DeepSeek之后，又一個科技圈的不眠之夜。

3月6日凌晨，Monica.im研發的全球首款AI Agent產品“Manus”正式面世，引起全球范圍內的行業關注，邀請碼被一搶而空。

“Manus”能夠解決各類復雜多變的任務。與傳統AI助手不同，Manus不僅能提供建議或答案，還能直接交付完整的任務成果。

Agent真的能幫人類做事了。

它不僅整合旅行信息，還為用戶創建定制旅行手冊；它可以進行深入的股票分析，對股票進行全面的洞察；它可以為中學教師創建視頻演示材料，幫助教師更有效地教學；它可以幫你篩選簡歷，整理表格對候選人進行評估……

用一句話來總結就是，“Manus”是你在數字世界中，字面意義上的“代理人”。

?

一

潘楊： 關于AI“搶”人類的“飯碗”怎么看？

張濤： 我們預測 今年將是人類歷史上AI產出代碼首次超過人類工程師的一年 。在我們公司，目前約40%的代碼由AI生成。然而，我們的工程師并不擔心失業。他們不僅不擔心，反而越來越得心應手。原因在于尋找問題和需求的能力變得前所未有的重要。

如果過去你的工作是被動接受任務、解決問題，那么在未來可能會面臨挑戰。但如果你的工作本就是主動尋找問題、解決問題，只是現在借助AI將解決問題的時間從8小時縮短到8分鐘，那么你的能力就會被放大。任何技術變革都會帶來短期的沖擊，但從長遠來看，生產力會得到提升。就像紡織機的出現。

在這個時代，你應該思考 自己是否是那個能夠發現問題、解決問題的人。 如果是，AI將成為你的放大器。所以，你需要鍛煉這種能力。觀察組織中誰在發現問題、解決問題，如果自己目前不具備這種能力，更要主動學習。因為未來重復性工作可能會被取代，沒有人能靠躺平被時代帶著走。

二

潘楊： 怎樣控制一個AI創業項目的試錯成本？

季逸超： 很多人覺得AI創業成本高，是因為一開始就沒從小目標做起。其實， 現在很多熱門的AI產品，最早都只是個人開發者的小項目。 就像我十幾年前剛開始做iOS獨立開發者的時候，也沒想著一開始就拿融資，高舉高打。我只是先找到自己真正想用的東西，先做出一個初步的產品，驗證它到底有沒有市場。等驗證成功了，再考慮擴大投入。所以，創業其實沒有所謂的“高試錯成本”。無論是十年前的互聯網創業，還是現在的AI創業，都是個人開發者的好機會。

三

潘楊： 基于大模型的創業怎么構建核心壁壘？

張濤： 我有個很深的感觸。對于非技術從業者而言，他們在面對新技術時反而可能有獨特的優勢。我們技術從業者很容易陷入技術原理和技術層面的細節，而忽略了技術的本質價值——到底能解決什么問題。而正是因為非技術從業者不懂底層原理，反而會跳過這些細節，把新技術當作黑盒看待， 直接關注它的實際輸出和表現能力，從而思考它能為行業帶來什么價值。 這種從需求出發的思維方式，反而更容易發揮想象力，挖掘出技術的真正用途。

我發現AI正在變成像電和水一樣的通用商品，這種趨勢是必然的，而且已經成為現實。它的普及使得技術優勢不再局限于少數機構或企業手中，而是向全社會開放。事實上，大多數創業公司失敗并非因為缺乏技術或產品開發能力，而是因為沒有找到真正可規?；瘡椭频氖袌鲂枨?。就像電和水是家家都有的基礎設施，但為什么不是每一家奶茶店都能成為霸王茶姬或蜜雪冰城呢？這些成功品牌的背后，有很多共通的商業邏輯值得研究。

四

潘楊： 如果大家技術都差不多，技術不再是核心壁壘，那壁壘到底在哪里？

季逸超： 創業時我們常犯的一個根本性錯誤，就是對壁壘的判斷對不對。我自己也反復思考過這個問題，最后發現其實就是山姆·奧特曼說的話的道理：當OpenAI或者別的公司發布新模型時，你是開心還是緊張？如果你開心，說明你在做自己的事，不受影響；如果你緊張，那可能就不該做這件事。

其實，過去一年里很多不太成功的嘗試，都是因為大家在現有模型能力的基礎上，試圖去彌補它的不足，這是不對的。 我們要相信AI能力會不斷進步，你的應用應該和模型能力是獨立的。 也就是說，模型能力提升時，你的應用能在另一個維度上持續投入，并從中受益。不要因為現有模型的不足，就去優化它，這是典型的“過早優化”，也是AI創業中最大的誤區。

任鑫： 核心壁壘并非憑空存在，而是在發展過程中逐漸形成。就像水電煤氣一樣，其滲透過程是不均勻的。比如倒水時，水面會均勻上升；但如果倒的是粘稠的蜂蜜，它會先堆成一團，然后慢慢平鋪開。在這個緩慢滲透的過程中，企業可以抓住紅利。

以ChatGPT為例，雖然人人都能用，但它的滲透需要時間。Monica通過套殼ChatGPT并添加模板 （如翻譯功能） ，讓那些處于滲透邊緣的用戶先嘗到甜頭，這就是抓住了紅利。雖然ChatGPT創造了市場勢能，但Monica通過這種方式獲得了用戶基礎。Monica積累了一定用戶后，其壁壘逐漸形成。

比如，假設我有一個創意，可以讓瀏覽器一鍵切換到護眼模式，即使這是個好點子，當我試圖推廣時，Monica可能已經有1000萬用戶。他們要么直接購買我的創意，要么將其功能整合到自己的產品中，從而進一步加固了自己的壁壘。關鍵在于動態把握機會。 第一步不是直接構建壁壘，而是先抓住一小塊紅利，積累力量。當紅利轉化為自身實力后，壁壘也就自然形成了。

五

潘楊： AI時代參與競爭是更容易還是更難了？

張濤： 常年做創業項目 （startup） 的同學應該有這種感受：如果一個項目做了一年，卻沒有任何競爭對手，反而會讓人不安。你會開始懷疑：我選的市場是否真的有問題？為什么連競爭對手都沒有？從推演的角度和實際入局的視角來看，感受截然不同。比如，我們已經投入半年，還在猶豫是否繼續時，突然有大廠進入，很多人可能會覺得慌張。但其實，我們只會覺得慶幸—— 終于證明我們的方向是對的。 所以，在局中時，感受真的會非常不一樣。

六

潘楊： 如果學習能力跟不上AI的來勢洶洶，普通人該如何自處呢？

季逸超： 我可能是一個更純粹的技術進步主義者。我認為，雖然AI一定會替代很多工作，但沒必要過于恐慌。因為AI有一個無法解決的問題—— 它無法替代人類承擔責任。 比如程序員雖可能是受AI影響最大的群體，但公司不可能完全沒有程序員，因為即使代碼由AI生成，仍需人類去審核和承擔相應責任。

其次，現在有很多一人公司，一人公司是一個人帶著很多AI，但人是法人，這種責任是AI無法取代的。此外，AI的學習和理解能力再強，也依賴于人類的輸入。在傳統公司里，層級架構依然重要。大家不妨轉變心態，別擔心工作被AI取代，而是想想如何利用AI提升自己的價值。

任鑫： 解決問題的工作容易被AI取代，因此要向產業鏈上游、甲方或領導靠近，調整自身定位。在這個過程中，不必過于擔心工作問題。 大家真正擔心的不是工作被搶，而是工資受影響——這是兩個不同的問題。

七

潘楊： 組織內的AI進化如何發生？比如對于偏向傳統企業企而言。

季逸超： 我覺得首先 不要硬上 。比如最近網上有個“傳統企業加AI”的梗，就像在肥皂上插個洗手液按頭一樣，這種做法很可笑。很多時候，企業考慮AI轉型是因為老板或CEO的焦慮，這其實很危險。一定要從自身業務的小處著手，不要盲目追逐Buzzword （流行） ，比如現在很火的DeepSeek系列。雖然我們講了很多關于DeepSeek的內容，但我一直呼吁大家保持冷靜。DeepSeek并不是萬能的。具體問題要具體分析，比如要做Function calling （函數調用） ，選擇千問模型可能更合適。

張濤： 我之前在神策數據工作四年，當時大數據的浪潮和如今AI的熱度相當。我們的服務模式是年費制，續費留存率是公司最重要的經營指標之一。因為企業續費的前提是感受到產品在一年內的實際價值。

從這個視角出發，我們發現一個重要的觀點：自上而下的“一把手工程”通常會失敗。原因在于， CEO雖然決策引入系統，但實際使用者是一線員工，而維護者可能又是IT部門。 這三者——決策者、使用者和維護者——信息不對稱，動機不一致，導致項目推行困難。

為此，我們調整策略。雖然CEO是項目的主導者，但我們會在企業中挑選一些重點培養的苗子，比如有上升空間的總監或小組長。我們不再做大規模培訓，而是改為一對一的陪伴式服務。通過精準輔導，讓他們在公司內部匯報時展現出不同視角和能力提升，從而引起上級關注。這種“示范效應”很快會吸引其他部門主動尋求合作。因為人不患寡但患不均。

實際上， 大部分人是先看見才能相信。 這有點像種子傳播的模式，先在核心群體中播種，再逐步影響周圍人，從而推動整個組織的變革。而不是從上到下強行改變機制，讓大家每天必須使用10次，這種做法很難奏效。

我這兩年在搞AI時感觸很深。過去十幾年的工作經驗給我帶來了太多思維負擔。每次思考問題，那些舊知識都會干擾我。然而，我在上海、杭州和那些剛畢業或還在讀書的年輕人交流時，發現他們沒有這些負擔。他們用AI原生的思路解決問題，很多想法讓我驚嘆：“這也能用AI做？”雖然我曾覺得效率很低，但他們真的做到了。所以， 大家一定要相信年輕人，相信那些沒有過去經驗負擔的頭腦。 他們創造的創新，是我們坐在這里永遠規劃不出來的。

八

潘楊： 對于傳統廣告營銷公司，想要通過AI實現組織架構的變革，該如何去操作？

季逸超： 人同AI的協作在哪里？ 無論是語言生成或者是圖像生成，都存在一個顆粒度問題，顆粒度就是你在跟AI交付任務的時候，最后誰來完成“改”的這個環節，如果還跟AI是拿語言作為這個接口，很難達到最后滿意的效果，團隊中還是需要一個人去完成最后的工作。人可能還會在一段時間內扮演AI到最后交付的最后一公里，因為這是顆粒度問題所導致的，這種現象在廣告行業尤其明顯。

張濤： 廣告行業擁抱AI是特別積極的，但是需要明確幾個事項。首先，公司人員肯定是沒有什么變化的， 更多的還是賦能。

比如，早期客戶的brief過來之后，公司需要考慮如何切入需求，廣告行業要拿著需求去投標，傳統小工作室的方式就是老板帶著幾個核心員工一起商量，這個環節其實特別適合現在的AI去做，一是有Reasoning models （推理模型） 它的思維方式更多，二是現在大部分的AI產品都和搜索進行了結合，當公司去解決客戶的需求的時候，一定要對客戶進行研究，查清客戶的背景和真實需求，甚至AI可以查清用戶近期關注的事項，從而進行快速的信息整合，傳統工作室就做不到這點?；贏I提供的信息報告，再研究通過哪種方式去打動客戶，會更加有效。

就現在的AI大模型的能力而言，在策劃和產生方案領域，AI已經能取代很多非頂級的廣告策劃了。對于文案和圖像視頻生成等問題，用AI來做內部的概念驗證和客戶溝通是完全足夠的。 但是短期內不要寄希望于AI可以交付商業級別的作品，這方面還是要靠專業人士。

九

潘楊： 如何劃清人和AI的權責邊界？

季逸超： 舉個例子。你不會把影響公司命運的重大決策完全交給實習生吧？實習生的作用是輔助決策，而不是替代決策。同樣， 現階段AI也應被視為決策輔助工具，而不是最終決策者。 我認為這種由人工進行最終審核的模式會長期存在。因為目前的人工智能和機器學習本質上無法保證絕對正確，這并非技術進步能完全解決的問題。

張濤： 季總以前是做自然語言處理 （NLP） 的，對計算機視覺 （CV） 應該也有所了解。計算機視覺是AI的重要領域，但過去在應用落地方面一直缺乏好的方向。后來，我了解到一家公司，他們將國家安全生產的條文每一條轉化為一個特征 （feature） 。比如，有一條規則是“煉鋼爐啟動時，該區域禁止人員進入”，他們將其轉化為一個特征。整套條文有100多條，每條都是一個特征，組合起來就成了一個非常好賣的產品。

當時我問了一個問題：如果出現漏檢，責任該由誰承擔——公司、工廠還是算法？對方提出了一個有趣的觀點：不要總是用兜底的思路去思考。

以前，即使安排真人盯著100多路Video （視頻） ，也很難做到全面監控，因為這是真實的需求?，F在，技術從“做不到”變成了“能做到”，雖然不能保證100%準確，但至少可以預警。過去，人工預警需要兩個小時一輪，現在則可以做到秒級預警，將危險信號拋出后由真人確認。所以，我認為這是一個完全不同的場景。大家在思考業務流程時， 也應該從預警的角度出發，而不是一味追求責任交付。 這種思路其實更合理。

十

潘楊： 人類在使用AI大模型時，到底讓渡了什么權利？

任鑫： 首先，我不認為人有什么天然的權利。比如我希望孩子能研究紅螞蟻，但這只是我的期望，如果生產力不足，他憑什么擁有這種權利呢？這種想法大多是YY。其次，我認為這個問題無解。只要某種事物存在，無論是否進行對齊，都會有問題。在互聯網上，留下痕跡多的內容自然會更受關注，這是無法改變的。

所以，最終只能通過市場經濟的方法解決。當你有更多選擇時，就像唐太宗“兼聽則明”一樣， 你可以選擇不同的平臺，了解它們各自的價值觀偏好，而不是把自己綁定在某一個平臺上。 這樣，我讓渡的權利就會更少。一旦我綁定在某個平臺上，哪怕它完全符合我的需求，我也已經讓渡了某些權利。

張濤： 其實自古以來，人類就有一種習慣，會把使用的工具神化，賦予它們一種崇拜的色彩。但動態地看，這種現象只是暫時的。比如最近淘寶上有些賣家會在商品詳情頁寫“DeepSeek推薦”，并附上一張截圖，聲稱某產品是被AI推薦的。這其實是一種工具的異化過程。但這種狀態是短暫的。

以我們這一代接近40歲的人為例，小時候總覺得科技產品和數碼設備，只有美國或日本生產的才是好的，比如索尼的Walkman。當下來說，如果要買無人機或便攜攝影設備，大家首先想到的一定是大疆，而不是美國品牌。這說明 隨著技術的發展和市場的變化，人們的認知也在改變。

現在很多人還沒接觸AI，或者對AI還不熟悉。但再過一兩年，當AI的文字表達變得常態化后，真正有價值的、有深度的人類思考反而會變得更加稀缺。人們也會逐漸形成一種審美觀念，能夠區分“標準的AI回答”和“有深度的人類思考”。這種變化反而會讓人類的思考變得更加高級。

十一

潘楊： 是否可以認為在這種看似智力升級的幻想背后， 隱藏著對普通人更多的認知剝奪？

張濤： 我認為這種情況是必然會發生的，并且不僅僅存在于AI時代。在上一代的搜索引擎時期就已經開始了。但我想強調的是， 任何事物都符合熵減定律，所以人們一定要努力對抗熵增的過程， 一定要每天根據收集的信息進行思考，不要認為不努力就可以實現目標，這是人類的一個恒久命題。

季逸超： 用戶問AI的問題，AI也是要進行上一層搜索，它可能搜索的是某一個媒體小編寫的一篇文章而已，中間隔了太多層的東西。所以，無論有沒有AI，人們都要掌握 溯源 的能力，這一點非常重要，國外寫文章還保留著超鏈接這個特別樸素的習慣，文章引用的哪句話都可以通過鏈接尋找到根本源頭。在實操階段，如果我需要AI回答一些問題的時候，一定會讓它引述原文，我覺得這是人們所能做到的極限。

任鑫： 大家可以把AI當做一個人，他幫你提供了更好的信息，還能幫你做參謀，這個時候再談論讓渡或者犧牲你的權利，好像有點說不太過去。我并不覺得大部分人是被AI剝奪了信息，反倒是得到了更多信息。

比如我們要做美國某個特定市場的一個調研，deep research在10分鐘內幫我出了四五份不同維度的報告，看上去感覺雖然不太好，但如果我自己要寫出一份類似的報告，可能至少要三個小時，大量的時間都會消耗在點擊關鍵詞和搜索方面，但是deep research節約了我大量的無意義的手工勞動，最后我獲得的信息量是更全面和更有效的。

十二

潘楊： 對于今年DeepSeek引爆應用市場，后續的發展趨勢，您是如何看待的？

季逸超： 首先可以確定，AI在中國的熱潮可能是DeepSeek帶起來的，我覺得這非常好。之前在國內，大家一直沒有一個非常好的開源大模型，但如果具體到agent和infra的話，其實還有需要探討的方面。

第一點，DeepSeek的模型 （無論V3還是R1） 本身更側重推理能力，在多模態、函數調用、長期規劃等能力上并不出眾。這可能是因為DeepSeek團隊前期將資源集中于推理優化，對多模態采取了戰略性后推策略。 如果專注于智能體領域，可以借DeepSeek的東風，但需避免過度綁定其技術路線，需等待其多模態能力的進一步發展。

第二點，因DeepSeek的爆發， 國內外對Infra的要求顯著提升。 從DeepSeek最近的V3論文看，其架構已與傳統MA-like模型有顯著差異，但除官方外，國內推理廠商的Infra優化普遍不足，仍需大量工作。若要將智能體與Infra結合，2025年將是一個關鍵機遇。傳統算力關注點主要在訓練階段，但智能體帶來的24小時持續推理需求將徹底改變格局——交互時長延長導致Token消耗量劇增，且多輪對話中上下文不斷累積，進一步推高資源需求。今年因DeepSeek母體模型的成熟，Infra有望迎來爆發。

十三

潘楊： 最后，請各位嘉賓分享一個關鍵詞。

季逸超： 從自身的感受出發，我的關鍵詞是恐懼。 人一定要活在恐懼之中， 我覺得自己已經不年輕了，今年是我做AI或者自然語言處理的第十三年了，一直驅動自身能夠堅持學習的根本原因就是壓力和恐懼。人不能沉浸在溫柔鄉中，一定要經常嚇嚇自己。

張濤： 我的關鍵詞是好奇，我之前做了8年的C端產品，做了5年的TOB業務，近兩年又完全投身AI行業，最大的動力驅使就是我想弄清楚它是什么，為什么是這個樣子，未來會發生什么事情？好奇心會驅使我去做很多事情。 在一個不具有確定性的領域中，如果沒有底層的好奇心趨勢，很難真正學到東西，也很難前進。

任鑫： 我建議大家想開一點，人類大概有一半的概率會被AI消滅掉，如果這種情況沒有發生，我們將會是最幸運的一代，可能享受到疾病被完全消滅、肉身上網、星際旅行等事情，現在AI為未來的這些可能帶來了概率，所以要想開一點，注重身體，努力看到那一天。

本文來自微信公眾號： 混沌學園 （ID：hundun-university）