当下AI正褪去概想热度，大步迈向实打实的产业落地，一多从业者也借着这场盛会，萦绕行业落地、技术改革发展深度互换探求。
腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤路生和腾讯首席AI科学家姚顺雨：关于腾讯AI下半场的深度对谈，已经助各人梳理结束：
腾讯慢了吗？为什么会来腾讯？此刻做大模型没有什么奥秘，我们做混元3，对Infra做了好多沉建，对数据和Eval也做了很大扭转。做大模型没有清澈的公式，是taste-driven的事件。做模型和做产品，指标天然不一样，跨团队合作最大的阻碍在于能不能成立信赖、有没有换位思虑的能力。我们派后训练最强的骨干力量，优先把元宝的后训练做扎实。守护好元宝的DAU，看上去是产品指标，但对做好模型自身同样沉要关于下一代混元的研发沉点，会以coding agent为基础能力底座，但有三点差距：1、强调系统的全面化，而非只堆coding数据 ；2、产品是关键，要把数据回流用好 ；3、要保留设想力，敢做不确定的索求。性价比拆开是两件事——先看机能，再当作本，而真正的杠杆在于“用幼模型把高价值工作做好”。若是一个幼模型能比肩大模型的机能，那它带来的价值，在今天的中国，可能弘远于大模型在长程工作上的边际改进。AI上半场——比谁能训模型、刷榜单，已经闭幕 ；下半场才刚起头，coding agent、多模态、具身智能都才刚产生。而下半场最沉要的，不是跑得多快，而是能不能恳切地面对自己
姚顺雨：我想先诠释一下什么接妆下半场”，由于最近我感触这个词有点被滥用了。这个概想其实是我去年一篇博客里提出来的。意思是：在去年之前，AI已经发展了几十年，更沉要的事件是怎么去解决问题、寻找好的步骤 ；但最近很显著的一点是，步骤论已经变得极度成熟，反而是“寻找问题”变得更难题了。
举个例子。从前我们做下围棋，会发现像AlphaGo这样的步骤，但它可能只适合下围棋、下棋类 ；你为翻译做一个专门的模型，它可能也只能用来翻译，干不了此外。但有了预训练和后训练之后，我们如同有了一把”全能的锤子”，能够去砸任何钉子——它是一个通用的步骤论，能解决各类各样的问题。反而更难题的，是怎么去寻找好的问题来解决。
第二，环境极度沉要。没有好的环境，agent就没法子做各类事件。好比你没有一个点表卖的工具，就没法子点表卖，好多事件都做不到。
但我感触最沉要的可能是context。无论是企业还是幼我——就像我上次在活动上说的——context会越来越沉要。由于模型越来越善于把一个极度复杂的输入造成一个输出，好多时辰你的竞争壁垒，刚好来自你有没有那个最原始的输入：你知不知路这幼我到底在干什么，知不知路这家企业的各类信息。在这一点上，腾讯有极度强的优势。
我还记得第一次跟你、以及好多总办老板谈天时，第一印象就是各人都极度恳切——哪里做得好、哪里做得不好，都讲得极度直白，不会覆盖：我知路哪里做得好，也知路哪里不知路 ；知路这里该怎么做，也认可那里不知路该怎么做。这种坦诚是我的第一印象。
第二，腾讯总体是一家基于 trust（信赖）、而不是基于 metrics（指标）去运行的公司，我感触这一点对做 AI 极度沉要。蕴含CA88文化里也有极度 low ego、极度”骚气”的一面。
我感触今天的 AI 重要有三个部门。第一是foundation——怎么把预训练、后训练这种最基础的器材做得十吩殳亮。第二是产品——怎么让这样的技术真正为人和社会产生价值。第三是frontier——怎么去索求新的钻研范式、新的机遇。最沉要的，是构建一个极度平衡的、像三角形一样的组织。
对foundation来说，最沉要的，第一是必要充足的资源，第二是必要正确的做事方式——这跟我刚说的文化那一点是吻合的。对产品来说，有好的产品 sense、有做产品的经验至关沉要。第三是frontier，我感触我们今天在中国做的索求可能还不够多，所以我也但愿能把这种 frontier exploration（前沿索求）的心灵更多地注入到组织里。
汤路生：你提到跟总办聊的过程中感触到的真诚、求实，这其实也是我常从客户互换中得到的反馈。我感触我们做事的方式、做产品的理想，的确是比力疑神疑鬼的。终于 AI 这个赛路是一场长跑，有时辰”认知”也很沉要——哪些做得好、哪些做得不好，也得认。但关键是，这是一场多维度的较量：我们看到模型有好多进取，做产品也有越来越多的状态，分歧场景有分歧需要。我感触未来还长短�？善诘�。
汤路生：我想问一个各人会商比力多的问题：好多自媒体城市提到，腾讯在 AI 上没有实时抓住一些机遇。你感触我们真的慢了吗？下半场到底是什么？能多说一下吗？
第一个判断：AI 是一个短期游戏，还是持久游戏？在硅谷舒展着好多感情——所有人都要失业了、AI 要取代所有人的工作，所以从速赚两年钱而后退休。这是一种判断。
但CA88判断很显然是：这会是一个持久游戏，并且其实才刚刚起头，下半场才刚起头。我不以为 GPT 和 Claude 会是唯一的 super app，那会是一个非� ；野档氖澜�。我感触肯定会有源源不休的新机遇诞生，今天可能就像 70 年代 PC 刚出现的时辰，还有好多功德情要做。
第二个判断：它会是一个更单一、还是更多元的游戏？从前几年各人能看到的是 pre-training、post-training、RL、agent、coding agent，如同有一条极度清澈的主线，率直说所有人都在做一样的事，这也是件很灰暗的事。未来到底会更单一还是更多元？
我幼我感触会更多元。coding agent 的出产力毫无疑难会越来越沉要，并且它才刚刚起头，这个世界还有 trillions of dollars 的市场没被填满 ；但多模态、具身智能，还有好多好多新事件在或刚刚产生。所以从这个角度看，若是我们以为下半场才刚起头，那可能的确不算晚。
当然，从前模型、产品做了好多索求，走了好多弯路，我感触这很正常——没做过一件事，第一次做注定会有崎岖。但可能更沉要的是：能不能恳切地面对自己，能不能 be real，能不能看到 feedback 而后去扭转，能不能维持耐心。我感触这些事件，鄙人半场会越发沉要。
汤路生：各人对腾讯时时喜欢挑某一个点来品评，我们也欢迎各人提更高的要求。腾讯有极度多的业态、好多产品在好多赛路，同时好多团队在推动分歧项目。在这样一个复杂的组织里，有些处所可能做得快了，有些处所做得慢了，有些处所可能在索求中失败。
腾讯有极度丰硕的场景。就像你一路头提到的，选择腾讯是由于 AI 必要 context，模型必要好多高低文，而腾讯多年来在分歧赛路、分歧产品上的堆集，都能够针对每一个场景为模型提供有效的信息、提供 context、阐扬价值。
在这场长跑里，我相信模型会不休迭代，用户需要也在不休变动，还会有新的产品状态出现。好比今岁首那一波（视频天生？）热潮我们反映也比力快 ；同时也有 Workbody 这样的智能体产品——其实是几年前就起头做的产品，沿着原来 coding 的堆集慢慢看到很强的需要，我们也能比力快地去应对。
今天也听到好多客户对我们分歧产品怎么组合起来有很高的等待。所以我们在长跑中，也请各位多给我们提醒和建议，多用CA88产品，给我们正向的、constructive 的反馈。
姚顺雨：在一个多产品的系统化的处所，其实会有一个比力大的优势。好比我们用混元 3 能够让模型在元宝里产生很强的谈天和搜索能力，但这种能力又能够被迁徙到 IM 或者 Workbody 这样的其他产品上。
这些产品可能提供分歧的数据，而这些数据之间又能够相互泛化，形成一个像网络一样的系统。我感触这一点的价值会越来越沉要。
姚顺雨：首先这些 benchmark 还是有它的价值的，不是说齐全没价值，只是此刻这些榜极度容易 saturate（鼓和）。而基于真实世界的数据有几个援手：
第一，你能发现模型的好多底线问题。我们想发一个 pre-preview 模型，最沉要的主张之一就是但愿获得真实世界的反馈，去建复各类榜单里没法发现的底线问题——这一点会在正式版上有极度大的改进。
第二，你对真实的 prompt distribution（提醒词散布）会有更深的相识。举个例子，benchmark 上的标题往往极度精确，有很长的 concrete description，并且通常是单轮问题 ；但现事凤公共问的问题通常比力吞吐，可能就一两句话，而后一向追问。这些 setup 上的差距，就能启发我们怎么去更好地做训练。
第三，我们甚至能够从这些产品上获得灵感，去推动此刻还没有的榜单、没有的领域。好比我们最近做了好多 coding 能力的工作，元宝给CA88启发就很有援手。所以我感触产品和模型的相互成就，是越来越沉要的一个 AI 话题。
汤路生：对，我记得早期做元宝的时辰还际遇过多轮遵循的问题。在产品里用户迭代 prompt 的方式，跟 benchmark 如同有蛮大的差距，真在产品里所必要的能力，的确跟 benchmark 不太一样。你问了我这么多问题，我也问你一点。
姚顺雨：再到 QQ、到音乐、到语音，再到此刻的元宝、IMA。跟你谈天很有意思，由于你做过各类各样的产品，To C 的也佑注To B 的也有，远古时期的也佑注AI 时期的也有。
汤路生：我感触做产品最终还是奔着”用户到底有什么需要、我怎么去解决他的痛点、怎么给用户或客户创造价值”。这一点在分歧的时期、分歧的行业都成立——产品能给用户带来价值，他才会买单、才会使用。
所以从 PC 互联网时期做空间，到移动时期做各类内容产品，再到云互联网做云，我们都要花好多功夫去听客户的声音、助他们解决问题，底层逻辑其实没有那么大的变动。
首先从范式上看，在 AI 之前，我们做产品好多时辰是通过”职能”来满足需要：作为服务提供方，你想明显要提供什么能力，让用户通过界面、菜单去选，能力是预置好的，用户只能在里面点。
但 AI 时期那种盛开式的服务状态就带来很不一样的要求——交互方式可能是天然说话、是语音，作为产品方你也不知路用户会问什么，所以要充分利用模型能力去理解用户需要，再通过大模型的逻辑推理、挪用工具的能力，由产品给模型提供各类可用的工具，去应对这种盛开式需要。这跟我们从前做产品很不一样。
还蕴含你刚提到的 specification（规格）。从前对产品细节职能有很清澈的描述，怎么设计、研发、测试，那套瀑布式流程也比力清澈。但做 AI 产品，我发现最大的变动是整个流程可能都要沉新设计。
测试也要”左移”、更前置地去想明显针对各类 case 的 eval（评估）——要有环境，要对盛开式答案有要求，甚至蕴含 alignment（对齐），怎么对齐到用户所必要的那种风格。我感触今天 AI 时期做产品，要求的能力其实更全面了。
姚顺雨：其实没什么奥秘。今天做大模型是一件比力”苦”的事件——我们应该把 infrastructure 做好、把数据做好，算法的部门反而是比力单一的。重要有几个点：
第二，我们在数据和评估上做了好多大的扭转：若何界说更真实的问题，若何丰硕数据的 taxonomy（分类法），若何提高数据质量——这是一个永无终点的钻营。
第三，我感触很沉要的是，好多决策其实没有清澈的公式。蕴含怎么招人、怎么设立模型的节拍，每天都有好多 decision 要思考好多 tradeoff，可能更是一件由 taste（审美品尝）驱动的事件。
姚顺雨：我挺好奇想问你一个问题。你刚刚跟我会商 codesign 这个概想，我也很好奇你是怎么想的——你感触哪些事件应该是模型做的，哪些应该是产品做的？
汤路生：我感触 codesign 在分歧阶段一向在变动，这种变动某种水平上是随着模型能力的升级而变动的，当然行业、市场、用户需要的变动也会带来模型和产品双方都必要更好去满足。给我比力深的一个感触是”怎么去对齐”。
我们一路做产品、做 alignment 的时辰，有好多分歧的角色：产品要针对某个方向解决问题，模型到底怎么满足这个需要？同时模型必要数据，数据应该怎么标注、标到什么颗粒度，什么是好的标注、什么是不好的标注（有些处所要嘉奖，有些处所要惩治），还有评测——若是产品以为好的履历，评测并不认同，那各人做出来的器材就会不一致。
所以 codesign 给我的感触更多是：项目组里分歧角色一路参加产品设计、界说产品的指标方向，让多个角色对一些盛开式问题有比力好的对齐。若是没做到这种对齐，你会发现产品的行为不成预测、甚至有随机性，由于训练过程可能也被混合了。这是我这两年跟模型团队做 codesign 一个比力深的感触。
姚顺雨：对。我感触最难的一点就是要成立 trust（信赖），并且同理心很沉要。由于说到底，做模型的指标和做产品的指标，有好多 align 的部门，也有好多不 align 的部门——做模型的人但愿能力越强越好，做产品的人但愿用户需要满足得越好，天然有好多矛盾。所以很沉要的一点，是要有换位思虑的能力。
其实你刚问我们是怎么一步步做到混元 3 的，有一个很沉要的细节：我们其时派了后训练最强的骨干力量去助元宝，先把基于 DeepSeek 的那一版后训练做好。
由于那时辰我们自己的预训练还没 ready，但我们知路，守护好这样的产品和它的 DAU，对我们接下来做模型会变得极度沉要，对持久合作也极度沉要。其时好多算法同学不理解，我必要很致力地去诠释。
但此刻看，这些致力都 payoff（有回报）了——这个作为让产品方意识到，做模型的同学是真的在为产品着想。这对我们之后的合作、包费解元 3 在元宝上成功上线，都起了极度沉要的作用。当然有好多技术部门能够探求，但我感触最难的部门反而是怎么成立信赖、怎么换位思虑。
姚顺雨：那天我还挺感叹的，由于我沉新读了自己的博士论文，感触回到了一个很”远古”的时期。我博士论文的标题接锥Language Agent: from next token prediction to digital automation》（说话智能体：从下一词预测到数字自动化）。
姚顺雨：那时辰 literally 就是 GPT-2 的时期，它其时只能做 next token prediction，产生的一段话还不太陆续、有好多毛刺，所以人们很难设想它有一天会成为扭转世界的力量。
其时各人做的钻研稍微有点设想力的，好比输入”中国的首都”，做 next token prediction 它会回覆”北京”——能做到这点各人就已经很开心了，感触这是个很有意思的基础。
我博士期间重要做两部门。第一部门是成立一套 agent 的步骤论：若何把一个 next token prediction 的机械造成一个 agent、造成一台自动化的机械。最沉要的一篇工作就是 ReAct。
我还记得 2022 年 7 月某天晚上，我第一次把其时的说话模型 API 和我自己手写的一个 Wikipedia API 接在一路，它第一次能基于网页回覆问题、并且做多轮交互。那一刻就像幽微的灯丝忽然亮起来一样。
据我所知，这可能是人类第一次把 LLM 和真正的互联网连在一路、并做多轮交互。我其时的感触是：OK，这件事可能在五年或十年内会扭转世界——但后来产生得比我想的还要快。
我记切其时就感触，若是这件事能做成，那它显然会带来巨大的价值。其时想的可能是几百亿、上千亿，此刻看可能是数万亿、数十万亿，我想的还是太幼了。
另一部门工作是怎么去界说 digital automation 的工作。好比 WebShop 是第一个互联网 web agent 的 task，InterCode 是最早的 coding agent 工作。此刻看，agent 技术最沉要的两个部门，可能的确就是 web agent 和 coding agent。
那天我还在群里跟各人聊，我看我博士论文结尾在 2024 年写的 future work：第一是 train models for agent（为智能体训练模型），第二是 safe and robust deployment（安全且稳重的部署），第三是 scientific discovery（科学发现），第四是怎么去 help human（援手人类）。
汤路生：我再转一点。今天各人都说智能体必要亏损好多 token，那对混元做下一代模型的研发，你感触侧沉点是什么？哪些处所比力沉要？
我幼我感触 coding 极度性质，原因好多，但还有一个很沉要的原因：它有点像图灵完整——当你能节造自己的 file system、有一个 container 的时辰，你其实就是一个 complete 的 system。
第一，即便今天 coding 是最沉要的事，我们还是会强调”系统的全面化”。我始终以为，真正要把 coding 做好，必要的远不止 coding 的数据，你还必要谈天、instruction following（指令遵循）、推理等各类各样的能力——由于大模型最沉要的一点是泛化性。
第二，产品的作用越来越沉要。若何利用好线上的数据回流，是每一个模型厂商都在思虑和应对的问题，这里我们前面说的好多 codesign 经验会变得极度沉要。
第三，还是必要更多设想力。无论是技术的演进、产品的演进，还是下一个范式的演进，我们都还必要做一些索求性的、甚至带不确定性的工作。
汤路生：对，从产品侧看，各人越来越多佑妆token 焦虑”的声音，token 成本在持续增长。我也听到好多客户、甚至身边的同事，都在紧盯积分或 token 的亏损。
那怎么能让模型在解决某个问题、实现某个工作时 token 效能最高？我之前做过一些工作，模型可能会尝试分歧方向，有些方向其实明知路走不下去，但它还是会试，试完才知路走不通再换下一个。这里面有什么能够 optimize 的处所，让 token 使用效能更高？
姚顺雨：今天在中国各人会商性价比，可能更多在会商模型架构，但它其实是个很复杂的系统。我感触最沉要的首先是 performance（机能）。好多人跟我说，他们最后发现用 Opus 这样的模型，反而迸酌更差的模型更省钱——由于更快就把事件做对了，也省了人的精力。所以机能其实才是性价比最关键的事件。
尤其是今年，好多单一工作的 robustness（不变性）会变得更沉要：若何一次就把相对单一的工作做对，这可能是性价比更关键的部门，而不仅仅是模型架构。
第二部门是成本，成本自身就是性价比的一部门。我感触第一是”性”——机能不好，性价比就无从谈起 ；第二才是成本。在成本上，中国其实是当吓宗世界的，我们做了大量工作去优化成本。
但我感触成本这件事最沉要的，可能是”怎么用一个更幼的模型，把更高价值的工作做好”。这里有好多事要做，蕴含架构创新、长文本治理、压缩等等。
但我幼我的见解是：若是我们能做一个相对较幼的模型，它的机能却能比肩甚至超过大模型，并且能在大部门工作上做到很强的 robustness——这可能比在好多极度长程、很 fancy 的工作上实现一两个点的提升，在今天的中国更有价值。
姚顺雨：我也挺好奇，Dowson（汤路生），你是什么时辰意识到 agent 是一个新的产品机遇的？你此刻的认知是什么？你感触我们此刻离一个好用的 agent，瓶颈在哪里？
汤路生：我们针对分歧场景做的 agent，其实有分歧的产品状态。在 agent 的设计上，很大水平是尽量去阐扬好模型的能力。模型能力越强，利用必要做的工作可能越少。
从前这段功夫我看到我们好几个产品，随着模型能力加强，反而把 agent 做得更简化了——更多是给模型提供更多分歧的工具、创造更多 skills，让模型更高效地实现工作 ；同时提供更多”影象”，把用户从前的使用习惯、能提取出的 preference 信息，作为高低文 feed 给模型。
在 coding 环境里给模型有关的 context，在 Workbody 这种办公合作、PPT 场景里，必要关注和给到模型的 context 又不一样。所以做分歧的 agent，更沉要的还是相识那个场景下什么内容、什么信息是沉要且 relevant 的，能跟模型共同好，让模型寂仔它必要的信息，又能阐扬它的能力。
姚顺雨：最近我们的确推出了像 Workbody 这样口碑很不错的产品，背后是好多幼团队在急剧迭代。我挺好奇，相对于传统的产品研发，你感触在 agent 时期，产品团队的研发和组织治理产生了什么变动？
汤路生：前一阵子我去 Workbody 团队做了一次组织走访，看到他们极度扁平化的组织，跟我们从前其他产品的组织架构有很大差距——更多是三五幼我的幼团队，萦绕某一个领域去做攻关，并且有好多尝试。所以要支持好底层的 AI Infra 去做尝试，让这些幼分队能去索求、再验证。
由于大部门尝试可能拿不到正向反馈，我们也要包涵团队去试错，通过大量尝试提炼出对用户流程、对我们想要的了局有正向援手的器材。这是今天做 agent、做原生 AI 产品，组织状态要能比力好支持的处所。
另表，原来好多工程师花大量功夫在写代码上，今天这些工作毫无疑难能够交给 AI 了，所以我们会看到更多角色的融合：各人可能都是产品经理，都要透辟相识用户需要、设计出想要的产品状态 ；
每个工程师更像一个有设法的 leader，驱动多个 coding agent 去针对产品需要做研发。同时也要像我说的把评测前置，用好 AI 的能力，把质量保障、alignment 的工作做到前面来。
麦子交换2国语正版一百度除了波兰，北约东翼的国家对部署核武器的意愿也在增强。3月5日，芬兰政府宣布，将推动修改现行法律，解除对核爆炸装置进口及在芬兰境内运输、交付和持有的全面禁令，使芬兰在核威慑与安全政策层面与北约对接。西方媒体将此举普遍解读为放宽核武限制。2024年德佩出人意料加盟巴西豪门科林蒂安，79场各项赛事交出20球15助，表现好坏参半。这名曾效力巴萨、马竞、里昂、曼联、埃因霍温的前锋，在美职联更适合出任二前锋。麦子交换2国语正版一百度《汉子与女人高清免费版电视剧》1、户型周正，格局分布合理，空间感好，通透性好，适宜居住； 2、楼层好，朝向南北，视野开阔，采光透亮； 3、小区环境优美，绿化覆盖率高，干净整洁，内有健身器材和娱乐广场，物业服务态度好； 4、小区地理位置优越，交通便捷，四通发达，设施丰富多样，生活便利。这种“看完就走不动”的实景杀伤力，直接反映在数据上：全盘网签已超500套。换句话说，大部分看得见的好楼层，已经有主了。接下来的加推，基本是最后的集中供应。
20260605 ? 麦子交换2国语正版一百度很多AI产品不会认真区分这两件事。它们都能被记成会话延长、调用增加、用户更活跃。对外汇报时，增长曲线不错；对用户来说，他只是多花了一轮耐心。《罪过之渊动漫全集》“每一个生态系统都代表着一代人的产业机遇。”陈立武表示，未来英特尔将针对不同工作负载和应用场景，提供专用CPU、GPU以及ASIC解决方案。
20260605 ? 麦子交换2国语正版一百度而如果AI带来的产出先于统计确认出现，投资者和政策制定者可能在一段时间内只看到两类数据：一边是数据中心、GPU、电力、水和token支出的上升；另一边是就业变化、工资结构变化和服务业收入变化。糖心破解版这样的帮助柯杨遇到过太多。隔壁作坊的小伙子路过，帮他修了一整打坯，还讲了一个小时的工作要领。柯杨问多少钱，对方摆摆手，“下次你帮我画个青花就行”。一位做了40年青花分水的老师傅，每天直播演示技法。柯杨问他怕不怕被学走，老人笑着说：“学走了也是景德镇的本事，会的人越多，这门手艺就越能传承下去。”一次在夜市摆摊，旁边卖瓷器的本地大姐主动帮他招揽客人：“老外的作品，有想法嘞。”那一刻，柯杨觉得自己“不是外人”。
京公网安备11010202000001号
