中国股票配资网 姚顺雨汤道生对谈实录：加入腾讯是因为“坦诚文化”，刷榜是“不好的倾向”
出品｜《态度》栏目
作者｜汉雨棣
编辑｜丁广胜
6月5日，AI产业应用大会在北京举办。腾讯首席AI科学家姚顺雨与腾讯集团高级执行副总裁、CSIG CEO汤道生围绕“AI下半场”展开了一场对谈。
姚顺雨指出，随着预训练等方法论日趋成熟，行业真正的瓶颈已从“寻找方法”转向“寻找好问题”。他指出，腾讯丰富的产品场景与真实的业务上下文正是破解这一难题的核心壁垒，并主张构建预训练、产品落地、前沿探索三者均衡的“三角形组织”，坚持长期主义与坦诚文化。这也是他选择加入腾讯的原因。
针对模型与产品的协同，双方一致认为，互信与换位思考比技术本身更难但也更重要，模型应基于真实产品反馈而非刷榜来迭代，以发现底线问题并适应模糊、多轮的真实用户交互。
汤道生从产品视角指出，AI时代的产品设计已从“预制菜式”的功能菜单转向开放式、自然语言驱动的服务形态，研发流程需全面重构，工程师的角色正从编码者变为架构设计师与多智能体的“领导者”。
谈及智能体，姚顺雨回顾其七年前博士论文中关于“语言智能体”的预见，坦言ReAct架构的初衷如今已演化为千亿级市场，而腾讯将重点提升Token效率与模型性能，强调“性能是性价比的前提”。
面对外界“腾讯AI慢了”的质疑，两人回应称，AI是一场马拉松，腾讯凭借微信、企业微信、元宝等高频触点及多年积累的多场景数据，已在长跑中蓄力，并正通过发布商用智能体工具集、启动AI共创云二期，携手伙伴推动大模型在真实业务流中创造价值。
以下为对谈实录，为方便阅读进行了不改变原意的编辑：
汤道生：你加入腾讯之前，我记得当时我还问过你一些问题：为什么会选择来到腾讯，而且你认为 AI 的下半场最重要的是什么？
姚顺雨：我觉得我想先解释一下什么叫做下半场，因为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里面提出来的。什么意思呢？在去年之前，AI 已经发展了几十年，但更加重要的是怎么去解决问题，去寻找好的方法。但是最近很明显，方法论变得非常成熟，寻找问题变得非常困难。
举个例子，过去我们做下围棋，会发明像 AlphaGo 这样的方法，这个方法可能只适合下围棋或者棋类，你会为了翻译做一个特别的模型，但它不能做翻译，不能做其他事情。但是有了预训练和后续工作之后，我们发现现在有一个万能的锤子，它可以去砸任何东西。
它是一个通用的方法论，去解决各种各样的问题。反而更困难的是怎么去寻找好的问题去解决。所以我觉得加入腾讯很重要的一点是，这里有很多好问题，有很多很多产品，这一点会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：我们做了预训练和后训练之后，到底要把它应用在什么样的地方产生价值？
第二个，环境是非常重要的。如果没有好的环境，Agent 就没有办法去做各种各样的事情。比如如果你没有一个点外卖的店铺，那你就没有办法去点外卖，很多事情你做不到。但我觉得最重要的是 Context。无论是企业还是个人，就像我上一次在 HMS 的时候一样，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一个输出。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，你知不知道这个人到底在干什么，你知不知道这个企业的各种各样的信息。这一点，腾讯有非常强的优势。但其实这只是第二大的原因，我觉得最重要的原因是什么？
我还记得我第一次跟你聊天的时候，包括和很多其他同伴的老板们聊天的时候，我的印象就是大家都非常诚实。哪里做得好，哪里做得不好，都非常直白，不会去掩盖。他们会说，我知道我这里不好，我知道这里应该怎么做，但不知道具体要怎么做。我觉得这种坦诚是第一条。第二，我觉得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。包括我们的文化有很多非常消解自我（Ego）的一面。这些文化可能是长期做一个 AI 的组织非常重要的，包括我们对长期主义的坚持。所以今天聊最重要的是什么？我个人的目标就是，我觉得我们应该在中国建立一个长期的基于 AGI 的机制。今天的 AI 主要有三个部分：首先是预训练的部分，我们怎么样把预训练和后训练这种基础的东西做得非常 Solid；第二部分是产品，我们怎么把这样的基础真正融合社会产生价值；第三是 Frontier，我们怎么去探索新的研究范式，探索新的机会。
最重要的就是我们要构建一个非常均衡的三角形组织。对于做 Foundation 来说，最重要的第一是需要充足的资源，第二是需要正确的做事方式，这跟我刚刚说的文化也是吻合的。对于产品来说，有好的产品 Sense，有做产品的经历是至关重要的。第三，在中国我们今天可能做的探索还不够多，所以我也希望能把 Frontier Exploration 的精神更多地注入到我们组织中。
汤道生：你提到的真诚、务实，其实也是经常我跟客户交流得到的反馈。我觉得我们的做事方式、做产品的理念也是实事求是的。毕竟 AI 赛道还是长跑，有时候认知也很重要。做得好的、做得不好的，都得认。
但关键这是一个多维度的竞赛。我们看到现在模型有很多的进步，产品也有越来越多的形态，不同场景的不同需求，未来还是非常可期的。您刚提到模型跟产品，产品可以说提供环境，里面要给模型提供 Context 上下文。
我想问你一个问题，尤其我们平时开会提得比较多的一个词是“透明化”，怎么把产品跟模型能够比较紧密地结合起来？尤其今天有这么多优秀的产品，从我们合作非常紧密的像元宝这样的聊天机器人，包括 AI 搜索，企业里面也有部署一些智能客服、智能营销，另外最近非常火的内容像 Hubble、Buddy 这样的产品，其实对模型的能力依赖很深。你怎么去思考 Co-design 的方式？
姚顺雨：我觉得有三点。首先，Co-design 的前提是模型本身要做得很 Solid，有很多 Foundation Work 要做好。预训练是一个相对 Product-aware 的事情，它做得非常 Solid 可以提供非常强的 Foundation，而且预训练最大的特点是它是一个可泛化的学习过程，它的进步可以带给各种各样下游任务持续的价值提升。
后训练的话，最重要的一点是要设计好正确的 Eval。在中国可能大家有一个不好的倾向，就是比较喜欢刷榜。但是如何实事求是的基于产品、基于真正的应用去构造更加真实的 Eval，首先你要有好的产品出口，第二要意识到实用性价值是大于刷榜的价值的。
这一点我们做了大量的工作，跟各种各样的产品进行了深入的 Co-design。Co-design 很关键的一点是要产生相互的信任，我们做了大量的工作去取得互信。怎么把产品的数据用好，怎么把回流做好，怎么把 Eval 做好，这有很多细节。
第三点我想说的是，LLM 时代和过去的 AI 最本质的区别就是泛化性。在 LLM 之前，比如你做一个翻译的产品，只要把翻译的数据准备得特别好；做一个围棋的产品，只要把围棋的数据准备得特别好。但是今天，即使你想只做一个 Coding Agent，你发现需要的也不仅仅是 Coding Agent。
你需要非常好的聊天能力、搜索能力、非常强的指令听从能力、非常强的推理能力，它其实是一个非常复杂的对话问答问题。这需要有一个基础。有很多产品体系化的地方会有比较大的优势。
比如我们特别好的科技产品，可以使用模型产生很强的聊天和搜索能力，这样的能力可能就可以被迁移到海马或者 Buddy 这样的其他产品。这些产品能够提供不同的数据，这些数据之间又可以相互算法，形成一个像网络一样的体系，这一点的价值会更加重要。
汤道生：外部的刷榜其实也是属于 Eval 的一种，那我们内部做 Eval 跟外部的榜有什么区别？
姚顺雨：我觉得这些 Benchmark 还是有它的价值的，不是说完全没有价值。只是现在这些榜非常容易被刷。基于真实世界的数据有几个帮助：首先，你能发现模型很多底线问题，我们想要做一个垂类模型，最重要的目的之一就是希望能够获得这个区的反馈，来修复榜单中无法发现的底线问题，这一点和正式版上面有非常大的提升。
第二点，你对真实的 Prompt Distribution 有一个更深的了解。举个例子，Wikipedia 上面的题目可能都是非常精确的，有非常长的具体描述，一般来说是单轮的问题。但我们知道在现实场景中，大家问的问题可能比较模糊，就一两句话，而且会不停的追问。这些分布上的差异就可以启发我们怎么去做更好的训练。
第三，我觉得我们甚至可以在这些产品上面获得一些灵感，去推进现在可能还没有的榜单。比如我们最近做 Carbon 这个工作，也是跟友商给我们的启发挺有帮助的。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：我记得我们在早期做元宝的时候，还碰到不能遵循指令的问题。在使用产品时，大家这种迭代 Prompt 的方式跟 Benchmark 好像也有些差异。真正在产品里面，大家使用所需要的能力，确实跟榜还蛮搭的，是吧？
姚顺雨：你问我这么多问题，我也问你一个。
汤道生：好啊，欢迎。
姚顺雨：其实我记得我第一次跟你聊的时候，你给我讲了很多过去的经历，从 QQ 空间、QQ 秀的时代，到我小学时候最喜欢的，到 QQ 音乐，到语音，到你现在的号，到海马。你做过各种各样的产品，腾讯也有远古时代的东西。那我比较好奇，你觉得你做产品的第一驱动力是什么？你觉得哪些经验或者价值是不变的，哪些东西变了？
汤道生：我觉得最终做产品还是看用户有什么需求，我怎么去解决他的痛点，怎么给用户或者客户创造价值。在不同的时代，甚至不同的行业，做一个产品还是需要能给用户带来价值，他才会使用。从 PC 互联网时代做空间，移动时代做各种各样的产品，内容的产品，到产业互联网做云，我们都要花好多时间和精力去听客户的声音，尝试去帮助他们解决问题，底层的逻辑没有这么大的变化。
但我觉得在 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。首先从办事的角度来看，在非 AI 时代以前，我们做产品想的是通过功能来满足用户的需要，你作为产品提供方，想清楚提供怎样的能力让用户能通过界面、通过某些菜单去选，好像是一些预制菜，只能在里面点。但在 AI 时代做产品，这种开放式的服务形态就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，可能是语音。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，然后通过大模型的逻辑推理、调用工具的能力，产品给模型提供各种各样它可以用的工具，来应对开放式的需求。这是我觉得跟我们过去做产品很不一样的地方。
甚至到 Eval，以前做产品我们有很清晰的 Specification，很清晰的产品细节功能描述，怎么做设计，基于研发，怎么测试，那个瀑布式的流程也比较清晰。但在做 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，大部分代码都由 AI 生成，我们的工程师可能会花更多时间去做设计、架构设计，把写代码的工作交给 AI，然后定期去指导、修正。测试也要从更前置去想清楚，针对我们的各种案例、环境、开放式答案的要求，甚至 Alignment 怎么对齐用户所需要的风格。我感觉今天 AI 时代做产品要求的能力更全面，更难。
我要问一下你，大家都在说混元3.0是你在腾讯的首秀，具体做了什么改变，你能给大家介绍一下吗？
姚顺雨：其实没有什么秘密。今天做大模型从某种程度来说是比较吹牛的事情。我们应该把基础设施做好，把数据做好，算法的部分反而是比较简单的。主要几个点：第一，我们把基础设施进行了重建，因为这个领域还没有前人学习。第二，我们把数据和 Eval 做了很多大的改变，如何去定义更真实的问题，如何去丰富 Data Exploration，如何去提高数据的质量，这是一个永无止境的追求。
第三，很重要的很多决策，包括怎么去招人，怎么设立模型的节奏，每天有很多 Decision 要考虑。可能没有一个清晰的公式，就是一个很 Case by case 的事情。我其实挺好奇想问你一个问题，你刚刚跟我讨论 Co-design 这个概念，你是怎么想的？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 Co-design 在不同阶段，过去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的升级发生变化。当然整个行业市场、用户的需求在变化的过程中，也会带来我们两边模型跟产品需要更好去满足。给我一个比较新的感受是怎么去对齐。
在我们一起去做产品、做 Alignment 齐会的时候，有很多不同的角色。产品可能针对某个方向去解决一些问题，模型到底怎么去做满足这个需求，但回到模型需要数据，数据应该怎么标注、到什么颗粒度，什么是好的标注，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 Eval，如果产品认为好的产品体验，评测不认同的话，大家做出来的产品就会不一致。所以 Co-design 给我的感觉更多的是在项目组里面不同的角色参与到产品的设计，订立了产品的目标方向，让多个角色能够对于一些开放式问题有比较好的对齐。如果没有做到这样的对齐，你会发现产品的行为会不可预测，甚至有时候会有随机性，因为模型在训练的过程可能也被混淆了。这是我这两年跟做产品、跟模型团队做 Design 的一个比较深的感觉。你觉得呢？
姚顺雨：对，我觉得首先难点就是要建立同理心。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。模型的人会希望模型能力越强越好，但产品的人可能希望用户的需求满足得越好越好。所以天然有很多不 Align 的部分。很重要的一点是要有换位思考的能力。
你刚问我元宝是怎么一步步控制的，一个很重要的细节是，我们当时派了后训练最强的骨干力量去帮助元宝把 DeepSeek 的后训练先做好，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 DIU，会对于我们接下来做模型变得非常重要，而且会对产品合作非常重要。所以当时很多做法需要去理解，需要努力地解释。现在看起来这些努力都是有用的。这样的动作让产品和模型团队的同学真的在为产品着想，这对于我们之后的合作，只有在这样的环境下才能体现，我们要谢谢。
汤道生：当然有什么技术的部分可以看，但我觉得最难的部分反而是怎么样去建立信任，怎么样换位思考。
姚顺雨：非常认同。
汤道生：那我换一个话题。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：那天我还挺感慨的，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。我的博士论文的 Title 叫做 \"Language Agent: from Next Token Prediction to Digital Automation\"，是19年的。
汤道生：19年，七年前。
姚顺雨：那个时候 GPT-2只能做 Text Prediction，而且它产生的一段话可能不太连续，还有很多毛刺。当时人们很难想象它会成为一个改变世界的力量。当时大家做的研究稍微有想象力一些，比如“中国的首都是”，然后如果做 Next Token Prediction，它会回答北京，大家就觉得这个技术很有意思。我当时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 是一个极简且通用的目标。我当时想的可能还不够大，我想的是 First Floor 的事情，但现在看起来也有可能 First Floor 是最重要的事情。
我主要做两部分：第一是如何建立一个 Agent 的模型，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。最重要的一个工作可能是，我还记得22年7月份某一天晚上，我第一次把 GPT 跟 API 和自己手写的一个 Browser 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。我当时感觉就像微弱的电灯丝突然亮了一样，我觉得这可能第一次把 LLM 和真正的互联网连在一起去做多轮交互。我当时感觉这个改变可能在五年或十年会改变这个世界，但可能比我想象的还要快。
包括我们第一次提出 ReAct 在 ICML 的时候，我觉得如果这个事情能做到，那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。那一部分我做的工作是怎么去定义 Digital Automation 任务，比如 WebShop 是第一个互联网 Web Application，包括 Intercode 是最早的 Coding Agent 任务。现在看起来 Agent 技术最重要的两个部分确实是 WEB Agent 和 CODING Agent。
那天我还在群里面跟大家聊天，我看我博士论文的结尾，在24年我写 Future Work，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，我现在很幸运，我确实在做我当时列的 Future Action。
汤道生：Prediction 太厉害了，高瞻远瞩看到整个行业针对这些方向在推进。
姚顺雨：想的还是不够大，当时我已经觉得自己想得够大了，但可能还是不够大。
汤道生：技术的发展往往超乎我们的预期。我想问一下，智能体今天大家都说需要消耗很多的 Token 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？有哪些地方比较重要？
姚顺雨：毫无疑问，今天 Agent 或者说 Coding Agent，就像 DevOps 一样，是一个不得不做的事情，是最基础的能力。我个人觉得 Token 非常本质，有很多原因，但还有一个很重要的原因是，它有点像从兵玩队的这样的事情，当你有能力去控制自己的 Health System，当你有一个 Container 的时候，你其实是一个 Complete 的 System。
今天毫无疑问是每一家模型厂商发力的重点。我们做的方法可能会有几个区别：第一，即使今天 Coding 是最重要的事情，我们还是会强调体系的全面化。我始终认为，真的要把 Coding 做好，需要的永远不只是 Coding 的数据，你也需要像我刚刚说的聊天、搜索、推理各种各样不同的东西，因为大模型最重要的点是泛化。
第二，产品的作用越来越重要了。如何利用好线上的回流，是每一个模型厂商都在应对和思考的问题。我们刚刚提到很多 Co-design 的经验会变得非常重要。
第三，我觉得还需要更多想象力。无论是技术的演进，还是产品的演进，还是跟下一个范式的演进，我们还是需要做一些探索性的、甚至不确定性的工作。
汤道生：产品侧，大家越来越多有不可焦虑的声音，不可的成本持续爆发式增长。我也听到很多客户、身边的同事在盯着积分的消耗或者 Token 的消耗。怎么可以让我们的模型在解决某个问题或者完成某一个任务时，Token 的效率最高？因为我之前做过一些任务，它可能会试不同的方向，有些方向你都知道肯定走不下去，但模型可能还会试试，知道走不下去再试下一个。里面有什么可以 Optimize 的地方，让 Token 使用效率更高？
姚顺雨：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事情。我觉得最重要的是 Performance。很多人跟我说，他最后发现用性能差的模型，最后发现其实更省钱，因为你更快地把事情做对了。性价比最关键的事情是 Performance，如果 Performance 不好，性价比就很难起来。
尤其今年，很多简单任务的 Batching 会变得更加重要。如何一次把很多相对简单的任务做对了，这可能是性价比更关键的部分，而不仅仅是模型架构。第二部分就是成本，成本本身就是性价比的一部分。中国其实是领先世界的，我们做大量的工作去优化成本。但成本不变，可能最重要的事情是：用一个更小的模型，把更高的价值任务给做好。在这个基础上，架构的创新，包括常用的 Sparse 架构，有很多需要做的事情。我个人看法是，如果我们能做一个相对较小的模型，它又能够比肩大模型的性能，而且在大部分任务上做到很强的 Robustness，这可能会比在很多非常长程的 Fancy 任务上实现一两个点的提升，在今天的中国更有价值。
我也挺好奇，高总，你觉得 Agent 你是什么时候意识到它是一个新的产品机会，以及你现在认识是什么？你觉得我们离一个好用的 Notification Framework 会远吗？
汤道生：我们做的 Agent 针对不同场景有不同的产品形态。在 Agent 的设计上面，很大程度是在发挥模型的能力。模型在迭代，能力越强，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，随着模型能力加强，我们可以把产品内部的逻辑做得更简化，更多的是给模型提供更多不同的工具，创造更多的 Skills，让模型能够更高效地去完成任务，给模型提供更多的记忆，比如用户过去使用的一些习惯，我们提取出来的用户偏好信息作为上下文递过去。在 Coding 的环境，用相关的 Context 给到模型；在 Web 里面办公协作，PPT 大家关注的内容给到模型 Context。不一样，所以在我们做不同的 Agent，更重要还是了解那个场景下什么内容、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，同时发挥它的能力。
姚顺雨：但我们最近确实推出了一些像孟加拉这样特别不错的产品，背后我观察到很多小团队在快速迭代产品。我挺好奇，相对于传统的产品研发，在这种新的 Agent 时代的研发和组织管理上，产品团队发生了什么变化？你的思考是什么？
汤道生：前一阵子在八方官官里做一个主持，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。更多的小团队，三个人、五个人，围绕着某一个领域去攻坚，而且有很多实验在里面。所以要支持好 AI 孵化去做实验，让不同的小团队可以去探索，然后再验证。因为实验大部分可能拿不到正向的反馈，我们也要包容团队去试错。通过大量实验去提炼出对用户留存、对我们想要的结果有正向帮助的东西。这是今天做 Agent、做 AI 产品，这个组织形态要能够比较好去支撑的。
另外原来有很多工程师花很多时间写代码，但今天这些工作可以交给 AI 了，所以我们会看到很多角色的融合。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们想要的产品形态。每一个工程师可能就更像一个有想法的 Leader，驱动着多个 Coding Agent 来针对我们想要的产品需求做研发、开发，同时也要把测试、质量保证、Alignment 对齐的工作做到前面。
我也想再问一个大家比较多讨论的问题。很多自媒体都会提到，腾讯慢了，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？你能再多说一些吗？
姚顺雨：感觉这应该是我问你的问题。我觉得首先有两个重要的判断：第一，我们认为 AI 是一个短期的游戏还是长期的游戏。在硅谷蔓延着很多情绪，说两年后就遇到失业了，AI 就要取代工作，我们应该赶快赚两年钱然后退休。那这是一个判断。很显然我们的判断是长期的。AI 才刚刚开始，从某种角度下半场才刚刚开始。我不认为 ChatGPT 和 Claude 会是唯一的阻碍，那会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出现。可能今天就像是七十年代 PC 刚刚产生的时候，还有很多很多事情需要做。
第二个判断：它会是一个更线性还是更多元的游戏。过去几年大家能看到的是预训练、后训练、RL、Agent，似乎有一个非常清晰的主线，所有人都在做一样的事情，这也是一个非常灰暗的事情。未来会变得更单一还是更多元？我个人看法是，会变得更多元。做 DNA、做能力会变得更加重要，它是一个刚刚开始的事情，这个世界还有 Trillions of dollars market 没有被填满。但是多模态、确定智能，很多很多新的事情都在发生或者刚刚发生。从这个角度来说，如果认为上半场人工智能开始，那可能确实不够。我觉得过去模型、产品做了很多探索，做了很多管理，这是正常的。你没有做过这个事情，第一次做肯定会有曲折。但可能更重要的事情是能不能诚实地面对自己，能不能 Be Real，能不能看到 Feedback 要去改变，能不能保持耐心，这些事情可能是在下半场比较重要的事情。
汤道生：我觉得腾讯大家对腾讯经常喜欢挑某一个点来批评，当然我们也欢迎大家给我们提更高的要求。但我们还是一个非常多业态、很多产品的公司，在很多赛道，同时也有很多团队在推进不同的项目事情。所以毫无疑问，在这样的复杂组织里面，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。所以这些提醒都非常好。我觉得确实有些地方可能是可以做得更好，但就像说的，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，就像一开始提到选择腾讯，因为 AI 需要 Context，模型需要很多的上下文。腾讯在过去很多年的不同产品、不同赛道的积累，其实都可以针对每一个场景为模型提供有用的信息，提供这些 Context 来发挥价值。在这样一个长跑中，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。
比如今年年初对 DeepSeek 这一波热潮，我们反应也比较快，同时也有相关管理的智能体产品，其实也是几年前已经开始做的产品。沿着原来做 Coding，帮慢慢看到非常强的需求，我们也能比较快地去应对。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。所以我们在长跑中，也请各位多给我们提醒，多给我们建议，也多用的我们的产品来给我们正向的、Constructive 的反馈。
我看时间已经超时了，我们来首先感谢翠雨今天的分享。我们刚才围绕了做模型、做产品，谈到了 Co-design，谈到了 Agent 的演进，也提到了组织变革、行业机会。在过去一年，我们看到非常多企业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，我们今天也会发布一套商用智能体的工具集，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能力：第一是场景连接的能力，通过腾讯的微信、企业微信、元宝等高频的场景触点，把大模型迁到真实的业务流，跟用户、跟数据、跟生态能够深入连接。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、可持续地运行，具备强大的 AI Infra，包括高速网络、高分组存储，还有高性能的 Agent 和 API 来保证 GPU 的高利用率。第三是模型的驱动力…跟模型产品的比赛，兼顾实用性、性价比还有 ROI。同时，我们也将启动腾讯 AI 共创云的第二期，携手我们的 ISV、MSP 的伙伴，一起来共创行业解决方案，打造更多的标杆案例。
瑞和网配资提示：文章来自网络，不代表本站观点。
