AI｜对话DeepWisdom CEO吴承霖：完成2.2亿融资，他要做AI版的「字节跳动」

累计完成2.2亿元人民币融资的业内明星公司 DeepWisdom 终于在1月13日晚9点（北京时间）上线了旗下最重要的一款产品：Atoms。

用一句话概括 Atoms：用户只需要输入文字，就能完成从想法到生意的全过程。背后调用的是一支 AI 组织——从研究员、产品经理、架构师、工程师到 SEO 专员、数据分析师等智能体角色。

DeepWisdom 的 CEO 吴承霖告诉 AI 闹，Atoms 是基于他对下一阶段竞争的判断。

2026年，Agent 的价值将从「个人效率的提高」转变到「直接交付结果」。理解吴承霖，先要理解他对未来的想象，他习惯从终局推导起点。

在他看来，未来的基本单位不再是公司，而是一个个多智能体组织。未必人人都要去成立一家公司，而人人可以随时调动一支由 AI 团队，「像字节跳动的一样高效。」吴承霖说，「因为硅基生产力在速度与规模上，一定会全面超过碳基劳动力。人在未来的价值，不再来自能完成多少具体任务，而是来自判断、审美和选择。」

Atoms，正是由此被设计出来。

Atoms的界面

用户做的耳机电商网站

与多数 Agent 不同，Atoms 围绕真实的生意展开。

• 第一步是调研，Atoms 会先完成商业调研与竞争分析。根据官方披露，针对商业调研能力设计的基准测试中，Atoms 的模块表现超过了 Gemini 和 OpenAI 的同类模型。

  
  

• 第二步是交付完整系统。Atoms 直接搭建真实生意所需的一整套基础设施：支付（Stripe）、权限管理、部署一并完成。用户最终拿到是一个可以上线、收费的系统。

  
  

• 第三步是并行推进，Atoms 允许多个 AI 团队围绕同一个想法同时推进，给出不同实现路径，由用户选择效果最优的方案继续执行。这种设计是试图用更多的计算资源换取更高的商业成功概率。DeepWisdom 给出的数据是：在效果相近甚至更好的前提下，Atoms 的整体成本可比主流闭源方案低约 80%。

如果把 DeepWisdom 过去几年的产品拆成一条连续的逻辑链，Atoms 并不是突然出现的新产品。

最早的 MetaGPT 解决的是组织问题：能不能把一家软件公司的结构，包括产品经理、架构师、工程师、测试，写成代码，让 AI 按照 SOP 协作；随后在2025年2月推出 MGX（也是 Atmos 的前身）把协作直接交付给用户，让 AI 像一个真实的开发团队一样工作，这款产品曾是 PH 周榜单第一，ARR 达100万美元。

 Atoms 更进一步：直接解决「帮用户开启一门生意」。

DeepWisdom 的创始人吴承霖2019年创业，在此之前，他曾在腾讯、华为从事机器学习相关工作，在2019年到2022年主要挣扎于 ToB 的 AI 服务。

转折点发生在2023年。大模型爆发后，他阅读了几十个开源工程，「看看世界上最聪明的人如何讨论 AI 的终局」之后，得出了一个结论：AI 不会以单体出现，而会以团队、群体、组织的形式出现。

也正是基于这个结论：他决定从智能体切入，让 DeepWisdom 推进开源框架、Agent 协作协议、 Vibe Coding 产品。

吴承霖的解释带有明显的概率思维：「创业也要做那些做胜率很高、赔率也很高的产品。」

以下是 AI 闹和吴承霖的访谈，分别在去年10月和今年1月，作为一个量化交易高手，他性格平静、理性，唯一语气小有波动的是谈及「创业第一次失败」，「很多事情不以人的意志为转移，我学会接受现实」。

DeepWisdom 团队在深圳，蓝色外套是吴承霖

吴承霖在外滩大会

AI 闹：去年10月你来北京和我们聊 Atoms，当时计划10月中旬上市，结果delay 到今年1月，中间发生过了什么？

吴承霖：做了比较多的优化，以拉高用户体验。同时，做了一些新的智能体，尤其是能够给用户带来流量的 SEO 智能体，期望可以做到完整闭环，直接交付结果，所以拖延了。

AI 闹：Atoms 拖延的同时期，市场已经出现很多类似为「一人公司」打造的 AI 产品了。行业有部分声音说，你们起大早，赶晚集。

吴承霖：我很清楚团队的强项和弱项。我们的优势是有很严肃的认知和判断，弱势是不太擅长营销。DeepSeek 在早期也有很多质疑，我理解市场，也相信价值总会回归。

AI 闹：你笃定的未来是人人都有机会成为一人独角兽， Atoms 是为他们配了一个 AI 团队，在思考智能体团队如何搭建时，你曾说过，你参考了字节跳动的组织形态？

吴承霖：不是我参考字节跳动，而是字节跳动的组织文化本质上就已经在遵循「多智能体」协作，它是人类组织里最接近智能体协作模型的一家公司。

字节跳动的核心文化有几条：上下文透明、原子化贡献、机制优先、快速反馈、批判性思维。这些恰恰也是一个高效的多智能体系统所必须具备的能力。

上下文透明就是智能体对世界的完整感知。你希望一个智能体真正理解环境，就必须把世界的全部状态告诉它：数据、SOP、行业知识、规则，也包括其他智能体的行为。

第二，每个 idea 都是同等重要的，因为人类的技术史就是一个随机突变不断累积的过程，再荒谬的 idea 在历史的上下文里，都可能成为系统的突破点。智能体也是一样。所有角色的建议都必须被允许进入循环，由系统去评估和筛选，而不是被权威过滤。

最重要的是，组织的长期竞争力来自「批判—生成—再批判」的学术循环。这点非常重要。和学术工作类似，一篇论文也是要被3–5个审稿人 review，错误必须被其他人纠正，最终形成稳定的共识。

AI 闹：那么通俗易懂总结，Atoms 是帮个体搭建 AI 版的字节跳动？

吴承霖：对，很准确。

所以在未来，人的 idea 和品味是最重要的。比如你爱看小说，小说里写到一把剑，你很有感觉，就立刻可以用我们的产品把这把剑变成一个可售卖的商品，用几秒钟完成的。再比如你是一个有50万粉丝的 UP 主，你可以一键用我们的产品做各种各样的周边。

AI 闹：测试期间，Atoms 典型的 use case？

吴承霖：大部分都是一个人或几个人的组织，比如一个在美国的书店店长，马来西亚的珠宝商，做玩具电商的小卖铺老板，需求是把业务数字化。

每个用户想法都很不同，但是共性是都想赚钱。

AI 闹：现阶段最难攻克的技术环节？

吴承霖：模型的记忆能力和奖励机制，它们是所有智能体能力的基础，但语言模型在这两点都有先天缺陷。

首先，语言模型天生不擅长「记」和「学」，这是因为语言模型的底层结构是 Transformer，它擅长处理「当前输入」，但无法像人类一样，有长期记忆，稳定的概念存储，持续学习能力。

一个概念，人看一次能学会，狗看五次能学会，但语言模型要看1000次才能学会一个新概念，所以它像一个 既有超忆症又有失忆症的人。

另外，人类的奖励系统很多时候不靠外界，而是靠身体分泌多巴胺、血清素、内啡肽等激素形成内在反馈。但模型没有，这导致智能体缺乏自我校准能力，只能靠外部奖励进行调整。

同时，现阶段模型的多模态理解能力并不强，它无法像人一样理解世界的时间与空间，完成世界建模。

另外意图识别也有问题。模型经常无法真正理解人说的话，比如我要买苹果，模型会不知道到底是手机？是电脑？还是水果？

人类的语言是一个概率云，是模糊的。模型不擅长懂澄清模糊的问题。所以很常见的做法是设计反问，请求更多上下文。

AI 闹：你们的解法？

吴承霖：现在的办法是放弃传统向量检索，改用小模型「扫上下文」，自动切片，找到真正关键的信息。

另外做「主动记忆管理」系统，智能体可以主动选择什么时候写入记忆，什么时候删除信息，自己优化记忆结构。

这是从被动检索迈向主动学习的关键一步。

AI 闹：一个尖锐的问题，作为早在2023年就投入研发 Agent 的公司—据说 Mauns 参考了你们的开源架构——进入2026年，你们的优势是什么？

吴承霖：有三块：效果、成本、特性。

效果上，过去大家都认为开源模型不可能超过闭源模型，但过去半年情况完全被推翻了。在我们自己的 Benchmark 上：欧洲和美国竞品的平均分是0.4+，我们已经做到0.8–0.9+。

我们用开源模型的组合，效果已经显著直接超过 Claude 系列在同类任务上的表现。过去是没人能想象的。

第二个是成本，我们可以用1/10的成本超过市面上所有竞品。这是我们最新的数据。

最后是特性，我们的多智能体 +全栈能力，让我们具备竞品完全不具备的应用深度。

AI 闹：由于你们的产品众多，我们无法找到可被大众理解的对标公司？

吴承霖：在 AI 时代之前，没有我们这样的公司出现。

互联网的历史是信息分发的历史，张一鸣使用推荐解决解决信息分发。但是，我认为，更直接的解法是直接供给智力。我们恰恰解决的就是智力供给。

进入 AI 时代，智力绝对是溢出的，之前你想找一个顶尖的产品经理，要等对方回复，即便找到了，未必是你想要的人。现在你可以直接使用智能体。

AI 闹：最后一个问题，你热衷阅读顶会论文，分享下今年 Agent 发展的关键点？

吴承霖：以下完全是激进的个人观点。

Agent 模块会继续演进，比如记忆、情绪，环境感知等；两年内，手机上的 GUI Agent 会被爆破；六年内，具身机器人的局部场景也会被打穿。