時隔一年后，姚順雨再次公開討論 AI 下半場這個話題。他的身份，從 OpenAI 研究員，變成了騰訊首席 AI 科學家。

一年多前那篇刷屏的《歡迎來到 AI 下半場》， 他提到上半場拼誰能造出更強的模型；到了下半場，重心從「解決問題」挪到「定義問題」，評估比訓練更重要，干活的人得換上產品經理的腦子。

一年過去，這些預測正在變成現實，甚至比他預言的還快。

就在這場對話前后，Anthropic 發布博客稱它代碼庫里超過 80% 的代碼已經由 Claude 寫成，下半場真的開始加速了，這場和騰訊湯道生和姚順雨的對談，把下半場更本質的問題到了桌面上：當大模型方法論趨于成熟，真正的壁壘到底是什么？

姚順雨之所以加入騰訊，比起模型和算力，更吸引他的是「好問題」和「數據」上，他說今天 AI 像一把萬能的錘子，能砸任何地方，真正稀缺的是那顆值得砸的釘子，而騰訊手里釘子夠多。

他直言中國大家有個不好的傾向，比較卷榜單，可實用性的價值大于榜單的價值。

湯道生給出的答案是強調「扎根場景」與「組織對齊」，也坦白回應了外界對騰訊「沒及時抓住 agent」的質疑。

騰訊在 AI 下半場最核心的戰略邏輯，并非追求最會刷榜的模型，需要最懂產品、最會落地、最能把模型和產品擰成一股繩的組織。

token 效率、agent 的形態、研發組織怎么變扁平、模型和產品到底誰該管哪一段，這些今天真正卡住每一家公司的問題，都在這場對話里直白地被討論。

以下是 APPSO 在現場整理的對話全文。

附上對話實錄：

主持人：有請騰訊首席 AI 科學家，騰訊混元大語言模型及 AI Infra 負責人 姚順雨先生。

湯道生：非常歡迎順雨

姚順雨：大家好。我平時都是在海淀區，很少來朝陽區，很高興。

湯道生：今天我們兩個對話，可能是一個比較新的形態，如果有什么出乎意料的，我想也是給大家一個驚喜。順雨，你加入騰訊前，我記得我當時問過你一些問題 ，為什么下半場會選擇來騰訊？而且你認為 AI 下半場最重要的是什么？

AI 下半場，好問題成了稀缺品

姚順雨 ：首先解釋一下什么叫做下半場，我最近感覺這個詞有點被濫用，這個概念是我去年的一個博客提出來的，什么意思？其實我覺得在去年之前 AI 已經發展幾十年，但是更加重要的是怎么去解決問題，去尋找好的方法，最近我覺得很明顯就是說，方法論已經變得非常成熟，但尋找問題變得更加困難。

舉個例子，比如說過去我們發明 AIphaGo 這樣的方法去下圍棋，但是這個方法只用來適合下圍棋或者下各種棋類。你會為了翻譯做一個特別的模型，但是它只能做翻譯，不能做其他事情。

但是有了預訓練和后訓練之后我們發現，我們像有一個萬能錘子，它可以砸任何釘子，它是一個通用方法論，可以解決各種各樣的問題，反而更困難的是怎么尋找好的問題去解決。

其實我覺得加入騰訊很重要一點，就是說這里有很多好問題、有很多產品，我覺得這一點在接下來變得越來越重要。一方面，好的產品能夠解決第一個問題：我們做預訓練和后訓練之后到底要把它應用在什么地方產生價值；

第二個是環境是非常重要的，如果沒有好的環境，那 Agent 沒有辦法做各種各樣的事情，比如說如果沒有一個點外賣的 tool 的話，就沒有辦法點外賣，很多事情做不到，我覺得最重要的是 context，無論是企業還是個人，就像我上一次在 AGI-Next 說的一樣，我覺得越來越重要的事情是 context。

因為模型越來越擅長把一個非常復雜的輸入變成輸出，很多時候你的競爭壁壘就在于你有沒有最原始的輸入，你知不知道這個人他到底在干什么，你知不知道這個企業各種各樣的信息，這一點我覺得騰訊有非常強的優勢。

但其實我覺得這只是第二大的原因，最重要的原因是文化，我記得我第一次跟你聊天，包括和其他總辦老板聊天的時候，我第一印象大家都非常誠實，哪里做的好哪里做的不好，非常直白不會掩蓋，我覺得這種坦誠是我第一印象。

第二個就是說騰訊總體是一個基于 trust，而不是基于 metric 去運轉的公司，我覺得這一點對于做 AI 是非常重要的，包括我覺得我們的文化有非常 low ego，有非常 solid 的這一面。

我覺得這些文化對于長期做一個 AI 的組織是非常重要的，包括我們對長期主義的堅持，所以 AI 下半場最重要是什么？我個人覺得就是，我們應該在中國建立一個長期的基于 AGI 的組織，今天的 AI 主要有三部分：

首先是 foundation 的部分，我們怎么樣把預訓練和后訓練最基礎的東西做得非常 solid。

第二部分是產品，我們怎么樣把這樣的技術，真的為人和社會產生價值。

第三個是 frontier，我們怎么樣探索新的研究范式，探索新的機會。

我覺得最重要的是我們構建一個非常均衡的三角形一樣的組織。

我覺得對于做 foundation 來說：

第一最重要的是有充足資源。

第二就是需要正確的做事的方式，這些和我剛才說的文化也是吻合的。對于產品來說，有好的產品的 sense，有這種做產品的人是至關重要的。

第三個，在中國我們今天所做的前沿探索不夠多，所以我希望能把 frontier exploration 的精神能更多地注入到我們組織中。

湯道生：你提到的聊的過程中感受到的真誠或者務實的氛圍，也是經常我跟客戶交流得到的反饋，我覺得我們的做事方式，做產品的理念，其實也是比較實事求是的，畢竟 AI 賽道是長跑，我覺得有時候認知也很重要，我們做的好的和不好的也得認，但關鍵是一個多維度的競賽，我們看到現在模型有很多進步，我們做產品其實也是有越來越多的形態，不同的場景有不同的需求，我覺得未來還是非常可期的。

你剛剛提到模型跟產品，產品可以說提供一個環境，里面要給模型提供 context 上下文，我想問一個問題，我們平時開會提的有一個詞比較多是 Co-Design，怎么把產品關模型能夠比較緊密底結合起來，尤其今天有這么多豐富的產品，從我們合作非常緊密的像元寶這樣的一個聊天機器人，包括 AI 搜索，企業里面也有部署智能客服、智能營銷，另外最近非常火的類龍蝦像 CodeBuddy、Workbuddy 這樣的產品，其實對于模型依賴很深，你怎么思考 Co-Design 這個方式？

姚順雨：有三點：

首先 CoDesign 的前提就是說模型本身要做的很 solid，有很多 foundational 的 work 要做好。首先我覺得預訓練是一個相對就是產品 agnostic 的事情，它做的非常 solid 可以提供非常強的 foundation，而且預訓練它最大的特點就是它是一個可泛化學習過程，它的進步可以帶給各種各樣下游任務持續的價值提升。

后訓練我覺得最重要一點是要設立好正確的 Eval，中國大家有個不好的傾向是大家喜歡刷榜，但是我覺得更重要的是如何實事求是的基于產品，基于真正的應用，構造更加真實的 Eval。

第二要意識到可能「實用性」價值是大于刷榜價值，這一點我們做大量工作，跟各種各樣產品進行了深度 Co-Design，Co-Design 很關鍵一點就是要產生相互信任，這一點我們做了大量工作，取得互信，怎么把產品數據用好，怎么把回流，怎么把 Eval 做好，有很多細節，我就不贅述。

第三點我想說，LLM 時代和過去的 AI 最本質的區別就是泛化性，在 LLM 之前比如說做翻譯產品，只要把翻譯數據做的特別好就行了。你做一個圍棋的程序，你只需要把圍棋的數據準備特別好就行。

但是今天即使你想只做一個 Coding Agent，你會發現其實需要的不僅是 Coding Agent 的數據，你需要非常好的聊天能力，非常強的搜索能力，非常強的指令遵循能力，非常強的推理能力，它其實是非常復合的 data 的 taxonomy，我覺得需要對這個事情有一個 taste。

這個事情的推論就是說有很多產品的體系化地方，會有比較大的優勢，比如說我們和元寶的 Co-Design 使我們模型產生很強的聊天和搜索能力，這樣的能力又可以被遷移到 ima 和 Workbuddy 其他的產品，所以這些產品能夠提供不同的數據，但是這些數據之間又可以相互泛化，它形成一個像網絡一樣的體系，我覺得這一點的價值越來越重要。

湯道生：對，外部的榜也屬于 Eval 的一種，所以我們內部做 Eval 跟外部的這種榜有什么區別？

姚順雨：首先 benchmark 還是有它的價值的，不是完全沒有價值，只是說這些榜非常容易 overfitting。基于真實世界的數據會對模型的研發有幫助：首先就是你能發現模型很多底線問題，實際上我們先發一個 Preview 模型最主要的目的之一是希望能夠獲得真實世界反饋，能修復各種各樣榜單中沒有發現的問題，這個在會在正式版上面有很大的改進。

第二點，你對真實的 Prompt distribution 會有一個更深的了解。我舉個例子，比如說 benchmark 上面的這些題目可能它都是非常精確的，有非常長的 concrete description，它可能一般來說是一個單純的問題，但是我們知道在現實場景中可能大家問的問題都是比較模糊的，可能就一兩句話，它會不停追問，這些場景可以啟發我們怎么去更好做這樣的訓練。

第三點，我覺得甚至我們可以在這些產品上面獲得一些靈感去推進現在還沒有的榜單或者是沒有領域的推進，比如說我們最近做了很多 Context learning 的工作，包括元寶的反饋也給我們很大的啟發和幫助。所以我覺得產品和模型的互相成就是越來越重要的一個 AI 的話題。

湯道生：我記得我們早期做元寶的時候還碰到多輪遵循的問題，好像在使用產品，大家這種迭代 Prompt 的方式跟 benchmark 還有差異，真正在產品里面大家使用所需要的能力確實好像跟 benchmark 還有蠻大的差異的。

AI 產品的第一性原理是什么

姚順雨：你問我這么多問題，我也問你一個問題。

湯道生：歡迎。

姚順雨：其實我記得我第一次跟您聊的時候，你跟我講了很多你過去的經歷，從 QQ 空間、QQ 秀的時代，一直到我小學時候最喜歡的產品。

到 QQ 音樂，到云到現在的元寶，其實跟你聊天很有意思，因為你做過各種各樣的產品，to C 也有，to B 也有，遠古時代的也有，最近 AI 時代的產品也有。我比較好奇，你覺得你做產品的第一性原理是什么，你覺得哪些經驗和價值是不變的？哪些東西是變的？

湯道生：我覺得其實最終做產品還是本著用戶到底有什么需求，我到底怎么去解決他的痛點，怎么去給用戶或者客戶創造價值。

在不同的時代，甚至不同的行業，你做一個產品還是需要能夠給用戶帶來價值，他才會買單，才會使用。所以我倒覺得從 PC 互聯網時代我們做空間、移動的時代做各種各樣的產品、內容的產品，到產業互聯網做云，其實我們也要花好多的時間、精力去聽客戶的聲音，嘗試去幫助他們去解決他的問題。底層的邏輯其實沒有這么大的變化。

但確實我覺得在 PC 互聯網、移動互聯網時代做產品跟今天在 AI 時代做產品還是有蠻多不一樣的地方。首先從范式的角度來看，在 AI 時代以前我們做產品很多時候想的是通過功能來滿足用戶的需求，你作為一個產品提供方、服務提供方，你想清楚我提供怎么樣的一個能力，讓用戶可能通過某些菜單去選，好像是一些「預制菜」，你只能在里面去點一樣。

但在 AI 時代做產品，它的那種開放式的服務形態就會帶來很不一樣的要求跟挑戰，用簡單的交互方式可能是自然語言，可能是語音，其實作為產品方你也不知道用戶會問什么。所以要充分利用模型能力去理解用戶的需求，然后通過比如說今天大模型的這種邏輯推理，能去調用工具的能力，產品去給模型提供各種各樣可以用的工具，來應對這種開放式的需求，這個是我覺得跟我們過去做產品很不一樣的地方。

甚至也包括你剛剛提到的 Eval，以前我們做產品有很清晰很具體的產品的細節功能的描述，怎么去做設計、做研發、做測試，我覺得那個瀑布式的流程也比較清晰。

但是做 AI 產品，我發現最大的變化是我們整個流程可能都要重新設計，尤其今年大部分的代碼都由 AI 生成，我們的工程師可能會花更多的時間去做設計，架構的設計，把寫代碼的工作都交給 AI 了，然后定期去指導一下、修正一下。

然后測試也要左移，更前置去想清楚針對我們各種案例 Eval、環境，我們對于開放式答案的要求，甚至 alignment 怎么對齊，我們用戶所需要的那種風格，我感覺今天時代做產品其實要求的能力更全面。

姚順雨：更難了。

AI 沒有神秘配方，只有基礎工程

湯道生：更難了。我問你一下混元 3，大家都在說 Hy3 preview 是你騰訊的首秀，具體混元 3 做什么改變，你能給大家介紹一下嗎？

姚順雨：其實我覺得沒有什么秘密，今天做大模型從某種程度來說比較 Trivial 的事情，我們應該把 Infrastructure 做好，我們應該把數據做好，算法的部分反而是比較簡單的。其實我覺得主要幾個點吧。

第一，我們把 Infrastructure 重建了，無論是預訓練還是強化學習。第二是我們把數據和 Eval 做了很大的改變，如何去定義更真實的問題，如何豐富數據的 taxonomy，如何去提高數據的質量，這是一個永無止境的追求。

第三，我覺得很重要的很多決策其實包括怎么去招人，怎么去設立模型的節奏，怎么去每天有很多的 Decision 要考慮很多 Trade off，我覺得可能沒有一個很清晰的公式，我覺得是一個很 Taste driven 的事情。

所以我其實挺好奇問你一個問題的，因為您剛剛跟我討論 Co-Design 這個概念，我很好奇您對 Co-Design 這件事情是怎么想的，你覺得哪些事情是應該模型做的，哪些是產品應該做的？

湯道生：我覺得 Co-Design 在不同階段，過去這兩年其實是一直在變化的，我覺得這個變化某種程度來講是隨著模型能力的升級而變化，當然整個行業、市場、用戶的需求他在變化的過程中也會帶來我們兩邊模型跟產品需要更好去滿足。給我一個比較深的感受是怎么去對齊，因為在我們一起去做產品，去做對齊會的時候，我們有很多不同的決策，產品可能要針對某個方向去解決一些問題，模型到底怎么做去滿足這個需求，但是你要回到模型需要數據，數據應該怎么標注，到什么顆粒度，到底什么是好的標注，什么是不好的標注，因為有一些地方要獎勵，有一些地方要懲罰。

然后還有 Eval，還有評測，因為如果產品認為好的產品體驗，評測是不認同的話，大家其實做出來的產品就會不一致了。

所以 Co-Design 給我的感覺更多是在項目組里面不同的角色參與到產品的設計，定了一些產品的目標方向，怎么讓多個角色能夠對于一些開放式問題有比較好的對齊，如果沒有做到這樣一個對齊的話，你會發現產品的行為會不可預測。甚至有時候會有一些隨機性，因為模型訓練的過程可能也被混淆了。所以這是我這兩年跟做產品跟模型團隊做 Co-Design 的一個比較深的感受。您覺得呢？

姚順雨：其實我是覺得，就像我剛剛說的，首先最難的一點是要建立 Trust，畢竟我覺得同理心很重要，因為說到底做模型的目標和做產品的目標有很多 align 的部分，也有很多不 align 的部分。就是模型人希望我能力越強越好，但是產品的人覺得用戶需求越滿足越好。所以天然有很多不 align 的部分，我覺得很重要的一點是要有換位思考的能力。

其實就是你剛剛問我元寶我們是怎么一步一步 Co-Design 的，其實一個很重要的細節是，我們當時是派了后訓練最強的骨干力量，去幫助元寶把后訓練做好。當時我們自己的預訓練還沒有準備好，但是我們知道維護元寶這樣的產品以及它的 DAU 會對我們接下來做模型也非常非常重要，而且對于創新的合作非常重要。

所以當時其實很多算法同學不理解，我需要去很努力解釋，但是現在看起來這些努力都是 Trade off，我覺得這樣一個動作讓產品意識到模型的同學是真的在為產品著想，我覺得這個其實對于我們之后的合作，包括 Hy3 preview 在元寶上成功上線起到了非常重要的作用。當然有很多技術的部分可以探討，但是最難的部分反而是怎么樣建立信任，怎么樣換位思考。

湯道生：對，非常認同。我換一個話題，你是 ReAct 架構的提出者，博士研究也是圍繞著語言智能體展開的，你幾年前的一些觀點到今天兌現了嗎？比如有哪些？

姚順雨：那天我挺感慨的，我重新讀了自己的博士論文，感覺又回到一個很遠古時代，我的博士論文的 title 叫做 language Agent from next token prediction to digital automation，是 2019 年。

湯道生：7 年前。

姚順雨：那個時候 Literally 就是我們的 GPT2，那個時候它只能做 Next token prediction，而且它產生一段話不太連續，或者有很多毛刺，所以當時人們很難想象到它有一天成為一個改變世界的力量，當時我覺得可能大家做的研究，稍微有想像力做一些研究，比如說中國首都是，如果做 Next token prediction 它會回答北京，somehow 它是一個有 Knowledge 的事情，能做到這一點大家當時非常開心，覺得這個技術很有意思。

當時我的想象力比較狂野，我覺得 GPT 是一個非常優美的東西，吐下一個 Token 是一個非常極簡且非常通用的事情，我覺得它有一天潛力不僅僅是在于吐出下一個 Token，而在于把這個世界上所有的事情全部 automate，我當時想的還不夠大，我想的是 digital automation，但是現在看起來也有可能是 digital and physical automation。

我覺得其實我博士期間主要做兩部分，第一部分就是如何建立一個 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，最重要的工作可能是你說的 react。

我記得 2022 年 7 月份的時候某一天晚上，當我第一次把 Pump two 的 API 和當時手寫的一個 Wikipedia API 連在一起，它第一次可以基于這個網頁回答問題，并且多輪交互的時候，我當時感覺就像微弱電燈燈突然亮的感覺一樣，我感覺據我所知，人類第一次把 LLM 和互聯網連在一起并且做多輪交互，我當時的感覺是，這個感覺可能在 5 年或者 10 年會改變這個事情，但是可能比我想象中還要更快。

我記得當時我們第一次提出 SWE-bench 的時候，我覺得 OK，如果這個事情能做到，那很顯然它會帶來巨大價值，當時可能是幾百億、上千億，但現在可能是數萬億，數是萬億，可能我想的還是太小了。

另一部分我做的工作就是怎么定義 Digital automation 的任務，比如說 WebShop 是第一個基于互聯網的 Web Agent task，包括 InterCode 和 SWE-bench 是最早的 Coding Agent 這樣的任務。現在看起來 Agent 技術最重要兩個部分確實是外部 Agent 和 Coding Agent。

那天我在群里跟大家聊天，我看我博士論文結尾，就是我在 2024 年寫我的 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，我很感慨，我說我現在很幸運確實在做當時列的 future direction。

湯道生：太厲害了，都一一看到整個行業這些方向在推進。

姚順雨：可能想的還是不夠大，我覺得已經覺得自己想的夠大了，但是可能還是不夠大，我覺得。

Coding Agent，模型廠商的必修課

湯道生：技術的發展往往超乎我們的預期。智能體今天大家都說需要消耗很多的 Token，Token 的調用，這對于混元做下一代模型研發，你覺得什么是你的側重，有哪些地方比較重要？

姚順雨：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 非常本質有很多原因。還有一個重要原因就是說它是一個優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，今天我覺得 Agent 毫無疑問是每一家模型所發力的重點，我覺得我們做的方法可能會有幾個區別：

第一，即使今天 Coding 已經是最重要的事情，但是我們還是會強調體系的全面化，我始終認為要把 Coding 做好，其實需要遠遠不止 Coding 的數據，也需要聊天、推理，各種各樣不同的東西，因為大模型最重要的點是泛化性。

第二，很顯然產品作用越來越重要，如何利用好線上回流，我覺得是一個每個模型廠商都在應對和思考的問題。這里剛剛積累很多 CoDesign 經驗變得非常重要。

第三，我覺得還需要更多想像力，無論是技術演進，還是產品演進，甚至下一個范式演進，我們需要做探索性甚至不確定性的工作。

湯道生：從產品側，因為大家越來越多有 Token 焦慮的聲音，Token 成本爆發式增長，我也聽到很多客戶甚至用戶身邊的同事們也在緊盯著積分消耗或者 Token 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，Token 效率貴高，我之前做過一些任務可能是不同方向，有些方向也都知道肯定走不下去的，但可能模型還會試，試完之后走不下去再試下一個，里面有什么可以 optimize 的地方讓 Token 整體使用效率更高？

姚順雨：我覺得在中國討論性價比更多討論模型架構，但其實它是很復雜的體系，我覺得最重要的是首先是你的 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，因為更快的把這個事情做對了，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。

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。

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，就是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，這可能在很多長程的上面提升一兩個點的提升，可能在今天的中國更有價值。

我很好奇，您覺得 Agent，你是什么時候意識到它是一個什么新的產品的機會，以及你現在認知是什么，你覺得現在我們離一個好用的 Agent bottlenck 在哪里呢？

湯道生：我們做的 Agent，針對不同場景有不同的產品形態，在 Agent 設計上面，很大程度是發揮好模型能力，當然模型在迭代它能力越強 Agent 需要做的工作越來越少，我看我們好幾個產品在過去這段時間是隨著模型能力加強，我們可以把產品，把 Agent 做的更簡化，更多的給模型提供更多不同的工具，創造更多的 skills，來讓模型能夠更高效的去完成任務，給模型提供更多的我們叫記憶，用戶過去使用一些習慣，我們能提取出來的一些用戶 preference 的信息作為上下文，在 Coding 環境有相關的 context 給到模型，在 Workbuddy 里邊辦公協作，做個 PPT，可能大家關注的內容或者該給到模型的 context 也會不一樣。

所以在我們做不同的 Agent，我覺得更重要是了解場景下什么內容，什么信息，是重要的，比較 relevant 的，能夠跟模型配合好，讓模型有它需要的信息，同時也發揮它的能力。

姚順雨：最近我們確實推出一些像 Workbuddy 口碑不錯的產品，背后很多小團隊在快速迭代產品，我其實挺好奇，相對于傳統的產品研發，你覺得在新的 Agent 時代的研發和組織管理上，產品團隊發生什么變化，你的思考是什么？

湯道生：我前陣子在幫 Workbuddy 做一個組織發文，我看了一下他們那個非常扁平化的組織，跟我們過去的其他產品組織架構有很大差異，更多小團隊三個人五個人，可能圍繞某一個領域來做攻堅，而且有很多試驗在里面，還要支持 Infra 做實驗，讓不同的小分隊可以去探索然后再驗證，因為試驗大部分拿不到正向反饋，我們也要包容團隊去試錯，這種通過大量試驗去提煉出對于用戶流程，對于我們想要的這個結果有正向幫助，這個是我覺得今天做 Agent，做原生 AI 產品，這個組織形態要能夠比較好去支撐。

另外，原來可能有很多工程師有很多時間花寫代碼，但是今天毫無疑問他們這些工作可以交給 AI 了，所以我們會看到更多角色的融合，大家都是產品經理，都要去了解透徹用戶需求，以及設計出我們想要的產品形態，每一個工程師更像一個有想法的 leader，驅動多個 Coding Agent，針對我們想要的產品需求去做研發、開發。同時要參與評測、測試，比較前置，也用好 AI 能力，把這些質量保證工作，對齊工作要做到前面來。

我也想再問一下一個可能大家比較多討論的一個問題，很多人都會提到騰訊慢，說在 AI 上面我們沒有及時抓住一些機會，你覺得我們真的慢了嗎？到底下半場是什么？你能再多說一下嗎？

姚順雨：感覺應該是我問你的問題。

湯道生：哈哈。

姚順雨：我覺得首先 AI 其實今天有兩個重要判斷，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，e2 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 CloudCode 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。

第二個判斷，它會是個更線性還是多元游戲？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，這也是非常灰暗的事情。

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。

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，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。

AI 長跑敘事下，騰訊亮出三張牌

湯道生：大家對于騰訊經常喜歡挑某一個點來批評，當然我覺得我們也很歡迎大家給我們提更高的要求。

我們是一個非常多業態的公司，很多產品在很多的賽道，同時也有很多的團隊在推進不同的項目、事情。所以毫無疑問，在這樣一個復雜的組織里面有一些地方可能我們做得快了，有的地方做得慢了，有一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，

我覺得確實有一些地方我們是可以做得更好，但是就像你說的，這是一個長跑，這是一個馬拉松，騰訊還是有非常豐富的場景。

就你一開始提到選擇騰訊，因為 AI 需要 Context，模型需要很多的這些上下文，其實騰訊在過去多年不同產品，在不同賽道的這些積累，其實都是可以針對每一個場景去為模型提供有用的信息，提供這些 Context 來發揮價值。

在這樣一個長跑，我相信模型會不斷迭代，用戶的需求也在不斷變化，也會有新的產品形態出現，我覺得我們比如說今年年初對 AI 這一波熱潮也反應比較快。同時也有像 WorkBuddy 這樣的智能體產品，其實也是幾年前開始做的產品，沿著原來做 Coding、CodeBuddy，慢慢看到非程序員也有很強的需求，我們也能比較快去應對，今天也聽到很多客戶對于我們的不同產品怎么去組合起來有非常高的期待。

所以我們正在長跑中，也請各位多給我們提醒，給我們建議，也多用我們的產品來給我們正向的反饋。

我看時間其實都超時了，我想我來首先感謝順雨今天的分享，我們剛才其實圍繞了做模型、做產品，談到了 Co-Design，談到了 Agent 的演進，也提到了組織變革，行業的一些機會，在過去一年其實我們看到非常多企業也有共同的困惑或者面臨同樣的挑戰。產品如果用不好，企業不能持續去投入，或者 ROI 不夠，這都會影響 AI 在企業里面普及的進度。

為此，其實我們今天也會發布一套效率智能體的工具集，幫助企業可以更安全、更高效去部署應用的智能體。

這背后有騰訊的三個核心能力：

第一是場景聯接的能力，通過騰訊的微信、企業微信、元寶等等高頻的場景觸點，來把大模型嵌到真實的業務流，跟用戶、數據、生態能夠深度聯接。

第二是工程的駕馭能力，通過完整的 Harness 體系，讓 Agent 能夠穩定、可信、可持續運行，具備強大的 AI Infra，讓包括高速的網絡、高吞吐的存儲，還有高性能的 Agent Runtime 來保證 GPU 的高利用率。

第三是模型驅動力，依托混元大模型和模型產品 Co-Design ，兼顧實用性、性價比和 ROI。同時 ，我們也啟動「騰訊 AI 共創營（二期）」， 攜手 ISV、MSP 伙伴，一起共創行業解決方案，打造更多的標桿案例。

接下來的環節，我的同事將圍繞這些內容做進一步分享。今天下午我們將圍繞個人、企業提效多個場景設置產品技術、行業場景與生態共創等多個平行論壇，以及 AI 產品發布專場，把 20 多個新產品、新能力介紹給大家。

今天我們的對談到這里，謝謝順雨 ，感謝大家！

我們正在招募伙伴

簡歷投遞郵箱hr@ifanr.com

?? 郵件標題「姓名+崗位名稱」（請隨簡歷附上項目/作品或相關鏈接）