Xiao Hong 君 非常人也！通透、门儿清，难在还有心态、有执念，也有积累。我要是投资人，也投他。 一口气听完 张小珺 独家对话Manus肖弘，在在精彩。Xiao Hong 讲的都是白话，坦诚地道，不玄乎、不做作，却非常到位。他对自己及其产品的定位，对生态、对模型与应用两边，对未来，都有自己非常清晰的认知。作为10年创业者，他有自己的定力，坚持做自己（be yourself）。大模型 agent，他深知大厂如字节一定会短期内赶上来，但他相信，一定有空间容纳他这种应用狂。对模型厂家始终保持特别的推崇， 特别提到 DeepSeek 给应用生态带来了意想不到的积极因素。
肖弘（Xiao Hong, Red）是最近大火的大模型 agent Manus 的 CEO，继 DeepSeek 后国内大模型行业的新星。听肖弘的访谈，感觉就是AI应用新时代的"创业笔记"。这位90后但已创业10年的创始人不仅把大模型应用的发展脉络梳理得明明白白，还用大白话告诉创业者：在这场AI革命中，即使你不是DeepSeek这样的"模型大佬"，也能找到自己的一席之地。
从表单到Agent：AI应用的进化史
AI应用的进化就像是从翻盖手机到iPhone进化一样的戏剧性：
Jasper时代：抄作业思维，"亲，请填写您的目标受众和主题~"
ChatGPT时代：对话式指令，"嗨，我能帮你做什么？"
Monica时代：上下文感知，"我看到你在看这篇文章，需要我帮你总结吗？"
Cursor时代：代码执行力，"我不仅会聊天，还能写代码解决你的问题！"
Agent时代：异步规划执行，"我来帮你拆解任务，一步步完成，有结果随时汇报～"
这不就是从"功能机"到"智能手机"的进化吗？肖弘发现这种进化背后有一条清晰的主线：越来越符合普通人的习惯，能力边界越来越大。
"新安迪比尔定律"：应用公司如何吃掉模型能力
肖弘提出了"新时代的安迪比尔定律"：不管模型厂商造出多强大的模型，应用公司都可以把这些能力吃掉，并转化成用户可感知的价值。这就是大模型应用弄潮儿应有的定位。
这就像当年英特尔（Andy Grove）一旦提供更强的芯片，微软（Bill Gates）就会用更强大的操作系统把这些算力吃掉。现在，模型厂商提供了更强的推理能力，应用公司正在把它变成了能写代码、调用API、规划执行的智能代理（Agent）。
肖弘甚至半开玩笑地提供了一个创业秘诀："你预判下一个模型能力是什么，先把这部分应用做好，在前方等着模型能力变强。等那个模型能力提升到位，你就赢在了你预见的起跑线上！" 作为一位优秀产品大咖，他曾经用过这招，成就了他的第一次创业。
Agent活了！大模型应用的"啊哈时刻"
访谈中令人叫绝的一个场景是肖弘描述他们测试Agent的"啊哈时刻"：
他们给Agent一个任务，要它分析一个YouTube视频中某个时间点出现了几种动物。结果Agent不仅打开了YouTube，还自己决定使用快捷键以提升效率，精确定位到指定时间，然后分析画面内容给出答案。
肖弘的反应："你是真的会觉得自己在创造一个生命。"
这不就是《西部世界》的真实版前传吗？只不过现在的Agent还只是在数字世界里探索，而不是实体世界。
"用博弈的方式思考，而不是逻辑推理"
肖弘对创业思维的总结堪称清奇：不要用逻辑推理（"百度有最好的算法工程师，所以百度一定会把推荐做好"），而要用博弈思维（"因为某个玩家的加入，整个游戏规则都变了"）。逻辑推理里面没有字节什么事儿，博弈思维却可以容纳 Liang Wenfeng 与 Xiao Hong 这些新的玩家。
这就像下棋，不是简单地推导"如果我走这步，对方一定会走那步"，而是要考虑"因为我走了这步，对方可能会改变整个策略"。
在这种思维下，即使面对巨头林立的竞争环境，创业者也能找到自己的机会——不是通过线性推导（那样只会得出"一切都是巨头的机会"的悲观结论），而是通过成为改变游戏规则的变量。
就是说，Sam 鼓吹的头部大模型厂家碾压一切的前景最多只是一半的真理。模型与应用各司其长的空间大概率会长久存在。
XiaoHong 金句集锦
访谈中肖弘还抛出了一堆值得创业者贴在墙上的金句：
-
- "当你意识到你在创新、在领先，应当更激进，超级激进"
- "应该用最疯狂的幻想去理解，最好不用做空它"
- "不要把应用公司和模型公司对立"
- "Be Yourself最重要，而不是应激"
最后，面对AI飞速发展的未来，肖弘引用黄仁勋的话作结："接下来几年，什么事情发生会让你觉得很惊讶？"黄仁勋的回答是："Basically nothing（基本上没有什么）。"
换句话说，在AI时代，不管发生什么疯狂的事，都不要太惊讶——哪怕是你的Agent开始按快捷键看YouTube视频并回答问题。毕竟，agent 醒来才刚刚开始呢！
【相关】
张小珺 独家对话Manus肖弘：世界不是线性外推，做博弈中的重要变量
- 万字长文解析 LLM-native Agent 及其混合计算方式
- o3 deep research: LLM 驱动的 Agent 综述
- Agent：数字代理的崛起与未来
- Agent元年：从聊天机器人到数字员工的当代进化史
- 生成式AI学习中容易混淆的几个术语
- 思维链是大模型的符号神助攻
- 再谈自然模态数据是高维空间的低维流形
- 深度学习的局限性研究综述
- o3 deep research: 深度学习局限性研究报告
- 深度学习的基石：多层感知机
- o3 Deep Research: DeepSeek R1 多阶段训练流程问答解析
- RPA 赛道与大模型Copilots早期创业者的困局
- Transformer 和注意力机制简介
- 立委科普：如何理解自注意力机制中的QKV分工？
- DeepSeek 笔记：推理新范式 query+cot+answer 支持新的 scaling law 吗？
- DeepSeek 笔记：R1 部署阶段的推理机制
- 从R1幻觉谈起，大模型幻觉是缺陷还是创意火花？
- 推理强化学习是端到端的监督，推理过程的非监督
- DeepSeek 风暴下看看它的论文
- 大模型风云诡谲的下半场：scaling 失效？
