鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

90后AI创业者,拿到Meta数十亿美元“聘礼”

编程导航
编程导航
2026-01-01 12:30
阅读 157
编程导航
2026-01-01 12:30
阅读 157

文 | 雷达财经,作者 | 彭程,编辑 | 孟帅

在新年钟声即将敲响之际,美国科技巨头Meta豪掷数十亿美元,将Manus背后的AI初创公司蝴蝶效应收入囊中,而这笔交易系Meta成立以来的第三大收购案。

据悉,这笔收购完成后,蝴蝶效应将保持独立运作,其创始人肖弘将出任Meta副总裁。Meta首席人工智能官Alexandr Wang透露,Manus在新加坡的团队大约有100人。

据公开报道,蝴蝶效应公司成立于2022年。在创立这家充满潜力的公司之前,其90后创始人肖弘还曾创办夜莺科技,开发过两款微信生态的插件,并卖给一家独角兽公司。

作为蝴蝶效应公司当之无愧的明星产品,Manus被誉为全球首款通用AI Agent。在权威的GAIA基准测试中,Manus以显著优势超越OpenAI同类模型。

尽管此次被Meta斥巨资“迎娶过门”,但Manus在发展过程中仍面临诸多挑战。这其中既包括外界提出的“套壳”质疑,也涵盖公司在商业化模式探索方面遭遇的困境,同时还需应对激烈行业竞争所带来的巨大压力。

斥资数十亿美元,Meta收购蝴蝶效应

12月30日,全球科技界迎来一场重磅收购交易:Meta斥资数十亿美元,将开发AI应用Manus的公司——蝴蝶效应收入麾下。

这笔交易意义非凡,它是Meta自创立以来的第三大收购案,其投入金额仅次于对WhatsApp和Scale AI的收购。

据《晚点LatePost》,在被Meta收购之前,Manus正以20亿美元的估值开启新一轮融资。Meta创始人扎克伯格亲自出面洽谈,凭借十足的诚意与宏伟的愿景,迅速打动了原本有些犹豫不决的创始团队。

事实上,此次收购远不止是一场简单的资本运作,而是双方战略愿景的高度契合。真格基金合伙人、蝴蝶效应天使投资人刘元透露,扎克伯格以及Meta的几位核心高管,本身就是Manus的忠实拥趸。

而这场收购的推进速度,更是令外界惊叹不已。从双方初步接触,到最终达成收购协议,整个过程仅仅用了十余天,刘元形容这次收购“快到还怀疑过这是不是一个假的offer”。

雷达财经了解到,收购完成后,蝴蝶效应将在公司、团队和产品层面继续保持独立,同时与Meta旗下核心全球消费级产品进行深度整合,而蝴蝶效应创始人肖弘则将出任Meta副总裁。

这一安排彰显了Meta对Manus团队能力的高度认可,也为这家AI创业公司预留了充足的自主发展空间。

收购消息曝光后,Meta首席人工智能官Alexandr Wang在社交平台上发推文称:“欢迎Manus AI的加入。”他还透露,Manus在新加坡的团队大约有100人。

那么被扎克伯格相中的蝴蝶效应,究竟有何特别之处?据团队介绍,Manus在GAIA基准测试中取得了SOTA(State-of-the-Art)的成绩,显示其性能超越Open AI的同层次大模型。

与其他大模型产品相比,作为通用型Agent的Manus,定位为一款功能强大的通用型助手。它不仅能为用户提供创意想法,更能将想法转化为实际行动,切实解决用户面临的问题。

在商业化运营方面,Manus采用订阅制模式,通过分级付费套餐为用户提供AI智能体服务。

今年8月,Manus首席科学家季逸超在新加坡的一场活动上首次公布财务数据。他透露,Manus收入运行率(Revenue Run Rate,RRR)达到9000万美元。

12月中旬,Manus发布公告称,在正式上线八个月后,Manus年度经常性收入(ARR)已突破1亿美元。公司的总收入年化运行率超过1.25亿美元,该数据包含了基于使用量的收入及其他业务收入。

自产品发布以来,Manus已累计处理超过147万亿的tokens,并创建了超过8000万个虚拟计算机实例。

对于此次收购,蝴蝶效应公司创始人肖弘感慨万分,称这是“终生难忘的时刻”。

肖弘回忆道,团队创立Manus时,很少有人相信通用型人工智能体能够成功。外界质疑这项技术尚处于早期阶段,认为Manus设定的目标过于遥远、实现难度过大。

“但我们坚持不懈地努力,克服了重重疑虑和挫折,以及对自身‘是否在追逐不可能完成的事’的怀疑”,肖弘感慨道。

在肖弘看来,这不仅仅是一次收购,它验证了团队一直努力构建的未来是真实存在的。人工智能时代才刚刚开始,未来通用型人工智能体不仅能说话,还能行动、创造和交付任务。

肖弘认为,被Meta收购之后,团队有机会以前所未有的力度来实现上述目标。对于未来发展,肖弘满怀信心地表示:“感谢所有相信Manus的人,好戏还在后头”。

被扎克伯格相中的肖弘,是何来头?

随着此次巨额收购交易的达成,身为蝴蝶效应创始人的肖弘被再度推至聚光灯下。

公开资料显示,肖弘出生于1993年。2011年,刚迈进华中科技大学软件工程专业的他,便展现出了非凡的创业天赋。

在校期间,肖弘曾担任启明学院“联创团队”副队长,积极参与各类项目实践,带领团队先后推出志愿填报助手、“咩咩”社交工具、圈子集市等校园产品。

2013年,肖弘与同学成功开发出华科版微信校内漂流瓶和微信上墙等功能,迅速走红校内外。

2015年,当多数同学奔赴大厂offer时,走出校园的肖弘却毅然决然地踏上了充满未知与挑战的创业之路,并通过创办的夜莺科技聚焦微信生态工具研发。

夜莺科技成立后,公司相继推出壹伴助手、微伴助手等产品,有效解决了公众号排版、社群运营等痛点,并获得了腾讯、真格基金等知名投资机构的青睐,累计服务超200万B端用户,并帮助企业触达数亿C端用户。

2022年,AI大模型在全球范围内掀起了一股前所未有的热潮,敏锐的肖弘嗅到了其中蕴含的巨大商机,果断创立蝴蝶效应公司,并带领团队迅速推出浏览器AI插件Monica。

据《晚点LatePost》,2024年初,字节跳动高层曾与肖弘在香港单独会面,欲出价3000万美元收购蝴蝶效应,但肖弘选择拒绝。

彼时,Cursor、Devin等调用大模型解决复杂任务的产品让模型具备了更强的能力,也为行业带来了新的发展机遇,肖弘意识到这或是推动公司进一步发展的关键转折点。

之后,在真格基金投资人的积极撮合下,曾开发出猛犸浏览器、Magi知识搜索引擎的90后连续创业者季逸超,曾在多家公司担任产品经理的张涛加入蝴蝶效应,他们共同带队开发出了Manus。

这款能够灵活调度不同工具解决各种问题的Agent产品,在今年上半年惊艳问世后,迅速在网络上走红,引发外界广泛关注。

官方宣称,Manus不仅仅是一个只会聊天的对话式AI工具,而是一个真正的自主智能体(Agent)。从官网展示的案例可以看到,它能够独立思考、规划并执行复杂任务,直接交付完整成果。

无论是报告撰写、表格制作、简历筛选、旅行规划、股票分析还是PPT制作等工作,Manus都能轻松应对。相比ChatGPT、DeepSeek等产品,Manus可以在任务完成后直接导出符合用户需求的产品,并展示执行过程。

据公开报道,在此番被Meta收购之前,蝴蝶效应公司一共完成了4轮融资。在多轮融资的加持下,蝴蝶效应的估值如同火箭般快速攀升。

2023年2月种子轮融资完成后,蝴蝶效应的投后估值为1400万美元。而在被Meta收购前,Manus正以20亿美元的估值进行新一轮融资,短短三年时间,公司估值实现了百倍的惊人增长。

值得一提的是,从2016年的一场黑客松,到2025年末新年钟声敲响前夕,从小插件到Manus,从夜莺科技到蝴蝶效应,真格基金陪伴肖弘和他的团队走过了整整十年。

真格基金管理合伙人戴雨森表示:“Manus已经不仅是一个创业公司,更是中国新一代创业精神和希望的象征。他们不靠关系,不比资历,在全球舞台上光明正大同台竞技,做到了我们上一代创业者做不了甚至不敢想的事情。”

“嫁入豪门”只是开始,未来发展仍任重道远

此次“嫁”给全球科技“豪门”Meta之际,Manus仍面临诸多严峻挑战。

据每日经济新闻,由于Manus底层调用Anthropic等公司的大语言模型,未自研基础模型,被部分开发者质疑为“套壳应用”,认为其创新集中于产品封装和流程编排,而非核心技术突破。

另据观察网消息,今年3月,甚至有中国团队仅用3小时便复刻出开源版Manus。

同时,腾讯科技也曾在文章中犀利指出,Manus试图覆盖数十个领域,但面临任务深度不足的问题。

例如,医疗场景仅能生成基础报告,无法替代专业医生决策;金融分析依赖雅虎API等单一数据源,被质疑为“高级版Excel”。垂直领域的专业工具(如Coze、Dify)可能在细分场景提供更优体验。

而Manus的商业模式同样面临着不小的挑战,其单次任务成本高达2美元,这一高昂的成本结构使得它在商业运营中面临巨大压力。

此外,竞争对手的迅猛崛起,也给Manus带来了巨大的竞争压力。比如,前百度高管创立的GenSpark仅以20人团队,在45天内实现3600万美元年化收入,用户增速是Manus同期的2倍。

天眼查显示,蝴蝶效应在内地的关联公司包括北京蝴蝶效应科技有限公司和北京红色蝴蝶科技有限公司。

不过,今年6月,Manus联创兼首席产品官张涛,在新加坡SuperAI大会的主题演讲中明确指出,公司现在的总部在新加坡。

随后,有消息称,Manus国内团队将大幅裁撤,原有120人规模团队除40余名核心技术人员将迁往新加坡总部外,其余员工全部裁撤。

与此同时,Manus清空了中国区社交账号的所有内容,包括官方微博、小红书等平台,其3月与阿里通义千问合作的微博公告也被悄然删除。不仅如此,Manus官网对中国IP的访问显示“在你所在的地区不可用”。

针对大规模裁员的传闻,Manus方面在今年7月向澎湃新闻回应称,“基于公司自身经营效率考量,我们决定对部分业务团队进行调整。公司将继续专注核心业务发展,提升整体运营效率。”

在与科技巨头Meta“联姻”后,Manus未来将迎来怎样的发展?雷达财经将持续关注。

原文链接: 90后AI创业者,拿到Meta数十亿美元“聘礼”
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230