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。
暴躁姐姐bgm国语版下载百度云资源陈医生回忆道：“我在值班室坐着，患者直接递给我一个信封。我说不要，也劝他别给。他（科主任）知道后，晾了我8个月，然后把我调岗，让我在医院巡查，他就是想让我走，我不走。他们看弄不走我，就说我旷工。”我外交部发言人毛宁2日主持例行记者会时表示，此次日菲拟探讨划界的海域位于中国台湾岛以东，根据中国国内法和包括《联合国海洋法公约》在内的国际法，中方在上述海域拥有专属经济区和大陆架。根据公约，海岸相向或相邻国家间的专属经济区和大陆架界限，应由有关国家本着公平原则以协议划定，涉及台湾以东海域划界谈判必须有中方参与。暴躁姐姐bgm国语版下载百度云资源《孤男寡女免费旁观高清电视剧狂飙女》此外，腾讯还对MetaInsight多模态数据管理引擎做了升级，它能自动进行特征提取、目标检测、OCR识别和多模态对齐，支持Agent进行复杂推理和检索。《图片报》指出，卡尔离场时还能自己行走，他的伤病应该是肌肉问题。很快，噩耗传来。天空体育证实，卡尔被确认遭遇肌肉纤维撕裂，将无法参加世界杯！
20260606 ? 暴躁姐姐bgm国语版下载百度云资源导读：“基于公司当前经营战略调整以及资本市场环境变化”，这是在决定叫停IPO之后，长城搅拌向外界披露的公开原因。显然，这几句语焉不详的解释，并不能打消业界对其上市告败真实原因的窥探。2026年6月5日，深交所以一系列监管函终于揭开了浙长城搅拌IPO铩羽之谜。《《部长出差的日子》在哪里看》报道还指出，韩国网友创建了一个名为“黄仁勋的足迹”的网站，汇总黄仁勋的行程，将其行踪标注在地图上。网站上还实时显示所谓“黄仁勋概念股”的股价变动率。
20260606 ? 暴躁姐姐bgm国语版下载百度云资源“这将是一个漫长的夏天，更糟糕的还在后面。我们要以文明、坚定和热情的方式，不给他们任何喘息空间。我们要求所有球迷做好准备，因为当抗议时刻到来时，社媒已经不够了，我们必须准备一次前所未有的集会。”《娇妻终将沦为他人千面神像幼说最新》那天我还在群里跟大家聊，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（安全且稳健的部署），第三是 scientific discovery（科学发现），第四是怎么去 help human（帮助人类）。
京公网安备11010202000001号
