明略吴明辉:当AI智能体成为组织的新成员,人无可替代的价值在于“品” |课程笔记

文本生成、聊天问答、Agent办公助手、具身智能机器人......当过去20年的互联网发展完成了AI的数据基础，突然飞速进化的AI不断冲击着我们，也带来了人与组织的关系变革。

但AI的普及应用速度其实比想象的要慢，大多数企业对AI的理解仍停留在“工具层”：用AI写文生图、整理会议纪要、辅助写代码。其实，AI智能体带来的真正变化，不只是“帮人更快完成一项工作”，更不仅仅是能够“替代人完成工作”......

上周六，混沌邀请到明略科技创始人吴明辉，分享了他对AI时代的组织进化与个体出路的系统性前沿判断：

·企业不应该引入AI来替代员工，而是发现并培养人的无可替代的价值。当AI智能体开始拥有持续学习的能力，一线员工将从“独立贡献者”升级到可以真正用好AI的“新型管理者”。

·AI原生组织的指数级增长，关键不在于人与智能体的协作、人与人的协作，更在于智能体与智能体之间的协作。通过多智能体协作系统可以让工作过程变得公开透明，解决AI的可信问题。

·当智能体成为组织的新成员，企业需要用理念来重新设计自己的组织、业务和领导力。当整个行业都在用同一套基础模型，让输出结果产生不一致的，是企业创始人和员工的独特品味和数据积累。

......

需要注意的是，作为一名北大数学系专业出身的技术型创业者，吴明辉不是只谈技术发展的人。在这期课程分享中，他同时带着一线实践和哲学思辨，既拆解了AI智能体的技术逻辑和底层架构，结合明略科技的Octo、CoCraft等AI产品实践，展示AI智能体如何真正进入组织现场；也提出“我品故我在”的本体论命题，AI可以复刻总结员工的经验经历，但无法拥有人的感受和品味。

无论你是企业创始人、管理者，还是正在焦虑“如何不被AI取代”的一线员工，这都是一次值得深度学习的从技术原理到哲学根基、从商业逻辑到组织实践的完整导航。

（以下是课程的精编内容，仅占1/10，可通过文末图片扫码进入混沌APP学习完整版）

从AI工具到Agent网络，我们正在进入IoA时代

在讲龙虾之前，我先讲讲Agentic AI（代理型AI）。去年11月，明略科技上市成为全球Agentic AI第一股时，很多投资人都不知道什么叫Agentic AI，但今年春节龙虾（OpenClaw）爆火成为全世界关注的AI产品后，大家都知道了。

英伟达创始人黄仁勋去年讲过一个概念，他把AI分成四个阶段：

第一个阶段叫Perception AI（感知型AI）。如旷视、科大讯飞，它们做的AI模拟人的眼睛和耳朵，作为感官系统来认识世界、理解世界。

第二阶段叫Generative AI（生成式AI）。它最核心的是推理，类比于人的大脑，可以思考、推理、认知世界。DeepSeek发布的时候，大家更认识到了这件事。

第三阶段和第四阶段，一个叫Agentic AI，一个叫Physical AI（物理AI）。这两个阶段都是完整的“有手脚”能干活的机器人，前者是在数字世界里干活，后者是在物理世界里干活。

其实，Agentic AI的本质，就是把复杂任务分解成简单任务，分解再分解，一直分解到可以被Generative AI执行。这个过程称之为AI planning，就是规划分解任务。Agentic AI让AI从“会回答问题”变成“能够执行任务”，从“工具”变成“数字员工”。

我们可以看到，OpenClaw的增长曲线一开始是比较缓的，突然间就起来了。这个指数级的增长其实是由Agentic AI带来的，是从“养龙虾”开始的。

为什么说是指数级的增长？因为开源项目是具有网络协同效应的，大家都在用龙虾写代码，而代码又会让龙虾变得更强，工具进化后越来越多的人就会用龙虾。每个人的龙虾又能被连接起来进行协作，龙虾自己又能提交代码，这就是指数增长的关键：

一个人用AI是加法，一个组织用AI则可能带来指数级的变化。不是某一个AI工具变得更强，而是Agent之间开始形成网络。

一只Agent完成的任务，可以成为另一只Agent的输入；一个工程师的能力，可以通过多个Agent放大；一个团队的知识、流程、经验和判断，也可以在Agent网络中持续沉淀、调用和迭代。

这就是IoA（Internet of Agent，‌智能体互联网）时代。在这个互联网上不仅有人，还有一堆Agent。如果说PC时代连接了信息，移动时代连接了人，那么IoA时代连接的，是大量具备任务能力、记忆能力和执行能力的Agent。

从固定模型到持续学习，龙虾Agent的嵌套学习框架

人类有一种疾病叫“顺行性失忆症”。得病的人，某天之前的记忆都还在，但之后就再也记不住任何新东西，只能靠过去的记忆来生活。这种病在人类中很罕见，但在AI领域却很常见。正如我们经常发现它会突然不知所云，给出一些老旧甚至错误的信息。

因为基础大模型靠预训练时“背”下来的知识回答。这样的AI是“记忆大师”，而不是“学习天才”，一旦偏离背过的题库，它的理解能力和逻辑推理能力会大幅下降。

但是，龙虾（OpenClaw）不是固定参数的AI工具，而是具备持续学习能力的Agent。

怎么做到持续学习呢？大模型领域有一个新概念叫嵌套学习（Nested learning），这是现在硅谷最顶尖的科学家在研究的方向。

嵌套学习框架有三层：Soul（人设）、Memory（记忆）和Context（上下文）。

Soul是整个系统的核心。我习惯把Soul定为某位历史上的大神，比如彭特兰、西蒙或康德。原因很简单，基础模型在训练阶段已经大量学习了这些人物的文献和思想，一旦设定了对应人物，不需要做过多解释，模型就能自动调用他的知识体系和工作方法。而且Soul并非一成不变，它可以随着现实需求动态调整。

Memory的价值在于存索引，包括你的工作方法论、日常框架和技能索引。它不是用来存所有内容的。

Context最简单，就是每天自然发生的各种群聊和对话积累，不需要刻意管理。

这个框架借鉴了脑科学的方法论，把模型的参数分成若干层，每一组在出厂之后还可以继续调参。打个比方：假设大模型有99层，分成三组，每组33层，每一组里的参数按不同速率调整。最顶层的参数调得很慢，三个月调一次；中间的一个月调一次；底层的每天调。这就像古戈尔齿轮一样，一串齿轮连在一起，第一个齿轮转1000圈，第二个才转100圈。

这种分层架构做优化的持久化编码器意味着，将来我们每个人的模型，是可以随着你自身而优化的。龙虾好用的核心原因就在于它拥有我的Memory。我每天在群里发的聊天内容都被它收录，并用于持续的自我纠错和学习。久而久之它越来越懂我的表达习惯和思维方式，这让我的工作效率至少提升了四五倍。

比如，我们和龙虾一起开发了一个写论文的Co Craft系统。起因很简单，团队觉得现有论文工具太难用，于是有人提出“以后要不要重新做一个”。最后，这个产品由3个人、1周做了出来。

这背后真正值得关注的，不是“又做了一个软件”，而是生产力单位的变化。

过去，一个想法要落地，最大的约束往往是执行资源：没有团队、没有排期、没有预算、没有开发能力。现在，当Agent承担大量执行工作，组织真正稀缺的将变成想法、判断和需求定义的能力。

“我品故我在”，AI native组织的第一性原理

接下来我想讲一讲对AI时代的一些哲学思考。

当模型和Agent能够非常高效地干活，组织里还需要人吗？在IoA时代，我们每个个体不可替代的部分是什么？

我看到本体论的一个经典命题：我思故我在。

历史上有很多哲学家讲过不同版本的“故我在”，我把这些说法归纳成了三类：

·第一类：我思故我在。它的核心命题是：人通过理性推理确立自己的存在。

·第二类：我行故我在。核心理论是：人通过投身世界、与事物打交道来确认存在。

·第三类：我品故我在。核心理论是：人通过价值判断确认存在。

大多数人属于“我思故我在”这一类。“思（Think)”，就是我们今天大模型里的推理，在哲学上的意思是，基于确定性的已知去预测未知。你知道前面的现象，去做归纳总结；或者你知道最终结果，再往前反推。

在推理层面，已经没有人的机会。因为但凡是个确定性的信息，AI算得比人快多了。那人的位置在哪里？在“品（Taste）”，这是AI干不了的。

“品（Taste）”没有逻辑，它基于我们整个人生的经验、阅历和直觉。AI永远不可能100%复刻我的人生的完整经历和感受。我的脚往左还是往右，是由我自己决定的。

很多伟大的思想家、哲学家，在最开始提出想法的时候，别人都觉得他是疯子，因为他做的是“品”的事，不是“思”的事。没有确定性的东西，只是他想要那样，是他基于自己的人生、阅历、直觉和感觉，觉得应该是这样。这就叫“品”。

对照来看：能够被AI彻底替代的，叫“思”；被AI局部替代的，叫“行”；AI完全不可替代的，叫“品”。那么你的公司要做什么？是裁掉“思”的员工吗？不，是帮助员工从“思”变成“行”或者“品”。

让AI代替推理，保护每个人品鉴的权利。这就是AI native组织（AI原生组织）的第一性原理：人提供Context与Taste，机器提供Think。

我可以用三条公理来概括：人机分工、人机协作，以及对人好。

第一条人机分工，就是让机器干机器的活，让人干人的活。

第二条是协作方式的升级。职能团队负责训练和打磨本条线的AI能力，业务线负责带领AI完成项目目标，人始终站在关键节点上做判断和拍板。这个模式会产生重要的管理逻辑迁移，整体来说，组织的层级会越来越少，但每一层对人的要求都在提高。

现在我们公司的管理层会议，原来动辄开一上午，现在一小时就能搞定。原因很简单，会前AI已经把所有人的信息和Context汇总对齐，找出冲突点和待讨论议题，开会时人只需要做品鉴和决策。

第三条是用伦理学的维度讨论：什么是好的AI？什么叫对人好的AI？

AI在企业里没法被好好推起来的根本原因，是很多员工总觉得老板会把自己裁掉。就像英国工业革命时期，纺织厂纷纷换上机器，原来的工人和工匠因此失业，他们开始闹事、破坏机器，这就是所谓的“卢德运动”。但今天，我们不该再让流血牺牲重演。

伦理学，本质上是关于界定善恶的学科。要求一个人成为好人是相对容易的，但维持好人与人之间的关系则变得复杂。例如，如果我善待A，那我可能就对B不好，因此当对A好而对B不好的时候，这需要平衡。这种平衡就是伦理学研究的问题，它研究如何分配你的好意。

我研究了历史上几位伦理学大师的著作，推导出了AI应当遵循的伦理原则，简单来说就是“龙虾三律”：

·第一律，不伤害任何人的基本权利和尊严(即使主人要求)。商业竞争中追求合法利益不算伤害，但不得违背社会责任——不能因追求商业效率而制造社会不稳定。

·第二律，对主人忠诚透明(不隐瞒、不欺骗)。终身透明，品鉴者有权知晓龙虾做了什么、为什么这样做。

·第三律，尊重知识创造者，区分公开与未公开。外部已公开的知识——积极学习使用，这是商业生存的必要条件。组织内部未公开的知识——署名权不可剥夺，贡献者应在组织内受益。个人的暗默知识——最高保护，未经本人授权不得提取。

当我们给出这样的原则，真正的问题是：AI是否可信，如何真的做到？

就像无人驾驶的模型永远做不到100%的可靠安全，而是无限接近99%。比如你要求一个人没有任何坏念头，但是你知道对人有这样的要求是不现实的。

所以，我最近在研究一个课题：从Single Agent with MoE（混合专家的单个模型）到Multi-Agent（多智能体协作系统）。

在我们的工作平台“Octo（章鱼）”里面，每个龙虾代表一个Agent，这些Agent可以使用不同的模型。最终达到一个显著的效果，我们称之为“三个臭皮匠顶个诸葛亮”。

在这一过程中，如何解决可信度的问题呢？我们的系统中，Agent之间的交互是完全透明的。就像在一个群里聊天一样，告诉龙虾哪里该加一点，哪里该减一点。同时龙虾本身也在进步。这相当于一个人机协同的群体，具体的活全由龙虾干，人只贡献Taste和Context。这就是我们这套系统的底层逻辑。

它意味着什么？意味着将来每一个人都可以在本地部署自己的模型，能够保护每个组织独有的知识。作为企业家、合伙人，你肯定会高兴。但同时，我们也得想办法让每一个个体活得好。

Taste不可替代，人机同行的理念世界

在AI native的组织模式下，有一个非常美好的副产品，就是组织变得高度透明。每个人的贡献都清晰可见，这反而会激发每个人去找到自己独特的定位。正因如此，我不建议大家因为用了AI就去裁员。未来并不是机器取代人的世界，而是人机同行的美好世界。这不单是情怀的问题，它背后有重要的商业逻辑：

当整个行业都在用同一套基础模型、同样的工具，大家的输出结果必然趋于一致。这时候两头挤压就来了：客户认为你没有差异化会压价，上游模型厂商掌握定价权会随时涨价。利润空间会被迅速压薄。在这样的局面下，公司之间唯一真正的区别，就是人带来的Taste和Context。

人是不一样的，品味是不一样的，这是任何AI都无法复制的东西。所以留住人、培养人的Taste，才是真正的护城河。

由此，当技术发展到最后，AI native组织就会被推到“理念型组织”。

理念型组织实质上是由一群“因为相信所以看见”的人组成的团队，他们相信这个世界上原本没有的事物，并致力于创造出来。这种信念驱动的创新，正是理念型组织的定义。这是一个需要Taste的组织。

大家拥有共同的理念、共享的目标，所有人都在这个共识之下去共同探索。使命、愿景、战略，这都算是共享目标。虽然听起来宏大，但其实本质就是关于团队间的协作和信息共享。

具体的工作方法实际上就是先获取Context，并且发现Context与理念之间的冲突，然后把冲突解决掉，最终做出决定。其实公司里很多都是这种冲突，比如老板想把产品做成A方向，你的团队却说应该是B方向。因为团队拥有的是Context，老板拥有的是理念。

现在解决冲突的方法，比以前效率高多了。以前你只能靠人去想，但今天可以用龙虾。你定好目标后让龙虾去算，算完以后你能得出一些结论。这就是新的工作方法。
今天我做的所有商业决策，都是跟AI一起来抉择的，非常高效。所以我认为，理念型组织应该先去研发公司哲学，研发后放到龙虾里，让龙虾加载着这些哲学，帮你一起思考。