模型是煉油廠，值錢的是化工廠和汽車公司
基礎模型只要有兩家以上就不可能賺錢，會像電價一樣被捲成電費；真正的壁壘是別人沒存下來的 context 數據，以及大廠因為晉升機制永遠做不了的最後一公里。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
從理想主義創始人變成會算賬的創始人
吳明輝自述這三年最大的轉變，是從一個純理想主義的 founder 變成一個會經營的 founder。最誇張的時候公司賬上現金在一個億左右浮動，而他每個月就要花一個億——也就是一個月的轉備。現在公司自己造血能力明顯，已經盈利。他把這個轉變歸因於被迫扛住現金流，而不是主動學習。
— 吳明輝2020 年就做了 Copilot，但 L1 都不 ready
吳明輝說 2020 年底公司做的產品概念就是今天的 XGBT 和 Microsoft Copilot，當時叫小明助理。但這類產品 ready 需要 agentic model ready，按 Sam Altman 的 AGI 五層劃分需要 L3 的 model，而那個 moment 連 L1 都不 ready，聊天式 AI 都還不成熟。他復盤最大問題是技術預判過於樂觀，做的太早了。
— 吳明輝融一億美金，真正能用只有兩億
他拆了融資的去向：歷史財源的補償金就超過兩個億，先打出去三分之一給歷史員工；還有一部分還銀行貸款——銀行過去幾年不放貸，甚至騙你先還上再續貸，還完就不再貸。所以融了一億美金，真正留在公司能用的可能也就兩個億，賬上現金始終不寬裕。股東感慨他在資源這麼緊張的情況下還能做出產品，說明是成熟 CEO 了，不是靠燒錢的 CEO。
— 吳明輝數據是存下來的，沒存下來就不叫數據
他區分基礎模型和自己抓的數據：基礎模型抓的是快照，用來做 pre-train；他們抓的是持續變化，比如一個 KOL 每天的粉絲變化數。他拿天眼查類比——工商總局的數據在任何一個時間點上看都是快照，只能看到今天的股權架構，但每天去抓就能看到公司的歷史沿革和歷史糾紛。他的原話是「Data 這個事，其實它是一個數據，據就是憑證，存下來的意思，很多情況下，你沒存下來就不叫數據了」。客戶 12 年奧運會時來查 08 年奧運會的廣告情況，12 年再去抓已經沒有意義了。
— 吳明輝F 已經夠聰明，競爭就變成搶 X
他給出 Y 等於 FX 的框架：人類決策由好的模型 F 和對應它的依據 X 產生，F 是模型，X 是 context。當 F 已經足夠 smart，企業與企業、個人與個人、國家與國家的競爭，最後競爭的不是 F，而是 X——誰的 context 厲害、誰的 data 好。他由此推出：基於公開數據訓出的通用基礎模型，只要有兩家以上就不可能賺錢，會像電價一樣被捲成電費，因為別人可以蒸餾。所以他們的策略是進垂直行業，第一天進去就重建數據壁壘。
— 吳明輝Scaling Law 大到一定規模，基礎代謝就受不了
他用兩個類比反駁 Scaling Law 無限：一是《規模》這本書裡講的血管分叉，主動脈一層層分到毛細血管大概分 26 次，最後細到接近極限，帶寬是有極限的；二是芬蘭電梯廠商 KONE，樓高到一定程度纜繩已經比轎箱重很多，纜繩在自己拉自己，所以高樓必須分電梯，不能再高。他的結論是「scaling law 是一個特別瞎扯的一個事，就是他大到一定規模，他的基礎代謝就受不了了」。他建議做訓練應該多看生命科學的書，自己特別喜歡達爾文《物種起源》。
— 吳明輝大廠不做反饋慢的事，因為owner升不了職
吳明輝給了一個組織機制解釋：大廠不做最後一公里，不是因為它沒價值，而是因為反饋慢的事在組織里沒有 owner 能靠它晉升。每個人首先想的不是公司長期主義，而是明年能不能晉升、下季度考核怎麼樣。於是最聰明的一批人全被捲到反饋迭代最快的事上，做慢活的人長期得不到晉升，最後就不做了。他由此推出一個更狠的判斷：大公司跟大公司的競爭也不一樣，騰訊跟阿里的競爭就很不一樣。
— 吳明輝軟件行業規矩在中國徹底完蛋了，模型好一點
吳明輝說中國大 B 客戶賺錢後常要求「你把源代碼給我」，行業競爭激烈，你不給競爭對手就會給。軟件再好，源代碼交出去就能被複刻，離職員工也能拿出去再創業。但模型相對好很多，因為模型是黑盒：可以開源參數給你，data 肯定不會給你。他的原話是軟件行業規矩在中國徹底完蛋了，很多人給源代碼，大家覺得很 cheap，自己都覺得自己很 cheap；而 AI 行業到目前為止沒人敢跟他說把模型要過來，某種程度上對方要過去也看不懂。
— 吳明輝原話 · 已逐字校驗
我覺得我從一個純理想主義的一個founder 變成了一個會經營的founder
我覺得我從一個純理想主義的 founder 變成了一個會經營的 founder。
吳明輝0:00
但是相當於是我始終心裡面是有種不服氣的 就是憑什麼我不能把這事幹成
但是相當於是我始終心裡面是有種不服氣的，就是憑什麼我不能把這事幹成。
吳明輝1:30:58
機器人世代還沒來呢 所以我是真的不捨得賣這些資產的
機器人世代還沒來呢，所以我是真的不捨得賣這些資產的。
吳明輝1:43:02
Data這個事 其實它是一個數據 據就是憑證 存下來的意思 很多情況下 你沒存下來就不叫數據了
Data 這個事，其實它是一個數據，據就是憑證、存下來的意思，很多情況下，你沒存下來就不叫數據了。
吳明輝1:48:08
所以這就我給你舉個例子 就是scaling law 是一個特別瞎扯的一個事 就是他大到一定規模 他的基礎代謝就受不了了
所以這就我給你舉個例子，就是 scaling law 是一個特別瞎扯的事，就是它大到一定規模，它的基礎代謝就受不了了。
吳明輝2:11:24
因為那個反饋很慢的那個事的那個owner 他根本就不可能得到晉升的 所以他就使得他這種組織里面就不會存在這種人
因為那個反饋很慢的事的 owner，他根本就不可能得到晉升，所以這就使得這種組織里面不會存在這種人。
吳明輝3:11:05
我們就pass at 1了 然後直接一把搜它 所以對方確實是很震驚的
我們就 pass@1 了，然後直接一把刷榜，所以對方確實是很震驚的。
吳明輝3:23:09
數字與實體
| 最近一次估值 | 15億美金 | 2:12 |
| 總計融資金額 | 十幾億美金 | 2:12 |
| 年齡 | 43 | 2:12 |
| 最誇張時賬上現金 | 一個月花一個億 | 0:00 |
| 歷史財源補償金 | 超過兩個億 | 1:44:06 |
| 融資額 | 一億美金 | 1:44:06 |
| 留在公司可用資金 | 可能也就兩個億 | 1:44:06 |
| 血管分叉次數 | 大概26次 | 2:11:24 |
| 疫情前購入的GPU卡數量 | 1000張（含部分消費級卡） | 3:22:08 |
| OSWorld提交成績 | pass@1，第一波提交即刷榜 | 3:23:09 |
術語
- agentic model智能體模型
- 能自主規劃、調用工具、多步執行任務的模型，區別於單輪對話模型。
- pass@1一次通過率
- 模型第一次嘗試就答對的評測指標，強調不靠多次採樣刷分。
- MOA混合智能體
- 把多個各自專精的模型組合起來，整體能力超過單一通用模型。
- context上下文/依據
- 模型做決策時依賴的具體數據和背景信息，吳明輝用它指代 X。
收聽指南
適合正在做企業級 AI 產品的創業者、關注數據壁壘和模型競爭格局的投資人，以及想理解中國軟件業結構性問題的工程師。
開頭關於早期秒針和收購夜鶯的細節可快進，核心判斷在 1:48 之後。