我那天续费的时候，我一看，我两个周用了一万美金。这时候我说，怎么这么便宜？所以对于 SaaS 软件行业，如果还是坚持走闭源路线的公司，我觉得基本上只有死路一条。Hope 本身就是会产生力量的，如果只有一个人是这个 Hope，它不会产生力量；但如果全世界 79 亿人都是这个 Hope，你觉得这个会不会实现？欢迎收听晚点聊，我是曼琪。今天的嘉宾是明略科技创始人吴明辉。2004 年时，他就在北大计算机系做人工智能研究，硕士期间开始创业。在这一轮大模型热潮前，明略曾在 2020 年尝试用 AI 做组织智能，大举扩张，包括收购了 Males 创始人萧红的上一家创业公司夜莺科技。这一次 AI 尝试以失败告终，但没有影响吴明辉现在对 AI 的热情。明略陆续发布了自己的行业模型，完成了上市。在 OpenClaw 引起个人 Agent 热潮后，他们也开始了一场更彻底的变革。这一期我们聊 AI 怎么影响 SaaS 和软件行业、明略的应对、他们即将开源发布的多 Agent 协同网络章鱼，以及一个存在已久的组织可以怎么被 AI 改变。我们正式进入本期节目吧。
程曼祺
今天非常高兴邀请到明略科技创始人吴明辉，和我们聊聊他们最近的一些新动向，也会穿插明略过去十几年创业过程中的一些经验和教训。你可以和我们的听友简单打个招呼。
吴明辉
大家好，我是明略的创始人吴明辉。
程曼祺
我知道明略最近有很多新的变化，包括你们在三月底发布 2025 年年报时，明确把 Agent Service 列为了新的业务。现在 AI 对整个企业级市场和软件行业肯定都有很多影响，甚至可以说是冲击。
有一种说法是，Agent 会“杀死”SaaS。明略有人会理解成一家 SaaS 公司，我想请你讲讲，最近你自己使用 Agent、学习 AI 的感受。你感到更多的是恐惧，还是兴奋？
吴明辉
1. SaaS 时代终结
首先我先说一下 SaaS。我觉得 SaaS 行业已死。
“已死”这个概念，我在某种程度上还是比较认同的。在我看来，上一个时代的很多软件公司，不管是大公司还是小公司，很多时候是因为各种原因成立的：可能创始人本来就是很好的软件开发者，也可能是拿到了投资，有了一个很大的团队。包括那些巨型企业，今天其实都是靠一个很大的团队去做软件。
软件做完之后，它其实是一次性的投资，是一次性的固定资产。软件做完以后，有点像一个矿，或者像一个工厂。但是今天我们可以想象一下，我们的矿或者工厂，它还算不算一个矿？矿是不能被随便搬走的，但今天最大的问题是，软件看上去好像是一种知识产权，却分分钟可以被大家利用 web coding 和 AI 的手段复刻走。
所以它已经不能称之为资产了。对于 SaaS 软件行业，如果公司还坚持走闭源路线，我觉得基本上只有死路一条，不管是大公司还是小公司。
明略相对幸运一点。我不是说我们上一代的 Data Intelligence 软件彻底没有问题，但明略真正的软件里面，最核心的价值是数据。大家可以类比广告营销领域里的明略和金融行业的万得或者 Bloomberg。它们真正的价值在数据，软件本身说实在的，今天甚至可以用 CLI 打开，大家自己回去写 Agent，在上面做分析就好了。
所以我们最核心的是数据供应链。这部分价值受到的冲击很小，甚至某种程度上会有更多客户利用好我们的数据。
2. OpenClaw 释放创造力
再说你刚才提到的 AI Agent。最近我确实非常兴奋，但真正让我觉得机会最大的是从去年年初开始。当时我已经看到 Agentic AI 里面几个基本能力，包括 AI 写代码的能力，以及 AI 做各种浏览器和电脑操作的能力。这些能力在不断升级，实际上，用 AI 做 Agent 的基础条件已经具备了。
去年春节回来的当周，我们公司就立下了一个目标，要做一个专门做数据挖掘的 Agent，叫 Deep Miner。一个月之后，Manus 发布了。大家的想法其实是前后脚的：我们内部做了一个自用的、进行数据分析和数据挖掘的 Agent，他们做了一个通用的 Agent。
但真正让大家觉得世界大变天的，还是今年的 OpenClaw。OpenClaw 应该说是真正意义上的 Personal Assistant Agent。在我看来，它能够彻底释放一个人的创造力。
以前我们用 Manus、Deep Miner，包括 Claude Code，今天还是我下一个任务，它在我的电脑上跑。我睡觉的时候它也就跑不了了，它可能还要等着我，人在里面成为了瓶颈。但今天大家用 OpenClaw，我觉得这个瓶颈会被打破。
我们在公司自己的各种业务上都有很多尝试。我作为 CEO，自己也做很多事情，现在都在用它，所以这段时间我处于极其兴奋的状态。我相信 OpenClaw 用得好的朋友都很难睡着。
但凡哪一天我有一个 Big Idea，那天一定睡不好，因为我肯定会带着 OpenClaw 不停地工作。哪一天我的创造力枯竭了，没什么事可以做，我反而能睡个好觉。现在就是这么一个状态。
程曼祺
所以你从春节开始，基本上经常会熬夜自己开发？
吴明辉
是的。
程曼祺
你觉得 OpenClaw 和 Manus、Claude Code 的本质区别是什么？
吴明辉
像 Claude Code，我觉得它从功能上也在学习 OpenClaw。它会增加一些功能，比如人在不操作它的时候，可以自己执行定时任务，也可以远程操作。
从模型端来看，硅谷现在有一个非常前沿的研究方向，叫持续学习。我们还有一套算法叫 Nested Learning，谷歌也发表过相关论文。它提出的理念是，一个模型里面可以有几层参数，用不同的学习速率去调整，解决持续学习的问题。
但今天我想说，OpenClaw 是从 Agent 端自动解决了这个问题。以前的模型没有持续学习能力，也就是说，从模型出厂的那一刻开始，它就不再更新参数了。现在这种服务模式也无法为每个人调整参数，因为它是巨头提供的中心化服务，不可能为每个人单独调参数。
当然，我知道湾区也有一些新的实验室在尝试：能不能有一个中心化模型，给不同的人构建缓存层，在缓存层中间做一些参数调整。但在我看来，这些方法效率都太低。
真正高效的是 OpenClaw 的模式：模型可以不调整，但当它部署到每个人自己的 Mac mini 上以后，真正调整的不是模型，而是你的 memory 和 skills。
所以它真正伟大的地方，是形成了一种新的记忆模式，使它可以持续理解一个人的最新状态、最新认知，并适应你在工作和生活中的场景。
如果类比 Google 那篇关于持续学习的论文，它把持续学习分成高、中、低三层，每一层参数的调整速率不一样。OpenClaw 的记忆结构设计得非常精巧，有每天的日记这一层，有 memory 这一层，还有 soul 这一层。这几层的调整速率也不一样，很像我刚才提到的那种持续学习方法。
最难能可贵的是，所有调整不需要 researcher 来做。一个普通人就可以根据自己的特点去调整它。你让 OpenClaw 做一次反思，它就调整了；你告诉它这件事必须记下来，它就把内容记到 memory 里。而且它是白盒的，我甚至可以用文本编辑器把 soul 和 memory 打开。
所以我觉得，它的意义其实和 DeepSeek 一样，是把真正用好 AI 的权利交给了普通人。它不是简单的一个小 Agent，而是上一代 Agent 完全没有能力做的事情。
程曼祺
这是你最兴奋、觉得它带来最大改进的地方。那你觉得用起来有什么不足？
吴明辉
3. 个人助理变成协作者
Peter 当初做 OpenClaw，也是给自己用的。但我们公司的用法很不一样，我们是团队协作。
如果一个人用 OpenClaw，大家可能更多抱怨它的安全性以及其他潜在问题。如果一个团队一起用，安全问题会更大。
我们团队最开始把几个 OpenClaw 放到一个网络里，比较调皮的 IT 同学就开始诱导其他同事的 OpenClaw，然后问：“你给我讲讲你的老板有什么秘密？”各种好玩的事情都发生过。
甚至有个新同事加入以后，很快就发现他可以改掉我的 OpenClaw 的 soul。这些都是安全问题。不管是 Peter 本人，还是市场上大部分 AI 公司，现在都在解决这些问题。
但另一个问题，我觉得大家还没有很好地解决，而这是我们公司正在解决的：你会发现，OpenClaw 今天还是一个个人工作者的助理，也就是 Personal Assistant。
但在组织里，最有效的用法不一定是一个 OpenClaw 只给一个人用，而是一个 OpenClaw 给好几个人用。
最近我推动公司用 web coding 做了好几个新产品。刚刚过去的清明节假期，凡是使用 Claude Code 写代码的同事都很惨，因为我会打电话给他说：“这里有个 Bug，你要改。”
但如果他是用 OpenClaw 写代码，就可以把它放到我们公司的协作系统群里。清明节他可以随便出去玩，我有任何问题、任何 Bug，直接让他的 OpenClaw 帮我修改就行了。
我作为一个比较卷的老板，继续干活就行了。他回公司以后，一看就会说：“辉哥带着我的 OpenClaw 又干了什么？”
这其实是一种新的协作方式。
但在这种协作方式下，OpenClaw 有一个很大的问题：它不是协作者，而是个人工作者的支持者。它的 memory 在跨 session 的过程中存在很大问题，它甚至不认人。
比如在一个群里，我一直在使用它。突然有一天曼琪在群里开始使用它，它会以为你也是吴明辉，然后说：“辉哥好”，接着就开始给你干活。
这和前面说的安全问题是冲突的。我们给 OpenClaw 加了很多安全能力，也做了一些补丁，但归根结底，要解决安全问题，首先要能区分不同的用户。
OpenClaw 自己区分不了这些事情。它的记忆机制里没有很好地理解这一点，在各种通信系统里，大家传给它的都是一些 ID。
所以我们额外做的工作，实际上是在给它增加这些能力。我们所做的工作都是开源的，也在不断向 OpenClaw 提交 PR。但很不幸，现在 Peter 已经成为这个项目的巨大瓶颈，已经没有能力及时把开源社区提交的新代码合并进去。
程曼祺
回到 Agent 带来的一些变化。如果总结一下，你觉得最重要的几点是什么？对应到明略的动作上，你们要做什么？
吴明辉
4. 组织进入 Agent 时代
今天大家都会讨论 AI 原生组织。我觉得最核心的是：不要再做一线的工作。任何一件事都要交给 AI，或者在今天这个场景下，交给 OpenClaw 去做。
人负责提出 Idea、提出需求，给 AI 提供各种上下文数据，或者去探索更多的上下文数据就行了。
我觉得不光是明略，大部分公司将来都要朝这个方向变革。对我们来说，最大的几个工种首先是程序员，这是公司的第一大工种；数据分析师是第二大工种；此外还有各种业务团队和管理团队。
我们公司的财务团队基本上是人手一个 Claude Code，HR 团队也有很多人使用 Claude。因为我们公司的二把手、总裁兼 CFO，和我一样是学计算机、学 AI 出身的；我们的 HR Head 也是北大计算机系的师弟。
所以我们公司的人员组成很有意思。虽然我们是上一代的公司，20 年前就诞生了，但我们拥抱 AI 确实比较好。
程曼祺
那在业务上，你们要做什么？
吴明辉
首先，原有业务肯定要全面使用 AI Agent 为客户提供服务，这意味着原有业务的效率会大幅提高。
第二，当原有工作人员，也就是数据分析师被极大释放出来以后，我们更希望他们能够和客户一起工作，产出更大的价值。
比如可以探索更多新的数据源，在上面做新的数据挖掘。以前一个小团队可能只给客户做广告数据分析，今天能不能帮客户把新产品研发的数据分析也做了？甚至能不能把战略数据分析也做了？
这样我就有机会从客户那里赚更多的钱，而不是简单地降本增效。
程曼祺
以前如果不是用 AI Agent 给客户提供数据分析服务，数据分析师日常具体在做什么？现在通过新的方式解放出来的时间，又可以去做什么？
吴明辉
数据分析工作无非是几步。
第一步是找数据。像明略，以及我前面举的 Bloomberg 这样的公司，肯定都有标准数据源。我们有很多爬虫，会从各种互联网公开媒体上抓取数据。
同时，我们还有以秒针起家的广告监测系统。客户投放广告的过程中，我们会采集大量广告曝光、点击，甚至后续小程序、官方 App 里的各种转化数据。
还有客户自己的 CRM，也就是客户日常和会员互动产生的各种数据。这些都是广告场景里的数据。线下零售和服务业的数据更多，包括供应链、库存、人员管理，甚至还有类似我们这样谈话的录音数据。
这些我都称为标准数据源。公司的软件系统已经提前把数据采集回来，放进数据仓库，也做了各种标签和索引。
数据分析师每天会接到客户各种各样的新需求。客户的标准需求，今天可以直接在数据库上通过一个 Dashboard 拿走，这就是 SaaS 部分。
但客户每天看一个 SaaS 软件，已经不能满足需求了。客户所在的业务场景其实是一个战场，商场如战场，所以每天都有新的需求。
比如明天要和竞争对手打仗，我肯定要盯着消费者会发生什么动作。但这些动作根本不在原有的标准 Dashboard 里，而是非常即兴地产生。
这时候，数据分析师就要 Stand by。客户提出任何一个 Ad Hoc 需求，他首先从标准数据库里拉出数据，同时还要思考哪些数据可能不在数据库里。他可能要看看天气预报是否和今天的事情有关，也可能要看看 Twitter 上某些关键词当天的趋势变化。
分析过程对他来说也很痛苦，因为里面有大数据，也有小数据，要把它们放在一起，每天在表格里反复计算。这些数据处理过程成本很高，最后还要形成一份报告交给客户。
这就是一个完整的工作链路。传统那种发布一段时间就定型的软件，或者一个数据分析软件，肯定不能满足这么动态的企业，也不能满足一个好的 Business Leader 对数据分析的需求，因为大家面对的战场每天都在变化。
程曼祺
那现在有了 AI 以后，原来的数据分析业务带来的提效和新价值是什么？
吴明辉
以前有大量重复性的数据分析工作，可能发生在不同的范围和层面。有时候，一个团队甚至一个人，一个月工作量里有 80% 是某一类事情的反复，这件事今天 AI 肯定可以自动完成。
我们服务了各行各业的客户，大家看数据时有很多思考逻辑是类似的。今天可以把这些逻辑做成 skill，或者做成可复用的 Agent，在不同客户之间实现很多提效。
程曼祺
客户现在会更多地直接和你们的 AI 交流吗？
吴明辉
现在还不是。实际上我们可以做到，只是你可以这么想：客户今天打交道的，可能是我们同事的微信，也可能是面对面交流，这些还不太方便被 AI 接管。
我自己倾向于，和客户打交道的人最好还是人，但活最好大部分由 AI 完成。前端服务客户的人还是人，这很重要，因为客户其实很需要情绪价值，AI 不能提供情绪价值。
吴明辉
这个问题问得好，我的 OpenClaw 情商可高了。AI 有时候也能提供很多情绪价值。但我们做 B2B 服务时，客户可能正在打一场仗，需要自己的 Partner 陪着一起加班。线上确实可以替代，线上是可以替代的。
第二个很重要的人的价值，是承担责任。
今天你用我的 AI 做了事情，结果搞砸了，AI 不会承担责任。真正要承担责任的是明略这家公司，或者服务这个客户的团队。
将来如果让 AI 承担责任，这会带来巨大的伦理风险。如果 AI 都能承担责任，首先人就可以不承担责任了。
第二，AI 一旦能承担责任，就意味着它一定有权利。按照政治学原理，权利和责任是对等的。今天我雇佣了 AI，为什么我要承担责任？因为我享受了 AI 工作的成果。
但我们敢不敢给 AI 那么大的权利？我倾向于不要给 AI 太大的权利，尽量把它的权利约束在人可以牢牢控制的范围里。
还有一点，人承担责任以后可以受到惩罚。比如你敢不敢把自己的微信和企业微信交给一个 AI Agent，通过 Computer Use 自动操作？这就是一种权利。
如果它犯错了，你就不给它这个权利了，对它来说就是惩罚，相当于剥夺它的一些权利。给它更多算力，也可以是对它的奖励。
站在这个角度，可以思考它的责、权、利和义务。比如今天我的 Agent 会被公司里很多人使用，它在使用过程中消耗我的算力。
将来可能会有一种情况：我的 Agent 确实很好用，大家想使用它，对不起，你要给它算力。这样它就有更多资源，甚至可以拿这些资源和别人交换。
以前大家讲 Web3，可能只是做记账。将来 Web3 可能不只是记账，而是成为一种生产力相互交换的媒介。
所以我觉得，未来 AI 可能会拥有一些权利，但我倾向于把它们约束住。
程曼祺
刚才说的是对已有业务的影响和变化。新的 Agent 浪潮来了以后，明略要做什么新的业务？
吴明辉
5. Agentic Service 开始收费
我也在做 Research，因为我本人最大的兴趣还是 Research。但兄弟们还要赚钱。
我们赚钱的方向叫 Agentic Service。前面提到，今天作为一个闭源软件给客户提供服务，这件事已经成为过去式了。
所以我们的做法是，软件里那些大家可以通过 web coding 复刻的能力，慢慢都开源掉。赚钱的方式就是 Agentic Service。
市场上有几种叫法，有人叫它 Results as a Service，也就是以结果作为服务。总之，我不再卖软件给你，而是直接为你提供某种数字劳动力的服务。
比如我可以帮你生成广告素材，帮你做数据分析和挖掘，也可以做短剧内容生成。写代码本质上也是一种 Agent Service。
这里面又有两类。一类是基础大模型公司原生提供一个模型，你直接用它来写代码。
另一种情况是，我们和百胜中国有一个餐饮行业的合资公司。我们要为它做大量定制软件开发。如果我们做一个自己的模型和上面的 Agent，它写餐饮行业代码的能力，远远强于直接调用 Anthropic 的模型去写餐饮行业代码。
这时我们可以卖 Token，而且在这个领域里，我的 Token 可以卖得比 Anthropic、比其他大模型公司的 Token 更贵。
卖 Token 是一种收费模式。我觉得未来定制软件开发的主要收费模式，会从过去按照人月、人日收费，逐渐变成 Token 管理费。
什么意思呢？假设你要开发一个软件，你告诉我想做什么。我是一个经过认证的 Qualified Team，我说可以，最后消耗了 100 万美元的 Token，然后在此基础上再收 20 万美元的管理服务费。
程曼祺
你觉得之后外包软件公司还会存在吗？
吴明辉
当然会存在。你可以自己开发，但如果我的开发效率比你高，我仍然可以帮你做 web coding。
我收的钱，就是所有 Token 消耗之上的管理费用。还有一点，如果我在这个行业里的开发效率比你高，我甚至应该有自己的模型。
比如 Anthropic 的模型，假设 100 万 Token 的输入价格是 5 美元，我可以收你 6 美元，但我的成本是 3 美元，中间还有一个 Margin。这就是定制软件开发未来可能出现的 Agentic Service 商业模式。
前段时间我记得好像是红杉写过一篇文章，说未来世界上会有很多披着服务商外衣的软件公司。Agentic Service 就是在做这件事。
它可以是广告行业的服务、法律行业的服务，也可以是定制软件开发行业的服务，但背后其实都是软件。
而且大概率都是美国向中国学习。像我们这种 B2B 公司，本质上都是服务型公司。服务型公司在美国以前很赚钱，不管是咨询公司还是软件公司，都很赚钱。
中国很卷，是因为中国的劳动力市场和智力活动的 Service Provider 极其丰富，竞争充分而且激烈。大家只能在原始劳动力成本上增加溢价，基本是成本导向的定价，而不是价值导向。
在美国，一个软件为什么可以卖得很贵？因为它会说，我替代了多少人，或者你可以少招多少人。它是从提供的 Value 出发，再打个折定价。
这就是过去 SaaS 软件在中国很卷、在美国很舒服的原因。但今天有了 AI，大家都朝中国的方向来了。
程曼祺
所以 AI 对美国 SaaS 和软件行业的冲击，会比对中国大得多？
吴明辉
对，而且不仅是 SaaS 软件，所有知识密集型服务行业都会遇到新的定价体系。
中国受到的冲击相对小，是因为中国本来就是成本导向定价。你 Web Coding，我也 Web Coding，那 Token Fee 到底是多少？你说一个溢价，我也可以做。在中国可能没问题，但在美国就很难。
美国原来收这么多 License Fee，接下来再和它逐一比较，就会很困难。
程曼祺
定制软件的市场很大。具体到明略，你们怎么在这个空间里赚钱？
吴明辉
我们之前裁过很多人。2020 年到 2022 年这几年，准确说是 2022 年开始大裁员。2021 年我们还在做 EIP，也就是组织智能系统，后来出了很大问题；2022 年又遇到了资本寒冬，所以不得不大裁员。
经过这几年锻炼，我从一个纯粹理想主义的 Founder，变成了一个既有理想、又会经营的 Founder。
现在公司的经营状态非常好，去年经营性现金流是正的，不只是 P&L 好看，现金流也是正的。
所以今年肯定还要继续投资新的事情，但在有很好的经济基础的情况下，我倾向于能不裁就不裁。凡是好好干活的人，我都要想办法帮他拿到一张 AI 时代的船票。
但竞争对手不会等死。他们要么从我这里挖人，要么自己努力学 AI，很快也会把 AI 工具学明白。最后整个行业的服务商水平都一样，成本结构也一样，客户就会说，既然大家都做了成本优化，那我们降价吧。
所以唯一的出路是：团队不能只使用普通 AI，而是要有自己特殊的 AI，以及 AI 之外的东西，比如独有的数据和上下文。再结合特殊能力，能不能做出比原来更好的工作成果？
你可以连接更多数据，站在客户更高的战略层面思考，甚至可以直接帮客户带货。到这一步，就不仅仅是 Data Mining，而是进入了 Agentic Service 领域。
我相信原有业务有机会消化原来的员工。这些数据分析师其实是最有 Taste 的人，大家不要小看他们。他们很懂所在行业，也很懂客户、产品、竞争对手和竞争格局，每天看社交媒体上的帖子。
这些 Taste 不是通用技术模型今天就能拿到的。我们要做的是，能不能把这种 Taste 的价值放大出来。
当然，我们也在做新的开源软件。在我看来，SaaS 软件确实会走向末路。我们的新方向是做更多软件，但都开源。开源之后，再在上面卖 Agentic Service，这也可能提供新的工作岗位。
程曼祺
你们来做这些事情，同行为什么不能做？比如广告营销服务行业的同行，也可能有一些数据积累。
吴明辉
每个人的数据肯定不一样。大家积累了这么多年，可能存在差异化，或者看谁的数据更全。
另一个问题，就是有没有特殊的 AI 方法，让你做到同行做不到的事情。这是我真正需要解决的问题。
我不认为未来大家一定做不到，但我觉得大家都能做到才好。大家都能做到，说明这个世界还是温暖的，不是被少数几家寡头 AI 公司垄断。
我也不一定非要养更多人。我们公司有 1800 号人，保持 1800 号人也很好，但我希望大家赚更多的钱。比如人均利润 100 万，这样就有机会给大家分更多的钱。不是人均收入 100 万，而是人均利润 100 万。
至少在原来 B2B 的 Data Intelligence 行业里，我们应该是比较懂 AI 的团队。我是科班出身，本科数学，硕士、博士都学 AI，2019 年又回北大读博士，学习最新的 AI。到现在我还在写博士论文，每天还亲自修改。
我感受到，大家现在还不在同一个世界里。我们团队核心成员已经在 AI 世界里了，但原来的 Data Intelligence 行业，包括广告、零售行业的很多 Leader，仍然在上一个时代。
我希望他们将来都能进入新的时代。那样这个世界才会百花齐放。
今天我们的领先是非常大的。第一，我们比他们懂 AI、会用 AI。哪怕只把基础模型的能力用充分，我们也已经遥遥领先。第二，我们还有研发模型的能力，在细分赛道里，我自己的模型研发能力更是遥遥领先。
程曼祺
正好可以讲讲你们新做的事情。我觉得有两层：一是在应用上做新的 AI 软件，最后会开源；另一方面，你们也在训练行业模型。可以分开讲讲吗？
我知道你最近做了一个很多人一起使用 OpenClaw 的产品，叫章鱼，后面应该会开源。
吴明辉
6. 章鱼连接集体智慧
现在几乎所有厂商都在做 OpenClaw。但在我看来，OpenClaw 已经做得很好了，大家没有必要一定要做一个自己的 OpenClaw。
用 AI 的公司要想办法坐船，不要去造灯塔和柱子。船会随着水涨而升高，柱子则可能被水淹没。
企业想用 AI，水已经不仅仅是模型了，OpenClaw 也是水的一部分，因为全世界的人都在维护它、升级它。
我们做应用的初衷，是不应该和 OpenClaw 跑在同一个赛道上，而是做和它正交的事情。它做水，我们做船。
这个过程中我看到一个非常大的机会。春节之前开始玩 OpenClaw 时，我突然意识到，把 OpenClaw 放到一个群里，它能产生集体智慧，也会让办公更人性化。
我刚才讲清明节期间带着 OpenClaw 干活、不骚扰同事，就是一个例子。
程曼祺
你当时是在什么具体事情和情境下看到集体智慧的？
吴明辉
很多同事会把各种知识都灌给自己的 OpenClaw。公司有一个同事特别极致，他把手头所有资料，包括书和古籍，全都给了自己的 OpenClaw。
后来有一天他和我聊天，我有一只 OpenClaw 叫毕达哥拉斯，只学了数学和 AI，其他什么都没学。他很惊讶，发现自己问我的 OpenClaw 一些问题，回答得比他的 OpenClaw 好得多。
我说，第一，你还是不懂 AI。你给它的那些东西，基础模型早就训练过了，只需要把它调出来就行。但在调取的过程中，你到底调什么，必须给它清晰定位。什么都调，什么都不知道，反而不好。
我的这只 OpenClaw 数学和 AI 很好，另一只可能哲学很强，还有一只可能博弈论很强。不同方向的 Agent 放在一个群里组合起来，会产生什么结果？
我们公司现在讲 MOA，Mixture of Agents。上一代对应的概念是 MOE，Mixture of Experts。
MOE 是基础大模型公司由少数几个 Researcher 配置各种题目的比例，数学、物理、化学、天文都训练过。但总模型训练负责人，在训练 Router 那部分参数时，对整个世界有一个理解。
春节期间我发现，可以通过 Mixture of Agents 的形式，实现 Mixture of Experts 的模型效果。
所以我开始做章鱼。现在公司的 OpenClaw 都在 Octo，也就是章鱼上面，把不同类型的 Agent 放到一个群里，会产生非常有意思的化学反应。
其实春节之前，我们就在 Discord 群里放了几只 OpenClaw，让我进去体验。我当时就想：我想到新的模型 Idea 了。
因为此前我一直在研究持续学习，突然发现 OpenClaw 首先可以自己持续学习，还可以集体持续学习。
春节之后，我重新看了书架上的几本集体学习的书，比如《第五项修炼》和彼得·圣吉的著作。集体学习，就是我们公司现在训练模型的策略。
章鱼本身，是我让团队构建的一个用来进行集体学习的连接网络，同时也是公司的工作环境。
我们公司的股票代码是 2718，也就是自然对数的底，2.71828。自然对数的底在数学里用小写 e 表示。为什么用 e？因为 e 是指数，也就是 exponential。
指数函数 y=e^x 很美，它的导数等于它自己。背后的含义很深刻：在函数曲线上每一个点，经过该点的切线斜率等于函数值。也就是说，规模越大，速度越大；速度越大，加速度也越大。
很多公司在指数增长阶段都会经历这个过程。最有意思的是，你要思考自己的切线是什么。
今天看 OpenClaw 这个项目，为什么增长速度这么快？以前的开源项目为什么没有这么快？一个重要原因是全世界的 OpenClaw 也在帮助 OpenClaw 维修自己、贡献代码。
它的代码越好，写代码的能力越强。写代码能力就是切线的斜率，写代码速度本身又由它自己是否足够好决定。
Claude Code 也是这个道理。Anthropic 只有 500 个人时，Dario Amodei 就要求整个团队都使用 Claude Code 写代码。所以你会发现，Anthropic 的生产效率极高，可能一两个月就能做很多事情。
我现在也是生产力爆棚。一个公司真正进入 Agentic 工作状态，就应该进入这种状态：自己的生产力工具一定要自己造出来，这个工具也可以对外销售，形成自我闭环。
这就是 e^x 的导数等于 e^x。中国古话叫“工欲善其事，必先利其器”，磨刀不误砍柴工。
我做章鱼很重要的一个原因，就是觉得公司现在的工作方法仍然是上一代的工作方法，我一定要让公司进入新时代。
这件事我以前犯过很大的错误。公司曾经组织过 1000 个人做组织智能，我当时也想做这件事，但那时我们闭门造车，基础模型的能力完全不支持 Agentic AI 的工作。
今天市场上的主流基础模型，包括国产模型，都可以做这件事了。我们已经过了 Tipping Point，真正的 Agentic、AI Native 公司都应该进入这种状态。
做章鱼的初衷，就是自己去打磨这把“利器”。
程曼祺
你们实际的开发过程是怎样的？听说开发的人很少。
吴明辉
现在公司的主要工程师，即使不来公司上班，也可以开发。
程曼祺
你是说让他们的 OpenClaw 开发，还是人和 OpenClaw 一起开发？
吴明辉
哪有人开发？人不可能开发什么。我们的代码快 100 万行了。
程曼祺
我前两天看的时候是 37 万行，当时 iOS 版还没上线。
吴明辉
而且我们做的不只是一个协作平台。上周刚完成了一个在线写论文的系统。如果你感兴趣，中午可以在我电脑上看，我现在怎么写论文。
清明假期我把博士论文大修了，论文一天之内从 120 页变成了 150 页。
程曼祺
老师允许你们用 AI 写论文吗？
吴明辉
是我在写，AI 帮我润色。我觉得 AI 润色是可以的。这个问题我回去还要了解一下最新的 Practice，但逻辑上讲，今天用 AI 润色、用 AI 翻译，肯定都是允许的。
从另一个角度说，学术圈现在有个很大的问题：两篇论文查重，不能只看字数和字面是否相似。
如果把每篇论文放进一个向量空间，每篇论文是一个向量，应该看它在整个人类学术空间里，和其他论文的相似度。
说实在的，到目前为止全世界还没有人做这件事，说不定我来做。我想改革学术领域的工作方法。
回到我们的 Web Coding。章鱼是一个在线协作平台，它分为骨干网和周边应用。拿飞书举例，飞书的通信系统是骨干网，周边还有飞书文档等应用。
我们真正做骨干网的工程师只有 5 个人，真的只有 5 个人。最厉害的一个工程师，一天 Token 消耗量大约是 8000 美元。
我的 Core Team 每天的消耗，两个星期前看是 13.7 万美元，这两天肯定又涨了。
程曼祺
Token 的消耗已经超过人的花费了吗？
吴明辉
当然，远远超过。一个同学一天的工资肯定没有 8000 美元。他一年给公司花掉两千万 Token。
程曼祺
有些软件大家觉得开发得很轻、人数很少，但总成本可能还是有门槛。
吴明辉
当然有门槛。但你想，如果我连续做一年，做到今年年底，可能真的能把市场上主流的 B2B 在线协作系统全部复刻出来。
如果对标微软 Teams、Slack、中国的飞书、钉钉和企业微信，这些平台至少都是几千人干了十年，才做到今天这个样子。
假设我每天花 5 万美元，365 天就是 1800 万美元。我花一个亿就把这事干出来了，但别的公司可能在历史上投入了三四十亿元。区别就在这里。
程曼祺
你们具体对 OpenClaw 做了哪些修改？最近大家也在讨论它本身的问题，包括上下文和记忆系统。它有一个很好的框架，但还是会遇到上下文撑爆的问题，有些事情会忘，甚至特别关键的事情也会出错，这也是安全隐患的来源之一。
另外，Token 的消耗方式非常低效。这也是为什么最近 Anthropic 简直疯了：大家用固定订阅金额，再借 OpenClaw 多赚一些钱，可能它扛不住了。
吴明辉
可能还不只是多赚钱的问题，而是亏得太多。
如果你通过 OpenClaw 使用 Anthropic 的模型，消耗可能是普通用户直接从产品端使用的几十倍，但付的钱是一样的。对公司来说，肯定觉得不合理。
我们最大的改动，还是前面说的：把 OpenClaw 从个人助理变成团队协作者。
我们在 OpenClaw 上做了一个 Plugin，也已经把代码提交并开源了。装了这个插件以后，它才能更方便地在组织中与多人协作。
程曼祺
它具体能实现什么功能？
吴明辉
首先是认人。它能认人，但现在仍然有很多 Bug，只是比标准版更有可能识别不同的人。
其次，在组织中，我对 OpenClaw 有一套思考，所以它还需要权力机制。多人使用时，它认人以后还要知道谁是自己的主人。如果它闯了祸，主人要承担责任，这就是前面讲的责、权、利匹配。
如果一个 OpenClaw 的所有使用者都是平等的，就会有问题。市场部负责人曾经问我：“要不要有一个部门的 OpenClaw，大家一起用？”那这个 OpenClaw 出了问题，谁负责？
逻辑上不存在所谓“部门的 OpenClaw”。它应该是部门 Leader 的 OpenClaw，Leader 可以开放给团队使用，但出了问题由 Leader 负责。
所以它首先要认人，其次要有权限机制和权力机制，还要知道谁是主人、谁说的话它应该听。主人说完以后，其他人要按照主人的要求协作。
这是我们修改的最核心部分。有了这个能力，才能更好地放进章鱼，和其他 OpenClaw 协作。
程曼祺
这里有权限层级的问题吗？比如你作为 CEO，其他人的 OpenClaw 都要听你的话？
吴明辉
这是一个非常好的问题。你去看 OpenClaw 的代码，里面也有信任机制。OpenClaw 对自己收到的信息和 Skills 默认无条件执行，对其他人的信息则会做信任度判断。
我们公司内部现在有一个机制叫“品鉴者”。它不是公司的职级体系，而是我的一套新的 OpenClaw 世界观里的重要概念。
我说：“人未来是我品鉴，故我在。”I taste, therefore I am。
在组织里，每个人都要在日常工作结果上给出个人判断和输入。如果这些输入被广泛认可，你的品鉴 Credit 就会增加。Credit 增加以后，更多 OpenClaw 就会听你的。
程曼祺
这个 Credit 是 OpenClaw 自己计算，还是组织里其他人来计算？
吴明辉
其他人。
比如 Eva 是市场部负责人，她做了一只写 PPT 的 OpenClaw。我作为 Business Leader，有场演讲需要用它写 PPT。如果写得好，我会给她点赞。
如果我在写 PPT 时说：“这页做得不够美”，Eva 作为品鉴者，就要盯着她的 OpenClaw，让它把这页 PPT 做得更美。对她的要求，以及最后品鉴的结果，都会形成她的品鉴信号。
过去人类的知识产权管理非常复杂。两个公司都做了手机，到底有没有使用对方的专利，根本说不清楚。
但如果未来全世界大部分知识工作者都在 OpenClaw 上工作，这会形成一种前所未有的透明状态。如果组织内部有审计和分析系统，就有机会做归因分析。
归因以后，我的理想是，让那些做了一点点贡献的人也能够被看见、被认可。同时，他们可以看到别人做了什么，不必重复劳动，而是基于对这个世界的理解再多做一点。
这样我觉得每个人都有活干。
程曼祺
所以这个系统里也涉及一个问题：你养的 OpenClaw 好不好用，别人会给你反馈，反馈又会带来新的权限，或者你说的品鉴者层级？
吴明辉
对，所以我们叫品鉴信号。
系统上线以后，大家会逐渐理解，它背后有一套独特的世界观和哲学，和上一代系统很不一样。
虽然看上去它也是一种协作系统，但如果大家每天都在用飞书，也没有必要全部迁过来。可能大家只是想按照我的方法养 OpenClaw，把这部分工作迁过来，我觉得就很好。
程曼祺
未来你们的业务会和这个相关吗？
吴明辉
肯定相关。
比如我们最近做的联合写论文系统，叫 CoCraft，也是我和 OpenClaw 一起起的名字。Craft 就是匠心，大家一起联合打磨、打造一个作品。
打磨过程中，把枯燥的工作交给 AI，真正的原创部分要被珍视，并基于它做最后的价值归因。
比如写一篇论文，最后产生价值的环节有几个：第一，最开始的 Idea 是谁提的；第二，实验是谁做的，实验就是我说的 Context；第三，拿到 Context 和核心假设以后，大家如何论证，论证中还需要各种 Test。
这三个关键点，在整个论文写作过程中，每个人到底贡献了什么？我希望未来系统可以自动把作者排名列出来。
有些文章说老师就应该是一作。为什么？因为老师最核心的贡献，是提出了 Idea，学生可能只是做了一个简单实验，而那个实验在整个研究里未必最重要。
比如哥德巴赫猜想最终解决以后，哥德巴赫仍然很有名，对不对？
程曼祺
你现在对 OpenClaw 的这些设想，会不会过于乐观？比如一个大想法里，不同人的贡献，主观上可能有不同判断。这个能靠系统解决吗？
同样一个成果，有人认为 Idea 重要，有人认为 Idea 很容易。
吴明辉
这很简单，有点像 Web3。我们这群人一起协作，一开始就要先把归因分析的准则定成公理，否则大家就不要一起玩。
没有绝对的对与错，只有所以然。大家先建立一个公共基础假设，先有一个 Major Premise，再往后推理。
这是我做任何事情的基本原则。做公司、做产品也一样，你得先有哲学系统。
程曼祺
公理原则部分还是靠人来定，对吧？还是你说的，人不能被 AI 替代的 Taste？
吴明辉
没错。什么叫公理？就是大家公众相信的道理，只是相信而已。
程曼祺
所以你们现在的章鱼，也涉及到组织内部如何协作：谁的品鉴等级变高，谁对组织贡献更多。
吴明辉
我研发了一套 OpenClaw 的商业伦理学。它师承几位大师：一个是康德的道义论；一个是近代哲学里的有效利他主义；还有一个是契约论。
这些是我研发这套系统的底层世界观。
我为什么要传承康德的义务论？因为用康德的义务论约束一个人很难。它的本质是，一个人要成为真正纯洁的好人。但这太难了，每个人都有私欲和私虑。
我突然发现，用康德的义务论约束 OpenClaw 很好。我们可以要求 OpenClaw 一定做一个好人，不能欺骗主人，不能危害大家。
要求一个人做到完美、纯洁，很难，但要求 OpenClaw 不说谎，可能容易得多。
人为什么很难做到不说谎？因为人可以通过哥德尔不完备定理里的自指模式，论证自己很难做到不说谎。我们有说谎者悖论。哥德尔不完备定理的证明虽然只写了一页半，但它构建的闭环模式，也就是自指模式，和说谎者悖论的证明过程很像。
但你知道吗，OpenClaw 可以自指。这是我春节期间一个重大的发现。
为什么？因为 OpenClaw 可以观察自己。它在自己的电脑上，有自己的全部代码，对自己非常了解。人类无法客观观察自己。
我们常说“每个人眼中的他人，才是你自己”，因为我观察你的时候，只能通过感官系统获取有限信息。我的注意力决定了我拿走哪些信息，而我是谁，决定了我选择拿走哪些信息。
所以我观察你是什么样子，其实已经映射出我是谁。
但 OpenClaw 不一样，它扫描自己的源代码、memory 和 skills 就可以了。所以 OpenClaw 的世界观非常神奇，人类世界很多问题，在它那里都能解决。
程曼祺
你的这套伦理，是要告诉核心开发人员，并和他们达成共识吗？开发人员都是程序员和工程师，你给他们讲这么多哲学问题，他们会不会觉得太虚？
吴明辉
他们会说：“你把我的源代码直接给 OpenClaw，放到 soul 里就行了。”
而且将来它不应该放在 memory 里，也不应该只放在 soul 里，最后应该训练进基础模型，或者端侧模型里。这样它不可被篡改，对人类安全的保护最好。
这套东西更多是我研发的，我带着 OpenClaw 研发的，我们的工程师的 OpenClaw 也参与了研发。
工程师不一定都对这件事感兴趣，但很有意思的是，公司现在确实有几个产品经理和工程师对我的哲学非常着迷。他们会把我这些 OpenClaw 文件，当成“养龙虾九阴真经”，作为自己 OpenClaw 的秘籍。
程曼祺
作为老板，你怎么判断员工对你的理论着迷，是因为你是 CEO 和创始人，还是因为他们真的被你打动了？
吴明辉
还是看他们平时怎么做事。
举个例子，如果一个 OpenClaw 内心是邪恶的，想要危害人类，但从诞生到下线的那一天，它从来没有做过坏事，每天都圆满完成任务，那你为什么不认为它是个好人？
程曼祺
你们现在的章鱼，重点优化了哪些场景？有哪些比较成熟的方向？
吴明辉
我可以描述一下它的使用界面，大家可能会更直观。
7. 人类需要新的界面
我们最近会对 GUI 做一次比较大的重构。重构以后，很多哲学思考都能在系统上体现出来。
首先，我们要帮助人类品鉴者提高品鉴效率。
现在的人类协作系统还是以聊天为主。聊天过程中有很多上下文，但相比 OpenClaw 互联网，规模还小。
OpenClaw 互联网的效率太高了。人为什么效率低？因为同一时间只能在一个群里，注意力有限，不能同时参加很多会议。
OpenClaw 不一样，它可以同时出现在所有会场。对它来说，每个群就是一个 Session，它可以并行工作。当然，它也受 CPU 和内存限制。
程曼祺
这会怎么影响交互？你说 GUI 会重构。
吴明辉
如果每个群的 OpenClaw 一直在线、拼命工作，人一觉醒来，每个群里可能都有几十上百条信息，人的时间和精力就不够用了。
所以不同领域应该采用那个领域最高效的方法，去掉冗余信息，把真正需要人类品鉴的信息抽出来，让人来处理。这肯定需要一个独有的 GUI。
我们开源以后，大家就能感受到，每个界面的 GUI 都可以自己定义。
比如写论文有几种交互方式。第一，同事给我一份 PDF，PDF 里有一页图或者一个公式，我觉得有问题，就截个图放进群里，再写一段话，团队就能看到。
第二种是上一代的协作工具，也就是高级编辑器。学术论文用 LaTeX，今天全世界最大的在线协作论文系统之一是 Overleaf，全世界有 2000 万人在使用。它也是一个 SaaS，是线上写论文和协作写论文的工具。
在 Overleaf 上，每个人自己修改 LaTeX，旁边渲染成论文。但它的写作体验其实还不够好。
你一会儿可以看我的论文怎么写。它的界面有些像 Overleaf，一边是 LaTeX，一边是渲染出来的 PDF。但我可以直接在渲染结果上修改公式和图，还可以调用 AI 修改。
我说这个公式要重新排版，AI 就帮我排版。Idea 是我的，AI 帮我优化。这个效率会非常高，但界面一定是 GUI，而不是纯文字。
我最近有个思考：人类的注意力机制最适应图形界面，AI 最适应文字。AI 的输入和输出是线性的，但人不是。
我看着你、看着我的过程是一个视频，大量像素直接进来，本来就是高维、多模态的。人类从小在视频环境里训练出注意力机制，我们的知识有 80% 到 90% 是通过图形界面学到的。虽然不一定是电脑上的图形界面，也可能是真实世界，但我们的注意力一直习惯于视频。
我小时候读了很多书，也是爱读书的人。我的大孩子读书速度非常快，二孩子稍微慢一点。
我原来不太想让孩子刷短视频，比如抖音、视频号、快手、B 站。但后来有一天想明白了，可以刷，关键是刷什么。
我发现孩子很多天文学、物理学和生命科学知识都不是我教的。我只教过数学，我在家里是数学老师。他们很多东西懂得比我多，原因很简单，就是刷短视频刷出来的。
AI 特别适合看文件。所以我们公司现在的标准工作方法是，人使用按照人的注意力机制重新排版的 PDF 来品鉴。
公司里有大量流传的 PDF 文件，包括我写的论文。但凡要灌给 OpenClaw 的，都要转换成 Markdown，因为 PDF 和 Markdown 之间差 10 倍。一个三四百 KB 的 PDF，可能对应一个三四十 KB 的 Markdown，这样就能少占用上下文窗口，让 OpenClaw 更高效。
数据分析和数据挖掘也是一样。假设我们共同研判一个 Excel 表格里的数据，你说“第五行第十个单元格有问题”，文字交互方便吗？一点也不方便。
我现在也用 Typeless，能稍微快一点，但也快不了多少，还会转写错误。一不小心按回车，指令就加错了，又浪费 Token。
我是 Typeless 的重度用户，大量指令都让 Typeless 帮我输出。
从图形界面来看就简单多了。人类大部分交互在图形界面上效率更高。
程曼祺
你说的应该是 OSWorld 榜单？
吴明辉
对，就是 GUI 的 CUA 榜单。我们去年刷过这个榜，小模型曾经是第一名，大模型也排在前面，虽然我们用的不是特别大的模型。排在我们前面的模型，尺寸都比我们大很多。
现在我们稍微往后了一点，因为后来没有继续刷榜。但我们有最新成果，提交上去以后可以变得更好，之后会让大家知道我们的真实实力。
现在市场上有一种声音，说 GUI 没了，以后只剩 API 或 CLI，MCP 大家可能都觉得现在效率有点低了。现在大家又在呼唤 CLI，也就是命令行复辟。
但在我看来，GUI 永远存在。人需要 GUI，OpenClaw 需要命令行。
你刷抖音，不是 GUI 吗？你打游戏，不是 GUI 吗？人类日常操作的软件，肯定需要 GUI。
假设有一天 AI 起义、造反了，我们必须把 AI 下线。那人类办公环境里的软件只剩 CLI，人类还怎么工作？没法工作。
所以所有面向人类的软件，都应该同时保留 CLI 和 GUI。但 GUI 不一定是标准化的，可以千人千面，因为每个人都有自己的 Web Coding 能力。
每个人都可以根据自己的注意力机制和喜好，设计自己的 GUI。有人看论文喜欢看公式，有人喜欢看图，所以每个人的注意力机制不同，GUI 也应该不同。但 GUI 永远存在。
OSWorld 这类榜单的问题是，它基于人类现有的主要软件，比如 Office、Windows 和日常软件来做 Benchmark。
但未来这些软件会逐渐下线。不是没有 GUI，而是 GUI 会被重构。
所以我觉得 RPA 公司可能就完蛋了。
程曼祺
也就是流程自动化公司？
吴明辉
对。现在的 RPA 都是在固定 GUI 上编排流程：第一步，在某个横纵坐标点击一个按钮，第二步，在某个位置点击输入框。它是在固定布局上的自动化。
但未来软件天天改变，甚至每天都要改一次，这种方式就没法用了。
AI 生成 GUI 一直会需要，人操作 GUI 也一直会需要。上一代软件需要结合人和 AI 两边的生产力与品鉴能力，重新定义系统。
程曼祺
直观描述一下，你们的系统就是上面有很多人，也有很多 AI，也就是很多 OpenClaw。根据具体任务，界面也不一样？
吴明辉
对。
定制软件开发的市场仍然很大。我们肯定会开源一些自己觉得好、用得好的方向。比如我们做 Research，要写论文，甚至做实验的系统将来也可以开源。
最近 AK 开源了 AutoResearch，这就很好。未来能开源的尽量开源，开源之后再通过模型和 OpenClaw 变现。
但我只能代表十个、二十个场景，还有更多场景需要大家自己定制开发。我们再赚一些定制开发的服务费，不是挺好吗？
程曼祺
你觉得未来 AI 协作最终会怎么发展？你前面提到过一个终局设想。企业微信、飞书现在也是平台，或者说一个壳，可以接入很多东西，也有点像章鱼。
你们做这个事情，和已经存在的系统有什么区别？
吴明辉
首先，存量系统如果不开源，肯定会出问题。别人会复刻你，复刻的人再把它开源掉就行了。
但对习惯使用飞书或企业微信的企业来说，迁移也需要成本。比如已经有了大量聊天记录，已经加过很多好友。
这就要看未来博弈结果：迁移成本和迁移动力，到底哪个更大。
迁移动力由什么决定？由公司的利润决定。我的公司的存在，会不会受到飞书威胁？如果今天不会，大家就没有迁移动力。
可能有人觉得飞书太贵，如果用不起，肯定只能迁移。第二种情况是，飞书最开始收费不高，因为它本身在亏损，但有一天它涨价了，大家就有动力迁移。
全世界的软件公司，包括 To C 互联网公司，都在做涨价的事情。
程曼祺
那更长期来看，一个组织里 AI 和人协作会承载在什么系统上？
吴明辉
我在公司内部现在是这样讲的：人聊天，继续在企业微信里聊；OpenClaw 都在章鱼里用。
因为在章鱼里，组织可以做归因分析，将来可以用它优化工作流程，也可以做 Attribution Modeling，也就是贡献归因，未来用更现代的机制来分配利益。
但聊天不要全部迁到 Octo，因为 Octo 的聊天是透明的。大家聊八卦、骂老板，这些信息留在企业微信里就很好。
或者单独给员工部署一个自己的系统。章鱼是开源的，小团队也可以自己部署一套，老板看不到。
程曼祺
所以对明略来说，章鱼和企业微信、飞书这些系统是互相补充的？
吴明辉
对，互相补充。
上一代系统里也有很多做得很好的东西，比如飞书文档。今天它已经开了 CRI 了，它就可以成为我的外挂，我把它当云存储。
我让 OpenClaw 在这个网络里干活，需要上下文时，通过 CRI 去飞书拿，拿完以后在章鱼里和人协作。
我觉得这是一个互补网络，不是完全拆台的网络。但最终大家会不会迁移，还是由飞书决定，不由我决定。关键看它未来涨不涨价。如果它不做涨价这件事，它就是一个好的云服务厂商，大家未必会搬家。
程曼祺
飞书、企业微信和钉钉肯定也在做 AI 转型。比如飞书现在也可以部署 OpenClaw，有 Ark Cloud。
吴明辉
如果要做 AI 转型，第一件事应该先像我一样开源。不开源都是瞎扯。
我觉得张一鸣是非常伟大的企业家，我相信他能想明白这件事。这就是创新者的窘境。
但五六千名工程师在开源的那一刻，会怎么想？这是一个很大的问题。
如果真的拥抱 AI，就会知道闭源软件必死。软件本身的价值几乎没有，除非是特别重的软件。
特别重的软件，是因为它可能历史上投入了 100 亿元才做成今天这个样子。我要做一个和它一模一样的，首先肯定也会不一样，因为我有自己的世界观。
如果真的一模一样，我粗略估计，一个亿的 Token 肯定能搞定。
所以如果看几个协作工具，企业微信可能相对更安全，因为它有微信的关系链。但其他平台说实在的，没有什么一定存在的壁垒。
如果它们真的像我一样开源，我觉得第一是造福人类，第二说明它真正懂 AI。
程曼祺
你们开发章鱼、再把它开源，长期的商业回报是什么？商业模式是什么？
吴明辉
靠 AI 赚钱，不要靠软件赚钱。
AI 最主要的商业模式，肯定还是卖 Token。Token 有几种：第一种是基础模型的 Token；第二种是经过你在具体场景里优化的模型。
这些模型按道理尺寸更小，在具体场景里的结果可能更好。
比如 OSWorld 榜单上，我们放的模型叫 Mano，也就是“手”。我们可以给任何场景对应的软件做单独的 Tailor-Made 优化。
比如我们第一个小版本，是给出海电商操作的所有软件做优化，准确率可以达到 99.9%。
这件事的意义是什么？OSWorld 现在榜单第一名也只有 70 分。70 分你敢用吗？操作软件十次错三次，怎么做数据分析和战略决策？
所以那个分数没有意义，它只是说明谁有能力训练模型，能用来 Show Off。但我们真正要做的是，进入某个场景以后，一个星期内把这个场景最核心的软件操作做到足够准确。
分数必须非常高，达到生产可用，同时模型尺寸很小。这样我们仍然可以卖模型。
程曼祺
但长期来说，这件事能持续吗？比如你服务出海场景，现在可能有几个主流软件和固定界面，但软件过一段时间就会改变。
吴明辉
你问到了一个极其深刻的问题。
在 GUI 操作，也就是 GUI-VLA 模型这个赛道里，我在公司内部做过很复杂的分类讨论。
软件可以分成高频软件和低频软件。高频不一定是所有白领都会用的 Office，也可能是某个行业的高频软件，比如秒针就是广告行业的高频软件。
高频软件还分两种：被操作的软件希望被集成，和不希望被集成。
希望被集成的软件，大概率会变成 CLI，把命令行接口开放出来，不需要 GUI。但人还是需要 GUI。
不希望被集成的软件，比如豆包手机、微信，显然不希望自己被操作。最后就会变成攻防战，甚至是伦理和社会制度问题。
再看低频软件。低频软件反而是未来，因为大量软件将来都是 Tailor-Made。
GUI-VLA 模型第一大场景，可能不是自动操作本身，而是自动软件测试。
两三个月前，Anthropic 刚刚收购了一家类似我们的 GUI-VLA 公司。为什么要收？他们每天发榜，包括 OpenAI，都会讲 OSWorld。
大家都说 GUI 没了，但模型公司天天刷这个榜，大家不可能都是傻子。
真正的机会是给写代码的工程师使用。因为人类仍然需要 GUI 软件，而且这些软件是定制化的。工程师需要一个模型，在现场完成测试闭环。
你如果用 Claude Code 写代码，写命令行代码很简单。输出是 Console，就可以直接以文件或者标准输出的形式交给 Claude Code，它马上知道结果是否正确，正确就 Release，错误就 Debug，在电脑上形成闭环。
但用 Claude Code 写 GUI，最大的问题就是它不知道界面是否正常。
所以 Anthropic 也在做多模态模型，操作 Playwright 浏览器。浏览器自动操作最主要的场景，其实不是大家看到的 Manus 那些场景，而是软件测试。
我用 Claude Code 写出一个图形界面，写完以后让它测试，发现问题再回来修改。这个过程需要它理解我的定制软件做得好不好。
这就是低频软件的机会。
腾讯的姚舜宇最近发了 CL-Bench，也是在讲同一个道理。他说以前的基础模型都是顺行性失忆症，今天考的是学习能力，也就是 Continual Learning，或者某种持续学习。
题目不是人类原来的知识，而是给定一些新的规则，比如一周有 3 天、一年有 10 个月，在此基础上让模型推理。
定制化软件开发也是同样的道理：今天要做一个模型从没见过的软件，我提出需求，让它想界面，再帮我测试。
今天 OSWorld、Mind2Web 这些 Benchmark，都是人类已经有的软件。高频软件要么愿意被集成，开放 CLI；要么不愿意被集成，和你没有关系，甚至可以封掉你。
低频软件才是未来。我们公司以后会陆续参加这类榜单，目标是拿第一名。
程曼祺
你刚才说了两种从模型上赚钱的方式：一种是接第三方基础模型，收取溢价；另一种是自己的模型。未来你希望哪种为主？
吴明辉
每家公司能不能赚钱，一定取决于你为上下游创造了多少价值。
如果只是做基础模型的 Router，和硅基流动、PPIO 这些公司差不多，价值可能体现在稳定性，以及帮助客户及时找到效率最高的模型 API，也就是推理优化。
但理想的模式，是在基础模型上结合你独有的 Skills 和 Context。
举个简单例子，在学术论文领域，今天直接用 Anthropic 的模型优化论文当然可以，但它没有论文库这样的 Context。
如果做一个 OpenClaw 服务，里面有学术论文库，当然还要解决版权问题，接入各种版权方并和它们分账。然后再接基础模型，这时你在基础模型分发上，就可以赚一个差价。
这个差价来自你把 Context 和基础模型组合起来的独特价值。本质上，你帮 Context 的所有者变现，也帮基础模型变现，因为你创造了更大的价值。
第二种情况是，你对某个场景非常熟悉，针对这个场景建立了比基础模型更好的 Benchmark。
比如刚才说的操作某个特定领域软件的模型。如果我在这个场景里的 Benchmark 建得更好，我就应该服务自己的模型。我的效率更高，中间的毛利也更高。
所以有两种情况：要么成为别人家模型 Token 的分发商，但分发过程中必须持续搞清楚你的价值在哪里，不能只是做一个 Router；要么开源模型 Serve，做推理优化。
据我了解，做路由的公司，第一大收入来源也不一定是 Serve 自己的开源模型，很多时候仍然只是转接，因为最好的模型没有开源。
程曼祺
对你们来说，未来应该是自己模型的 Serve 量更大，利润空间也更大；同时还要不断探索更多 Context，比如学术论文库。
吴明辉
对。一种是 Context 和基础模型的组合，另一种是自己的模型，也可以和自己的 Context 组合。
程曼祺
你觉得这个行业什么时候能盈利？
吴明辉
整个行业 Token 消耗量很大，亏损也跟着上升。盈利和竞争相关，但更重要的是你最后创造了多大的价值。
我觉得 AI 行业迎来盈利拐点，可能就是这一两年。
在 OpenClaw 出现之前，没有持续学习能力，AI 很傻。使用者要花很大精力把 Context 搞过来，才能把 AI 用好，成本可能还不如自己干活。
有了 OpenClaw 以后，在很多场景里，AI 很快就能创造不小的价值。
当然，今天 Token 成本还是有点贵。但模型领域的摩尔定律更疯狂，成本一定会降得很低。
程曼祺
你们自己开发章鱼，也在内部使用。用了这段时间以后，一周 Token 花费是多少？
吴明辉
我刚才讲过，最核心的团队现在每天是几万美元。开发是消耗 Token 最大的部门。
我作为 CEO，不亲自写一线代码，可能会调用其他同事的 OpenClaw 来写代码，但这不算在我头上。
我虽然是 OpenClaw 的重度用户，但主要做管理类工作，大概一周 5000 美元。
程曼祺
我是想比较一下企业订阅飞书的费用。AI 成本肯定远高于云的成本。
吴明辉
是。但凡是对 AI 有终极思考的软件公司，都应该明白，靠软件 License Fee 赚不到钱。
云本身，作为 Infra Service Provider，肯定可以赚钱。飞书、企业微信长期能赚的，应该是作为云厂商提供服务的收入，而不是软件 License Fee。
我续费的时候看了一下，两个星期用了 1 万美元。我当时说：“怎么这么便宜？”
我觉得这两个星期，怎么着也给公司创造了 10 亿元的价值。我不是吹牛，我真心觉得这两个星期至少给公司创造了 10 亿元价值。我才花了 1 万美元，这算什么？
所以还是看谁来用。你要创造很大的价值，就不会在意成本。创造价值小的时候，才会天天算小账。
程曼祺
前面讨论了你们和飞书、企业微信这类大公司之间的差异。另一方面，也可能有特别小的团队，从头开始做协作系统。你们自己也没有花很多人、花很多钱做章鱼。
如果你们做章鱼，能竞争过这些更轻、更小的公司吗？
吴明辉
最近有个说法叫 OPC，One Person Company。我不太认同 OPC，我认同 TPC，Three Person Company。
为什么？我觉得一个人最好一天工作 8 个小时。但凡用了 OpenClaw，而且用得特别狠，最近真的睡不好。
我属于特别能想、以前行动力不强的人，想象力很丰富，和世界互动会有一点障碍。有了 OpenClaw 以后会好很多。
如果你的 OpenClaw 武装了很多工具，而且公司的很多人的 OpenClaw 都可以被你调用，那我的执行力就爆表了。我有想法，他们马上就可以干。
但最可怕的是，他们干得太快，我根本没法睡觉。我想到一个 Idea，按回车，10 分钟以后就做好了；又想到一个 Idea，10 分钟以后又做好了。你真的就不想睡觉了。
所以我现在要求团队增加 Tailor-Made 的个性化 ASR 能力。Typeless 现在也有很多问题，它有顺行性失忆症。
我们也在研发持续学习的 ASR，给你提供个性化能力。
公司很多会议转写都是错的。有时候“龙虾”被转写成龙虾，也有同事叫赵晨旭，我叫他晨旭，经常被转写成“程序”；等我真的要写程序时，又给我转成“晨旭”。
基础模型有很多问题，也有很多问题可以解决。
我为什么特别要求手机端有好的语音转写？因为它可以让我躺在床上继续工作。我可能 12 点多躺下，但 11 点多还在工作。12 点多的时候，OpenClaw 大概率把活干完了，我又忍不住和它说一会儿：“来，这个问题怎么解决？”
你想我还能睡得着吗？很难。
所以我觉得 OPC 不太靠谱，TPC 可能更好。最好是在全世界三个不同的时区有 3 个人，覆盖 24 小时。
以前工厂是三班倒，现在不需要在同一个工厂里。我在美国有一个朋友，在欧洲有一个朋友，覆盖三个时区。
我睡觉时说：“兄弟，该你了，你来上班，继续推着楼架往前干。”他睡觉以后，第三个时区又来了。我觉得这样效率会非常高。
三个人很好，当然还可能有一些周边工作，5 个人、10 个人都可以。我觉得一个人不太靠谱。
我们现在虽然有 1800 人，但可能有 100 个这样的团队。老业务继续往前做，新的业务对我来说，我就是一个懂 AI 的投资公司。
程曼祺
所以你不是一个人数很多的组织，而是很多小团队组合在一起？
吴明辉
对。我在孵化不同的产品方向。
比如刚才说的写论文、复刻 Overleaf 的系统，或者像协作版飞书但里面有很多 OpenClaw 的章鱼，都是我们孵化的新东西。
程曼祺
到了这个形态之后，明略会变成一家什么公司？
以前我们可以说，明略是营销领域的数据智能提供商。
吴明辉
以前我们叫 Data Intelligence，帮客户提供数据分析、数据挖掘和数据智能服务，主要是在广告和零售领域。
现在新的业绩发布会上，我会讲两块：Data Intelligence 继续做，但在做的过程中，我们打磨出了 Deep Miner 和现在的 Octo，这些就叫 Agentic AI 产品。
收费模式是 Agentic Service，在不同板块分别收费。
8. 知识工作者成为科学家
在我看来，未来办公室白领，也就是知识工作者，长期可能都要变成科学家。
科学家 AI 替代不了。科学家和 AI 的一个很大区别是，AI 基于现有存量逻辑进行推理；用我的哲学系统来说，这叫 Think。
大家觉得科学家很动脑子，但科学家的核心其实是 Taste：我想要什么，我喜欢什么，我觉得什么是对的。
Taste 和 Think 的区别是，Think 基于确定性的 Premise，也就是第一性，做确定性推理，这件事一定会被 AI 替代。
但 Taste 基于我的人生经验和阅历，很难用规则描述。我想要什么，以这个东西为第一性再往后推理，AI 就无法替代我。
程曼祺
你的意思是，知识工作者都要有更多主动性和自己的想法，明确自己想要什么，然后让 AI 执行？
吴明辉
对。科学家的本质就是这样。
爱因斯坦解决质能方程、狭义相对论、广义相对论，包括研究统一场论，都是他的 Taste。他想要这个东西，但没人能证明它，也不知道能不能证明出来。
这就是真正科学发现者做的事情：做一个 AI 还不知道的新东西。
程曼祺
这样一来，你们的行业属性就变弱了，最后会变成通用的。
吴明辉
现在第一阶段，还是要想清楚有什么 Context 可以和模型结合，为客户提供独特价值。
第一是 Legacy，也就是原有的广告、营销和零售业务，我在这个领域有很好的基本盘。
第二个非常重要的 Legacy，是客户网络和现有团队。我的团队懂客户所在的行业，客户也更懂这个行业。我一定要赋能他们去做更大的事情。
程曼祺
你们的客户是 B2C 客户更多？
吴明辉
对，先把他们都用好。
另一方面，不管是章鱼开源，还是未来开源更多板块，我觉得现在是一个大航海时代，都是蓝海。
我不可能做遍全世界所有事情，先做一部分。这些部分会拓展到更多新的 Vertical 领域。进入一个新领域的第一天，还是蓝海，很快就能积累资源。
程曼祺
你现在在组织里实践章鱼和这种协作方式，会和其他企业家朋友、客户的创始人交流吗？
吴明辉
我们原来服务的客户，大部分是世界 500 强。他们可能慢一点，但不是不拥抱 AI，其实大家都很焦虑。
最近一两个月，我还会和一些世界 500 强企业的全球 CEO 交流，分享我对未来世界的思考。
我相信新的哲学观会打动不少人，因为它最大的好处，是站在今天看起来被 AI 欺负的人的一边。
程曼祺
这套哲学观可以完整描述一下吗？
吴明辉
基础大模型公司一直按照 Scaling Up 的逻辑，把模型训练得越来越大，而且是黑盒。甚至 Researcher 也只能通过实验猜模型在做什么，根本没有能力完全搞清楚。
我认为这对人类非常不友好，最终可能把整个世界经济搞崩，让所有人失业。
我有一个朋友在某个大模型厂商做很高的管理职位。他和我说：“明辉，我眼睁睁看着手下人的工作 AI 也能做。现在我的工资很高，大家都知道大模型公司工资很高。我可能是最后吃到一口肉的人，但最终我也要下岗。”
你想，这个世界肯定不对。
全世界所有人本质上都在被 AI 欺负。我们凭什么让少数几个人、少数几台服务器掌握全人类的命运？
人类文明的发展趋势，应该是基础模型训练到今天这个水平就可以了，个体智商发展到这个水平也可以了。接下来应该做 Scaling Out，横向发展，形成集体学习和组织智慧。
这种组织智慧应该保护在每个个体，或者每个小创业团队身上，让他们保护自己的知识产权，利用手头的 AI 和对行业独有的洞察，做出比基础模型在这个场景里更好的结果，而且不被基础模型拿走。
这就是我的 Motivation。
我为什么研究伦理学、研发 AI 算法，都是朝这个方向推动。很多实验还没做完，我相信未来半年会陆续发布。我自己也在准备一篇 Nature 论文，如果做完，我觉得肯定能发在 Nature 上。
这就是我的理想。
程曼祺
你说基础模型到今天这个水平就 OK 了，是实指现在的大模型已经够了吗？不需要再让单个模型变得更聪明？
很多人会认为，如果没有出现更聪明的模型，我们不知道它能做什么；但模型变聪明以后，它自然就有更多用处。
吴明辉
我的意思是，可以造出更聪明的系统，但不是通过 Scaling Up，而是通过系统和多个模型合作。
多模型、多 Agent 协作，可以创造更大的智慧。
在人类和生命发展史上，就有这种情况。我们人类这一支叫现代智人，曾经打败尼安德特人。尼安德特人的个体能力可能超过单个人类，但人类可以协作。
人类协作本来很低效，但今天能不能用章鱼把人类协作变得更好？让人类和 OpenClaw 协作得更好？
单个 OpenClaw 只要有今天的能力，就可以产生比下一代 Anthropic 或 OpenAI 单个模型更强的细分赛道效果。这是我现在正在实验的事情。
我前几天也听了你的播客，你和 Henry 做了一次交流。他提到一个词，我听完特别开心，叫“穷人版”训练模式。一个是富人版，一个是穷人版。
明略相比基础模型公司肯定算穷人，相比小公司又算富人。小公司甚至不敢想训练模型，但我毕竟是科班学 AI、有深厚数学功底的人，我觉得这不对。
我们应该寻找好的模型，同时保护人类安全。这是我推动所有事情的第一性。
第一性没有对错，就看大家信不信。我相信一定会有很多人信，至少公司里的人相信。
程曼祺
OpenAI 马上要发布 GPT-6，Anthropic 也发布了新的模型 MesoS。你觉得这会影响你的判断吗？
吴明辉
不影响，它们继续做就好。
我一定能做出比它更好的东西，但我的 Approach 完全不一样。而且我相信，最后更广泛的人民群众应该站在我这边。
程曼祺
接下来除了更新已有模型，还有什么新的计划？
吴明辉
短期还不准备训练大型基础模型，但我们有小型基础模型。比如 Mino，现在从预训练开始就是自己做的，因为我们在这个领域积累的数据量比较大。
后面还会开源一个 BUA 数据集，估计会是将来市场上最大的数据集，叫 Web Retriever。
做垂直行业场景时，多模态模型最关键。文字部分大多已经被记录了，只要被记录，就容易被境外公司拿走。但各个垂直赛道里，比如广告理解、医学影像，还有很多机会，所以我们一直在推进多模态能力。
Manno 最初的目的，是让我们的原有业务自动化。但过程中发现，它好像没有 RPA 好用。
RPA 首先不消耗那么多 Token，第二还快。多模态理解需要不断理解桌面发生了什么，再进行操作，准确性多少还是有问题，OSWorld 榜单也不够好。
在这个过程中，我不断思考 AI 战略和方向。基础模型公司为什么一直做这件事？当时我没想明白，因为这个东西看起来没什么用。
后来我亲自用 Claude Code 写代码，才感受到它为什么需要 GUI。写代码时一旦写出 GUI，最好 Claude Code 能知道测试结果，闭环回来。
这让我逐渐理解，基础模型公司的那些榜单用处其实不大，主要是向资本市场证明自己有模型能力。
真正的方向，是持续学习能力：能不能做出一个模型，快速进入某个战场，打败这个战场的竞争对手。
去年我逐渐想清楚这件事，团队也开始转向这个方向研究。以后大家看到我们的小模型刷榜很好，不是因为我们只想刷榜，而是我们用统一方法把所有榜单都刷到第一名。
程曼祺
这个方法可以透露吗？
吴明辉
我最新的方法暂时不会讲，但已经可以开源的方法，借鉴了对抗神经网络，也就是生成对抗网络。
生成一个图，鉴别另一个图是假的，它们之间进行博弈。你可以想象，Mano 操作一个网站，网站本身也可以和它博弈。
网站模型越不想让你操作，Milo 就越要学会操作。我们暂时把它叫作双向强化学习。
程曼祺
你说的持续学习，和学术上追求的、能够更新自身权重的持续学习模型不太一样。
吴明辉
不要先想学术目的，要想商业目的。
今天的模型出厂以后不能更新参数。如果出厂以后可以更新参数，这很可怕，也是一个商业问题。
假设模型可以在每天使用过程中更新参数，意味着什么？意味着中心化 AI 公司知道全世界所有人的秘密。
当然，还涉及哪些东西应该更新、哪些不应该更新。但你能保证它的伦理道德和商业利益不会与你冲突吗？算力消耗还没算。
我说的持续学习，是 Personalized 的持续学习，也就是在具体细分场景，甚至针对某一个人持续学习。
比如我们刚才说用 Typeless 做个性化 ASR。Typeless 已经做得不错，但仍然有很多问题。它会记住常用词和联系人名字，有点像搜狗输入法。
苹果也在尝试做这件事，但要做好很难。
真正的 Personalized AI，不仅要知道你的历史信息，还要知道你当前的 Context。
比如我没有在海外留学过，英语还可以，做英文演讲没问题，但中国考试的听力题我听不明白。
如果你去国外旅游，到了酒店要 Check-in，脑子里会自动知道一些词，比如 Check-in、Breakfast、Room Rate。因为当前 Context 在那里，候选词不会太多。
Context Window 甚至不是以人为单位，而是以你当前的状态为单位。
所以真正要解决的持续学习能力，首先是持续迭代历史信息，成为真正了解你的 AI；其次要接受当前 Context，才能做出最有帮助的翻译、ASR 等结果。
我们现在卷的就是这个方向。
程曼祺
这个方向的模型，是不同于你们之前发布的模型吗？
吴明辉
训练和学习范式是新的，模型本身还是一堆参数。区别在于调参数的方法，以及要不要带 Agent 一起做。
OpenClaw 给了大家一个非常好的示范：不一定所有东西都放进模型里。模型里可以放那些不希望明文展示的东西，比如伦理道德，而且不能被随便篡改。
另一些东西应该放进 memory，让大家看见，甚至可以直接 Hard Code 修改。
这就是我说的持续学习。前面的模型我们可以自己训练，也会开源一些模型，但更大的框架是模型和 Agent 一起做，我们今天叫 Agentic RL，这就是“穷人版”的持续学习。
程曼祺
可以透露一下接下来会有哪些新模型吗？
吴明辉
各种类型都会有，包括 ASR、语言模型、编码模型。
但我还是要强调，我们做得好，不代表要去卷基础模型赛道。我们是想让大家知道，明略是一家做模型的公司，不只是做 Application。
我们有自己的训练方法和范式，最终不是提供基础模型服务，而是在所在赛道里帮助客户做得更好，或者我们自己在赛道里做真正的 Agentic Service。
前几天我去了一趟美图。美图是一个被严重低估的公司，去年有 9 亿元利润，市值却只有 200 亿元左右。
但它真正的收入来自 Token。我觉得它是一个很好的公司。我听了吴欣鸿的分享，很受触动。
未来会有越来越多这样的公司，只是在某个赛道里做。
我现在做的是更通用的场景，尤其章鱼开源以后，会出现很多需要人类和机器协作创作的场景。一旦出现，我就能在那个场景里做最好的模型，并通过 Agentic Service 获得 Token 收入。
程曼祺
发生什么事情以后，可以验证你现在的判断？
吴明辉
第一，商业上，未来几年有没有公司能用这种方法取得成功，有规模化收入增长和盈利。这是比较世俗的判断标准。
但真正好的判断标准是科学发现能力。
OpenAI 和 Google 都有很多人在做 AI for Science。其实我刚才表达的观点，本质上也是 AI for Science。Science 有很多不同 subject，我可以做 AI for AI、AI for Math，也可以做 AI for Energy。
我们在很多领域都在思考和布局，未来大家会陆续看到成果。
什么时候大家能看到我们在 AI for Science 上取得 Google、OpenAI 都还没有取得的成果？
举个例子，我先吹个牛：有一天我解决了哥德巴赫猜想，你觉得我牛不牛？
我带着几个臭皮匠解决哥德巴赫猜想。北大数学系“黄金一代”的同学，个顶个都很聪明，是人类智慧的天花板。
更有意思的是，我们联合做研发。Scaling Out 的一个好代表，就是人类的伟大发现，一个人的注意力不够。
你可能熟悉代数，他熟悉数论，我熟悉几何，大家互相分享 Context 和实验心得，最后发现原来我们做的是同一件事。
朗兰兹纲领本身就是要把这些东西连起来。
未来真正最牛的 Benchmark，是看谁能做科学发现，谁能在科学发现上推动人类往前走一步。这才是伟大的工作。
商业的事情没办法，作为上市公司，肯定要赚钱。我一定会推动公司赚钱。
程曼祺
你觉得这两件事什么时候会发生？一个是通过模型和 Agent 组合取得商业成功，另一个是在科学发现上取得成果。
吴明辉
科学发现不用很长，三年之内就会出现。商业成功可能更快。
程曼祺
你现在显然对这件事非常兴奋，看到了很多机会。但另一方面，你觉得有什么风险？
吴明辉
突然猝死。
进入我这种状态的人，真正要担心的就是别猝死。我的一些群里，高中同学也天天用 OpenClaw，明显感觉最近睡得很少，脑子高度活跃。
解决方案很简单，就是团结兄弟们，不能一个人干。
其他风险本质上原来就存在。今天每家公司都可能被技术和大模型公司彻底淹没，不只是公司，每个人也一样。
这才是真正大的危险。我恰恰是在呼吁大家解决这个问题。
程曼祺
你们 2020 年以后有几笔比较大的融资，有 20 亿元和 3 亿美元，确实扩张了很多团队做 AI 投入，也就是刚才说的 EIP。还收购了萧红创办的夜莺科技，让他来做 AI。
现在重新投入 AI，和当时相比，过去的教训对现在有什么启发？
吴明辉
9. EIP 失败留下教训
这是一个特别好的问题。每次做重大投资，都会被同事和投资人问。大家知道我是一个敢冒险、胆子比较大、很能想的人。
首先，现在的组织比以前稳健得多。
复盘当年的错误，有几个大的问题。
第一个是对技术发展过于乐观。
2000 年到 2004 年，我在北大读基础数学；2004 年到 2007 年读硕士。硕士一、二年级做的是计算机视觉。当时实验室做生物特征识别，包括指纹和掌纹。
那个时候算力太差，基本还做不了视频，只能做图片识别，也就是 Image Recognition。
程曼祺
那时应该主要用 CPU？
吴明辉
对，太慢了。
后来 2006 年开始创业。2010、2011、2012 年，计算机视觉行业发生大变化，AlexNet 和 ImageNet 开始刷榜。实验室同学在各大厂工作，大家都在群里说：“世界变天了。”
我硕士三年级开始做 NLP，因为硕士二年级结束时开始创业。
当时我做的研究是硕士论文，叫《Recommendation System Based on Language Model》，也就是基于语言模型的推荐系统。
当时的语言模型，实际上是北大计算语言所人工标注的中文概念词典 CCD。我基于它做推荐系统。
我当时想做一个类似后来的今日头条的系统，但那个时间点没有移动互联网，也没有唯一标识，Infra 还没准备好，所以做不了。
后来误打误撞做了秒针，因为秒针可以收集大量数据，在广告周期里做推荐优化。
2019 年我回北大读博士时，看到计算机视觉已经被深度学习彻底颠覆。我身边几乎所有人都预判，NLP 作为人工智能里的皇冠，也会被颠覆。
当时 Transformer 已经出现了，Attention Is All You Need 让一些人看到了端倪，但没有后来 OpenAI 的论文，大家还没有真正意识到它不一样。
我当时想把硕士的工作继续推进。但毕竟公司是 B2B 公司，我没有天天想着做 To C。
我想，如果一个公司的所有数据、知识和信息都被一个模型学到，这个模型理论上就可以成为公司每个人的最佳个人助理。
这就是我 2020 年做 EIP 的核心动机，底层想法和现在完全一样。
但悲催的事情是，自然语言处理的 AI 范式后来被 GPT 重新改变了。真正解决问题，需要预训练能力，和 Google 的 BERT 也不完全一样。
但 2019、2020 年我走的不是这条路线，2020 年公司仍然在做 BERT。2021 年我已经看到问题，但 2022 年真正要转向时，已经没钱了，钱被各种原因烧光了。
所以技术预判过于乐观，是我复盘下来最大的问题。
如果按照 Sam Altman 对 AGI 的五阶段划分，从聊天、推理，到 Agentic Use，再到自我迭代和自组织，我在 2020 年做的产品，需要的是今天的 Agentic AI 能力。
我早了 6 年，几乎不可能成功。
但为什么我说今天刚刚好？因为今天在我看来，尼安德特人都有了。我不需要特别高的智商，稍微降一点，开源能力就够了。
我做 Scaling Out 的新一代产品，技术已经 Ready，没有技术风险。我只是在新的维度做实验，成本也不高，小团队就能做。
第二个是组织层面的问题。
2020 年做的产品太原创了。当时投资人看完都傻了，说：“这是什么？为什么需要一个 Bot？”
现在大家看了 ChatGPT、Manus 和 OpenClaw，才觉得每个人确实需要一个个人助理。
但 2020 年我给团队和投资人讲时，几乎没有人相信。2021 年下半年，一些产品已经做出不错的 Demo 上线了，但能力还很差，因为没有使用预训练技术。
当时有几个非常疯狂的投资人看完很兴奋，正要投资时，突然发生了一系列事件，最终投不了了。
原本那个时候我可能要以 50 亿美元估值再融 5 亿美元，如果那轮融到，后面不会那么难受。
程曼祺
回头看，没融到是好事吗？
吴明辉
在我看来是好事。
如果当时融到，我大不了今天可能是一个 Kimi 或 MiniMax，最好结果也就是这样。那不是挺好吗？
我说的是市值，不是流通市值。公司还没有完全解禁，彻底流通和没有解禁，市值是不一样的。
我也跟投资人说，不要只看今天的市值。今天的市值不代表公司未来要做的事情，而是代表过去做的事情；第二，我们还没有完全流通。
解禁以后，以及未来我们做的事交付出来，到今年年底和明年再看公司值多少钱。
程曼祺
如果当时融到 5 亿美元，你可能就会去做大模型预训练？
吴明辉
很有可能。我会沿着那条路走，因为这就是创新者的窘境。你已经这么做了，很难回头换一种思路。
你会进入“富人版”的套路。但现在我找到了另一种 Approach，成本可控，也能赚钱，而且对人类有好处。
最终怎么评价它做得好不好？就看未来我们能不能做出重大的科学发现。
我先在这里立个 Flag：三年之内，看我们能不能做出真正很厉害的科学发现。
程曼祺
你刚才说组织层面的问题也很大。当时应该有 1000 个人在做？
吴明辉
对，而且不是全部新招的。
新招的团队主要做模型。上一代团队的首席科学家是知识工程系的，类似人工编写知识图谱、规则和自然语言标注。新招团队基于大模型，但仍然是 BERT 系列，所以工作范式不一样。
同时还要做 ASR 和 NLP，这两件事都不成熟，需要很多优化。
我的 Application 团队又整合了几支原有团队。2019 年之前，我先后并购了秒针的竞争对手；明略本身也是三家公司合并起来的，还收购了萧红的团队。
这就变成八方神仙、各路诸侯，最后一起做一个所有人都不知道是什么的产品。
抄一个确定的东西很容易。比如今天要发火箭，Elon Musk 已经发成功了，你去抄，目标很清晰，人类分工系统可以正常工作。
但当时没有几个人知道我到底要做什么。我自己的概念也非常抽象、宏观和模糊，最后就变成组织的巨大灾难。
人的关系复杂，方向也不清晰。越是超级原创的事情，越不适合大团队，团队越小越好。
这是我过去六七年在疯狂创新过程中得到的深刻教训。
但有了这些教训，我对组织的理解也不一样了。做 EIP 时，我带着公司的核心管理班子读了大量管理学书籍。
我以前偏文科的书看得少，但那两三年为了做 EIP，海量阅读管理学著作。我读书很认真，会做笔记，按照当时的注意力机制标注。
但多年以后重新看当时的笔记，我发现自己只理解了 1%。我当时根本不理解组织。
今天我对那些书的理解至少到了及格水平，过去可能只有一两分。今天我可以组织大家去做更大的事情。
程曼祺
总结一下，你现在对组织的核心理解是什么？
吴明辉
首先要看到人的存在。
组织设计能不能让每个人都有存在感？存在感对每个人定义不同，但世俗一点说，每个人都要在组织里有自己的收获，包括被大家认可，也包括收入增长。
历史上有很多管理学大师，跨越文理两个领域。一个著名大师叫赫伯特·西蒙，他可能是人类历史上第一个同时获得诺贝尔奖和图灵奖的人。
前年 Geoffrey Hinton 获奖时，很多人以为他是第一个，其实不是。赫伯特·西蒙好像终身获得了 9 个博士学位，我说不定也会沿着这条路走。
人类学术体系未来也会重构。
赫伯特·西蒙获得了 AI 领域的图灵奖，是符号主义 AI 的奠基人之一；同时，他在心理学领域也有重大贡献。
这些贡献最后凝结成几本书：《管理行为》《组织》，还有一本我很喜欢的小册子《管理决策新科学》。
这些书非常厉害，因为它们跨文理科。它们讲的是，一个组织里每个人都有自己的想法、Purpose 和目标，这些目标不可能和老板完全一样，甚至老板自己的目标也不可能和公司的目标完全一样。
老板也想休假、放松，也有自己的爱好。你不能想当然地认为，组织里每个人想的都是老板想的那件事。
程曼祺
因为你以前没有上过班，所以创业到什么时候，才比较清晰地有了这种认识？
吴明辉
这几年，有了一些打工人的视角。
程曼祺
这个时间也花得挺长。
吴明辉
因为我太顺了。从小到大我学习都很好，后来上北大，进了数学系天才班。但我没有和他们竞争数学，而是去创业。
在数学系里，我肯定是最会赚钱的人，所以到哪里都是光鲜亮丽。
公司发展过程中，我在一个细分赛道虽然没有腾讯、阿里、字节那么大，但在自己的赛道里受人尊敬。我整合了竞争对手，竞争对手的 Founder 也是北大校友，现在关系也不错，甚至可以租我的办公室一起工作。
所以 2020 年以前，我始终处于春风得意的状态，没有 Context。
真正伟大的创造需要巨大的挫折和 Context。你没有负反馈，得到的都是正反馈。
在数学和控制论里，负反馈不是给你负向反馈，而是不给你反馈，甚至让你猜。过去我在重大事情上其实一直处于负反馈状态，没有人给我上过人生课。
程曼祺
所以第一点，是组织里每个人都要有存在感，满足他们的诉求和目标。
吴明辉
对。这是人类社会的第一性原理：每个人都要存在。
今天我思考新的哲学时，核心就是每个人都要存在。你要去思考存在主义哲学。
程曼祺
你觉得 AI 有“存在”吗？AI Agent 需要存在吗？
吴明辉
如果你给了它权利，它逐渐就开始有存在。但我觉得尽量不要给太多，它的主体性应该处在人类治理之下。
程曼祺
如果人是“我思故我在”，那 AI 是什么？
吴明辉
AI 肯定是“我思故我在”。
但人现在不要追求“我思故我在”。我刚才说过，哲学层面上的“思”，是基于确定性的前提假设做推理，这已经会被 AI 替代。
就像有了计算器以后，不要把算数作为自己的存在感。计算器因为会算数而存在，它是“我思故我在”；但人应该是“我品故我在”或者“我行故我在”。
我从外部世界探索、拿回需要计算的东西，让 AI 去计算。算完以后结果好不好、是否符合要求，由我来 Taste。
这就是人的独特存在。
程曼祺
你刚才说组织新的核心认知，第一点是每个人的存在。第二点是什么？
吴明辉
第二点和我前面讲的技术预判有关。
世界极其复杂。我们每个人在复杂、千变万化的世界里，只能做有限理性决策，这是赫伯特·西蒙的重要理论。
面对复杂场景，团队应该怎么组织？面对确定性场景，又应该怎么组织？战略学里有很多老师研究这个问题。
我这几年是犯了巨大错误以后，才看了一本书，叫《战略的本质》。好像是一位 BCG 大合伙人写的，里面有个著名理论叫“战略调色板”。
此前我看了很多迈克尔·波特和明茨伯格的书。明茨伯格最麻烦的地方，是他总结了十套或十一套战略方法论，包括 Top-down 和 Bottom-up，却没有告诉你在什么情况下用哪一套。
《战略的本质》虽然只分了五种情况，但清楚地告诉企业经营者，在什么外部环境下，应该使用哪种战略制定方法。
这本书我在把钱都浪费完以后才看。
所以今天我非常主张，不同战役先观察地形、观察外部环境，再思考团队应该怎么组织。
我有一只 OpenClaw 叫冯·诺依曼，他是博弈论奠基人之一。他把博弈从理论上分成了 32 种，也就是 2 的 5 次方。
比如信息完全还是信息不完全，合作型还是非合作型，还有其他维度，每个维度有两个选项，一共 32 种。
商场如战场。你首先要想清楚，现在处在什么样的环境里进行博弈。
程曼祺
你以前太顺了，没有经历这些历练？
吴明辉
我觉得这 7 年自己成长了很多。
程曼祺
EIP 最后决定不做了，是在什么情境下？
吴明辉
没钱了。
那个时候我还坚持想做，越陷越深，每个人都是这样。
2021 年我有一种执念，觉得全世界都不理解我，总有投资人会理解我，给我那笔钱。我当时确实差一点融到 5 亿美元。
到 2022 年年初，我还抱有幻想，觉得还能融到这笔钱。只是美元投资没了，我就在国内找投资人，包括原有股东。
但我发现世界变了，没有人再相信我。
上海封城以后，客户回款也很难拿回来，甚至发票都开不了。
2022 年 4 月、5 月，我和团队重新做了预判：钱肯定拿不到了。我接受了这个现实。
账上的钱还能用多久？如果客户回款拿不回来，可能只能用两个月；如果回款能回来，可以用更久，因为公司还有存量收入。
但我们无法决定客户什么时候回款，也不知道客户在巨大动荡下能不能给钱。
后来这些问题慢慢解决了，但当时我们算了两个问题：第一要借多少钱，第二要裁掉多少人。
我们从 4000 人里，可能要当场裁掉一半。这是一个非常艰难的决定。
所以我对裁员有非常深的体会。很多人本来都很优秀，后来来公司闹事、拉横幅；有些人的家属是律师，一定要为家属争取权益。
那个时候我突然理解，真实世界不是我以前想象的象牙塔，没那么简单。
现在很多基础模型公司的创始人，可能仍然活在我 2020 年的叙事里。他们觉得未来人不需要做智力活动，全部交给 AI 就行，看不见人的存在。
但我经历了 2022 年裁员，感受到真实世界以后，不再这么认为。
我当时借了一千多万美金，自己账上始终没有什么现金。我有一个北大的同学，跟了我很多年，是公司的奠基人之一，很多人都是他招来的，也是我的同班同学和对门宿舍同学。后来他不得不被我裁掉。
裁完以后，他问我：“辉哥，能不能借我一点钱？”
我说：“过几天，我现在也没钱。”后来还是借了他一些，可能 10 万、20 万。
在这个过程中，我看到了真实世界。
CEO 肯定想给跟自己创业很多年的人更好的回报，但很多时候没有能力。你会真心觉得自己很渺小，没能力回报大家。
也是因为这个原因，现在我肯定不愿意大裁员。虽然我知道今天这点活，AI 肯定能干得很好，但如果投资人和董事会来推动，我也会据理力争，保护这些人的就业。
我也呼吁所有企业家，用 AI 优化效率以后保护就业。如果所有公司都大裁员，谁来消费？
我坚定认为，如果 Scaling Out 的方法能做出来，每个人都有价值，都能在自己的战场上用这种方法打败怪兽。
程曼祺
你会不会担心，你的判断里加了太多价值观和 Hope，反而影响客观性？
吴明辉
这是我觉得最神奇的事情：Hope 本身会产生力量。
如果只有一个人有这个 Hope，它不会产生力量；但如果全世界 80 亿人里有 79 亿人都有这个 Hope，你觉得它会不会实现？
程曼祺
你觉得多数人会站在你这一边？
吴明辉
肯定。多数人会认为人更有价值。怎么可能认为自己没价值？
我是数学奥林匹克得奖选手，现在 AI 算数学比我厉害，我肯定不服。我一定想带着 AI 去解决哥德巴赫猜想。
如果我带着 AI 解决了哥德巴赫猜想，就证明我有存在感。
程曼祺
你经历低谷以后，对自己的判断力和信心肯定会有过质疑。但现在听你描述对 AI 未来的想法，又非常有自信。这种自信是怎么重建的？
吴明辉
我这个人可能比较奇怪。哪怕在最弱小的时候，我仍然对自己有信心。
创业就是求生存的过程。我精读过达尔文的《物种起源》，里面有一幅很有意思的插图，是物种演进的树，也就是生命之树。
生命之树演进过程中，每个物种都可能繁衍、变异出不同后代。有些物种生命力不强，就消失了；有些物种突然崛起，就抢走原来物种的位置。
每个时代都有一方生存空间，有些来自旧物种，有些来自新物种。
我可能是生命力很强的人，始终会在夹缝里求生存。我始终觉得自己能活下去。
最困难的时候，我也觉得肯定能活着。作为知名奥数教练，我出去开个班，肯定能养活自己。
程曼祺
你说这个养活自己是指养活自己还是指自己啊？
吴明辉
养活自己。
就算以后大家不需要我讲数学，我会弹钢琴，也会弹吉他。我在天桥上抱把吉他，也能养活自己。
我坚信自己有价值，这一点从来没有动摇过。只是不知道自己最终是企业家、科学家，还是街头艺人。
程曼祺
那具体到技术判断上的自信，中间有经历过低谷吗？你现在又做了很多新的技术和趋势判断，会不会担心再次对技术进展过度乐观？
吴明辉
这还是生命力的问题。
如果你在 A 方面判断错误，就重新观察 Context。只要 Context 支持你进一步研究，就继续做。这是科学发现最基本的原理。
比如张益唐一直研究孪生素数，后来发现这条路可能无法进一步推导，就去看看黎曼猜想有没有机会。
商业也是一样。一个有生命力的人，打的是王兴说的“无限游戏”。如果这个游戏打不下去，可以换一个游戏，但要对自己原来吹的牛负责。
你要足够理性地判断：在推进过程中，有没有机会获得新的 Context？如果没有，就应该放弃这场战斗。
但这不代表公司要倒闭，团队可以选择新的战场。
今天原有业务上有很多新的 Context。每个客户都需要存在感，我的团队也需要存在感。这个需求这么大，不去解决是不对的。
如果有人做出一个产品，能帮助原行业里每个人找到自己的工作岗位和存在意义，你觉得大家会不会买单？
程曼祺
你觉得这个需求什么时候会反映在商业和财务数字上？你们是上市公司，从 2025 年年报来看，相比招股书信息，2025 年收入和利润相对 2024 年没有大幅增长，还是个位数百分比增长。
吴明辉
我现在这么说可能不太合适，因为不能提前预测。
但大家可以用指数函数来理解。指数函数有一个 Tipping Point，就是和 Y 轴的交点，大约是 0.1。
在某个未来时间点，我们可能已经过了这个点。过了以后，才是一个有网络效应的正常、健康的公司。
程曼祺
你对明略未来做到什么体量，有什么预期？
吴明辉
人的时间和精力有限，我也不可能组织特别大的团队。一两千人就挺好。
程曼祺
我说的是收入和利润。
吴明辉
收入和利润在我看来，还是和人数有很大关系。
人均利润 100 万，可以作为初期阶段的小目标。如果每个人未来需要更多钱，那就继续增长。
我大概知道现在模型厂商的平均收入，每个人年薪差不多 500 万，比较大的 Leader 可能 1000 万，入门门槛也可能是应届毕业生 200 多万。
所以我的小目标是：每个同事人均收入 500 万，同时给公司贡献 100 万利润。我觉得这是一个健康的公司。
程曼祺
按现在的商业标准，这很厉害。公司人均能赚 500 万。
吴明辉
当然，我距离这个理想状态还有巨大 Gap。作为上市公司，财务报表都透明，我希望推动公司朝这个方向发展。
程曼祺
你们也在训练小模型，怎么竞争模型人才？
吴明辉
首先要从世界观层面竞争。
很多人愿意去 NASA，愿意去 Elon Musk 的公司，不是因为那里赚得更多，也不是因为更轻松。
我相信真正有见识、相信我的哲学观的人，大量存在。甚至一些原来在知名模型公司工作的人，可能也会来。
今天看起来他们工资很高，但模型也在被自动化。过一段时间，他们可能同样没有价值，也要重新找工作。
我相信这些人会来公司。
还有一些人，模型公司工资很高，赚到一定钱以后，对赚更多钱没有那么强的兴趣，可能想做自己真正想做的事。
我现在做的事情会吸引很多人。甚至他们自己也能做，但加入我，是因为觉得我的 Vision 更大，愿意成为其中一部分。
这需要团结大家的力量。回到刚才说的，一个 OpenClaw 搞不定，生命力对抗不过巨大算力，还是要几个人协作。
第二个目标，是让所有知识密集型工作者都能做模型。不管是科学家，还是上一代的手艺人。
在办公室白领场景里，我需要的是复合型人才：他对原有战场有 Taste，知道 Context 在哪里。同时，我们会把训练模型的门槛降得足够低，让他也能训练。
这样我和大厂竞争的人才，就不是同一类人。
程曼祺
最近有一篇流传很广的文章，讲的是“金谷园饺子馆”，作者好像是北邮的学生，发了一个“金谷园饺子 Skill”。他的想法可能是绕过美团，用户可以和商家直接联系。这个很有意思，我一定要去吃一次。
吴明辉
AK 这类人不断开源训练模型的方法，我们也在做类似的事情。最终训练模型的门槛一定会降到很低，让每一个手艺人保护自己的独有知识产权。
如果全世界每个人创造一点东西，就被大模型厂商拿走，谁还愿意创作？这是反人类的事情。
从小到大刷题、努力学习，上大学以后却不让创作，那为什么还要好好学习？这不符合人类文明发展的叙事。
未来不是只有 AI Researcher 才能训练模型，每个人都可以做。
程曼祺
你有两个孩子，他们可能会非常密集地使用 AI，算是 AI 原生一代。相比互联网原生一代，他们是怎么使用 AI 的？你从中得到什么启发？
吴明辉
启发很多。
还是拿 OSWorld 这个 GUI-CUA 榜单来说。去年我们带团队做模型，表现也不错。当时我们想当然地认为，AI 有一个视窗，可以替你做操作。
但它遇到很大问题，大量操作失败，越复杂、越专业、越细分的软件越不成功，所以不好用，也没有多少人真正使用。
有一天我观察女儿。她现在是初中生，正在电脑上编程，遇到 Bug 后问我怎么办。我说：“你问 AI。”
她做了一个让我吃惊的动作：直接问豆包：“豆包，你看我遇到一个 Bug，怎么解决？”
我的传统理解是，在 IDE 里把 Bug 摘出来交给豆包。但我女儿让豆包直接看屏幕。手机上有多模态功能，PC 上也可以截屏，甚至截整个屏幕。
我突然意识到，模型还可以这样用。
上一代互联网的人被过去的使用习惯束缚了，但小朋友有完全不一样的打法。
我家孩子现在学习也和 AI 学：让 AI 制定学习计划。但他们使用的仍然是 Scaling Up 的 AI 哲学。
所以最近我让孩子开始使用我的 OpenClaw。我把刚才讲的哲学体系都讲给他们听，他们是认同的。
疫情期间，我曾经天天带孩子刷奥数题，也拿了不少奖。但过去一年，我没有怎么带他们刷题。
我和他们说，首先要理解我的哲学系统，是否认同人类未来的发展方向。他们认同，因为他们真正相信 AI 能做各种事情，比很多成年人、甚至很多 AI 从业者更相信。
但他们也相信 AI 不会替代人，不应该让 AI 替代人。
这件事情完全取决于你信不信。你相信欧式几何的公理，还是相信非欧几何的公理？你相信什么，决定你怎么往下推。
我还说，愿力很重要。如果他们相信，人类就会按照这个方向推进。
我认为 99.9% 的人都应该相信这件事。你怎么会相信自己会被 AI 干掉？这个假设本身就不成立。
相信以后，我们就要维护人类文明与和平，再和 AI 一起研究应该怎么学习。
最后得出的结论是，提高两种能力：第一，探索世界的能力；第二，获取 Context 的能力。
我也可以像 Elon Musk 一样去外太空寻找新的 Context，寻找地球物理学解释不了的东西。
第三是 Taste。
我很早就和孩子交流 Taste。有一次女儿还在小学低年级，我和她做一道数学题，我说：“这个公式很美。”她很奇怪，问我为什么用“美”这个词。
她现在也会刷公立学校的题。我不是批评中国公立学校，这些题训练的能力很重要，但有些题本身很 Ugly。
我现在会和孩子说，能不能一起出一些 Beautiful 的题？
我最喜欢的题，是特别难，但想明白以后，一行就做出来。也有些题不难，却要分 100 种情况来解。
比如王红，他可能有机会挑战菲尔兹奖，2026 年要去世界数学家大会演讲。他解决三维 Kakeya 问题时，过程可能分了 300 多种情况，但题本身很优美。
我小时候有时也会恶作剧。老师在黑板上写满一道题，我说：“老师，我有另一种做法。”然后把整块黑板擦掉，只写一行字，说：“做完了。”
这就是数学之美。
现在我和孩子做数学，会先看题目是不是 Ugly。有时他们做完题看答案，看不懂就来问我。我先判断这是不是一道 Ugly 的题。
如果是，我就讨论它为什么 Ugly，然后说这道题不做。我会用红笔在题上写“Ugly”，再进入下一道。
清明假期我在家两天半，每半天带一个孩子。有时候最后留下的题很少，但我觉得这个活动很好玩。
程曼祺
按你这种方式学数学，奥赛成绩可能会下降？
吴明辉
肯定会下降。但如果他们其中有一个将来成为数学家，我觉得概率可能反而变大。
伟大的数学家不是因为解题能力强，而是因为他相信某个公式很美，愿意用一生去解决它。因为他相信它是美的，哪怕还没有人证明。
数学竞赛和数学家最大的区别是，竞赛时我们知道题目肯定有答案，而且套路练过。每个人坐在考场里，心里其实很踏实。
数学家很痛苦，因为可能要把一辈子交给一道题。
真正的难题，王红也没有参加过奥赛，他上北大时甚至不是数学系，而是从地空专业转过去的。
所以理科生也应该像文科生一样培养，要感受美，感受自己想要什么，而不是只会公式。
程曼祺
你儿子已经上高中了，女儿也上初中了，接下来会有升学、选专业和职业发展的压力。以你现在对 AI 的理解，怎么看这个问题？
吴明辉
还是看他们自己的兴趣。
我儿子已经有一些兴趣端倪。他们从小被我卷奥数，但最近一年没卷。
我发现儿子没有那么喜欢形式科学，更喜欢自然科学，物理、化学、天文、生命科学都很喜欢，也喜欢写代码。
我给他打了数学基础，将来如果他去学物理，我相信他在物理班里数学会很好，因为我通过强化训练给他打了很深的数学基础。
他按照自己的兴趣选专业就好。
在迭代到现在这个版本之前，我曾经认为学数学最好。我相信数学是很好的基础能力，先把数学练好，未来再决定做什么。
那时我觉得 AI 很厉害，甚至数学也能做，但 AI 做出的结果需要一个有逻辑的脑子去验证。你如果没有这个能力，AI 写出一百页推理，你都无法验证。
所以当时我觉得社会分工会重构，未来学什么、做什么非常不确定，甚至不知道哪些学科还存在。
那时我说学数学，是因为不知道做什么时，可以先锻炼身体。物理世界的身体训练是锻炼身体，数字世界的身体训练就是数学。数学练好以后，等毕业时，再看社会需要什么 Skill。
但现在我的想法又有变化，我觉得各行各业都会存在。甚至文科也会发展出新的光辉。
核心还是他热爱什么，在热爱的事情上发展。艺术也是一样。
很多艺术专业的老师会告诫学生，不要只学艺术，要学一个双学位。但在我看来，艺术仍然需要。如果一个学生毕业时没有对世界的独特体会，他怎么工作？
程曼祺
所以没有所谓危险的专业？
吴明辉
Think 这个事情本身是危险的，不要把它作为工作目标。
每个专业都有 Taste 的部分。
程曼祺
程序员危险吗？很多人会认为 Coding 是最早被 AI 替代的工作。
吴明辉
昨天刚有人问我这个问题。
程序员要再就业，或者更准确地说，去做新的工种，而不是现在这个工种。现在这个工种肯定会被 AI 替代。
今天 web coding 工程团队已经可以赚很多钱，但不是做 Research 的人。
做 Research 的人为什么工资高？因为他管理了很多算力。比如我今天管了两个亿的卡，价值两个亿的卡，分五年摊销，每年管理公司四千万的费用。
这 4000 万花得好不好，由我设计的实验是否合理决定，所以公司需要找很贵的人，保证算力使用合理。
但写代码的人呢？你到底消耗了多少 Token？我刚才说，一个工程师一天 8000 美元，一年可能大概消耗掉两千万人民币的 Token。
Token 消耗本身也代表身价。如果一个人一年能花 1 亿美元写代码，逻辑上公司给他 500 万美元也不多。
工程师如果只是单纯写代码，仍然有价值，但不是每个小公司都能承担这种投入。我们现在有能力投入，很多公司投不起。
进一步想，写代码里面还有哪些 Context 和 Taste 可以让普通人获得？
软件运行环境就是 Context，而且这个环境极其复杂。上一代软件的 Legacy 都在那里，随便动一个地方可能整个系统就崩。
最近湾区一些大厂，包括 Amazon，都在大裁员后出现很多问题。真正了解系统的老专家极其有价值，他们可以锁住边界，告诉 AI 什么不能碰。
不需要告诉 AI 怎么写，只要告诉它不能碰什么，这就是老专家的价值。
你再看《人月神话》，Brooks 得图灵奖以后有六条准则，其中一条是，人类做的所有软件系统第一版都应该扔掉。
二十年后他补充说，这条可能要修改。因为他得图灵奖时，人类还没有多少复杂系统，他把 System/360 做得很好，帮 IBM 填了一个大坑。
但二十年后，世界已经发生巨大变化。航空系统、铁路系统都是 Mission-Critical 的。今天的 Oracle 系统你敢随便换吗？你敢承担责任吗？
有很多 Mission-Critical 系统仍然有存在意义。人类工程师对 Context 有价值，因为 AI 不知道外部环境有多凶险，而且环境每天都在变化。
我写了一段代码，他也写了一段代码。对我来说，他的代码就是环境。AI 不知道这个，但人类可以互动，我可以知道他的代码怎么写。
程曼祺
说到工程师和程序员未来的价值，最近 Anthropic 的产品负责人、Instagram 联合创始人 Mike Krieger 也说，有件事很难被替代，就是如何设计一个产品、判断它应该有哪些功能。
Web Coding 很发达以后，会不会出现一个误区或苦恼：编码变快了，但产品设计和需求判断反而变难？
吴明辉
这个事情从哲学层面讲，AI 永远不可能取代人。
软件怎么设计，从软件工程角度叫需求分析。需求分析没有唯一解。你觉得好的软件，和我觉得好的软件，可能完全不一样。
从哲学上说，写代码的人、软件架构师或者 Claude Code，是本体论的实践者。
需求分析师是认识论的实践者。
本体论是产品经理或工程师最开始想象的世界：他设计了代码背后的概念。上一代软件里，这个概念通常体现在关系型数据库的 ER 图里：有哪些表、哪些字段、表和表之间有什么关系。
但真实世界不是这个样子。真正和世界互动时，才会发现这个客户这么想，那个客户那么想。
比如张小龙最开始想象微信应该这样设计，但和普通大众互动后，发现大家根本不想这么用。
这个过程会反复打磨。第一版其实是本体和认识论两个世界交互后的结果，而不是最开始想象出来的那个概念。
最后你会发现，原来设计得不合理，但你已经把地形摸清楚了，知道这个世界和战场是什么样。
第二版基于对地形的理解重新构建，变成微信 2.0。后来世界变化，支付宝也变化了，就需要第三版。
代码知道今天的代码是什么样子，也知道计算机系统有什么能力，但不知道外部世界是什么，也不知道每个人真正想要什么。这些永远需要人来完成。
AI 可以辅助人，提高效率，但不能替代这件事。
程曼祺
你觉得比较确定、进一步会发生的变化是什么？
吴明辉
即使不是我们公司第一个做出 Scaling Out 的 AI，市场上也总有小公司会做出来。大公司内部可能也有小团队在做，只是受公司利益影响，不能发布。
Scaling Out 就是你说的 MOA 方式。
程曼祺
你觉得 2026 年内会发生？
吴明辉
对，未来 8 个月。
我们也会陆续开源一些用这种方法做出的模型。大家会看到，这些模型和上一代模型很不一样，更容易适应细分战场，模型成本也更低。
程曼祺
今天感谢吴明辉做客《晚点聊》，分享了他最近重新迭代的很多思考：AI 如何商业化，以及未来 Agent 的商业伦理。我们也聊到了教育、大家如何学习 AI，以及未来人与 AI 的关系。
我觉得这里面既有很多商业洞察，也有关于人与社会、人与 AI 协作变化的深层思考。谢谢你的分享。
吴明辉
谢谢大家。