作者 | 唐小引

出品 | CSDN（ID：CSDNnews）

6 月 5 日上午，北京國家會議中心的會場里，過道站滿了人。

這是 2026 騰訊云 AI 產業應用大會的主會場，原本能容納上千人的空間此刻顯得局促。坐在我后排的一位嘉賓舉著手機拍幾張照片，但很快放棄了——臺上的人被密密麻麻的人頭擋得嚴嚴實實。“我老婆讓我拍姚順雨，但我壓根看不到?！彼猿暗卣f道。而會場外，還有很多人根本進不來。

這場爆滿的對談，主角是騰訊集團高級執行副總裁、云與智能產業事業群 CEO湯道生，和騰訊首席 AI 科學家、騰訊混元大語言模型及 AI Infra 負責人姚順雨。對談主題是《騰訊 AI 下半場》，他們互相提問、互相回答。

這是姚順雨加入騰訊后的第二次公開亮相，也是他首次線下真身出現在公眾面前。自從這位 ReAct 架構的提出者、曾參與 OpenAI Operator 和 Deep Research 開發的明星 AI 科學家宣布加盟騰訊以來，外界對他的好奇從未停止：他為什么選擇騰訊？他在騰訊做了什么？更重要的是，他能否幫助騰訊在這場 AI 競賽中扳回一城？

而湯道生在對談最后拋出的那個問題，更是直擊外界最關心的話題：“很多自媒體都會提到，騰訊在 AI 上沒有及時抓住一些機會。你覺得我們是走得慢了嗎？”

為什么是騰訊？一個 AI 科學家的三個理由

對談開場不久，湯道生就直奔主題：“你加入騰訊之前，我記得我還問過你幾個問題。為什么會選擇來到騰訊？而且你認為 AI 的下半場最重要的是什么？”

姚順雨的回答，從一個概念的澄清開始。

“我想先解釋一下什么叫做下半場，因為我自己感覺這個詞有點被濫用了?！彼f，“這個概念其實我去年在一個博客里面提出來的?！?/p>

在姚順雨看來，AI 的“上半場”是一個尋找好方法的時代——你為下圍棋做一個程序，為翻譯做一個模型，每個任務都需要專門的解決方案。但過去兩年，隨著大模型的出現，情況發生了根本性變化：“我們像有了一個錘子，它可以去打任何釘子，它是一個通用的方法來解決特別多樣的問題。那么反而更困難的是怎么尋找好問題?！?/p>

這個判斷，直接指向了他選擇騰訊的第一個理由：這里有很多好問題，有很多好產品。

“好的產品能夠解決第一個問題，就是我們做了這樣的技術，到底要把它用在什么地方產生價值。”姚順雨說。但更重要的是第二點——環境和上下文（context）。“如果沒有好環境，Agent 沒辦法去協作。比如說如果你沒有一個點外賣的 API，那你即使想點外賣也沒辦法。”

他認為，在 AI 的下半場，context 變得越來越重要：“模型未來是把一個非常復雜的輸入變成一個輸出。那很多時候，你有沒有這個最原始的輸入？你知不知道這個人他到底在干什么？你知不知道這個企業的各種各樣的信息？這一點的話，我覺得騰訊有非常強的優勢?！?/p>

騰訊擁有微信、QQ、騰訊會議、騰訊文檔等一系列高頻產品，這些產品每天產生海量的交互數據，構成了豐富的上下文環境。對于一個想要讓 AI 真正落地、真正產生價值的科學家來說，這樣的場景優勢是其他地方難以比擬的。

但姚順雨強調，第二個理由其實不是最重要的。最重要的理由是文化。

“我還記得我第一次跟你聊天的時候，包括和很多其他老板聊天的時候，我第一印象是大家都非常的誠實?！币樣昕粗鴾郎f，“大家做得好、做得不好都非常實在，大家不會去掩蓋。我知道我這里做好了，我知道我這里沒做好，我知道這里應該怎么做。我覺得這個坦誠是我的第一印象。”

他接著說：“第二點就是騰訊總體是一個極其 trust-based、非常信任的機制。我覺得這一點對于做 AI 也是非常重要的。包括我覺得我們的文化有一個非常 low ego、非常 solid 的技術面。這些文化都是對于長期做一個 AI 組織非常重要的，包括我們長期主義的堅持?！?/p>

這段話說得很實在。在 AI 這個快速變化、充滿不確定性的領域，一個組織的文化底色往往比短期的資源投入更重要。坦誠意味著能夠正視問題，信任意味著能夠給予科學家足夠的空間，長期主義意味著不會因為短期的波動而改變方向。

姚順雨給出了他對 AI 下半場的定義：“我個人的目標，我覺得就是要在中國建立一個長期的、極具 AI 價值的這樣一個組織?！?/p>

他認為，今天的 AI 主要是三個部分：首先是 foundation（基礎）部分，怎么把預訓練和后訓練這些技術做得非常 solid；第二是產品，怎么把這樣的基礎真正為用戶產生價值；第三是 frontier（前沿探索），怎么去探索新的研究范式，探索新的機會。“我覺得最重要的是說，我們要構建一個非常均衡的三角形這樣的組織?！?/p>

Co-design：模型與產品如何真正結合？

如果說姚順雨的回答解釋了“為什么來”，那么湯道生接下來的問題則直指“來了之后做什么”。

“你剛才提到了模型跟產品，產品可以提供環境，里面有上下文。那我想問你，一直我們一起開會常提的，有一個詞就叫 co-design?！睖郎f，“怎么把產品跟模型能夠比較緊密地結合起來？”

Co-design（協同設計），這是騰訊 AI 戰略中的一個核心概念。在大模型時代，模型不再是一個孤立的技術組件，而是需要與產品、場景深度融合。但這種融合具體怎么做？

姚順雨給出了三點思考。

第一，co-design 的前提是模型本身要做得很 solid。“首先預訓練是一個相對產品無關（product-agnostic）的事情。它做得非常 solid，可以提供一個非常強的 foundation。而且預訓練最大的特點就是它是可擴展化地解決問題，它的進步大概率在各種各樣下游的任務都可以有一個提升。”

這意味著，模型能力的提升是一切的基礎。沒有一個強大的基座模型，再好的產品設計也是空中樓閣。

第二，后訓練要量體裁衣。“實用的價值是大于很多 benchmark 排名的價值?！币樣暾f。這一點尤其重要——在 AI 領域，很多公司熱衷于在各種 benchmark 上刷榜，但真正的用戶價值往往與榜單排名并不完全一致?！拔覀兏鞣N各樣的產品進行了深度的 co-design。我覺得 co-design 很關鍵的一點就是要產生閉環。我們做了大量的工作去把產品的輸出做回流?！?/p>

這里透露出一個重要信息：騰訊正在建立從產品到模型的數據回流機制。用戶在產品中的真實使用數據，會反饋到模型的訓練中，形成一個持續優化的循環。

第三，LLM 時代和過去 AI 最大的區別是能力的復合性。“在 LLM 之前，比如說你做一個翻譯的產品，你只要把翻譯做好了就行了。你做一個圍棋的程序，你只要把圍棋做好了就行了。”姚順雨說，“但今天即使你想做一個 Coding Agent，你發現其實需要的能力是 open-ended 的。你需要非常好的上下文、大長度的處理能力，你需要非常強的 reasoning 能力、planning 能力。它其實是一個非常復合的能力集?！?/p>

這意味著，單點的模型優化已經不夠了，需要全面的能力提升。而這種全面性，恰恰需要多個產品場景的數據來支撐。

姚順雨舉了元寶（騰訊的 AI 助手產品）的例子：“我們跟元寶的 co-design，因為模型有很強的多輪交互和推理能力，這樣的能力可以遷移到 AI 搜索或者其他產品。所以這些產品能夠反哺模型的數據，在這些數據上訓練都可以提升其他能力，形成一個網絡效應?！?/p>

這是一個很有意思的邏輯：不是為每個產品訓練一個專門的模型，而是讓一個通用的強大模型在多個產品場景中學習，產品之間形成能力的相互增強。

湯道生補充了一個細節：“我們在講元寶的時候，還提到做了測試集的問題。產品里面大家使用的能力，跟 benchmark 好像有蠻大的差異。”

這句話點出了一個行業痛點：很多模型在標準測試集上表現很好，但在真實產品場景中卻不盡如人意。騰訊的做法是，基于真實產品場景構建自己的測試集，用真實的用戶需求來評估模型。

從 ReAct 到 Agent：一個博士論文的預言

對談進行到中段，湯道生拋出了一個學術性的問題：“你是 ReAct 架構的提出者，博士研究也是圍繞 Agent 智能體展開的。你幾年前的一些觀點到今天兌現了嗎？”

姚順雨的回答，帶著一種時空交錯的感慨。

“那段時間我還是挺感慨的，因為我重新讀了這篇博士論文，我感覺回到了一個很遠古的時代?！彼f，“我的博士論文的標題叫做‘Language Agents: From Next-Token Prediction to Digital Automation’，那是2019年，7年前?！?/p>

2019年，那是 GPT-2的時代。“它當時只能做 next token prediction，而且它產生的一段話可能連續會有很多問題。所以我當時沒有想象到它能夠有一天成為改變世界的技術?！?/p>

但即使在那個時候，姚順雨的想象力已經超越了當時的技術現實?！爱敃r我的想象力可能比較荒謬吧。我覺得這個世界非常 complex，世界不僅僅是個 open system，它其實是個非常 dynamic system。我覺得它有一天的潛能不僅僅是做 text，它其實在于把這個世界上所有的事情做 automation。當時我想的是 digital automation，但現在看起來也有可能是 physical automation。”

這個判斷在今天看來幾乎是預言性的。從 ChatGPT 到 Claude，從 Operator 到各種 Agent 產品，AI 正在從文本理解走向任務自動化。

姚順雨回憶起 ReAct 誕生的那個時刻：“我還記得2022年7月的時候，有一天晚上我跑了幾次，把 prompts 寫好，把當時的模型和一個手寫的 Wikipedia API 連在一起，然后它第一次可以檢索網頁和回答問題，并且可以多輪交互?！?/p>

“那種感覺就像威廉·吉布森說的那個感覺一樣——我感覺這個未來已經來了，只是還沒有被 fully distributed。”他說，“所以我當時就給導師發了第一份報告，也就是真正把互聯網連在一起而且能做到 long reasoning。我當時感覺未來5年或10年可能改變世界。但可能我沒想到會這么快?！?/p>

他的博士論文做了兩部分工作：第一部分是如何建立一個 Agent 方法論，如何把一個 next token prediction 的機器變成一個 Agent，變成一個自動化的機器，最重要的工作可能就是 ReAct；第二部分是怎么去定義 digital automation benchmark，比如 WebShop（第一個互聯網購物任務）和 SWE-bench（第一個 Coding Agent 任務）。

“現在看起來，Agent 最重要的兩條可能確實是 Web Agent 和 Coding Agent?！币樣暾f。

更有意思的是，他翻出了博士論文結尾寫的 future work:“第一個是 train models for Agent，第二個是 shift and robust deployment，第三個是 scientific discovery，第四個是怎么樣去 help human。我覺得很感慨，我說我現在其實在做我當年的 future work。很多時候覺得這個行業正在朝著這些方向走。那些當時挺小眾的想法，現在大家都在做。技術的發展往往超出我們的預期。”

Coding Agent：下一代模型的核心能力

湯道生接著問：“大家都說 Agent 需要消耗很多 token 去調用。這對于騰訊做下一代模型的研發，你覺得什么是側重，有哪些地方比較挑戰？”

姚順雨的回答很明確：“毫無疑問，今天 Agent 或者 Coding Agent 有點像預訓練一樣，是不得不做的事情，是最基礎能力。我個人覺得 Coding Agent 非常本質，還有一個重要原因就是說它有點像圖靈完備的事情，當你有能力去控制自己的 file system，當你有一個 container 的時候，其實你是一個 complete 這樣一個 system。”

但他強調，騰訊的打法會有幾個區別：

第一，即使大家都說 Coding Agent 最重要，但還是要強調體系的全面化。“真的要把 coding 做好，其實需要遠不止 Coding Agent 這一點。你需要把推理做得非常好，因為你需要各種各樣的能力。大模型重要的一點是泛化性?！?/p>

這是一個重要的洞察。很多公司在追逐 Coding Agent 的時候，可能只關注代碼生成能力，但實際上，要做好一個真正有用的 Coding Agent，需要理解需求、規劃架構、調試錯誤、優化性能等一系列能力，這些都依賴于模型的綜合能力。

第二，產品的 co-design 越來越重要。“如何好好利用線上的回流，我覺得是每一個模型團隊都在應對和思考的問題。這里我覺得我們的 co-design 經驗逐漸發揮作用?！?/p>

第三，還需要很多探索能力。“無論是技術的演進還是產品的演進還是應用，我覺得我們還是需要做一些探索性的、不確定的工作。”

這三點加在一起，勾勒出騰訊 AI 的一個整體圖景：不是單點突破，而是系統性建設；不是閉門造車，而是產品驅動；不是保守跟隨，而是保持探索。

性價比的真相：不只是模型架構

對談進入下半場，話題轉向了一個更實際的問題：成本。

“因為大家越來越多有 token 焦慮，成本的壓力是爆發式增長?！睖郎f，“我也聽到很多客戶、甚至用戶、同事們在盯緊計費的消耗。怎么可以讓我們的模型在解決某個問題或者完成某個任務時，token 效率最高？”

姚順雨的回答打破了一個常見的誤區。

“其實我覺得在中國討論性價比，更多討論的是模型架構。但其實它是一個很復雜的體系。”他說，“我覺得最重要的首先是你的 performance。很多人跟我說，他最后發現用 OPUS 這樣的模型比用更差的模型更省錢，因為更快地把這個事情做對了，也省得人的精力。最重要的事情是 performance，如果你的 performance 好，性價比是最關鍵的事情?！?/p>

這個觀點很重要：性價比的核心不是模型架構的創新，而是性能本身。如果性能不好，性價比無從談起。

“尤其我覺得今年，可能很多簡單任務的 robustness 會變得更加重要，一次把相對簡單任務做對，這可能是性價比更關鍵的部分，不僅是模型架構?！币樣暾f。

他進一步解釋：“第二部分就是成本它本身，性價比第一是性能，如果性能不好性價比無從談起。第二點是成本，中國是領先于世界的，我們做大量工作優化我們的成本。成本可能最重要的事情是怎么用一個更小的模型把更高的價值任務做好，在這基礎上架構創新，包括長文管理、腳手架有很多需要做的事情。如果我們做一個相對較小的模型，但是它比肩大模型性能，而且在大部分任務上做很強的 robustness，這可能在很多長尾任務上面提升一兩個點，可能在今天的中國更有價值。”

這段話透露出幾個信息：

1. 騰訊在工程優化上投入很大，這是中國公司的優勢；

2. 但更重要的是模型本身的效率，用更小的模型實現更好的效果；

3. 在中國市場，長尾任務的 robustness（穩定性）比極端場景的突破更有商業價值。

這是一個務實的判斷。對于大多數企業客戶來說，他們需要的不是一個在某個 benchmark 上刷榜的模型，而是一個在各種實際任務中都能穩定工作、成本可控的模型。

Agent 的產品化：場景、Context 和 Skills

姚順雨反過來問了湯道生一個問題：“你覺得 Agent 什么時候會產生一個顛覆性的產品機會？以及你現在認為什么是第一個好用的 Agent?”

湯道生的回答很產品化：“我們做的 Agent 針對不同場景其實有不同的產品形態。在 Agent 的設計上面其實大同小異，都是要發揮好模型的能力。哪怕模型在迭代、它能力越強，可能 Agent 需要做的工作也越來越少?！?/p>

他分享了一個觀察：“我看我們好幾個產品在過去這段時間，確實是隨著模型能力加強，我們把產品做得更簡化了，更多的是給模型提供更多的 context，創造更多的 skills，讓模型能夠更高效地去完成任務?！?/p>

這是一個重要的產品哲學轉變：在 AI 時代，產品經理的工作不再是設計每一個功能細節，而是為模型提供好的上下文和工具，讓模型自己去理解用戶需求、調用工具、完成任務。

“在不同賽道里面其實都可以針對每一個場景提供有用的信息、提供 context。”湯道生說，“在 coding 的環境里面用相關的 context 給到模型；在 Workbuddy 里面做協作、做 PPT，可能大家關注的內容或者 context 也有些不一樣。所以我覺得在做不同的 Agent，更重要的還是了解那個場景下什么內容、什么信息是重要的、比較 relevant 的，能夠跟模型配合好，讓模型能夠有它需要的信息，同時發揮它的推理能力?！?/p>

這段話看似平淡，實際上揭示了騰訊做 AI 產品的一個核心邏輯：不是讓模型適應產品，而是讓產品為模型提供好的環境。模型是通用的，但每個場景需要的 context 和 skills 是不同的，產品的價值就在于把這些場景特有的信息和能力提供給模型。

組織的演進：小團隊與大平臺

對談接近尾聲，姚順雨問了一個關于組織的問題：“最近我們確實看到一些小團隊在快速迭代產品。我挺好奇，相對于我們在這種新的 AI 時代的研發組織管理上有什么變化？”

湯道生的回答很坦誠：“前幾年大廠里面有非常多的賽道、不同的組織在不同領域做探索。但我也發現最近幾年，大家可能在快速組建一些小團隊在某些點去實驗。我覺得這種敏捷的小團隊是非常適合目前這個 AI 剛剛開始、很多應用可能都在找場景、在尋找 product-market fit 的階段。”

但他強調，小團隊也需要大平臺的支撐：“這些小團隊也需要大廠的一些基礎能力來做支撐。比如像我前面提到的 Furnace（騰訊的 AI 基礎設施體系），像這些評測、測試，這些比較前置的 AI 能力的保證。所以我們還要支持好這個 AI Infra 去做實驗，讓不同的小團隊可以去探索、去驗證，把質量保證的工作、alignment 這些做好?！?/p>

這是一個很平衡的組織觀：既要有小團隊的靈活性和創新性，又要有大平臺的基礎設施和能力支撐。這也是大公司在 AI 時代的一個優勢——可以讓多個小團隊在同一個強大的基礎設施上并行探索，降低試錯成本，提高成功概率。

騰訊 AI 慢了嗎？一個直接的回應

對談的最后，湯道生拋出了那個最尖銳的問題：“很多自媒體都會提到，騰訊在 AI 上面沒有及時抓住一些機會。你覺得我們是走得慢了嗎？到底下半場是什么？您能多說一下嗎？”

姚順雨的回答，是整場對談中最重要的部分。

“我覺得首先 AI 其實今天有兩個重要判斷?！彼f，“第一個就是說我們認為 AI 是一個短期的游戲還是長期游戲？在硅谷大家蔓延很多情緒，哎呀，2年后所有人都要失業，AI 要取代所有人的工作，我們要趕快賺2年錢退休。但很顯然我們的判斷 AI 是一個長期游戲，其實我覺得 AI 剛開始，下半場才剛剛開始，我不認為 ChatGPT 和 Claude Code 會是唯一的 super App，我覺得那是一個非常灰暗的世界，我覺得肯定會有源源不斷新的機會誕生。可能今天就像是70年代 PC 剛剛產生的時候，我覺得還有很多很多事情需要做。”

這是第一個判斷：AI 是長期游戲，下半場才剛剛開始。這意味著，短期的領先或落后并不決定最終的結果，重要的是能否持續投入、持續進化。

“第二個判斷，它會是個更線性還是多元游戲？”姚順雨繼續說，“因為確實過去幾年大家能看到的是 Pre-training、post training，然后 Agent，Coding Agent，似乎有一個非常清晰的主線，這個主線是所有人都在做一樣的事情，都在 copy，這也是非?；野档氖虑?。但到底未來變得更單一還是更多元？我個人看法會變得更多元，毫無疑問 Coding Agent 生產力會變得更加重要，我覺得它是剛剛開始的事情，這個世界還有很多空間沒有被填滿，多模態、具身智能，很多很多新的事情都在發生，或者剛剛發生，所以從這個角度來說，如果我們認為下半場剛剛開始，可能確實不是完了?！?/p>

這是第二個判斷：未來會變得更多元，不是單一路徑。不只是 Coding Agent 一條路，還有多模態、具身智能等諸多方向。

“過去模型、產品做了很多探索，走很多彎路，我覺得這是正常的，你如果沒有做過一個事情，第一次做肯定有曲折?！彼ｎD了一下，“但是我覺得可能更重要的事情是能不能誠實面對自己，能不能 Be Real，能不能夠去看到 feedback 然后去改變，能不能夠保持耐心，這個事情是下半場最重要的事情。”

湯道生接過話題：“對，我覺得騰訊大家總是喜歡挑某一個點來批評，當然我覺得我們也歡迎大家給我們提出更高的要求，但我們還是有非常多業態，很多產品在很多賽道，同時也有很多的團隊在推進不同的項目?！?/p>

他的語氣很平靜：“毫無疑問，在這樣一個龐大的組織里面，有些地方可能我們做得快了，有些地方做得慢了，有些地方可能會做失敗，在探索。所以我覺得這些提醒都非常好，我覺得確實有些地方是可以做得更好?！?/p>

然后他說出了那句關鍵的話：“就像你說的，這是一場長跑，騰訊還是有非常豐富的場景。所以我們在長跑中也請各位多給我們提醒，多給我們建議，也多用我們的產品，來給我們最真實的反饋?！?/p>

結語：湯道生 X 姚順雨對談背后的戰略清晰度

這場對話的重要性、含金量十足，我一直在想一個問題：這場對談到底想傳達什么？

表面上看，這是一場關于技術和產品的對話，兩位高管分享了騰訊在 AI 領域的思考和實踐。但如果仔細品味，會發現這場對談其實是在回答外界對騰訊 AI 的三個核心質疑：

第一，騰訊有沒有頂尖的 AI 人才？姚順雨的出現本身就是答案。這位 ReAct 架構的提出者、前 OpenAI 研究員，不僅加入了騰訊，而且在對談中展現出對技術、產品、組織的深刻理解。他不是一個被供起來的“吉祥物”，而是一個真正在一線工作、推動模型迭代、參與產品設計的科學家。

第二，騰訊有沒有清晰的 AI 戰略？整場對談反復強調的幾個關鍵詞——co-design、context、長期主義——構成了騰訊 AI 戰略的骨架。這不是一個追求短期刷榜、追逐熱點的戰略，而是一個基于場景、注重實用、強調持續迭代的戰略。這個戰略可能不夠性感，但很務實。

第三，騰訊在 AI 上到底慢不慢？兩位高管的回答很一致：AI 是馬拉松，不是短跑。這不是一個回避問題的托詞，而是一個戰略定力的表達。在一個充滿泡沫和焦慮的行業里，保持耐心、持續投入、專注于為用戶創造價值，這本身就是一種競爭力。

更重要的是，這場對談展現了一種難得的坦誠。湯道生沒有回避外界的批評，姚順雨也沒有夸大騰訊的成就。他們承認有些地方做得不夠好，承認走過彎路，承認還在探索。這種坦誠，恰恰是姚順雨當初選擇騰訊的理由之一。

CSDN 6 月寵粉福利

200 小時 GPU 算力免費送

瑞幸咖啡/肯德基早餐/麥當勞套餐/下午茶等能量套餐任選其一

入群還可每月定期抽取旗艦顯卡、AI PC 等極客神裝