今日在 2026 年腾讯云 AI 产业应用大会上腾讯集团高级执行副总裁、云与智慧产业事业群 CEO 汤道生与腾讯首席 AI 科学家姚顺雨进行了一场深度对谈。他们对谈的主题是“腾讯 AI 下半场”两个人相互提问共同解读了腾讯在 AI 下半场的最新布局和思考并首次分享腾讯大模型和产品研发深度 Co-Design 思路。这是姚顺雨加入腾讯后的第二次公开亮相、线下的首次出场亮相。此前姚顺雨在学术界提出 ReAct 框架 也在 OpenAI 参与过 Operator、 Deep Research 等前沿 Agent 产品。加入腾讯以来他主导混元大模型的构建既懂前沿技术也扎根业务一线。开场姚顺雨首先公开回应了选择加入腾讯的原因。“这里有很多好问题、有很多产品。好的产品能够解决第一个问题我们做预训练和后训练之后到底要把它应用在什么地方产生价值第二是环境如果没有好的环境Agent 没有办法做各种各样的事情。”他还表示腾讯的文化是一个关键原因这对于长期做 AI 组织非常重要。“AI 的实用性价值高于刷榜的价值。”对话中姚顺雨直言国内 AI 产业有个不好的倾向即喜欢“刷榜”但实事求是基于产品和应用去构造 AI 更重要。而在他看来“今天 Agent 毫无疑问是每一家模型所发力的重点。”现场腾讯也面对个人和企业日益增长的 AI 提效需求首次系统发布“效率智能体工具集”针对 20 多个垂直场景提供差异化的智能体解决方案。面向白领、开发者、OPC、设计师等职场人群腾讯推出了“Buddy”家族系列产品应对代码研发、文档处理、创意设计等高频生产力场景需求。针对企业用户腾讯还发布 WorkBuddy 企业版及办公智能体套件 Agent Suite升级企业智能体管控平台 ClawPro 和智能体开发平台 ADP 4.0。以下是对话内容整理我们在不改变原意的基础上进行了编辑。AI 下半场最重要的是什么汤道生今天我们两个对话可能是一个比较新的形态如果有什么出乎意料的我想也是给大家一个惊喜。顺雨你加入腾讯前我记得我当时问过你一些问题 为什么下半场会选择来腾讯而且你认为 AI 下半场最重要的是什么姚顺雨 首先解释一下什么叫做下半场我最近感觉这个词有点被滥用这个概念是我去年的一个博客提出来的什么意思其实我觉得在去年之前 AI 已经发展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最近我觉得很明显就是说方法论已经变得非常成熟但寻找问题变得更加困难。举个例子比如说过去我们发明 AIphaGo 这样的方法去下围棋但是这个方法只用来适合下围棋或者下各种棋类。你会为了翻译做一个特别的模型但是它只能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像有一个万能锤子它可以砸任何钉子它是一个通用方法论可以解决各种各样的问题反而更困难的是怎么寻找好的问题去解决。其实我觉得加入腾讯很重要一点就是说这里有很多好问题、有很多产品我觉得这一点在接下来变得越来越重要。一方面好的产品能够解决第一个问题我们做预训练和后训练之后到底要把它应用在什么地方产生价值第二个是环境是非常重要的如果没有好的环境那 Agent 没有办法做各种各样的事情比如说如果没有一个点外卖的 tool 的话就没有办法点外卖很多事情做不到。我觉得最重要的是 context无论是企业还是个人就像我上一次在 AGI-Next 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输出很多时候你的竞争壁垒就在于你有没有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各种各样的信息这一点我觉得腾讯有非常强的优势。但其实我觉得这只是第二大的原因最重要的原因是文化我记得我第一次跟你聊天包括和其他总办老板聊天的时候我第一印象大家都非常诚实哪里做的好哪里做的不好非常直白不会掩盖我觉得这种坦诚是我第一印象。第二就是说腾讯总体是一个基于 trust而不是基于 metric 去运转的公司我觉得这一点对于做 AI 是非常重要的包括我觉得我们的文化有非常 low ego有非常 solid 的这一面我觉得这些文化对于长期做一个 AI 的组织是非常重要的包括我们对长期主义的坚持。所以 AI 下半场最重要是什么我个人觉得就是我们应该在中国建立一个长期的基于 AGI 的组织今天的 AI 主要有三部分首先是 foundation 的部分我们怎么样把预训练和后训练最基础的东西做得非常 solid。第二部分是产品我们怎么样把这样的技术真的为人和社会产生价值。第三是 frontier我们怎么样探索新的研究范式探索新的机会。我觉得最重要的是我们构建一个非常均衡的三角形一样的组织。我觉得对于做 foundation 来说第一最重要的是有充足资源。第二就是需要正确的做事的方式这些和我刚才说的文化也是吻合的。对于产品来说有好的产品的 sense有这种做产品的人是至关重要的。第三在中国我们今天所做的前沿探索不够多所以我希望能把 frontier exploration 的精神能更多地注入到我们组织中。模型和产品如何相互成就汤道生AI 赛道是长跑我觉得有时候认知也很重要我们做的好的和不好的也得认但关键是一个多维度的竞赛我们看到现在模型有很多进步我们做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。产品可以说提供一个环境里面要给模型提供 context 上下文我们平时开会提比较多的一个词是 Co-Design怎么把产品关模型能够比较紧密底结合起来尤其今天有这么多丰富的产品包括元宝聊天机器人、AI 搜索、企业的部署智能客服、智能营销还有最近非常火的类龙虾像 CodeBuddy、Workbuddy 这样的产品其实对于模型依赖很深。你怎么思考 Co-Design 这个方式姚顺雨有三点首先 CoDesign 的前提就是说模型本身要做的很 solid有很多 foundational 的 work 要做好。我觉得预训练是一个相对就是产品 agnostic 的事情它做的非常 solid 可以提供非常强的 foundation而且预训练它最大的特点就是它是一个可泛化学习过程它的进步可以带给各种各样下游任务持续的价值提升。后训练我觉得最重要一点是要设立好正确的 Eval中国大家有个不好的倾向是大家喜欢刷榜但是我觉得更重要的是如何实事求是的基于产品基于真正的应用构造更加真实的 Eval。第二 要意识到可能“实用性”价值是大于刷榜价值这一点我们做大量工作跟各种各样产品进行了深度 Co-DesignCo-Design 很关键一点就是要产生相互信任这一点我们做了大量工作取得互信怎么把产品数据用好怎么把回流怎么把 Eval 做好有很多细节我就不赘述。第三点我想说LLM 时代和过去的 AI 最本质的区别就是泛化性在 LLM 之前比如说做翻译产品只要把翻译数据做的特别好就行了。你做一个围棋的程序你只需要把围棋的数据准备特别好就行。但是今天即使你想只做一个 Coding Agent你会发现其实需要的不仅是 Coding Agent 的数据你需要非常好的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非常复合的 data 的 taxonomy我觉得需要对这个事情有一个 taste。这个事情的推论就是说有很多产品的体系化地方会有比较大的优势比如说我们和元宝的 Co-Design 使我们模型产生很强的聊天和搜索能力这样的能力又可以被迁移到 ima 和 Workbuddy 其他的产品所以这些产品能够提供不同的数据但是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越来越重要。汤道生外部的榜也属于 Eval 的一种所以我们内部做 Eval 跟外部的这种榜有什么区别姚顺雨首先 benchmark 还是有它的价值的不是完全没有价值只是说这些榜非常容易 overfitting。基于真实世界的数据会对模型的研发有帮助首先就是你能发现模型很多底线问题实际上我们先发一个 Preview 模型最主要的目的之一是希望能够获得真实世界反馈能修复各种各样榜单中没有发现的问题这个在会在正式版上面有很大的改进。第二点你对真实的 Prompt distribution 会有一个更深的了解。我举个例子比如说 benchmark 上面的这些题目可能它都是非常精确的有非常长的 concrete description它可能一般来说是一个单纯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它会不停追问这些场景可以启发我们怎么去更好做这样的训练。第三点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还没有的榜单或者是没有领域的推进比如说我们最近做了很多 Context learning 的工作包括元宝的反馈也给我们很大的启发和帮助。所以我觉得产品和模型的互相成就是越来越重要的一个 AI 的话题。汤道生我记得我们早期做元宝的时候还碰到多轮遵循的问题好像在使用产品大家这种迭代 Prompt 的方式跟 benchmark 还有差异真正在产品里面大家使用所需要的能力确实好像跟 benchmark 还有蛮大的差异的。姚顺雨你问我这么多问题我也问你一个问题。其实我记得我第一次跟您聊的时候你跟我讲了很多你过去的经历从 QQ 空间、QQ 秀的时代一直到我小学时候最喜欢的产品。到 QQ 音乐到云到现在的元宝其实跟你聊天很有意思因为你做过各种各样的产品to C 也有to B 也有远古时代的也有最近 AI 时代的产品也有。我比较好奇你觉得你做产品的第一性原理是什么你觉得哪些经验和价值是不变的哪些东西是变的汤道生我觉得其实最终做产品还是本着用户到底有什么需求我到底怎么去解决他的痛点怎么去给用户或者客户创造价值。在不同的时代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、移动的时代做各种各样的产品、内容的产品到产业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。首先从范式的角度来看在 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某些菜单去选好像是一些“预制菜”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你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说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。甚至也包括你刚刚提到的 Eval以前我们做产品有很清晰很具体的产品的细节功能的描述怎么去做设计、做研发、做测试我觉得那个瀑布式的流程也比较清晰。但是做 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各种案例 Eval、环境我们对于开放式答案的要求甚至 alignment 怎么对齐我们用户所需要的那种风格我感觉今天时代做产品其实要求的能力更全面、更难了。混元和元宝做出哪些改变汤道生大家都在说 Hy3 preview 是你腾讯的首秀具体混元 3 做什么改变你能给大家介绍一下吗姚顺雨其实我觉得没有什么秘密今天做大模型从某种程度来说比较 Trivial 的事情我们应该把 Infrastructure 做好我们应该把数据做好算法的部分反而是比较简单的。其实我觉得主要几个点吧。第一我们把 Infrastructure 重建了无论是预训练还是强化学习。第二是我们把数据和 Eval 做了很大的改变如何去定义更真实的问题如何丰富数据的 taxonomy如何去提高数据的质量这是一个永无止境的追求。第三我觉得很重要的很多决策其实包括怎么去招人怎么去设立模型的节奏怎么去每天有很多的 Decision 要考虑很多 Trade off我觉得可能没有一个很清晰的公式我觉得是一个很 Taste driven 的事情。姚顺雨所以我其实挺好奇问你一个问题的因为您刚刚跟我讨论 Co-Design 这个概念我很好奇您对 Co-Design 这件事情是怎么想的你觉得哪些事情是应该模型做的哪些是产品应该做的汤道生我觉得 Co-Design 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、用户的需求他在变化的过程中也会带来我们两边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对齐会的时候我们有很多不同的决策产品可能要针对某个方向去解决一些问题模型到底怎么做去满足这个需求但是你要回到模型需要数据数据应该怎么标注到什么颗粒度到底什么是好的标注什么是不好的标注因为有一些地方要奖励有一些地方要惩罚。然后还有 Eval还有评测因为如果产品认为好的产品体验评测是不认同的话大家其实做出来的产品就会不一致了。所以 Co-Design 给我的感觉更多是在项目组里面不同的角色参与到产品的设计定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一个对齐的话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训练的过程可能也被混淆了。所以这是我这两年跟做产品跟模型团队做 Co-Design 的一个比较深的感受。您觉得呢姚顺雨其实我是觉得就像我刚刚说的首先最难的一点是要建立 Trust毕竟我觉得同理心很重要因为说到底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。就是模型人希望我能力越强越好但是产品的人觉得用户需求越满足越好。所以天然有很多不 align 的部分我觉得很重要的一点是要有换位思考的能力。其实就是你刚刚问我元宝我们是怎么一步一步 Co-Design 的其实一个很重要的细节是我们当时是派了后训练最强的骨干力量去帮助元宝把后训练做好。当时我们自己的预训练还没有准备好但是我们知道维护元宝这样的产品以及它的 DAU 会对我们接下来做模型也非常非常重要而且对于创新的合作非常重要。所以当时其实很多算法同学不理解我需要去很努力解释但是现在看起来这些努力都是 Trade off我觉得这样一个动作让产品意识到模型的同学是真的在为产品着想我觉得这个其实对于我们之后的合作包括 Hy3 preview 在元宝上成功上线起到了非常重要的作用。当然有很多技术的部分可以探讨但是最难的部分反而是怎么样建立信任怎么样换位思考。汤道生对非常认同。如何让 token 性价比更高汤道生你是 ReAct 架构的提出者博士研究也是围绕着语言智能体展开的你几年前的一些观点到今天兑现了吗比如有哪些姚顺雨那天我挺感慨的我重新读了自己的博士论文感觉又回到一个很远古时代我的博士论文的 title 叫做 language Agent from next token prediction to digital automation是 2019 年。汤道生7 年前。姚顺雨那个时候 Literally 就是我们的 GPT2那个时候它只能做 Next token prediction而且它产生一段话不太连续或者有很多毛刺所以当时人们很难想象到它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像力做一些研究比如说中国首都是如果做 Next token prediction 它会回答北京somehow 它是一个有 Knowledge 的事情能做到这一点大家当时非常开心觉得这个技术很有意思。当时我的想象力比较狂野我觉得 GPT 是一个非常优美的东西吐下一个 Token 是一个非常极简且非常通用的事情我觉得它有一天潜力不仅仅是在于吐出下一个 Token而在于把这个世界上所有的事情全部 automate我当时想的还不够大我想的是 digital automation但是现在看起来也有可能是 digital and physical automation。我觉得其实我博士期间主要做两部分第一部分就是如何建立一个 Agent 方法论如何把一个 Next Token prediction 的机器变成一个 Agent变成一个自动化的机器最重要的工作可能是你说的 react。我记得 2022 年 7 月份的时候某一天晚上当我第一次把 Pump two 的 API 和当时手写的一个 Wikipedia API 连在一起它第一次可以基于这个网页回答问题并且多轮交互的时候我当时感觉就像微弱电灯灯突然亮的感觉一样我感觉据我所知人类第一次把 LLM 和互联网连在一起并且做多轮交互我当时的感觉是这个感觉可能在 5 年或者 10 年会改变这个事情但是可能比我想象中还要更快。我记得当时我们第一次提出 SWE-bench 的时候我觉得 OK如果这个事情能做到那很显然它会带来巨大价值当时可能是几百亿、上千亿但现在可能是数万亿数是万亿可能我想的还是太小了。另一部分我做的工作就是怎么定义 Digital automation 的任务比如说 WebShop 是第一个基于互联网的 Web Agent task包括 InterCode 和 SWE-bench 是最早的 Coding Agent 这样的任务。现在看起来 Agent 技术最重要两个部分确实是外部 Agent 和 Coding Agent。那天我在群里跟大家聊天我看我博士论文结尾就是我在 2024 年写我的 future work第一个是 train models for Agent第二个是 shift 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确实在做当时列的 future direction。汤道生太厉害了都一一看到整个行业这些方向在推进。姚顺雨可能想的还是不够大我觉得已经觉得自己想的够大了但是可能还是不够大我觉得。汤道生技术的发展往往超乎我们的预期。智能体今天大家都说需要消耗很多的 TokenToken 的调用这对于混元做下一代模型研发你觉得什么是你的侧重有哪些地方比较重要姚顺雨毫无疑问今天 Agent 或者 Coding Agent 有点像预训练一样是不得不做的事情是最基础能力。我个人觉得 Coding Agent 非常本质有很多原因。还有一个重要原因就是说它是一个优点像图灵完备的事情当你有能力去控制自己的 file system当你有一个 container 的时候其实你是一个 complete 这样一个 system。今天我觉得 Agent 毫无疑问是每一家模型所发力的重点我觉得我们做的方法可能会有几个区别第一即使今天 Coding 已经是最重要的事情但是我们还是会强调体系的全面化我始终认为要把 Coding 做好其实需要远远不止 Coding 的数据也需要聊天、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。第二很显然产品作用越来越重要如何利用好线上回流我觉得是一个每个模型厂商都在应对和思考的问题。这里刚刚积累很多 CoDesign 经验变得非常重要。第三我觉得还需要更多想像力无论是技术演进还是产品演进甚至下一个范式演进我们需要做探索性甚至不确定性的工作。汤道生从产品侧因为大家越来越多有 Token 焦虑的声音Token 成本爆发式增长我也听到很多客户甚至用户身边的同事们也在紧盯着积分消耗或者 Token 消耗怎么可以让我们的模型在解决某个问题或者完成某个任务Token 效率贵高我之前做过一些任务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还会试试完之后走不下去再试下一个里面有什么可以 optimize 的地方让 Token 整体使用效率更高姚顺雨我觉得在中国讨论性价比更多讨论模型架构但其实它是很复杂的体系我觉得最重要的是首先是你的 performance很多人跟我说他最后发现用 OPUS 这样的模型比用更差的模型更省钱因为更快的把这个事情做对了也省得人的精力最重要的事情是 performance如果你的 performance 好性价比是最关键的事情。尤其我觉得今年可能很多简单任务的 robustness 会变得更加重要一次把相对简单任务做对这可能是性价比更关键的部分不仅是模型架构。第二部分就是成本本身性价比第一是性能如果性能不好性价比无从谈起第二点是成本中国是领先于世界的就是我们做大量工作优化我们的成本成本可能最重要的事情是怎么用一个更小的模型把更高的价值任务做好在这基础上架构创新包括长文管理脚手架有很多需要做的事情。如果我们做一个相对较小的模型但是它比肩大模型性能而且在大部分任务上做很强的 robustness这可能在很多长程的上面提升一两个点的提升可能在今天的中国更有价值。Agent 时代的新思考姚顺雨我很好奇您觉得 Agent你是什么时候意识到它是一个什么新的产品的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 Agent bottlenck 在哪里呢汤道生我们做的 Agent针对不同场景有不同的产品形态在 Agent 设计上面很大程度是发挥好模型能力当然模型在迭代它能力越强 Agent 需要做的工作越来越少我看我们好几个产品在过去这段时间是随着模型能力加强我们可以把产品把 Agent 做的更简化更多的给模型提供更多不同的工具创造更多的 skills来让模型能够更高效的去完成任务给模型提供更多的记忆。用户过去使用一些习惯我们能提取出来的一些用户 preference 的信息作为上下文在 Coding 环境有相关的 context 给到模型在 Workbuddy 里边办公协作做个 PPTwww.iissbbs.com可能大家关注的内容或者该给到模型的 context 也会不一样。所以在我们做不同的 Agent我觉得更重要是了解场景下什么内容什么信息是重要的比较 relevant 的能够跟模型配合好让模型有它需要的信息同时也发挥它的能力。姚顺雨最近我们确实推出一些像 Workbuddy 口碑不错的产品背后很多小团队在快速迭代产品我其实挺好奇相对于传统的产品研发你觉得在新的 Agent 时代的研发和组织管理上产品团队发生什么变化你的思考是什么汤道生我前阵子在帮 Workbuddy 做一个组织发文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产品组织架构有很大差异更多小团队三个人五个人可能围绕某一个领域来做攻坚而且有很多试验在里面还要支持 Infra 做实验让不同的小分队可以去探索然后再验证因为试验大部分拿不到正向反馈我们也要包容团队去试错这种通过大量试验去提炼出对于用户流程对于我们想要的这个结果有正向帮助这个是我觉得今天做 Agent做原生 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写代码但是今天毫无疑问他们这些工作可以交给 AI 了所以我们会看到更多角色的融合大家都是产品经理都要去了解透彻用户需求以及设计出我们想要的产品形态每一个工程师更像一个有想法的 leader驱动多个 Coding Agent针对我们想要的产品需求去做研发、开发。同时要参与评测、测试比较前置也用好 AI 能力把这些质量保证工作对齐工作要做到前面来。腾讯 AI 慢了吗汤道生很多人都会提到腾讯慢说在 AI 上面我们没有及时抓住一些机会你觉得我们真的慢了吗到底下半场是什么你能再多说一下吗姚顺雨感觉应该是我问你的问题。汤道生哈哈。姚顺雨我觉得首先 AI 其实今天有两个重要判断第一个就是说我们认为 AI 是一个短期的游戏还是长期游戏在硅谷大家蔓延很多情绪哎呀e2 年后所有人都要失业AI 要取代所有人的工作我们要赶快赚 2 年钱退休。但很显然我们的判断 AI 是一个长期游戏其实我觉得 AI 刚开始下半场才刚刚开始我不认为 ChatGPT 和 CloudCode 会是唯一的 super App我觉得那是一个非常灰暗的世界我觉得肯定会有源源不断新的机会诞生。可能今天就像是 70 年代 PC 刚刚产生的时候我觉得还有很多很多事情需要做。第二个判断它会是个更线性还是多元游戏因为确实过去几年大家能看到的是 Pre-training、post training然后 AgentCoding Agent似乎有一个非常清晰的主线这个主线是所有人都在做一样的事情都在 copy这也是非常灰暗的事情。但到底未来变得更单一还是更多元我个人看法会变得更多元毫无疑问 Coding Agent 生产力会变得更加重要我觉得它是刚刚开始的事情这个世界还有很多空间没有被填满多模态、具身智能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刚开始可能确实不是完了。过去模型、产品做了很多探索走很多弯路我觉得这是正常的你如果没有做过一个事情第一次做肯定有曲折但是我觉得可能更重要的事情是能不能诚实面对自己能不能 Be Real能不能够去看到 feedback 然后去改变能不能够保持耐心这个事情是下半场最重要的事情。汤道生大家对于腾讯经常喜欢挑某一个点来批评当然我觉得我们也很欢迎大家给我们提更高的要求。 我们是一个非常多业态的公司有很多产品分布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一个复杂的组织里面有一些地方可能我们做得快了有的地方做得慢了有一些地方可能会做失败www.ntjrcw.com在探索。所以我觉得这些提醒都非常好我觉得确实有一些地方我们是可以做得更好但是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。就你一开始提到选择腾讯因为 AI 需要 Context模型需要很多的这些上下文其实腾讯在过去多年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为模型提供有用的信息提供这些 Context 来发挥价值。在这样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说今年年初对 Agent 这一波热潮也反应比较快。同时也有像 WorkBuddy 这样的智能体产品其实也是几年前开始做的产品沿着原来做 Coding、CodeBuddy慢慢看到非程序员也有很强的需求我们也能比较快去应对今天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给我们建议也多用我们的产品来给我们正向的反馈。我们刚才其实围绕了做模型、做产品谈到了 Co-Design谈到了 Agent 的演进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同样的挑战。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。为此其实我们今天也会发布一套效率智能体的工具集帮助企业可以更安全、更高效去部署应用的智能体。这背后有腾讯的三个核心能力第一是场景联接的能力通过腾讯的微信、企业微信、元宝等等高频的场景触点来把大模型嵌到真实的业务流跟用户、数据、生态能够深度联接。第二是工程的驾驭能力通过完整的 Harness 体系让 Agent 能够稳定、可信、可持续运行具备强大的 AI Infra让包括高速的网络、高吞吐的存储还有高性能的 Agent Runtime 来保证 GPU 的高利用率。第三是模型驱动力依托混元大模型和模型产品 Co-Design 兼顾实用性、性价比和 ROI。同时 我们也启动“腾讯 AI 共创营二期” 携手 ISV、MSP 伙伴一起共创行业解决方案打造更多的标杆案例。
汤道生对谈姚顺雨AI 下半场腾讯比什么？
今日在 2026 年腾讯云 AI 产业应用大会上腾讯集团高级执行副总裁、云与智慧产业事业群 CEO 汤道生与腾讯首席 AI 科学家姚顺雨进行了一场深度对谈。他们对谈的主题是“腾讯 AI 下半场”两个人相互提问共同解读了腾讯在 AI 下半场的最新布局和思考并首次分享腾讯大模型和产品研发深度 Co-Design 思路。这是姚顺雨加入腾讯后的第二次公开亮相、线下的首次出场亮相。此前姚顺雨在学术界提出 ReAct 框架 也在 OpenAI 参与过 Operator、 Deep Research 等前沿 Agent 产品。加入腾讯以来他主导混元大模型的构建既懂前沿技术也扎根业务一线。开场姚顺雨首先公开回应了选择加入腾讯的原因。“这里有很多好问题、有很多产品。好的产品能够解决第一个问题我们做预训练和后训练之后到底要把它应用在什么地方产生价值第二是环境如果没有好的环境Agent 没有办法做各种各样的事情。”他还表示腾讯的文化是一个关键原因这对于长期做 AI 组织非常重要。“AI 的实用性价值高于刷榜的价值。”对话中姚顺雨直言国内 AI 产业有个不好的倾向即喜欢“刷榜”但实事求是基于产品和应用去构造 AI 更重要。而在他看来“今天 Agent 毫无疑问是每一家模型所发力的重点。”现场腾讯也面对个人和企业日益增长的 AI 提效需求首次系统发布“效率智能体工具集”针对 20 多个垂直场景提供差异化的智能体解决方案。面向白领、开发者、OPC、设计师等职场人群腾讯推出了“Buddy”家族系列产品应对代码研发、文档处理、创意设计等高频生产力场景需求。针对企业用户腾讯还发布 WorkBuddy 企业版及办公智能体套件 Agent Suite升级企业智能体管控平台 ClawPro 和智能体开发平台 ADP 4.0。以下是对话内容整理我们在不改变原意的基础上进行了编辑。AI 下半场最重要的是什么汤道生今天我们两个对话可能是一个比较新的形态如果有什么出乎意料的我想也是给大家一个惊喜。顺雨你加入腾讯前我记得我当时问过你一些问题 为什么下半场会选择来腾讯而且你认为 AI 下半场最重要的是什么姚顺雨 首先解释一下什么叫做下半场我最近感觉这个词有点被滥用这个概念是我去年的一个博客提出来的什么意思其实我觉得在去年之前 AI 已经发展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最近我觉得很明显就是说方法论已经变得非常成熟但寻找问题变得更加困难。举个例子比如说过去我们发明 AIphaGo 这样的方法去下围棋但是这个方法只用来适合下围棋或者下各种棋类。你会为了翻译做一个特别的模型但是它只能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像有一个万能锤子它可以砸任何钉子它是一个通用方法论可以解决各种各样的问题反而更困难的是怎么寻找好的问题去解决。其实我觉得加入腾讯很重要一点就是说这里有很多好问题、有很多产品我觉得这一点在接下来变得越来越重要。一方面好的产品能够解决第一个问题我们做预训练和后训练之后到底要把它应用在什么地方产生价值第二个是环境是非常重要的如果没有好的环境那 Agent 没有办法做各种各样的事情比如说如果没有一个点外卖的 tool 的话就没有办法点外卖很多事情做不到。我觉得最重要的是 context无论是企业还是个人就像我上一次在 AGI-Next 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输出很多时候你的竞争壁垒就在于你有没有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各种各样的信息这一点我觉得腾讯有非常强的优势。但其实我觉得这只是第二大的原因最重要的原因是文化我记得我第一次跟你聊天包括和其他总办老板聊天的时候我第一印象大家都非常诚实哪里做的好哪里做的不好非常直白不会掩盖我觉得这种坦诚是我第一印象。第二就是说腾讯总体是一个基于 trust而不是基于 metric 去运转的公司我觉得这一点对于做 AI 是非常重要的包括我觉得我们的文化有非常 low ego有非常 solid 的这一面我觉得这些文化对于长期做一个 AI 的组织是非常重要的包括我们对长期主义的坚持。所以 AI 下半场最重要是什么我个人觉得就是我们应该在中国建立一个长期的基于 AGI 的组织今天的 AI 主要有三部分首先是 foundation 的部分我们怎么样把预训练和后训练最基础的东西做得非常 solid。第二部分是产品我们怎么样把这样的技术真的为人和社会产生价值。第三是 frontier我们怎么样探索新的研究范式探索新的机会。我觉得最重要的是我们构建一个非常均衡的三角形一样的组织。我觉得对于做 foundation 来说第一最重要的是有充足资源。第二就是需要正确的做事的方式这些和我刚才说的文化也是吻合的。对于产品来说有好的产品的 sense有这种做产品的人是至关重要的。第三在中国我们今天所做的前沿探索不够多所以我希望能把 frontier exploration 的精神能更多地注入到我们组织中。模型和产品如何相互成就汤道生AI 赛道是长跑我觉得有时候认知也很重要我们做的好的和不好的也得认但关键是一个多维度的竞赛我们看到现在模型有很多进步我们做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。产品可以说提供一个环境里面要给模型提供 context 上下文我们平时开会提比较多的一个词是 Co-Design怎么把产品关模型能够比较紧密底结合起来尤其今天有这么多丰富的产品包括元宝聊天机器人、AI 搜索、企业的部署智能客服、智能营销还有最近非常火的类龙虾像 CodeBuddy、Workbuddy 这样的产品其实对于模型依赖很深。你怎么思考 Co-Design 这个方式姚顺雨有三点首先 CoDesign 的前提就是说模型本身要做的很 solid有很多 foundational 的 work 要做好。我觉得预训练是一个相对就是产品 agnostic 的事情它做的非常 solid 可以提供非常强的 foundation而且预训练它最大的特点就是它是一个可泛化学习过程它的进步可以带给各种各样下游任务持续的价值提升。后训练我觉得最重要一点是要设立好正确的 Eval中国大家有个不好的倾向是大家喜欢刷榜但是我觉得更重要的是如何实事求是的基于产品基于真正的应用构造更加真实的 Eval。第二 要意识到可能“实用性”价值是大于刷榜价值这一点我们做大量工作跟各种各样产品进行了深度 Co-DesignCo-Design 很关键一点就是要产生相互信任这一点我们做了大量工作取得互信怎么把产品数据用好怎么把回流怎么把 Eval 做好有很多细节我就不赘述。第三点我想说LLM 时代和过去的 AI 最本质的区别就是泛化性在 LLM 之前比如说做翻译产品只要把翻译数据做的特别好就行了。你做一个围棋的程序你只需要把围棋的数据准备特别好就行。但是今天即使你想只做一个 Coding Agent你会发现其实需要的不仅是 Coding Agent 的数据你需要非常好的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非常复合的 data 的 taxonomy我觉得需要对这个事情有一个 taste。这个事情的推论就是说有很多产品的体系化地方会有比较大的优势比如说我们和元宝的 Co-Design 使我们模型产生很强的聊天和搜索能力这样的能力又可以被迁移到 ima 和 Workbuddy 其他的产品所以这些产品能够提供不同的数据但是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越来越重要。汤道生外部的榜也属于 Eval 的一种所以我们内部做 Eval 跟外部的这种榜有什么区别姚顺雨首先 benchmark 还是有它的价值的不是完全没有价值只是说这些榜非常容易 overfitting。基于真实世界的数据会对模型的研发有帮助首先就是你能发现模型很多底线问题实际上我们先发一个 Preview 模型最主要的目的之一是希望能够获得真实世界反馈能修复各种各样榜单中没有发现的问题这个在会在正式版上面有很大的改进。第二点你对真实的 Prompt distribution 会有一个更深的了解。我举个例子比如说 benchmark 上面的这些题目可能它都是非常精确的有非常长的 concrete description它可能一般来说是一个单纯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它会不停追问这些场景可以启发我们怎么去更好做这样的训练。第三点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还没有的榜单或者是没有领域的推进比如说我们最近做了很多 Context learning 的工作包括元宝的反馈也给我们很大的启发和帮助。所以我觉得产品和模型的互相成就是越来越重要的一个 AI 的话题。汤道生我记得我们早期做元宝的时候还碰到多轮遵循的问题好像在使用产品大家这种迭代 Prompt 的方式跟 benchmark 还有差异真正在产品里面大家使用所需要的能力确实好像跟 benchmark 还有蛮大的差异的。姚顺雨你问我这么多问题我也问你一个问题。其实我记得我第一次跟您聊的时候你跟我讲了很多你过去的经历从 QQ 空间、QQ 秀的时代一直到我小学时候最喜欢的产品。到 QQ 音乐到云到现在的元宝其实跟你聊天很有意思因为你做过各种各样的产品to C 也有to B 也有远古时代的也有最近 AI 时代的产品也有。我比较好奇你觉得你做产品的第一性原理是什么你觉得哪些经验和价值是不变的哪些东西是变的汤道生我觉得其实最终做产品还是本着用户到底有什么需求我到底怎么去解决他的痛点怎么去给用户或者客户创造价值。在不同的时代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、移动的时代做各种各样的产品、内容的产品到产业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。首先从范式的角度来看在 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某些菜单去选好像是一些“预制菜”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你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说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。甚至也包括你刚刚提到的 Eval以前我们做产品有很清晰很具体的产品的细节功能的描述怎么去做设计、做研发、做测试我觉得那个瀑布式的流程也比较清晰。但是做 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各种案例 Eval、环境我们对于开放式答案的要求甚至 alignment 怎么对齐我们用户所需要的那种风格我感觉今天时代做产品其实要求的能力更全面、更难了。混元和元宝做出哪些改变汤道生大家都在说 Hy3 preview 是你腾讯的首秀具体混元 3 做什么改变你能给大家介绍一下吗姚顺雨其实我觉得没有什么秘密今天做大模型从某种程度来说比较 Trivial 的事情我们应该把 Infrastructure 做好我们应该把数据做好算法的部分反而是比较简单的。其实我觉得主要几个点吧。第一我们把 Infrastructure 重建了无论是预训练还是强化学习。第二是我们把数据和 Eval 做了很大的改变如何去定义更真实的问题如何丰富数据的 taxonomy如何去提高数据的质量这是一个永无止境的追求。第三我觉得很重要的很多决策其实包括怎么去招人怎么去设立模型的节奏怎么去每天有很多的 Decision 要考虑很多 Trade off我觉得可能没有一个很清晰的公式我觉得是一个很 Taste driven 的事情。姚顺雨所以我其实挺好奇问你一个问题的因为您刚刚跟我讨论 Co-Design 这个概念我很好奇您对 Co-Design 这件事情是怎么想的你觉得哪些事情是应该模型做的哪些是产品应该做的汤道生我觉得 Co-Design 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、用户的需求他在变化的过程中也会带来我们两边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对齐会的时候我们有很多不同的决策产品可能要针对某个方向去解决一些问题模型到底怎么做去满足这个需求但是你要回到模型需要数据数据应该怎么标注到什么颗粒度到底什么是好的标注什么是不好的标注因为有一些地方要奖励有一些地方要惩罚。然后还有 Eval还有评测因为如果产品认为好的产品体验评测是不认同的话大家其实做出来的产品就会不一致了。所以 Co-Design 给我的感觉更多是在项目组里面不同的角色参与到产品的设计定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一个对齐的话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训练的过程可能也被混淆了。所以这是我这两年跟做产品跟模型团队做 Co-Design 的一个比较深的感受。您觉得呢姚顺雨其实我是觉得就像我刚刚说的首先最难的一点是要建立 Trust毕竟我觉得同理心很重要因为说到底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。就是模型人希望我能力越强越好但是产品的人觉得用户需求越满足越好。所以天然有很多不 align 的部分我觉得很重要的一点是要有换位思考的能力。其实就是你刚刚问我元宝我们是怎么一步一步 Co-Design 的其实一个很重要的细节是我们当时是派了后训练最强的骨干力量去帮助元宝把后训练做好。当时我们自己的预训练还没有准备好但是我们知道维护元宝这样的产品以及它的 DAU 会对我们接下来做模型也非常非常重要而且对于创新的合作非常重要。所以当时其实很多算法同学不理解我需要去很努力解释但是现在看起来这些努力都是 Trade off我觉得这样一个动作让产品意识到模型的同学是真的在为产品着想我觉得这个其实对于我们之后的合作包括 Hy3 preview 在元宝上成功上线起到了非常重要的作用。当然有很多技术的部分可以探讨但是最难的部分反而是怎么样建立信任怎么样换位思考。汤道生对非常认同。如何让 token 性价比更高汤道生你是 ReAct 架构的提出者博士研究也是围绕着语言智能体展开的你几年前的一些观点到今天兑现了吗比如有哪些姚顺雨那天我挺感慨的我重新读了自己的博士论文感觉又回到一个很远古时代我的博士论文的 title 叫做 language Agent from next token prediction to digital automation是 2019 年。汤道生7 年前。姚顺雨那个时候 Literally 就是我们的 GPT2那个时候它只能做 Next token prediction而且它产生一段话不太连续或者有很多毛刺所以当时人们很难想象到它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像力做一些研究比如说中国首都是如果做 Next token prediction 它会回答北京somehow 它是一个有 Knowledge 的事情能做到这一点大家当时非常开心觉得这个技术很有意思。当时我的想象力比较狂野我觉得 GPT 是一个非常优美的东西吐下一个 Token 是一个非常极简且非常通用的事情我觉得它有一天潜力不仅仅是在于吐出下一个 Token而在于把这个世界上所有的事情全部 automate我当时想的还不够大我想的是 digital automation但是现在看起来也有可能是 digital and physical automation。我觉得其实我博士期间主要做两部分第一部分就是如何建立一个 Agent 方法论如何把一个 Next Token prediction 的机器变成一个 Agent变成一个自动化的机器最重要的工作可能是你说的 react。我记得 2022 年 7 月份的时候某一天晚上当我第一次把 Pump two 的 API 和当时手写的一个 Wikipedia API 连在一起它第一次可以基于这个网页回答问题并且多轮交互的时候我当时感觉就像微弱电灯灯突然亮的感觉一样我感觉据我所知人类第一次把 LLM 和互联网连在一起并且做多轮交互我当时的感觉是这个感觉可能在 5 年或者 10 年会改变这个事情但是可能比我想象中还要更快。我记得当时我们第一次提出 SWE-bench 的时候我觉得 OK如果这个事情能做到那很显然它会带来巨大价值当时可能是几百亿、上千亿但现在可能是数万亿数是万亿可能我想的还是太小了。另一部分我做的工作就是怎么定义 Digital automation 的任务比如说 WebShop 是第一个基于互联网的 Web Agent task包括 InterCode 和 SWE-bench 是最早的 Coding Agent 这样的任务。现在看起来 Agent 技术最重要两个部分确实是外部 Agent 和 Coding Agent。那天我在群里跟大家聊天我看我博士论文结尾就是我在 2024 年写我的 future work第一个是 train models for Agent第二个是 shift 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确实在做当时列的 future direction。汤道生太厉害了都一一看到整个行业这些方向在推进。姚顺雨可能想的还是不够大我觉得已经觉得自己想的够大了但是可能还是不够大我觉得。汤道生技术的发展往往超乎我们的预期。智能体今天大家都说需要消耗很多的 TokenToken 的调用这对于混元做下一代模型研发你觉得什么是你的侧重有哪些地方比较重要姚顺雨毫无疑问今天 Agent 或者 Coding Agent 有点像预训练一样是不得不做的事情是最基础能力。我个人觉得 Coding Agent 非常本质有很多原因。还有一个重要原因就是说它是一个优点像图灵完备的事情当你有能力去控制自己的 file system当你有一个 container 的时候其实你是一个 complete 这样一个 system。今天我觉得 Agent 毫无疑问是每一家模型所发力的重点我觉得我们做的方法可能会有几个区别第一即使今天 Coding 已经是最重要的事情但是我们还是会强调体系的全面化我始终认为要把 Coding 做好其实需要远远不止 Coding 的数据也需要聊天、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。第二很显然产品作用越来越重要如何利用好线上回流我觉得是一个每个模型厂商都在应对和思考的问题。这里刚刚积累很多 CoDesign 经验变得非常重要。第三我觉得还需要更多想像力无论是技术演进还是产品演进甚至下一个范式演进我们需要做探索性甚至不确定性的工作。汤道生从产品侧因为大家越来越多有 Token 焦虑的声音Token 成本爆发式增长我也听到很多客户甚至用户身边的同事们也在紧盯着积分消耗或者 Token 消耗怎么可以让我们的模型在解决某个问题或者完成某个任务Token 效率贵高我之前做过一些任务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还会试试完之后走不下去再试下一个里面有什么可以 optimize 的地方让 Token 整体使用效率更高姚顺雨我觉得在中国讨论性价比更多讨论模型架构但其实它是很复杂的体系我觉得最重要的是首先是你的 performance很多人跟我说他最后发现用 OPUS 这样的模型比用更差的模型更省钱因为更快的把这个事情做对了也省得人的精力最重要的事情是 performance如果你的 performance 好性价比是最关键的事情。尤其我觉得今年可能很多简单任务的 robustness 会变得更加重要一次把相对简单任务做对这可能是性价比更关键的部分不仅是模型架构。第二部分就是成本本身性价比第一是性能如果性能不好性价比无从谈起第二点是成本中国是领先于世界的就是我们做大量工作优化我们的成本成本可能最重要的事情是怎么用一个更小的模型把更高的价值任务做好在这基础上架构创新包括长文管理脚手架有很多需要做的事情。如果我们做一个相对较小的模型但是它比肩大模型性能而且在大部分任务上做很强的 robustness这可能在很多长程的上面提升一两个点的提升可能在今天的中国更有价值。Agent 时代的新思考姚顺雨我很好奇您觉得 Agent你是什么时候意识到它是一个什么新的产品的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 Agent bottlenck 在哪里呢汤道生我们做的 Agent针对不同场景有不同的产品形态在 Agent 设计上面很大程度是发挥好模型能力当然模型在迭代它能力越强 Agent 需要做的工作越来越少我看我们好几个产品在过去这段时间是随着模型能力加强我们可以把产品把 Agent 做的更简化更多的给模型提供更多不同的工具创造更多的 skills来让模型能够更高效的去完成任务给模型提供更多的记忆。用户过去使用一些习惯我们能提取出来的一些用户 preference 的信息作为上下文在 Coding 环境有相关的 context 给到模型在 Workbuddy 里边办公协作做个 PPTwww.iissbbs.com可能大家关注的内容或者该给到模型的 context 也会不一样。所以在我们做不同的 Agent我觉得更重要是了解场景下什么内容什么信息是重要的比较 relevant 的能够跟模型配合好让模型有它需要的信息同时也发挥它的能力。姚顺雨最近我们确实推出一些像 Workbuddy 口碑不错的产品背后很多小团队在快速迭代产品我其实挺好奇相对于传统的产品研发你觉得在新的 Agent 时代的研发和组织管理上产品团队发生什么变化你的思考是什么汤道生我前阵子在帮 Workbuddy 做一个组织发文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产品组织架构有很大差异更多小团队三个人五个人可能围绕某一个领域来做攻坚而且有很多试验在里面还要支持 Infra 做实验让不同的小分队可以去探索然后再验证因为试验大部分拿不到正向反馈我们也要包容团队去试错这种通过大量试验去提炼出对于用户流程对于我们想要的这个结果有正向帮助这个是我觉得今天做 Agent做原生 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写代码但是今天毫无疑问他们这些工作可以交给 AI 了所以我们会看到更多角色的融合大家都是产品经理都要去了解透彻用户需求以及设计出我们想要的产品形态每一个工程师更像一个有想法的 leader驱动多个 Coding Agent针对我们想要的产品需求去做研发、开发。同时要参与评测、测试比较前置也用好 AI 能力把这些质量保证工作对齐工作要做到前面来。腾讯 AI 慢了吗汤道生很多人都会提到腾讯慢说在 AI 上面我们没有及时抓住一些机会你觉得我们真的慢了吗到底下半场是什么你能再多说一下吗姚顺雨感觉应该是我问你的问题。汤道生哈哈。姚顺雨我觉得首先 AI 其实今天有两个重要判断第一个就是说我们认为 AI 是一个短期的游戏还是长期游戏在硅谷大家蔓延很多情绪哎呀e2 年后所有人都要失业AI 要取代所有人的工作我们要赶快赚 2 年钱退休。但很显然我们的判断 AI 是一个长期游戏其实我觉得 AI 刚开始下半场才刚刚开始我不认为 ChatGPT 和 CloudCode 会是唯一的 super App我觉得那是一个非常灰暗的世界我觉得肯定会有源源不断新的机会诞生。可能今天就像是 70 年代 PC 刚刚产生的时候我觉得还有很多很多事情需要做。第二个判断它会是个更线性还是多元游戏因为确实过去几年大家能看到的是 Pre-training、post training然后 AgentCoding Agent似乎有一个非常清晰的主线这个主线是所有人都在做一样的事情都在 copy这也是非常灰暗的事情。但到底未来变得更单一还是更多元我个人看法会变得更多元毫无疑问 Coding Agent 生产力会变得更加重要我觉得它是刚刚开始的事情这个世界还有很多空间没有被填满多模态、具身智能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刚开始可能确实不是完了。过去模型、产品做了很多探索走很多弯路我觉得这是正常的你如果没有做过一个事情第一次做肯定有曲折但是我觉得可能更重要的事情是能不能诚实面对自己能不能 Be Real能不能够去看到 feedback 然后去改变能不能够保持耐心这个事情是下半场最重要的事情。汤道生大家对于腾讯经常喜欢挑某一个点来批评当然我觉得我们也很欢迎大家给我们提更高的要求。 我们是一个非常多业态的公司有很多产品分布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一个复杂的组织里面有一些地方可能我们做得快了有的地方做得慢了有一些地方可能会做失败www.ntjrcw.com在探索。所以我觉得这些提醒都非常好我觉得确实有一些地方我们是可以做得更好但是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。就你一开始提到选择腾讯因为 AI 需要 Context模型需要很多的这些上下文其实腾讯在过去多年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为模型提供有用的信息提供这些 Context 来发挥价值。在这样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说今年年初对 Agent 这一波热潮也反应比较快。同时也有像 WorkBuddy 这样的智能体产品其实也是几年前开始做的产品沿着原来做 Coding、CodeBuddy慢慢看到非程序员也有很强的需求我们也能比较快去应对今天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给我们建议也多用我们的产品来给我们正向的反馈。我们刚才其实围绕了做模型、做产品谈到了 Co-Design谈到了 Agent 的演进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同样的挑战。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。为此其实我们今天也会发布一套效率智能体的工具集帮助企业可以更安全、更高效去部署应用的智能体。这背后有腾讯的三个核心能力第一是场景联接的能力通过腾讯的微信、企业微信、元宝等等高频的场景触点来把大模型嵌到真实的业务流跟用户、数据、生态能够深度联接。第二是工程的驾驭能力通过完整的 Harness 体系让 Agent 能够稳定、可信、可持续运行具备强大的 AI Infra让包括高速的网络、高吞吐的存储还有高性能的 Agent Runtime 来保证 GPU 的高利用率。第三是模型驱动力依托混元大模型和模型产品 Co-Design 兼顾实用性、性价比和 ROI。同时 我们也启动“腾讯 AI 共创营二期” 携手 ISV、MSP 伙伴一起共创行业解决方案打造更多的标杆案例。
