內(nèi)容來源：6月5日2026騰訊云AI產(chǎn)業(yè)應(yīng)用大會湯道生與姚順雨對談現(xiàn)場實錄。

責(zé)編| 柒排版| 拾零

第 9653篇深度好文：11338字 | 28 分鐘閱讀

商業(yè)趨勢

筆記君說：

騰訊在AI上慢了嗎？

當(dāng)“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(zhí)行副總裁湯道生的深度對談中，他首次系統(tǒng)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(zhuǎn)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(guān)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(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。

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，過去我們發(fā)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(yù)訓(xùn)練和后訓(xùn)練（預(yù)訓(xùn)練：在海量通用數(shù)據(jù)上讓模型學(xué)習(xí)語言的統(tǒng)計規(guī)律；后訓(xùn)練：在預(yù)訓(xùn)練基礎(chǔ)上，用更精細的數(shù)據(jù)和反饋讓模型更好地遵循指令、對齊人類偏好）。

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。

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（智能體，能夠感知環(huán)境、自主決策并執(zhí)行任務(wù)來達成目標的AI系統(tǒng)）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(huán)境），無論是企業(yè)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(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（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(shù)據(jù)考核）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（低自我，指不自我中心、謙虛務(wù)實），有非常solid（扎實、穩(wěn)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(yīng)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(shù)有經(jīng)濟價值的任務(wù)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(chǔ)模型層）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(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（產(chǎn)品感覺，指對用戶需求和產(chǎn)品方向的直覺和判斷力），有這種做產(chǎn)品的人是至關(guān)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(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)品跟模型能夠比較緊密地結(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（騰訊推出的AI助手應(yīng)用）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。

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

首先我覺得預(yù)訓(xùn)練是一個相對產(chǎn)品agnostic（無關(guān)的、不受產(chǎn)品具體形態(tài)影響的）的事情，它做的非常solid可以提供非常強的foundation（基礎(chǔ)、基座），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（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(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（指將產(chǎn)品端的用戶反饋數(shù)據(jù)返回到模型訓(xùn)練中迭代優(yōu)化），怎么把Eval做好，有很多細節(jié)，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(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（編程智能體），你會發(fā)現(xiàn)其實需要的不僅是Coding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（數(shù)據(jù)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(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（騰訊的AI智能工作臺）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（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(xiàn)很好但泛化到真實場景時性能下降）。

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（預(yù)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(fù)各種各樣榜單中沒有發(fā)現(xiàn)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(tǒng)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(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（上下文學(xué)習(xí)，指模型利用提示中給出的示例或信息來完成特定任務(wù)，無需參數(shù)更新）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（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(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。

三、做模型與做產(chǎn)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(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（一種傳統(tǒng)的軟件開發(fā)模式，按照需求分析、設(shè)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(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（指將測試工作提前到研發(fā)流程的更早階段），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（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(fēng)格，我感覺今天時代做產(chǎn)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(yù)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(guī)的，這里指工程上需要扎實做好的事情）的事情。

我們應(yīng)該把Infrastructure（基礎(chǔ)設(shè)施，包括算力集群、網(wǎng)絡(luò)、存儲、訓(xùn)練框架等）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。

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)（一種讓模型通過試錯和環(huán)境反饋來學(xué)習(xí)最優(yōu)策略的訓(xùn)練方法）。

第二是我們把數(shù)據(jù)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(shù)據(jù)的taxonomy（分類體系），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（決策）要考慮很多Trade off（權(quán)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(qū)動的，指依賴判斷力和直覺而非固定規(guī)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(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（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(chǎn)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(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（日活躍用戶數(shù)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(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（權(quán)衡、取舍），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。

四、Agent（智能體）技術(shù)往哪走？產(chǎn)業(yè)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(gòu)，Reason+Act）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》（《語言智能體：從下一個詞預(yù)測到數(shù)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(fā)布的第二代生成式預(yù)訓(xùn)練變換模型）。

那個時候它只能做Next token prediction（逐個預(yù)測下一個詞），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(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（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(dāng)時想的還不夠大，我想的是digital automation（數(shù)字世界的自動化），但是現(xiàn)在看起來也有可能是digital and physical automation（數(shù)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(dāng)我第一次把PaLM（谷歌研發(fā)的大語言模型，Pathways Language Model）的API（應(yīng)用程序接口，Application Programming Interface）和當(dāng)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(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（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(dāng)時可能是幾百億、上千億，但現(xiàn)在可能是數(shù)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（一個模擬在線購物環(huán)境的網(wǎng)頁智能體測試任務(wù)）是第一個基于互聯(lián)網(wǎng)的Web Agent task（網(wǎng)頁智能體任務(wù)），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(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（未來工作展望）。

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

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有點像圖靈完備（指一個系統(tǒng)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(dāng)你有能力去控制自己的file system（文件系統(tǒng)）。

當(dāng)你有一個container（容器，這里指一個隔離的、擁有完整操作系統(tǒng)環(huán)境的執(zhí)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(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象力，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，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（性能、表現(xiàn)）。

很多人跟我說，他最后發(fā)現(xiàn)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(guān)鍵的事情。

尤其我覺得今年可能很多簡單任務(wù)的robustness（魯棒性、穩(wěn)健性，指模型在面對各種非理想輸入時依然保持穩(wěn)定表現(xiàn)的能力）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 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(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（技能），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（偏好）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（相關(guān)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（基礎(chǔ)設(shè)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(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。

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(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Claude Code（Anthropic推出的AI編程工具）會是唯一的super APP（超級應(yīng)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(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（預(yù)訓(xùn)練）、post training（后訓(xùn)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(fù)制），這也是非?；野档氖虑椤?/p>

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(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。

但是多模態(tài)（指模型能夠處理和生成文本、圖像、音頻、視頻等多種數(shù)據(jù)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(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(zhàn)經(jīng)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(yè)務(wù)Agent；

第二天做診斷：對著真實的業(yè)務(wù)痛點，畫出專屬的AI行動地圖；

第三天練閉環(huán)：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(shù)負責(zé)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(xùn)練有素的增長戰(zhàn)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(chuàng)始人十布領(lǐng)銜，以及淵虹、云飛這些真正在一線拿過結(jié)果的實戰(zhàn)導(dǎo)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！