116. 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、IPO

摘要

• 明略科技这次IPO的底色不是线性增长，而是十九年反复合并、拆分和险些断粮后的现金流修复。 看似27轮融资实际叠加了秒针、明略数据及被并购公司的历史，累计融资“十几亿美金”、最近估值15亿美元，公司现已盈利；最危险时账上约1亿元、每月也花1亿元，只剩“一个月的 runway”。吴明辉称，过去三年让他“从一个纯理想主义的 founder 变成了一个会经营的 founder”。
• 明略把下一阶段押在企业级 Agentic Model，而不是通用 foundation model。 Deep Miner采用 foundation agent、MOA 与 specialized model：吴明辉称其7B模型在相关 Specialized 榜单以约44分超过第二、第三名Kimi的约34分，并在OSWorld总榜列第四，且是 pass@1；目前整套模型与应用由约40人开发。上市后，公司将获得更多AI研发投入空间；吴明辉也反复提到过去受限于算力和显卡资源。
• 其核心护城河判断已经从代码量切换为不可公开获得、持续积累的垂直数据。 吴明辉用 (y=f(x)) 概括：通用模型把 (f) 卷得越来越相似后，企业竞争将转向 (x)，即私有 context、历史序列和真实业务环境；网页快照人人能抓，但多年逐日保存的KOL粉丝变化、广告行为、门店人货场数据无法事后补齐。“谁的 context 厉害，谁的 data 好”，谁才有持续溢价。
• 通用模型若主要靠卖 token，吴明辉判断最终会“卷成电费”，真正值钱的是模型、数据与场景形成的闭环。 公开数据可被多家公司训练，也能通过问答和蒸馏迅速追平，因此明略只训练7B、8B等 specialized model，并主要供自家 agent 使用；进入行业后再用真实任务、专家标注和反馈环境，把当前L3能力从约“三十分”优化到细分场景的“九十分”。
• AI对企业软件最深的重构不是再加一个聊天框，而是重写软件之间的连接和入口。 大量旧IT系统没有API，税务等外部系统也不会开放MCP，BUA与CUA因此让agent可以直接操作网页和电脑；录音自动填CRM、照片自动报销只是起点，招聘agent甚至可跨智联招聘、BOSS直聘、51job执行任务。“它产生了一种新的链接关系，甚至是一种新的生产关系”，也让企业软件并购后的产品协同比过去容易得多。
• 吴明辉对scaling law的态度近乎反共识：通用模型不可能经济地包办所有专业任务。 他的证据是通用多模态模型连OCR都可能输给极小专用模型，因为“看图说话”和逐字识别需要不同的处理方式；像高楼电梯缆绳最终主要在拉自身，模型变成庞然大物后也会承担过高“基础代谢”。解法不是无限扩模，而是让不同专家模型和agent分工，再由MOA组合“每一块最强的板”。
• 明略最昂贵的教训是2020年的EIP：方向接近ChatGPT与Microsoft Copilot，时点却早了一代模型。 吴明辉一度组织1,000人同时做application、data integration和基于BERT的task-specific model，还套用不合适的IPD流程；问题在于“L1是三十分的时候，结果我在做L3的事儿”。资本骤冷、上海封城和回款中断最终迫使大裁员，他的复盘是战场太宽、管理认知不足，“哪怕再融五亿美金，可能也是死，早死点也挺好”。
• 未来企业在他的设想中将成为人机协同的多智能体组织，人保留责任、标准与审美，agent承担大部分执行。 企业主拥有memory与benchmark，外部专家把有身份、信用记录和IP的agent作为“合伙人”接入，并按经营结果分成；完全 autonomous 的agent反而拿不到人脑中的暗默知识，所以Deep Miner同时提供自主与 human-in-the-loop 协作模式。“不是考学生自己，而是考他训练的agent”，代表他对教育、组织和生产率重构的同一套判断。

精读

1. 十九年的公司史最终落到盈利与IPO这一道生存题

• 节目所处的节点是明略科技上市前夕：公司于2025年8月29日取得境外发行上市备案通知书。吴明辉把上市称为“一个新的里程碑”，首先解决过去两三年极度紧张的资金链。
• 快问快答给出的当期画像很具体：公司已有十九年历史，最近一次估值约15亿美元，已经盈利；吴明辉43岁，MBTI是INTJ，同时担任创始人、CEO与CTO。
• 他没有把上市讲成终点，而是下一轮研发投入的起点：上市后资金链会更加充足，可以在AI领域做更多研发投资；过去公司尤其缺显卡和算力。

2. 所谓27轮融资，其实是三家公司历史的叠加

• 吴明辉解释，秒针自身融过多轮；2013至2014年前后另立的明略数据又有独立融资史；秒针还并购过竞争对手，招股书因此把多套历史一并呈现。
• 合并完成后公司仍继续融资，所以“27轮”不是单一主体按顺序完成的27轮。按他的估算，累计融资金额达到“十几亿美金”。
• 这段复杂资本史对应同样复杂的组织史：秒针、明略数据、AdMaster曾分别成长，之后又在2019年合并为集团。

3. 李广密从Palantir研究里主动找到了明略数据

• 吴明辉是在做明略数据时认识李广密，而不是秒针阶段；当时公司原本认为To B业务可以靠收入养活自己，只低调找过一轮天使，并未积极融资。
• 李广密在红杉研究美国大数据市场，看到Palantir已获较高估值，便寻找“中国哪家公司更像Palantir”，主动source到明略。
• 双方聊得投机后，红杉最终投进来。这个案例也说明，明略第二次创业最初是技术与市场研究驱动，不是资本催生。

4. 收购肖洪不是为了一个CRM，而是为了对话数据

• 肖洪由吴明辉的北大同学、Answer AI创始人周丽介绍；第一次到吴明辉家深聊后，他立即判断“肯定应该要投她”。
• 肖洪创办的夜莺拥有微伴，是企业微信上installed base很大的社交CRM，沉淀客户与销售、客服之间的conversational data。
• 市场上同时有人想投资或收购夜莺，吴明辉给出的差异化叙事是：“我就不投你算了，我直接收购你算了。”他看中的不是application本身，而是用数据训练AI的更高天花板。
• 并购大约发生在2020年末。即使经历后来巨额投入、裁员和肖洪离开，吴明辉仍明确回答：如果重来，“会的呀”，因为数据和团队都属于顶级资产。

5. 疫情把在线办公变成了企业AI的数据入口

• 吴明辉观察，疫情前Zoom等在线办公工具长期存在却使用不足；国内腾讯会议原先为2020年设想的日活目标据他回忆约5万，疫情后很快冲到千万量级。
• 文档、会议和企业微信等系统由此产生海量对话数据，恰好撞上他2019年回北大攻读工程博士的研究方向conversational intelligence。
• 他的推论很直接：如果一家公司把文档、会议、聊天全部保存并用于AI，那个AI“肯定是比这个公司里面的大部分人厉害的”。
• 微伴的数据因此与博士课题形成闭环，也让他看到办公场景相对标准化、可持续反馈的企业AI机会。

6. 2015年与2020年，吴明辉完成了两次身份跃迁

• 2015年前后是明略数据刚成立、他真正从CTO转为CEO的节点；此前在秒针，他长期把自己定位为技术负责人而非经营者。
• 到2020年，秒针、明略数据与AdMaster已合成明略集团，他开始同时思考模型、数据平台和办公application，组织野心远大于五年前。
• 肖洪加入后，他甚至希望她成为自己的CEO successor。吴明辉称她情商很高，不会直接拒绝他；她后来明确说：“辉哥，我不可能做一个To B的公司老板的，我肯定就要做To C的。”

7. 吴明辉的第一家公司本身就是一次合并创业

• 2006年，仍在北大读硕士二年级的吴明辉带师兄弟做软件外包；新浪教育频道主编把他介绍给正在寻找技术合伙人的李丰，两家公司很快合并。
• 李丰原想做在线教育，吴明辉拥有pure tech团队。合并后李丰负责融资，吴明辉第一次知道还可以“不赚客户的钱，去VC那儿融钱，做未来的东西”。
• 首轮融资时公司估值约300万元人民币，融100万元就出让约三分之一；初始合并结构中，李丰约持40%，吴明辉约30%。
• 祝伟等天使投资人进入后，部分股东一直持有到上市前；由于李丰原公司的新东方关系，罗永浩、李笑来也曾是早期股东。

8. Web 2.0基础设施让推荐系统成为最初的技术理想

• 吴明辉团队曾为新浪、搜狐提供Web 2.0基础设施：Web 1内容对所有人相同，能靠多层缓存承压；有了用户ID后，每个人看到不同内容，系统复杂度骤增。
• 团队从BBS等场景积累了按用户提供专属内容的能力，融资时便把技术概括成“给不同的人推荐不同教材”的因材施教系统。
• 在线教育叙事未获投资人认可后，recommendation system成为第一版正式商业计划；广告分析最初只是取得数据的第一步，之后才是广告与通用信息推荐。
• 他后来承认，公司做广告数据分析赚到钱后“忘记初心了”，没有在移动互联网到来时重启最初的推荐系统路线。

9. 他的硕士论文已经把语言模型用于推荐

• 吴明辉研一、研二研究CV、指纹和掌纹识别，研三为了公司转做recommendation system，论文题目是“recommendation system based on language model”，但当时没有“large”。
• 北大计算机系与中文系的相关研究用中文概念词典CCD连接word与word sense：一词多义是一词连多个词义，同义词则是多个词连同一含义。
• 传统推荐主要依赖“看过这个商品的人还看过什么”；他的论文进一步计算网页内容相似度，让看A网页与看相似B网页的用户也能进入同一推荐关系。
• 最早的真实user是罗永浩的牛博网。这个产品先于今日头条多年，却受制于当时并不存在的稳定身份与移动基础设施。

10. 推荐系统做得太早，真正缺的不是算法而是稳定ID

• 2007年讲推荐时，iPhone尚未发布；PC互联网默认没有稳定唯一ID，新网站又很难说服用户注册，因此无法持续积累个人historical behavior。
• Cookie虽可临时标记用户，却常被360等软件清除，历史链条随之断裂。吴明辉总结：“infra是不ready的。”
• 移动设备天然提供稳定身份后，推荐系统才真正成立；但到2011、2012年，秒针广告业务已经发展很好，他没有及时回到原路线。
• 他判断，若当时重启推荐，秒针的数据优势可能比今日头条更强；再晚两三年，对手已经dominate，窗口就彻底关闭了。

11. 李丰的退出说明互补比“两个学霸”更重要

• 李丰在2007年离开，核心原因不是冲突，而是公司偏离教育后，他认为自己作为CEO的contribution不够大，不如进入资本市场。
• 他仍保留部分股权，又让出一部分给后来合伙人，使吴明辉成为第一大股东，但公司股权也进一步分散。
• 吴明辉对“学霸搭档”的判断是：同一领域容易文人相轻，不同领域则会惺惺相惜；硬件、软件、供应链各有天才，彼此对不懂的领域反而愿意信任。
• 他和李丰足够互补，只是后来“李丰最懂的方向，对公司不一定有价值了”，所以合作自然结束。

12. 北大数学系让一个长期第一名的人学会差异化竞争

• 吴明辉从小学五年级参加数学竞赛，老师用一周教完一学期课程，让他第一次意识到学校节奏可以被大幅压缩。
• 他初中学完高中数理化，高中几乎不上常规课，拿着实验室钥匙自习，更多时候骑车去市图书馆读数学书。
• 数学竞赛后，他本想去清华计算机；北大招生老师承诺，山东队前三名若都选北大，就给另外两名队友offer，他因此选择北大数学系。
• 进入号称“北大四大疯人院之首”的数学系后，他从惯常的优秀学生变成约二三十名，于是转向创业、赚钱与写代码：“数学考不过你们了，那我就开始创业赚钱。”

13. 奥林匹克训练把失败变成了日常状态

• 吴明辉既承认进入北大是挫折，也强调自己调整很快；竞赛训练的本质是长期面对极难问题，“天天失败”，不会因一次不会做就持续suffer。
• 他喜欢英国数学奥林匹克试卷首页的提醒：题目很难，“只要有一道题能完整做出来就已经很好了”。
• 他与男队总教练王昊交流后，把运动员与竞赛生类比：每天反复经历输赢，心理不会被单局结果击穿。
• 这种训练塑造了他“超级乐观”的性格，坏消息可能让他不舒服一两秒，但很快翻篇；他也承认，这种乐观若押错深坑，可能成为bug。

14. 第一桶金来自讲奥数，软件创业则起于一次改bug

• 吴明辉从中学就替不会讲课的竞赛老师把复杂题“抽丝剥茧”讲给同学；进北大后，他被奥数培训机构找去做教练。
• 一位家长替他在清华租教室并招来整班学生。2001年前后，他每周讲两次课、每月可赚两三万元，而当时四环附近房价约每平方米5,000元。
• 真正做软件却是偶然：一位信息学竞赛队友接外包后遇到大量bug，吴明辉查书研究，一天改完；对方便提议“要不咱们来合伙吧”。
• 他没有商业家族背景，也未预先规划创业；路径一直是先解决身边难题，再把能力外溢成生意。

15. 秒针的商业模式来自广告主对“真实流量”的刚需

• 最初方案是把流量分析和推荐系统卖给publisher，但媒体普遍靠夸大流量出售广告，不愿第三方看到真实数字。
• 一位关系好的媒体朋友采用系统后，吴明辉才意识到抵触的真正原因；他随即反向寻找每天花钱买广告的广告主，因为他们“相当于一直在被骗”。
• 帮广告主验证真实流量既是刚需，也能获得构建recommendation system所需的数据，这才形成秒针的长期方向。
• 供给侧的小publisher后来大量消失，大publisher则有能力自建且更排斥外部监测；吴明辉认为，原publisher路线本质上没有可持续市场。

16. 早期秒针真正的壁垒是海量日志上的稳定计算

• 秒针第一次上线就在MSN监测广告，第一天收到几千万条数据；机房没想到一家只租两个机位的小公司会打满带宽，系统看似崩溃其实是出口被限。
• 带宽打开后负载瞬间涌入，两台服务器仍扛住。吴明辉称，当时无论国内startup还是大型互联网公司，具备这种big data能力的团队都很少。
• 服务器配置也不同于视频平台：不是主要堆硬盘，而是满配CPU与memory，在内存里进行大量交叉计算；后来其技术栈与Spark、Databricks路线相近。
• 广告anti-fraud不是简单counting：每条IP日志都要回溯历史行为，并寻找相似pattern，才能判断是不是机器人刷量，计算复杂度由此急升。

17. 2008年危机险些卡死融资，2010年才迎来商业拐点

• 吴明辉回忆，第一轮VC进入中国大约在2005年前后，他当时见了三四十家可接触的基金；2007年再次出去融资时，他几乎还是一个“nobody”，很多中国团队没有决策权，还要赴硅谷向总部partners汇报。
• 他既是刚毕业的技术学生，又在讲数据处理、分析和未来推荐，资本很难相信一个没有工作履历的人能把它做成。
• 2008至2009年金融危机让融资更难，公司靠偶尔接几十万元外包、借约100万元维持；好处是北大毕业生月薪仍只有几千元，烧钱规模不大。
• 2010年后互联网广告加速，广电政策又推动预算从电视转向互联网；秒针已准备好数据和技术，产品在2010、2011年进入真正大卖阶段。

18. 移动互联网的错过，是“价值网络”给出的错误反馈

• 吴明辉承认，移动互联网到来时“相当地后悔”；广告客户认为手机屏幕太小、不适合投广告，他也被既有客户的判断带偏。
• 他借《创新者的窘境》解释：每个人都被自己的价值网络持续给予短期reward，而这个网络提供的反馈可能整体错误。
• 作为科技男，他直到iPhone 4才买第一部iPhone，手机上从不装抖音，累计刷抖音不到一分钟；能用电脑回复的消息，他一定不用手机。
• 他偏好最大尺寸笔记本与多个大屏，认为手机“同时看到的信息太少”。这种个人偏好叠加广告行业反馈，让他对移动机会异常后知后觉。

19. 广告推荐业务因“裁判下场比赛”而被拆走

• 看到PC流量增速在2012年前后弯曲后，吴明辉重启商业计划的第二阶段：成立新BU，为手游、电商客户做广告推荐和效果转化。
• 他既是秒针CTO，也是该BU总经理，相当于第一次完整经营一门生意；两年左右，业务确实跑了起来。
• 市场随后质疑秒针既做中立监测，又包流量下场投放，是“裁判员也是运动员”。一旦向媒体包流量，就失去第三方身份。
• 公司最终一分为二，原合伙人挑走吴明辉孵化的新投放业务，他留守监测业务并成为秒针CEO，这构成2014至2015年的关键转型。

20. 一次精益创业课程，把一家公司拆成了三家公司

• 2014年在中欧学习创业课程后，吴明辉把第二曲线、精益创业等概念带回公司，让团队共同判断现有产研是否冗余。
• 团队认为最多一半人便能维持当前业务，他据此优化部分人员，同时抽出资源成立明略数据和云玑机器人。
• 一家公司由此变成三家：秒针继续广告，明略做大数据，云玑做机器人；吴明辉是云玑co-founder，后来只保留非执行董事角色。
• 他的反思是，当时不是人才不足，而是把太多优秀人力堆在一个成熟产品上；拆分后反而生成了三个有独立前景的组织。

21. 明略数据是第二次创业，而非秒针内部延伸

• 明略数据最初与秒针没有直接股权关系。吴明辉相信自己的大数据技术，但不相信自己已经会做面向IT市场的enterprise sales。
• 他因此找来一位前Oracle高管担任初始CEO，自己继续兼任秒针CTO；不久后，这位负责人被挖去阿里云做副总裁。
• 秒针当时已经稳定，却因投放业务被拆走而显得天花板清晰；明略则代表吴明辉回到数学、数据分析与AI本行。
• 这也是李广密在2015年前后遇到他的状态：不是第一次创业者，而是从成熟业务中重新开辟大数据赛道的技术型CEO。

22. 复制Palantir带来了市场，也暴露了To G反馈太慢的问题

• 明略最早研究美国公司landscape，Palantir是最明显的参照，因此先切入To G，再延伸至制造、金融等行业。
• 技术路径由big data进入知识图谱和ontology；早期ontology依赖人工标注符号、规则与关系，今天则可让AI生成部分规则。
• 吴明辉承认To G市场空间大、钱多，但反馈“非常非常慢”；没有及时反馈，就难以持续迭代和强化AI。
• 疫情期间，明略关停或分拆全部To G业务，由原团队独立经营。这个选择不是否定市场规模，而是判断它与AI所需的反馈机制不匹配。

23. 2019年的合并，是为了给企业造一个统一“大脑”

• 明略从To G进入To B后，开始接触金融、制造、线下零售等复杂数据；秒针则拥有宝洁、可口可乐、宝马、奔驰等企业客户及广告数据。
• 吴明辉同时担任两边CEO，遇到新业务时不断困惑“到底放哪边做”；同一机会放入任一公司，都足以抬高其独立估值。
• 他最后选择最简单的解法：2019年把秒针、明略数据和AdMaster合并，目标是汇总企业全部数据，再在其上训练AI。
• 合并也解决管理带宽问题：此前两边各约20人直接向他汇报，统一后可以重做组织架构，不再由一个人同时维持两套体系。

24. 重返北大读博，是为了追上AI范式变化

• 首席科学家吴信东认为，吴明辉只有硕士学历，做AI公司仍需进入学校接触最新技术；他本人又看到深度学习已解决自己早年的CV问题。
• 硕士时代的主流还是特征工程、小波与傅里叶变换，再将特征送入支持向量机；AlexNet刷榜ImageNet后，神经网络路线彻底改变。
• 吴明辉买来深度学习教材，习惯性地“先看公式”，逐个推导新方法与大学数学的差异，随后在2019年回北大读工程博士。
• 他的判断是：CV已被深度学习突破，下一颗“人工智能皇冠上的明珠”自然是NLP，因此博士研究直接选择自然语言处理。

25. GPT推翻BERT后，他只能重新开题

• 博士开题时，NLP的SOTA仍以BERT为中心；历史综述中虽有GPT，但它还不是研究主线。
• GPT突然成为主流后，原有大量task-specific工作不再值得继续，吴明辉形容当时自然语言处理博士“哭晕在厕所里”。
• 他的应对是重新开题，而不是守住沉没成本：“那我再多在北大待几年吧。”新方向转向广告视频理解和多模态。
• 第二次开题恰逢Meta发布多模态工作，评审老师提醒他不要再被大厂“开着坦克撵过来”，必须寻找通用模型不卷的课题。

26. “主观视频理解”把错误的标准答案改成了人群分布

• 吴明辉选择研究不同人群观看同一视频后的主观情绪，并在ACM Multimedia相关工作中质疑既有subjective benchmark的根基。
• 他的哲学划分是：所有人答案唯一才叫客观；情绪、感受没有唯一ground truth。语文题“这篇文章表达什么感情”令他从小反感，因为个人感受不应由老师判定。
• 战争结束的同一段视频，胜方可能高兴、败方可能悲伤，不能只标一个正负标签；正确做法是建立audience profile group，分别建模性别、年龄和地区。
• 这项模型可回答“亚洲30至40岁男性看到这支广告会怎样”，对中国品牌出海尤其有用，因为中国CMO的审美不能自动代表中东等市场。

27. 模型的reward不同，最终会长成不同的产品人格

• 吴明辉认为，GPT模型会讨好用户；Anthropic的Claude若以宪章约束，则首先强调follow instruction；差异不是能力高低，而是强化目标不同。
• 他用谷歌与百度类比：一个reward可能希望用户点一次就走，另一个希望用户在网页停留更久；团队都优秀，value不同，结果便完全不同。
• 因而模型不会只有一条统一进化路线。企业agent、代码agent、消费聊天产品所处环境不同，也会形成不同的行为和可靠性取舍。
• 这为垂直公司留下空间：不是复制通用模型全部能力，而是用业务环境和专属反馈把某种价值函数持续强化。

28. EIP曾试图一次做完模型、数据平台和全部办公应用

• 2020年线上办公爆发后，吴明辉把产品线命名为EIP，想同时建立application、企业数据integration和AI模型三层。
• 最初他让HR先组织100人，一个月后便把目标上调至1,000人；公司停掉两条可能有问题的产品线，很快拼成约1,000人的团队。
• application包含CRM等多种办公产品；中层负责把企业环境数据清洗治理到统一平台；底层则用BERT训练客服等task-specific model。
• 这套概念被称为“小明助理”。吴明辉回看2020年宣传片，认为它已经非常像后来出现的ChatGPT和Microsoft Copilot。

29. 肖洪被庞大组织与错误流程拖离了最擅长的产品细节

• 肖洪最初只管application中的一部分，吴明辉因欣赏其产品天赋，逐渐让她管理全部application，甚至整个大团队的产品。
• 她过去没有管理过如此多人，又是追求产品细节的产品经理；组织变成层层汇报后，已经无法亲自磨产品。
• 吴明辉还引入华为IPD流程，事后认为这是错误的管理逻辑，认为这套方法也许适合硬件，却不适合当时的创新型业务。
• 他没有把结果归因于肖洪不匹配，而是承认“最核心的是我当时这个事儿不对”：方向过早、范围过宽，管理方法也错了。

30. 最大的技术误判，是在L1未成熟时硬做L3

• 吴明辉借Sam Altman所说的层级解释：EIP需要L3级Agentic Model准备好，但当时连L1聊天能力都不ready。
• 他曾预计这些问题两三年内会解决，时间判断并不离谱；遗憾在于突破最终由美国模型公司完成，没发生在明略内部。
• 唐杰等学者曾到公司授课或担任顾问，说明团队并非没有接触前沿，而是通用技术底座尚不足以承载产品设想。
• 他把当年状态概括为：“L1是三十分的时候，结果我在做L3的事儿，所以就挂了。”今天L3可能只有三十分，再做场景优化才叫“早半步”。

31. 2022年的资本与经营冲击同时到来

• 2020、2021年他仍相信能做出截然不同的产品；复盘后却认为，即便再融5亿美元，也可能因模型、application和data infra三线作战而失败。
• 2022年初资本环境转冷，投资人逐渐不再投资项目，或者只停留在聊天；上海封城又令主要客户所在地无法开票和回款。
• 大部分收入来自上海，国际客户又较多，上海封城使约一半收入受到影响，而千人产品与公司其他团队仍在持续烧钱。
• 从当年五六月开始，大裁员变得不可避免。吴明辉的残酷结论是：“哪怕再融了钱可能也是死，早死点也挺好。”

32. 最危险时只剩一个月runway

• 公司曾有数月现金在约1亿元上下浮动，而每月支出也约1亿元，“也就是一个月的runway”。
• 投资人不断指责他浪费此前融入的巨额资金，他内心仍“不服气”，但必须先把现金流扛住：“哪怕down round，跪着得把这个钱融了。”
• 今天公司已能自我造血并实现盈利，他才认为账上不必放很多钱也可以安全；反之，即使账上20亿元、每月烧1亿元，也仍然危险。
• 过去三年最核心的个人变化，是开始把数学能力用于经营核算，不再假设资本会无限供应。

33. 高估值的另一面，是创始人对资本责任的低估

• 吴明辉回看上一轮周期，许多科技公司把融来的钱视作取之不尽的资源，投入非常浪费；没有经历危机前，“对资本敬畏程度都是不够的”。
• 估值越高，同样融资额稀释越少；但若收入只有两三亿元、软件公司又无法上市，高估值和大融资最终可能转化为回购、投资人和创始人之间的冲突，甚至创始人可能成为老赖。
• 融资除补现金外也承担定价功能：有了market price，老股转让、员工股权激励和后续交易才有依据。
• 他的结论不是拒绝资本，而是认为中国并购市场尚不充分时，融资路线最终仍需要走向上市或其他退出安排。

34. AI可能把企业软件推入一轮并购潮

• 吴明辉认为未来企业级服务可能成为并购的base，可以继续并购更多像肖洪这样的公司；他承认中国历史上的企业软件并购市场并不活跃。
• 过去整合两个产品，必须重做底层接口、账户和数据；今天只要两套产品都在手中，就可把它们变成sub-agent，再由multi-agent协调。
• 因为产品之间产生synergy的成本下降，他判断中国与海外企业服务都可能出现更多整合。
• 这也与明略自身十九年历史呼应：过去的合并靠组织与系统硬整合，下一轮可能主要靠agent重组交付链条。

35. AI会让每个员工都像拥有助理的老板

• 传统企业软件对老板友好，因为老板只看dashboard；对销售、财务等执行者却很痛苦，销售可能把“40%的时间”花在填CRM和各种表单。
• 老板自己不觉得报销困难，是因为秘书把发票、表单及多个系统串起来；吴明辉认为AI会把同样的助理能力普及给每个员工。
• 销售可把合规脱敏后的会议录音交给AI自动填CRM，报销则只需拍发票；一个系统的output可由助理自动成为下一系统的input。
• 因而AI改变的不只是软件易用性，而是“整个软件行业、企业级服务，甚至产业互联网”的连接方式与生产关系。

36. 肖洪离开前已经补上了经营者最痛的一课

• 裁员后，肖洪负责的微伴从高峰约三四百人缩到约一百人；她必须亲自裁掉自己招来、也非常优秀的同事。
• 吴明辉认为，这段经历让肖洪很早理解现金流、P&L和组织收缩，把夜莺损益拉平，使她离开时已是“qualified CEO”。
• 她不再只是战略和产品owner，也成为经营owner；吴明辉说，自己在她这个年龄没有如此幸运地经历过“大振幅”。
• 肖洪最初想尝试的独立项目与基因编辑工具有关，名字“蝴蝶效应”也源自其对复杂系统和生命科学的兴趣。

37. 错过投资Manus，原因不是看不懂而是没有现金

• 肖洪曾给过吴明辉较低价格的投资机会，他一度准备签term；但明略现金流紧张，他计划退出的另一项股权又未能成交，最终只能说“等回头我有钱了再说”。
• Manus发布后的第二天、其5亿美元融资尚未发生时，吴明辉便告诉IR团队：若有钱，个人敢按10亿美元估值投资。
• 判断来自亲自使用：肖洪给了他接近创始人权限的账号，可无限下任务并高并发；他评价产品“顶级的顶级的好”。
• 明略与Manus在发布前几个月没有交流，却各自想到若干相似方向；吴明辉承认Manus在To C做得更好，自己也从中学到不少新思想。

38. 腾讯、个人借款和一亿美元融资只买来了有限缓冲

• 现金危机中，腾讯“救了我们一把”；吴明辉自己也投入1,000多万美元，但手里主要是云玑等未上市股权，不愿在他认定的低点出售。
• 他宁愿凭历史reputation向多位大佬借钱，再投回明略；在他看来，机器人时代尚未来，过早卖掉机器人公司股份会错失十倍、百倍潜力。
• 即使资方、吴明辉和腾讯合计投进约1亿美元，裁员补偿就超过2亿元人民币，另有资金用于偿还银行贷款。
• 有些银行曾表示还款后即可续贷，实际收回贷款便不再放款；扣除这些支出，真正留在公司的钱并不多，账上现金始终不充裕。

39. 资源约束把千人项目压缩成四十人产品

• 当年的EIP用约1,000人做一个产品；今天同等战略重要性的Deep Miner，第一阶段约20人，扩充后也只有40人。
• 其中模型团队约二十多人，application团队十几人。股东看到有限资源下仍能推出多智能体和高分模型，才评价吴明辉已成为成熟CEO。
• 公司的历史算力也极有限：疫情前采购约1,000张卡，其中还有消费级显卡；吴明辉称其可能是国内有能力做模型的公司中资源最少的一家。
• 这次的组织原则是小团队端到端作战，不再把“人多、代码多”本身当成护城河。

40. 代码量曾是护城河，AI时代却不再成立

• 吴明辉过去相信，中国软件不赚钱是因为投入不足：五个人几个月做出的产品，客户一看就觉得自己也能做。
• 硬件需要原型、开模和供应链，成品出现时客户已不愿重复投资；软件则更容易让客户觉得自己可以做。
• EIP千人计划的assumption正是“一千人连续做三年”，形成足够复杂的代码，再以每客户100万元出售，为客户创造1,000万元价值。
• 今天代码可由AI快速生成，工程师一天能写数万行，代码量已失去意义；新的壁垒只能是垂直数据、真实环境和持续反馈。

41. 真正不可复制的是数据的时间轴

• 广告行业中，明略持续监测跨平台广告打开与点击行为，也通过data partner和自有爬虫保存短视频、帖子、转评赞等social media数据。
• 通用模型公司获得的往往是某一时点快照；明略关注的是KOL粉丝每日变化等连续序列，差异不在一次“抓到”，而在多年“一直存”。
• 吴明辉用天眼查类比：工商数据的当前股权结构只是快照，逐日保存后才能重建历史沿革、关系变化与纠纷。
• 客户曾在2012年要求分析2008年奥运广告，当时再去抓取已不可能；历史数据一旦没有保存，就永远无法补建。

42. 客户的一方数据既有价值，也有明确所有权边界

• 明略还托管品牌会员、客服互动、门店POS、库存、定价、SKU及销售员与客户对话等first-party data。
• 吴明辉反复强调，这些数据“不属于我们”，明略只是帮助客户治理和使用；它们却是判断真实生意结果最关键的context。
• 门店的“人货场”不是一张表，而是销售员、商品、空间、库存和IoT共同构成的环境，正适合训练垂直agent。
• 这种数据优势也决定产品需要私有化版本：SaaS环境下，很多客户不会连接highly confidential的内部数据库。

43. 当模型趋同时，企业真正竞争的是 (y=f(x)) 里的 (x)

• 吴明辉把决策写成 (y=f(x))：(f) 是模型和能力，(x) 是做判断所需的依据、数据与上下文。
• DeepSeek O1等出现后，他听到硅谷和北大数学系校友都在讨论“量化类工作不再需要人干”；若 (f) 足够聪明，差异便转向 (x)。
• 十家公司使用相同模型、相同长上下文窗口，不会因此拥有相同竞争力；它们真正拉开差距的是模型容纳不了、公开网络也没有的企业context。
• 所以明略的策略不是跟随基础模型公司卷通识，而是在已有行业和新进入行业里先积数据、建环境，再训练自己的专业能力。

44. 只卖通用模型与token，最终可能“卷成电费”

• 公开互联网数据不可能只被一家公司拥有；只要有两家模型能力接近，价格战就会把通用能力压向基础设施成本。
• 新模型即使短期领先，竞争者也能设计prompt获取答案，把问答转成训练数据，再通过蒸馏迅速追平。
• 吴明辉因此判断，“基于公开数据训成基础模型，且以卖模型、卖token为主要商业模式”的公司会高度内卷。
• 明略只训练specialized小模型，并主要供自家agent调用；收费依据应是场景价值，而不是消耗token越多就越贵。

45. 小模型在BUA与CUA榜单上给出了第一轮验证

• 明略进入Browser Use相关的Mind2Web榜单后，吴明辉称其小模型已列第一，大模型也未必超过；这验证了企业旧系统操作所需的专门训练。
• 在Computer Use的OSWorld上，其7B Specialized模型约得44分，第二、第三名Kimi模型约34分；总榜则排第四。
• 排在前面的主要是OpenAI、Anthropic、字节、通义千问等大团队，小公司首次出现令评测方追问“你们是从哪冒出来的”。
• 更令他骄傲的是pass@1：只提交一次就由主办方在线测出很高成绩，避免多次提交后利用测试轨迹反向训练的争议。

46. Deep Miner诞生于一场SLG游戏实验

• 项目源头之一是明略常遇到的数据断供：广告结果在字节、阿里、Amazon、Google等后台，有时有API，有时没有，只能让员工逐页查看。
• 另一条线来自吴明辉投资的一家SLG游戏公司。游戏用户约40%是特别有钱、每天充值建岛的“大哥”，约60%是陪玩用户；后者基本不花钱。
• 他最初想用AI NPC替代陪玩流量，但很快发现AI既要知道特朗普等外部新闻，才能不在聊天中露馅，又必须真正操作游戏协同作战。
• 游戏方一句“我们这种游戏就是数值类游戏”让他转念：企业每天同样在分析软件里的数字并做决策，“我为什么先去搞游戏？我先去做我自己的业务去。”

47. 商业本身就是“现实世界的数值游戏”

• 春节期间，吴明辉一边玩游戏、一边计算盖房、采矿、养兵和防御；成为一方诸侯可能要花100万至200万元，之后还要承受国家间竞争与持续通胀。
• 他由此把商场重新理解成“现实世界的数值游戏”：企业在多个软件里读取状态、配置资源、与对手博弈，逻辑上和SLG没有本质差别。
• 整个闭环是在滑雪缆车上想明白的。他当场给产业团队布置调研CUA、BUA和AI planning的任务，春节后第一天便立项。
• 项目先叫Deep Mining，后来儿子建议Deep Miner，域名可用便正式注册；“Mining”既来自公司英文名MiningLamp，也延续Data Mining传统。

48. Agent难在action space，而这正是垂直公司的窗口

• 围棋只有透明棋盘和361个落点，reward清晰；电脑上却有多个软件，每个软件又有大量按钮、状态和依赖，action space远大得多。
• 企业任务还需subgoal decomposition：若目标是做一家万亿美元公司，规划、工具调用和反馈都无法像棋局一样完整定义。
• 吴明辉因此判断，今天的Agentic Model“远远不满足客户需求”；但这不是否定agent，而是为有行业数据、环境和专家的公司留下优化空间。
• 明略不追求通用agent，而是在可控领域缩小任务分布、补全context、建立benchmark，把不稳定能力变成可交付结果。

49. OCR与电梯缆绳构成了他反对无限scaling的两组证据

• OCR曾是小模型就能完成的经典任务；但通用多模态模型主要训练“看图说话”，更偏向理解全局意义，反而可能逐字识别错误。
• 他把一张腾讯云大会agenda交给相关通用产品，让其研究嘉宾近半年观点，第一步OCR就错，后续研究自然全部失效。
• 若连OCR都要成为MOE中的独立专家，世界上的专家任务可能有几万个；专家越多，路由、训练和基础代谢也越复杂。
• 芬兰KONE电梯给他的类比是：高楼缆绳最终比轿厢更重，主要在拉自己，所以高楼必须分段换乘。“scaling law到一定程度会到瓶颈”，通用能力只能是相对概念。

50. 企业AI必须同时保留文字、GUI与人工干预

• 文字交互像向助理下任务，灵活且适合移动场景；但涉及图片局部、文件细节或精确操作时，仅靠语言很难完整表达意图。
• 吴明辉判断GUI与CUI会长期并存，企业办公还应扩大I/O带宽；金融交易员使用多个屏幕，正是为了同时吸收更多信息再决策。
• 即使在数据源正确时，明略自称仍约有1%幻觉；其他To C agent在有数据时可能有十几个百分点到二三十个百分点，无数据时则可能接近“纯瞎编”。
• 因而任务过程必须透明、可检查、可干预。Deep Miner会把数据以CSV等形式展开，让人能修改、check和溯源。

51. 跨境电商是企业级多智能体最直接的商业化场景

• 当前目标客户主要是广告、零售和跨境消费企业；它们要操作当地广告平台、零售渠道、物流、供应链和客服系统。
• 收入十亿至几十亿元的企业，可能雇100至200名“操盘手”，却仍只能覆盖TikTok、Google等主流平台。
• 吴明辉设想，agent同时具备多语言、当地文化理解和数值计算能力后，可进一步覆盖丹麦、德国甚至北海道等长尾市场。
• 短期产品仍从数据分析切入：大企业的CMK、产品、供应链、marketing和social团队，都可连接内外部数据库寻找消费者、供应商、关键词与KOL。

52. Tool Use能力会把软件入口从平台转向用户代理

• 旧IT系统年久失修、没有API，原开发者早已离开，也没人敢在数据库上封装MCP；税务总局等外部系统更不会开放企业需要的接口。
• BUA与CUA让agent模仿人操作浏览器和电脑，因此可以连接原本无法连接的生产资料与工具。
• 招聘场景最能说明入口变化：传统agent只能在智联招聘自己的database里搜职位或简历，强大的Tool Use agent却能继续操作BOSS直聘、51job等网站。
• 用户最终信任的是跨平台完成任务的agent，而不是单一网站。张小珺指出“入口就变了”，吴明辉同意这会形成新的生产关系。

53. 只提供连接的平台，可能被更上层agent绕过

• 滴滴一类平台过去主要提供供需链接，本身未必生产供给；如果苹果、小米等设备入口能直接调度服务，原平台存在被绕过的风险。
• 吴明辉给出的防守是：平台必须在供给侧拥有不可替代能力，例如滴滴若在无人驾驶上足够强，就不只是一个可替换hub。
• 同理，企业软件不能只守着历史入口，必须拥有某个场景真正最好的交付能力、数据或模型。
• 他强调，革命性的变量不是抽象的“AI”三个字，而是agent作为交互技术：planning决定如何交互，Tool Use决定能连接到哪里。

54. Workflow与真正agent的边界在于谁做planning

• 吴明辉引用Anthropic的《Building Effective Agents》框架：市场上许多所谓agent其实是workflow，步骤由人预先定义，AI只在固定节点执行。
• 真正的agent system由AI做planning，把任务分成子目标，再自行选择tools；Manus在这一意义上比普通工作流更接近agent。
• Workflow确定性高，适合routine任务；agent发散性强，适合探索。企业需要判断哪些工作可以固化，哪些必须保留试错。
• 写程序本身是探索过程，调试完成的代码则成为workflow和tool；未来员工应持续把boring工作固化，再用已有tools探索更高层问题。

55. 企业AI的roadmap不是裁人，而是让最强者可规模化复制

• 第一步仍是给现有工作加AI：明略约有300名数据分析师，若分析更快，公司效率和毛利率都会提高。
• 但真正转型不只是“更快”，而是让AI在各行业做到更高水平，并把最牛的人提高很多倍；围棋已经证明AI可能超越人，企业场景缺的是完整context与低成本reward。
• 广告策略要用真钱测试，真实环境远比棋盘昂贵；只在模拟器中用标准GRPO reward，也可能与业务反馈相差很远。
• 吴明辉认为最重要的问题是：如何把顶尖员工能力放大多倍并scalable。做到这一点，企业才算“彻底脱胎换骨”。

56. MOA把公司组织本身变成了多智能体架构

• Manus偏single agent，Deep Miner起步就是multiple agent；明略把相关模型结构称为MOA，即Mixture of Agents，对应MOE的Mixture of Experts。
• 吴明辉承认，自己作为1,800人公司的CEO不可能掌握全部context，无法写好唯一global planner；现实组织必须让各团队独立建benchmark并端到端优化。
• 优化后的agent再加入共同teamwork，组织形式既可有supervisor，也可自组织、民主协商或集中指挥，和人类组织高度相似。
• 公司约1,800人、约800名工程师，过去真正做AI者可能约100人；他的要求是普通工程师和数据分析师重新换岗，变成AI工程师或数据产品经理。

57. 未来企业可能只剩企业主与一组agent合伙人

• 吴明辉引用一种“危言耸听但未必错误”的设想：企业只剩企业主和合伙人，且合伙人并非全职员工，而是为多个组织提供某项function。
• 企业主own公司的memory、benchmark与最终responsibility；广告、定价、心理咨询等专家则把自己的agent接入组织。
• “合伙人”与普通SaaS订阅的区别，是按最终经营performance分钱：卖得好就多赚，卖不好则至少拿底费，而不是拿固定工资。
• 这种结构要求agent拥有IP。顶级定价专家脑中的非公开context若封装进个人agent，价值便远高于一个无名通用模型。

58. 乐观主义、可信AI与数据下注构成了吴明辉的新起点

• 吴明辉希望agent未来拥有身份证、历史results、credit与reputation；企业购买麦肯锡、BCG或秒针的服务，很多时候买的正是“盖章后让决策者有信心”的IP。
• 他把明略新口号定为“数据驱动的可信生产力”。目标不再是训练“比我聪明的AI”，而是最老实、最安全、最可信的AI，能发现引用矛盾、错误来源与数据问题。
• 他的研发pipeline包括Tool Use、数据问题识别、预测和人机协同；其中forecast被他视为Data Mining的终局，因为选品、经营、投资最终都指向预测。
• 他的个人信念没有因2022年改变：“我肯定能搞定，这道题时间可能花得长一点而已。”他推荐AI从业者读《物种起源》和《几何原本》，把中国芯片视为好的机会，把数据相关AI作为自己当前的bet，并看好中国智能硬件AI化。