吴明辉口述19年史：漫长的沉浮、痛苦急转、企业级 Agentic Model、现实世界的数值游戏

一、从北大数学系到第一次创业：和李丰的合并、罗永浩做股东

吴明辉的创业起点充满了随机性。他不是那种一开始就 plan 好的创始人——用他自己的话说，"从来没有融过资，连资本市场都不懂"。

他在北大数学系是"保送一路到底"的那种学生：小学五年级参加数学竞赛培训，老师告诉他们一学期的课一个礼拜就能学完；初中学完高中数理化；高中不上课，每天骑自行车去市图书馆看数学书。数学、物理、化学、计算机，每门竞赛都拿奖。

"我第一优先选择本来是想去清华计算机的。但数学竞赛先考，考完了以后我是山东省第二名。北大的招生办老师特别狡猾——他跟我们省队前三名说，如果你们都来北大，我就给剩下两个同学发 offer。不能害了自己的队友，所以我就去北大了。"

到了北大数学系（号称"四大疯人院之首"），他发现自己不再是第一名了——"那一届有几个大数学家，号称北大数学黄金一代。跟他们一比，我就不是那种天才型选手了。" 于是他选择了差异化竞争：数学考不过你们，那我就开始创业赚钱、写代码。

最初的创业完全是机缘巧合。给人大附中小学生讲奥数赚第一桶金——2001 年一个月两三万，四环边上房价才五千一平。后来中学同学拉他入伙做软件外包："他编程没有我厉害，接了外包有 bug 搞不定，我一天给他改完了，他就说要不咱们合伙吧。"

和李丰的合并

第一次融资是和李丰合并。李丰当时是新东方副总裁，有一家教育公司但没有技术团队；吴明辉有技术团队但没有产品方向。通过新浪教育频道主编介绍认识后，两人合并——李丰持股 40%，吴明辉 30%。估值三百万人民币，融了一百万。

"当时罗永浩还是我们的股东。因为李丰那个教育公司里面，罗永浩和李笑来都是他的股东——他们都是新东方的。"

第一版商业计划书写的是 recommendation system（推荐系统），不是广告系统。但 2007 年讲推荐系统没人买账——iPhone 一代都还没发布，PC 互联网连稳定的用户 ID 都没有。Cookie 每隔一两个月就被 360 清一次，推荐系统根本跑不起来。

"我的第一个 user 是谁呢？其实是罗永浩的牛博网。因为李丰的原因，我的推荐系统就放在了牛博网上。"

李丰觉得这事跟教育没关系了，不到一年就离开去做投资。吴明辉把天使投资人祝伟（广告公司高管）拉来做 CEO，自己退回做 CTO。他对李丰的评价是公允的：

"他不是说一定要做教育，更重要的是一定要把自己的最大价值发挥出来。如果不做教育，他对公司的最大价值就不大了。所以他后来就去做投资了——他走了以后还是公司的股东，让出来一些股份给到我后来的合伙人。"

奥赛心态：为什么始终乐观

"搞数学竞赛的人不会特别 struggle 一个事马上解决不了。奥林匹克类的项目，你要卷到全世界最牛——一定是挑战极强且天天失败的。英国数学奥林匹克的卷子第一页有个 guideline，它说'这个卷子很难，你只要有一道题能完整做起来就已经很好了'。从小接受了这样的训练，难题搞不定也很正常。"

二、秒针系统：上线第一天就拉爆 IDC

秒针的故事本质是一个"想做推荐系统但没有数据，于是曲线救国做广告数据分析"的故事。

吴明辉发现媒体不喜欢他的流量分析系统——因为大部分媒体在吹自己的流量，不希望第三方知道真实数据。于是他反过来找广告主：你们每天花钱买广告一直被骗，我帮你知道真实流量。

"上线第一天就把 IDC 给拉爆了。正常公司上线第一天可能十个流量，第二天一百个。我们上线第一天就是几千万——MSN 上帮客户做广告投放的监测，每弹一个聊天窗口后台就收一次数。两台服务器扛住了，爆掉的是机房的带宽——他们都没想到一个小破公司进去租了两个机位，第一天居然搞到这么大的流量。"

这个团队在大数据处理上确实是全球顶级的。隔壁实验室是北大天网实验室（分布式计算国内最强），他们的服务器满配 CPU 和内存做海量交叉计算——比如广告反欺诈，每一条日志都要追溯 IP 地址历史上所有行为，识别是不是机器人刷出来的。

错过移动互联网

"我的第一个 iPhone 是 iPhone 4。你很难想象我作为一个科技男……做广告行业的客户天天告诉我移动屏幕太小不适合做广告，我就被这个价值网络给影响了。创新者的窘境——给你反馈的都是错的信息。"

"如果 2011 年我也开始好好做 recommendation system，我们的优势是比今日头条要好的——因为我有比它多的 data。但再过两三年就没用了，人家就太厉害了。"

他把这归结为一个深刻的教训：当你在一个事上做得风生水起的时候，可能就沿着惯性去了，压根没想到自己还能做别的。

三、第二段创业：明略科技与"学 Palantir"

2014 年，吴明辉在中欧上了李善友教授的创业课程，学了"第二曲线"和"精益创业"。回来后一个公司变成了三个：秒针继续做广告、明略数据做大数据、云迹机器人（后者也即将 IPO）。

"我当时跟团队说，你们觉得咱们现在是不是挺浪费的、不够精益？大家说顶多一半人就可以干现在的活。我说行，那拎出来——同时成立两个新公司。"

明略数据的方向选择受到了 Palantir 的启发——美国大数据市场上最知名的企业之一，做 To G 业务做得很大。但实践中，To G 业务的核心问题很快暴露：反馈极其慢，每家机构的数据都不标准化，不适合做 AI 迭代。最终 To G 业务全部关掉和分拆。

2019 年，吴明辉把秒针和明略合并。原因很务实——他同时做两边 CEO，各有二十个人向他汇报，管理压力太大。更核心的原因是他看到了一个更大的机会：把企业所有数据合到一起做 AI。

"我自己就已经 confused 了——两边我都是 CEO，这块业务到底放哪做？合起来以后我跟股东说，我希望未来给每个企业做那个合到一起的大脑，把所有数据合到一起，在上面做 AI。"

四、收购小红（肖弘）的决策：一千人团队做 EIP——做太早了

2020 年通过北大同学介绍认识肖弘。第一次到家里聊完，吴明辉就决定收购她的公司夜莺（旗下产品微伴是腾讯企业微信上 install base 最大的 Social CRM）。

"我收她的主要原因不是因为她只是一个 application。在我看来，她有大量的 conversational data。这跟我的博士研究课题一模一样——我一看就说，干脆把它并购了，我就有一个很好的 install base，在上面做 AI 就好了。"

并购后，吴明辉甚至希望肖弘做他的 CEO 继任者——"她是一个比我还优秀的产品天才"。但肖弘最终选择了离开：

"她情商很高，不会直接拒绝我。但她后来告诉我：辉哥，我不可能做一个 To B 的公司老板的，我肯定要做 To C 的。"

更关键的失误是管理上的。吴明辉做了一个叫 EIP 的产品——一千人的团队，野心是做企业级智能体。三个子团队：application、数据 integration、AI 模型。这相当于 2020 年就在做 ChatGPT + 微软 Copilot 的概念。

"我当时太上头了。我让小红管了整个大团队的产品——对她来讲就太讨厌了。她是一个非常 hands on 的人，追求产品细节，但人多了以后全变成了汇报体系。"

回头看，问题的核心是做太早了。按 Sam Altman 的 AGI 五层分类，他需要 L3 的 model，但当时 L1（聊天式 AI）都不 ready。

"甚至唐杰老师都来我这讲过课，智谱的 founder 是我们的顾问——做的太早了。如果早半步是先驱，早两步就是先烈。"

关于肖弘后来创立 Manus，吴明辉的评价极高：

"Manus 发布第二天，我就跟团队说，如果今天我要投的话，我敢按 10 亿美金估值投——这是发布第二天我说的。她的产品做得真的是挺棒的，顶级的。"

五、2022 年：每个月花一个亿，一个月的 runway

从小到大顺风顺水的吴明辉，在 2022 年遭遇了最严峻的考验。上海封城，半数收入没了（国际客户集中在上海，开不了发票）。投资人开始 diss 他——"之前就觉得你做事不靠谱""把那么多钱给浪费了"。

"我们中间有那么几个月，账上就是在一个亿左右浮动。但你知道我每个月就要花一个亿——也就是一个月的 runway。这是最夸张的时候。"

大裁员开始。肖弘的微伴从三四百人裁到一百人。EIP 团队大幅缩减。裁员补偿金超过两个亿。银行骗他还贷——"说你还完了马上可以续贷，还了他就不给你贷了"。

他自己投了公司一千多万美金（借钱投的），腾讯也救了一把。最后融了一亿美金，但实际留下能用的只有两个亿——三分之一还裁员补偿，剩下的还银行贷款。

"我觉得这三年真的是——我从一个纯理想主义的 founder 变成了一个会经营的 founder。我现在算账能力一直很强，我们学数学的嘛——只不过之前不费这个心，总觉得有无数的钱可以给我用。"

即使在最 suffer 的时候，他说从来没考虑过关掉公司：

"我这人超级乐观。基本上没有什么事让我能够持续不舒服——有可能有的时候一两秒钟不舒服，但真的那一两秒钟之后就过去了。这跟竞赛有巨大关系。做奥赛的人天天做难题、天天失败，难题搞不定也很正常，不要 suffer。"

六、核心判断：基于公开数据训模型会卷成电费

吴明辉对 AI 行业格局有一个清晰的结构性判断：

"基于公开数据训出通用基础模型，拥有了人类的通识知识和逻辑推理能力——这个能力肯定不是只有一家公司有的。只要有两家以上，就不可能赚钱，就是要卷成基础设施那个最便宜的钱。因为大家要打价格战——就像电价一样。"

他的逻辑链条：

1. 公开数据 = 无差异化：所有基础模型公司都能抓 Common Crawl，都能做蒸馏——"别人马上就可以做蒸馏，很快你的能力人家也有了"
2. 真正的壁垒是私有数据：行业垂直数据、客户 first-party data、持续积累的时序数据——这些公开互联网上拿不到
3. Y = F(X)：当 F（模型能力）已经足够 smart，企业之间的竞争不再比 F，而是比 X（context，数据依据）

"就像天眼查的数据逻辑上来自工商总局——工商局的数据任何一个时间点去看就是个快照。但如果你每天去抓，你就能看到公司的历史沿革。你 2012 年再去抓 2008 年的数据已经没有意义了——数据这个事，没存下来就不叫数据。"

七、Scaling Law 是特别瞎扯的事

这是全场最 provocative 的判断之一。吴明辉用了两个生动的比喻来论证通用模型的规模极限。

血管分叉比喻

"人的主动脉往前走要分叉，一层一层分叉二十六次，最后分到毛细血管。到最后那个半径就是原来的二的二十六次方分之一——它有极限。你血管粗细有极限，整个带宽就有极限。就像 MoE 模型，你可以搞很多个不同的专家，但你的专家能穷尽吗？"

电梯缆绳比喻

"我去芬兰参观 KONE——全世界最高端的电梯公司，芬兰第一大市值。电梯的核心技术是什么？缆绳。一个三十层的楼，缆绳本身已经比轿厢重很多了——缆绳在拉自己，不是拉轿厢。所以很多高楼一定要分电梯，因为再高缆绳自己都拉不动自己了。"

"Scaling Law 是一个特别瞎扯的事——只是这些基础大模型公司的 CEO 出去融资的一种叙事。大到一定规模基础代谢就受不了了。通用基础模型把全世界所有人活都干了——这个不可能，它通用是有限的，是一个相对的概念。"

OCR 的反证

他用最简单的任务来证明通用模型的局限性：

"OCR 这么简单的任务——所有大模型都干不好。图片上有字、识别出来是什么字，六十二分类，以前用极小的模型就能干。但今天全世界最牛的通用模型都干不好——因为大模型训练图片时都是'看图说话'，attention 机制训成了感受全局，而不是一个字一个字地看。"

如果把 OCR 作为 MoE 的一个专家模型，"连这样的任务都算一个专家的话，整个 MoE 得几万个专家——路由就越来越复杂，训练也更复杂。"

八、现实世界的数值游戏：DeepMiner 的由来

DeepMiner 的诞生源于一个意想不到的启发——游戏。

吴明辉投资了一个做 SLG 游戏的朋友。在讨论如何用 AI 替代游戏里"陪玩"的免费玩家时（省掉 60% 的广告买量费用），他发现了两个技术瓶颈：AI 不知道外部世界的八卦（聊天会露馅），以及 AI 无法操作游戏配合打仗。

"那个游戏公司 founder 说了一句话彻底启发我了。他说：'辉哥你的感受是对的，我们这种游戏就是数值类的游戏。'我一下就想到——我今天就是一个人在分析屏幕上的数字、分析完做决策。既然 AI 能干游戏里的这事，我为什么先去搞游戏？我自己的业务不就是每天一堆人在分析数据吗？"

"现实世界的数值游戏。商场如战场。我真实的战场就是陪着一堆企业每天打数值游戏。"

灵感在滑雪场上闭合——他在缆车上就开始给产研团队布置作业，春节后第一天上班就立项。

CUA/BUA 世界第一

DeepMiner 在两个关键榜单上拿到了顶级成绩：

• Mind2Web（Browser Use Agent）：specialized 模型第一名。7B 模型拿了 44 分，第二名 Kimi 34 分——一下超了很多
• OSWorld（Computer Use Agent）：specialized 模型第一名，总榜第四。前三是 OpenAI、Anthropic、字节

"主办方测了一天，看到我们分数非常惊讶——他说你们从哪冒出来的？我们是 pass at one 直接 SOTA。打榜你如果提交不止一次，都有作弊嫌疑——因为在线测试可以记数据再训练。我们就一次提交，直接第一名。"

整个产品加模型团队只有四十个人，模型是 7B 大小。疫情前买了一千张卡，里面还有消费级的——"我们是有能力做模型的公司里面资源最少的。"

九、Agent 是一种交互技术

吴明辉对 Agent 的理解超越了"AI 能做什么"的维度。他认为 Agent 本质上是一种交互技术——tool use 是交互，planning 是 plan 到底怎么交互。这会从产业格局层面对 To C 和 To B 互联网都产生革命性变化。

入口会改变

"你给智联招聘一个任务说找工作——以前只能在它的 database 里搜。但有了强大的 BUA/CUA 能力，Agent 可以先去智联，再去 Boss 直聘，再去五一 Job，所有的全走一遍。这个 Agent 就比原来厉害很多——入口就变了。"

只提供链接的平台很危险

"那些不提供供给侧能力、只提供链接网络的公司会很危险。比如滴滴——如果前面的苹果或小米把你绕过去了怎么办？但如果你在无人驾驶上有独有的供给侧能力，他们就绕不开你。原来只是一个链接网络、而且不是根节点——这是很危险的。"

AI 时代企业级服务会出现并购潮

"有 AI 以后，产品和产品的整合不难了——以前你要把底层全部打通，今天不用。把产品变成 Agent，变成 Multi-Agent 就可以了。整合容易了，产品和产品之间很容易协同——企业级服务赛道一定会进入并购潮。"

为什么企业级 Agent 需要 GUI + Text 双模式

吴明辉自己的工位上放了 N 个屏幕——"我需要一个带宽更高的状态，同时看到很多信息，处理起来才痛快。手机太小了，严重影响生产效率。"

"企业级的人机交互不可能只有 text 的 conversational 模式。涉及到精准干预执行过程的时候，纯文字描述就不够了——比如一张图片上要精准划出某个区间，有三个人在图片上你怎么用语言描述清楚？一定是 GUI 和 text 两种并存。"

十、将来企业只有两类人：老板和合伙人

吴明辉引用了一篇他认为"危言耸听但可能不是错的"文章：

"将来一个企业里面只有两类人——一个叫老板，一个叫合伙人。而且特意注明了：合伙人不是这个公司的员工。是 part-time 过来、作为某个 function 的专家、给老板提供支持的。"

他给这个观点加了自己的注解——那些 partners 最终不是肉身加入的，而是 Agent 加入的。你的分身 Agent 被租用了。

"为什么叫合伙人？因为合伙人要 take 公司的 performance 作为 responsibility——不是拿死工资，是分红。比如我是你的广告合伙人，你公司卖得好我就赚更多，卖不好你给我个电费就行了。"

Agent 的 IP 化

"Agent 是有 IP 的。一个顶级的做产品定价的大师，他的 Agent 就可以很贵；一个 nobody 的 Agent 就很 cheap。超级个体有自己的 IP，加入到任何一个 team 里就可以产生更高的价值——不是简单的 token 的钱。"

考试应该考学生训的 Agent

"每个学生上完课，期末考试的时候考他的 Agent，不是考他自己。大家上班 PK 的不是 PK 我——是 PK 我加我的 AI。小朋友在学校学的那些东西 AI 都已经知道了，你还去教他有什么意义？真正面向未来职场真正应该考的逻辑——是你能不能把你学的东西教给 AI，让 AI 代替你去考试。"

十一、人机协同中最难的是把暗默知识变成 Memory

吴明辉引用了日本学者野中郁次郎的 SECI 知识管理模型来解释人机协同的核心难题：

最难的部分是第一步——暗默知识怎么变成 AI 可以用的 Memory。

"人脑的暗默知识每天都在迭代，人如果不告诉 AI，AI 就是不知道的。而且他每天都在迭代——有时候跟外部互动产生迭代，有时候脑子里静坐都可以迭代。"

吴明辉的解决方案是产品设计上的两个模式：

1. 自主模式（Autonomous Agent）：和 Manus 类似，给任务就跑
2. 协作模式（Human-in-the-loop）：AI 不停地问你问题，直到该问的都问够了才干活

"协作模式你会发现它很烦——不停地问你问题。但这个人机协作过程中，AI 就把你脑子里的暗默知识给挖出来了。只要最后结果是对的，你已经把所有 context 都给到它了。"

"就像做访谈一样——如果做 AI 相关的访谈，你就可以提出非常高质量的问题。AI 提问本身也是一个难的任务——没有人去训这方面的能力，因为种瓜得瓜种豆得豆。这就是创业公司的机会。"

十二、MOA 架构：为什么是 Multi-Agent 而不是 Single Agent

吴明辉把他的产品架构叫 MOA（Mixture of Agents），类比 MoE（Mixture of Experts）。Manus 是 Single Agent，DeepMiner 起手就做了 Multiple Agent。

"我作为公司老大，没有这个智商可以把所有事全都 plan 好。对所有 context 的细节了解是不够的——一定要分工。就像公司组织架构跟 AI 的 Context Engineering 道理一样：上下文窗口再长，也不可能把一个任务的所有 context 全处理完。"

他的策略是：每个细分领域做到世界第一的 specialized model，然后组合起来。

"基础模型公司的叙事是所有东西我都牛——但不可能每个事都牛。数学可能 DeepSeek 牛，coding 可能 Anthropic 牛。这些公司最聪明的几个人是有限的，注意力往哪倾斜哪就好。"

"从 Scaling Law 的天花板到人体的规模效应——大脑大到一定程度就不会再大了，最后变成 teamwork。现代人通过团队打败了上一代物种——学学进化论。"

模型都很小（7B / 8B，最大到 32B / 70B），可以在一台电脑上部署——这和 Manus 在云上跑有很大区别。企业环境下很多客户不敢把 confidential 数据放到别人的云上，私有化部署是刚需。

十三、快问快答

全球范围内一道你喜欢的食物？

兰州拉面。

全球范围内一个你喜欢的地点？

希腊萨莫斯岛——毕达哥拉斯的老家。

推荐两本书？

• 达尔文的《物种起源》——"所有做 AI 的同学应该好好看一下。"
• 《几何原本》——"感受一下第一性原理和公理体系的建设。我们做的 AI 将来一定要有这个能力，否则很容易忽悠人骗人。"

你听过我播客没有？印象比较深的哪期？

"杨植麟那期。他原来跟我在一个赛道做 application PK 的，后来纵身一跃去做 foundation model 了，还做了 To C——蛮成功的转型。我还是坚持做 AI 但坚持 To B。"

你是一个幸福的 founder 吗？

"显然我非常幸福。我人生至少到目前为止还都是挺完美的。我每天都挺开心的。哪怕 2022 年我也没有特别难受——我始终有一个信念，就是我肯定能搞定。就像做数学题一样，时间可能花得长一点而已。延迟满足能力很强。而且到目前为止运气好——都能搞定。"

本文基于「张小珺Jun｜商业访谈录」第 116 期播客完整音频转录整理。播客时长约 3 小时 48 分钟，本文做了大量精简，完整版请收听播客。
播客收听：小宇宙FM
速读版：15 个核心判断 →