汤道生、姚顺雨对谈腾讯AI的下半场!(附全文)

刚刚，腾讯集团高级执行副总裁汤道生与腾讯混元大模型及AI应用负责人姚顺宇展开深度对话，围绕AI下半场定位、产品与模型关系、组织变革及行业趋势进行系统阐述。

“下半场"的本质是从找方法转向找问题。 姚顺宇指出，预训练和后训练让方法论趋于成熟，真正的挑战已变为“找到值得解决的好问题"。腾讯拥有丰富产品场景和Context优势，这是他选择加入的核心原因之一。而更深层的原因是文化，腾讯总办团队的坦诚务实、基于Trust而非Metrics运转、Low Ego的氛围，以及对长期主义的坚持，让他认为腾讯适合构建一个基于AGI的长期组织。

姚顺宇强调，产品为模型提供Context和真实场景数据，模型为产品提供通用能力，两者需深度耦合、建立互信。他明确表示实用性价值大于刷榜价值，基于真实用户反馈发现问题比Benchmark更重要。LLM时代与过去AI最本质的区别在于泛化性——即使只做一个Agent，也需要聊天、搜索、指令遵循、推理等复合能力。

访谈中，姚顺宇还回忆了自己2022年首次将AI与真实互联网连接时“像微弱电灯丝突然亮了"的感觉，感慨当年博士论文中写下的四个Future Work，Train Models for Agent、Safe and Robust Deployment、Scientific Discovery、Help Human。如今正在逐一实现，“但当时想的还是不够大"。

在面对行业Token焦虑，姚顺宇认为性价比的核心首先是Performance，用较小的模型更快把事情做对反而更省。用小模型做好高价值任务，比在长曲线上追一两个点的提升更具现实价值。

在聊到“腾讯慢吗？”的话题中，姚顺宇明确判断AI是长期游戏而非短期风口，不认为Pre-training和Post-training是唯一范式，未来会更加多元。他认为，诚实地面对自己、保持耐心、主动看到范式变化并调整，是下半场最重要的能力。

以下为笔者记录完整聊天记录：

汤道生：

今天我特别邀请到腾讯首席AI科学家姚顺宇和大家聊聊腾讯大模型跟AI产品的思考与进展。我简单介绍一下顺宇，在学术界提出过ReAct框架。

ReAct框架也在前沿的AI研究中，加入腾讯以来，它主导的混元大模型，既懂前沿技术，也能扎根一线，相信会带来不一样的洞察，我们欢迎顺宇，有请腾讯首席AI科学家、腾讯混元大模型及AI应用负责人姚顺宇先生。

好，非常欢迎顺宇啊，你要跟大家说个hello吗？

姚顺宇：

呵呵大家好，我我我平时都是在海淀区，现在很少来朝阳区。对，很高兴，我看计时器已经开始了，所以我们就直奔主题吧，直接交流吧。那今天的，我们两个对话，可能就是一个比较新的形态啊，如果有什么出乎意料的啊，我想也是给大家一个惊喜。

汤道生：

那顺宇啊，你加入腾讯之前啊，我记得啊，当时我还问过你一些问题哈，为什么会选择来到腾讯？而且你认为AI的下半场最重要的是什么？

姚顺宇：

对，我觉得我想先首先解释一下什么叫做下半场，因为我最近感觉这个词有点被滥用了哈。对，就是这个概念，其实是我去年的一个博客里面提出来的，什么意思呢？其实我觉得在可能去年之前，AI已经发展了几十年，但是更加重要的是怎么去解决问题，去寻找好的方法。

但是最近我觉得很明显的就是说方法论已经变得非常成熟，寻找问题变得更加困难。我举个例子，比如说过去，比如说我们做下围棋。其实吧我们会发明像AlphaGo这样的一个方法。但这个方法它可能只适合下围棋或者下各种棋类。你会为翻译做一个特别的模型，但是它可能只能用来做翻译，不能做其他事情。

但是有了预训练和后训练之后，我们发现我们现在有了一个万能的锤子，对吧？它可以去砸任何钉子。它是一个通用的方法论，可以去解决各种各样的问题，那么反而更困难的是怎么去寻找好的问题去解决啊。所以其实我觉得加入腾讯很重要的一点，就是说这里有很多好问题，有很多很多产品，然后我觉得这一点会在接下来变得越来越重要。

其实一方面，好的产品能够解决：第一个问题就是说我们做了预训练和后训练之后，我们到底要把它应用在什么样的地方产生价值。第二就是说环境是非常重要的，如果没有好的环境，那AI Agent就没有办法去做各种各样的事情。比如说如果你没有一个点外卖的工具的话，那你就没有办法去点外卖，很多事情你做不到。但是我觉得可能最重要的是Context，其实就是无论是企业还是个人，就像我上一次在Ajax说的一样，我觉得越来越重要的事情是Context，因为模型越来越擅长把一个非常复杂的输入变成一个输出。那很多时候你的竞争壁垒就来自于你有没有那个最原始的输入？你知不知道这个人他到底在干什么？你知不知道这个企业的各种各样的信息。那这一点的话，我觉得腾讯有非常强的优势。

但其实我觉得这个只是第二大的原因，我觉得其实最重要的原因是文化。嗯，我还记得我第一次跟你聊天的时候，包括和很多其他总办的老板们聊天的时候，我第一印象就是大家都非常的诚实啊，就是哪里做得好，哪里做得不好都非常直白，就是不会去掩盖。然后就说我知道我这里做得好，我知道我这里不知道，我知道这里应该怎么做，我不知道哪里应该怎么做。我觉得这种坦诚是我的第一印象。然后我觉得第二个就是说我觉得腾讯总体是一个基于Trust，而不是基于Metrics去运转的公司。我觉得这一点对于做AI是非常重要的。然后包括我觉得我们的文化其实有非常Low Ego，非常非常好的这一面。然后我觉得这些文化都是可能对于长期来做一个AI的组织是非常重要的，包括我们对长期主义的这种坚持。所以下半场最重要的是什么？我个人的目标，我觉得就是我觉得我们应该在中国建立一个长期的基于AGI的这样的一个组织。

那我觉得今天的AI其实主要有三个部分，首先是Foundation的部分，我们怎么样去把预训练和后训练这种最基础的东西做得非常好的。第二部分是产品，我们怎么去把这样的技术真的为人和社会产生价值。第三就是Frontier，我们怎么去探索新的研究的范式、探索新的机会。其实我觉得最重要的就是说我们要构建一个非常均衡的这样的一个三角形一样的组织。

那我觉得对于做Foundation来说，最重要的其实就是第一需要充足的资源，第二就是需要正确的做事的方式。这其实跟我刚刚说的文化的一点也是吻合的。那对于产品来说，我觉得有这种做产品的基因是至关重要的。那第三我觉得就是说在中国，我们今天可能所做的探索还不够多，所以我也希望能把这种Frontier探索的精神能更多地注入到我们组织中。

汤道生：

对，你提到的跟总办聊的过程中感受到的真诚或者务实吧，其实也是经常我跟客户交流得到的反馈。我觉得我们的做事的方式、做产品的理念其实也是比较实事求是的。毕竟AI赛道还是一个长跑，我觉得有时候认知其实也很重要，对吧？哪些我们做得好的，哪些做得不好的也得认清。但关键这是一个多维度的竞赛。我们看到现在模型有很多的进步，产品其实也是有越来越多的形态，不同的场景有不同的需求，我觉得未来还是非常可期的。

那您刚提到模型跟产品，产品可以说提供了一个环境，里面要给模型提供Context上下文。那我想问你一个问题，也许我们平时开会提的一个词比较多的，是Coupling上，怎么把产品跟模型能够比较紧密地结合起来。尤其今天有这么多丰富的产品，从我们合作非常紧密的像元宝这样的一个聊天机器人，包括AI搜索，企业里面也有部署一些企鹅智能客服、智能营销。另外最近非常火的类似Coze的像Coze里玩巴黎这样的一个产品，其实对于模型的能力依赖很深，你怎么去思考Coupling上这个方式？

姚顺宇：

对，我觉得有3点。首先，Coupling上的前提就是说模型本身要做得很好的，有很多Foundation的work要做好。

那其实首先我觉得预训练是一个相对产品agnostic的事情，然后它做得非常好的，可以提供一个非常强的Foundation。而且预训练它最大的特点就是它是一个可泛化的学习的过程，它的进步是可以带给各种各样下游的任务持续的价值的提升。

那后续的话，其实我觉得最重要的一点是要设立好正确的评估。我觉得中国可能大家有个不好的倾向，就是比较喜欢刷榜。但是我觉得就是如何实事求是地，基于产品，基于真正的应用去构造更加真实的评估。那我觉得这个首先你要有好的产品出口，第二就是说你要意识到实用性的价值是大于刷榜的价值。那其实这一点的话，我们做大量的工作，就是说跟各种各样的产品进行了深度的Coupling。我觉得Coupling其实很关键的一点就是要产生相互的信任，这一点其实我们也做了大量工作去取得互信。

那怎么把产品的数据用好，怎么把这种回流，怎么把评估做好？我觉得这有很多细节我就不赘述了。但我觉得第3点我想说的就是说我觉得LLM时代和过去的AI最本质的区别就是泛化性。就是在LLM之前，比如说你做一个翻译的产品，你只要把翻译的数据做特别好就行了。你做一个围棋的程序，你只要把围棋的数据准备特别好就行了。但是今天即使你想就只做一个Coupling Agent，你发现其实需要的也不仅仅是Coupling这个数据，你需要非常好的表示能力、聊天能力、非常强的搜索能力、非常强的指令遵循能力、非常强的推理能力，它其实是一个非常复合的对能力的要求。我觉得需要对这个事情有洞察。

那我觉得这个事情的一个推论，就是说其实有很多产品的这样的一个体系化的地方，其实会有一个比较大的优势。比如说我们和元宝的Coupling，可以使我们模型产生很强的聊天和搜索能力。但这样能力可能又可以被迁移到元宝或者混元里这样的其他产品。所以这些产品它能够提供不同的数据，在这些数据之间又可以相互泛化，它形成一个像网络一样的体系。我觉得这一点的价值会越来越重要。

汤道生：

其实外部的刷那个榜，其实也是属于评估的一种嘛，所以我们内部做评估跟外部的榜单有什么区别？

姚顺宇：

我觉得就是首先这些Benchmark还是比较有它的价值，不是说它完全没有价值。我觉得只是说现在这些榜非常容易失效。那我觉得基于真实世界的数据有几个帮助。

首先就是你能发现模型的很多底线问题。实际上我觉得我们想要发一个普遍模型最重要的目的之一，就是我们希望能获得真实世界的反馈来修复各种各样的榜单中没法发现的这些底线问题。但我觉得这一点会在正式版上面有一个非常大的改进。那第2点就是说你对真实的Prompt Distribution有一个更深的了解。

那我举个例子，比如说Benchmark上面的这些题目，可能都是非常精确的，就是它有非常长的Description，然后它可能一般来说是一个单轮的问题。但是我们知道在现实场景中，可能大家问的问题都是比较模糊的，可能就一两句话，那他会不停地追问。这些赛道上的Difference就可以启发我们怎么去更好地去做这样的训练。

那第三就是说我觉得甚至我们可以在这些产品上面获得一些灵感去推进现在可能还没有的榜单或者没有的领域的推进。比如说我们最近做了很多Context的工作，我觉得也是跟流给我们启发很有帮助。所以我觉得这个产品和模型的互相成就是越来越重要的一个AI的话题。

汤道生：

对对对，我记得我们在早期做元宝的时候，还碰到指令遵循的问题，好像在使用产品，大家这种迭代Prompt的方式跟Benchmark也好像有些差异。真正在产品里面是大家使用所需要的能力，确实跟Benchmark还蛮大的差异的。

姚顺宇：

你问了我这么多问题，我也问一下你，

汤道生：

欢迎欢迎。

姚顺宇：

对，其实我记得我第一次跟你聊天的时候，你给我讲了很多你过去的经历，对吧？就是从QQ空间QQ秀的时代，一直到我小学时候最喜欢的这个产品是吧？

汤道生：

你说是老登的是吧？

姚顺宇：

到QQ到音乐到语音，到现在的元宝到AI，其实跟你聊天很有意思的。因为你做过各种各样的产品，然后QC的也有，Q币的也有，就是语音故事带的也有，最近的AI时代的产品也有。那我其实比较好奇，就是说你觉得你做产品的第一原理是什么？你觉得哪些经验或者价值是不变的，哪些东西变了？

汤道生：

我觉得其实最终做产品还是奔着到底用户有什么需求，我怎么去解决它的痛点，怎么去给用户或者客户创造价值。这在不同的时代，你最后甚至不同的行业，你做一个产品，还是需要能够给用户带来价值，他才会买单才会使用。所以我倒觉得从PC互联网时代，我们做空间，移动时代做各种各样的产品、内容的产品，到互联网做云，其实我们也要花好多的时间精力去听客户的声音，尝试去帮助他们去解决他的问题。底层的逻辑其实没有这么大的变化，但确实我觉得在PC互联网、移动互联网时代做产品，跟今天在AI时代做产品还是有蛮多不一样的地方。

首先我觉得从范式的角度来看，虽然说在AI时代以前我们做产品很多时候想的是通过功能来满足用户的需求，你作为一个产品提供方、服务提供方，你想清楚我提供怎么样的一个能力，让用户可能通过界面通过某些菜单去选，好像是一些预设在里面你只能在里面去点一样。但在AI时代做产品，它的那种开放式的服务形态就会带来很不一样的要求跟挑战。用简单的交互方式，可能是自然语言可能是语音，其实作为产品方面也不知道用户会问什么。

所以要充分利用模型能力去理解用户的需求，然后通过比如今天大模型的这种逻辑推理、能去调用工具的能力，产品去给模型提供各种各样它可以用的工具来应对这种开放式的需求。这个是我觉得跟我们过去做产品很不一样的地方。甚至包括你刚刚提到的评估，以前我觉得做产品我们有很清晰的产品的细节功能的描述，那怎么去做设计，基于做研发怎么去测试，我觉得那个瀑布式的流程也比较清晰。

但在做AI产品，我发现最大的变化是我们整个流程可能都要重新设计，尤其今年大部分的代码都由AI生成，我们的工程师可能会花更多的时间去做设计、架构的设计，把写代码的工作可能都交给AI了，然后定期去指导一下、修正一下。然后测试也要左移，更前置去想清楚针对我们的各种案例，对于这些开放式答案的一些要求，甚至Alignment怎么对齐用户所需要的那种风格。我感觉今天AI时代做产品其实要求的能力更全面、更难了。

更难的是，我问你一下，混元3，就大家都在说混元3Preview是你腾讯的的首秀。具体混元做了什么改变，你能给大家介绍一下吗？

姚顺宇：

其实我觉得没有什么秘密，就是今天做大模型，从我来说是一个比较基础的事情，就是说我们应该把Infrastructure做好，我们应该把数据做好，算法的部分其实反而是比较简单的。其实我觉得主要几个点吧。第一就是说我们把Infrastructure重建，无论是预训练还是强化学习。第二就是说我们把数据和评估做了很多大的改变，如何去定义更真实的问题，如何去丰富这个Data的维度，如何去提高数据的质量，这是一个永无止境的追求。其实第三的话，我觉得很重要的很多角色，其实包括怎么去招人，怎么去设计这个模型的节奏，怎么去每天有很多决策要做，我觉得可能没有一个很清晰的公式，可能就是一个不断追问的事情。

所以我其实挺好奇，想问你一个问题的。因为你刚刚跟我讨论就是Coupling这个概念，我其实也很好奇，就是你对Coupling这件事情是怎么想的？就是说你觉得哪些事情应该是模型应该做的，哪些东西应该是产品应该做的。

汤道生：

我觉得在不同阶段过去这两年其实是一直在变化的。我觉得这个变化某种程度来讲，是随着模型能力的升级而变化。当然整个行业市场用户的需求，它在变化的过程中也会带来我们两边的模型跟产品需要更好去满足。给我一个比较深的感受，是怎么去对齐？因为在我们一起去做产品、去做Alignment对齐会的时候，我们有很多不同的角色，对吧？

产品可能要针对某个方向去解决一些问题，模型到底怎么去满足这个需求？但同时你要回答模型需要数据，数据应该怎么标注？怎么定义到底什么是好的标准，什么是不好的标注，因为有些地方要奖励，有些地方要惩罚。然后还有评估，因为如果产品认为好的产品体验，评测是不认同的话，那大家做出来的产品就会不一致了。所以Coupling给我的感觉，更多的是在项目组里面不同的角色，他参与到产品的设计、订立了一些产品的目标方向，怎么让多个角色能够对于一些开放式问题有比较好的对齐。如果没有做到这样的一个对齐的话，那你会发现产品的行为会不可预测，甚至有时候会有一些随机性，因为模型在训练的过程可能也被混淆了。所以这个是我这两年跟我们做产品跟模型团队做Coupling的一个比较深的感受。您觉得？

姚顺宇：

对，其实我是觉得就刚刚说的，我觉得首先最难的一点就是要建立Trust，毕竟我觉得同理心很重要。因为说到底就是说做模型的目标和做产品的目标，有很多Align的部分也有很多不Align的部分，对吧？就是说模型的人他会希望这些能力越强越好，但是产品的人他可能希望用户的需求满足得越好越好。所以天然有很多不管他的部分，那我觉得很重要的一点，就是要有这个换位思考能力。

其实就是你刚刚问我就是说元宝对吧？我们是怎么一步一步Coupling的？其实一个很重要的细节是我们当时是，如果你还记得的话，我们当时其实派了后续的最强的骨干力量去帮助元宝，先把基础的后续点先做好。因为在那个时候我们自己的预训练还没有Ready，所以但是我们知道就是说维护这样的产品以及它的价值，对于我们接下来的做模型也非常非常重要，而且会对于长期的合作非常重要。所以当时其实很多方法也不理解，然后我需要去很努力地解释，但我觉得现在看起来就是这些努力都是Payoff，对吧？就是说我觉得这样的一个动作就是让产品和模型意识到就是说模型的同学是真的在为产品着想。那我觉得这个其实对于我们之后的合作，包括混元Preview在元宝上成功的上线起到非常重要的作用。当然有很多技术的部分可以探讨，但我觉得可能最难的部分其实反而是怎么样去建立信任，怎么样换位思考。

汤道生：

对对，非常认同。那我换一个话题，你是ReAct的提出者，博士研究也是围绕着语言智能体展开。那你几年前的一些观点到今天兑现了吗？比如有哪些？

姚顺宇：

对，那天我还挺感慨的，因为我重新读了自己的博士论文，感觉又回到了一个很远古的时代，就是我的博士论文的开头叫做"From Next Token Prediction to Digital Automation"。那个时候GPT-2，它当时只能做Next Token Prediction，而且它产生的可能一段话还不太连续，或者还有很多毛刺，所以当时人们是很难想象到，就是说它会有一天成为一个改变世界的力量。当时我觉得可能大家做的研究稍微有想象力的一些会做一些研究，比如说自动驾驶，然后这样的话如果你坐在车里，它会回到北京。那虽然它是一个有局限的事情，但大家其实当时就非常开心了，觉得这个技术很有意思。

当时我的想象力可能比较狂野吧，就是我觉得GPT是个非常优美的东西，就是预测下一个Token是一个非常极简而且非常通用的事情。然后我觉得它有一天潜力不仅仅是在于预测下一个Token，而是在于把这个世界上所有的事情全部做透。没错。当然我当时想的可能还不够大，我想的是具体的应用都没选，但是现在看起来也有可能是AGI。

那我觉得其实我今天主要做的两部分。第一部分就是如何建立一个方法论，如何把一个Next Token Prediction的机器变成一个自动化的机器，那其实就像你说的最重要的一篇工作可能是ReAct。我还记得就是22年7月份的时候，某一天晚上就是我当我把第一次，我记得当时是Python API和我当时自己手写了一个Web Crawler的API连在一起，然后它第一次可以基于网页回答问题，然后并且多轮交互的时候，我当时感觉就像那个微弱的电灯丝突然亮了的感觉一样。就是我感觉这个OK就好。据我所知，这可能是第一次人类把AI和真正的互联网连在一起，并且去做这种动作的交互。我当时的感觉就是OK这个感觉可能五年或者十年会改变这个世界，但是可能比我想象中还要更快。包括我记得当时我们技术随便是来第二次、第三次迭代的时候，我就觉得OK如果这个事情能做到，那很显然就是它会带来巨大的价值。当然可能是几百亿上千亿，但现在可能是数万亿、数十万亿。我想的还是太小了。

那另一部分其实我做的工作就是怎么去定义AI Agent。那比如说Web是第一个，其实互联网的Web的Task，然后包括Internet的话，随便就是最早的就是Crawling这样的任务。那现在看起来AI Agent的技术最重要的两个部分，可能确实是Web Agent和Coding Agent。

最后就是说那天我还在群里面跟大家聊天，我说我看我那个论文的结尾，就是我在二四年的时候写我的Future Work，对吧？第一个是Train Models for Agent，第二个是Safe and Robust Deployment，第三个是Scientific Discovery，第四个是怎么样去Help Human。我很感慨，我说我现在很幸运，我确实现在在做我当时列的Future Work。

GPT太厉害了，这个一看到整个行业针对这些方向影响的还是不够大。我觉得当时我已经觉得自己想的够大了，但可能还是不够大。

汤道生：

我觉得技术的发展往往超乎我们的预期。我也在转身一点智能体，今天大家都说需要消耗很多的Tokens的调用。对于混元做下一代的模型的研发，你觉得什么是你的侧重？有哪些地方是比较重要的？

姚顺宇：

对，我觉得毫无疑问，今天Coupling就有点像Infra一样，是一个不得不做的事情，它是一个最基础的能力。我个人觉得Coupling是非常本质的，当然有很多原因，但其实还有一个很重要的原因就是说它是一个有点像Turing Complete的这样的一个事情，对吧？就是当你有能力去控制自己的，当你有一个Container的时候，其实你是一个看得见的这样的一个System。那今天我觉得AI这个毫无疑问是每一家模型所聚焦的重点，我觉得我们会做的方法可能会有几个区别。

第一就是说即使可能今天Coupling也是最重要的事情，但我们还是会强调提示的全面化，就是我始终认为就是说真的要把Coupling做好，其实需要的远远不止Coupling这个数据，你也需要像我刚刚说的聊天方式、逻辑推理各种各样不同的东西。因为大模型最重要的点是泛化性。

那第2点就是很显然产品的作用越来越重要，如何利用好线上的回流，我觉得是一个每一个模型团队都在应对和思考的问题。那这里我觉得我们刚刚有很多Coupling的这些经验会变得非常重要。

那第三就是说我觉得其实还是需要更多想象力，无论是技术的路径还是产品的路径，还是像下一个范式的路径，我觉得我们还是需要做一些探索性的甚至不确定性的工作。

汤道生：

我觉得从产品侧，因为大家越来越多有Token焦虑的声音，Token的成本持续爆发式增长。我也听到很多的客户，甚至用户身边的同事们也在紧盯着Token的消耗。那怎么可以让我们的模型在解决某个问题或者完成某一个任务，它的Token的效率最高？

姚顺宇：

我之前做过一些任务，可能它会是不同的方向，其实有些方向你也都知道肯定走不下去的，但可能模型还会试试，不行再试下一个，其实里面有什么可以去Optimize的地方，让Token整体使用的效率更高？

对，其实我觉得现在中国大家讨论性价比可能更多讨论的是模型架构，但其实它是一个很复杂的体系。我觉得可能最重要的事情首先是你的Performance，就说很多人其实跟我说他最后发现用较小的模型比用更差的模型，最后发现其实更省，因为你更快地就把这个事情做对了，然后你也省了人的精力。然后这个其实最重要的事情我觉得是Performance，因为如果你的Performance不好，其实性价比就无所谓。

那第2点我觉得就是成本，那其实成本的话我觉得中国其实是领先于世界的，就是说我们做大量的工作去优化我们的产品。其实成本更可能最重要的事情是怎么用一个更小的模型把更高价值的任务给做好了。那在这个基础上，我觉得当然架构的创新，包括长文本的管理，包括上下文有很多需要做的事情。但当然我个人看法就是说，如果我们能做一个相对较小的模型，但是它又能够比肩大模型的Performance，而且它能够在大部分的任务上做到很强的Robustness，这可能会比在很多非常长的上升曲线上面实现一两个点的提升，可能是在今天的中国更有价值了。

对对，其实我也挺好奇。顺宇就是说你觉得Agent你是什么时候意识到它是一个新的产品机会以及你现在认知是什么？你觉得现在我们离一个好用的AI Agent到底在哪里呢？

汤道生：

因为我们做的AI针对不同场景，其实有不同的产品形态。在AI的设计上面，其实很大程度是在发挥模型的能力，尽量去发挥好模型的能力。当然模型在迭代，它能力越强，可能Agent需要做的工作也越来越少。我看我们好几个产品在过去这段时间其实是随着模型能力加强，我们可以把产品把Agent做得更简化，更多的是给模型提供更多不同的工具，除了创造更多的Skills来让模型能够更高效地去完成任务，给模型提供更多的我们叫记忆吧，对吧？这个用户过去使用了一些习惯，我们所提取出来的一些User Preference的一些信息，作为一个上下文去给过去。在某个环境，有相关的Context给到模型。在办公场景里面办公协作、做个PPT，可能大家关注的内容或者该给到模型的Content也会不一样。所以在我们做不同的AI，我觉得更重要还是了解那个场景下什么内容、什么信息是重要的，是比较Relevant的，能够跟模型配合好，让模型能够有它需要的信息，同时也发挥它的能力。

姚顺宇：

但最近我们确实推出了一些像元宝这样口碑很不错的产品，对吧？然后我观察到就是很多小团队在快速地迭代产品，我其实挺好奇，就是相对于传统的这种产品研发，你觉得在这种现在AI时代的研发和组织管理上，这个产品团队发生什么变化？你的思考是什么？

汤道生：

对，我前一阵子在帮Workbody做一个组织分析，我看了一下他们那个非常扁平化的组织，跟我们过去的其他的产品组织架构是有很大的差异，更多的小团队、三个人、五个人，一个可能就是围绕着某一个领域来去做空间，而且有很多实验在里面。所以腾讯还要支持好这个AI Infra去做实验，让不同的这些小分队可以去探索，然后再验证。因为其实实验大部分可能是拿不到正向的反馈的，那我们也要去包容团队去试错。这种通过大量实验去提炼出对于用户价值、对于我们想要的这个结果有真正的帮助，这个是我觉得今天做AI、做AI产品，原生AI产品这个组织形态要能够比较好去支撑。

另外原来可能有很多工程师有很多时间花去写代码嘛，但今天毫无疑问他们的这些工作可以交给AI了。所以我们会看到更多角色的融合，可能大家都是产品经理都要去了解透彻用户的需求以及设计出我想要的产品形态，每一个工程师可能就是更像一个有想法的Leader，驱动着多个AI Agent来去针对我们想要的这种产品需求去做研发开发，同时也要像我刚刚说的，要把测试比较前置，也用好AI的能力，把这些质量保证的工作、Alignment对齐的工作又要做到前面了。

那我也想再问一下一个可能大家比较多讨论的一个问题，其实很多的自媒体都会提到，哎呀腾讯慢，这个在AI上面我们没有及时地去抓住一些机会。你觉得我们真的慢了吗？到底下半场是什么？您能再多说一下吗？

姚顺宇：

感觉这应该是我问你的问题。我觉得首先这个AI的，我觉得其实今天有两个重要的判断。

第一个就是说我们认为AI是一个短期的游戏，还是一个长期的游戏。因为在硅谷大家蔓延着很多情绪，就是说哎呀两年后所有人都要失业了，对吧？AI就要取代所有人工作，那我们应该还会赚两年钱然后就退休了。那我觉得这是一个判断，我觉得很显然我们的判断是这会是一个长期游戏。那其实我觉得AI才刚刚开始，从某种程度来说下半场才刚刚开始，我不认为Pre-training和Post-training会是唯一的范式，我觉得会是一个非常多元的世界，肯定会有源源不断的新的机会在诞生。可能今天就像是70年代就是PC刚刚产生的时候，那我觉得还有很多很多事情需要做。

第二个判断就是说它会是一个更线性还是多元的游戏。因为确实我觉得过去几年大家能看到的是Pre-training，然后Post-training、RL，然后Agent、Coding Agent，之后有一个非常清晰的主线，然后这个主线就是所有人都Copy，对吧？坦白说就是所有人都在做一样的事情，这也是一个非常灰暗的事情。那到底未来会变得更单一还是更多元？我个人看法就是说会变得更多元。毫无疑问的Coupling生产力会变得更加重要，我觉得它是一个刚刚开始的事情，对这个世界还有很多确定还没有被填满，但是很多很多新的事情都在发生，或者刚刚发生。

所以从这个角度来说，如果我们认为下半场刚开始，那可能确实不慢。当然我觉得就是过去的模型、产品做了很多探索，走了很多弯路，我觉得这是正常的，你如果没有做过一个事情，你第一次做肯定还是会有曲折。但是我觉得可能更重要的事情是说，能不能诚实地面对自己，能不能够比别人更敏锐，能不能够看到范式要去改变，能不能够去保持耐心？我觉得这个事情可能是在下半场非常重要的事情。

汤道生：

我觉得腾讯大家经常喜欢挑某一个点来批评，当然我也觉得我们也很欢迎大家给我们提供高的要求。那我们还是一个非常多业态、很多产品在很多的赛道，同时也有很多的团队在推进不同的项目事情。所以毫无疑问，在这样的一个复杂的组织里面，有些地方可能我们做得快了，有些地方做得慢了，有些地方可能会做失败，在探索，所以我觉得这些提醒都非常好。

我觉得确实有些地方我们是可以做得更好。但就像你说的这是一个长跑，这是一个马拉松，腾讯还是有非常丰富的场景。就像你一开始提到选择腾讯，因为AI需要Context，对吧？模型需要很多的这些上下文，其实腾讯在过去的多年的不同产品在不同赛道的这些积累，其实都是可以针对每一个场景去提供，为模型提供有用的信息、提供这些Context来发挥价值。

那在这样的一个长跑，我相信模型会不断迭代，用户的需求也在不断变化，也会有新的产品形态出现。我觉得我们比如今年年初，对，Coze这一波热潮反应比较快，同时也有像某智能体产品，其实也是几年前已经开始做的产品，沿着原来做Coding的路径，慢慢看到非常深远也有很强的需求，我们也能比较快地去应对。今天其实也听到很多客户对于我们的不同产品怎么去组合起来有非常高的期待，所以我们正在长跑中，也请各位多给我们提醒、多给我们建议，你多用我们的产品来给我们正向的Constructive的反馈。

那我看时间其实都超时了，我来首先感谢顺宇今天的分享，我们刚才其实围绕了做模型做产品，谈到了Coupling，谈到了AI的路径，也提到了组织变革、行业的一些机会。在过去一年其实我们看到非常多企业也有共同的困惑或者面临共同的挑战，产品如果用不好企业不能持续去投入，或者ROI不够，这都会影响AI在企业里面普及的进度。那为此呢其实我们今天也会发布一套效率智能体的工具集来帮助企业可以更安心、更高效地去部署应用的智能体。

这背后有腾讯的三个核心的能力。第一是场景连接的能力，通过腾讯的企业微信、元宝等等高频的场景触点，把大模型迁到真实的业务流，跟用户、跟数据、跟生态能够深度连接。第二是工程的驾驭能力，通过完整的Harness体系，让AI能够稳定可信、可持续地运行，具备强大的AI Infra，包括高速的网络、高吞吐的存储，还有高性能的Agent Runtime，来保证GPU的高利用率。第三是模型的驱动力，我们依托混元大模型，模型本身跟模型产品的Coupling，在兼顾到实用性、性价比，还有ROI。同时我们也将启动腾讯AI共创营的第二期，携手我们的ISV的伙伴一起来共创行业解决方案，打造更多的标杆案例。接下来我的同事将会围绕这些内容做进一步的分享。而今天下午我们也将围绕个人、企业提效多个场景来设置产品、技术、行业、场景，还有生态共创的不同论坛以及AI产品发布。