從WAIC數據爆發看騰訊ima：AI原生應用如何重構知識生產力

上線半年多

環比增長208%

2000萬+

這是7月27日世界人工智能大會（WAIC）上，騰訊信息服務線負責人何毅進發布的ima的成績單。

這份成績單，不僅印證了“活知識庫+大模型”融合路線的爆發力，更揭示了騰訊在AI原生應用戰場的布局。從微信搜一搜的"AI搜索"到混元大模型的開源，從四大產品線整合到知識號生態的搭建，騰訊正通過ima這個抓手，試圖重新定義信息獲取、知識管理與內容創作的底層邏輯。

從工具到生態：ima的進化論

何毅進在演講中提到ima“三層鏈路”：底層知識庫支持文檔、圖片、公眾號等多元內容形態，用戶可自主構建個人知識體系；中間RAG層確保知識被精準檢索調用，解決傳統大模型“幻覺”痛點頂層應用層則通過多模態創作、腦圖編輯等工作臺能力，將靜態知識轉化為生產力。

不難發現，ima并非孤立的工具，而是騰訊“AI全景戰略”的關鍵一環。在超級應用（微信、QQ）與底層大模型（混元）之間，ima承擔了垂直場景的智能中樞角色：向上連接用戶個性化需求，向下整合多模態技術能力。其“三層鏈路”實質是騰訊對AI時代信息價值鏈的重新定義。

ima的爆發離不開騰訊生態的"加持"。在內容端，它可以獨家索引5000萬篇公眾號文章，將微信生態的優質內容轉化為知識庫素材；在工具端，與騰訊文檔、騰訊會議聯動，會議紀要可自動解析為知識單元，文檔創作時能實時調用知識庫內容；在算力端，騰訊云智算平臺提供從訓練到推理的全流程支持，保障千萬級知識庫的高效運轉。這種"產品-內容-算力"的協同，根植于騰訊獨有的生態優勢，也是ima爆發的深層原因。

ima的迭代密碼

ima的爆發式增長絕非簡單的功能疊加，而是完成了一場對“知識生產力”的底層重構。它的迭代路徑圍繞“讓知識從靜態存儲轉化為動態生產力”這一命題，實現了知識活化—智能協同—生態共振的三階質變。這三個階段層層遞進，既破解了AI時代知識管理的核心矛盾，也構建了其難以復制的競爭壁壘。

1.知識活化：破解“收藏即遺忘”的困境

互聯網時代的知識管理，往往困在“存儲≠使用”的魔咒中：我們收藏了無數公眾號文章、PDF報告、會議筆記，卻在需要時如同大海撈針——不是“知識不夠”，而是“知識無法被激活”。ima的第一階段革命，正是通過知識的“可計算化改造”，讓沉睡的信息變成能被AI理解、調用的“活知識”。

其底層邏輯是“非結構化內容→結構化知識單元”的轉化。傳統筆記工具雖能存儲文檔，卻無法讓機器真正“讀懂”內容；而ima通過三層架構中的底層知識庫，將用戶上傳的文檔、圖片、公眾號文章甚至截圖，經過OCR解析、語義切片后，轉化為可被理解和調用的知識單元。例如，上傳一份“2025年AI趨勢報告”，ima不僅能提取關鍵數據，還能識別“大模型”“RAG技術”等核心概念的關聯，生成可視化知識圖譜——這相當于給知識裝上了“GPS定位”，讓AI能隨時精準調用。這種“知識活化”能力，大幅提升效率的同時，也保證了回答準確性。

這一階段的本質，是將知識從“被動存儲介質”轉化為“主動響應的智能單元”，為后續的生產力釋放打下基礎。

2.智能協同：雙引擎驅動的知識提效

當知識完成“可計算化改造”，如何讓其在不同場景下高效協同？ima的第二階段突破，在于構建了“雙引擎+全鏈路”的智能協同網絡：通過模型策略創新和場景滲透，讓知識從“單點調用”升級為“全鏈路賦能”。

在模型層面，ima采取“自研+開源”的雙引擎戰略：同時接入騰訊混元大模型和DeepSeek-R1模型，用戶可以自行選擇，根據場景靈活切換。

更關鍵的是“全鏈路提效”，知識不再局限于單一工具，而是滲透到信息處理的每個環節。在“讀”的場景，ima能解析PDF文檔生成思維導圖，自動標注重點段落；在“問”的場景，用戶@知識庫即可調用特定領域知識；在“寫”的場景，AI創作功能能基于知識庫內容生成報告，并自動引用來源。

這一階段的突破，在于將“知識工具”升級為“知識協同網絡”——模型、內容、場景不再孤立，而是形成“調用-反饋-優化”的閉環，讓知識生產力實現從“點效率”到“鏈效率”的躍升。

3.生態共振：從個人工作臺到集體智慧共創

單一用戶的知識畢竟有限，如何讓千萬用戶的知識形成合力？ima的第三階段，通過“私域+公域”的知識網絡構建，讓個體知識匯入集體智慧，形成“生態共振效應”——這不是簡單的“平臺化”，而是知識生產力從“個人所有”到“集體共創”的質變。

知識號體系，是生態共振的核心引擎。它允許用戶將私域知識庫發布至“知識庫廣場”，單個知識庫最高可支持100萬人共享，且不占用個人云存儲空間。公域知識貢獻者能獲得認證、流量扶持，甚至通過數據看板查看訪問量、問答趨勢，優化內容精準度。這種機制不僅激活了多元主體參與，更重要的的是“知識復用機制”的創新：歸檔內容中的通用模塊會被AI提取為“可復用片段”，在新項目創建時自動推薦。這相當于千萬用戶的“隱性經驗”被轉化為“顯性知識組件”，形成“一人貢獻、萬人復用”的網絡效應。截至2025年7月，ima公域知識庫內容超2000萬條，私域可分享內容環比增長208%，印證了生態共振的爆發力。

這一階段的本質，是讓知識突破個體邊界，通過生態協同產生“1+1>100”的共振效應——ima不再只是個人的“第二大腦”，而是千萬用戶共同構建的“集體智慧反應堆”。

從知識活化到智能協同，再到生態共振，ima的迭代路徑揭示了AI原生應用的核心邏輯：技術創新的終極目標不是功能疊加，而是重構知識與生產力的關系，用“知識生產力躍遷”重構工作流，讓AI從“實驗室技術”變成人人可用、好用的“生產力操作系統”。當杭州錢江海關的法規條文能實時匹配群眾咨詢，當高校教授的講義能跨校賦能師生，ima證明，真正的AI革命，在于讓每個普通人都能駕馭知識、創造價值——這才是ima的秘密武器。

從"信息過載"到"智能涌現"：ima如何重構知識工作流

ima的真正價值，不止于一款工具的成功，更意味著知識工作流的范式轉移。

1.信息獲?。簭?搜索"到"涌現"

傳統搜索模式下，用戶需主動輸入關鍵詞、篩選結果、整合信息，效率低下且易遺漏。ima通過"主動知識推送"重構這一流程：比如，當用戶研究"跨境電商稅務政策"時，系統會自動關聯海關法規庫、稅務案例庫、行業報告庫，生成包含法條引用、實操建議、風險提示的"知識包"。這種"需求觸發-知識涌現"的模式，讓信息獲取從"大海撈針"變成"智能匹配"。

2.知識管理：從"文件夾"到"知識圖譜"

多數人管理知識仍停留在"文件夾分類"階段，難以發現知識間的隱性關聯。ima通過知識圖譜技術，自動識別內容中的關系：上傳一篇"AI大模型發展簡史"，系統會自動關聯"GPT-4""混元""MoE架構"等節點，生成可視化腦圖，知識復用率提升大幅提升，知識也得以從“檔案柜”變身決策引擎。

3.內容創作：從"從零開始"到"知識生成"

在傳統創作流程中，作者需先搜集資料、梳理邏輯、組織語言，耗時耗力。ima將這一過程壓縮為"知識調用-結構化生成-個性化編輯"三步：寫行業分析時，可直接@"互聯網行業數據庫"獲取最新數據；做PPT時，腦圖工具能基于知識庫自動生成大綱；甚至學術論文的文獻綜述，系統也能整合相關研究并標注引用。

ima的“邊問邊看、邊搜邊記”，區別于傳統“檢索-閱讀-創作”的線性流程。用戶可在同一界面完成：上傳百頁文獻-AI生成腦圖-調用案例庫寫作-自動排版輸出，知識工作從“分階段流水線”進化為“實時交互式創作”。

“活”知識的未來

ima知識號生態的爆發僅是開端，何毅進在演講中的展望“讓有用可靠的信息在AI時代流動”大有深意。分析不難發現，ima已在三個維度埋下伏筆：

• 認證體系構建信任壁壘：首批百家加V知識號（如錢江海關、東吳證券）形成權威性標桿;
• 商業化機制醞釀價值兌現：留言功能、數據分析工具已為創作者變現鋪路;
• 多端協同擴大生態半徑：QQ瀏覽器QBot、騰訊元器智能體平臺與ima共享混元底座，實現B/C端協同覆蓋。

AI時代，知識流動的意義值得重新打量。

WAIC展館的另一端，騰訊Robotics X實驗室發布的具身智能平臺Tairos正嘗試為機器人裝上“大腦”。不遠的未來，AI終將從數字世界走向物理世界。

而ima的探索或許更為深遠：當海關法規、投研報告、教學講義通過知識號流動起來，當2000萬篇內容在RAG鏈路中持續自我更新，知識本身獲得了“生命”。這種生命力不體現為機器的肢體運動，而體現為思想的加速碰撞與再生。