模型是炼油厂，值钱的是化工厂和汽车公司
基础模型只要有两家以上就不可能赚钱，会像电价一样被卷成电费；真正的壁垒是别人没存下来的 context 数据，以及大厂因为晋升机制永远做不了的最后一公里。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
从理想主义创始人变成会算账的创始人
吴明辉自述这三年最大的转变，是从一个纯理想主义的 founder 变成一个会经营的 founder。最夸张的时候公司账上现金在一个亿左右浮动，而他每个月就要花一个亿——也就是一个月的转备。现在公司自己造血能力明显，已经盈利。他把这个转变归因于被迫扛住现金流，而不是主动学习。
— 吴明辉2020 年就做了 Copilot，但 L1 都不 ready
吴明辉说 2020 年底公司做的产品概念就是今天的 XGBT 和 Microsoft Copilot，当时叫小明助理。但这类产品 ready 需要 agentic model ready，按 Sam Altman 的 AGI 五层划分需要 L3 的 model，而那个 moment 连 L1 都不 ready，聊天式 AI 都还不成熟。他复盘最大问题是技术预判过于乐观，做的太早了。
— 吴明辉融一亿美金，真正能用只有两亿
他拆了融资的去向：历史财源的补偿金就超过两个亿，先打出去三分之一给历史员工；还有一部分还银行贷款——银行过去几年不放贷，甚至骗你先还上再续贷，还完就不再贷。所以融了一亿美金，真正留在公司能用的可能也就两个亿，账上现金始终不宽裕。股东感慨他在资源这么紧张的情况下还能做出产品，说明是成熟 CEO 了，不是靠烧钱的 CEO。
— 吴明辉数据是存下来的，没存下来就不叫数据
他区分基础模型和自己抓的数据：基础模型抓的是快照，用来做 pre-train；他们抓的是持续变化，比如一个 KOL 每天的粉丝变化数。他拿天眼查类比——工商总局的数据在任何一个时间点上看都是快照，只能看到今天的股权架构，但每天去抓就能看到公司的历史沿革和历史纠纷。他的原话是「Data 这个事，其实它是一个数据，据就是凭证，存下来的意思，很多情况下，你没存下来就不叫数据了」。客户 12 年奥运会时来查 08 年奥运会的广告情况，12 年再去抓已经没有意义了。
— 吴明辉F 已经够聪明，竞争就变成抢 X
他给出 Y 等于 FX 的框架：人类决策由好的模型 F 和对应它的依据 X 产生，F 是模型，X 是 context。当 F 已经足够 smart，企业与企业、个人与个人、国家与国家的竞争，最后竞争的不是 F，而是 X——谁的 context 厉害、谁的 data 好。他由此推出：基于公开数据训出的通用基础模型，只要有两家以上就不可能赚钱，会像电价一样被卷成电费，因为别人可以蒸馏。所以他们的策略是进垂直行业，第一天进去就重建数据壁垒。
— 吴明辉Scaling Law 大到一定规模，基础代谢就受不了
他用两个类比反驳 Scaling Law 无限：一是《规模》这本书里讲的血管分叉，主动脉一层层分到毛细血管大概分 26 次，最后细到接近极限，带宽是有极限的；二是芬兰电梯厂商 KONE，楼高到一定程度缆绳已经比轿箱重很多，缆绳在自己拉自己，所以高楼必须分电梯，不能再高。他的结论是「scaling law 是一个特别瞎扯的一个事，就是他大到一定规模，他的基础代谢就受不了了」。他建议做训练应该多看生命科学的书，自己特别喜欢达尔文《物种起源》。
— 吴明辉大厂不做反馈慢的事，因为owner升不了职
吴明辉给了一个组织机制解释：大厂不做最后一公里，不是因为它没价值，而是因为反馈慢的事在组织里没有 owner 能靠它晋升。每个人首先想的不是公司长期主义，而是明年能不能晋升、下季度考核怎么样。于是最聪明的一批人全被卷到反馈迭代最快的事上，做慢活的人长期得不到晋升，最后就不做了。他由此推出一个更狠的判断：大公司跟大公司的竞争也不一样，腾讯跟阿里的竞争就很不一样。
— 吴明辉软件行业规矩在中国彻底完蛋了，模型好一点
吴明辉说中国大 B 客户赚钱后常要求「你把源代码给我」，行业竞争激烈，你不给竞争对手就会给。软件再好，源代码交出去就能被复刻，离职员工也能拿出去再创业。但模型相对好很多，因为模型是黑盒：可以开源参数给你，data 肯定不会给你。他的原话是软件行业规矩在中国彻底完蛋了，很多人给源代码，大家觉得很 cheap，自己都觉得自己很 cheap；而 AI 行业到目前为止没人敢跟他说把模型要过来，某种程度上对方要过去也看不懂。
— 吴明辉原话 · 已逐字校验
我觉得我从一个纯理想主义的一个founder 变成了一个会经营的founder
我觉得我从一个纯理想主义的 founder 变成了一个会经营的 founder。
吴明辉0:00
但是相当于是我始终心里面是有种不服气的 就是凭什么我不能把这事干成
但是相当于是我始终心里面是有种不服气的，就是凭什么我不能把这事干成。
吴明辉1:30:58
机器人世代还没来呢 所以我是真的不舍得卖这些资产的
机器人世代还没来呢，所以我是真的不舍得卖这些资产的。
吴明辉1:43:02
Data这个事 其实它是一个数据 据就是凭证 存下来的意思 很多情况下 你没存下来就不叫数据了
Data 这个事，其实它是一个数据，据就是凭证、存下来的意思，很多情况下，你没存下来就不叫数据了。
吴明辉1:48:08
所以这就我给你举个例子 就是scaling law 是一个特别瞎扯的一个事 就是他大到一定规模 他的基础代谢就受不了了
所以这就我给你举个例子，就是 scaling law 是一个特别瞎扯的事，就是它大到一定规模，它的基础代谢就受不了了。
吴明辉2:11:24
因为那个反馈很慢的那个事的那个owner 他根本就不可能得到晋升的 所以他就使得他这种组织里面就不会存在这种人
因为那个反馈很慢的事的 owner，他根本就不可能得到晋升，所以这就使得这种组织里面不会存在这种人。
吴明辉3:11:05
我们就pass at 1了 然后直接一把搜它 所以对方确实是很震惊的
我们就 pass@1 了，然后直接一把刷榜，所以对方确实是很震惊的。
吴明辉3:23:09
数字与实体
| 最近一次估值 | 15亿美金 | 2:12 |
| 总计融资金额 | 十几亿美金 | 2:12 |
| 年龄 | 43 | 2:12 |
| 最夸张时账上现金 | 一个月花一个亿 | 0:00 |
| 历史财源补偿金 | 超过两个亿 | 1:44:06 |
| 融资额 | 一亿美金 | 1:44:06 |
| 留在公司可用资金 | 可能也就两个亿 | 1:44:06 |
| 血管分叉次数 | 大概26次 | 2:11:24 |
| 疫情前购入的GPU卡数量 | 1000张（含部分消费级卡） | 3:22:08 |
| OSWorld提交成绩 | pass@1，第一波提交即刷榜 | 3:23:09 |
术语
- agentic model智能体模型
- 能自主规划、调用工具、多步执行任务的模型，区别于单轮对话模型。
- pass@1一次通过率
- 模型第一次尝试就答对的评测指标，强调不靠多次采样刷分。
- MOA混合智能体
- 把多个各自专精的模型组合起来，整体能力超过单一通用模型。
- context上下文/依据
- 模型做决策时依赖的具体数据和背景信息，吴明辉用它指代 X。
收听指南
适合正在做企业级 AI 产品的创业者、关注数据壁垒和模型竞争格局的投资人，以及想理解中国软件业结构性问题的工程师。
开头关于早期秒针和收购夜莺的细节可快进，核心判断在 1:48 之后。