今天小編分享的教育經驗：對話“Manus”兩位創始人：2025，AI Agent即将引爆，歡迎閲讀。
DeepSeek 之後，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，引起全球範圍内的行業關注，邀請碼被一搶而空。
"Manus" 成了 AI 圈今天所有人的話題！
"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，還為用户創建定制旅行手冊；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 "。
在兩周之前，混沌邀請了
Monica.im 產品合夥人張濤
"Manus" 首席科學家，原 Magi 創始人 & 真格基金 EIR 季逸超
混沌創新領教、雲九資本合夥人任鑫
混沌創新領教、洪泰基金董事總經理潘楊
一同參加混沌圓桌探索流，深聊了《創新範式轉移，AI 革命下，創業何去何從？》。
這次圓桌探索流有兩位 "Manus" 背後的創業者參與，有助于我們深入了解這家公司的底層邏輯。
潘楊：關于 AI" 搶 " 人類的 " 飯碗 " 怎麼看？
張濤：我們預測今年将是人類歷史上 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，那麼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 将解決問題的時間從 8 小時縮短到 8 分鍾，那麼你的能力就會被放大。任何技術變革都會帶來短期的衝擊，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 将成為你的放大器。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着走。
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标做起。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，也沒想着一開始就拿融資，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。
潘楊：基于大模型的創業怎麼構建核心壁壘？
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——到底能解決什麼問題。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麼價值。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模化復制的市場需求。就像電和水是家家都有的基礎設施，但為什麼不是每一家奶茶店都能成為霸王茶姬或蜜雪冰城呢？這些成功品牌的背後，有很多共通的商業邏輯值得研究。
潘楊：如果大家技術都差不多，技術不再是核心壁壘，那壁壘到底在哪裏？
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，最後發現其實就是山姆 · 奧特曼説的話的道理：當 OpenAI 或者别的公司發布新模型時，你是開心還是緊張？如果你開心，説明你在做自己的事，不受影響；如果你緊張，那可能就不該做這件事。
其實，過去一年裏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。也就是説，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，然後慢慢平鋪開。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户先嘗到甜頭，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户基礎。Monica 積累了一定用户後，其壁壘逐漸形成。比如，假設我有一個創意，可以讓浏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 萬用户。他們要麼直接購買我的創意，要麼将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。關鍵在于動态把握機會。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後，壁壘也就自然形成了。
潘楊：AI 時代參與競争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，卻沒有任何競争對手，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？為什麼連競争對手都沒有？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。
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。比如程式員雖可能是受 AI 影響最大的群體，但公司不可能完全沒有程式員，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着很多 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。在傳統公司裏，層級架構依然重要。大家不妨轉變心态，别擔心工作被 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，因此要向產業鏈上遊、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。
潘楊：組織内的 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着手，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 的内容，但我一直呼籲大家保持冷靜。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适。
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标之一。因為企業續費的前提是感受到產品在一年内的實際價值。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，讓他們在公司内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 " 示範效應 " 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，那些舊知識都會幹擾我。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，是我們坐在這裏永遠規劃不出來的。
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 的協作在在哪裏？無論是語言生成或者是影像生成，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，最後誰來完成 " 改 " 的這個環節，如果還跟 AI 是拿語言作為這個接口，很難達到最後滿意的效果，團隊中還是需要一個人去完成最後的工作。人可能還會在一段時間内扮演 AI 到最後交付的最後一公裏，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 是特别積極的，但是需要明确幾個事項。首先，公司人員肯定是沒有什麼變化的，更多的還是賦能。比如，早期客户的 brief 過來之後，公司需要考慮如何切入需求，廣告行業要拿着需求去投标，傳統小工作室的方式就是老板帶着幾個核心員工一起商量，這個環節其實特别适合現在的 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，當公司去解決客户的需求的時候，一定要對客户進行研究，查清客户的背景和真實需求，甚至 AI 可以查清用户近期關注的事項，從而進行快速的信息整合，傳統工作室就做不到這點。基于 AI 提供的信息報告，再研究通過哪種方式去打動客户，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網域，AI 已經能取代很多非頂級的廣告策劃了。對于文案和影像視頻生成等問題，用 AI 來做内部的概念驗證和客户溝通是完全足夠的。但是短期内不要寄希望于 AI 可以交付商業級别的作品，這方面還是要靠專業人士。
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确，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 的重要領網域，但過去在應用落地方面一直缺乏好的方向。後來，我了解到一家公司，他們将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 " 煉鋼爐啓動時，該區網域禁止人員進入 "，他們将其轉化為一個特征。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，即使安排真人盯着 100 多路 Video（視頻），也很難做到全面監控，因為這是真實的需求。現在，技術從 " 做不到 " 變成了 " 能做到 "，雖然不能保證 100% 準确，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，将危險信号抛出後由真人确認。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。
潘楊：人類在使用 AI 大模型時，到底讓渡了什麼權利？
任鑫：首先，我不認為人有什麼天然的權利。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，他憑什麼擁有這種權利呢？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，留下痕迹多的内容自然會更受關注，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台，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台上。這樣，我讓渡的權利就會更少。一旦我綁定在某個平台上，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。但動态地看，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。但這種狀态是短暫的。
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。當下來説，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。這説明随着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 的文字表達變得常态化後，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 " 标準的 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。
潘楊：是否可以認為在這種看似智力更新的幻想背後，隐藏着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标，這是人類的一個恒久命題。
季逸超：用户問 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，國外寫文章還保留着超鏈接這個特别樸素的習慣，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，好像有點説不太過去。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 分鍾内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，最後我獲得的信息量是更全面和更有效的。
潘楊：對于今年 DeepSeek 引爆應用市場，後續的發展趨勢，您是如何看待的？
季逸超：首先可以确定，AI 在中國的熱潮可能是 DeepSeek 帶起來的，我覺得這非常好。之前在國内，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，其實還有需要探讨的方面。
第一點，DeepSeek 的模型（無論 V3 還是 R1）本身更側重推理能力，在多模态、函數調用、長期規劃等能力上并不出眾。這可能是因為 DeepSeek 團隊前期将資源集中于推理優化，對多模态采取了戰略性後推策略。如果專注于智能體領網域，可以借 DeepSeek 的東風，但需避免過度綁定其技術路線，需等待其多模态能力的進一步發展。
第二點，因 DeepSeek 的爆發，國内外對 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，國内推理廠商的 Infra 優化普遍不足，仍需大量工作。若要将智能體與 Infra 結合，2025 年将是一個關鍵機遇。傳統算力關注點主要在訓練階段，但智能體帶來的 24 小時持續推理需求将徹底改變格局——互動時長延長導致 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。
潘楊：最後，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 或者自然員的第十三年了，一直驅動自身能夠堅持學習的根本原因就是壓力和恐懼。人不能沉浸在温柔鄉中，一定要經常吓吓自己。
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麼，為什麼是這個樣子，未來會發生什麼事情？好奇心會驅使我去做很多事情。在一個不具有确定性的領網域中，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，我們将會是最幸運的一代，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。
