DeepSeek 之后，又一个科技圈的不眠之夜

作者：混沌学园

来源：混沌学园（ID：hundun-academy）

DeepSeek 之后，又一个科技圈的不眠之夜。

3 月 6 日凌晨，Monica.im研发的全球首款AI Agent 产品“Manus”正式面世，引起全球范围内的行业关注，邀请码被一抢而空。

“Manus”成了AI圈今天所有人的话题！

“Manus”能够解决各类复杂多变的任务。与传统 AI 助手不同，Manus 不仅

能提供建议或答案，还能直接交付完整的任务成果。

Agent真的能帮人类做事了。

它不仅整合旅行信息，还为用户创建定制旅行手册；它可以进行深入的股票分析，对股票进行全面的洞察；它可以为中学教师创建视频演示材料，帮助教师更有效地教学；它可以帮你筛选简历，整理表格对候选人进行评估……

用一句话来总结就是，“Manus”是你在数字世界中，字面意义上的“代理人”。

在两周之前，混沌邀请了

Monica.im产品合伙人张涛

“Manus”首席科学家，原Magi创始人&真格基金EIR季逸超

混沌创新领教、云九资本合伙人任鑫

混沌创新领教、洪泰基金董事总经理潘杨

一同参加混沌圆桌探索流，深聊了《创新范式转移，AI革命下，创业何去何从？》。

这次圆桌探索流有两位“Manus”背后的创业者参与，有助于我们深入了解这家公司的底层逻辑。

01

潘杨：关于AI“抢”人类的“饭碗”怎么看？

张涛：我们预测今年将是人类历史上AI产出代码首次超过人类工程师的一年。在我们公司，目前约40%的代码由AI生成。然而，我们的工程师并不担心失业。他们不仅不担心，反而越来越得心应手。原因在于寻找问题和需求的能力变得前所未有的重要。

如果过去你的工作是被动接受任务、解决问题，那么在未来可能会面临挑战。但如果你的工作本就是主动寻找问题、解决问题，只是现在借助AI将解决问题的时间从8小时缩短到8分钟，那么你的能力就会被放大。任何技术变革都会带来短期的冲击，但从长远来看，生产力会得到提升。就像纺织机的出现。

在这个时代，你应该思考自己是否是那个能够发现问题、解决问题的人。如果是，AI将成为你的放大器。所以，你需要锻炼这种能力。观察组织中谁在发现问题、解决问题，如果自己目前不具备这种能力，更要主动学习。因为未来重复性工作可能会被取代，没有人能靠躺平被时代带着走。

02

潘杨：怎样控制一个AI创业项目的试错成本？

季逸超：很多人觉得AI创业成本高，是因为一开始就没从小目标做起。其实，现在很多热门的AI产品，最早都只是个人开发者的小项目。就像我十几年前刚开始做iOS独立开发者的时候，也没想着一开始就拿融资，高举高打。我只是先找到自己真正想用的东西，先做出一个初步的产品，验证它到底有没有市场。等验证成功了，再考虑扩大投入。所以，创业其实没有所谓的“高试错成本”。无论是十年前的互联网创业，还是现在的AI创业，都是个人开发者的好机会。

03

潘杨：基于大模型的创业怎么构建核心壁垒？

张涛：我有个很深的感触。对于非技术从业者而言，他们在面对新技术时反而可能有独特的优势。我们技术从业者很容易陷入技术原理和技术层面的细节，而忽略了技术的本质价值——到底能解决什么问题。而正是因为非技术从业者不懂底层原理，反而会跳过这些细节，把新技术当作黑盒看待，直接关注它的实际输出和表现能力，从而思考它能为行业带来什么价值。这种从需求出发的思维方式，反而更容易发挥想象力，挖掘出技术的真正用途。

我发现AI正在变成像电和水一样的通用商品，这种趋势是必然的，而且已经成为现实。它的普及使得技术优势不再局限于少数机构或企业手中，而是向全社会开放。事实上，大多数创业公司失败并非因为缺乏技术或产品开发能力，而是因为没有找到真正可规模化复制的市场需求。就像电和水是家家都有的基础设施，但为什么不是每一家奶茶店都能成为霸王茶姬或蜜雪冰城呢？这些成功品牌的背后，有很多共通的商业逻辑值得研究。

04

潘杨：如果大家技术都差不多，技术不再是核心壁垒，那壁垒到底在哪里？

季逸超：创业时我们常犯的一个根本性错误，就是对壁垒的判断对不对。我自己也反复思考过这个问题，最后发现其实就是山姆·奥特曼说的话的道理：当OpenAI或者别的公司发布新模型时，你是开心还是紧张？如果你开心，说明你在做自己的事，不受影响；如果你紧张，那可能就不该做这件事。

其实，过去一年里很多不太成功的尝试，都是因为大家在现有模型能力的基础上，试图去弥补它的不足，这是不对的。我们要相信AI能力会不断进步，你的应用应该和模型能力是独立的。也就是说，模型能力提升时，你的应用能在另一个维度上持续投入，并从中受益。不要因为现有模型的不足，就去优化它，这是典型的“过早优化”，也是AI创业中最大的误区。

任鑫：核心壁垒并非凭空存在，而是在发展过程中逐渐形成。就像水电煤气一样，其渗透过程是不均匀的。比如倒水时，水面会均匀上升；但如果倒的是粘稠的蜂蜜，它会先堆成一团，然后慢慢平铺开。在这个缓慢渗透的过程中，企业可以抓住红利。以ChatGPT为例，虽然人人都能用，但它的渗透需要时间。Monica通过套壳ChatGPT并添加模板（如翻译功能），让那些处于渗透边缘的用户先尝到甜头，这就是抓住了红利。虽然ChatGPT创造了市场势能，但Monica通过这种方式获得了用户基础。Monica积累了一定用户后，其壁垒逐渐形成。比如，假设我有一个创意，可以让浏览器一键切换到护眼模式，即使这是个好点子，当我试图推广时，Monica可能已经有1000万用户。他们要么直接购买我的创意，要么将其功能整合到自己的产品中，从而进一步加固了自己的壁垒。关键在于动态把握机会。第一步不是直接构建壁垒，而是先抓住一小块红利，积累力量。当红利转化为自身实力后，壁垒也就自然形成了。

05

潘杨：AI时代参与竞争是更容易还是更难了？

张涛：常年做创业项目（startup）的同学应该有这种感受：如果一个项目做了一年，却没有任何竞争对手，反而会让人不安。你会开始怀疑：我选的市场是否真的有问题？为什么连竞争对手都没有？从推演的角度和实际入局的视角来看，感受截然不同。比如，我们已经投入半年，还在犹豫是否继续时，突然有大厂进入，很多人可能会觉得慌张。但其实，我们只会觉得庆幸——终于证明我们的方向是对的。所以，在局中时，感受真的会非常不一样。

06

潘杨：如果学习能力跟不上AI的来势汹汹，普通人该如何自处呢？

季逸超：我可能是一个更纯粹的技术进步主义者。我认为，虽然AI一定会替代很多工作，但没必要过于恐慌。因为AI有一个无法解决的问题——它无法替代人类承担责任。比如程序员虽可能是受AI影响最大的群体，但公司不可能完全没有程序员，因为即使代码由AI生成，仍需人类去审核和承担相应责任。其次，现在有很多一人公司，一人公司是一个人带着很多AI，但人是法人，这种责任是AI无法取代的。此外，AI的学习和理解能力再强，也依赖于人类的输入。在传统公司里，层级架构依然重要。大家不妨转变心态，别担心工作被AI取代，而是想想如何利用AI提升自己的价值。

任鑫： 解决问题的工作容易被AI取代，因此要向产业链上游、甲方或领导靠近，调整自身定位。在这个过程中，不必过于担心工作问题。大家真正担心的不是工作被抢，而是工资受影响——这是两个不同的问题。

07

潘杨：组织内的AI进化如何发生？比如对于偏向传统企业企而言。

季逸超：我觉得首先不要硬上。比如最近网上有个“传统企业加AI”的梗，就像在肥皂上插个洗手液按头一样，这种做法很可笑。很多时候，企业考虑AI转型是因为老板或CEO的焦虑，这其实很危险。一定要从自身业务的小处着手，不要盲目追逐Buzzword（流行），比如现在很火的DeepSeek系列。虽然我们讲了很多关于DeepSeek的内容，但我一直呼吁大家保持冷静。DeepSeek并不是万能的。具体问题要具体分析，比如要做Function calling（函数调用），选择千问模型可能更合适。

张涛：我之前在神策数据工作四年，当时大数据的浪潮和如今AI的热度相当。我们的服务模式是年费制，续费留存率是公司最重要的经营指标之一。因为企业续费的前提是感受到产品在一年内的实际价值。从这个视角出发，我们发现一个重要的观点：自上而下的“一把手工程”通常会失败。原因在于，CEO虽然决策引入系统，但实际使用者是一线员工，而维护者可能又是IT部门。这三者——决策者、使用者和维护者——信息不对称，动机不一致，导致项目推行困难。

为此，我们调整策略。虽然CEO是项目的主导者，但我们会在企业中挑选一些重点培养的苗子，比如有上升空间的总监或小组长。我们不再做大规模培训，而是改为一对一的陪伴式服务。通过精准辅导，让他们在公司内部汇报时展现出不同视角和能力提升，从而引起上级关注。这种“示范效应”很快会吸引其他部门主动寻求合作。因为人不患寡但患不均。

实际上，大部分人是先看见才能相信。这有点像种子传播的模式，先在核心群体中播种，再逐步影响周围人，从而推动整个组织的变革。而不是从上到下强行改变机制，让大家每天必须使用10次，这种做法很难奏效。

我这两年在搞AI时感触很深。过去十几年的工作经验给我带来了太多思维负担。每次思考问题，那些旧知识都会干扰我。然而，我在上海、杭州和那些刚毕业或还在读书的年轻人交流时，发现他们没有这些负担。他们用AI原生的思路解决问题，很多想法让我惊叹：“这也能用AI做？”虽然我曾觉得效率很低，但他们真的做到了。所以，大家一定要相信年轻人，相信那些没有过去经验负担的头脑。他们创造的创新，是我们坐在这里永远规划不出来的。

08

潘杨：对于传统广告营销公司，想要通过AI实现组织架构的变革，该如何去操作？

季逸超：人同AI的协作在在哪里？无论是语言生成或者是图像生成，都存在一个颗粒度问题，颗粒度就是你在跟AI交付任务的时候，最后谁来完成“改”的这个环节，如果还跟AI是拿语言作为这个接口，很难达到最后满意的效果，团队中还是需要一个人去完成最后的工作。人可能还会在一段时间内扮演AI到最后交付的最后一公里，因为这是颗粒度问题所导致的，这种现象在广告行业尤其明显。

张涛：广告行业拥抱AI是特别积极的，但是需要明确几个事项。首先，公司人员肯定是没有什么变化的，更多的还是赋能。比如，早期客户的brief过来之后，公司需要考虑如何切入需求，广告行业要拿着需求去投标，传统小工作室的方式就是老板带着几个核心员工一起商量，这个环节其实特别适合现在的AI去做，一是有Reasoning models（推理模型）它的思维方式更多，二是现在大部分的AI产品都和搜索进行了结合，当公司去解决客户的需求的时候，一定要对客户进行研究，查清客户的背景和真实需求，甚至AI可以查清用户近期关注的事项，从而进行快速的信息整合，传统工作室就做不到这点。基于AI提供的信息报告，再研究通过哪种方式去打动客户，会更加有效。就现在的AI大模型的能力而言，在策划和产生方案领域，AI已经能取代很多非顶级的广告策划了。对于文案和图像视频生成等问题，用AI来做内部的概念验证和客户沟通是完全足够的。但是短期内不要寄希望于AI可以交付商业级别的作品，这方面还是要靠专业人士。

09

潘杨：如何划清人和AI的权责边界？

季逸超：举个例子。你不会把影响公司命运的重大决策完全交给实习生吧？实习生的作用是辅助决策，而不是替代决策。同样，现阶段AI也应被视为决策辅助工具，而不是最终决策者。我认为这种由人工进行最终审核的模式会长期存在。因为目前的人工智能和机器学习本质上无法保证绝对正确，这并非技术进步能完全解决的问题。

张涛：季总以前是做自然语言处理（NLP）的，对计算机视觉（CV）应该也有所了解。计算机视觉是AI的重要领域，但过去在应用落地方面一直缺乏好的方向。后来，我了解到一家公司，他们将国家安全生产的条文每一条转化为一个特征（feature）。比如，有一条规则是“炼钢炉启动时，该区域禁止人员进入”，他们将其转化为一个特征。整套条文有100多条，每条都是一个特征，组合起来就成了一个非常好卖的产品。

当时我问了一个问题：如果出现漏检，责任该由谁承担——公司、工厂还是算法？对方提出了一个有趣的观点：不要总是用兜底的思路去思考。以前，即使安排真人盯着100多路Video（视频），也很难做到全面监控，因为这是真实的需求。现在，技术从“做不到”变成了“能做到”，虽然不能保证100%准确，但至少可以预警。过去，人工预警需要两个小时一轮，现在则可以做到秒级预警，将危险信号抛出后由真人确认。所以，我认为这是一个完全不同的场景。大家在思考业务流程时，也应该从预警的角度出发，而不是一味追求责任交付。这种思路其实更合理。

10

潘杨：人类在使用AI大模型时，到底让渡了什么权利？

任鑫：首先，我不认为人有什么天然的权利。比如我希望孩子能研究红蚂蚁，但这只是我的期望，如果生产力不足，他凭什么拥有这种权利呢？这种想法大多是YY。其次，我认为这个问题无解。只要某种事物存在，无论是否进行对齐，都会有问题。在互联网上，留下痕迹多的内容自然会更受关注，这是无法改变的。所以，最终只能通过市场经济的方法解决。当你有更多选择时，就像唐太宗“兼听则明”一样，你可以选择不同的平台，了解它们各自的价值观偏好，而不是把自己绑定在某一个平台上。这样，我让渡的权利就会更少。一旦我绑定在某个平台上，哪怕它完全符合我的需求，我也已经让渡了某些权利。

张涛：其实自古以来，人类就有一种习惯，会把使用的工具神化，赋予它们一种崇拜的色彩。但动态地看，这种现象只是暂时的。比如最近淘宝上有些卖家会在商品详情页写“DeepSeek推荐”，并附上一张截图，声称某产品是被AI推荐的。这其实是一种工具的异化过程。但这种状态是短暂的。

以我们这一代接近40岁的人为例，小时候总觉得科技产品和数码设备，只有美国或日本生产的才是好的，比如索尼的Walkman。当下来说，如果要买无人机或便携摄影设备，大家首先想到的一定是大疆，而不是美国品牌。这说明随着技术的发展和市场的变化，人们的认知也在改变。

现在很多人还没接触AI，或者对AI还不熟悉。但再过一两年，当AI的文字表达变得常态化后，真正有价值的、有深度的人类思考反而会变得更加稀缺。人们也会逐渐形成一种审美观念，能够区分“标准的AI回答”和“有深度的人类思考”。这种变化反而会让人类的思考变得更加高级。

11

潘杨：是否可以认为在这种看似智力升级的幻想背后，隐藏着对普通人更多的认知剥夺？

张涛：我认为这种情况是必然会发生的，并且不仅仅存在于AI时代。在上一代的搜索引擎时期就已经开始了。但我想强调的是，任何事物都符合熵减定律，所以人们一定要努力对抗熵增的过程，一定要每天根据收集的信息进行思考，不要认为不努力就可以实现目标，这是人类的一个恒久命题。

季逸超：用户问AI的问题，AI也是要进行上一层搜索，它可能搜索的是某一个媒体小编写的一篇文章而已，中间隔了太多层的东西。所以，无论有没有AI，人们都要掌握溯源的能力，这一点非常重要，国外写文章还保留着超链接这个特别朴素的习惯，文章引用的哪句话都可以通过链接寻找到根本源头。在实操阶段，如果我需要AI回答一些问题的时候，一定会让它引述原文，我觉得这是人们所能做到的极限。

任鑫：大家可以把AI当做一个人，他帮你提供了更好的信息，还能帮你做参谋，这个时候再谈论让渡或者牺牲你的权利，好像有点说不太过去。我并不觉得大部分人是被AI剥夺了信息，反倒是得到了更多信息。比如我们要做美国某个特定市场的一个调研，deep research在10分钟内帮我出了四五份不同维度的报告，看上去感觉虽然不太好，但如果我自己要写出一份类似的报告，可能至少要三个小时，大量的时间都会消耗在点击关键词和搜索方面，但是deep research节约了我大量的无意义的手工劳动，最后我获得的信息量是更全面和更有效的。

12

潘杨：对于今年DeepSeek引爆应用市场，后续的发展趋势，您是如何看待的？

季逸超：首先可以确定，AI在中国的热潮可能是DeepSeek带起来的，我觉得这非常好。之前在国内，大家一直没有一个非常好的开源大模型，但如果具体到agent和infra的话，其实还有需要探讨的方面。

第一点，DeepSeek的模型（无论V3还是R1）本身更侧重推理能力，在多模态、函数调用、长期规划等能力上并不出众。这可能是因为DeepSeek团队前期将资源集中于推理优化，对多模态采取了战略性后推策略。如果专注于智能体领域，可以借DeepSeek的东风，但需避免过度绑定其技术路线，需等待其多模态能力的进一步发展。

第二点，因DeepSeek的爆发，国内外对Infra的要求显著提升。从DeepSeek最近的V3论文看，其架构已与传统MA-like模型有显著差异，但除官方外，国内推理厂商的Infra优化普遍不足，仍需大量工作。若要将智能体与 Infra结合，2025年将是一个关键机遇。传统算力关注点主要在训练阶段，但智能体带来的24小时持续推理需求将彻底改变格局——交互时长延长导致Token消耗量剧增，且多轮对话中上下文不断累积，进一步推高资源需求。今年因DeepSeek母体模型的成熟，Infra有望迎来爆发。

13

潘杨：最后，请各位嘉宾分享一个关键词。

季逸超：从自身的感受出发，我的关键词是恐惧。人一定要活在恐惧之中，我觉得自己已经不年轻了，今年是我做AI或者自然员的第十三年了，一直驱动自身能够坚持学习的根本原因就是压力和恐惧。人不能沉浸在温柔乡中，一定要经常吓吓自己。

张涛：我的关键词是好奇，我之前做了8年的C端产品，做了5年的TOB业务，近两年又完全投身AI行业，最大的动力驱使就是我想弄清楚它是什么，为什么是这个样子，未来会发生什么事情？好奇心会驱使我去做很多事情。在一个不具有确定性的领域中，如果没有底层的好奇心趋势，很难真正学到东西，也很难前进。

任鑫：我建议大家想开一点，人类大概有一半的概率会被AI消灭掉，如果这种情况没有发生，我们将会是最幸运的一代，可能享受到疾病被完全消灭、肉身上网、星际旅行等事情，现在AI为未来的这些可能带来了概率，所以要想开一点，注重身体，努力看到那一天。

THE END