億歐6月5日現(xiàn)場消息，2026騰訊云AI產(chǎn)業(yè)應(yīng)用大會上，騰訊集團高級執(zhí)行副總裁、云與智慧產(chǎn)業(yè)事業(yè)群CEO湯道生與騰訊首席AI科學(xué)家、騰訊混元大語言模型及AI Infra負責(zé)人姚順雨進行了一場關(guān)于《騰訊AI下半場》的對話。

這場對話備受關(guān)注，一方面是外界一直對騰訊在AI領(lǐng)域的動作和成果備受質(zhì)疑，甚至有業(yè)內(nèi)人士總結(jié)了騰訊AI的三個斷層：技術(shù)斷層、戰(zhàn)略斷層、估值斷層。湯道生和姚順雨，作為騰訊AI的兩大旗幟，外界需要他們?yōu)轵v訊AI自證。

另一方面，姚順雨身上的光環(huán)和標簽太耀眼了。1998年出生，高中拿下全國信息學(xué)奧賽銀牌、亞太信息學(xué)奧賽金牌。2015年高考以704分、安徽省理科第三名（探花）成績考入清華大學(xué)交叉信息研究院“姚班”。2024年6月獲普林斯頓大學(xué)計算機科學(xué)博士學(xué)位，博士期間在微軟、IBM、谷歌及創(chuàng)業(yè)公司Sierra做研究。2024年8月加入OpenAI。2025年12月正式官宣入職騰訊。

姚順雨入職騰訊，被冠以“騰訊史上最年輕（27歲）核心部門掌舵者”身份引入，此前網(wǎng)傳年薪近億元（后被騰訊辟謠）。對年輕的姚順雨來講，比薪資更重要的主導(dǎo)權(quán)。騰訊給予姚順雨的組織權(quán)限直通最高決策層——向騰訊集團總裁劉熾平與技術(shù)工程事業(yè)群總裁盧山雙線匯報，這在騰訊內(nèi)部極為罕見。

入職騰訊后，這是姚順雨首次在騰訊自己的主場，公開亮相。

現(xiàn)場，億歐第一時間將這場“焦點訪談”核心內(nèi)容整理如下。

（一）AI下半場的定義與行業(yè)判斷

姚順雨核心觀點：

1、AI行業(yè)進入下半場拐點：AI上半場是“為單一問題定制專屬算法”，方法論不成熟；下半場技術(shù)方法論（預(yù)訓(xùn)練+后訓(xùn)練）已經(jīng)成熟，稀缺資源從技術(shù)轉(zhuǎn)向優(yōu)質(zhì)落地問題、場景數(shù)據(jù)與產(chǎn)業(yè)環(huán)境，尋找可落地的真實問題成為行業(yè)核心難點。行業(yè)從“造算法”轉(zhuǎn)向“找需求”，短期泡沫化炒作不可持續(xù)，AI是數(shù)十年維度的長期產(chǎn)業(yè)，未來產(chǎn)業(yè)形態(tài)趨向多元化，不會出現(xiàn)單一技術(shù)壟斷全場景。

2、選擇入職騰訊三大核心理由

①場景優(yōu)勢：騰訊海量C端+B端產(chǎn)品，提供豐富落地問題與獨有的場景上下文（Context）數(shù)據(jù)，是大模型落地最核心壁壘；

②環(huán)境優(yōu)勢：全品類工具生態(tài)（外賣、辦公、搜索等），為Agent智能體落地提供運行環(huán)境；

③企業(yè)文化：務(wù)實坦誠、信任導(dǎo)向而非唯數(shù)據(jù)指標（Metric）考核、低ego、堅持長期主義，適配AGI長線研發(fā)。

3、騰訊AI均衡三角布局（下半場核心目標）：構(gòu)建“基礎(chǔ)大模型Foundation+商業(yè)化產(chǎn)品落地+前沿技術(shù)探索Frontier”三位一體均衡研發(fā)組織；基礎(chǔ)層靠充足算力資源與正確研發(fā)機制、產(chǎn)品層依托優(yōu)質(zhì)產(chǎn)品人才、前沿層補足國內(nèi)行業(yè)探索不足。

（二）做模型與做產(chǎn)品，“第一性原理”是什么？

湯道生核心觀點：

1、不變邏輯：全周期產(chǎn)品核心永遠是挖掘用戶真實痛點、創(chuàng)造落地價值，從PC互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)到AI產(chǎn)業(yè)互聯(lián)網(wǎng)，以客戶需求為中心的底層產(chǎn)品邏輯恒定。

2、AI時代顛覆性變化：傳統(tǒng)產(chǎn)品是“預(yù)制菜式固定功能”，用戶在預(yù)設(shè)菜單內(nèi)選擇；AI產(chǎn)品是開放式自然交互，用戶需求無邊界，產(chǎn)品角色從功能提供者轉(zhuǎn)變?yōu)閳鼍肮ぞ摺⒂洃泿臁⑸舷挛沫h(huán)境搭建者，交由大模型自主拆解、完成非標需求。

3、研發(fā)流程變革：傳統(tǒng)瀑布式開發(fā)失效，AI產(chǎn)品全流程前置評測、對齊調(diào)優(yōu)；工程師從重復(fù)編碼轉(zhuǎn)向架構(gòu)設(shè)計、調(diào)度AI代碼智能體，測試、對齊工作前置。

（三）Co-Design，模型和產(chǎn)品如何相互成就？

姚順雨核心觀點：

1、Co-Design落地三層邏輯：①預(yù)訓(xùn)練脫離產(chǎn)品獨立研發(fā)，夯實通用底座；②后訓(xùn)練摒棄刷榜思維，以真實產(chǎn)品落地效果搭建評測體系；③依托大模型強泛化屬性，各產(chǎn)品線回流數(shù)據(jù)互通復(fù)用，形成網(wǎng)狀數(shù)據(jù)生態(tài)（如元寶聊天能力反哺Workbuddy、CodeBuddy）。

2、榜單評測局限性凸顯：公開榜單易出現(xiàn)模型過度擬合，定向刷分容易脫離現(xiàn)實。榜單評測題目標準化、提問規(guī)整，和用戶現(xiàn)實模糊化、多輪追問的真實使用場景脫節(jié)。基于真實產(chǎn)品使用數(shù)據(jù)的實測是模型迭代最優(yōu)依據(jù)，真實用戶輸入分布、多輪模糊提問是優(yōu)化關(guān)鍵。

3、Co-Design最大難點不在技術(shù)，在于跨團隊建立信任，需算法與產(chǎn)品團隊換位思考。比如：混元團隊抽調(diào)骨干落地元寶后訓(xùn)練，短期犧牲預(yù)訓(xùn)練資源，長期打通產(chǎn)研互信，助力混元3順利落地元寶。

4、Agent是產(chǎn)業(yè)AI必經(jīng)方向：編碼Agent、網(wǎng)頁智能體是兩大核心落地賽道，具備圖靈完備屬性，是模型自主化的基石，也是大模型打通產(chǎn)業(yè)落地的底層關(guān)鍵能力。但想要做好Coding不能只依賴代碼數(shù)據(jù)，必須疊加對話、推理、搜索等全維度訓(xùn)練數(shù)據(jù)，依托產(chǎn)品線上回流數(shù)據(jù)持續(xù)迭代。

6、性能優(yōu)先是降本第一邏輯：高能力優(yōu)質(zhì)模型單次完成任務(wù)，反而減少反復(fù)試錯帶來的額外Token消耗，綜合性價比優(yōu)于小模型反復(fù)試錯。

7、分層模型路線：以輕量化模型對標大模型效果、強化簡單任務(wù)穩(wěn)定性，依靠架構(gòu)創(chuàng)新、長文本優(yōu)化實現(xiàn)落地成本優(yōu)化，是國內(nèi)現(xiàn)階段最優(yōu)性價比方案。

湯道生核心觀點：

1、產(chǎn)研天然目標分歧：算法團隊追求模型性能極致，產(chǎn)品團隊聚焦用戶落地體驗，Co-Design核心是統(tǒng)一目標、對齊標注標準與評測口徑；評測標準不統(tǒng)一會造成模型輸出不可控、產(chǎn)品體驗隨機化。

2、Agent產(chǎn)品落地關(guān)鍵：產(chǎn)品深耕垂直場景，提煉場景專屬信息、用戶歷史偏好、業(yè)務(wù)上下文、可用工具集，補齊模型落地缺失的場景信息，依托模型能力簡化Agent產(chǎn)品原生開發(fā)復(fù)雜度。

3、組織形態(tài)：摒棄大型多層級架構(gòu)，采用3-5人小型扁平化攻堅團隊，包容試錯、小批量快速試驗，從海量試錯中沉淀有效產(chǎn)品方案；

4、人才角色轉(zhuǎn)變：研發(fā)全員向產(chǎn)品化轉(zhuǎn)型，工程師轉(zhuǎn)型為AI項目負責(zé)人，統(tǒng)籌需求設(shè)計、智能體調(diào)度、效果評測。

（四）AI下半場，新的機會在哪里？

姚順雨核心觀點：

1、回應(yīng)“騰訊AI發(fā)展偏慢”質(zhì)疑。AI是數(shù)十年長跑項目，拒絕短期套利思維；行業(yè)不會形成單一超級AI應(yīng)用，未來賽道從同質(zhì)化復(fù)刻走向多元化創(chuàng)新（多模態(tài)、具身智能等空白領(lǐng)域廣闊）。

2、前期探索試錯是行業(yè)常態(tài)，關(guān)鍵是保持務(wù)實糾錯、長期耐心，從長線視角騰訊并未落后，AI下半場才剛剛起步。

湯道生核心觀點：

1、回應(yīng)“騰訊AI節(jié)奏慢”行業(yè)質(zhì)疑。騰訊全業(yè)態(tài)多賽道布局，不同業(yè)務(wù)線探索進度天然分化，局部快慢、項目試錯是大型科技企業(yè)常態(tài)。

2、騰訊核心AI長期壁壘：全產(chǎn)品線沉淀海量場景上下文數(shù)據(jù)，是大模型落地獨有資源，依托場景優(yōu)勢實現(xiàn)長跑突圍，2025年Agent熱潮中Workbuddy等產(chǎn)品落地節(jié)奏已快速兌現(xiàn)。

3、騰訊正在長跑中，騰訊的三個核心能力一直都在：

第一是場景聯(lián)接的能力，通過騰訊的微信、企業(yè)微信、元寶等等高頻的場景觸點，來把大模型嵌到真實的業(yè)務(wù)流，跟用戶、數(shù)據(jù)、生態(tài)能夠深度聯(lián)接。

第二是工程的駕馭能力，通過完整的Harness體系，讓Agent能夠穩(wěn)定、可信、可持續(xù)運行，具備強大的AI Infra，讓包括高速的網(wǎng)絡(luò)、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(qū)動力，依托混元大模型和模型產(chǎn)品Co-Design，兼顧實用性、性價比和ROI。

觀點綜述

湯道生認為，騰訊做AI始終堅持以實用、好用、可規(guī)模化為目標，而最核心的經(jīng)驗就是扎根場景。真實場景里既有用戶需求，也有模型迭代最需要的數(shù)據(jù)。騰訊豐富的產(chǎn)品場景、交互數(shù)據(jù)和生態(tài)連接，既能為模型提供高質(zhì)量上下文，也能讓模型調(diào)用工具、連接系統(tǒng)，真正完成任務(wù)閉環(huán)。

姚順雨認為，AI的下半場已從尋找方法轉(zhuǎn)向?qū)ふ覇栴}，核心在于Foundation（基礎(chǔ)模型）、Product（產(chǎn)品）、Frontier（前沿模型）構(gòu)成的均衡三角。LLM的本質(zhì)區(qū)別在于泛化性，不同場景的數(shù)據(jù)需相互賦能；而Agent的崛起，讓環(huán)境、評測與推理行動協(xié)同變得比單一模型能力更關(guān)鍵。基于此，重新出發(fā)的混元模型堅持與產(chǎn)品深度Co?Design，通過多產(chǎn)品數(shù)據(jù)回流與體系化訓(xùn)練，在優(yōu)化模型尺寸的同時持續(xù)提升性能。

以下為現(xiàn)場速記實錄

（億歐整理有刪減）

湯道生：非常歡迎順雨。

姚順雨：大家好。我平時都是在海淀區(qū)，很少來朝陽區(qū)，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(tài)，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(dāng)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，什么意思？其實我覺得在去年之前AI已經(jīng)發(fā)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(jīng)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(fā)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(yù)訓(xùn)練和后訓(xùn)練之后我們發(fā)現(xiàn)，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(chǎn)品，我覺得這一點在接下來變得越來越重要。

一方面，好的產(chǎn)品能夠解決第一個問題：我們做預(yù)訓(xùn)練和后訓(xùn)練之后到底要把它應(yīng)用在什么地方產(chǎn)生價值；

第二個是環(huán)境是非常重要的，如果沒有好的環(huán)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(yè)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(fù)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(yè)各種各樣的信息，這一點我覺得騰訊有非常強的優(yōu)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(zhuǎn)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(yīng)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(yù)訓(xùn)練和后訓(xùn)練最基礎(chǔ)的東西做得非常solid。

第二部分是產(chǎn)品，我們怎么樣把這樣的技術(shù)，真的為人和社會產(chǎn)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(gòu)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(chǎn)品來說，有好的產(chǎn)品的sense，有這種做產(chǎn)品的人是至關(guān)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(wù)實的氛圍，也是經(jīng)常我跟客戶交流得到的反饋，我覺得我們的做事方式，做產(chǎn)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(guān)鍵是一個多維度的競賽，我們看到現(xiàn)在模型有很多進步，我們做產(chǎn)品其實也是有越來越多的形態(tài)，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(chǎn)品，產(chǎn)品可以說提供一個環(huán)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(chǎn)品關(guān)模型能夠比較緊密底結(jié)合起來，尤其今天有這么多豐富的產(chǎn)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(yè)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(chǎn)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(yù)訓(xùn)練是一個相對就是產(chǎn)品agnostic的事情，它做的非常solid可以提供非常強的foundation，而且預(yù)訓(xùn)練它最大的特點就是它是一個可泛化學(xué)習(xí)過程，它的進步可以帶給各種各樣下游任務(wù)持續(xù)的價值提升。后訓(xùn)練我覺得最重要一點是要設(shè)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(chǎn)品，基于真正的應(yīng)用，構(gòu)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(chǎn)品進行了深度Co-Design，Co-Design很關(guān)鍵一點就是要產(chǎn)生相互信任，這一點我們做了大量工作，取得互信，怎么把產(chǎn)品數(shù)據(jù)用好，怎么把回流，怎么把Eval做好，有很多細節(jié)，我就不贅述。

第三點我想說，LLM時代和過去的AI最本質(zhì)的區(qū)別就是泛化性，在LLM之前比如說做翻譯產(chǎn)品，只要把翻譯數(shù)據(jù)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(shù)據(jù)準備特別好就行。但是今天即使你想只做一個Coding Agent，你會發(fā)現(xiàn)其實需要的不僅是Coding Agent的數(shù)據(jù)，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(fù)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(chǎn)品的體系化地方，會有比較大的優(yōu)勢，比如說我們和元寶的Co-Design使我們模型產(chǎn)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(chǎn)品，所以這些產(chǎn)品能夠提供不同的數(shù)據(jù)，但是這些數(shù)據(jù)之間又可以相互泛化，它形成一個像網(wǎng)絡(luò)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(nèi)部做Eval跟外部的這種榜有什么區(qū)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(shù)據(jù)會對模型的研發(fā)有幫助：首先就是你能發(fā)現(xiàn)模型很多底線問題，實際上我們先發(fā)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(fù)各種各樣榜單中沒有發(fā)現(xiàn)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(xiàn)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(fā)我們怎么去更好做這樣的訓(xùn)練。

第三點，我覺得甚至我們可以在這些產(chǎn)品上面獲得一些靈感去推進現(xiàn)在還沒有的榜單或者是沒有領(lǐng)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(fā)和幫助。所以我覺得產(chǎn)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(chǎn)品，大家這種迭代Prompt的方式跟benchmark還有差異，真正在產(chǎn)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。

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(jīng)歷，從QQ空間、QQ秀的時代，一直到我小學(xué)時候最喜歡的產(chǎn)品。

從QQ音樂，到云到現(xiàn)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(chǎn)品，to C也有，to B也有，遠古時代的也有，最近AI時代的產(chǎn)品也有。我比較好奇，你覺得你做產(chǎn)品的第一性原理是什么，你覺得哪些經(jīng)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(chǎn)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(chuàng)造價值。在不同的時代，甚至不同的行業(yè)，你做一個產(chǎn)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(lián)網(wǎng)時代我們做空間、移動的時代做各種各樣的產(chǎn)品、內(nèi)容的產(chǎn)品，到產(chǎn)業(yè)互聯(lián)網(wǎng)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?nèi)ソ鉀Q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(lián)網(wǎng)、移動互聯(lián)網(wǎng)時代做產(chǎn)品跟今天在AI時代做產(chǎn)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(chǎn)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(chǎn)品提供方、服務(wù)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(yù)制菜”，你只能在里面去點一樣。

但在AI時代做產(chǎn)品，它的那種開放式的服務(wù)形態(tài)就會帶來很不一樣的要求跟挑戰(zhàn)，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(chǎn)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(diào)用工具的能力，產(chǎn)品去給模型提供各種各樣可以用的工具，來應(yīng)對這種開放式的需求，這個是我覺得跟我們過去做產(chǎn)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(chǎn)品有很清晰很具體的產(chǎn)品的細節(jié)功能的描述，怎么去做設(shè)計、做研發(fā)、做測試，我覺得那個瀑布式的流程也比較清晰。但是做AI產(chǎn)品，我發(fā)現(xiàn)最大的變化是我們整個流程可能都要重新設(shè)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(shè)計，架構(gòu)的設(shè)計，把寫代碼的工作都交給AI了，然后定期去指導(dǎo)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(huán)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(fēng)格，我感覺今天時代做產(chǎn)品其實要求的能力更全面。

姚順雨：更難了。

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(yīng)該把Infrastructure做好，我們應(yīng)該把數(shù)據(jù)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(yù)訓(xùn)練還是強化學(xué)習(xí)。第二是我們把數(shù)據(jù)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(shù)據(jù)的taxonomy，如何去提高數(shù)據(jù)的質(zhì)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(shè)立模型的節(jié)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(yīng)該模型做的，哪些是產(chǎn)品應(yīng)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(dāng)然整個行業(yè)、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(chǎn)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(chǎn)品，去做對齊會的時候，我們有很多不同的決策，產(chǎn)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(shù)據(jù)，數(shù)據(jù)應(yīng)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(chǎn)品認為好的產(chǎn)品體驗，評測是不認同的話，大家其實做出來的產(chǎn)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(chǎn)品的設(shè)計，定了一些產(chǎn)品的目標方向，怎么讓多個角色能夠?qū)τ谝恍╅_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(fā)現(xiàn)產(chǎn)品的行為會不可預(yù)測。甚至有時候會有一些隨機性，因為模型訓(xùn)練的過程可能也被混淆了。所以這是我這兩年跟做產(chǎn)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(chǎn)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(chǎn)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(jié)是，我們當(dāng)時是派了后訓(xùn)練最強的骨干力量，去幫助元寶把后訓(xùn)練做好。當(dāng)時我們自己的預(yù)訓(xùn)練還沒有準備好，但是我們知道維護元寶這樣的產(chǎn)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(chuàng)新的合作非常重要。

所以當(dāng)時其實很多算法同學(xué)不理解，我需要去很努力解釋，但是現(xiàn)在看起來這些努力都是Trade off，我覺得這樣一個動作讓產(chǎn)品意識到模型的同學(xué)是真的在為產(chǎn)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(dāng)然有很多技術(shù)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(gòu)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(xiàn)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(chǎn)生一段話不太連續(xù)，或者有很多毛刺，所以當(dāng)時人們很難想象到它有一天成為一個改變世界的力量，當(dāng)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(dāng)時非常開心，覺得這個技術(shù)很有意思。

當(dāng)時我的想象力比較狂野，我覺得GPT是一個非常優(yōu)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(dāng)時想的還不夠大，我想的是digital automation，但是現(xiàn)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(dāng)我第一次把Pump two的API和當(dāng)時手寫的一個Wikipedia API連在一起，它第一次可以基于這個網(wǎng)頁回答問題，并且多輪交互的時候，我當(dāng)時感覺就像微弱電燈燈突然亮的感覺一樣，我感覺據(jù)我所知，人類第一次把LLM和互聯(lián)網(wǎng)連在一起并且做多輪交互，我當(dāng)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(dāng)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(dāng)時可能是幾百億、上千億，但現(xiàn)在可能是數(shù)萬億，數(shù)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(wù)，比如說WebShop是第一個基于互聯(lián)網(wǎng)的Web Agent task，包括InterCode和SWE-bench是最早的Coding Agent這樣的任務(wù)。現(xiàn)在看起來Agent技術(shù)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(jié)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(xiàn)在很幸運確實在做當(dāng)時列的future direction。

湯道生：太厲害了，都一一看到整個行業(yè)這些方向在推進。

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

湯道生：技術(shù)的發(fā)展往往超乎我們的預(yù)期。智能體今天大家都說需要消耗很多的Token，Token的調(diào)用，這對于混元做下一代模型研發(fā)，你覺得什么是你的側(cè)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(yù)訓(xùn)練一樣，是不得不做的事情，是最基礎(chǔ)能力。我個人覺得Coding Agent非常本質(zhì)有很多原因。還有一個重要原因就是說它是一個優(yōu)點像圖靈完備的事情，當(dāng)你有能力去控制自己的file system，當(dāng)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(fā)力的重點，我覺得我們做的方法可能會有幾個區(qū)別：

第一，即使今天Coding已經(jīng)是最重要的事情，但是我們還是會強調(diào)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(shù)據(jù)，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(chǎn)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(yīng)對和思考的問題。這里剛剛積累很多CoDesign經(jīng)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(shù)演進，還是產(chǎn)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(chǎn)品側(cè)，因為大家越來越多有Token焦慮的聲音，Token成本爆發(fā)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(wù)，Token效率貴高，我之前做過一些任務(wù)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(gòu)，但其實它是很復(fù)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(fā)現(xiàn)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(guān)鍵的事情。尤其我覺得今年可能很多簡單任務(wù)的robustness會變得更加重要，一次把相對簡單任務(wù)做對，這可能是性價比更關(guān)鍵的部分，不僅是模型架構(gòu)。

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(lǐng)先于世界的，就是我們做大量工作優(yōu)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(wù)做好，在這基礎(chǔ)上架構(gòu)創(chuàng)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(wù)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(chǎn)品的機會，以及你現(xiàn)在認知是什么，你覺得現(xiàn)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(chǎn)品形態(tài)，在Agent設(shè)計上面，很大程度是發(fā)揮好模型能力，當(dāng)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(chǎn)品在過去這段時間是隨著模型能力加強，我們可以把產(chǎn)品，把Agent做的更簡化，更多的給模型提供更多不同的工具，創(chuàng)造更多的skills，來讓模型能夠更高效的去完成任務(wù)，給模型提供更多的我們叫記憶，用戶過去使用一些習(xí)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(huán)境有相關(guān)的context給到模型，在Workbuddy里邊辦公協(xié)作，做個PPT，可能大家關(guān)注的內(nèi)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(nèi)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(fā)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(chǎn)品，背后很多小團隊在快速迭代產(chǎn)品，我其實挺好奇，相對于傳統(tǒng)的產(chǎn)品研發(fā)，你覺得在新的Agent時代的研發(fā)和組織管理上，產(chǎn)品團隊發(fā)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(fā)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(chǎn)品組織架構(gòu)有很大差異，更多小團隊三個人五個人，可能圍繞某一個領(lǐng)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(jié)果有正向幫助，這個是我覺得今天做Agent，做原生AI產(chǎn)品，這個組織形態(tài)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(chǎn)品經(jīng)理，都要去了解透徹用戶需求，以及設(shè)計出我們想要的產(chǎn)品形態(tài)，每一個工程師更像一個有想法的leader，驅(qū)動多個Coding Agent，針對我們想要的產(chǎn)品需求去做研發(fā)、開發(fā)。同時要參與評測、測試，比較前置，也用好AI能力，把這些質(zhì)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(yīng)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(yè)，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(chǎn)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(chǎn)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(tài)、具身智能，很多很多新的事情都在發(fā)生，或者剛剛發(fā)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(chǎn)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。

湯道生：大家對于騰訊經(jīng)常喜歡挑某一個點來批評，當(dāng)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(yè)態(tài)的公司，有很多產(chǎn)品分布在很多的賽道，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(fù)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(chǎn)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(fā)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(chǎn)品形態(tài)出現(xiàn)，我覺得我們比如說今年年初對Agent這一波熱潮也反應(yīng)比較快。同時也有像WorkBuddy這樣的智能體產(chǎn)品，其實也是幾年前開始做的產(chǎn)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(yīng)對，今天也聽到很多客戶對于我們的不同產(chǎn)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(chǎn)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(chǎn)品，談到了Co-Design，談到了Agent的演進，也提到了組織變革，行業(yè)的一些機會，在過去一年其實我們看到非常多企業(yè)也有共同的困惑或者面臨同樣的挑戰(zhàn)。產(chǎn)品如果用不好，企業(yè)不能持續(xù)去投入，或者ROI不夠，這都會影響AI在企業(yè)里面普及的進度。為此，其實我們今天也會發(fā)布一套效率智能體的工具集，幫助企業(yè)可以更安全、更高效去部署應(yīng)用的智能體。

這背后有騰訊的三個核心能力：

第一是場景聯(lián)接的能力，通過騰訊的微信、企業(yè)微信、元寶等等高頻的場景觸點，來把大模型嵌到真實的業(yè)務(wù)流，跟用戶、數(shù)據(jù)、生態(tài)能夠深度聯(lián)接。

第二是工程的駕馭能力，通過完整的Harness體系，讓Agent能夠穩(wěn)定、可信、可持續(xù)運行，具備強大的AI Infra，讓包括高速的網(wǎng)絡(luò)、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(qū)動力，依托混元大模型和模型產(chǎn)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(chuàng)營（二期）”，攜手ISV、MSP伙伴，一起共創(chuàng)行業(yè)解決方案，打造更多的標桿案例。

接下來的環(huán)節(jié)，我的同事將圍繞這些內(nèi)容做進一步分享。今天下午我們將圍繞個人、企業(yè)提效多個場景設(shè)置產(chǎn)品技術(shù)、行業(yè)場景與生態(tài)共創(chuàng)等多個平行論壇，以及AI產(chǎn)品發(fā)布專場，把20多個新產(chǎn)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！