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”

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