SaaS的终结与数据资产的突围

吴明辉坦言，SaaS行业正在走向实质性的终结——尤其对坚持闭源路线的公司而言，这几乎是“死路一条”。他指出，传统软件本质上是一次性固定资产，但AI时代下，代码可被轻易复刻，知识产权的排他性大幅削弱，导致软件本身难以再构成可持续资产。真正不可复制的核心价值，正从软件层转向数据层。明略的差异化在于其产品核心是数据供应链，而非界面或功能逻辑，因此受冲击较小，甚至因AI普及而获得新机遇。他类比金融领域的万得或彭博：其软件界面早已可被Agent替代，但数据壁垒依然坚不可摧。

“它真正最真正核心的是它的数据供应链的部分。”

“所以对于呃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。”

从个人Agent到组织协同：OpenAI龙虾的范式革命

吴明辉认为，2024年初OpenAI推出的‘龙虾’（ChatGPT Agent）是AI应用的分水岭——它首次实现了持续学习的分布式记忆机制，而非依赖中心化模型参数微调。其记忆结构（日记层、memory层、solve层）具备分层学习速率，允许用户通过自然指令动态调整认知路径，且完全白盒可控。这使Agent从“工具”升级为“可成长的协作伙伴”，真正释放个体创造力：人不再成为执行瓶颈，而转向创意提出与上下文供给。

明略内部已将Agent深度融入协作流程：员工用Agent写代码、查数据、改Bug，管理者通过Agent远程指挥任务，形成“人提需求、Agent执行”的新工作流。但当前Agent仍存在两大瓶颈：身份识别缺失（如群聊中混淆用户身份）与安全机制不足（如权限误授）。明略正开源贡献PR修复这些问题，并推动Agent从“个人助理”进化为“组织协同节点”。

“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。”

“你让龙虾，你让你的龙虾去做个反思，它就调了。然后你告诉说这个事儿必须要记下来，然后它就记到 memory 里面了。”

AI原生组织：从人力密集到创意驱动

吴明辉提出，未来组织的核心变革方向是‘AI原生性’：一线执行工作应完全交由Agent（如龙虾）完成，人类角色聚焦于创意提出、上下文构建与目标校准。明略已率先在程序员、数据分析师、财务、HR等岗位落地该模式——例如财务团队人手一个CC（Code Interpreter），HR团队亦深度集成Agent工具。他强调，组织效率的跃升不依赖单点技术升级，而在于重构人机分工逻辑：当Agent能跨人协同（如清明假期自动修复Bug），传统“加班救火”模式将被彻底颠覆。

值得注意的是，吴明辉虽兴奋于技术突破，却清醒指出当前瓶颈：开源项目已受制于核心维护者（Peter）的 commit 能力，而组织级Agent需解决身份识别、权限隔离等工程化难题。明略正通过自研增强模块（如用户身份感知层）推动社区演进，为“多Agent协同网络”——其即将开源的“章鱼”系统——铺路。

组织转型：AI驱动的人员结构与文化适配

在明略科技，AI的落地并非仅停留在技术层面，而是深度重塑了组织结构与工作逻辑。公司虽成立于二十年前，却展现出极强的AI适应能力——这与其核心团队背景密切相关：总裁兼CFO与HR负责人均出身于计算机专业，使得技术思维深度嵌入管理层决策逻辑。这种结构让AI不是“外来工具”，而是内生的运营语言。

在此背景下，AI Agent正逐步接管重复性高、规则明确的岗位任务，尤其在数据分析师与程序员等主力工种中表现显著。但关键在于：AI释放的不是人力，而是认知带宽。例如，数据分析师过去80%时间用于数据拉取、清洗与基础建模，如今这些环节可由Agent自动完成，从而让人类分析师得以转向更高阶的“战场协同”角色——与客户并肩作战，探索广告监测之外的新数据场景，如新产品研发、战略决策支持等。

“我那龙虾情商可高了。”

“他需要他的partner陪着他一块加班。”

业务重构：从SaaS交付到Agentic Service的价值跃迁

传统SaaS模式在动态商业战场中已显乏力——客户不再满足于固定报表，而是需要实时响应竞争变化的即席分析能力。过去，数据分析师需在标准数据源（如广告曝光数据、CRM行为、供应链库存等）基础上，手动拼接多源异构数据，甚至引入天气、社交媒体舆情等外部变量，整个流程成本高、响应慢。

AI Agent的引入彻底重构了这一链条：标准化分析任务由Agent自动化执行，人类专注定义问题、验证假设与策略输出。更深远的是，明略正推动商业模式从“软件授权”转向“Agentic Service”——即以结果为导向的数字劳动力服务。例如，为百盛中国定制餐饮行业Agent，其代码生成能力远超通用大模型；此时收费不再是按人日计费，而是按领域Token消耗+管理费模式，形成更高价值密度的盈利结构。

“将来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。”

权责边界：AI代理的伦理约束与责任归属

尽管AI Agent可高效执行任务，但其缺乏主体性与担责能力构成根本性限制。明略坚持：前端服务仍需人类参与，因客户需要情绪价值与责任兜底。当AI出错时，责任必须由明略或其团队承担——这不仅是法律要求，更是商业信任的基石。

从更宏观视角看，未来可能构建一种“权责对等”的治理框架：例如，Agent若频繁出错，系统可自动削减其算力资源（惩罚）；若表现优异，则给予更多调用权限与资源交换机会（奖励）。这种机制类似Web 3.0中对生产力单元的动态激励，但明略强调：必须将AI权力严格约束在人类可控范围内，避免出现“AI担责→人类免责”的伦理滑坡。

“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。”

定价逻辑的剧变：从成本导向到价值导向

中国SaaS行业长期处于高度竞争、成本导向的定价模式中，企业普遍仅在人力成本基础上叠加微薄溢价；而美国SaaS则长期以价值导向为核心——例如明确说明“我替你省下X个人力成本”或“你可少招Y人”，从而支撑高许可费用。这种差异曾导致中美市场呈现“中国卷、美国稳”的格局。但AI的崛起正在逆转这一趋势：AI大幅压缩知识型服务的边际成本，使全球SaaS定价体系同步向成本导向坍缩，这对原本依赖高溢价的美国SaaS冲击尤为剧烈。

“但今天有了 AI 之后。都朝着中国这放下来了啊！”

“美国他们原来我收这么多的这个 license fee，这个再去跟他一一 PK，这就完蛋了呀。”

AI时代的组织进化：Mixture of Agent 与自增强工作流

明略正从传统数据智能服务商向Agentic Service（代理式服务）提供商转型。其核心策略是：不重复造轮子（如自建大模型），而是构建专属的多Agent协作网络——例如“章鱼”（Octopus）系统，将多个 specialization Agent（如数学、哲学、博弈论方向的‘龙虾’）组合成Mixture of Agent（MoA）系统，实现超越单一模型的集体智慧。该系统不仅用于模型研发，更成为公司内部的工作环境基础设施，支持持续学习与任务协同。

这一实践源于对指数增长本质的洞察：eˣ 的导数仍是 eˣ，意味着增长本身具备自我加速能力。正如Anapath团队全员使用Copilot（CC）实现生产力跃迁，明略正推动全员进入“agent工作状态”——用自研工具提升自身效率，工具又反哺业务闭环。其终极目标并非“养更多人”，而是让高Taste的数据分析师（深谙行业、产品与竞争格局）借助AI放大其不可复制的领域理解力，从而在价格战中靠差异化价值突围。

“你能不能在你的这个团队里面，不是简单用一个普通的AI，是你有自己私有的AI……然后再结合一些你特殊的一些能力……甚至我可以帮客户直接，我就不是一个一个什么 marketing system 了，我就是帮你干脆带货算了，是不是？”

从工具自造到组织范式跃迁

达里奥曾要求其整个团队全部使用 CC（Code as Code） 编写代码，这使得 Ansaropik 公司的生产效率极高——一个月或两个月内即可完成过去数年的工作量。这种状态本质上是 Agentic 工作模式（代理式工作模式）的体现：员工的生产力工具必须由自身构建，且该工具具备可产品化、可对外输出的能力，从而形成自我闭环的生产系统。这一理念可类比数学公式 eˣ 的导数仍是 eˣ，即投入与产出呈指数级正反馈；用中国古语说，便是“工欲善其事，必先利其器”——真正的效率革命始于工具的自我锻造。

达里奥就要求他整个团队全部都用 CC 写代码。

我一定要让我们的公司进入到一个新时代的工作方法……一旦过了这个爆破点，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。

吴明辉坦言，他早年曾犯下重大错误：在技术条件尚不成熟的阶段，试图组织千人团队开发“组织智能”，却因基模能力不足而失败。如今，随着主流大模型（包括国产模型）已具备支撑 Agent AI 的能力，整个行业已越过 tipping point（临界点）。这意味着，AI 原生协作平台不再是未来选项，而是组织升级的必选项。他打造“章鱼”系统的初衷，正是为了打磨这一代组织所需的“利器”，推动企业从“上一代工作方法”向“AI 原生工作范式”跃迁。

五人团队与百万行代码背后的效率革命

“章鱼”系统虽已积累近百万行代码（早期版本为 37 万行），但其核心开发团队仅 5 人，且工程师可远程协作。其骨干网（如通信协议层）与周边应用（如在线论文写作系统 Co-Craft）分离，体现了典型的 模块化、插件化架构。值得注意的是，该系统核心工程师的单人日均 Token 消耗高达 8000 美元，整个 core team 日均成本约 13.7 万美元——远超人力成本（一名工程师年薪约 300 万人民币，而年 Token 开支可达 2000 万人民币/人）。这种“高算力投入、低人力规模”的模式，使得团队有望在一年内复刻市面上主流 B2B 协作平台（如 Slack、飞书、Teams），而后者往往需数千人耗时十年方能建成。若以年投入 1800 万美元估算，总成本约 1 亿美元，仅为传统路径的 1/20–1/40。

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一百二十页变长了一百五十页，就一天的时间。

你你可以简单一点，把每一篇论文放到一个向量空间里面……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啊！

吴明辉进一步指出，当前学术界论文查重机制存在根本性缺陷——仍依赖字面相似度，而非语义向量空间中的语义距离。他计划以“章鱼”系统为基座，构建基于向量语义的学术归因系统，推动学术出版范式的底层改革。这一尝试也印证了其核心信念：AI 不仅是效率工具，更是组织治理与知识生产方式的重构者。

龙虾改造：从个人助理到组织协作者的权力重构

“章鱼”系统对开源大模型 Cline（龙虾） 的改造聚焦三大核心：角色识别（认人）、权限机制（责权利匹配）、协作层级（主人优先）。标准版龙虾作为个人助理存在明显缺陷：上下文遗忘、关键任务出错、Token 消耗低效（Anthropic 已限制高消耗调用模式）。吴明辉团队通过开源插件，将龙虾升级为组织级协作者——它能识别用户身份、绑定责任主体（“主人”），并建立品鉴者（Taster）信用体系。

人未来是我品鉴故我在，是吧？就是 I taste, therefore I am。

该体系基于哲学基础：康德道义论、有效利他主义（Effective Altruism）、契约论。在“章鱼”组织中，成员通过提供高质量判断（taste）积累信用分，系统据此动态调整龙虾对其指令的响应权重。例如，市场负责人艾娃的 PPT 龙虾若产出不佳，其本人作为品鉴者需介入修正；若产出被业务 leader 认可，则信用分上升，其龙虾在组织内影响力扩大。这种机制将模糊的“团队协作”转化为可审计、可归因、可激励的透明生产流，为解决知识产权归属、贡献度量化等长期难题提供新路径。

所以你们现在这个章鱼其实也涉及到这个……我是研发了一套龙虾的这个商业伦理学的……

伦理系统的哲学根基与龙虾的自指优势

在构建龙虾的商业伦理系统时，我融合了康德的义务论、有效利他主义（Effective Altruism）与契约论作为底层世界观。但康德要求人成为“纯粹的好人”——比如绝对不说谎——这在人类现实中几乎不可实现。而龙虾却天然具备实现这种伦理约束的条件：它能完整扫描自身源代码、记忆与技能，实现高度自知与自检。相比之下，人类观察自身时受注意力机制与主观滤镜限制，所谓“你眼中的他人才是你自己”，即观察行为本身已映射观察者身份。龙虾的自指能力远超人类，使其在伦理执行上具备天然优势。

康德要求人不能说谎。对对对，但你要求龙虾是不是可以很容易？是不是？

龙虾是可以自指的。这是我在春节期间的重大发现：龙虾是可以自知为什么？龙虾是可以观察自己的，因为就在龙虾那台电脑上，它有自己的全部代码，所以它对自己无比的了解。

GUI重构：以人类注意力为中心的双工交互范式

当前人类协作仍以聊天为主，但龙虾互联网的并行处理能力（每个群即一个 session）导致信息爆炸——醒来可能已有上百条日志。因此，必须重构 GUI，实现“人类品鉴+AI执行”的双工模式：AI 自动过滤冗余信息，仅将关键内容以人类最适应的图形界面（GUI）形式呈现。例如在论文写作中，我们基于 Overleaf 的 LaTeX 界面，但允许用户直接在渲染出的 PDF 上修改公式与图表，并调用 AI 润色优化。这比纯文字交互（如 Typeless）高效得多——后者易出错、易重复劳动。

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。

人不需要命令行，龙虾需要命令行。你刷抖音，你觉得它不是 GUI 吗？你打游戏，它不是 GUI 吗？

SaaS的终结与RPA的危机：AI驱动的系统性重构

当前 GUI benchmark（如 OS World）仍基于传统软件（如 Office、Windows），但未来 SaaS 将被大规模替代——不是 GUI 消亡，而是GUI 被重新定义：它将千人千面，支持个性化注意力偏好（如有人重公式、有人重图表）。与此同时，RPA 公司面临系统性风险：其依赖固定坐标点的自动化逻辑，在 UI 频繁迭代的 AI 时代根本无法维护。未来系统应是人与 AI 共同参与的双工工作流：AI 执行、人类品鉴，而 GUI 是人类介入的唯一自然接口。

GUI 永远都存在。人不需要这个命令行，龙虾需要命令行。

SaaS 软件都要完蛋了……GUI都要逐渐的被重构了，不是说没有GUI了。

AI驱动的GUI协作系统：双工工作范式与章鱼架构

当前许多SaaS软件频繁更新界面，导致依赖固定GUI布局的自动化流程极易失效——一旦界面变动，整个自动化链路即告崩溃，这是传统AI生成GUI方案的重大风险。因此，吴明辉认为，未来软件系统应重构为‘人+AI’双工协作模式：既保留人类对界面的直观判断与审美能力，又发挥AI在重复操作中的高精度与可扩展性。他将这种系统形象地称为“章鱼”（Zhangyu）架构：系统中同时运行大量AI代理（他戏称‘龙虾’）与人类成员，界面根据具体任务动态适配，而非固定不变。

“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……它根据具体的任务，它的那个界面就不一样。”

该架构强调开源优先：明略计划将已验证的模块（如Auto Research系统）开源，后续通过模型定制、服务部署等方式实现商业变现。开源并非牺牲商业性，而是构建更开放的协作生态——开源是基础能力，变现靠场景定制与模型服务。他指出，当前飞书、企业微信等平台虽已具备一定AI集成能力（如飞书Arclow），但若持续闭源，将面临被复刻并开源替代的风险；而真正拥抱AI的平台，必须选择开源路径。

“如果你真的拥抱AI，你就会知道闭源软件必死……软件本身的价值几乎就没有，一个亿的token肯定可以搞定。”

低频定制化软件：AI协作的主战场与商业模式

吴明辉提出，GUI VLA（视觉-语言-动作）模型的真正价值不在通用自动化，而在‘低频定制化软件’场景——即大量为特定组织、行业定制开发的软件系统。这类软件更新频率低、交互逻辑稳定，但开发与测试成本高。AI在此场景的核心价值是构建开发-测试闭环：工程师用代码生成GUI后，AI代理可自动执行测试、反馈Bug，极大缩短调试周期。他举例，当前OS World榜单上顶尖模型得分仅70分（即十次操作错三次），远未达生产可用标准；而他们已实现某出海场景下核心软件操作准确率达99.9%，这才是落地关键。

“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，我能做到百分之九十九点九的准确率。”

商业模式上，他强调AI公司不应靠卖软件赚钱，而应靠卖token与定制化模型。其中，场景优化后的轻量模型（如Mano）比基模更小、更准、更易部署，可作为高溢价服务交付客户。长期来看，高频软件（如Office）将逐步转向CLI接口以利集成；而不想被集成的封闭系统（如微信）则进入攻防博弈阶段——这已超出技术范畴，上升为伦理与制度问题。因此，未来AI协作系统的主战场是低频、定制、高可靠性的场景，这也是明略瞄准的长期增长点。

“低频软件其实是未来……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。”

盈利模式：基模分发 vs 自研模型+场景组合

当前AI公司主要有两种盈利路径：一是作为第三方基模的路由器（router），通过稳定分发、推理优化和API调度赚取差价；二是构建自有模型，并与特定场景的上下文（context）深度结合，从而创造更高价值并获取更高毛利。

若仅做API转接层（gateway），其价值仅体现在保障稳定性与效率匹配——这与硅基流动、PPIO等公司类似；但若能将自有模型与垂直领域知识库（如学术论文库）组合，则可实现显著溢价：既帮助内容所有者变现，又为基模提供高价值出口，本质是通过整合上下文与模型，创造更大整体价值。

“你创造了一个更大的 value，所以这是基模的情况。”

“当你摄入我的模型的时候，那我的效率是高的，那我中间的这个这个毛利就更高了，是吧？”

值得注意的是，当前多数路由型公司第一大收入来源并非自建开源模型推理，因最优模型多未开源；而真正高利润路径，是持续探索“场景+模型+上下文”的组合创新——无论是自有模型对接自有上下文，还是基模对接自有上下文，关键在于能否形成闭环价值闭环。盈利拐点或已在眼前：当AI能持续学习、降低使用门槛，其创造的价值将远超Token成本；当前企业级AI成本虽高（如CEO周耗5000美元），但只要产出足够大（如两周创造“十亿级价值”），成本便不再成为决策障碍。

组织形态：从单体公司到多TPC（三人协作单元）网络

AI增强的工作模式正在重塑组织边界：单人公司（OPC）虽被热议，但吴明辉更倾向‘三人公司’（TPC）模型——即在全球三个不同时区各设一人，实现24小时不间断推进，类似现代‘三班倒’。这种结构既避免个体过载（如因效率过高导致失眠），又最大化协作连续性。

明略当前虽有1800人，但实际由上百个小型TPC式团队构成；新业务孵化中，明略正转型为AI原生的‘产品孵化器’：既保留原有Data Intelligence业务（如Deep Miner），又将章鱼（Octo）、论文协作平台等新项目归类为Agentic AI产品线，采用Agentic Service收费模式。

“我作为CEO，我大概一个周是五千美金……我觉得我这两个周就是怎么着给公司创造了十个亿的价值。那我才花了一万美金，这算啥了？”

“我觉得三个人就是很好的……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。”

未来组织形态将趋向轻量、敏捷、分布式：核心不再是人力规模，而是AI增强的个体能否快速将想法转化为执行——当一个创意十分钟内即可落地，组织的响应速度与创造力将呈指数级跃升。

未来角色：知识工作者向‘科学家型’转型

吴明辉认为，AI无法替代的，是‘科学家’的本质能力——即‘taste’（品味/直觉）：它源于人生经验与主观判断，用于定义‘想要什么’‘什么是对的’，并以此为第一性原理展开推理；而AI擅长的‘think’（逻辑推理）是基于已有前提的确定性推演，终将被替代。

因此，知识工作者的终极进化方向是成为‘科学家’：明确自己的taste，再由AI执行think——即定义问题、判断方向，让AI完成路径推演与落地。这与爱因斯坦探索相对论的过程一致：他并非基于已知定理推导，而是出于‘我想理解时空本质’的直觉驱动，即便结果尚无实证。

“科学家真正它的核心是它的 taste……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。”

“你做的是一个新的东西，是AI偷偷的不知道的东西。”

在这一范式下，明略的行业属性正从‘营销数据智能’转向通用AI原生组织服务商——其终极形态，是帮助各类组织构建以taste为主导、AI为引擎的新型生产力系统。

知识工作者的主动权回归

在AI深度介入工作流程的当下，知识工作者必须重新成为具有高度主动性和独立判断力的决策者——明确自己想要什么，再由AI高效执行。这与科学家的本质高度一致：爱因斯坦探索狭义相对论、广义相对论乃至统一场论，并非源于外部指令，而是出于他个人的“taste”（品味与直觉驱动的目标感）；他所追求的，是尚无实证、甚至不确定能否成功的前沿问题。这种探索本质上是在构建AI尚无法自主生成的新知识。因此，在AI时代，行业属性正被弱化，而个体的洞察力与目标感成为核心竞争力。

“其实，爱因斯坦其实他在解决这个智能方程……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，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偷偷的不知道的东西。”

从Scaling Up到Scaling Out：AI文明的范式转向

当前大模型发展路径——即持续通过Scaling Up（规模扩张）训练更大、更黑盒的基座模型——被作者视为对人类文明极具风险的方向。他指出，模型能力越强，个体价值越易被稀释，最终将导致系统性失业与权力失衡。一位大模型公司高管曾坦言：“我有可能就是吃到最后一口肉的那个人，但是最后我也要下岗。”这种不可持续的逻辑，与人类文明“个体尊严与集体智慧共生”的发展趋势背道而驰。

作者主张转向Scaling Out（横向扩展）：即构建多Agent协作网络，让个体（或小团队）在保留自身行业洞察与知识产权的前提下，利用现有基座模型能力，实现场景化、个性化、可解释的智能增强。他类比人类进化史：现代智人并非因个体智力碾压尼安德特人，而是凭借高效协作能力胜出；未来AI也应如此——不追求单体超智能，而追求协作智能。

“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……这个是不符合人类文明发展的趋势的。”

“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。”

持续学习的真义：个性化、情境化与协作闭环

作者重新定义了“持续学习”的商业本质：不是模型出厂后动态更新参数（这将带来伦理与安全风险），而是构建‘个性化持续学习’能力——即AI能结合用户长期历史行为与当下实时情境，动态生成最适配的响应。例如，一个ASR系统若仅记常用词而忽略当前语境（如酒店check-in场景），其准确率仍远低于人类直觉式理解。

为此，团队正探索双向强化学习机制：借鉴对抗生成网络思想，让AI在模拟环境中与“对抗模型”博弈（如一个模型试图阻挠操作，另一个则学习应对），从而在真实任务中提升鲁棒性与适应性。他们已开始在垂直领域（如广告理解、医学影像）构建小型基座模型Mano，并计划开源Web Retriever数据集——后者或将成为当前最大规模的垂直行业数据集。

“我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，甚至就服你这一个人。”

“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为单位的。”

融资错失与路径依赖的反思

吴明辉回顾了2020—2021年间融资的关键节点：当时他已做出初步可用的 demo，但因未使用预训练技术，能力尚弱；尽管有少数“特别 crazy 的投资人”极为兴奋，甚至准备在估值50亿美金基础上再融5亿美金，但最终因后续一系列事件未能成行。他坦言，若当时成功融资，公司后续发展可能完全不同——“如果我那一轮融到了的话，我后面就会没有那么难受”。更深层的反思在于：一旦走上大模型预训练的 scaling-up 路线，就极易陷入创新者的窘境：资金到位后，组织本能地沿着既定路径扩张，难以回头转向更轻量、更可控的新范式。

“当时如果你能融到五亿美元，你可能就要去做大模型的预训练，很有可能就会朝那方向去了……你一定会沿着路去走嘛，就这个创新者的窘境，就是你已经这么干了，你很难回过头来了，换一个思路去做了。”

他进一步指出，今天公司的市值并不反映未来价值，因为尚未解禁，也未交付未来战略；真正检验价值的，是到今年年底及明年能否交付重大成果。他立下flag：“三年之内我们能不能做出一些真的牛逼的科学发现”，强调其新路径的核心优势在于：成本可控、能盈利、对人类真正有益。

“Finally，就是刚刚你不说怎么评价这个什么要做得好吗？我我我就看看将来我们能不能去做重大的科学发现吧，是不是？这个这个是对真正对全人类好的事。”

组织失控：大团队与超原创项目的致命冲突

吴明辉坦承，2021年前后犯下的最大错误是：用一个千人规模的大团队，去推进一个连他自己都尚未清晰定义的超原创项目。团队构成复杂：既有他原有基于知识工程（如人工构建知识图谱、规则系统）的旧派团队，又有新招的大模型背景（Bert系）团队，二者工作范式迥异；同时，ASR与NLP两大模块也并行推进，均未成熟，需大量优化投入。更关键的是，应用层整合了并购而来的多支“神仙团队”（秒针竞品、肖红团队等），最终产出的产品“所有人都不知道是什么东西”。

“在那个 moment，大家去想一想，我在干那个事儿是真的是没有几个人知道他要干嘛的，就是我自己也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。”

他总结出深刻教训：在超级原创项目中，大团队注定失败；越小的团队越有胜算。这直接催生了他后续六七年的组织认知重构——从“我思故我在”的理性人假设，转向更贴近现实的存在主义视角：组织设计必须让每个人拥有存在感——即声音被听见、贡献被认可、个人目标被满足。他引用赫尔伯特·西蒙（唯一同时获图灵奖与诺贝尔奖的学者）的观点：组织中每个人的goal不可能与老板一致，甚至老板自己也有休假、爱好等私人诉求。因此，真正的组织智慧在于：尊重个体的有限理性与多元动机，而非强求统一意志。

“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……这是人类社会的第一性原理，就是每个人都要存在。”

认知跃迁：从顺境幻觉到复杂系统的清醒

吴明辉坦言，2020年前的自己始终处于“春风得意”状态：北大天才班出身、细分赛道领先、整合对手、校友关系融洽……这种连续正反馈让他缺乏对组织复杂性的感知。直到EIP项目失败、融资受阻、团队崩溃，才真正进入“负反馈”学习期。他反思：“你没有上过班啊……你什么时候才比较清晰地有这种认知的？就是这几年。”

他后来系统研读管理学经典（如西蒙的《管理行为》《组织》《管理决策新科学》），但直到多年后重读，才意识到当年“只理解百分之一”。如今，他结合冯·诺依曼博弈论（32种博弈类型）与《战略的本质》中的“战略调色板”理论，形成新认知：必须先看清外部环境（信息是否完全、合作与否、动态性等），再匹配对应的组织与战略方法。他遗憾“这本书我看晚了，是在我已经把钱都浪费完了以后才看的”。

在AI与人类共存的未来，他提出新哲学定位：人类的存在感不在于“我思故我在”（推理），而在于“我品故我在”或“我行故我在”——即用人类的 taste 和行动去定义问题、校验结果；大模型只是“更高级的计算器”，其存在依赖于人类赋予的边界与目的。组织的终极挑战，是在尊重 AI 工具性的同时，守护人的主体性与存在感。

“我思故我在的人，现在不要去追求我思故我在了……计算器因为它会算数，所以它存在；今天大家把大模型当成一个大号计算器就好了。”

从执念到清醒：EIP项目的终结与裁员的痛

吴明辉回顾了EIP项目终止的真实背景：并非战略调整，而是资金枯竭。他在2021年仍抱有强烈执念，坚信“全世界都不理解我，但总会有人理解我”，甚至一度距离融到5亿美元仅一步之遥。然而到了2022年初，美元融资失败后，他转向国内投资人和原有股东寻求支持，却发现“这个世界变了，就没人再信你了”。上海封城后，连客户回款都变得极其困难——“你连发票都开不了了，是不是？”最终在2022年4—5月，团队预判资金链已无法维持，账上现金仅能支撑1—2个月（取决于回款能否恢复）。在生死存亡关头，公司不得不做出艰难决策：从4000人裁减至2000人。

这一过程让他深刻体会到裁员的残酷现实：优秀员工拉横幅抗议、家属请律师维权，让他第一次直面“真实世界”与理想主义之间的鸿沟。“很多人本来都很优秀的，然后他都到公司来闹事儿……我在这个 moment 的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。”

“很多人本来都很优秀的，然后他都到公司来闹事儿，是吧？拉横幅，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！”

“我在这个 moment 的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那个简单的世界了。”

AI时代的人本主义：拒绝大裁员的信念与生命力

尽管吴明辉承认AI已能高效完成大量工作，但他坚定反对以牺牲就业为代价的效率提升。他强调：“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。”他呼吁所有企业家在AI优化效率的同时，主动保护就业——因为“谁还消费呢？”

这种立场源于他个人的底层信念：希望本身就能产生力量。“hope它本身就是会产生力量的……如果全世界有八十亿人，如果有七十九亿人都是这个hope的话，你觉得这个会不会实现？”他进一步指出，多数人本能地认同“人有价值”，哪怕AI在数学上超越人类，他仍愿“带着AI去解决哥德巴赫猜想”，因为“我肯定不服气”——这种不服气，正是人类存在感的根基。

“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。”

“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。”

在夹缝中求生：自信的重建与无限游戏的哲学

面对低谷期的自我怀疑，吴明辉坦言自己从未动摇过对自身价值的根本信心。他以精读《物种起源》为喻，将创业视为“在生命之树的夹缝中求生存”的过程——“我始终会在夹缝中求生存，就是我始终觉得我能活下去。”最坏情况下，他相信自己“开个班、抱一把吉他也能养活自己”，这种近乎倔强的乐观，构成了他技术判断与商业决策的底层韧性。

他将商业竞争视为一场“无限的游戏”：当一个方向走到尽头，可理性转向新战场，但必须对原有承诺负责。“有生命力的人，他其实要打的是一个用王心化叫无限的游戏”——关键在于能否持续获取“产生新猜想的 context”。对他而言，当前最大的 context 正是“每个客户、每个团队都需要存在感”这一未被满足的深层需求。

关于明略的未来目标，他提出务实愿景：人均年薪500万、人均贡献100万利润（参考模型厂商当前薪酬结构），并强调“一两千人规模就挺好”。他拒绝与大厂争夺传统AI人才，转而致力于降低模型训练门槛，赋能“既有行业taste又懂技术的复合型手艺人”，让每个知识工作者都能拥有自己的AI生产力工具。“如果全世界所有的人的每创造一点崩就被大模型厂商拿走了，谁还愿意创作？”——这不仅是商业策略，更是对人类文明延续的守护。

AI时代的创作权与文明延续

在AI快速发展的当下，一个关键问题浮出水面：如果所有人类的微小创作都被大模型厂商无偿攫取，谁还愿意持续创作？ 这不仅关乎个体动力，更触及人类文明存续的根基。正如吴明辉所言，从小到大努力刷题、学习的孩子，若大学后被剥夺创作空间，其学习意义将被彻底消解——这违背了人类文明发展的基本叙事逻辑。因此，未来必须确保：模型训练门槛大幅降低，且每个个体的原创贡献都能被保护为专属知识产权。唯有如此，AI才能真正服务于“人人可参与、人人可创造”的新文明形态，而非倒退回“少数人训练、多数人消费”的旧范式。

如果全世界所有的人的我每创造一点崩就被大模型厂商拿走了，每创作都拿走了，谁还愿意创作？

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？我觉得这不不符合人类文明发展的叙事呀。

AI原生代的使用范式革命

吴明辉观察到，其子女作为“AI原生一代”，展现出与上一代人截然不同的AI使用方式。例如，女儿在编程遇阻时，并未像传统开发者那样将bug粘贴进IDE，而是直接让豆包截取整个屏幕进行分析——这一行为颠覆了“AI应嵌入工具链”的旧有假设。他意识到：人类长期被既有使用习惯束缚，而新一代用户天然将AI视为环境本身，而非外部工具。这种范式差异带来重要启示：AI教育不应再聚焦于“如何用工具”，而应转向“如何与AI协作探索世界”。他甚至将自家训练的模型“龙虾”开放给子女使用，让他们在真实场景中实践其哲学体系。

我突然意识到啊，原来这种模型还是可以这么用。我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。

从刷题到求美：数学教育的范式重构

吴明辉近年停止了对子女的奥数刷题训练，转而引导他们思考“什么是好题”——即是否为“阿格雷的题”（Aha Moment题）：看似极难，一旦洞察本质，答案可一行写出。他强调，数学之美在于简洁与优雅，而非复杂分类与暴力枚举。他举例王红解决三维挂谷问题虽耗时费力，但问题本身具有深刻美感；而自己幼时曾用一行字擦掉整黑板推导，正是这种“数学之美的顿悟感”驱动真正的探索。他指出：数学竞赛与数学家的本质区别在于——前者追求确定答案，后者为信念中的“美”倾注一生。因此，教育应转向培养对问题的直觉、对美的感知，以及在不确定性中坚持探索的愿力。

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。

算力投入与工程师价值的再定义

在AI深度介入软件开发的当下，四千万美金级的算力投入是否合理，直接取决于实验设计是否严谨。企业必须聘请高成本人才来确保算力使用效率——这反过来也定义了工程师的真实价值：一位工程师日薪八千美金，年消耗约两千万人民币的token，本质上是在为他的认知深度与历史经验付费。若某人一年能花一亿写代码，公司给五百万并不夸张。但需注意，这种高投入并非中小公司可轻易承担，只有具备明确实验目标与系统性验证能力的组织，才真正具备使用这笔资源的前提。

“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。”

更深层的价值在于：AI无法替代的，是人类对系统上下文（context）与边界（taste）的把握。遗留系统极其脆弱，一个微小改动就可能引发连锁崩溃——这正是大厂裁员后频发事故的根源。那些熟悉系统全貌的老工程师，其核心价值并非写代码，而是告诉AI“什么不能碰”。正如《人月神话》中布鲁克斯所言：“所有软件系统的第一版都该被扔掉”，而他在二十年后的补充更指出：当系统已进入 mission critical 阶段（如航空、铁路、Oracle），人类经验不再是可替换资源，而是安全底线的守门人。

“AI是不知道的……人类在这个世界里面其实可以互动。”

需求本质：认识论 vs 本体论的永恒张力

从哲学层面看，程序员/架构师是本体论的实践者——他们构建系统最初想象的世界模型；而需求分析师是认识论的实践者——他们在真实世界交互中不断修正模型。微信最初由张小龙构想，但用户实际使用方式彻底颠覆了设计初衷，这一反复打磨的过程，正是本体与认识两个世界的碰撞与融合。第一版的价值不在于完美，而在于它提供了‘地形图’：让你看清战场的真实结构。

Asana 产品负责人、Instagram 联创 Mac Krieger 指出：AI永远无法取代产品设计的核心——即‘判断一个软件该有哪些功能’。因为需求分析没有唯一解，不同人对‘好软件’的理解天然不同。当编码速度因AI大幅提升，开发周期被压缩，反而凸显出：真正的价值不在写代码的速度，而在理解用户、定义问题的深度。这解释了为何未来软件将呈现‘三D打印式’迭代：低频、个性化、日抛式更新，而不再依赖长期维护的标准化套件。

‘AI永远不能取代人……从哲学层面上讲，就是人永远不能被取代。’

Agent网络与软件业转型的确定性趋势

未来8个月内，scaling out（而非scaling up）的多Agent网络架构将逐步落地——它不依赖单一超大模型，而是通过轻量、模块化、可协作的Agent组合，适配细分场景。这类系统成本更低、迭代更快，预计在姚顺宇等榜单上将展现outstanding性能表现。即便非明略首发，市场也必然出现同类开源实现，推动行业范式迁移。

明略的策略是：以AI增强开发方式构建新软件系统，再通过独有数据上下文与行业模型，赚取token服务利润。这呼应了‘coding is eating the world’的新阶段：AI重塑产业仍需通过代码，但代码的生成、验证、部署逻辑已彻底重构。正如OpenCL框架将Agent能力嵌入聊天软件与移动端，AI Agent正从开发者工具演变为大众交互界面——这不仅是技术升级，更是人机协作关系的再定义：AI不取代人，而是放大人的判断力与上下文理解力。