2026-03-16 18:03
扫码打开虎嗅APP
本文来自微信公众号： InfoQ ，作者：木子
“你但凡真做AI，就一定会觉得数据重要；不觉得数据重要的人，大概率就没真正做过AI。”
北大数院校友、“全球Agentic AI第一股”背后的创始人吴明辉语气平和却笃定。北京早春的阳光泻过会议室的大落地窗，寒意被挡在窗外。
去年11月，吴明辉创办的企业级数据智能公司明略科技在港交所敲钟上市，目前市值已突破340亿。
这家公司之所以被外界称为“全球Agentic AI第一股”，是因为他们做的不只是模型，而是一整套能替企业完成工作的AI agent系统：AI不只是回答问题，还能自己分析数据、完成任务。
事实上，吴明辉很早就在为这件事做铺垫。
几年前，明略科技收购了一家叫夜莺科技的公司——那也是Manus创始人肖弘的第一家创业公司。当时夜莺科技在企业微信生态里已经是安装量很高的一款应用。
吴明辉的想法其实很简单：如果一个产品已经拥有不错的用户入口，再叠加AI agent，很多事情就会顺得多。
后来AI agent概念爆火，Manus迅速出圈，这笔当年的收购才被更多人重新注意到。
和近年一些迅速崛起的AI公司不同，吴明辉带领着明略，已经在“数据”这条路上走了近20年，在数据与AI的交界处长跑。
但实际上，吴明辉起初并不是做数据的。
他在2000年被保送进北大数学系，2004年起在北大攻读AI方向的硕士，那一年，国内连“大数据”这个词都没怎么听过，AI更是没什么影。
吴明辉在研一研二做的是CV，也就是商汤等几个“AI四小龙”后来做火了的机器视觉。在研三时，他转头做起了推荐系统，硕士毕业论文标题为《基于语言模型的推荐系统》，又意外踩中了大语言模型的早期脉搏。
当时他兴冲冲地拿着这套想法出去创业融资，却发现该方向虽然从学术角度讲挺好，但它在商业化中间缺了关键一环——没有数据。没有数据的话就做不了推荐。
总而言之，误打误撞地，吴明辉就开始做数据了。
因为他知道，不论是想做好CV，还是做好推荐系统，都得先有足够的、高质量的数据：
“我们其实在2006、2007年做AI的时候，就已经意识到了数据的重要性。”
本期《C位面对面》，极客邦科技创始人兼CEO霍太稳（Kevin），和明略科技创始人、CEO兼CTO吴明辉坐下来聊了聊。
他们谈的不是融资故事，也不是行业口号，而是一些更有意思的问题：AI会怎样改变公司组织、软件行业会有什么变化、工程师未来到底在做什么等等。对于最近大火的Agent，吴明辉也分享了自己独到且有深度的见解。
这里先来划下重点：
AI的本质是一种“翻译器”：把问题翻译成答案，也把不同知识体系之间的语言翻译给彼此。
Vibe coding真正进入生产环境的前提，是完善的测试体系和benchmark，而不是代码，因为没人能逐行审查AI写的代码。
“下一步是什么”非常关键，很多东西能在论文里看出来。
未来软件行业可能会越来越像Shein：开发成本下降，产品迭代更快，一个prompt都可能变成产品。
Agent发生巨变，从workflow到agent loop，再到skill。从“人设计流程”，到“AI自己规划任务”，再到把成功经验沉淀为可复用的技能库。
工程师未来真正的价值，在于探索新的“环境”，并把未知系统接入AI。
AI native组织里，每个人都是管理者：只是以前管理人，现在更多是在管理AI。
AI时代最重要的个人能力之一是“Taste”。你要定义目标，而不是告诉AI每一步怎么做。
在AI时代，公司要想做出真正的战略，一个关键前提是把需求侧（比如场景）和供给侧（比如技术）连接起来。
首先，一个有意思的事情是：即便公司现在已经上市，在繁忙的日程里，吴明辉依然把不少精力放在产品和技术一线。
作为明略科技的创始人和CEO，他至今还长期亲自兼任CTO。
为什么都这么忙了，还要亲自做CTO？
吴明辉的回答直截了当：
“我在公司创办之初就是CTO，到现在也还是。中间有一两年曾经交给别人做CTO。
公司到现在快20年了，其实大概有90%的时间都是我在做CTO。”
第一个原因就是这么“简单粗暴”：他喜欢这个位置。
不过对他而言，这种角色叠加也不只是个人偏好，更是和AI带来的变化有关：“人工智能把很多行业的链路进一步缩短了。”
互联网时代已经发生过一次类似的变化。以零售为例，电商让供给和需求之间的距离被迅速拉近。
而如果再往前一步看，人工智能正在把不同角色、不同专业之间的距离也一起拉近。
为什么AI会带来这样的变化？吴明辉给出了一个很有意思的理解：AI本质上是世界上最好的“翻译者”。
“直观来看，Transformer的第一篇论文其实讲的就是翻译任务。当时作者也没想到，未来会衍生出那么多下游能力。
但如果你看今天AI在做什么，本质上无非是把一个prompt、一个question翻译成一个answer。这个过程，本身就是一种翻译。
但还有另一种更有意思、更现实的“翻译”：帮助不同工种之间进行沟通。
打个比方，客户以前觉得跟工程师交流太费劲，工程师也觉得听不懂客户；还有医生讲一堆医学逻辑，病人可能一头雾水。而现在，很多人弄不清对方意思时，可以直接把对话丢给大模型，先让AI解读一遍。
这主要得益于，今天的大模型已经拥有非常广泛的通识知识。在某种程度上，它像一种“通用翻译器”，可以补足每个人知识结构里的短板。
过去承担这种角色的，往往是专业人士。
比如律师。明略科技上市时，需要公司的中国律师、券商的中国律师、公司的海外律师、券商的海外律师。
这些律师做的事情，其实也是“翻译”：把监管规则翻译给公司，再把公司的信息翻译成资本市场能理解的语言。
而AI的出现，让这种“翻译”的成本大幅下降。产业链路因此被进一步压缩，需求侧和最底层的技术供给，被拉得越来越近。
在吴明辉看来，“翻译”这事不只发生在AI身上，也贯穿着他对数学和技术的理解。
被保送进北大数学系的他，谦虚地笑称自己现在只算个“数学爱好者”，不过数学确实深刻影响了他的思维方式。
他提到自己有个使命，是“把数学之美传递给身边的人”。
在他看来，这个使命对他做科技的帮助也很大，因为许多科技产品的底层逻辑，其实都可以用数学来解释：
“当我把产品底层的数学原理自己想清楚，再相对清晰地讲给合作伙伴、客户、团队里非技术同学、甚至投资者听，我其实也在做翻译。
当这件事讲清楚了，公司会受益：原本不懂的人懂了，懂了之后资源就会来，大家就能团结起来把事情做成。
在我看来，数学是人类最精确的语言。”
从某种角度上，这些经历和见解，也解释了吴明辉为何要长期担任明略科技的CEO兼CTO：
“做CEO，我需要和投资者、重要客户、合作伙伴交流。
做CTO，我要深入到一线，甚至未来可能我既不是CEO也不是CTO，而是公司首席研究员，专注研究最底层、最fundamental的算法——也就是供给侧最核心的东西。
如果我能同时熟悉这两边，就能把公司的整体效率提升得非常高。”
他指出，在AI时代要做好公司的战略，本质上必须把供给侧（比如技术）和需求侧（比如场景）连起来。
在AI公司里，CEO手里最关键的一项权力，是“算力分配权”。
当公司花大量资金购买GPU时，是all in一个模型研发方向，还是分给多个研究团队探索？这既是技术决策，也是战略决策。
“所以最理想的情况”，吴明辉说，“是CEO和CTO本来就是同一个人。”
他还分享了一段很有趣的“八卦”：
“谷歌的研究员跟我说：Gemini之所以又突然“焕发青春”，最核心的原因是，（谷歌的）founder回来了。他们觉得关键是谷歌的founder回来以后，开始非常top-down地决定哪些事应该做、哪些事不该做。
......他亲自坐镇，亲自抓团队该做什么、不该做什么，中间少了大量扯皮。如果他不回来，不可能把Google Brain和DeepMind合并起来。”
在吴明辉看来，这种AI带来变化的影响，当然还不止于公司战略——AI还正在重塑软件开发行业本身。
他抛出了一个很有意思的预判：未来的软件行业，可能会越来越像Shein那种“快时尚”：生产更快、生命周期更短、产品更多，但单个产品的价值更分散。
本示意图由AI生成
背后的主要逻辑是，有了AI辅助后，软件开发门槛和的生产成本骤降；当然，一个产品的收益可能也会随之迅速下降：
“以前一个软件可能卖五年，生命周期给公司赚几亿；以后你做得快，收钱也别指望太多。
你做一个产品，最后能收回一百万可能就不错了，因为你可能只花一万块就做出来了，甚至写几行prompt就能跑起来。这个变革和挑战都很大。”
“你能想象吗？”他说，“一个prompt可能就是一个产品。”
因为在很多场景里，产品真正的价值并不在于代码，而在于它解决的那个问题。
比如你问：“这家公司增长的瓶颈在哪里？”如果一个系统能够调用数据、跑分析、生成报告，把这个问题回答得足够清楚，那本身就已经是一种产品。
不过这样的产品，大概率不会像传统软件那样存在很多年。
数据在变化，市场在变化，竞争环境也在变化。也许两个月后，一个问题就不再成立了。
当软件越来越轻、越来像“快时尚”时，它们可能就不再是一个个庞大的系统，而是一堆可以被AI调用、拼接组合的小工具。
在明略内部，这种工作方式其实已经出现了。吴明辉说，明略以前有几百人专门做data mining、数据分析；但现在，公司很多分析工作都开始在一个叫DeepMiner的系统里跑。
在吴明辉看来，这个系统现在几乎成了团队的核心工作入口：“你想象一下，一个软件比Office还重要。”
他团队现在的工作方式，称为“驾驭模式（Harness mode）”：把一个岗位需要用到的各种工具，比如数据系统、分析工具、模型能力，全部接入到一个统一的入口里。员工不再是在不同软件之间来回切换，而是在一个界面里“驾驭”这些工具完成任务。
当软件可以变成一堆能被AI调用、拼接的工具时，那么很多传统软件的逻辑，可能也要跟着变一变了。
过去的企业级应用软件，大多是一个个独立的系。用户要学Salesforce、学CRM、学ERP，每个系统都有自己的一套界面和操作逻辑。很多人在公司里干的第一件事，其实就是先花几个月学软件。
但如果这些系统本身有API，事情就会变得完全不一样。
AI可以把这些系统接在一起。你不再需要记住哪个按钮在哪个菜单里，只需要把目标说清楚——剩下的事情，可以让agent去拆任务、调系统、把事情一步步跑完。
某种程度上，人不再是在“操作软件”，而是在指挥软件干活。
“你甚至不需要把某个软件学得特别熟。”吴明辉说，“只要目标清楚，AI可以帮你把事情跑出来。”
他表示，如果这种模式成立，那么很多传统企业软件的护城河也可能会动摇：
“企业软件的护城河，很多时候不是软件本身，而是‘会用、会实施的人群’。
我们当年最早用C语言写大数据分析系统，后来不得不换成Hadoop（当然今天又升级了）。
为什么？因为会用C的人越来越少，招聘太难；会用Hadoop的人多，生态就更成熟。
长期来看，会用AI写代码的人只会更多。所以这些软件当年的护城河，可能就不再是护城河了。它的护城河本质是‘那群人’。”
而在更底层的技术范式层面，agent本身也在发生变化：
“软件在持续迭代，可能会颠覆上一代的东西。
大家都说2025是agent元年，但其实2024也很多人在讲agent。只是2024讲的agent和2025讲的agent，不是一回事。”
2023、2024年大家讨论的agent，大多还是一种workflow：人先把流程设计好，第一步干什么、第二步干什么、第三步干什么，在几个关键节点调用一下大模型。
说白了，AI只是流程里的一个“工具人”。
但到了2025年，很多人再提agent，脑子里想到的已经是另一种东西：像Manus这样的agent loop。
这种模式里，人不再提前写好完整流程，而是把目标丢给AI，让它自己去规划步骤、执行任务，做完之后还会自己反思、修改，再继续往下推进。
但agent loop有几个明显的问题：不太可控。同一个任务，让AI跑两次，可能会给出完全不同的结果。有时候甚至会出现“幻觉”。不过换个角度看，这也让它可能给出人类事先想不到的答案。
相比之下，workflow就稳得多。流程早就写好了，第一步、第二步、第三步，按部就班地跑。但问题是，如果你一开始就不知道该怎么做，那也就根本没法设计workflow。
另外，agent loop的token消耗往往很高。比如Manus，一个任务跑下来动辄就要花掉几美元。
于是很多团队开始找一种折中的办法。
在吴明辉看来，skill就是这样一种中间形态：
“一方面是平衡成本；另一方面也平衡了最后的可扩展性、灵活性。
skill是一种很理想的“把技能/工作方法沉淀下来”的方式：它有点像chat的模式，做完以后可以save as一个skill。
skill相当于把chat过程中AI的一些planning固化下来了，同时又保留了一部分AI继续做planning的能力。
至于到底保留哪些、不保留哪些，是由AI去判断；而这个判断本身也可以持续迭代、持续优化。”
AI带来的变化，远不止软件和产品本身。随着AI显著提升效率，公司的分工方式和组织结构也在发生变化。
吴明辉提到，在明略科技，以前可能通常是一个产品经理配四个工程师；产品经理写需求、画原型，工程师一行一行把系统实现出来。
但未来，这个比例可能倒过来：很多团队变成四个产品经理配一个工程师。
他今年提出的要求是，产品经理自己先用AI把原型、早期MVP、甚至一部分功能都做出来，工程师更多是在关键环节补位，比如大数据和Infra这类事情。
明略科技内部，现在非常强调Vibe Coding。
过去大家对这种方式多少有些顾虑，很多团队只敢在原型阶段用AI写代码，很少真正带到生产环境。
但现在AI生成代码、生成图的质量在变高，很多问题在逐步被解决：“你如果只在预研、测试环境用，不在生产环境用，其实很亏。”
他分享了一个公司里的小故事：
去年1024程序员节，明略办了一场黑客马拉松。他给团队出的题目听着挺唬人的：“五天复刻Claude Code”。为了确保最后能按时完成，工程负责人先自己打了个样。结果把他自己和吴明辉都吓了一跳——一个人，五个小时，就复刻出来了。
“所以现在网上有人说几个小时复刻一个产品，我一点也不奇怪。”他说，“完全make sense。”
那面对这样的情况，剩下的工程师会不会被“挤掉”？
吴明辉的回答很直接：不会，但角色会变。
如果想继续做工程师，就要想清楚未来最值钱的能力是什么：
“AI替代不了工程师的部分是什么？
今天AI写代码很强，但人类工作的更大价值，是
探索外部环境
，也就是AI还不知道的环境。
我说的环境，类似强化学习里的“环境”，就是我们所处的真实世界。
对工程师来说，举个例子：某家公司出了一个新数据库、新feature，这些AI可能还不知道；或者你要操控一个新版Chrome，有新的能力和交互，这些AI也不一定掌握。
未来软件工程师一个很重要的工作，是把这些新的外部环境探索清楚，再把它们和AI联动起来。
......如果工程师还停留在舒适区，每天写常规代码，那抱歉，未来肯定不需要你干那么多。”
他说，比如Netflix的工程师，其实一直在做一件事：就是让Netflix能在所有屏幕上跑。
电视、机顶盒、游戏机、XBOX，各种新设备层出不穷。每出现一种新终端，就意味着一套新的接口、新的限制。
这些东西AI不可能天然知道。所以工程师要先把这些“新环境”摸清楚，再把它们接进系统，让Netflix在每一块屏幕上都能正常播放。
从这个角度看，工程师的工作，更像是在不断把现实世界接入软件系统。
不过，Vibe Coding在生产环境中真的靠得住吗？AI一次生成十万行代码，如果里面有bug，谁来负责、又该怎么改？
在吴明辉看来，这本质上还是那个老问题：“一个CTO怎么管理一支大研发团队”：
“我记得Anthropic的一个产品负责人讲过一个很经典的点：CTO怎么管大研发团队？你不可能看每个人的每一行代码，即使你有权限也不可能。更何况有些方向你本身也未必全懂。
那怎么交付？怎么保证质量？
上一代管理方法已经有解法：靠测试。
你不用看代码，你用单元测试、集成测试、用例覆盖去证明它对不对——这不就是一种benchmark吗？
所以做任何AI产品，或者基于AI做产品，你必须有清晰的判断能力：能判断好不好，不好就让它改。
......第二个就是：最新论文我一定会亲自看。看论文的目的，是要始终站在第一线，搞清楚下一步是什么。
很多东西在论文里能看出来，“下一步是什么”非常关键。
我们还好，因为既有模型研发能力，也有应用能力。
如果是纯做application的团队，更需要看模型的进展、理解下一步会发生什么。做agent的团队如果想在业界领先，一定要和做模型的人深度交流，始终知道“下一步”到底是什么。
你看当时PIK加入Manus，其实就帮肖宏做到了一件很重要的事：跟研究员保持深度交流。后来肖宏也经常和研究圈的人沟通。
所以这些事，我觉得作为CTO，甚至作为CEO，都应该亲自站在一线去做。”
简单来说，只要底层组件是可靠的，上面的组合就不太会出大问题。
同样的逻辑，放到AI上也一样。
复杂任务需要被拆成一棵任务树，一直拆到最底层的叶子节点。
过去，在人管人的时候，叶子节点是工程师；而在AI系统里，叶子节点可能是函数库、模型能力、数据接口。
在吴明辉看来，Vibe coding真正进入生产环境，并不意味着软件工程突然换了一套全新的规则。
只不过被管理的对象变了——过去是管理者管一群工程师；而在AI native的组织里，所有人都是管理者，他们管一群AI。
AI会继续改变软件、组织和岗位等等。但在吴明辉看来，有些事至少短时间内还不会变：
决定什么是对的、什么算好的，依然是人。
“我还是那句话：得目标者得天下。
Andrej Karpathy也讲过，AI是一种围绕人制定目标的新的计算范式。
所以要知道自己的目标是什么。我的终极目标永远是让自己开心。”
