內容來源：6月5日2026騰訊云AI產業應用大會湯道生與姚順雨對談現場實錄。

責編| 柒排版| 拾零

第 9653篇深度好文：11338字 | 28 分鐘閱讀

商業趨勢

筆記君說：

騰訊在AI上慢了嗎？

當“下半場”這個詞被頻繁濫用，提出這個概念的人姚順雨，卻選擇在此時加入騰訊。在這場與騰訊高級執行副總裁湯道生的深度對談中，他首次系統闡釋了AI下半場的真正含義：方法論已然成熟，真正的較量轉向“尋找好問題”。

姚順雨認為，AI是一場長期游戲，下半場才剛剛開始。

兩位關鍵人物的坦誠交鋒，不僅揭開了一場長跑的底層邏輯，也讓我們看到，下半場真正的競爭，才剛剛開始。

一、為什么加入騰訊？

湯道生：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？

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。

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，過去我們發明AlphaGo（阿爾法圍棋，一個擊敗人類頂級棋手的圍棋AI）這樣的方法去下圍棋，但是這個方法只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（預訓練：在海量通用數據上讓模型學習語言的統計規律；后訓練：在預訓練基礎上，用更精細的數據和反饋讓模型更好地遵循指令、對齊人類偏好）。

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。

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（智能體，能夠感知環境、自主決策并執行任務來達成目標的AI系統）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（工具）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（上下文，這里指用戶所處的具體場景、背景信息和使用環境），無論是企業還是個人，就像我上一次在AGI-Next（一個聚焦AGI前沿的分享活動）上說的一樣，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（騰訊最高管理層團隊）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（信任），而不是基于metric（指標、數據考核）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（低自我，指不自我中心、謙虛務實），有非常solid（扎實、穩固）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（通用人工智能，指在大多數有經濟價值的任務上超越人類的人工智能）的組織。

今天的AI主要有三部分：首先是foundation（基礎模型層）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。

第三部分是frontier（前沿探索），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（產品感覺，指對用戶需求和產品方向的直覺和判斷力），有這種做產品的人是至關重要的。

第三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（前沿探索）的精神能更多地注入到我們組織中。

二、“實用性”價值是大于刷榜價值

湯道生：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，怎么把產品跟模型能夠比較緊密地結合起來。

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（騰訊推出的AI助手應用）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。

另外最近非常火的像CodeBuddy（騰訊的AI編程助手）、WorkBuddy（騰訊的AI辦公協作助手）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（基礎性的）的work要做好。

首先我覺得預訓練是一個相對產品agnostic（無關的、不受產品具體形態影響的）的事情，它做的非常solid可以提供非常強的foundation（基礎、基座），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（評測，指用來衡量模型能力好壞的測試集和方法），中國大家有個不好的傾向是大家喜歡刷榜（指過度追求在公開評測榜單上拿到高分，而非解決實際問題）。

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（指將產品端的用戶反饋數據返回到模型訓練中迭代優化），怎么把Eval做好，有很多細節，我就不贅述。

第三點我想說，LLM（大語言模型，Large Language Model）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（編程智能體），你會發現其實需要的不僅是Coding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（數據分類體系），我覺得需要對這個事情有一個taste（品味、判斷力）。

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（騰訊的AI智能工作臺）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（評測基準、基準測試）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（過擬合，指模型在特定測試集上表現很好但泛化到真實場景時性能下降）。

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（預覽版）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，這個在正式版上面會有很大的改進。

第二點，你對真實的Prompt distribution（提示詞的分布，指用戶實際輸入的提問方式、類型和頻率的統計特征）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（具體描述），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（上下文學習，指模型利用提示中給出的示例或信息來完成特定任務，無需參數更新）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（提示詞，指用戶給模型的輸入指令）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。

三、做模型與做產品，

“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。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（一種傳統的軟件開發模式，按照需求分析、設計、編碼、測試等階段嚴格按順序推進）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（指將測試工作提前到研發流程的更早階段），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（對齊，指讓模型的行為和輸出符合人類的意圖和價值觀）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。

湯道生：大家都在說Hy3 preview（混元3預覽版）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是比較Trivial（平常、常規的，這里指工程上需要扎實做好的事情）的事情。

我們應該把Infrastructure（基礎設施，包括算力集群、網絡、存儲、訓練框架等）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。

第一，我們把Infrastructure重建了，無論是預訓練還是強化學習（一種讓模型通過試錯和環境反饋來學習最優策略的訓練方法）。

第二是我們把數據和EVA（評測，同前文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（分類體系），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（決策）要考慮很多Trade off（權衡取舍）。

我覺得可能沒有一個很清晰的公式，我覺得是一個很Taste driven（品味驅動的，指依賴判斷力和直覺而非固定規則來決策）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（信任），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（一致）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（日活躍用戶數量，Daily Active Users）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（權衡、取舍），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。

四、Agent（智能體）技術往哪走？產業怎么落？

湯道生：我換一個話題，你是ReAct（一種將推理和行動交替進行的智能體架構，Reason+Act）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》（《語言智能體：從下一個詞預測到數字自動化》）。

是2019年，那個時候Literally（字面意義上、真的就是）就是我們的GPT-2（OpenAI發布的第二代生成式預訓練變換模型）。

那個時候它只能做Next token prediction（逐個預測下一個詞），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，稍微有想象力做一些研究。

比如說中國首都是，如果做Next token prediction它會回答北京，somehow（以某種方式）它是一個有Knowledge（知識）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（詞元，語言模型處理文本的最小語義單元）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（自動化），我當時想的還不夠大，我想的是digital automation（數字世界的自動化），但是現在看起來也有可能是digital and physical automation（數字和物理世界的自動化）。

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PaLM（谷歌研發的大語言模型，Pathways Language Model）的API（應用程序接口，Application Programming Interface）和當時手寫的一個Wikipedia API（維基百科的程序接口）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（一個用于評測AI解決真實軟件工程問題的基準測試集，Software Engineering Benchmark）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，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（一個模擬在線購物環境的網頁智能體測試任務）是第一個基于互聯網的Web Agent task（網頁智能體任務），包括InterCode（一個交互式編程評測框架）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（未來工作展望）。

第一個是train models for Agent（為智能體訓練模型），第二個是shift and robust deployment（安全穩健的部署），第三個是scientific discovery（科學發現），第四個是怎么樣去help human（幫助人類），我很感慨，我說我現在很幸運確實在做當時列的future direction（未來方向）。

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有點像圖靈完備（指一個系統在計算能力上等價于通用圖靈機，理論上可以計算任何可計算的問題）的事情，當你有能力去控制自己的file system（文件系統）。

當你有一個container（容器，這里指一個隔離的、擁有完整操作系統環境的執行空間）的時候，其實你是一個complete（完備的）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象力，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，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（性能、表現）。

很多人跟我說，他最后發現用Opus（指Claude的旗艦版模型系列）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（魯棒性、穩健性，指模型在面對各種非理想輸入時依然保持穩定表現的能力）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 bottleneck（瓶頸、卡點）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（技能），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（偏好）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（相關的），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（基礎設施，這里指支持實驗的工程平臺和工具）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。

五、AI下半場，新的機會在哪里？

湯道生：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？

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，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（Anthropic推出的AI編程工具）會是唯一的super APP（超級應用），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（個人電腦，Personal Computer）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（預訓練）、post training（后訓練），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（復制），這也是非常灰暗的事情。

但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。

但是多模態（指模型能夠處理和生成文本、圖像、音頻、視頻等多種數據類型的能力）、具身智能（指將AI融入機器人等物理實體中，使其能在真實世界中感知和行動），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說能不能誠實面對自己，能不能Be Real（保持真實），能不能夠去看到feedback（反饋）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。

*文章為作者獨立觀點，不代表筆記俠立場。

在AI席卷一切的今天，這件事更加急迫。所以我們籌備了整整半年，把過去一年跑通的所有AI原生落地的認知、案例、實戰經驗，濃縮成了3天的AI十倍增長營，6月24-26日在北京開營。

三天里，我們一步一步落地：

第一天搭班子：搞懂什么是真正的AI增長團隊，每個人親手做出第一個能干活的業務Agent；

第二天做診斷：對著真實的業務痛點，畫出專屬的AI行動地圖；

第三天練閉環：把所有流程跑通，最后帶走一套能直接開干的方案。

建議你一定要帶著核心高管和技術負責人一起來。一個人來，最多是聽了個熱鬧，回去根本推不動；一個班子來，才是真正帶一支訓練有素的增長戰隊回家。

本次課程由本文的作者王賽老師、獵豹移動董事長傅盛、影刀RPA創始人十布領銜，以及淵虹、云飛這些真正在一線拿過結果的實戰導師帶隊，不講空的，只講自己踩過的坑、驗證過的方法。

首期我們只開放少量席位，歡迎立即掃碼報名，把公司變成AI十倍增長組織。

分享、點贊、在看，3連3連！