姚顺雨解读 AI 下半场：核心在于耐心与寻找真问题

商业风向

笔记君引言：

腾讯在人工智能领域是否动作迟缓？

当“下半场”这一概念被过度消费时，其提出者姚顺雨却选择此时加盟腾讯。在与腾讯高级执行副总裁汤道生的深度对话中，他首次系统阐述了 AI 下半场的真谛：方法论已趋成熟，真正的竞争焦点已转向“发掘优质问题”。

姚顺雨指出，AI 是一场持久战，下半场实则刚刚拉开序幕。

两位关键人物的坦诚交流，不仅揭示了这场长跑的底层逻辑，更让我们意识到，真正的角逐才刚刚开始。

汤道生：顺雨，在你加入腾讯之前，我曾问过你，为何在下半场选择腾讯？此外，你认为 AI 下半场最关键的是什么？

姚顺雨：首先需厘清何为“下半场”，近期我感觉该词略显泛滥，这一概念源于我去年的一篇博客。

此前 AI 已演进数十年，但核心在于如何解决问题及寻找良方。近来显而易见，方法论已高度成熟，反倒是寻找恰当问题变得愈发艰难。

试举一例，往昔我们研发 AlphaGo（阿尔法围棋，曾击败人类顶尖棋手的 AI）用以对弈，但该方法仅适用于棋类博弈。

你若专为翻译构建模型，它便只能翻译，无法他顾。然而，随着预训练与后训练（预训练：利用海量通用数据让模型掌握语言统计规律；后训练：在预训练基础上，借助精细数据与反馈使模型更好遵循指令、契合人类偏好）的出现。

我们发觉，仿佛拥有了一把万能锤，可敲击任何钉子，这是一种通用方法论，能解决各类问题，反之，如何寻得优质问题去解决却更为棘手。

我认为加入腾讯的关键在于，此处蕴藏众多优质问题与产品，这点在未来将愈发重要。

一方面，优秀产品能解决首要难题：完成预训练和后训练后，究竟将其应用于何处以创造价值；

另一方面，环境至关重要，若缺乏良好环境，Agent（智能体，指能感知环境、自主决策并执行任务以达成目标的 AI 系统）便无法执行各类操作，例如若无点外卖的 tool（工具），则无法完成点餐，诸多事务将无法实现。

我认为最核心的是 context（上下文，此处指用户所处的具体场景、背景信息及使用环境），无论对企业还是个人，正如我此前在 AGI-Next（聚焦 AGI 前沿的分享活动）所言，context 正变得日益重要。

因模型愈发擅长将复杂输入转化为输出，很多时候你的竞争壁垒在于是否掌握最原始的输入，是否知晓此人究竟在做什么，是否了解该企业的各类信息，这点上腾讯具备显著优势。

但这实则仅是第二大原因，最关键的因素在于文化，忆及初次与你交谈，以及与其他总办老板（腾讯最高管理层团队）沟通时。

我的第一印象是众人极为诚实，优劣之处直言不讳，毫不掩饰，这种坦诚是我最初的感受。

其二，腾讯总体是一家基于 trust（信任）而非 metric（指标、数据考核）运转的企业，我认为这对从事 AI 工作至关重要。

此外，我觉得我们的文化拥有极低的 ego（低自我，意指不自我中心、谦虚务实），以及非常 solid（扎实、稳固）的一面。

我认为这些文化特质对于长期运营 AI 组织至关重要，包括我们对长期主义的坚守。那么 AI 下半场最重要的是什么？

我个人认为，我们应在中国构建一个基于 AGI（通用人工智能，指在多数具经济价值任务上超越人类的 AI）的长期组织。

当下的 AI 主要涵盖三部分：首先是 foundation（基础模型层），我们如何将预训练和后训练这些基石做得极为 solid。

第二部分是产品，我们如何令此类技术真正为人类与社会创造价值。

第三部分是 frontier（前沿探索），我们如何探索全新研究范式与新机遇。我认为最关键的是构建一个如三角形般均衡的组织。

对于 foundation 而言：首要的是拥有充足资源。其次需具备正确的行事方式，这与我前述的文化理念相契合。

针对产品，拥有良好的 product sense（产品感觉，指对用户需求与产品方向的直觉及判断力），拥有此类人才至关重要。

第三，在中国我们今日所做的前沿探索尚显不足，故我期望能将 frontier exploration（前沿探索）的精神更多地注入组织之中。

汤道生：你刚才提及模型与产品，产品可谓提供环境，内需为模型供给 context 上下文。

我想请教一个问题，我们日常会议中频繁提及 Co-Design，如何将产品与模型紧密耦合。

尤其当下拥有如此丰富的产品矩阵，从合作紧密的元宝（腾讯推出的 AI 助手应用）这类聊天机器人，到 AI 搜索，企业内部部署的智能客服、智能营销。

还有近期大热的 CodeBuddy（腾讯的 AI 编程助手）、WorkBuddy（腾讯的 AI 办公协作助手）等产品，实则对模型依赖极深，你如何看待 Co-Design 这一模式？

姚顺雨：主要有三点：首先 CoDesign 的前提是模型本身必须做得非常 solid，需完成诸多 foundational（基础性的）工作。

首要我认为预训练是相对 product agnostic（无关的、不受产品具体形态影响）的事务，将其做得极为 solid 可提供强大的 foundation（基础、基座），且预训练最大特点在于其是可泛化的学习过程，其进步能为各类下游任务带来持续价值提升。

后训练我认为最关键一点是设立正确的 Eval（评测，指用于衡量模型能力优劣的测试集与方法），国内存在一种不良倾向，即众人热衷刷榜（指过度追求在公开评测榜单获高分，而非解决实际难题）。

但我认为更重要的是如何实事求是地基于产品、基于真实应用，构建更为真实的 Eval。

其次要意识到“实用性”价值或许高于刷榜价值，对此我们投入大量精力，与各类产品进行了深度 Co-Design，Co-Design 的关键在于建立互信。

为此我们做了大量工作以达成互信，如何善用产品数据，如何做好回流（指将产品端用户反馈数据返回模型训练以迭代优化），如何做好 Eval，细节繁多，不再赘述。

第三点我想强调，LLM（大语言模型，Large Language Model）时代与过往 AI 最本质区别在于泛化性，在 LLM 之前例如打造翻译产品，只需将翻译数据做得极致即可。

你若开发围棋程序，仅需备好围棋数据便足矣。但今日即便你只想做一个 Coding Agent（编程智能体），会发现所需不仅是编码数据，还需卓越的聊天能力、极强的搜索能力、强大的指令遵循能力及推理能力。

这实则是非常复合的 data taxonomy（数据分类体系），我认为对此事需具备一种 taste（品味、判断力）。

由此推论，诸多产品的体系化布局将具备较大优势，例如我们与元宝的 Co-Design 使模型孕育出强大的聊天与搜索能力，此类能力又可迁移至 ima（腾讯的 AI 智能工作台）及 Workbuddy 等其他产品。

因此这些产品能提供各异数据，而数据间又可相互泛化，形成网状体系，我认为这点价值日益凸显。

汤道生：没错，外部榜单亦属 Eval 一种，那么我们内部 Eval 与外部榜单有何差异？

姚顺雨：首先 benchmark（评测基准、基准测试）确有其价值，并非毫无用处，只是这些榜单极易 overfitting（过拟合，指模型在特定测试集表现优异但泛化至真实场景时性能下滑）。

基于真实世界数据将对模型研发有所助益：

首先你能洞察模型诸多底线问题，实际上我们发布 Preview（预览版）模型的主要目的之一，便是期望获取真实世界反馈，修复各类榜单中未察觉的问题，这在正式版上将获巨大改进。

其次，你对真实的 Prompt distribution（提示词的分布，指用户实际输入的提问方式、类型及频率的统计特征）会有更深认知。

试举一例，benchmark 上的题目或许极为精确，拥有 lengthy concrete description（具体描述），通常仅为单一问题。

但我们知晓在现实场景中，用户提问往往较为模糊，可能仅一两句话，且会不断追问，此类场景可启发我们如何更优地进行训练。

第三点，我认为甚至可借由这些产品获取灵感，推动当前尚未存在的榜单或领域的进展。

例如我们近期开展了大量 Context learning（上下文学习，指模型利用提示中给出的示例或信息完成特定任务，无需参数更新）工作，包括元宝的反馈也给予我们极大启发与帮助。

故而我认为产品与模型的相互成就正成为 AI 领域日益重要的话题。

汤道生：我记得早期研发元宝时曾遭遇多轮遵循难题，似乎在使用产品时，众人迭代 Prompt（提示词，指用户给模型的输入指令）的方式与 benchmark 存在差异，真正在产品中大家所需能力确实与 benchmark 有较大出入。

姚顺雨：你问了我诸多问题，我也反问你一个。我颇感好奇，你认为做产品的第一性原理是什么？哪些经验与价值是恒久不变的？哪些又是变化的？

汤道生：我认为归根结底，做产品仍须秉持用户究竟有何需求，我该如何解决其痛点，如何为用户或客户创造价值。

在不同时代，乃至不同行业，打造产品仍需能为用户带来价值，对方才会买单，才会使用。

因此我倒觉得，从 PC 互联网时代构建空间，到移动时代打造各类产品、内容产品，再到产业互联网涉足云服务，我们均需耗费大量时间精力去倾听客户声音，尝试助其解决问题。底层逻辑其实并无巨变。

但确实，我认为在 PC 互联网、移动互联网时代做产品，与今日在 AI 时代做产品，仍有诸多不同之处。

首先从范式视角审视，在 AI 时代之前，我们做产品多思考如何通过功能满足用户需求，作为产品或服务提供方，需厘清提供何种能力，让用户通过某些菜单选择，好似一些“预制菜”，你仅能在其中点选。

但在 AI 时代做产品，其开放式服务形态将带来截然不同的要求与挑战，交互方式或许简化为自然语言或语音，实则作为产品方，你亦不知用户会问些什么。

故需充分利用模型能力以理解用户需求，继而借助如今大模型的逻辑推理，调用工具能力，产品需为模型提供各类可用工具，以应对此类开放式需求，此乃我觉得与过往做产品极大不同之处。

甚至包括你刚才提到的 Eval，往昔我们做产品拥有清晰具体的产品细节功能描述，如何进行设计、研发、测试，我觉得那瀑布式流程（一种传统软件开发模式，按需求分析、设计、编码、测试等阶段严格顺序推进）也较为明晰。

然而做 AI 产品，我发现最大变革在于整个流程或许都需重构，尤其今年大部分代码由 AI 生成，我们的工程师或将花费更多时间于设计、架构设计，将编写代码工作交予 AI，随后定期指导、修正。

此外测试也需左移（指将测试工作提前至研发流程更早阶段），更前置地厘清针对各类案例 Eval、环境，我们对于开放式答案的要求。

甚至 alignment（对齐，指让模型行为与输出符合人类意图及价值观）如何对齐，用户所需的那种风格，我感觉今日时代做产品实则要求能力更为全面。

汤道生：众人皆言 Hy3 preview（混元 3 预览版）是你腾讯的首秀，具体混元 3 做了哪些变革，能否为大家介绍一下？

姚顺雨：其实我觉得并无秘密，今日做大模型从某种程度而言是比较 Trivial（平常、常规的，此处指工程上需扎实完成之事）的事情。

我们应将 Infrastructure（基础设施，涵盖算力集群、网络、存储、训练框架等）做好，应将数据做好，算法部分反而较为简单。其实我觉得主要几点。

第一，我们重建了 Infrastructure，无论是预训练还是强化学习（一种让模型通过试错与环境反馈学习最优策略的训练方法）。

第二是我们对数据和 EVA（评测，同前文 Eval）做了重大调整，如何定义更真实的问题，如何丰富数据的 taxonomy（分类体系），如何提升数据质量，这是永无止境的追求。

第三，我认为许多重要决策实则包括如何招聘，如何设定模型节奏，如何每日面对众多 Decision（决策）并考量诸多 Trade off（权衡取舍）。

我觉得或许没有清晰公式，这实乃很 Taste driven（品味驱动的，指依赖判断力与直觉而非固定规则决策）之事。

所以我其实挺好奇想问你一个问题，因你刚才与我探讨 Co-Design 概念，我很好奇你对 Co-Design 此事作何感想，你认为哪些事应由模型完成，哪些应由产品负责？

汤道生：我觉得 Co-Design 在不同阶段，过去两年其实一直在演变，我认为这种变化某种程度上是随模型能力升级而变化的。

当然整个行业、市场、用户需求在变化过程中，也会促使我们双方模型与产品需更好地予以满足。

给我一个较深感触的是如何对齐，因在我们共同做产品、开对齐会时，我们有许多不同决策，产品或需针对某方向解决某些问题，模型究竟如何做以满足此需求。

但你需回归模型需要数据，数据该如何标注，至何颗粒度，何为优质标注，何为劣质标注。

因有些地方需奖励，有些地方需惩罚。此外还有 Eval，还有评测，若产品认为的良好体验，评测却不认同，大家做出的产品便会不一致。

故 Co-Design 予我之感更多是项目组内不同角色参与产品设计，定下某些产品目标方向。

如何让多角色针对某些开放式问题达成较好对齐，若未实现此对齐，你会发现产品行为不可预测。甚至有时会有随机性，因模型训练过程或许也被混淆。

此乃我这两年与产品及模型团队进行 Co-Design 的较深感触。您以为如何？

姚顺雨：其实我认为，正如我刚才所言，首要最难之处在于建立 Trust（信任），毕竟我觉得同理心至关重要，因说到底做模型的目标与做产品的目标有许多 align（一致）之处，亦有许多不 align 之处。

即模型人希望能力越强越好，但产品人觉得用户需求满足度越高越好。故天然存在诸多不 align 之处，我觉得关键一点是要具备换位思考能力。

其实就是你刚才问我元宝我们如何一步步 Co-Design 的，其实一个关键细节是，当时我们派遣了后训练最强的骨干力量，去协助元宝做好后训练。

当时我们自身的预训练尚未就绪，但我们知晓维护元宝此类产品及其 DAU（日活跃用户数量，Daily Active Users）对我们后续做模型亦非常关键，且对创新合作至关重要。

故当时其实许多算法同学不解，我需努力解释，但如今看来这些努力皆是 Trade off（权衡、取舍），我觉得此举让产品方意识到模型同学确实在为产品考量。

我认为这实则对我们后续合作，包括 Hy3 preview 在元宝上成功上线起到了极重要作用。当然有许多技术部分可探讨，但最难部分反而是如何建立信任，如何换位思考。

汤道生：我换个话题，你是 ReAct（一种将推理与行动交替进行的智能体架构，Reason+Act）架构的提出者，博士研究也围绕语言智能体展开，你几年前的观点至今兑现了吗？比如有哪些？

姚顺雨：那日我颇为感慨，重读了自己的博士论文，感觉仿佛回到远古时代，我的博士论文 title 叫做《language Agent from next token prediction to digital automation》（《语言智能体：从下一个词预测到数字自动化》）。

那是 2019 年，彼时 Literally（字面意义上、真的就是）我们的 GPT-2（OpenAI 发布的第二代生成式预训练变换模型）。

那时它仅能进行 Next token prediction（逐个预测下一个词），且生成段落不太连贯，或有许多毛刺，故当时人们难想象其终有一日会成为改变世界的力量，当时我觉得或许大家做的研究，稍具想象力做些研究。

例如中国首都是，若做 Next token prediction 它会回答北京，somehow（以某种方式）这是一件有 Knowledge（知识）的事，能做到这点大家当时非常欣喜，觉得此技术颇有意思。

当时我的想象力较为狂野，我觉得 GPT 是极优美之物，吐出下一个 Token（词元，语言模型处理文本的最小语义单元）是极极简且极通用之事。

我觉得它终有一日潜力不仅在于吐出下一个 Token，而在于将世间万物全部 automate（自动化），我当时想得还不够宏大，我想的是 digital automation（数字世界的自动化），但如今看来也可能是 digital and physical automation（数字与物理世界的自动化）。

我觉得其实我博士期间主要做两部分，第一部分是如何建立 Agent 方法论，如何将一台 Next Token prediction 机器变为 Agent，变为自动化机器，最重要工作或许是你所说的 ReAct。

我记得 2022 年 7 月某晚，当我首次将 PaLM（谷歌研发的大语言模型，Pathways Language Model）的 API（应用程序接口，Application Programming Interface）与当时手写的 Wikipedia API（维基百科的程序接口）相连。

它首次可基于该网页回答问题，且在多轮交互时，我当时感觉宛如微弱电灯骤然亮起，据我所知，人类首次将 LLM 与互联网连接并进行多轮交互。

我当时的感觉是，这种感觉或许在 5 年或 10 年后会改变此事，但可能比我想象中更快。

我记得当时我们首次提出 SWE-bench（一个用于评测 AI 解决真实软件工程问题的基准测试集，Software Engineering Benchmark）时，我觉得 OK。

若此事能成，那显然它将带来巨大价值，当时或许是几百亿、上千亿，但如今可能是数万亿，可能我想得还是太小了。

另一部分我做的工作是如何定义 Digital automation 的任务，例如 WebShop（一个模拟在线购物环境的网页智能体测试任务）是首个基于互联网的 Web Agent task（网页智能体任务），包括 InterCode（一个交互式编程评测框架）和 SWE-bench 是最早的 Coding Agent 此类任务。

如今看来 Agent 技术最重要两部分确是外部 Agent 与 Coding Agent。

那日我在群中与众人聊天，我看我博士论文结尾，即我在 2024 年写的 future work（未来工作展望）。

第一个是 train models for Agent（为智能体训练模型），第二个是 shift and robust deployment（安全稳健的部署），第三个是 scientific discovery（科学发现），第四个是如何去 help human（帮助人类），我很感慨，我说我如今很幸运确实在做当时列出的 future direction（未来方向）。

汤道生：技术发展往往超乎我们预期。智能体今日众人皆言需消耗大量 Token，Token 调用，这对于混元做下一代模型研发，你认为什么是你的侧重，有哪些地方较为重要？

姚顺雨：毫无疑问今日 Agent 或 Coding Agent 犹如预训练一般，是必行之事，是最基础能力。我个人认为 Coding Agent 极本质有许多原因。

还有一重要原因即是它有点像图灵完备（指一系统在计算能力上等价于通用图灵机，理论上可计算任何可计算问题）之事，当你有能力控制自己的 file system（文件系统）。

当你拥有一个 container（容器，此处指一隔离的、拥有完整操作系统环境的执行空间）时，其实你就是一个 complete（完备的）系统，今日我觉得 Agent 毫无疑问是每家模型厂商发力重点，我觉得我们做法或有几点区别：

第一，即便今日编码已是最重要之事，但我们仍强调体系全面化，我始终认为要做好编码，实则需远超编码数据，还需聊天、推理等各类不同事物，因大模型最关键点是泛化性。

第二，显而易见产品作用日益重要，如何善用线上回流，我觉得是每家模型厂商都在应对思考的问题。此处刚刚积累的诸多 CoDesign 经验变得极为重要。

第三，我觉得还需更多想象力，无论是技术演进，还是产品演进，甚至下一范式演进，我们需做探索性甚至不确定性工作。

汤道生：从产品侧，因众人越来越多有 Token 焦虑之声，Token 成本爆发式增长，如何让我们的模型在解决某问题，或完成某任务时，Token 效率更高？

姚顺雨：我觉得在中国讨论性价比更多探讨模型架构，但其实它是很复杂体系，我觉得最重要的是首先是你的 performance（性能、表现）。

许多人跟我说，他最终发现用 Opus（指 Claude 的旗舰版模型系列）这类模型比用更差模型更省钱，因更快将此事情做对，也省去人力精力，最关键之事是 performance，若你 performance 好，性价比是最关键之事。

尤其我觉得今年可能许多简单任务的 robustness（鲁棒性、稳健性，指模型在面对各种非理想输入时依然保持稳定表现的能力）会变得更加重要，一次将相对简单任务做对，这可能是性价比更关键部分，不仅是模型架构。

第二部分即是成本本身，性价比第一是性能，若性能不佳性价比无从谈起。

第二是成本，中国是领先于世界的，即我们做了大量工作优化成本，成本可能最重要之事是如何用更小模型将更高价值任务做好，在此基础上架构创新，包括长文管理，脚手架有许多需做之事。

若我们做一个相对较小模型，但它比肩大模型性能，且在大部分任务上做很强 robustness，这可能在许多长程上提升一两个点，可能在今日中国更有价值。

我很好奇，您觉得 Agent，你是何时意识到它是一个什么新产品机会，以及你现今认知是什么，你觉得现在我们离一个好用的 Agent bottleneck（瓶颈、卡点）在哪里呢？

汤道生：我们做的 Agent，针对不同场景有不同产品形态，在 Agent 设计上，很大程度是发挥好模型能力，当然模型在迭代其能力越强 Agent 需做工作越少。

我看我们好几个产品在过去这段时间是随模型能力加强，我们可以将产品，将 Agent 做得更简化，更多给模型提供不同工具，创造更多 skills（技能），来让模型能更高效完成任务。

给模型提供更多我们叫记忆，用户过去使用一些习惯，我们能提取出来的一些用户 preference（偏好）信息作为上下文。

在 Coding 环境有相关 context 给到模型，在 Workbuddy 里边办公协作，做个 PPT，可能大家关注内容或该给到模型的 context 也会不一样。

故在我们做不同 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（相关的），能与模型配合好，让模型有它所需信息，同时也发挥其能力。

姚顺雨：近期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，相对于传统产品研发，你觉得在新的 Agent 时代研发和组织管理上，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（基础设施，此处指支持实验的工程平台和工具）做实验，让不同小分队可以去探索然后再验证，因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，这个是我觉得今日做 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，但今日毫无疑问他们这些工作可交给 AI 了，所以我们会看到更多角色融合，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。

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？

姚顺雨：我觉得首先 AI 其实今日有两个重要判断，第一个即是我们认为 AI 是一个短期游戏还是长期游戏？在硅谷大家蔓延很多情绪，哎呀，2 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 Claude Code（Anthropic 推出的 AI 编程工具）会是唯一的 super APP（超级应用），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（个人电脑，Personal Computer）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？因确实过去几年大家能看到的是 Pre-training（预训练）、post training（后训练），然后 Agent，Coding 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（复制），这也是非常灰暗的事情。

但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。

但是多模态（指模型能够处理和生成文本、图像、音频、视频等多种数据类型的能力）、具身智能（指将 AI 融入机器人等物理实体中，使其能在真实世界中感知和行动），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说能不能诚实面对自己，能不能 Be Real（保持真实），能不能够去看到 feedback（反馈）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。

分享、点赞、在看，3 连 3 连！