大模型并沒有太多秘密。

作者｜連冉

編輯｜鄭玄

騰訊 AI 慢了嗎？

在大模型浪潮中，騰訊似乎大多處于一個微妙的位置。它擁有國內最完整的互聯網生態之一，也擁有混元大模型、元寶等產品。但與行業里那些不斷制造話題和聲量的 AI 大公司相比，騰訊似乎總給人一種「不夠快」的印象——它很少站在聚光燈最亮的位置，卻又始終沒有缺席任何一場關鍵競爭。

而過去一年，AI 行業最流行的詞之一，則是「下半場」。

幾乎所有人都在談論 AI 下半場。但當越來越多人把這個詞掛在嘴邊時，它反而開始變得模糊——到底什么是下半場？是 Agent？是 Coding？是具身智能？還是下一輪模型競賽？

在騰訊集團高級執行副總裁、云與智慧產業事業群 CEO 湯道生，與騰訊首席 AI 科學家姚順雨的這場對談里，姚順雨在開場就拋出了一句：AI 下半場這個詞，正在被濫用。

過去幾年，大模型的發展路徑似乎異常清晰：預訓練、后訓練、強化學習、Agent、Coding Agent，所有人都在沿著同一條主線前進。與此同時，中國 AI 圈也形成了一種熟悉的競爭文化——熱衷刷榜、追逐指標、爭奪排名。

但在姚順雨看來，當方法論已經逐漸成熟之后，真正困難的事情已經不再是尋找技術路徑，而是尋找值得解決的問題。相比 benchmark 上幾個百分點的領先，模型如何進入真實產品、獲得真實反饋、解決真實需求，正在變得更加重要。

這也是為什么這場對談里更值得關注的，是模型與產品之間越來越緊密的 Co-Design。從元寶、WorkBuddy 到 Coding Agent，從 ReAct 提出的早期設想，到《Language Agents: From Next-Token Prediction to Digital Automation》中對于智能體時代的預判逐步兌現，姚順雨反復強調一個看似樸素卻常被忽略的事實：大模型最重要的能力始終是泛化性。

而對于騰訊是否「慢了」、AI 下半場究竟從何時開始這些爭議，他給出的回答是——如果下半場才剛剛開始，那么探索過程中走過彎路并不可怕，真正重要的是能否誠實面對自己，看到反饋，并持續調整方向。

以下為湯道生與姚順雨的對談內容，由極客公園編輯整理。

01

當「AI 下半場」被濫用

湯道生：

順雨，你加入騰訊之前，我曾問過你兩個問題：為什么選擇來到騰訊？以及你認為 AI 下半場最重要的是什么？

姚順雨：

首先我想先解釋一下「下半場」這個概念——我發現這個詞最近被用得有些泛濫，它其實是我在去年的一篇博客中提出的。具體來說，在去年之前，AI 已經發展了數十年，行業的核心是尋找解決問題的有效方法；但如今，方法論已經趨于成熟，找到真正有價值的問題反而變得更加困難。

我舉個例子，過去我們為了下圍棋研發出 AlphaGo，但這套方法僅適用于棋類領域；為了機器翻譯開發專屬模型，也只能完成翻譯任務，無法拓展到其他場景。而預訓練與后訓練技術出現后，我們相當于擁有了一把「萬能錘子」，形成了一套通用方法論，能夠解決各類不同的問題。因此，找到真正值得解決的優質問題，成為了當前行業的核心挑戰。我選擇加入騰訊，很重要的一個原因就是這里擁有海量的產品和豐富的真實問題場景，這一點在 AI 下半場會愈發重要。

一方面，優質產品能夠回答「預訓練和后訓練技術究竟要應用在何處才能產生價值」這個核心問題；另一方面，產品構建的生態環境至關重要——如果沒有點外賣的工具接口，智能體就無法完成點外賣的操作，很多任務都無法落地。

但我認為更核心的是上下文（Context），無論是企業還是個人場景都是如此。正如我上次在 AGI Next 大會上所說，上下文的重要性會與日俱增：模型越來越擅長將復雜輸入轉化為輸出，企業的競爭壁壘將越來越多地來源于是否掌握最原始的輸入數據，是否了解用戶的真實行為與企業的核心信息，而騰訊在這方面擁有極強的優勢。

但這只是我選擇騰訊的第二大原因，最重要的其實是企業文化。我第一次和你以及總辦其他高管交流時，最深刻的印象就是大家都非常坦誠：哪里做得好、哪里有不足，都會直白表達，不會刻意掩蓋。這種實事求是的態度，是我最看重的一點。

其次，騰訊整體是一家基于信任而非單純依靠指標運轉的公司，這一點對于做 AI 而言至關重要。同時，騰訊文化中低調務實、謙遜踏實的特質，以及對長期主義的堅持，都是構建一個長期 AI 組織不可或缺的基礎。

回到「AI 下半場最重要的是什么」這個問題，我個人的目標是在中國建立一個長期的、基于通用人工智能（AGI）的組織。

在我看來，今天的 AI 主要由三個部分構成：第一是基礎層，如何把預訓練、后訓練這些最核心的技術做得足夠扎實；第二是產品層，如何將技術真正落地，為個人和社會創造價值；第三是前沿探索層，如何探索新的研究范式與產業機會。我們需要構建一個這三者均衡發展的三角形組織架構。

對于基礎層而言，最重要的是充足的資源投入和正確的做事方式，這與我剛才提到的企業文化高度契合；對于產品層而言，優秀的產品嗅覺和做產品的基因是核心；而對于前沿探索層，目前國內的探索還不夠充分，我也希望能將這種前沿探索的精神更多地注入到我們的組織中。

02

Co-Design：模型與產品的雙向奔赴

湯道生：

你剛才提到，產品為模型提供了運行環境和上下文數據。我想問一個我們內部經常討論的問題：協同設計（Co-Design），也就是如何讓產品與模型實現深度融合？目前我們有很多依賴模型能力的產品，比如和我們合作緊密的元寶聊天機器人、AI 搜索，企業端的智能客服、智能營銷，還有近期熱度很高的類 Lobster 產品，比如 CodeBuddy、Workbuddy。你是如何思考協同設計這種模式的？

姚順雨：

我認為主要有三點。首先，協同設計的前提是模型本身要足夠扎實，需要做好大量的基礎工作。預訓練是一個相對產品無關的環節，把它做扎實，就能為所有下游任務提供強大的通用基礎，而且預訓練的進步能夠持續為各類下游任務帶來價值提升。

其次，后訓練階段最重要的是建立正確的評測（Eval）體系。國內現在有一個不好的傾向，就是過度追求刷榜。我們應該實事求是，基于真實的產品和應用場景，構建更貼近實際的評測標準。這一方面需要有好的產品出口，另一方面也要明確：實用性的價值遠大于刷榜的價值。

我們和各類產品團隊開展了深度的協同設計，而協同設計最關鍵的一點是建立相互信任。我們為此做了大量工作，包括如何用好產品數據、如何實現數據回流、如何做好評測對齊等，這里就不展開贅述細節了。

第三點，也是大語言模型（LLM）時代與過去 AI 最本質的區別，就是泛化性。在大語言模型出現之前，做翻譯產品只需要打磨好翻譯數據，做圍棋程序只需要打磨好圍棋數據；但現在，哪怕只想做一個代碼智能體（Coding Agent），也需要模型具備優秀的聊天能力、搜索能力、指令遵循能力和推理能力，這是一個非常復合的能力體系。

這就帶來一個推論：擁有體系化產品矩陣的企業會具備顯著優勢。比如我們和元寶的協同設計，讓模型打磨出了強大的聊天和搜索能力，而這些能力又可以遷移到 ima、Workbuddy 等其他產品中。不同產品能夠提供不同維度的數據，這些數據之間又可以相互泛化，形成一個網絡狀的價值體系，這種價值會越來越凸顯。

湯道生：

沒錯，其實外部刷榜也是評測的一種形式。那我們內部的評測和外部榜單的評測，核心區別在哪里？

姚順雨：

首先，各類基準測試（Benchmark）也不是沒有價值，只是現在這些榜單很容易達到飽和。基于真實世界數據的評測有三個核心優勢：

第一，能夠發現模型的很多底線問題。我們發布預覽版模型的核心目的之一，就是獲取真實世界的用戶反饋，修復各類榜單中無法發現的底線問題，這會讓正式版模型的表現有質的提升。

第二，能夠讓我們對真實的用戶提問分布有更深刻的理解。舉個例子，基準測試中的題目往往表述非常精確，有很長的上下文描述，且大多是單輪問題；但在現實場景中，用戶的提問通常比較模糊，可能只有一兩句話，還會不斷追問。這種場景差異，能夠指導我們更有針對性地開展模型訓練。

第三，能夠從產品中獲得靈感，推動現有榜單未覆蓋領域的技術進步。比如我們近期做的很多上下文學習相關工作，就很大程度上受到了元寶產品的啟發。所以說，產品與模型的相互成就，是 AI 行業越來越重要的話題。

湯道生：

對，我記得早期做元寶的時候，我們還遇到過多輪指令遵循的問題，用戶在產品中實際使用的提問方式，和基準測試中的差異確實非常大。真正的產品場景對模型能力的要求，和榜單評測的側重點完全不同。

姚順雨：

你問了我這么多問題，我也反過來問你幾個吧。我記得第一次和你聊天時，你給我講了很多過往的經歷，從 QQ 空間、QQ 秀——那可是我小學時候最喜歡的產品，到 QQ、騰訊音樂，再到騰訊云，以及現在的元寶、ima。你做過 To C 和 To B 的各類產品，覆蓋了互聯網不同發展階段。我很好奇，你做產品的第一性原理是什么？哪些經驗和價值是不變的？哪些東西又發生了變化？

湯道生：

我認為做產品最終的核心，永遠是圍繞用戶需求，解決用戶痛點，為用戶和客戶創造價值。無論在哪個時代、哪個行業，只有能為用戶帶來價值的產品，才會被用戶使用和買單。從 PC 互聯網時代的 QQ 空間，到移動互聯網時代的各類內容產品，再到產業互聯網時代的騰訊云，我們始終花大量時間傾聽客戶的聲音，嘗試幫他們解決實際問題，這個底層邏輯從未改變。

不過，PC 互聯網、移動互聯網時代做產品，和今天 AI 時代做產品，確實有很多不同之處。首先是產品范式的變化：在 AI 時代之前，我們做產品主要是通過預設功能來滿足用戶需求，產品方想清楚要提供哪些能力，用戶通過界面、菜單進行選擇，就像在預制菜菜單里點餐一樣。

但在 AI 時代，產品的服務形態是開放式的，這帶來了全新的要求和挑戰。用戶通過自然語言、語音等簡單的交互方式提出需求，產品方無法提前預判用戶會問什么。這就需要我們充分利用模型的能力去理解用戶需求，同時為模型提供各類工具接口，借助模型的邏輯推理和工具調用能力，來應對這種開放式的需求。

甚至包括你剛才提到的評測，過去做產品有非常清晰的需求規格說明書，有明確的功能細節描述，從設計、研發到測試的瀑布式流程非常清晰。但做 AI 產品時，整個流程都需要重新設計。

尤其是今年，大部分代碼都可以由 AI 生成，工程師會把更多時間花在架構設計上，寫代碼的工作交給 AI，只需要定期進行指導和修正。同時，測試工作也要前置，需要提前想清楚各類測試案例、評測環境，以及對開放式答案的要求，還有如何讓模型的輸出風格與用戶預期對齊。整體而言，AI 時代對產品人的能力要求更全面，做產品的難度也更大了。

姚順雨：

確實更難了。

03

大模型沒有秘密

湯道生：

再一個問題，大家都說 混元 Hy3 preview 是你在騰訊的首秀，Hy3 具體做了哪些核心改變？能給大家介紹一下嗎？

姚順雨：

其實做大模型的核心流程并沒有太多秘密，關鍵是把基礎設施、數據這些基礎工作做扎實，算法部分反而相對簡單。Hy3 的核心改進主要有三點：第一，我們重建了整套基礎設施，包括預訓練和強化學習的基礎設施；第二，我們在數據和 Eval 層面做了大量優化，包括如何定義更真實的問題、如何豐富數據的分類體系、如何持續提升數據質量——這是一個永無止境的過程；第三，很多決策其實沒有清晰的公式可循，比如如何招人、如何設定模型的迭代節奏、如何在各種權衡中做出選擇，這更多是一個依賴行業判斷和品味的事情。

說到這里，我也很好奇，你剛才和我討論了協同設計的概念，那你對協同設計是怎么看的？你認為哪些事情應該由模型團隊做，哪些應該由產品團隊做？

湯道生：

我認為協同設計的內涵在過去兩年一直在變化，這種變化很大程度上是隨著模型能力的升級而發生的。同時，行業、市場和用戶需求的變化，也要求模型和產品團隊更好地協同配合。

給我最深的感受是「對齊」的重要性。在聯合做產品、開展對齊工作時，會涉及很多不同的角色：產品團隊要明確要解決的問題和方向，模型團隊要思考如何通過技術滿足需求；同時還要回到數據層面，明確數據應該如何標注、標注到什么顆粒度、什么是好的標注、什么是不好的標注，以及哪些行為需要獎勵、哪些需要懲罰。

還有評測環節，如果產品團隊認為好的產品體驗，和評測體系的標準不一致，最終做出來的產品就會出現偏差。所以在我看來，協同設計更多是指項目組內不同角色共同參與產品設計，共同制定產品目標和方向，讓大家對各類開放式問題達成共識。如果沒有做好這種對齊，模型的輸出行為就會不可預測，甚至出現隨機性，因為模型在訓練過程中會被不同的標準混淆。這是我這兩年和模型團隊做協同設計最深的感受，你覺得呢？

姚順雨：

非常認同。協同設計最難的一點就是建立信任，同時同理心也非常重要。說到底，模型團隊和產品團隊的目標有一致的部分，也有不一致的部分：模型團隊希望模型的通用能力越強越好，而產品團隊希望用戶的需求能被最好地滿足，這中間天然存在分歧。所以換位思考的能力至關重要。

你剛才問我們和元寶是如何一步步開展協同設計的，有一個很重要的細節：當時我們自己的預訓練模型還沒有準備好，但我們知道，維護好元寶這款產品及其日活躍用戶（DAU），對我們后續做模型、建立長期合作關系都至關重要。所以我們派出了后訓練團隊最強的骨干力量，先幫助元寶把后訓練工作做好。

當時很多算法同學不理解這個決策，我花了很多精力去解釋，但現在看來，這些努力都得到了回報。這個動作讓產品團隊真切感受到，模型團隊是真正在為產品著想，這為我們后續的合作，以及 Hy3 在元寶上的成功上線，奠定了非常重要的基礎。當然這里面還有很多技術細節可以探討，但我認為最難的部分永遠是如何建立信任、如何換位思考。

湯道生：

換個話題，你是 ReAct 架構的提出者，博士研究也一直圍繞語言智能體展開。你幾年前的一些觀點，到今天有哪些兌現了？

姚順雨：

前幾天我重讀了自己的博士論文，感慨萬千，仿佛回到了很久以前。我的博士論文題目是《Language Agents: From Next-Token Prediction to Digital Automation》，寫于 2019 年，也就是 7 年前。那時候還是 GPT-2 的時代，模型只能生成下一個 token，輸出的一段話往往不連貫，還有很多錯誤。當時大家很難想象，這項技術有一天會成為改變世界的力量。

那時候稍微有想象力的研究，也只是驗證模型能回答「中國的首都是北京」這類知識型問題，能做到這一點大家就已經很開心了。但我當時覺得，GPT 是一個非常優美的范式，生成下一個 token 是一種極簡且通用的邏輯，它的潛力絕不止于此，終有一天能夠實現全世界所有事情的自動化。當時我想的還只是數字自動化，現在看來，它甚至可能實現數字與物理世界的雙重自動化。

我博士期間的工作主要分為兩部分：第一部分是建立智能體的方法論，研究如何把一個只能生成下一個 token 的機器，變成一個能夠完成自動化任務的智能體。

如你所說，其中最重要的一項工作就是 ReAct 架構。我還記得 2022 年 7 月的一個晚上，我第一次把 PaLM 2 的 API 和我手寫的維基百科 API 連接起來，它第一次能夠基于網頁內容回答問題，并進行多輪交互。那一刻的感覺，就像微弱的電燈絲突然被點亮了。據我所知，這是人類第一次把大語言模型和真正的互聯網連接起來，實現多輪交互。

當時我覺得這項技術可能會在 5 到 10 年內改變世界，但實際發展速度比我想象的還要快。包括我們第一次提出 SWE-bench 的想法時，我就知道如果能實現，一定會帶來巨大的價值——當時我預估是幾百億、上千億的市場，現在看來，這可能是數萬億、數十萬億級別的市場，我還是想得太小了。

第二部分工作是定義數字自動化的任務，比如 Webshop 是第一個基于互聯網的網頁智能體任務，Intercode 和 SWE-bench 是最早的代碼智能體任務。現在看來，智能體技術最重要的兩個方向，確實就是網頁智能體和代碼智能體。

前幾天我還在群里和大家說，我看我博士論文結尾，就是我在 2024 年寫 future work，第一個是 train models for Agent，第二個是 shift and robust deployment，第三個是 scientific discovery，第四個是怎么樣去 help human，我很感慨，我說我現在很幸運確實在做當時列的 future direction。

湯道生：

現在整個行業都在沿著這些方向推進。

姚順雨：

可能還是想得不夠大，當時我已經覺得自己想得足夠遠了，但現在看來還是不夠。

04

混元下一代模型重點是什么？

湯道生：

技術的發展往往超乎我們的預期。再深入問一個問題，現在大家都說智能體的運行會消耗大量的 Token，這對于混元下一代模型的研發來說，你的側重點會放在哪里？哪些方向是最重要的？

姚順雨：

毫無疑問，智能體尤其是代碼智能體，就像當年的預訓練一樣，是所有模型廠商都必須攻克的基礎能力。我認為代碼智能體非常本質，一個很重要的原因是它具備圖靈完備性——當模型能夠控制文件系統、擁有運行容器時，它就成為了一個完整的系統。

智能體是當下所有模型廠商的發力重點，我們的做法主要有三個不同之處：第一，即便代碼智能體是當前的核心，我們依然強調能力體系的全面性。我始終認為，要做好代碼智能體，需要的遠不止代碼數據，還需要聊天、指令遵循、推理等各類通用能力，因為泛化性是大模型最核心的優勢。

第二，產品的作用越來越重要，如何利用好線上產品的數據回流，是每個模型廠商都在思考和應對的問題。而我們之前積累的大量協同設計經驗，會在這方面發揮關鍵作用。

第三，我們需要保持更多的想象力。無論是技術演進、產品演進，還是下一個范式的演進，都需要我們去做一些探索性的、存在不確定性的工作。

湯道生：

從產品側來看，現在行業內普遍存在「Token 焦慮」，Token 成本呈爆發式增長。我聽到很多客戶、用戶甚至身邊的同事，都在密切關注積分或 Token 的消耗。如何讓模型在解決問題、完成任務時，實現最高的 Token 效率？比如有些任務，模型會嘗試一些明顯走不通的方向，浪費大量 Token，這方面有哪些優化空間？

姚順雨：

現在國內討論性價比，更多是聚焦在模型架構上，但性價比其實是一個復雜的體系問題。我認為最重要的首先是模型性能。很多人跟我說，最后發現用 Claude Opus 這類高性能模型，反而比用性能較差的模型更省錢——因為它能一次把事情做對，既節省了 Token，也節省了人力成本。所以性能才是性價比的核心，尤其是今年，提升簡單任務的魯棒性，讓模型一次就能把相對簡單的任務做對，比單純優化模型架構更能提升性價比。

第二才是成本控制。在成本優化方面，中國其實是領先于世界的，我們已經做了大量工作來降低模型運行成本。但成本優化的核心，是如何用更小的模型完成高價值任務。在此基礎上，模型架構創新、長文管理、腳手架優化等工作也需要持續推進。

我個人認為，在當前的中國市場，打造一個性能比肩大模型、且在大部分任務上具備強魯棒性的小模型，比在少數復雜的長程任務上實現一兩個點的性能提升，更有實際價值。

我也很好奇，你是什么時候意識到智能體是一個全新的產品機會的？你現在對智能體的認知是什么？你認為打造一個好用的智能體，核心瓶頸在哪里？

湯道生：

我們針對不同場景打造了不同形態的智能體產品。智能體的設計，本質上是要最大化發揮模型的能力。隨著模型能力的不斷迭代，智能體需要做的工作反而越來越少。我們有好幾款產品，在過去這段時間里，都隨著模型能力的提升不斷簡化產品設計，更多的是為模型提供各類工具接口，打造更多技能，讓模型能夠更高效地完成任務。

同時，我們會為模型提供「記憶」能力：提取用戶過往的使用習慣和偏好信息作為上下文，輸入給模型。比如在代碼開發場景，要提供相關的代碼上下文；在 Workbuddy 的辦公協作場景，用戶制作 PPT 時，要提供相關的內容和資料上下文。所以做不同場景的智能體，最重要的是理解該場景下哪些信息是相關且重要的，把這些信息準確地提供給模型，讓模型能夠充分發揮自身能力。

05

智能體時代的產品研發和組織管理，

發生了哪些變化？

姚順雨：

近期我們推出了 Workbuddy 這類口碑很好的智能體產品，我也觀察到很多小團隊在快速迭代產品。我很好奇，和傳統的產品研發相比，智能體時代的產品研發和組織管理，發生了哪些變化？你有哪些思考？

湯道生：

前陣子我幫 Workbuddy 團隊寫組織方案時，注意到他們采用了非常扁平化的組織架構，和我們過去其他產品的組織形式有很大差異。他們更多是 3 到 5 人組成一個小分隊，圍繞某一個具體領域攻堅，同時需要支撐好 AI 基礎設施，保障各類實驗順利開展。

智能體產品的研發需要大量的實驗，而大部分實驗可能都不會得到正向反饋，這就需要組織能夠包容試錯，通過大量實驗提煉出對用戶留存、產品目標有正向幫助的方向。這是智能體時代、原生 AI 產品對組織形態的核心要求。

另外，過去工程師會花大量時間寫代碼，但現在這項工作基本可以交給 AI 完成。這帶來了角色的融合：每個人都要像產品經理一樣，深入理解用戶需求，設計產品形態；每個工程師更像是有想法的負責人，驅動多個代碼智能體完成研發工作。同時，正如我之前所說，測試、評測、對齊工作都要大幅前置，并且要充分利用 AI 能力來保障產品質量。

06

騰訊 AI 慢了嗎？

湯道生：

再問一個大家比較關心的問題：很多自媒體都提到，騰訊在 AI 上的步伐慢了，沒有及時抓住一些機會。你覺得我們真的慢了嗎？你能不能再具體說說，AI 下半場到底是什么？

姚順雨：

感覺這應該是我問你的問題才對。

我覺得首先要明確兩個核心判斷：第一，AI 是一場短期游戲還是長期游戲？現在硅谷蔓延著一種情緒，認為兩年后所有人都會失業，AI 會取代所有工作，所以應該趕緊賺兩年錢就退休。但我們的判斷非常明確：AI 是一場長期游戲。

從某種程度上來說，AI 才剛剛開始，下半場也才剛剛拉開序幕。我不認為 ChatGPT 和 Claude Code 會是唯一的超級應用，如果真是那樣，這個世界會非常灰暗。未來一定會有源源不斷的新機會誕生，現在的 AI 行業，就像上世紀 70 年代個人電腦剛剛誕生的階段，還有無數的事情等著我們去做。

第二，未來的 AI 行業會是更單一還是更多元？過去幾年，行業確實有一條非常清晰的主線：預訓練、后訓練、強化學習、智能體、代碼智能體，所有人都在沿著這條主線復制，這其實也是一件很灰暗的事情。但我個人認為，未來的 AI 行業一定會走向多元化。

毫無疑問，代碼智能體帶來的生產力變革會越來越重要，這才剛剛開始，這個市場還有數萬億美元的空間等待挖掘。同時，多模態、具身智能等很多新的方向也在快速發展。從這個角度來說，如果我們認為下半場才剛開始，那就不存在「晚了」的說法。

當然，過去我們在模型和產品上做了很多探索，也走了一些彎路，這是很正常的——第一次做一件事情，必然會有曲折。但更重要的是，能否誠實地面對自己，能否正視反饋并及時調整，能否保持耐心。這些品質，在 AI 下半場會更加重要。

湯道生：

對。大家總是喜歡挑騰訊的某一個點來批評，當然我們也歡迎大家對我們提出更高的要求。騰訊是一個擁有多業態、多產品的公司，很多團隊在不同賽道同時推進不同的項目。在這樣一個復雜的組織里，必然有些地方做得快，有些地方做得慢，也有些探索會失敗。這些提醒對我們來說都非常寶貴，我們也確實有很多地方可以做得更好。

但正如你所說，這是一場長跑，一場馬拉松。騰訊擁有極其豐富的場景，就像你一開始提到的，AI 需要上下文，模型需要大量的真實數據。騰訊過去多年在不同產品、不同賽道的積累，都能為模型提供各個場景下的有效上下文，讓技術真正發揮價值。

在這場長跑中，模型會不斷迭代，用戶需求會不斷變化，新的產品形態也會不斷涌現。比如今年年初龍蝦這一波熱潮，我們的反應就很快；而像 Workbuddy 這樣的智能體產品，我們其實幾年前就已經開始布局，從最初面向程序員的 CodeBuddy，到后來發現非程序員群體也有強烈的需求，我們也快速完成了產品的迭代升級。

現在很多客戶都對我們的產品組合抱有很高的期待，希望我們能將不同產品的能力整合起來。我們會繼續在這場長跑中穩步前進，也歡迎大家多給我們提意見和建議，多用我們的產品，給我們提供有建設性的反饋。

我們剛才圍繞模型研發、產品落地，探討了協同設計、智能體演進、組織變革以及行業機會等多個話題。過去一年，很多企業都面臨著相似的困惑和挑戰：產品落地效果不佳、無法持續投入、投資回報率（ROI）不高等，這些問題都會影響 AI 在企業中的普及進度。

為此，我們今天正式發布騰訊效率智能體工具集，幫助企業更安心、更高效地部署和應用智能體。這套工具集依托騰訊的三大核心能力：

第一是場景連接能力，通過微信、企業微信、元寶等高頻場景觸點，將大模型融入真實業務流，實現與用戶、數據、生態的深度連接；

第二是工程駕馭能力，基于完整的混元研發體系，保障智能體穩定、可信、可持續運行，同時依托強大的 AI 基礎設施，包括高速網絡、高吞吐存儲和高性能智能體運行時，實現 GPU 的高利用率；

第三是模型驅動能力，以混元大模型為核心，通過模型與產品的深度協同設計，兼顧實用性、性價比和投資回報率。

同時，我們將啟動騰訊 AI 共創營第二期，攜手獨立軟件開發商（ISV）、管理服務提供商（MSP）等合作伙伴，共同打造行業解決方案，樹立更多標桿案例。

*頭圖來源：騰訊

極客一問

你覺得騰訊 AI 慢了嗎？

歡迎評論區交流~