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

吴明辉说自己最近两周花了 1 万美金 token，他的反应是「怎么这么便宜」。他补了一句，这两周怎么着也给公司创造了十个亿的价值。一个 CEO 对 AI 成本的判断，和一家上市公司财报上的数字，在这里出现了有意思的错位。

吴明辉是明略科技创始人。2004 年他就在北大计算机系做人工智能研究，硕士期间开始创业。2020 年他尝试用 AI 做组织智能，大举扩张，收购了 Manus 创始人肖宏的上一家创业公司夜莺科技，那次尝试以失败告终。2022 年大裁员，4000 人减到一半。2024 年以来，明略陆续发布行业模型，完成上市。OpenClaw 在中文社区被叫「小龙虾」或「龙虾」，它掀起个人 Agent 热潮之后，明略开始了一场更彻底的变革。

这期《晚点聊》，程曼祺和吴明辉聊了 149 分钟。话题从 SaaS 的死活，到明略即将开源的多 Agent 协同网络「章鱼」，再到一个 1800 人的组织怎么被 AI 重新组织。吴明辉讲了很多技术判断，也讲了从春风得意到裁员、再到重新理解组织的经历。

SaaS 已死，软件从矿变成沙 1:42

吴明辉对「SaaS 行业已死」这个说法，态度很明确：比较认同。

他的逻辑不复杂。上一代软件公司，不管大小，把软件做出来是一次性投资，像挖一座矿、建一座工厂。矿不能被随便搬走，工厂也不能。今天的问题是，软件看上去是知识产权，但用 vibe coding 和 AI 手段，分分钟就能复刻。它已经不能称之为资产。

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。

明略相对幸运。吴明辉说，明略软件里最核心的价值是数据。在广告营销领域，明略类比金融行业的 Wind 或者 Bloomberg，真正值钱的是数据供应链。软件本身，今天用 Claude 打开，客户自己回去写 agent 做分析就行。这部分受冲击小，甚至可能有更多客户用好他们的数据。

然后是 OpenClaw。2025 年春节回来的当周，明略立项做自己的数据分析 agent，叫 DeepMiner。一个月后 Manus 发布，大家的想法前后脚。真正让吴明辉觉得世界变天的，是 OpenClaw。

他解释区别：用 Manus、DeepMiner、Claude Code，任务在电脑上跑，人睡觉任务也停，人是瓶颈。OpenClaw 把 agent 放到聊天软件和手机里，定时任务、远程控制，瓶颈被打破。

更关键的是持续学习。吴明辉说，以前的模型出厂那一刻就不再更新参数，中心化服务也没法给每个人调参数。OpenClaw 的做法是模型不调，调 memory、skills、soul。这几层的调整速率不一样，像谷歌那篇嵌套学习论文的分层思路。最难能可贵的是，调整不需要研究员，普通人让龙虾做反思，它就调了。而且是白盒，文本编辑器能打开 soul 和 memory。

他的这个意义其实跟 Deepseek 一样的，他是给了普通老百姓真正用好 AI 的一个权利。

但团队用起来问题不少。OpenClaw 是个人助理，不认人，跨 session 记忆有问题。吴明辉讲了个场景：清明节假期，同事用 Claude Code 写代码，会被他打电话叫起来改 bug；用龙虾写代码，放到公司协作群的群里，他有问题直接让同事的龙虾改，同事在外面玩。可有一天曼祺在群里用龙虾，龙虾以为她也是吴明辉，开口叫「辉哥」。安全、权限、认人，全是问题。明略给 OpenClaw 提交 PR，但作者 Peter 已经成了项目瓶颈，没能力 commit 社区的新代码。

把龙虾放进群里，章鱼与 MOA 29:15

明略的新赚钱方向叫 Agentic Service。软件里能被 vibe coding 复刻的能力，慢慢开源掉。赚钱靠提供数字劳动力服务：生成广告素材、做数据分析挖掘、生成短剧内容。

吴明辉举了百胜中国合资公司的例子。餐饮行业有大量定制软件开发，如果明略做自己的模型和上面的 agent，写餐饮行业代码的能力比直接调 Anthropic 强。Token 可以卖得比基模公司贵。定制软件开发从按人月人日收费，变成 Token 管理费。你花 100 万美金 token，我收 20 万美金管理服务费。

红杉那篇文章说，未来会有很多披着服务商外衣的软件公司。吴明辉说 Agentic Service 就是干这个。中国 B2B 公司本来就是服务型公司，劳动力市场极大丰富，竞争充分，成本导向定价。美国是价值导向，一个软件收很贵，因为替你省了几个人。AI 来了之后，都朝中国这个方向走。所以对美国 SaaS 和知识密集型服务业的冲击，比中国大得多。

然后是章鱼。所有厂商都在做龙虾，吴明辉觉得没必要 fork 一个自己的。要做跟 OpenClaw 正交的事。他用了一个比喻：OpenClaw 是水，水涨船高，你不要做那个被水淹的柱子。

春节前，同事在 Discord 群里拉了几只龙虾进去。吴明辉发现，把龙虾放进一个群，能产生集体智慧。他有个同事把手里所有资料、古籍全灌给自己的龙虾，结果问吴明辉的「毕达哥拉斯」龙虾，回答比自己的好。吴明辉说，基模早训过那些东西，你只需要调出来。关键是给龙虾清晰定位，数学归数学，哲学归哲学，博弈论归博弈论。不同的龙虾在一个群里组合，就是 MOA，Mixture of Agents，对标基模公司的 MOE，Mixture of Experts。

明略股票代码 2718，自然对数底 e。e 的 x 次方导数等于自己。吴明辉说这个函数美，规模越大速度越大，速度越大加速度越大。他做章鱼的初衷，是让公司进入新的工作方法。工欲善其事，必先利其器。

开发过程：骨干网工程师只有 5 个人，最厉害的一个一天消耗 8000 美金 token，core team 一天 13.7 万美金。代码 37 万行，iOS 版还没上线。对标飞书、Slack、Teams，这些平台至少几千人干十年。吴明辉算账：一天 5 万美金，365 天 1800 万美金，花一个亿就能干出来，别人历史上投了三四十亿。

章鱼的核心改造是认人、权限机制、信任机制。龙虾要知道谁是主人，闯祸主人承担责任。市场部负责人问要不要一个部门公用的龙虾，吴明辉说逻辑上不存在部门龙虾，应该是部门 leader 的龙虾，开放给团队用，出了问题 leader 负责。

还有品鉴者。不是职级体系，是一套新的 credit 系统。你给组织的 judgment 被广泛认可，品鉴 credit 增加，更多龙虾听你的。吴明辉说，人未来是「我品鉴故我在」，I taste therefore I am。

用康德约束龙虾，用品鉴衡量人 46:23

吴明辉给龙虾研发了一套商业伦理学，师承康德的道义论、有效利他主义、契约论。

他说康德义务论约束人很难，人都有私欲私利。约束龙虾很好，龙虾不能骗主人，不能危害大家。康德要求人不能说谎，人很难做到，因为有说谎者悖论、哥德尔不完备定理的自指结构。龙虾可以自知，因为它能扫描自己的源代码、memory、skills。人观察自己很难，每个人眼中的他人才是你自己。

这套东西怎么让工程师接受？吴明辉说，直接给源代码，放到龙虾的 soul 里。将来应该训到基模或端侧模型里，不可篡改，对人类安全保护最好。公司有几个产品经理和工程师对他这套哲学极其着迷，把那些文件当养龙虾的「九阴真经」。

然后是归因。CoCraft 是明略做的联合写论文系统。一篇文章的价值分几个环节：idea 谁提的，实验谁做的，论证过程中谁的 taste。系统自动把作者排名列出来。吴明辉说，有的文章老师应该是一座，因为老师提的 idea 最重要，学生只是做了最简单的实验。

公理先定。大家先信一套归因准则，否则不要一起玩。没有对错，只有所以然。

GUI 重构。吴明辉说人的注意力机制适应图形界面，AI 适应文字。人从小到大百分之八九十的知识通过图形界面学。公司标准工作方法是：人看的按人的注意力机制排版成 PDF，灌给龙虾的转成 MD，差 10 倍。三四百 K 的 PDF 对应三四十 K 的 MD，少占上下文窗口。

数据分析场景：Excel 表格里「第五行第十个单元格」用文字交互很麻烦，图形界面简单。人需要 GUI，龙虾需要命令行。将来 AI 真起义了要下线，人类办公软件只剩 CLI，人就没法工作了。所以软件要同时留 CLI 和 GUI。

GUI 不会消失，Scaling Out 才是出路 1:05:51

OS World 是 GUI 的 CUA 榜单，明略去年刷过，小模型拿过第一名，排在前面的都是尺寸大很多的模型。吴明辉说，GUI-VLA 模型的第一大场景在软件自动测试，不在自动化操作本身。Anthropic 两三个月前收购了一家做 GUI-VLA 的创业公司。Claude Code 写命令行代码简单，标准输出直接给 CC，对就 release，错就 debug，闭环。写 GUI 代码最大的 bug 是涉及图形界面，需要多模态理解去测试。

他把软件分高频和低频。高频软件里，想被你集成的，大概率会变成 CLI；不想被集成的，比如豆包手机微信，变成攻防战，最后是伦理和社会制度问题。低频软件是未来，大量软件将来都是 tailor made。

姚顺雨发了个 CL-Bench，讲以前的基模是顺行性失忆症，考的是 context learning。定制化软件开发也是一样，给你从来没见过的需求，你来想界面、做测试。OS World 上人类已有的软件，刷到 99 分也没啥用。低频软件才对应 CL-Bench。

然后 Scaling Out。吴明辉说，基模公司把模型训得越来越大，黑盒子，研究员自己也只能做实验猜模型在干嘛。这个事对人类不友好，最后会把世界经济搞崩，所有人失业。他有个朋友在大模型厂商做高管，说眼睁睁看着手下的活 AI 也能干，自己可能吃到最后一口肉，最后也要下岗。

我们凭什么让少数的几个人掌握全人类的这个命运？

他认为基模训到今天这个水平就 OK 了，个体智商到这个水平够了。接下来应该 Scaling Out，横向发展，形成集体学习、组织智慧，保护在每个个体和小团队身上。个人和小团队用手头的 AI 和对行业的洞察，做出比基模在细分场景更牛的结果，且不会被基模拿走。

人类发展史上有例子。现代智人打败尼安德特人，尼安德特人个体能力超过单个智人，但智人能协作。人类协作也很低效，但可以改进人和龙虾的协作。

Personalized 持续学习。模型出厂后能更新参数，听起来好，但商业问题很大：中心化的 AI 公司会知道全世界所有人的秘密。吴明辉想做的是在具体细分场景、甚至符合一个人的持续学习。比如个性化 ASR，不只是知道历史信息，还要知道当前 context。你去国外酒店 check in，脑子里的候选词自动变少。

开源计划：短期不训大型基模，Mano 从预训练开始自己做。会开源一个 web retriever 数据集，可能是市场上最大的。行业场景多模态最关键，文字大部分被记录，容易被基模拿走；广告理解、医学影像还有很多机会。

验证标准：商业上规模收入增长和盈利，更重要的标准是科学发现能力。三年之内会有科学发现。风险是「物理猝死」，大脑太活跃。解决方案是团结兄弟，不能一个人干。

五年前那场失败：1000 人、八方神仙与一次大裁员 1:37:47

EIP 复盘。吴明辉说，当年最大的错误是对技术发展过于乐观。他 2000 到 2004 在北大读基础数学，2004 到 2007 读硕士，做 CV，生物特征识别，指纹掌纹。算力太差，只能做图像识别，做不了视频，还在用 CPU。2006 年开始创业。2011、2012 年 CV 行业变天，AlexNet、ImageNet 刷榜，实验室同学在群里说世界变天了。

硕士三年级做 NLP，毕业论文是基于语言模型的推荐系统，用的是北大计算语言所手工标注的中文概念词典 CCD。当时想做类似今日头条的系统，但没有移动互联网，没有唯一标识，infra 不 ready，做不了。后来做了秒针。

2019 年回北大读博士，预判 NLP 会被颠覆，Transformer 已经出来了。他想把硕士工作推进一步。回到公司，B2B 公司，还是没想做 To C。他想，如果一个公司的所有数据、知识、信息被一个模型学习，这个模型可以变成公司每个人的最佳个人助理。这是 2020 年做 EIP 的核心 motivation。

底层想法跟现在一样。悲催的是，NLP 的范式后来被 GPT 重新变革，要做预训练。吴明辉 2020 年走的是 BERT 路线。2021 年看到要出问题，2022 年真要变的时候，没钱了。

我的技术预判出现了过于乐观的事，这是我复盘下来的最大最大的问题。

如果用 Sam Altman 的 AGI 五阶段分层，chat、推理、agentic use、自我迭代、自组织，2020 年做的产品需要今天的 Agentic AI 能力。早了六年，几乎不可能。

组织问题：做了一个这么创新的东西，用了 1000 人的团队。新招的团队做模型，基于大模型，还是 BERT 系列。原有团队做知识工程，人工编写知识图谱、规则、自然语言标注。工作范式不一样。应用团队整合了原有几支团队，秒针的竞争对手、明略、肖宏的团队，八方神仙，各路诸侯，做一个所有人都不知道是什么东西的产品。

抄一个东西容易，有确定性靶子，可以用人类分工系统协作。发火箭，马斯克已经成功了，去抄就行。2020 年那个事，没几个人知道要干嘛，他自己也是抽象宏观模糊的概念。最后是组织的极大灾难。

2021 年下半年有一些 Demo 上线，能力还很差。有特别 crazy 的投资人看了很兴奋，刚要投，出现一系列事件，投不了。本来 2021 年底估值 50 亿美金，再融 5 亿美金。

如果融到了，吴明辉说，可能今天就是一个 Kimi 或者 MiniMax，最好结果是那样，可能就会走 Scaling up 路线。创新者的窘境，已经这么干了，很难回头。

2022 年 4、5 月，上海封城，客户回款难，发票都开不了。算账：账上钱还能用多久，客户回款拿不回来可能只能撑两个月。决定从 4000 人里减一半。借了一千多万美金。有跟了很多年的北大同学，公司奠基人之一，很多人是他招来的同班同学，对门宿舍，不得不裁掉。裁完以后，那个同学说「辉哥能不能给你借点钱」，吴明辉说再等几天，后来借了十万二十万。

吴明辉说，在那个 moment 理解了真实世界不是象牙塔。很多基模公司创始人仍然在他 2020 年的叙事里，他坚定认为世界不会向他们想象的方向发展。他们想象的世界是人不需要做智慧活动，都被 AI 干了，看不见人的存在。

组织的新理解。第一，看到人的存在，每个人在组织里要有存在感，有个人收获，被认可，收入增长。赫伯特·西蒙，同时拿诺贝尔奖和图灵奖的人，《管理行为》《组织》《管理决策新科学》。每个人有自己的 purpose，老板的目标也不完全等于公司目标，老板还想休假。不能想当然认为组织里每个人都想大老板想的事。

第二，有限理性决策。世界极其复杂，只能做有限理性决策。《战略的本质》，BCG 大合伙人写的，战略调色板，五种情况，告诉你什么外部环境下用哪套战略制定方法。吴明辉说这本书看晚了，在把钱浪费完了以后才看。冯·诺依曼的博弈论，32 种博弈，信息完全不完全、合作不合作，五个维度。

现在不裁员。虽然知道今天这点活 AI 能干得好，董事会来拆，他会据理力争，保护就业。他呼吁企业家用 AI 优化效率后保护就业，否则所有公司大裁员，谁还消费。

希望本身产生力量，尤其是众人的希望。

不刷奥数题之后，taste 比 think 值钱 2:08:11

AI 原生一代。吴明辉女儿是初中生，用电脑编程遇到 bug，他让女儿问 AI。女儿直接问豆包，让豆包看屏幕，截屏。吴明辉的传统理解是把 bug 粘到 IDE 里给豆包。小朋友的打法不一样。

女儿的学习都是跟 AI 学，制定学习计划。吴明辉把哲学体系讲给小朋友，他们认同。他们真正信 AI 能干各种事，比大人信，也比很多做 AI 的人信。同时他们相信 AI 不会替代人。

以前疫情时带小朋友天天刷奥数题，拿了不少奖。最近一年没怎么刷。他跟小朋友说，先理解哲学系统，认同人类未来发展方向，然后一起研判怎么学习。

数学：识别 beautiful 的题。有些公立学校的题特别 ugly，练的能力重要，题本身 ugly。吴明辉和女儿儿子一起出 beautiful 的题。他最喜欢的题是特别难，想明白了以后一行做出来。有些题不难，但要分 100 种情况解。王虹解三维挂谷问题，分了 300 多种情况，题本身优美。

以前老师黑板上写一整黑板，他说有另外一种做法，上去把黑板全擦掉，写一行。

现在带小朋友做数学，先研判题是不是 ugly。是 ugly 就在题上写 ugly，不做。清明节两天半，每半天换一个小朋友坐在一起研判。可能没几道题最后不是 ugly 的。

奥赛成绩会下降吗？吴明辉说肯定会下降。但如果两个孩子中有一个将来真有可能当数学家，概率变大。伟大的数学家不是解题能力强，是他相信一个公式是美的，要用一辈子生命力去解决它，因为没有人证过它。

数学竞赛和数学家的区别：竞赛两天，每天 4 个半小时，一共 9 小时 6 道题，每道题一个半小时。坐在考场心里踏实，因为知道题肯定有答案，套路都练过。数学家要把一辈子交给一道题。

王虹没参加过奥赛，上北大时不是数学系的，从地空转过去。理科生也要像文科生一样培养，感受美，感受自己想要什么。

没有危险的专业。只会 think 是危险的。每个专业都有 taste 的部分。程序员危险吗？吴明辉说，现在这个工种肯定被替代，但工程师仍然有很大价值。一个工程师一天 8000 美金 token，一年消耗 2000 万人民币，代表身家水平。一年能花一个亿写代码，公司给你 500 万也不多。

工程师的新价值：context 和 taste。软件环境极其复杂，上一代 legacy 系统都在，随便动一个那边就崩。湾区几个大厂包括 Amazon 大裁员后出现很多问题。原来了解系统的老专家极其有价值，他能锁住边界，告诉 AI 什么不能碰。

《人月神话》布鲁克斯说人类做的所有软件系统第一版都要扔掉。20 年后他补充，这条可能要改。很多 mission critical 系统，航空、火车、Oracle，不能随便换。这些系统有存在意义。

需求分析。Mike Krieger 说，编码变快后，设计产品判断功能变得更难。吴明辉说，需求分析的本质没有唯一解，你觉得好的软件和我觉得好的软件不一样。写代码的人是本体论的实践者，需求分析师是认识论的实践者。ER 图，关系数据库有哪些表、字段、关系，是系统背后的概念。最开始想象的概念，跟真实世界交互后反复打磨，第一版是本体和认识的交互结果。微信 1.0 到 2.0，支付宝变化，都是对世界理解变化。

代码永远知道今天的代码是什么样，知道计算机系统能力，但不知道外部世界，不知道每个人真正想要什么。这些永远是人来干。AI 可以辅助人提高效率。

Scaling Out 一定会发生，小公司会先做出来 2:24:29

吴明辉说，哪怕不是明略第一个做出来，市场上总会有小公司把 Scaling Out 做出来。大公司里也可能有小团队做出来，只是碍于公司利益不能发。他给了一个时间：8 个月内，2026 年内，明略会陆陆续续开源用这种方式做出来的模型。在姚顺雨那种榜单上会有突出成绩，更容易适应细分战场，模型成本也低。

这期节目里，吴明辉反复讲的一件事是，软件本身的资产属性在消失，数据和 context 的价值在上升。对做软件的人来说，闭源不再是护城河，开源加自有模型加独有上下文，才是能收 Token 费的地方。

对组织来说，他的教训更直接：一个超级原创的方向，别用 1000 人去做。小团队加 AI，先把地形摸清楚，再决定要不要放大。大团队适合打确定性靶子，不适合在没人知道产品是什么的时候集体冲锋。

对个人来说，他的判断是 taste 比 think 值钱。think 是基于确定前提做推理，AI 会替代；taste 是你想要什么、觉得什么美、什么值得做，AI 替代不了。工程师的新价值在需求分析、在 legacy 系统的边界判断、在告诉 AI 什么不能碰。

节目最后，程曼祺把马克·安德森那句「软件正在吃掉世界」改成了「coding is eating the world」。从软件重塑世界，到代码重塑世界。吴明辉的章鱼、Agentic Service、Scaling Out，都是这个变化里的一个样本。样本能不能成，还要看接下来两年商业和科学发现上的结果。