腾讯汤道生与姚顺宇深度对话：AI下半场的战略思考与实践

来源：互联网坊间八卦

日前，腾讯集团高级执行副总裁汤道生与腾讯混元大模型及AI应用负责人姚顺宇进行了一场深入交流，双方围绕AI下半场的定位、产品与模型的协同关系、组织变革及行业发展趋势等方面展开了系统性探讨。

“下半场“的核心在于从探索方法转向挖掘问题。姚顺宇认为，预训练和后训练已使方法论趋于完善，真正的难题变成了“筛选出真正值得解决的好问题”。腾讯具备丰富的产品矩阵和Context优势，这是他选择加入的重要原因之一。更深层次的考量在于企业文化，腾讯总办团队的坦诚务实、基于Trust而非Metrics的运作方式、Low Ego的工作氛围，以及对长期主义的坚守，让他相信腾讯适合打造一个以AGI为核心的持久性组织。

姚顺宇指出，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，二者需要深度融合、建立互信。他明确表示实际应用价值远高于榜单排名，基于真实用户反馈来发现问题比关注Benchmark更为关键。LLM时代与以往AI最根本的区别在于泛化性——即便仅开发一个Agent，也需要综合聊天、搜索、指令执行、推理等多种能力。

访谈中，姚顺宇还回顾了2022年首次将AI与真实互联网连接时“如同微弱电灯丝突然点亮“的体验，感慨当年博士论文中列出的四个Future Work——Train Models for Agent、Safe and Robust Deployment、Scientific Discovery、Help Human，如今正在逐一实现，“只是当时想的还不够宏大”。

面对行业普遍存在的Token焦虑，姚顺宇认为性价比的首要因素是Performance，用更精简的模型更高效地完成正确的事反而更经济。在长曲线上追逐一两个百分点的提升，不如用小模型做好高价值任务更具实际意义。

在谈及“腾讯是否进展缓慢？”这一话题时，姚顺宇明确表示AI是一场持久战而非短期风口，不认为Pre-training和Post-training是唯一范式，未来必将更加多元化。他强调，坦诚面对自身、保持战略定力、敏锐捕捉范式转变并及时调整，是下半场最关键的能力素质。

以下为完整对话记录：

汤道生：

今天特别邀请到腾讯首席AI科学家姚顺宇，与大家分享腾讯大模型及AI产品的思考与进展。简要介绍一下顺宇，他在学术领域提出了ReAct框架。

ReAct框架在前沿AI研究中影响深远，加入腾讯后主导的混元大模型项目，既掌握前沿技术，又深入一线实践，相信会带来独特洞察。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。

非常欢迎顺宇，要不要先跟大家打个招呼？

姚顺雨：

大家好，我平时都在海淀区，今天难得来朝阳区。很高兴看到计时已经开始了，我们直接进入主题吧。今天我们的对话可能会是一种比较新颖的形式，如果有出乎意料的内容，也算是给大家一个惊喜。

汤道生：

顺宇，你在加入腾讯之前，我记得当时我也问过你一些问题，为什么会选择来腾讯？你认为AI下半场的核心是什么？

姚顺雨：

好，我想先解释一下什么叫下半场，因为最近感觉这个词被用得有些泛滥。这个概念其实是我去年在一篇博客中提出的，具体含义是什么呢？我觉得在去年之前，AI已经发展了几十年，但更重要的是解决问题、寻找好的方法。

但最近明显的变化是方法论已经非常成熟，寻找问题变得更加困难。我举个例子，比如过去下围棋，我们会发明像AlphaGo这样的方法。但这个方法可能只适用于下棋或各种棋类游戏。我们会为翻译专门做一个模型，但这个模型可能只能用于翻译，不能做其他事情。

但有了预训练和后训练之后，我们发现现在拥有了一把万能锤子，可以敲任何钉子。这是一个通用的方法论，可以解决各种问题，反而更困难的是寻找好的问题去解决。所以我觉得加入腾讯很重要的一点，就是这里有很多好问题、很多产品，我觉得这一点在未来会变得越来越重要。

实际上，好的产品能够解决几个问题：第一，我们做完预训练和后训练后，到底要应用在什么地方产生价值。第二，环境非常重要，如果没有好的环境，AI Agent就无法执行各种任务。比如如果没有点外卖的工具，就无法完成点外卖，很多事情做不到。但我觉得可能最重要的是Context，其实无论是企业还是个人，就像我上次在Ajax演讲时提到的，Context变得越来越重要，因为模型越来越擅长将复杂输入转化为输出。很多时候你的竞争壁垒就在于你有没有那个最原始的输入，你是否了解这个人到底在做什么，你是否了解企业的各种信息。这一点，腾讯具有非常强的优势。

但我觉得这只是第二重要的原因，最重要的其实是文化。我还记得第一次和你聊天时，包括和很多其他总办领导聊天时，我的第一印象就是大家都非常诚实，做得好的地方、做得不好的地方都非常直白，不会掩盖。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，不知道哪里应该怎么做。这种坦诚是我的第一印象。第二，我觉得腾讯整体是一个基于Trust而非基于Metrics运转的公司。我认为这一点对于做AI非常重要。还有我们的文化有非常Low Ego、非常好的这一面。这些文化对于长期建设AI组织非常重要，包括我们对长期主义的坚持。所以下半场最重要的是什么？我个人的目标是在中国建立一个基于AGI的长期组织。

今天的AI主要有三个部分：首先是的Foundation部分，我们如何把预训练和后训练这些最基础的东西做好。第二部分是产品，我们如何让技术真正为人和社会产生价值。第三是Frontier，我们如何探索新的研究范式、探索新的机会。我认为最重要的是构建一个非常均衡的三角形组织。

对于做Foundation来说，最重要的是第一需要充足的资源，第二需要正确的做事方式。这和我刚才说的文化也是一致的。对于产品来说，有做产品的基因至关重要。第三，在中国，我们今天可能探索还不够多，所以我也希望能把Frontier探索的精神更多地注入到组织中。

汤道生：

对，你提到和总办交流过程中感受到的真诚或务实，这也是我经常从客户那里得到的反馈。我们的做事方式、做产品的理念确实比较实事求是。毕竟AI赛道还是一场长跑，我觉得有时候认知确实很重要，对吧？哪些我们做得好，哪些做得不好也要认清。但关键是这是一个多维度的竞赛。我们看到现在模型有很多进步，产品也有越来越多的形态，不同场景有不同需求，我觉得未来还是非常可期的。

你刚才提到模型和产品，产品提供了一个环境，要给模型提供Context上下文。我想问你一个问题，我们平时开会经常提到的一个词是Coupling，如何让产品和模型能够紧密结合起来。尤其今天有这么丰富的产品，从我们合作紧密的像元宝这样的聊天机器人，到AI搜索，企业里也部署了一些智能客服、智能营销。另外最近非常火的类似Coze的产品，像Coze里玩巴黎这样的产品，其实对模型能力依赖很深，你如何思考Coupling这种方式？

姚顺雨：

对，我认为有3点。首先，Coupling的前提是模型本身要做得很好，有很多Foundation的工作要做好。

首先我觉得预训练是一个相对产品agnostic的事情，做得好的话可以提供一个非常强的Foundation。预训练最大的特点就是它是一个可泛化的学习过程，它的进步可以给各种下游任务带来持续的价值提升。

后续的话，最重要的是设立正确的评估。我觉得中国可能有个不好的倾向，就是比较喜欢刷榜。但我觉得如何实事求是地、基于产品、基于真实应用去构建更真实的评估非常重要。首先要有好的产品出口，其次要意识到实用性的价值大于刷榜的价值。这一点我们做了大量工作，和各种产品进行了深度Coupling。Coupling很关键的一点是要建立相互信任，这一点我们也做了大量工作去取得互信。

怎么把产品数据用好，怎么把回流和评估做好？这有很多细节我就不详述了。但第三点我想说的是LLM时代和过去AI最本质的区别就是泛化性。在LLM之前，比如做一个翻译产品，只要把翻译数据做得特别好就行。做一个围棋程序，只要把围棋数据准备得特别好就行。但今天即使只想做一个Agent，发现需要的也不仅仅是Agent的数据，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，这是一个非常复合的能力要求。我觉得需要对这件事有洞察。

这件事的一个推论是，有很多产品的体系化的地方会有比较大的优势。比如我们和元宝的Coupling，可以使模型产生很强的聊天和搜索能力。但这些能力可能又可以被迁移到元宝或者混元里的其他产品。所以这些产品能够提供不同的数据，在这些数据之间又可以相互泛化，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：

外部刷榜其实也是评估的一种，所以内部做评估和外部榜单有什么区别？

姚顺雨：

首先这些Benchmark还是比较有价值的，不是说它完全没有价值。但我觉得现在这些榜非常容易失效。基于真实世界的数据有几个帮助。

首先你能发现模型的很多底线问题。我们希望发布一个通用模型最重要的目的之一，就是希望能获得真实世界的反馈来修复各种榜单中无法发现的底线问题。这一点会在正式版上有非常大的改进。第二，你对真实的Prompt Distribution有更深的了解。

举个例子，比如Benchmark上的题目可能都非常精确，有非常长的描述，一般来说是单轮问题。但我们知道在现实场景中，大家问的问题可能都比较模糊，可能就一两句话，会不停地追问。这些场景上的差异可以启发我们如何更好地做训练。

第三，我们甚至可以在这些产品上获得灵感，去推进现在可能还没有的榜单或领域的进展。比如我们最近做了很多Context的工作，我觉得也是从用户那里获得启发很有帮助。所以我觉得产品和模型的互相成就，是越来越重要的AI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，好像在使用产品时，大家迭代Prompt的方式跟Benchmark也好像有些差异。真正在产品里面用户使用所需的能力，确实跟Benchmark还有蛮大的差异。

姚顺雨：

你问了我这么多问题，我也问你一下。

汤道生：

欢迎欢迎。

姚顺雨：

对，其实我记得我第一次和你聊天时，你给我讲了很多你过去的经历，对吧？从QQ空间、QQ秀的时代，一直到我小学时候最喜欢的产品是吧？

汤道生：

你说的是老登是吧？

姚顺雨：

从QQ到音乐到语音，到现在的元宝到AI，其实和你聊天很有意思。因为你做过各种产品，Q币的也有，语音相关的也有，最近的AI时代产品也有。我比较好奇，你做产品的第一原理是什么？哪些经验或价值是不变的，哪些东西变了？

汤道生：

我觉得做产品最终还是要解决用户有什么需求，如何解决他们的痛点，如何给用户或客户创造价值。在不同年代，甚至不同行业，做产品还是需要能够给用户带来价值，他们才会买单才会使用。所以从PC互联网时代做空间，移动时代做各种产品和内容产品，到互联网做云，其实我们也要花很多时间精力去听客户的声音，尝试帮助他们解决问题。底层逻辑其实没有这么大变化，但确实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。

首先从范式角度看，虽然AI时代以前做产品很多时候想的是通过功能满足用户需求，作为产品服务提供方，想清楚提供什么能力，让用户通过界面或菜单去选择，好像预设好了一样只能在里面选择。但在AI时代做产品，那种开放式服务形态会带来很不一样的要求和挑战。用简单的交互方式，可能是自然语言或语音，作为产品方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需求，然后通过大模型的逻辑推理、调用工具的能力，产品给模型提供各种它可以用的工具来应对这种开放式需求。这和我们过去做产品很不一样。甚至包括你刚才提到的评估，以前做产品我们有很清晰的产品细节功能描述，如何设计、如何研发、如何测试，那种瀑布式流程也比较清晰。

但做AI产品，最大的变化是整个流程可能都要重新设计，尤其今年大部分代码都由AI生成，我们的工程师可能会花更多时间做设计、架构设计，把写代码的工作交给AI，定期去指导、修正。测试也要左移，更前置地想清楚针对各种案例、对于开放式答案的要求，甚至Alignment如何对齐用户需要的风格。我觉得今天AI时代做产品要求的能力更全面、更难了。

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

姚顺雨：

其实我觉得没有什么秘密，今天做大模型对我来说是一个比较基础的事情，我们应该把Infrastructure做好，把数据做好，算法部分其实比较简单。主要有几个点：第一，我们把Infrastructure重建了，无论是预训练还是强化学习。第二，我们把数据和评估做了很多大的改变，如何定义更真实的问题，如何丰富Data的维度，如何提高数据的质量，这是一个永无止境的追求。第三，我觉得很重要的还有很多角色，包括如何招人，如何设计模型的节奏，如何每天做很多决策，可能没有一个很清晰的公式，可能就是一个不断追问的过程。

所以我挺好奇想问你一个问题。你刚才和我讨论Coupling这个概念，我也很想知道你对Coupling这件事怎么想？你觉得哪些事情应该是模型做的，哪些应该是产品做的？

汤道生：

我觉得在不同阶段过去这两年其实一直在变化。这种变化某种程度上是随着模型能力升级而变化。当然整个行业市场用户需求在变化过程中，也会带来我们两边模型和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？因为我们一起做产品、做Alignment对齐时，有很多不同角色，对吧？

产品可能要针对某个方向解决一些问题，模型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。还有评估，因为如果产品认为好的产品体验，评测不认同的话，那大家做出来的产品就会不一致。所以Coupling给我的感觉，更多是在项目组里不同角色参与产品设计、订立产品目标方向时，如何让多个角色能够对一些开放式问题有比较好的对齐。如果没有做到这样的对齐，你会发现产品行为会不可预测，甚至有时候会有一些随机性，因为模型在训练过程中可能也被混淆了。这是我这两年跟产品跟模型团队做Coupling的一个比较深的感受。你觉得呢？

姚顺雨：

对，我觉得首先最难的一点是要建立Trust，同理心很重要。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，对吧？模型的人会希望这些能力越强越好，但产品的人可能希望用户需求满足得越好越好。天然有很多不Align的部分，所以很重要的一点是要有换位思考能力。

你刚才问我说元宝对吧？我们是怎么一步一步Coupling的？一个很重要的细节是当时如果你还记得的话，我们当时派了后续最强的骨干力量去帮助元宝，先把基础的后续点做好。因为在那个时候我们自己的预训练还没有Ready，但我们知道维护这样的产品以及它的价值，对于我们接下来做模型也非常非常重要，而且会对长期合作非常重要。所以当时其实很多方法也不理解，我需要很努力地解释，但现在看起来这些努力都Payoff了。这个动作让产品和模型意识到模型的同学是真的在为产品着想。这对于我们之后的合作，包括混元Preview在元宝上成功上线起到非常重要的作用。当然有很多技术部分可以探讨，但可能最难的部分其实是怎么样建立信任、怎么样换位思考。

汤道生：

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

姚顺雨：

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。我的博士论文开头叫“From Next Token Prediction to Digital Automation”。那时候GPT-2只能做Next Token Prediction，而且它产生的一段话还不太连续，或者还有很多毛刺，所以当时人们很难想象它会有一天成为一个改变世界的力量。当时觉得可能大家做的研究稍微有想象力一些会做一些研究，比如自动驾驶，如果你坐在车里它会回到北京。虽然它是一个有局限的事情，但大家当时就非常开心了，觉得这个技术很有意思。

当时我的想象力可能比较狂野，我觉得GPT是一个非常优美的东西，预测下一个Token是一个非常极简而且非常通用的事情。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。当然我当时想的可能还不够大，想的是具体的应用，但现在看起来也有可能是AGI。

今天我主要做的两部分。第一部分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，就像你说的最重要的一篇工作可能是ReAct。我还记得22年7月份的时候，某一天晚上当我把第一次，我记得当时是Python API和我自己手写的一个Web Crawler的API连在一起，它第一次可以基于网页回答问题，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。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，但可能比我想象中还要更快。包括我记得当时技术随便来第二次、第三次迭代的时候，我就觉得OK如果这个事情能做到，那很显然它会带来巨大的价值。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。

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

最后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，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，整个行业针对这些方向的影响还是不够大。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。我也在思考智能体，今天大家都说需要消耗很多Tokens调用。对于混元做下一代的模型研发，你觉得什么是你的侧重？有哪些地方是比较重要的？

姚顺雨：

对，我觉得毫无疑问今天Coupling有点像Infra一样，是一个不得不做的事情，是一个最基础的能力。我个人认为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它是一个有点像Turing Complete的事情，对吧？当有能力去控制自己的时候，当有一个Container的时候，其实是一个看得见的System。今天AI毫无疑问是每一家模型所聚焦的重点，我们会做的方法可能有几个区别。

第一，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，我一直认为真的要把Coupling做好，其实需要的远远不止Coupling这个数据，你也需要像我刚才说的聊天方式、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。

第二，很显然产品的作用越来越重要，如何利用好线上的回流，我觉得是每一个模型团队都在应对和思考的问题。这里我觉得我们刚才有很多Coupling的经验会变得非常重要。

第三，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，还是下一个范式的路径，我们需要做一些探索性的甚至不确定性的工作。

汤道生：

我从产品侧来看，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。我也听到很多客户，甚至用户身边的同事们也在紧盯着Token的消耗。怎么可以让我们的模型在解决某个问题或完成某一个任务时Token效率最高？

姚顺雨：

我之前做过一些任务，可能它是不同的方向，其实有些方向你也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。里面有什么可以去Optimize的地方，让Token整体使用效率更高？

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。很多人其实跟我说他们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。Performance是最重要的事情，因为如果你的Performance不好，其实性价比就无所谓。

第二点就是成本，成本的话我觉得中国其实是领先于世界的，我们做大量的工作去优化我们的产品。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。在这个基础上，架构的创新、长文本的管理、上下文有很多需要做的事情。但我个人看法是，如果我们能做一个相对较小的模型，但它又能够比肩大模型的Performance，而且它能够在大部分任务上做到很强的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，在今天的中国更有价值。

对，其实我也挺好奇。顺宇你觉得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？

汤道雨：

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，创造更多的Skills来让模型能够更高效地完成任务，给模型提供更多的我们叫记忆吧，对吧？用户过去使用的一些习惯，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。所以在我们在不同的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。

姚顺雨：

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？我观察到就是很多小团队在快速地迭代产品，我挺好奇，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，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，同时也要像我刚才说的，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。

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？

姚顺雨：

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，就是哎呀两年后所有人都要失业了，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。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。

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。