Manus和它的“8000萬名員工”

本文系基于公開資料撰寫，僅作為信息交流之用，不構成任何投資建議

迄今為止，所有關于Manus的公開討論，幾乎都未觸及核心。就連剛過去的周末，唐杰、楊植麟、林俊旸、姚順雨這四位“基模四杰”圍爐聊天，聊到Manus的意義時也只是避重就輕，一筆帶過。

這事兒有點反常。大概率是因為Manus現在正處在風口浪尖，大家不方便說太深。但放到今天來看，任何一場關于人工智能的討論，要是繞開了Manus，價值都會大打折扣。

維特根斯坦說過：“凡是可以言說的，都可以說清楚。”Manus代表的技術演進方向，正好就是能說清楚的那種——它不是一次普通的技術升級，而是AI應用的“DeepSeek時刻”，標志著人工智能從“只會生成內容”轉向“能自主完成任務”的范式轉變。

就像當年DeepSeek問世，把開源領域的大模型應用門檻拉低，讓普通人也能用上大模型一樣；Manus的“多智能體系統”，靠大模型和虛擬機的巧妙結合，直接把AI變成了能自己搞定復雜任務的數字生產力。

其實不管是OpenAI、Anthropic，還是國內的DeepSeek、字節跳動，早就等著這么一個能把“AI應用”說透的時刻了。無論 Manus 如何年少乖張、誤入歧途，但它摸索出的這條AI應用路徑，哪怕只是靈光一現，也配得上“偉大”兩個字。

Manus模式的價值，核心就三點：

1.它是人類歷史上第一家擁有8000萬名以上“員工”的公司；

2.其本質是一套“人工智能操作系統”；

3.它代表的技術模式最終一定會跑通，而這將意味著人類文明實現0.5個級別的躍升。

以上所言，并無虛妄。接下來，AI行業會迎來繼算力之后的又一場“囚徒困境”式戰爭。從各種模型新勢力，到BAT這些大廠，再到Meta、字節、OpenAI，還有Anthropic和DeepSeek，沒人能置身事外。

01

Manus的“8000萬名員工”

Manus對外披露的核心數據里，大家最關注的往往是它的年度經常性收入（ARR）突破1億美元，還有累計處理了147萬億tokens的龐大規模。但真正能體現它模式核心的，是“創建超過8000萬虛擬計算機實例”這個指標——外界常忽略這點，可這才是它的關鍵玄機。

拿移動互聯網時代做個對比，就能看清它的顛覆性：

移動互聯網時代，云計算是操作系統，支撐著數以億計的虛擬機（也就是云服務器），這些虛擬機都是靠人來操作的。人類精英在這些虛擬機上搭建起電商、社交、短視頻這些萬億級產業；

而Manus模式，是用編程語言當核心調度規則，把Claude、GPT、千問這些第三方先進大模型整合起來，在算力基礎上搭建了8000萬臺由AI自主操作的“虛擬機”。每一臺虛擬機都是一個獨立的數字工作單元，能做研究、搞開發、處理自動化任務，本質上就相當于8000萬個功能不同的AI員工。

這標志著核心操作者徹底變了：從人變成了AI。而支撐這種轉變的Manus系統，就是AI的操作系統——多智能體系統。

再往深想，Manus模式意味著人類正在迎來一次“文明級”的生產力飛躍。

首先，所有和數字經濟相關的勞動崗位，都能夠被AI接管，這本身就相當于文明提升了0.5個級別；一旦算力更加充裕，AI員工從8000萬擴展到8000萬億級別（當然其中的系統復雜程度也將不可同日而語），它能迸發的能量會徹底重構現有物理世界的所有生產工具。

到那時候，具身智能體（人形機器人只是其中一種）會在絕大多數領域取代人類，甚至取代現在的自動化設備，那就能帶來一整個級別的文明躍升。

02

AI應用的“DeepSeek時刻”

2024年初，Anthropic發布多智能體系統的研究結果時，一組數據小小地震撼了整個行業：在多智能體架構下，Claude Opus處理復雜任務的性能，比單個智能體提升了90.2%。

這組數據背后藏著一個簡單卻深刻的道理：真正的智能從來都不是孤立存在的。

深度學習興起后，AI發展一直盯著“把單個模型做強”這條路——堆更多參數、用更大的訓練數據、設計更復雜的架構，似乎這是實現AGI的唯一正解。比如GPT-4的參數達到1.8萬億，Gemini Ultra搞了跨模態融合，Claude 3在長上下文理解上有突破。

但現實很殘酷，這條路已經走到頭了，邊際效益越來越低。

多智能體系統走的是另一條路：不追求無所不能的“超級大腦”，而是打造分工明確、能協同工作的“智能社會”。在Manus的架構里，規劃代理像戰略家，負責讀懂用戶需求、制定行動方案；執行代理像專業工人，各自調用工具完成任務；驗證代理像質檢員，確保每個環節的結果準確。

這種分工帶來的效率提升很驚人。

Anthropic的實驗顯示，處理那些需要并行推進、信息量超出單個模型上下文窗口的任務時，多智能體系統的表現比單智能體好90.2%。更關鍵的是，95%的性能差距都能歸因于三個因素：token使用量（占80%）、工具調用次數和模型選擇。

也就是說，多智能體靠合理分配任務、調度資源，實現了“1+1>2”的協同效果。

理論上來說，AI發展能分成三個階段：第一階段是感知智能，比如圖像識別、語音識別；第二階段是認知智能，比如理解語言、邏輯推理；現在正進入第三階段——多智能。

多智能的核心不是單個智能體的能力，而是協作能力。人類文明能實現飛躍，就是從個體狩獵變成群體協作開始的。多智能體系統本質上就是在數字世界里重演這個進化過程：當多個AI能像人類團隊一樣分工、協作、糾錯、優化時，它們解決復雜問題的能力就會發生質變。

其實之前已經有很多單點突破證明了AI的實力：DeepSeek-Math在數學推理上贏了人類選手，AutoGPT能自己完成復雜項目，Devinci的代碼生成水平接近資深工程師。

而多智能體系統要做的，就是把這些“專家”組織起來，讓它們協同干活。這不是技術的簡單升級，而是能力的指數級爆發。

在專門評估AI處理現實復雜任務的GAIA基準測試里，Manus在所有三個難度級別都拿了最好成績，分數超過OpenAI的DeepResearch，成了排名第一的AI助手。要知道，GAIA測試考的都是需要多步驟推理、調用外部工具、長遠規劃的問題，能拿第一說明Manus的能力是實打實的。

商業上的表現更能說明問題。Manus推出不到一年，年度經常性收入（ARR）就突破了1億美元，這個成績遠超大多數SaaS初創公司的同期表現。現在還有250多萬人在排隊等著試用，它的兩個定價檔次——39美元/月的基礎版和199美元/月的專業版——也把商業化路徑走得很清晰。

這背后的邏輯很簡單：當AI能真正代替人類完成從頭到尾的復雜工作，而不只是當個輔助工具時，它的商業價值就從“提升效率”變成了“替代勞動力”。

這標志著AI應用徹底告別了“玩具”“助手”階段，正式進入“工作者”階段——這就是AI應用的“DeepSeek時刻”。

02

多智能體系統的幾塊技術基石

多智能體系統能有這么強的能力，不是憑空來的，背后靠的是多重核心技術支撐：虛擬機提供的安全執行環境、算力池化實現的高效資源利用，還有智能編排保障的協同工作流。

這些技術看著基礎，甚至古舊，卻是把多智能體從理論變成靠譜產品的關鍵。

1.虛擬機：AI的“獨立工作車間”

Manus會為每個任務創建獨立的云端虛擬機沙盒，這個設計解決了AI產業化的核心難題：安全和可靠。

傳統AI應用常遇到“環境不兼容”的問題——生成的代碼換個地方就跑不起來，調用的工具和系統沖突，一個任務出錯還會影響整個系統。虛擬機技術提供了完全隔離的執行環境，讓每個任務都在“干凈”的環境里開始和結束，既保證了系統穩定，也能讓結果重復驗證。

更重要的是數據安全。企業用戶最擔心的就是敏感數據在AI處理時泄露或被污染。Manus的虛擬機架構做了四級安全防護：網絡隔離防止數據跨任務流動，任務完成后沙盒直接銷毀，確保沒有數據殘留，訪問權限按“最少夠用”原則分配，每個操作都有審計記錄。

到現在，Manus至少創建了超過8000萬臺獨立虛擬機，這個數字不僅體現了它的規模，更證明了這套架構的穩定性和可擴展性。

從云計算的角度看，這種模式很有顛覆性。”虛擬機是云服務的核心產品，隨著多智能體應用爆發，它的需求肯定會大幅增長。而更重要的是，中國那些在云計算時代虛擬機技術上沉淀諸多的公司——百度、阿里、深信服們，將在新的技術競爭周期迎來又一個春天。

2. 池化與編排：聰明的“資源管家”

多智能體系統的另一個核心優勢，是能智能管理資源。Manus用“分層推理”的策略，根據任務難度動態匹配模型：簡單任務用Llama 3這種輕量級開源模型，復雜任務才動用Claude 3.5這種重型模型。這種精細化調度，把單個任務的token消耗降到了行業平均水平的1/3。

池化技術的核心是打破“資源孤島”。傳統AI應用常為每個功能單獨部署模型，導致資源浪費。Manus建了統一的算力池和模型池，能全局調度、動態分配資源。用戶提交復雜任務時，系統不會讓一個超大模型包攬所有事，而是從池子里調多個合適的模型和工具，讓它們各展所長、協同完成。

智能編排系統就是多智能體的“指揮中樞”，要解決一系列復雜問題：怎么把大任務拆成小任務？哪些小任務能同時做？哪些必須按順序來？算力不夠時怎么分配？任務出問題了怎么處理？

Manus的編排系統靠強化學習不斷優化，分析了數千萬次任務執行數據，持續改進任務拆分和資源分配的算法。

Manus的技術博客里能看出來，它背后有很強的工程化能力——比如上下文管理、穩定虛擬機環境搭建、外部應用集成這些。這些看似“不核心”的工程問題，恰恰是多智能體系統能否穩定運行的關鍵。

大模型的上下文窗口限制是個大難題，就算最新的模型支持100萬tokens，應對真正復雜的任務還是不夠。Manus用了個巧妙的上下文管理策略，只把必要的信息傳給每個智能體，既保證任務信息完整，又不浪費上下文空間。

中國團隊在工程實現上的優勢很明顯。和硅谷公司側重算法突破不同，中國工程師更擅長把先進技術變成穩定靠譜的產品。Manus的工程能力體現在很多方面：能支持10萬+任務同時運行，復雜工作流能自動重試、找替代方案，響應時間穩定可預測。這些工程細節的打磨，是多智能體從“演示demo”變成“商業產品”的必經之路。

以上邏輯上看，Manus無疑是DeepSeek之后最具突破性的AI公司。

03

下一場“囚徒困境”式AI戰爭

大廠必須跟進的原因，其實就三個維度：

技術上，多智能體是大模型能力的“放大器”。單個大模型再強，處理復雜任務也有局限，多智能體靠協作能突破這個瓶頸，不跟進的話，自家大模型的應用價值會大打折扣；

產品上，多智能體重新定義了人機交互方式。從“人操作AI”到“AI自主完成任務”，這種轉變會催生出全新的產品形態，錯過這個轉變，可能就像諾基亞錯過智能手機一樣，從領導者變成旁觀者；

生態上，多智能體平臺可能成為新的生態中心。就像iOS和Android撐起了移動互聯網生態一樣，多智能體平臺可能會成為AI應用的開發、部署和運行基礎，失去這個平臺地位，在AI時代就會被邊緣化。

從公開的專利、人員流動和技術路線圖能清楚看到，全球科技巨頭都在加速布局多智能體：

國外這邊，Meta不僅收購了Scale AI增強數據能力，內部的多智能體團隊已經把Llama系列模型和多智能體框架結合，在內部管理任務中提升了30%的效率——雖然大模型很拉胯，但在認知水平上Meta顯然是被低估的；

Google的Gemini項目本來就包含多智能體協作的思路，還公開了《AGENTS：多智能體語言模型系統開源框架》的核心架構；

微軟通過Azure AI提供多智能體開發工具，還把這能力集成到Office和Dynamic 365里，想做“企業數字員工平臺”；亞馬遜的AWS Bedrock新增了多智能體編排功能，讓企業能基于多種大模型搭建自己的系統。

國內市場也一樣熱鬧：

一年前，阿里千問團隊就被傳出過于Manus存在合作，計劃用打造適合中國市場的Agent系統；騰訊引人姚順雨之后，目標非常明確，直至智能體能力；百度作為強化學習時代的領導者，在“智能體編排平臺”技術領域有深厚沉淀，相關多智能體技術專利也已在2025年內曝光；

字節跳動的動向雖顯神秘，但2026年繼續高強度提升算力水平，也在側面折射出其在智能體應用上存在巨大需求——豆包手機或許只是個煙霧彈，正餐大概率會是多智能體。

與此同時，最可被寄以厚望的本土模型新勢力則是月之暗面（Kimi），它早在半年前就已經快速入局多智能體（OkComputer項目）。近期，這家公司完成了5億美元的C輪融資，由IDG資本領投，估值達到30億美元。這次融資的主要用途之一，就是“加強多智能體系統的研發和產品化”，目標是一年內實現1億美元的ARR，復制Manus的增長路徑。

如果Kimi這個目標能實現，就證明多智能體的商業模式是可復制的，到時候會有更多創業公司扎進這個領域，競爭會更激烈。

當然最重要的信號還是來自DeepSeek，多智能體系統的根據在于系統化AI編程能力——即AI的通用語言能力，當前全球最強的AI編程模型公司是Anthropic，基于這一能力，Anthropic實則已經超越OpenAI成為全球第一強的大模型公司。而據說春節前后DeepSeek將推出的新版本模型，即對標Anthropic的模型編程能力。一旦如此，中國AI多智能體應用便將少去所有技術上的后顧之憂，中國AI應用的寒武紀便將完全爆發。

04

人類角色歷史性轉變：從操作者到管理者

多智能體系統帶來的一個深刻變化，很容易被低估：編程語言正在變成AI之間的“通用語言”，而人類和AI的關系，正在從“操作者-工具”變成“管理者-團隊”。

觀察Manus的工作過程會發現一個有意思的現象：用戶用自然語言下達指令，但AI之間溝通，卻大量用結構化、精確的“類代碼”語言。規劃代理傳給執行代理的不是模糊的描述，而是包含函數調用、參數設置、條件判斷的“任務說明書”。

這是效率的必然要求。自然語言雖然表達豐富，但容易有歧義，多個AI要精準協作，模糊的指令只會導致錯誤和低效。代碼或類代碼語言能做到無歧義表達，確保每個AI都清楚自己該做什么、要達到什么標準。

比如用戶要求“分析公司財報并提取關鍵財務指標”，規劃代理不會直接把這句話轉給執行代理，而是轉換成一系列精確的操作指令。這種代碼化的任務描述，不僅精準，還能驗證、調試、重復使用。這背后是人機協作方式的根本轉變：人類不用再糾結“怎么干”，只需要說清楚“干什么”就行。

當AI能用代碼級的精度理解和執行創造性任務時，人類創造性勞動的內涵就變了。傳統的“創造性工作”里，其實藏著很多重復、模式化的內容：市場分析師收集數據、設計師調整布局、程序員調試代碼、律師查閱案例。這些工作雖然需要專業知識，但本質上是常規執行。

多智能體系統能自動化的，正是這部分“創造性工作里的執行環節”。短期內，它們不會取代人類的戰略判斷、審美選擇和價值取向，但能把人類從繁瑣的執行里解放出來。

這會帶來兩個結果：一是初級、中級創造性工作的需求可能減少；二是高階創造性工作的價值會被放大。比如AI能完成80%的常規設計任務，人類設計師就能專注于那20%需要突破性創意的部分；AI能寫標準法律文件，人類律師就能更專注于復雜案件的策略和法庭辯論。

這不是職業消失，而是職業進化。就像計算機沒消滅會計師，只是把他們從手工記賬里解放出來，變成了財務分析師和戰略顧問一樣，多智能體也會重塑每一個知識型職業。

生產力的飛躍一定會帶動生產關系的調整。多智能體帶來的不只是效率提升，還有組織方式的根本變革。

傳統企業的層級結構，是圍繞人類的能力限制設計的：需要管理層定戰略、中層傳指令、基層執行，因為信息傳遞和處理能力有限。而多智能體能瞬間完成從戰略解析到任務執行的全過程，企業的層級會變得越來越扁平。

更深刻的變革，在于生產資料所有權的重新定義。工業時代的核心生產資料是機器，信息時代是數據和算法，到了多智能體時代，“智能體團隊”本身就成了核心生產資料。企業不用再雇傭大量人類員工組成團隊，而是可以“租用”或“培養”AI智能體團隊。

這種轉變已經開始了。Manus的定價模式，本質上就是“數字勞動力租賃服務”：39美元/月能同時運行2個任務，199美元/月能同時運行5個任務。對中小企業來說，這意味著不用雇全職團隊就能獲得專業能力；對大企業來說，就能靈活調整“數字員工”規模，應對業務波動。

而生產關系變革里，最大的挑戰可能是分配問題——當AI創造了大量價值，這些價值該如何在企業、用戶和社會之間分配，目前還沒有明確的答案。

05

被低估的風險：數據主權與系統安全

多智能體系統高歌猛進的背后，有兩個核心要素被嚴重低估：數據和安全。它們就像數字世界的暗物質，看不見卻支撐著整個系統，一旦出問題，可能從基石變成致命弱點。

傳統AI里，數據主要是訓練模型的“原料”——越多越好、越多樣越好。Meta花143億美元收購Scale AI 49%的股份，就是這個思路：靠高質量、大規模的標注數據提升模型性能。但在多智能體系統里，數據的角色徹底變了。

在這里，數據不只是訓練原料，還是AI之間協作的“流通貨幣”，更是系統進化的“記憶載體”。每個任務執行過程中，規劃代理的任務分解策略、執行代理的工具調用經驗、驗證代理的錯誤總結，都會以數據形式沉淀下來，變成系統的集體智慧。

Manus據稱通過聯邦學習建的“經驗庫”，已經積累了2000多個行業任務模板和千萬級的任務執行記錄。這些不是原始訓練數據，而是結構化、可復用的“工作記憶”。遇到相似任務時，系統不用從頭推理，直接調用優化過的方案，效率最高能提升60%。

這種轉變帶來了新問題：數據的產權和價值分配變模糊了。用戶的任務需求、系統生成的執行策略，到底屬于誰？用這些數據優化系統、服務其他用戶時，怎么保障原用戶的權益？行業現在還沒形成共識，但這是多智能體商業化必須解決的根本問題。

還有個隱性風險是數據質量的“馬太效應”：優質用戶（能提出清晰復雜需求的專家）產生的數據質量高，能讓系統在相關領域越變越好，進而吸引更多優質用戶，形成正向循環；而低質量數據會讓系統在某些場景下停滯甚至退化。這種分化可能加劇數字鴻溝，讓多智能體變成少數人的“特權工具”。

單智能體的安全問題主要是“輸入輸出安全”，比如防止惡意提示、輸出有害內容；但多智能體的安全挑戰要復雜得多，涉及流程安全、協作安全和進化安全三個層面。

流程安全是多智能體特有的問題。一個任務拆成多個子任務讓不同AI并行執行時，可能出現意想不到的風險。比如財務分析任務里，“數據收集AI”不小心爬取了敏感信息，“報告生成AI”又把這些信息寫進了最終報告，導致數據泄露。單獨看每個AI的行為都沒問題，但組合起來就出了安全漏洞。

Manus的虛擬機沙盒能提供基礎隔離，但解決不了AI之間的語義級安全問題。所以它加了“安全驗證代理”，專門監控任務執行中的數據流和權限使用。但這會增加系統復雜度和成本——測試顯示，完全的安全監控會讓任務執行時間增加15%-30%。

協作安全更微妙。AI之間要通過通信協調工作，這個通信通道可能被攻擊者利用，搞“AI間攻擊”。比如攻擊者通過惡意提示控制了“文件管理AI”，再讓它給“數據發送AI”發偽造指令，把敏感數據傳出去。這種兩個授權AI之間的“合法”通信，傳統安全防護很難檢測。

進化安全是最棘手的挑戰。多智能體系統能通過學習不斷優化，但如果學習數據里混了惡意信息或異常模式，系統可能會“學壞”。更危險的是，這種“學壞”是漸進的、難察覺的，不會突然作惡，而是慢慢在邊緣場景出現偏差，最后在某個臨界點爆發問題。

Anthropic的研究顯示，多智能體的安全風險和AI數量呈非線性增長：從單智能體漲到三智能體，已知攻擊路徑增加5倍；漲到五智能體，攻擊路徑增加23倍。這種復雜度的爆炸式增長，讓傳統的安全審計幾乎失效。

數據和安全在多智能體系統里是“不可分割的共同體”：更多優質數據能提升系統能力，但也會擴大攻擊面；更強的安全措施能保障可靠，但會限制數據流動和系統靈活性。

現在行業在探索差分隱私、同態加密、可信執行環境這些技術解決方案。Manus的企業版就有“隱私計算模塊”，能讓敏感數據在加密狀態下被處理，AI只能拿到結果，看不到原始數據。但這會犧牲性能——加密狀態下的計算速度可能下降40%-60%。

更深層的問題，是安全與效率的根本權衡。絕對安全的系統可能效率極低，高效的系統又可能存在安全漏洞。多智能體需要在兩者之間找動態平衡點，而這個平衡點會隨應用場景、數據類型、風險承受能力變化。

以上，這不僅是技術問題，更是治理和倫理問題。

06

多智能體的發展路徑已不可逆

Manus的八千萬臺虛擬機，不是冰冷的數字，而是一個新型生產力時代的信號。每一臺虛擬機都是一個潛在的“數字員工”，它們不知疲倦、可以無限復制、能瞬間協同，正在重新定義“工作”本身。

多智能體系統的成熟，標志著AI從“替代人類特定技能”進入了“替代完整工作流”的階段。但這種替代不是“機器取代人”的零和游戲，而是生產力關系的范式轉移。

歷史有過類似的啟示：ATM機的出現沒消滅銀行柜員，反而改變了他們的工作性質。1985到2005年，美國ATM機從10萬臺漲到40萬臺，銀行柜員數量卻增加了10%。變化的是工作內容——柜員從處理現金交易，變成了提供金融服務和解決問題的顧問。

多智能體時代也會重演這種轉變。當AI能處理常規的流程化創造性工作時，人類的角色會向三個方向進化：任務設計者（定義AI要解決的問題）、過程監督者（確保AI工作符合要求）、價值判斷者（做需要倫理考量、審美選擇和戰略權衡的決策）。

站在現在往前看，多智能體系統的發展路徑已經很清晰了：

短期1-2年，垂直領域的多智能體應用會爆發。金融、法律、醫療、教育等行業的專業Agent會大量出現，它們不是通用AI的簡化版，而是針對特定領域深度優化的專家系統。Manus的商業模式會被復制和改造，市場競爭會異常激烈。

中期3-5年，多智能體系統會從“工具”進化成“平臺”。就像iOS和Android撐起了移動應用生態一樣，領先的多智能體架構會成為AI應用的基礎設施。

長期5-10年，人機協作會進入“融合”階段。人類和AI的界限會變得模糊，不是靠腦機接口這種科幻技術，而是靠工作流程的深度整合。人類決策會融入AI的實時分析，AI執行會吸納人類的即時反饋。到時候，工作不再是“人做的”或“機器做的”，而是人機系統共同完成的。

Manus的八千萬虛擬員工，本質上是人類協作智慧的數字鏡像。人類文明的進步，從來不是靠個體智能的飛躍，而是靠協作方式的革新——語言、文字、印刷術、互聯網，每一次媒介革命都擴大了協作的規模和效率。

多智能體系統是這一進程的再一次里程碑式延伸。它第一次讓機器具備了真正的協作能力——不是簡單的任務并行，而是基于共同目標、分工協調、相互糾錯的有機協作。當機器學會協作，它們帶來的不只是效率提升，更是全新的可能性。

但這種可能性也伴隨著深刻挑戰。當AI能自主協作完成復雜任務時，傳統的責任框架、監管模式、倫理準則都需要重新思考：誰為多智能體的集體決策負責？怎么確保它們的協作符合人類價值觀？如何在享受協作紅利的同時防范系統性風險？

這些問題沒有簡單答案，但它們定義了多智能體時代的核心議程。Manus和它的八千萬虛擬員工只是序幕，真正的故事才剛剛開始。在這場人類文明的歷史性重構中，技術是推動力，但人類的智慧、倫理和遠見，才是決定方向的終極力量。