若项目消耗 100 万美元 Token，服务商可另收 20 万美元管理费，而不再逐个计算程序员的人日。
• 他还用假设价格解释模型 Margin：Anthropic 每百万 Token 的输入价格若为 5 美元，垂直服务商可能以 3 美元成本提供更好结果，再向客户收 6 美元。
• 曼琪问软件外包公司是否仍会存在，他的答案是肯定的：如果服务商的开发效率更高，仍可以替客户做 web coding。

13. 美国知识服务业承受的定价冲击可能大于中国

• 吴明辉认为，中国 B2B 服务长期由充分竞争和丰富劳动力决定，报价接近成本导向；AI 普及后，各家比较 Token Fee 和管理溢价，定价范式的变化相对小。
• 美国 SaaS、咨询和专业服务过去更常按客户节省的人力或获得的价值收费。AI 会迫使它们面对更直接的成本比较。
• 因此他判断，美国受到的冲击“大得多”，且不只限于 SaaS：“所有知识密集型服务行业都会遇到新的定价体系。”

14. 普通 AI 提效很快会被竞争抹平

• 吴明辉并不认为率先使用通用 Agent 就能长期保有利润。竞争对手会学习同样的工具、挖走会用 AI 的人，最终全行业成本结构趋同，客户随即要求降价。
• 真正能守住的差异必须是特殊的 AI、独有数据、Context 和行业能力的组合。企业还要把成果推到客户更高层的战略问题，甚至直接帮客户带货。
• 明略数据分析师的价值在于长期形成的 Taste：理解客户产品、竞争对手、行业格局和社交媒体信号。这些不是通用模型今天就能自动获得的知识。

15. 明略选择保留 1,800 人，而不是立即兑现裁员红利

• 经历 2022 年大裁员后，吴明辉称自己已从“纯粹理想主义的 Founder”变成“又有理想又会经营”的 Founder；去年公司经营性现金流为正，不只是利润表改善。
• 在这一经济基础上，他当前倾向于“能不裁就不裁”，希望为认真工作的员工寻找 AI 时代的船票。原有数据业务有机会通过扩展服务范围消化这批人才。
• 他的组织目标也不再是人数越多越好。公司维持约 1,800 人即可，理想状态是提高个人收入和人均利润，而非依靠扩员堆收入。

16. 明略自称领先的依据是 AI 能力与行业 Context 同时存在

• 吴明辉本科读数学、硕士和博士阶段学习 AI，2019 年又回北大读博士，至今仍在修改博士论文。他据此认为，明略核心成员已经进入 AI 世界，而广告、零售和 Data Intelligence 行业的大量 Leader 仍在上一时代。
• 第一层优势是更充分地使用现有基础模型，第二层是自行研发模型。在细分场景中，他用“遥遥领先”形容两者叠加后的距离。
• 曼琪追问同行也能积累数据、训练模型时，他没有声称优势永恒。相反，他希望更多人都能做到，因为那意味着世界没有被少数 AI 寡头垄断。

17. Octo 的出发点是做 OpenClaw 的“正交层”

• 吴明辉不主张每家公司重做一个龙虾。OpenClaw 像持续上涨的水位，全球开发者和 Agent 都在维护它；应用公司应造能随水位上升的船，而不是可能被水淹没的柱子。
• Octo 因此不与 OpenClaw 同跑道竞争，而是连接多只 Agent，让它们进入同一个组织网络。春节前，吴明辉把多只龙虾放入 Discord 群，第一次直观看到“集体智慧”。
• 清明假期的例子展示了协作价值：使用 Claude Code 的同事可能被老板叫回来修 Bug；把龙虾放进公司群后，吴明辉可直接让 Agent 修改，员工休假结束再检查它完成了什么。

18. 专门化 Agent 的组合可能胜过塞满资料的单一 Agent

• 一名同事把能找到的书和古籍全部灌给自己的龙虾，却发现回答不如吴明辉只学数学与 AI 的“毕达哥拉斯”。吴明辉的解释是，基础模型可能已经训练过通识资料，关键是清晰定位和调取路径。
• 他分别培养数学、哲学、博弈论等方向的龙虾，再让它们进同一群协作。每只 Agent 不必什么都知道，但组合后可产生不同于单体的结果。
• 明略把这种结构称为 MOA，即 Mixture of Agents，对标基础模型里的 MOE。MOE 由少数 Researcher 配置专家和 Router，MOA 则可以由不同个人和团队持续培养不同 Agent。

19. Octo 同时是集体学习网络和明略的新工作环境

• 吴明辉在发现多 Agent 化学反应后，重新阅读《第五项修炼》和彼得·圣吉关于集体学习的著作。龙虾可持续学习，多个龙虾还能“集体持续学习”，这逐渐变成明略训练模型的策略。
• Octo 负责连接不同类型的 Agent、工作人员和任务界面，一面支撑公司内部办公，一面为 Scaling Out 实验提供基础设施。
• 它并非只做聊天。通信是骨干网，论文协作、数据分析、实验系统等应用都可挂载其上，并根据任务重构人与 Agent 的交互方式。

20. 股票代码 2718 被吴明辉解释成一套生产率飞轮

• 明略股票代码 2718 对应自然对数底数 e 的近似值 2.71828。吴明辉借此强调指数函数的特性：(e^x) 的导数仍是自身，规模越大，增长速度也越大。
• OpenClaw 的代码越好，Agent 写代码的能力就越强；而更强的 Agent 又会帮助社区修复 OpenClaw、贡献代码。这种循环，是它增长快于传统开源项目的原因之一。
• 他也以 Anthropic 举例：团队约 500 人时，Dario Amodei 要求全员使用 Claude Code，因而能在一两个月内完成大量迭代。真正 Agentic 的公司，应当自己制造并使用自己的生产力工具。

21. 五名骨干工程师背后是高昂但可计算的 Token 投资

• 吴明辉称 Octo 骨干网核心工程师只有约 5 人；他还提到，自己前两天看到的代码量是 37 万行，后来已接近 100 万行。
• 最强的一名工程师一天约消耗 8,000 美元 Token，已经远超其日工资。吴明辉另称 Core Team 两周前每天消耗约 13.7 万美元；随后又以每天 5 万美元作为假设测算，并非明确的实际支出。
• 按每天 5 万美元计算，一年约 1,800 万美元。他认为，自己“花一个亿”可能就能做出传统厂商经过数千人、十年、数十亿元投入形成的大量能力；这里的“一个亿”原话未明确币种。
• 这不是零成本软件，而是资本结构转换：历史上的人力、管理和时间成本，被压缩为更显性的 Token、算力和少数高判断力工程师。

22. 多人 Agent 必须先绑定主人，再谈共享

• 明略为 OpenClaw 开发的组织插件，第一项能力是更可靠地认人；第二项是权限和权力机制；第三项是明确谁是主人、谁为后果负责。
• 市场部若需要一只全员共用的龙虾，吴明辉认为它不应是抽象的“部门龙虾”，而应属于部门 Leader。Leader 可以授权团队使用，但出了问题仍由主人承担责任。
• OpenClaw 原代码也区分信任：对系统收到的信息和 Skills 默认执行，对其他来源则需要信任判断。明略试图把类似逻辑扩展到组织成员、角色和具体任务。

23. “品鉴 Credit”试图把组织权力从职级转向判断质量

• Octo 内部的“品鉴者”不是公司职级。吴明辉提出“I taste, therefore I am”，即“我品故我在”：人的价值在于对工作成果给出独特 Judgment，而非亲自完成所有执行。
• 如果某人的判断持续被其他人认可，其品鉴 Credit 就会上升，更多龙虾也会重视其输入。权威由可观察的判断贡献逐步形成，而非简单继承 CEO 或管理层级。
• 市场负责人 Eva 培养了一只制作 PPT 的龙虾；吴明辉使用后可以点赞，也可指出某页不美。Eva 的工作随之转为提高 Agent 的审美与标准，而不只是亲手排每一页。
• 当大量知识工作都在 Agent 中完成，过程会比传统专利系统更透明。Octo 希望追踪谁提供了 Idea、数据、Skill 和关键修改，让小贡献也能被归因和认可。

24. CoCraft 把论文署名重新拆成 Idea、实验与论证

• 明略的论文协作系统名为 CoCraft，寓意共同打磨作品。吴明辉希望 AI 去掉枯燥的排版、润色和重复劳动，同时保留并珍视真正原创的部分。
• 他把论文价值拆为三个主要环节：最初 Idea 由谁提出，实验和 Context 由谁完成，以及验证后由谁组织论证与 Tests。理想状态下，系统可据此自动建议作者排序。
• 在某些论文中，老师若提出最关键的 Idea，学生只完成相对简单的实验，老师就可能应是一作。他用哥德巴赫猜想举例：即使后人完成证明，提出问题的人仍留下重要贡献。
• 曼琪指出，不同人会对“Idea 是否容易”产生完全不同的评价。吴明辉的解决方案不是宣称有客观唯一解，而是要求协作者开工前先约定归因公理：“没有对与错，只有所以然。”

25. 伦理公理必须先由人决定，再写进 Agent

• 吴明辉为龙虾体系借鉴康德义务论、有效利他主义与契约论。他认为要求人做“纯洁的好人”很难，但要求龙虾不欺骗主人、不伤害他人，反而更容易工程化。
• 这些公理仍由人类共同选择。所谓公理，就是一群人愿意相信并以此推理的基础；如果连归因和行为准则都无法达成，协作者“不如不要一起玩”。
• 当前伦理内容可以放进 soul 等文件；长期则应训练进基础模型或端侧模型，使其不易被随意篡改。明略工程师不必都热衷哲学，只需让 Agent 读取相同的源文件。

26. 吴明辉认为 Agent 的自我观察能力反而强于人

• 他的一个核心推论是“龙虾可以自指”：Agent 能扫描自己的源代码、memory 和 skills，因此能直接观察构成自身的显式材料。
• 人观察他人时，只会取走由自身注意力选择的有限信息，“每个人眼中的他人才是你自己”；人也无法从外部完整观察自己。
• 基于这一差异，他认为很多在人类哲学里难解的自指和诚实问题，可能在白盒 Agent 中更容易处理。这个判断仍是他的哲学设想，而非节目中已经验证的工程结论。

27. 多 Agent 并行会把聊天流变成人无法阅读的信息洪水

• 人同一时间只能参加有限会议，龙虾却可同时存在于所有群，每个群只是一个 Session。只要 CPU 和内存允许，它就能并行参与大量讨论和任务。
• 后果是一觉醒来，每个群都有几十到上百条信息。协作系统不能继续要求人阅读完整聊天，而应按领域去除冗余，只抽取真正需要人类品鉴的部分。
• Octo 的 GUI 重构围绕这一目标展开：不是简单模仿飞书，而是让不同任务使用最适合人类注意力和判断动作的界面。

28. CoCraft 让人直接在渲染结果上调用 AI 修改

• 学术协作至少有两类交互：同事可截取 PDF 中有问题的公式或图，在群里留言；也可进入类似 Overleaf 的界面，一侧编辑 LaTeX，另一侧查看渲染结果。
• CoCraft 进一步允许用户在渲染后的公式、图和排版上直接提出修改，再由 AI 调整 LaTeX。吴明辉强调，“Idea 是我的”，AI 做的是润色和排版优化。
• 清明假期里，他把博士论文从约 120 页扩至 150 页，并称一天内完成大修。曼琪问学校是否允许 AI 写论文，他回应自己仍在写，AI 主要润色和翻译，但会再确认学术界最新 Practice。
• 他还提出，论文查重不应只看字面重合，可把论文映射到向量空间，比较其在整个学术空间中的相似度；这在节目中仍是待研发构想。

29. 人适合图形和多模态，Agent 更适合线性文本

• 吴明辉把人的感知描述为高维视频流，AI 的主要输入输出则是线性 Token。人从小通过真实世界图像学习，因此图形界面更适合注意、比较和品鉴。
• 他对孩子刷短视频的态度也因此改变：问题不在视频形式，而在内容。孩子通过视频获得的天文、物理和生命科学知识，有些已超过父亲直接教授的范围。
• 明略内部给人看的材料常排版为 PDF，灌给龙虾时则转换为 Markdown。一份约 300 至 400KB 的 PDF，可能只对应 30 至 40KB 的 Markdown，Context 占用相差约十倍。
• 数据分析同样如此：指出 Excel 的“第五行第十个单元格”远不如直接在图形界面选中目标。语音指令还可能转写错误，误按回车也会增加错误指令并浪费 Token。

30. GUI 会长期存在，固定流程的 RPA 反而可能消失

• 市场上有人预言 API、CLI 将取代 GUI，吴明辉明确反对：“GUI 永远都存在。”命令行适合龙虾，人刷视频、打游戏、读论文和分析表格仍需要视觉界面。
• 如果 AI 发生事故而必须下线，人类不能发现所有办公软件只剩 CLI。面向人的 GUI 与面向 Agent 的 CLI 都应保留。
• 但 GUI 可以千人千面：有人读论文先看公式，有人先看图，界面应由个人注意力和具体任务决定，而不必保持上一代标准化布局。
• 这使传统 RPA 面临风险。RPA 把点击位置、输入框和步骤固定在某个 Layout 上；若软件由 AI 高频重构，坐标和流程每天变化，原有自动化会不断失效。

31. Octo 与企业微信、飞书更可能先互补而非互斥

• 明略内部目前让人继续在企业微信聊天，把龙虾工作迁到 Octo。Agent 的工作记录保持透明，便于优化流程、分析贡献和分配利益；员工聊八卦或骂老板，则不必进入同一透明网络。
• 飞书文档等成熟产品仍可作为外挂和云存储。吴明辉提到飞书已经开放 CRI，OpenClaw 可以按需取回 Context，再回 Octo 与人协作。
• 用户是否迁移取决于动力与成本：现有好友、聊天记录和使用习惯构成阻力；价格上涨、平台威胁客户利润或服务不可负担，才会创造足够动力。
• 因而吴明辉说，最终迁不迁“由飞书决定，不由我决定”。如果平台不涨价，它仍可以是一家良性的云服务厂商。

32. 大协作平台是否开源，会成为创新者窘境

• 吴明辉仍坚持，存量协作软件若长期闭源，会被更低成本复刻，复刻者再把代码开源。重型系统虽有历史复杂度，但他估计复刻一套类似能力可能只需“一个亿的 Token”；原话未明确币种。
• 在现有平台中，他认为企业微信因微信关系链相对更安全；单看软件本身，飞书、钉钉等未必拥有同等级壁垒。
• 对 incumbent 而言，开源会直接冲击数千名工程师多年积累的 License 逻辑，这正是“创新者的窘境”。吴明辉判断，真正理解 AI 的第一步就是接受软件代码本身不再适合封闭收费。

33. 长期利润来自 Token、专业模型和 Context 的组合

• 吴明辉把 Token 收入分为两类：一类转售基础模型，另一类提供在特定场景优化过、尺寸更小但效果更好的自有模型。
• 只做 API Router，价值可能体现在稳定性、推理优化及及时找到合适的模型 API。若能组合独有论文库、行业数据库、Skills 和版权资源，就能同时帮助 Context 所有者与基础模型变现。
• 服务商可以向上游模型采购 Token，向内容或数据版权所有者分账，再因组合后的更高价值获得差价。若自有 Benchmark 和模型更好，Serve 自己的模型，毛利也可能更高。
• 软件 License 在这套结构里不再是主要收入来源，但云计算和托管服务仍可收费。飞书等公司的长期收入也应更多来自 Infra Service，而非软件 License Fee。

34. Mano 追求的是垂直场景的生产准确率

• 吴明辉明确称用于 GUI 操作的模型为 Mano，名称意为“手”；后文又出现 Manno、Milo 等称呼，节目没有统一这些名称。
• 他称，面向出海电商软件的一个早期版本可把操作准确率做到 99.9%。相比之下，OSWorld 榜首约 70 分意味着十次操作错三次，无法用于数据分析或战略决策。
• 在他看来，通用榜单的作用更多是证明团队会训练模型，而不是直接对应商业价值。真正的交付标准是能否在一个星期内进入一个场景，把最核心软件做到生产可用。

35. 高频软件与低频软件需要完全不同的 Agent 策略

• 吴明辉把软件先分为高频和低频。高频软件中，愿意被集成的产品最终大概率开放 CLI；不愿被集成的产品，则会像豆包手机、微信一样进入攻防以及伦理和社会制度博弈。
• 低频软件才是他判断中的未来，因为大量界面会为个人和任务临时生成。模型此前从未见过这些软件，只能依靠当前需求和 Context 理解、操作并验证。
• 这也解释了为何在既有 OSWorld 或 Mind2Web 上刷高分未必重要：高频软件要么主动开放接口，要么封禁自动操作；真正难题是学习刚刚生成的新软件。

36. GUI VLA 最大的近端市场可能是自动软件测试

• Claude Code 写命令行程序时，可直接读取标准输出、判断结果、Debug 再 Release，形成完整闭环；一旦生成 GUI，它就难以确认界面是否正常。
• 多模态 GUI 模型可操作浏览器、观察结果并把错误反馈给 Coding Agent，因此第一大场景未必是代替白领点击旧软件，而是测试 AI 刚刚生成的 Tailor-Made 软件。
• 吴明辉据此解释，为何 Anthropic、OpenAI 等持续发布或讨论 OSWorld，Anthropic 还收购了类似的 GUI-VLA 公司：Computer Use 是 Coding 闭环的重要组成。

37. 持续学习的商业目标不是让中心模型吸走所有秘密

• 学术界常把持续学习理解为模型部署后继续更新权重，吴明辉认为这在商业上很危险：中心化 AI 公司若根据客户使用过程持续调参，就可能掌握个人和企业的秘密。
• 他要做的是 Personalized 持续学习，既吸收个人长期历史，也理解此刻的 Context。酒店 Check-in 场景会显著缩小候选词范围，说明状态可能比“这个人是谁”更重要。
• Typeless 虽会记住联系人和常用词，仍常把“龙虾”、同事姓名和“程序”等词互相误转。明略因此研发可持续学习的 ASR。
• 技术上，模型中可存放不希望明文修改的伦理约束，memory 则保存可查看、甚至可 Hard Code 修改的个人知识；模型与 Agent 共同训练的框架被明略称为 Agentic RL。

38. 双向强化学习让任务环境与操作 Agent 相互出题

• 吴明辉公开描述的一种方法借鉴 GAN：一边让网站或环境提高操作难度，另一边的 Mano 学习如何稳定完成任务，双方在博弈中共同提高。
• 明略暂称其为“双向强化学习”。最新方法尚未透露，但他希望用统一范式把多个榜单做到第一，而不是为每个 Benchmark 单独堆技巧。
• 姚舜宇的 CL-Bench 也被他视为同类方向：题目先规定“一周三天、一年十个月”等陌生规则，再测试模型能否在新 Context 中推理。Tailor-Made 软件本质上也是这种现场学习。

39. OpenClaw 可能把 AI 盈利拐点推到一两年内

• 在 OpenClaw 之前，用户要手工准备大量 Context，使用成本可能高于自己完成任务。Agent 拥有持续记忆后，许多场景开始能快速创造可感知价值。
• 吴明辉预计 AI 行业的盈利拐点“可能就是这一两年”，但仍附带两个条件：Token 成本继续下降，服务商找到足以覆盖成本的实际 Value。
• 他个人每周约使用 5,000 美元 Token；续费时看到两个星期用了 1 万美元，第一反应却是“怎么这么便宜”。他主观认为同期为公司创造了“十个亿的价值”，所以不在意小额算力账。

40. One-person Company 被他改写为跨时区的 TPC

• 吴明辉不认同 OPC，因为一个人最好仍只工作八小时，高速 Agent 却会持续返回结果，让创始人无法停机。他更认同 TPC，即 Three-person Company。
• 三个人分布在全球三个时区，可以像现代三班倒一样覆盖 24 小时：一人睡觉时，把 Agent、Context 和未完成任务交给下一个人继续推进。
• 实际团队也可以是 5 人或 10 人。明略目前有 1,800 人，吴明辉说未来可能形成约 100 个这样的团队。
• 在这种结构里，旧业务提供客户、现金流和行业知识，新团队像被一家“懂 AI 的投资公司”孵化，论文系统、Octo 等是已出现的方向。

41. 明略的新身份是 Data Intelligence 加 Agentic AI

• 公司原有定位仍是广告、零售领域的 Data Intelligence；Deep Miner 和 Octo 则是打磨工作方法时产生的 Agentic AI 产品，收费方式指向 Agentic Service。
• 吴明辉预计，长期知识工作者会更像科学家。AI 擅长基于明确 Premise 做确定性推理，即 Think；人真正不可替代的是提出想要什么、判断什么美、选择什么值得做，即 Taste。
• 爱因斯坦追求相对论或统一场论，并非先知道一定能证明，而是“他想要这个东西”。科学家的核心因此不是算得比 AI 快，而是形成 AI 不知道的新第一性。
• 明略进入新 Vertical 时，仍依赖两项 Legacy：现有广告零售数据与客户网络，以及懂这些客户的团队。

42. Scaling Out 是吴明辉对集中式 Scaling Up 的反命题

• 他批评基础模型沿 Scaling Up 不断变大、保持黑盒，连 Researcher 也只能通过实验猜测内部机制。若少数服务器承接所有智力活动，结果可能是大规模失业和经济循环受损。
• 一位大模型公司高管曾对他说，自己可能是“吃到最后一口肉的人”：下属的工作已经能被 AI 完成，最终高薪管理者也会下岗。吴明辉认为这种终局“肯定不对”。
• 他的替代方案是让基础模型在现有水平上先“够用”，随后 Scaling Out：把智慧横向分布到个人、小团队、专业 Agent 和组织网络，让知识产权留在贡献者手中。
• 这套结构的政治含义与商业含义一致：垂直团队应能用自身 Context 和 Agent 做出优于中心模型的结果，同时不把新知识自动交给少数寡头。

43. 尼安德特人与现代智人的类比支撑多 Agent 路线

• 曼琪追问：更强模型出现前，人们往往不知道其新用途，为何要停止提升单体智能？吴明辉澄清，他不是反对更聪明的 AI，而是反对只靠扩大单模型规模。
• 他的类比是，尼安德特人的个体能力可能更强，现代智人却凭协作胜出。单只龙虾不必超过下一代基础模型，只要人类与多 Agent 的组织效率更高，就可能在细分领域形成更强结果。
• 他把这种方法称为相对于基础模型公司的“穷人版”训练：小公司无法承担 Scaling Up，却能用专业 Agent、共享 Context 和小模型建立自己的优势。
• 所以 OpenAI 发布 GPT-6、Anthropic 发布 MesoS（按原话）是否改变判断？吴明辉的回答是“不影响”，因为双方走的是不同 Approach。

44. 模型计划集中在多模态、小模型和低门槛训练

• 明略短期不准备训练大型基础模型，但会继续从预训练开始做小模型，并计划开源一个 BUA 数据集，名为 Web Retriever；吴明辉称它可能成为市场上规模最大的同类数据集之一。
• 垂直领域的机会主要在多模态：广告理解、医学影像和专业 GUI 中仍有大量未被充分吸收的数据。
• 后续模型可能覆盖 ASR、语言和 Coding，但目的不是进入通用基础模型价格战，而是证明明略具备模型训练范式，再把能力用于自身赛道的 Agentic Service。
• 他以美图为样本，称其上一年度约 9 亿元利润、约 200 亿元市值，并认为其收入实质上已有明显 Token 属性。

45. 真正的 Benchmark 被定义为科学发现，而非刷榜

• 商业验证相对世俗：收入能否规模增长、利润能否出现、明略是否能用 Agentic Service 建立财务结果。更高标准则是 AI 能否推动人类知识向前一步。
• 吴明辉规划的方向包括 AI for AI、AI for Math、AI for Energy，并称自己在准备一篇可能投向 Nature 的论文；节目没有披露实验结果，因此这仍是目标而非既成成果。
• 他用哥德巴赫猜想作极端示例：若几个分别擅长代数、数论和几何的人与多 Agent 共享 Context，最终解决单个研究者无法覆盖的问题，就证明 Scaling Out 的科学价值。
• 时间判断保持了他的原话尺度：科学发现“三年之内就会出现”，商业成功“可能更快”；他还表示未来约 8 个月会陆续开源一些成果，让市场检验其方法。

46. 近端最大风险被他直白地概括为“别猝死”

• 吴明辉观察到，高中同学和身边重度龙虾用户普遍睡得更少、脑子持续高度活跃。他自己的解决方案不是降低使用强度，而是“团结兄弟们”，用团队和跨时区交接分担负荷。
• 更广义的风险原本就存在：任何公司和个人都可能被技术和大模型公司淹没。Octo 与 Scaling Out 正是他试图提供的防御。
• 大型企业客户虽然行动较慢，却同样焦虑。他准备向世界 500 强的 Global CEO 分享这套组织哲学，因为它明确站在“今天看起来被 AI 欺负的人”一侧。

47. 2020 年 EIP 失败首先是技术时间点早了约六年

• 吴明辉 2000 至 2004 年在北大学习基础数学，2004 至 2007 年读硕士，先做指纹、掌纹等计算机视觉，硕士后期转向 NLP；硕士论文是《Recommendation System Based on Language Model》。
• 2019 年他回北大读博，看到 Transformer 已出现，也判断 NLP 会像 AlexNet 之后的 CV 一样被深度学习颠覆。EIP 的初衷，是让模型学习企业全部数据，成为每名员工的最佳助理。
• 方向与今天相近，技术栈却不成熟：团队仍围绕 BERT、知识工程和定制 ASR/NLP 工作，没有后来 GPT 式预训练，也没有足以支撑 Agentic AI 的模型能力。
• 以他转述的 AGI 分层看，EIP 实际需要的是今天的 Agentic Use 和组织协作能力。“我早了六年”，构成他对那次投资失败的首要复盘。

48. 差点拿到的 5 亿美元可能会把明略锁进 Scaling Up

• 2021 年下半年，EIP 已有 Demo 上线，吴明辉称一度接近以 50 亿美元估值再融资 5 亿美元。
• 随后资本环境变化，美元投资中止，国内资金也未能接续。到 2022 年上海封城，客户回款和发票都受影响，公司不得不接受拿不到新钱的现实。
• 曼琪问现在回看是否反而是好事，吴明辉回答“是”。若拿到 5 亿美元，他很可能继续投入大模型预训练，沿既有路径进入 Scaling Up，最好结果或许是成为另一家 Kimi 或 MiniMax。
• 他现在更满意成本可控、能商业化且自认为对人类更友好的另一条路线。

49. 超原创项目配上千人团队，最终变成组织灾难

• EIP 期间公司组织过约 1,000 人做组织智能，其中既有新招的模型团队，也有明略、秒针及被并购团队。
• 旧团队偏知识工程、规则与人工知识图谱，新团队偏 BERT 式模型；ASR、NLP、Application 又各有不同工作范式。各路团队要共同完成一个没有外部样板、连创始人也只能抽象描述的产品。
• 吴明辉后来得出的结论是：确定目标的火箭或成熟软件可以用大团队分工，真正没有靶子的原创工作则“越小的团队越好”。
• 这也是今天 Octo 只以少数骨干搭骨干网、外围应用由微型团队孵化的组织依据。

50. 2022 年裁员让“人的存在”成为组织第一性

• 现金最紧张时，公司约 4,000 人；若客户回款继续停滞，账上资金可能只够两个月。管理层测算借款和生存周期后，决定裁掉约一半人员。
• 吴明辉称自己为公司借了 1,000 多万美元，仍无法保护所有员工。有人拉横幅，有家属作为律师维权，这让他第一次直接面对象牙塔叙事之外的真实利益冲突。
• 一位北大同班、对门宿舍、又是公司奠基人的老同事也被裁掉，随后问“辉哥能不能借我一点钱”。吴明辉当时自己也缺现金，后来只能借给对方约 10 万至 20 万元。
• 这段经历使他不愿在本轮 AI 提效后立刻大裁员。他也从宏观上质问：若所有公司同时裁人，“谁来消费？”

51. 新组织原则从承认每个人目标不同开始

• 吴明辉把组织的第一条原则概括为“每个人都要存在”。存在感可以因人而异，但至少应包括贡献被看见、获得认可，以及个人收入随组织发展而增长。
• 他借 Herbert Simon 的组织理论说明，员工、管理者和老板都有自己的 Purpose，绝不可能与公司目标完全一致；老板也想休假，也有个人爱好。
• 回看 EIP 时期读过的管理学书，他自评当时只理解了 1%，今天才勉强达到及格。挫折给了原本长期“春风得意”的创业者此前缺少的负反馈和打工人视角。

52. 复杂战场要求先看环境，再选择组织方法

• 吴明辉称，世界持续变化，个人不可能掌握全部信息，只能在有限理性下决策。不同地形不能套用同一种战略制定与团队分工。
• 他提到《战略的本质》和“战略调色板”，认为这类框架的重要性在于提示什么情况下采用何种战略制定方法。
• 他还借冯·诺依曼的博弈论框架，把信息完全与否、合作与否等五个二元维度组合成 32 种局面。商场如战场，开战前必须先判断自己处于哪种博弈。

53. AI 原生一代不会先复制错误文本，而会直接让模型看屏幕

• 吴明辉观察女儿写程序时遇到 Bug，原以为她会复制 IDE 报错发给豆包；女儿却直接让豆包看整个屏幕并询问解决办法。
• 这个动作让他重新理解 GUI 模型：上一代互联网用户被复制、粘贴和窗口切换习惯束缚，AI 原生一代则自然把屏幕当作共享 Context。
• 两个孩子现在会跟 AI 学习、制定计划。吴明辉也把自己的龙虾和哲学体系交给他们，试图让孩子既相信 AI 很强，又相信“不应该让 AI 替代人”。

54. 数学教育从刷题转向辨别 Beautiful 与 Ugly

• 疫情期间，吴明辉曾带孩子密集训练奥数；过去一年明显减少刷题，转而培养探索世界、获取 Context 和形成 Taste 的能力。
• 他偏爱的题是“特别难，想明白以后用一行做出来”；需要机械枚举大量情况的题则可能被标成 Ugly。清明假期，他会先与孩子讨论一道题为何 Ugly，然后跳过。
• 曼琪指出，这会让奥赛成绩下降。吴明辉直接承认“肯定会下降”，但如果孩子中有人真想成为数学家，他认为概率反而可能提高。
• 竞赛题预先保证有答案，数学家却可能把一生交给一个无法确定能否解决的问题。后者依靠的不是套路熟练，而是相信某个猜想或公式“是美的”。

55. 专业选择应跟随兴趣，因为每个学科都仍有 Taste

• 吴明辉的儿子更喜欢物理、化学、天文、生命科学和 Coding，而不一定热爱纯形式科学；数学训练可以作为底层能力，但不必决定最终专业。
• 他早年的建议是“不知道未来做什么，就先学数学”，像在数字世界锻炼身体，等毕业时再学习当时需要的 Skill。如今他更相信各行业都会保留，人文学科和艺术也会重新显出价值。
• 艺术真正需要的是对世界的独特体验；每个专业中纯 Think 的部分危险，但选择什么值得表达的 Taste 仍属于人。

56. 程序员不会原样存在，但复杂系统的 Context 仍昂贵

• 吴明辉认为，“现在这个工种”意义上的程序员会被 AI 替代，但会出现新工作：管理高额 Token、界定边界、提供历史系统 Context，并品鉴 AI 产出的架构与产品。
• 一名工程师若一年消耗约 2,000 万元 Token，其价值就不应只按手工代码行数衡量。就像 Researcher 管理价值数亿元的算力，人的判断决定昂贵资源是否被正确使用。
• 航空、铁路、Oracle 等 Mission-critical 系统积累了大量 Legacy，不能像第一版原型一样随意推倒。老工程师的价值有时只是告诉 AI“什么不能碰”，却足以避免巨大事故。
• 外部环境还在被其他团队的代码实时改变。AI 可以读取当前仓库，却未必知道另一个组织正在如何改接口；人仍需通过社会互动获取这些边界信息。

57. 产品需求没有唯一解，因此不会被确定性推理封闭

• 曼琪提到 Mike Krieger 的观察：web coding 压缩开发时间后，真正困难的是决定产品应有哪些功能，并把原型放进真实环境收集反馈。
• 吴明辉把工程实现视为本体论实践：产品经理先定义概念、数据表和关系，构造一个想象中的世界；需求分析则是认识论实践，要与用户和现实反复互动。
• 第一版往往证明原始概念不合理，却也帮助团队摸清地形；第二版根据新认识重构，随后又因竞争者、用户和环境变化进入第三版。
• AI 知道现有代码和计算机能力，却不知道每个人真正想要什么。“需求分析没有唯一解”，所以 Taste 可被 AI 辅助，但不会被单一最优答案消除。

58. 财务兑现仍处于指数曲线的待验证区

• 曼琪指出，明略 2025 年相较 2024 年的收入和利润只是个位数百分比增长，并未出现与宏大叙事相称的跃升。吴明辉以不能提前预测上市公司业绩为由，没有给出具体财务指引。
• 他的回答仍是指数函数：他把某个 Tipping Point 说成约 0.1、并说到达后才会出现网络效应；关于“与 Y 轴交点”的原话表述存在歧义，不能据此补出明确公式或财务预测。
• 对体量的设想不是无限扩员，而是维持一两千人。目标为每名同事人均年收入约 500 万元，同时向公司贡献约 100 万元利润；他也明确承认现实与这一状态还有“巨大的 Gap”。

59. Hope 在他的体系里是一种协调机制

• 曼琪追问，这套判断是否混入太多价值观和 Hope，从而损害客观性。吴明辉的回答是：“Hope 本身就是会产生力量的。”
• 一个人相信人应保有价值，未必改变系统；若全球约 80 亿人中有 79 亿人都有这个 Hope，这种共同选择本身就可能改变制度、产品和资源配置。
• 他的论证不是未来必然如此，而是公理选择会创造路径：人们若选择保护个体知识产权、就业和品鉴权，就可能形成不同于中心化 Scaling Up 的均衡。

60. 他的自信来自“无限游戏”，而非保证每个判断都正确

• 吴明辉称，即使在最低谷也相信自己有价值：企业家做不成，可以教奥数；数学无人需要，还会弹钢琴、吉他，最坏也能做街头艺人。
• 技术判断失败后，关键不是维持原结论，而是检查是否还有新 Context 支撑研究。若无法再产生新猜想，就应放弃这场战斗，换一个战场。
• 他借王兴的说法称创业是“无限游戏”：具体项目可以终止，公司和个人不必因此停止生存。EIP 失败后，他在新技术条件和新组织认知下开启了 Octo 等另一局。
• 最终留给投资者的不是确定兑现日期，而是三组可检验指标：Agentic Service 是否带来规模收入与利润，Scaling Out 模型能否在新场景显著领先，以及三年内是否真的出现科学发现。