此次对话的核心议题围绕《腾讯AI的下半场》展开。早在2025年春季，姚顺雨曾发表过一篇题为《The Second Half》的技术文章，引发了业界广泛的讨论。该文章指出，AI领域正在经历转折点：从技术开发的上半程转向应用部署的下半程，关键转变在于从”技术驱动问题解决”演进到”问题定义与价值衡量”。在他看来，未来的领先者不仅仅需要研发更强大的模型，更关键的是能够准确识别解决什么样的问题、如何评估真正的进步。
几个月之后的2025年年末，腾讯集团对这位科学家进行了正式聘任，让他担任首席AI科学家一职，直接向总裁汇报工作。同时建立了新的AI基础设施部门和大模型团队由其领导。这位专家是智能体技术ReAct框架的创始人，曾为OpenAI的多个Agent产品（包括任务自动化工具和深度研究助手）做出过重要贡献。
上任以来，混元技术团队对训练架构和学习方法进行了全面升级，于今年春季推出了混元Hy3预览版——这个版本集聚了2950亿参数，其中激活参数为210亿，主要聚焦于实用性表现。根据腾讯的测试报告，Hy3预览版在旗下产品（代码编写辅助和工作协作助手）的首字节反应时间缩短了超过一半，可支撑长达四百多步的复杂任务工作流。发布到OpenRouter平台后，这一模型在当周的使用量和市场占有率都排名首位。
公司总裁刘炽平在最近的财务说明会中表示，混元业务线已完成了内部结构调整和流程优化，现在的重点转向数据品质提升及其与产品线的紧密结合。腾讯云业务也在去年创造了规模级的盈利突破，企业端的AI应用需求成为了增长的主要动力。
在这场大约四十分钟的对话过程中，这位科学家阐述了他选择腾讯的根本考量：当前AI的技术路线已趋成熟，核心难度不在于如何建立模型，而在于发现有价值的应用场景。腾讯拥有丰富多样的产品生态和积累深厚的一手数据资源，这将在Agent驱动的新时代中成为决定性的竞争优势。
针对业界对”腾讯落后了”的普遍论调，他给出了自己的回应：倘若将AI视为一项长周期的竞争，那么现在阶段恰恰是下半场的初始，不能说已经太晚；ChatGPT和Claude也并非一定是仅有的顶级应用，整个生态中应该会持续涌现新的产品形式和发展空间。
汤道生从产品研发人士的角度，指出了在AI时代开发产品与之前的PC和移动互联网时代的本质性差异：以往的产品类似于标准化的预制菜式，用户通过固定的功能和菜单来完成交互；而AI产品需要面对来自用户的自由式输入，开发者往往无法预知用户会提出什么样的请求，必须充分借助模型的理解和生成能力来动态响应。这一变化推动组织方式向轻量化、实验驱动的方向演变，使得工程师的角色更像是”协调多个AI代理来完成工程任务的产品策划者”。
对话收尾时，汤道生宣布腾讯将推出一套”生产率效能助手工具箱”，集成了三个核心能力：产品场景贯通、完整的系统工程体系，以及混元模型的联合设计。
以下为对话要点的归纳总结：
01 为什么选择加入腾讯？数据背景、公司文化与AGI发展方向
姚顺雨：在过去的发展阶段，AI领域的竞争重点在于突破性的算法和架构设计。但现在格局发生了变化，高效的问题识别和应用定位变得更为紧迫。以往，我们为下棋任务设计AlphaGo，为翻译工作开发专用模型——每个模型都有其特定的应用边界，无法跨域迁移。
自从有了大规模的自监督学习和精细化训练以后，局面彻底改观。我们似乎掌握了一把万能工具，可以用来处理各种各样的任务——这是通用型的解决方案，适用范围极广。那么，相对应地，真正的难点就转移到了：怎样才能找到真正有价值、值得解决的问题？
我决定加入腾讯的一个根本原因，就是这里汇集了丰富的产品线和大量的实际应用场景。从两个角度看，好的产品首先能回答这个问题：我们开发的模型最终应该用在什么地方来创造实际的价值？其次，一个完备的生态环境对于Agent系统的运作也至关重要。举例来说，没有一个可用的订餐工具集成的话，Agent就无法完成订餐任务。但我觉得最根本的因素其实是数据资源。
无论是在企业还是个人的场景中，有效的背景信息正变得越来越宝贵。这是因为模型日益增强的能力在于快速处理极其复杂的输入并产生合适的输出。在这样的背景下，你的核心竞争力往往就源自于是否掌握了原生的、高质量的信息资源——你能否准确掌握某个人或某个机构的关键数据。腾讯在这方面拥有非常强的积累。
然而，这只是次要原因。对我来说，最吸引的还是企业的内部氛围。我记得与汤道生及其他高管进行对话的最初阶段，我就观察到了一种品质——大家都相当坦率和真诚。对于工作中的成就和不足，大家都直言不讳，没有隐瞒。这种直白的沟通方式给我留下了深刻印象。
第二点，我感受到腾讯主要通过信任和协作来驱动工作，而不是单纯依赖数据指标。这对于推进AI研发至关重要。此外，我们的企业文化体现了很多正面特质——谦逊低调、做事扎实、对长期价值的执着。我认为这些特性对于建立一个长期有效的AI研发体系是不可或缺的。
那么，AI的后期阶段最需要什么呢？按照我的理解，我们应该在中国建立一个长周期的、致力于AGI研发的组织体系。当前的AI发展可分为三个维度：首先是基础层面——我们需要把预训练和精细化调整的基础工作做到极致；其次是应用层面——我们需要把这些技术转化为对人和社会的真实价值；第三是研究前沿——我们需要不断探索新的研究模式和未来机会。最关键的是，我们要构建一个均衡的三维度协作体系。
就基础模型层面来说，最重要的两个因素是充分的资源支持和正确的工作理念——这与我提到的企业文化原则是相通的。在产品创新方面，拥有卓越的产品直觉和深厚的产品开发经验是必不可少的。第三方面，我认为在当代中国，我们的创新探索的广度和深度还需要加强，因此我也想要将这种前沿研究的精神更多地融入我们的工作中。
汤道生：你在与高管们交流中谈到的那种真诚和实干的态度，这也是我与客户沟通时经常听到的共鸣。我们在推进工作的策略和制定产品的理念上，始终保持着务实的态度。终究AI领域是一项长期的竞赛，有时候清晰的认知就很关键——要认识到哪些领域表现突出，哪些领域仍需完善。当然，这也是一场多维度的竞争。我们看到在模型研发和产品形式上都有不断的进步，面对不同的应用场景也有各种各样的解决方案。未来的发展空间依然非常广阔。
02 协同创新：模型与产品如何紧密配合
汤道生：你提到了模型和产品之间的关系。产品本身就像是一个运行环境，需要向模型输入各种背景信息和使用场景的信息。我很想请教，在团队的会议中经常被提及的”联合设计”这个概念，怎样才能让产品创新和模型优化更加紧密地结合？特别是，我们现在的产品生态非常丰富，涉及从聊天交互工具这样的通用应用，到AI搜索这样的垂直应用，再到企业级的智能客服、营销自动化，甚至最近热门的任务自动化工具——这些产品对模型能力的需求差异很大。你如何考量这种”联合设计”的方式？
姚顺雨：我认为这有三个方面。第一，进行”联合设计”的前提就是模型本身要足够坚实，需要完成许多打基础的工作。预训练阶段相对独立于具体的产品应用，如果做得够扎实，就能为多种产品提供强有力的支撑。预训练最大的特性是一个可推广的学习过程，其进展可以对各种下游应用产生持续的益处。
而在精细化调整阶段，我认为最关键的就是建立合理的评估体系。国内有一个不太理想的趋势——很多公司热衷于在各种排名榜单上”刷分”。但如何基于真实的产品使用场景来客观地构造评估指标，这首先需要有好的产品输出作为基础，其次需要理解实际应用的价值远远超过排名的价值。我们在这方面投入了大量工作，与不同的产品部门展开了深度的协同。”联合设计”的关键在于建立相互的信任，我们为此投入了许多努力。如何有效地运用产品端的数据？如何建立反馈循环？怎样完善评估体系？这些都涉及许多细节，我暂且不一一细述。
第三点要说的是，LLM时代与之前AI发展阶段最本质的区别就在于泛化能力。在预算不足的时代，如果你想开发一个翻译工具，只需要准备充足的翻译数据；如果你想做围棋程序，只需专注于围棋数据。但在如今，即便你只想创建一个代码编写工具，你发现所需的远不止代码数据，你还需要强大的对话能力、全面的搜索功能、严格的指令遵循、深层次的推理能力——这实际上是一个非常复杂的数据生态体系。
据此我的一个结论是，多款产品能够形成体系化联动的情况下，整个系统会产生较大的优势。比方说，我们与聊天产品的合作能够使模型获得优秀的对话和搜索能力，但这些优化后的能力反过来又能增强代码工具和办公助手这样的其他产品。所以这些产品虽然各自提供了不同维度的数据，但彼此之间又存在可以跨域应用的可能性，形成一个网络化的系统。这样的体系结构的价值会越来越凸显。
汤道生：实际上外部的排名竞争也是一种评估形式。那我们自己内部构建的评估体系与外部的基准测试有什么分别？
姚顺雨：那些标准化的基准测试确实有其参考价值，不是说完全无意义，只不过如今这些排名特别容易陷入饱和。使用真实世界的反馈数据有以下几个优势：首先，你能够发现模型在日常应用中的一些基础问题。其实我们发布这个测试版的一个核心目标就是收集实际用户的反馈，找出那些在排名竞赛中无法被发现的各种问题，进而在最终版本中进行大幅度的改善。
第二个方面是，对于真实用户提问的特征分布，你能获得更深入的理解。比如排名中的题目通常描写得非常详细和完整，一般也是单轮提问。但在实际应用中，用户提出的问题往往措辞模糊，可能就是几句话，然后会持续提出后续问题。这些差异能够指导我们如何进行更有针对性的训练。
第三，我们还可以从实际的产品使用场景中汲取灵感，推动那些可能还不存在的新领域或新基准的出现。比如聊天产品给我们的启发就特别有价值。产品与模型的协同创新变得越来越重要，是当今AI领域的一个核心话题。
汤道生：我还记得早期在打造聊天产品的时候，我们碰到过指令理解不足的问题。真正在商业应用中客户需要的功能，往往与评估基准的预期有很大偏差。
姚顺雨：你问了我这么多有深度的问题，现在让我反过来问你一个。我记得最初和你交流时，你给我讲述了腾讯的发展历程——从QQ空间、虚拟形象时代，经历了音乐平台，再到云计算，直到现在的聊天助手和办公工具。和你的对话很有意思，因为你开发过各种各样不同类型的产品，既有面向消费者的，也有企业级的，既有过去的经典产品，也有最前沿的AI应用。那么，从你的角度，设计产品的根本原则是什么？哪些价值判断在时代变迁中保持不变？又有哪些观念发生了改变？
汤道生：我的看法还是——最终的目标就是要理解用户的核心需求是什么，如何有效地解决他们的痛点问题，进而为用户和客户创造有实质的价值。在不同的时代背景和市场领域，一款产品想要获得市场认可，就必须能够对用户价值做出有意义的贡献，用户才愿意去使用和选择。
从PC互联网、移动互联网，再到云计算时代，直至现在的产业互联网，无论做什么类型的产品，我们都需要投入大量的精力去深入理解客户的实际需求，尽力帮助他们找到问题的解决方案。底层的思路其实没有本质的改变。
但确实，在PC和移动互联网年代做产品的方式，与在AI驱动的今天开发产品有不少重大区别。首先从设计思想看，过去的产品思路主要是通过提供具体的功能特性来满足用户需求。作为产品提供方，我们会设计清晰的产品功能，用户通过界面、菜单等方式进行选择操作，就像是预先准备好的成品菜肴，使用者只能在既定的选项中进行挑选。
但AI时代的产品采取开放式的交互设计，这就带来了完全不同的要求和机遇。用户可以用自然语言或语音进行交互，但产品开发者往往无法预测用户会提出什么问题。因此，我们必须充分激活模型的能力来理解并响应用户的各种需求。通过大模型的逻辑推理和工具调用能力，产品需要为模型提供各种可用的工具和接口，来处理这些没有边界的用户需求。这代表了与过去产品设计思想的一个根本转变。
评估和测试的方式也发生了变化。在过去，产品有非常明确的规格说明和功能描述，开发和测试的流程也相对线性化和清晰。但在AI产品开发中，我发现整个工程流程都需要进行重新设计。特别是现在，大部分代码都由AI来生成，工程师的主要精力转向了系统设计，把具体的编码工作交给AI系统，然后定期对生成的代码进行检查和改进。同时，我们需要提前进行全面的质量和对齐评估，针对各种情况、各种测试指标，以及对用户期望的适配。现在AI时代的产品开发确实要求更全面的能力，难度也确实增加了。
汤道生：那我再追问一下，混元Hy3的测试版本是你到腾讯之后的初次亮相，具体进行了哪些优化改进？能否给我们详细介绍一下？
姚顺雨：其实这个领域没什么不可说的秘密。从某些角度看，大模型的开发就是一套系统化的工程：完善好基础设施，夯实数据基础，然后算法部分反而相对简单。主要有以下几点改进：第一，我们对基础设施进行了完整的重构——无论是预训练还是强化学习的框架。第二，我们在数据和评估体系上做了大量革新——如何更实际地定义有价值的问题、如何扩展数据的维度和种类、如何不断提升数据质量，这是一个无止境的过程。第三，很多重要的决策——比如招聘策略、产品发布计划、日常的各种判断——都需要考量众多的权衡因素。我觉得可能不存在一个统一的公式，而是需要针对具体情况来做出判断。
姚顺雨：那我也想反过来请教你，对于”联合设计”这件事，你自己是怎么理解的？什么样的工作应该由模型来承担？什么样的工作应该由产品来处理？
汤道生：我的理解是，”联合设计”在不同的发展阶段是在不断变化的。从过去两年的经验看，这种变化与模型能力的提升是紧密关联的。当然，整个行业的市场动向和用户需求也在推动模型和产品更好地互相适应。对我个人来说，最深的体会就是如何进行有效的对齐。因为在制定产品策略和进行协同优化时，会涉及众多不同的工作岗位和角色。产品方面可能要聚焦于某个特定的解决方向，但模型该如何具体地满足这个要求呢？与此同时，模型需要依赖数据来优化——这些数据应该怎样标注？应该精确到什么程度？什么样的标注算好标注？什么样的算坏标注？因为有些地方需要正向激励，有些地方需要负向约束。
还有一个重要的方面是评估标准。倘若产品层面认为某个体验很好，但评估指标体系不认可的话，最后做出来的产品行为就会出现不一致的情况。因此，”联合设计”对我的意义在于，在项目组内不同角色共同参与到产品规划中，在设定了产品目标之后，如何让多个角色对于一些没有标准答案的问题能够形成良好的共识。要不然你会发现，产品的实际表现就会很难预测，有时候甚至会出现不确定的随机现象，因为模型在训练阶段本身就接收到了混乱的指令。这是我在过去两年与模型团队协作中最深刻的体会。
姚顺雨：完全同意。最难的部分就在于如何建立相互的信任，换位思考也格外重要。说到底，模型研发的目标和产品开发的目标有许多重合之处，但也有不少分歧。模型团队通常希望能力越强越好，而产品团队则更关心能否有效满足用户的具体需求，所以这两者之间天然存在很多不对齐的地方。我觉得最关键的是要具备换位思考的能力。
你提到的聊天产品的协同经历，我可以给你讲讲细节。一个很重要的做法是，我们从后训练中抽调了最强的骨干团队去帮助聊天产品先完成一个基础模型的后训练优化，因为当时我们自己的预训练还没有完全就绪。但我们深知，维持这个产品的用户规模和活跃度，对我们今后的模型研发意义重大，对长期的团队合作也是基础。现实是，当时不少算法工程师其实不太理解这个决定，我必须投入很多精力去解释。但现在回过头看，这些投入都得到了回报——这次协作让产品团队确实看到了模型团队是在真心为产品的成功着想，这对我们后来混元Hy3顺利上线到这个产品，以及长期的合作，都起到了决定性的作用。当然其中也有很多技术细节可以讨论，但可能最核心的难点，说白了还是怎样建立信任、怎样进行同理心的交流。
汤道生：完全赞同你的观点。
03 从ReAct到代码编写工具：智能体技术演进与成本效益
汤道生：让我换个话题。你是ReAct框架的最初提出者，博士研究也围绕语言模型的智能体应用展开的。你当年的一些前瞻性观点到今天是否得到了验证？
姚顺雨：有一点我特别有感触，最近我又翻出了自己的博士论文，感觉像是回到了非常遥远的时代。我的博士学位论文的名字是”Language Agent: From Next Token Prediction to Digital Automation”。
汤道生：那是哪一年的博士论文？
姚顺雨：2019年。那个时期正值GPT-2的年代，它当时的能力只限于做预测下一个字符这样的任务，而且生成的文本断断续续，存在很多质量问题。在那样的背景下，人们很难想象它会成为改变全球局面的技术。那时候的研究，稍微有点想象力的做法比如说，给定”中国的首都是”这样的问题，如果模型能够预测出”北京”这个答案，就已经让学术界兴高采烈了。
相比之下，我的想法可能显得有些大胆。我看到GPT这样的模型有一种优美的设计——吐出下一个符号的过程简洁至极，同时又具有高度的通用性。我当时的判断是，它的能力远不止于生成文本内容，而是有可能自动化处理世界上的所有类型的任务。当然我那时候的想法还是局限在”数字自动化”这个框架内，但回看现在，似乎也有可能延伸到数字和物理世界的双重自动化。
在博士研究期间，我主要探索了两个方向。一个方向是如何设计一个Agent系统的根本框架——怎样把单纯的下一符号预测模型改造成一个智能的、能自主运作的系统。在这个领域中，也许最有影响力的工作就是ReAct架构。我还记得2022年7月的某个夜晚，当我第一次将PaLM 2的API和自己用纯代码编写的Wikipedia检索API连接到一起，让它能基于网络内容给出答案，并能与用户进行多轮交互的那一刻，感觉就像一盏微弱的灯丝突然点亮了。根据我的了解，这可能是人类历史上第一次把大语言模型和真实的网络世界连结起来，实现这样的多轮对话。当时的感觉就是，这个技术可能会在5到10年内改造整个世界，但实际发展速度比我的预想还要迅速得多。
另一个方向就是怎样定义和度量”数字自动化”的任务。举例来说，Webshop是我提出的第一个基于互联网真实场景的网络代理工作集。Intercode和SWE-bench则是我贡献的最初的代码编写工具的工作集。从现在的视角看，智能体技术最关键的两个应用领域似乎确实就是Web Agent和Coding Agent这两个方向。
最后，当我重新阅读自己博士论文的结语部分时，看到里面列出的未来研究方向时深感欣慰——分别是：建立专门针对智能体的训练方案、确保安全且可靠的部署体系、推进前沿领域的科学发现、以及怎样帮助和赋能人类。现在我很幸运，确实在从事我当年列出的这些未来方向的工作。
汤道生：这种预测精准度确实令人印象深刻。整个业界都在围绕这些方向推进工作。
姚顺雨：说不定想的还是不够宏大。当时的我觉得自己的想法已经很宏大了，但可能依然低估了这场技术革命的规模。
汤道生：技术的升级发展往往会超越我们最初的想象。现在我想再转向另一个话题，最近大家都在讨论智能体技术特别消耗Tokens这一问题。对于混元团队设计下一代模型，你觉得应该优先考虑哪些问题？有什么是特别重要的？
姚顺雨：毫无疑问，现阶段的Agent系统就像当初的预训练一样，是一项不可避免、必须主动出击的任务，是基础性的需求能力。从我个人的看法，Coding Agent具有特别的重要性。其中一个重要因素在于，它在某种意义上具有图灵完备性——当你能够控制自己的文件目录结构，并有一个运行环境作为支撑时，其实你就打造了一个完整的系统。现在来看，各家模型企业都在竞相加强Agent能力。我们的方向会有几个区别：
首先，即便Coding Agent是当前的重点投入领域，我们仍然强调技术体系的全面均衡发展。根据我的想法，真正做好Coding Agent，需要的远超Coding方面的数据集，还需要对话能力、指令遵循、逻辑推理等多维度的能力积累。这正是大模型的核心优势——泛化性。第二个方面，产品的作用越来越关键。怎样充分利用真实用户的互动数据进行反馈和改进，是所有模型公司都在认真思考的问题。我们在Co-Design方面积累的经验会变得特别有价值。第三点，我们仍然需要更多的创造性思维。无论是在科技创新、商业形态，还是更远期的模式演进上，我们都应该进行一些探索性、充满不确定性的工作。
汤道生：从商业角度讲，用户越来越关注Token的花销，成本在快速上升。很多客户、甚至身边的工作伙伴，都在紧紧盯着消耗的Token数量。怎样让模型在处理问题或完成任务时的Token利用率最高？这是个很实际的问题。因为我之前参与过一些项目，有时候模型会探索各种不同的解决方向，尽管有些方向显然不会成功，但模型还是会试完，发现不通再转向下一个方向。在这方面有什么改进的空间？
姚顺雨：现在中国业界在讨论效价比时，可能更多地关注的是模型架构本身。但其实这是一个多维度的综合体系。在我看来，最关键的首先还是你的性能指标。我经常听到有人反馈，最后他们发现采用Opus这种级别的模型，比使用能力相对较弱的模型实际上更经济，因为性能更好意味着问题解决得更快，也减少了人力的浪费。从这个角度说，性能才是改进效价比的最关键环节。尤其在今年，许多相对标准化任务的稳定性和一致性会变得更加重要——怎样在一次尝试中就把很多简单明了的工作完成好，这可能比追求在某些超长或特殊任务上的额外提升，对改进效价比的意义更大。
第二个维度是成本控制。效价比当然是两个方面，一方面是”效”的大小，如果效不达预期，效价比就无法体现出来。另一方面是价格成本，在这方面国内产业其实已经走在世界前列，我们投入了大量的工作来优化成本。但成本优化最核心的思路，可能还是怎样用规模相对较小的模型去完成更高价值的应用。在这个基础上，架构创新、文本处理、框架优化等各个方面，都有很多工作可以做。但根据我的观察，如果我们能够研发一个相对轻量的模型，同时让它的能力能够媲美规模更大的模型，在大多数日常工作中表现出相当的稳定性，这可能比在某些特别长程或概念化特别强的超级任务上突破一两个百分点，对现阶段的中国市场更具有实际价值。
姚顺雨：我也想反过来问你一个问题。你个人觉得什么时候意识到Agent是一个新的商业机会？现在你对这个技术方向的理解是什么？你认为距离真正可靠易用的Agent产品，最主要的瓶颈在哪个环节？
汤道生：因为我们对不同的应用场景设计了各种形态的Agent产品。在开发Agent的过程中，一个很重要的思考是怎样最大化地利用模型的能力。当然，随着模型不断迭代和升级，模型的能力变强了，Agent系统要做的工作可能反而会减少。我观察到我们的几个产品在最近的演进中，伴随着底层模型能力的提升，Agent框架本身也在逐步简化，更多的工作转向为模型提供更加多元的工具函数、创建更加丰富的功能扩展来增加模型的操作灵活性，同时向模型提供更多的记忆和背景——包括用户之前的使用历史、提取出来的用户偏好信息，都作为上下文来传递给模型。
具体到不同的场景，如果是代码开发的环境，我们会提供对应的代码库信息和系统环境背景给模型；在WorkBuddy这样的办公协作工具中，我们会提供文件、内容或者是用户最近关注的信息作为背景。所以做不同类型的Agent产品时，最重要的还是搞清楚在这个特定的场景中，什么样的信息和背景对模型的决策是有帮助的、是相关的，让模型能够获取所需的关键信息，同时充分发挥它的能力。
姚顺雨：最近我们推出的WorkBuddy这样的产品反响不错。我注意到，有很多轻型的工作小组在快速地迭代这些产品。相比过去传统的产品设计开发方式，你觉得在Agent年代，研发流程和组织结构方面都发生了什么样的变化？
汤道生：我前一段在为WorkBuddy撰写组织文档，看了看他们相当扁平的组织架构——跟我们从前的产品组织结构有很大区别。现在是更多的小团队在运作，可能就三个人、五个人一个小分队，围绕着特定的应用领域来做开发。而且这些小团队会执行很多实验性的尝试，所以我们也要做好基础设施团队的支撑工作，让不同的小分队能够去自由地做尝试和验证。实际上很多实验性的工作不一定会产生正向的效果，我们还要包容团队去试错。通过进行大规模的实验来甄别出那些对用户留存率和我们既定目标有正向帮助的做法——这是我觉得现在从事Agent开发、做AI原生产品时，组织需要能够很好地去支撑的一个很重要的地方。
另一个明显的变化是，过去工程师会投入很多时间在代码编写上，但现在这项工作基本可以交由AI代理来完成。因此我们会看到更多工种的融合，参与者都需要具备产品经理的思维——深入理解用户的核心诉求，设计出我们所期待的产品形态。个人觉得每一个工程师现在都更像一个富有想法的项目负责人，驱动多个代码生成的AI代理来执行开发任务。与此同时，我们也需要把评估测试工作前移到更早的环节，有效运用AI的能力，将品质监管和模型对齐的工作放在更靠前的位置来处理。
04 AI的下一阶段：腾讯究竟是否落伍了？
汤道生：我也想提一个大家经常讨论的问题。许多自媒体和评论者经常说腾讯错过了一些机会，在AI领域没有抓住关键的发展点。从你的角度看，腾讯究竟是不是落伍了？AI的下一阶段到底是什么样的？
姚顺雨：我倒觉得这个问题应该反过来问你。
根据我的判断，现在有两个很关键的观点需要确认。第一个判断是，我们把AI看作一个短期游戏还是长期游戏？在硅谷的舆论中，经常能听到各种焦虑——说两三年后所有人都要丢掉工作，AI将彻底改变社会，应该赶紧想办法多挣几笔钱然后退休。但我们的立场很清晰，这会是一个持久的、长期的比赛。AI还处于很初期的阶段，从某种意义上，真正的下半程才刚刚拉开帷幕。我也不认为ChatGPT和Claude就是仅有的超级应用，那会是个相当悲观的世界。我相信会源源不断地出现新的应用机会，现在就像七十年代的电脑刚出现的时期一样，还有无数的事情有待探索。
第二个判断涉及到：未来是朝着更单一的方向发展，还是会变得更加多样化？实际上从过去的发展轨迹看，我们看到了预训练、精调训练、强化学习、Agent、Coding Agent等技术的演进，这个过程似乎有一条很明确的主线——坦白说，所有人都在复制同一条路线，所有人都在做着基本相同的事情，这其实是个很令人失望的现象。那么，前景会是朝着更加单调还是更加丰富的方向发展呢？根据我的看法，应该是走向更加丰富多元的生态。
肯定地说，Coding Agent和工作效率工具会变得越来越关键，这是一个才刚刚启动的领域，在这个方向上还有数万亿、乃至数十万亿的市场潜力还没被开发。同时，多种感官模态、具体化的AI，还有许许多多新型的应用也在萌发或正在成型。
从这个角度理解，若我们相信下半场才刚刚开启，那么现阶段并不算太迟。虽然过往的模型和产品研究中确实有过不少曲折和尝试，但我认为这是在探索新领域时无法避免的——毕竟要是之前没做过某件事，第一次肯定会经历波折和失误。但我觉得最重要的品质是，能否坦诚地审视自己的表现？能否在看到市场和用户反馈时做出改变？能否坚持和维持耐心？我认为这些特质在下一个阶段会变得格外重要。
汤道生：大家在评价腾讯时经常喜欢抓住某个具体的点来做文章和批评，当然我们也很欢迎大家给我们提出更苛刻的要求和期待。毕竟，我们是一个多产业、多产品线的庞大公司，有很多个小组在各自的赛道上推进不同的项目。所以很自然地，有些领域的进度很快，有些领域的进度相对缓慢，有些领域的尝试可能会以失败告终，这是在进行探索时必然会出现的现象。我认为所有这些来自社会各界的建议和提醒都是很有价值的，我们当然可以在很多领域做得更加出众。
但如同你前面提到的，这是一场长跑，是一场耐力赛。我们拥有异常丰富的应用场景库，正如你一开始提到的选择腾讯的原因，那就是AI需要真实的背景和上下文，而模型要依靠丰富的使用环境。腾讯在过往多年来在不同产品、不同行业的经营积累，为每一个具体的场景为AI模型提供了有用的信息库和背景材料，让技术能够发挥最大的价值。在这场长期的比赛中，我们的模型会源源不断地改进迭代，客户和用户的需求也在不停变化，新的商业模式和产品类型也会不断涌现。比如说，在年初对虾皮这类产品风潮的反应，我们也做得相当迅速。
除此之外，我们还有像WorkBuddy这种工作效能工具，其实也是根据过去推进CodeBuddy项目的经验而来，我们逐步认识到非程序员也有着同等强烈的效率提升需求，我们快速地进行了产品迁移和拓展。现在也听到很多企业客户表达了对于如何组合利用我们各个产品线来获取最大价值的热烈期待。所以我们正在这场长期的竞争中稳步推进，也诚恳地邀请各位继续提供更多的指点和建议，同时希望各位能够充分利用我们的产品，向我们反馈宝贵的、建设性的意见。
汤道生：我们今天就分享到这里。感谢顺雨今天的见解。在过去的交流中，我们围绕模型与产品的协同开发、Agent技术的演变、企业组织的重塑和行业的增长前景进行了讨论。最近我观察到，许多企业都在面对一个共同的挑战——若是无法充分利用相关的AI产品，企业就无法做出持续的投资决策，或无法获得满意的投资回报率，这都会阻碍AI在企业中应用普及的脚步。为了解决这个问题，我们今日推出了一个”效能智能体工作包”套件，其目标是帮助各类企业更放心、更高效地部署和应用基于AI的智能体系统。
这个解决方案依托于腾讯的三方面优势能力：第一个是对各类现实业务场景的融合和连接能力，通过在真实业务流中植入AI，形成与用户、数据、生态的全方位深度协作。第二个是技术框架的掌控与驾驭能力，依靠全面的工程体系让智能体可以稳定可信可持续地运作，有着强劲的基础设施支撑，包括高速通讯、高容量数据存储和高效能的代理运算，确保设备资源使用达到最大效率。第三个是通过混元大模型所代表的技术驱动力，由于与各产品线的密切Co-Design，兼顾了实际应用价值、成本效益和商业收益。同时，我们也将展开腾讯AI共创营第二轮次，与ISV和受管服务商伙伴紧密协作，一起打磨行业级的解决方案，塑造更多标杆示范案例。
在下午的议程中，我们会设置多个平行论坛，围绕个人工作效能、办公协作效能、企业级效能应用等多个维度，分别从产品与技术、垂直行业与生态协作等方面进行深入讨论。同时也会举办AI产品的新品发布专场，向大家展示我们新推出的20多个产品功能升级和全新能力。
今天的对话就到此结束了。非常感谢顺雨的精彩分享，也感谢各位的认真聆听。
