汤道生对谈姚顺雨：腾讯AI下半场10个关键思考

6月5日，2026腾讯云AI产业大会上，腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生和腾讯首席AI科学家姚顺雨进行了一场对话。这场对话的时间点很有意思：外部还在追问“腾讯AI是不是慢了”“投入够不够”，但腾讯AI内部的节奏其实在明显加速——“龙虾”系列产品推出，混元Hy3 preview登顶全球调用榜，WorkBuddy快速增长，模型、产品和产业落地开始形成密集联动。正是在这种反差里，外界对腾讯AI的判断和它的实际进展之间，出现了一种微妙的认知错位。

这场不到一小时的对话，恰好给外界提供了一个观察窗口。它把腾讯对AI的战略判断、组织方法和落地路径，放在同一个框架里展开：从如何理解AI下半场，到模型、产品与场景的关系，再到真实问题、Context、Agent、工程体系和组织能力如何被整合进同一套逻辑。如果说过去一年行业更关心腾讯AI“做了什么”，那么这场对话更值得关注的，其实是腾讯如何理解AI、组织AI，并把AI推向真实场景。这里提炼出10个关键思考：

1、从“寻找方法”到“寻找问题”，AI竞争的重心正在转移

“AI下半场”这个概念出自姚顺雨去年一篇引发广泛讨论的博客。当时他用这个词概括AI发展阶段的变化。在这次对话中，他做了进一步解释。很长一段时间里，AI最重要的任务是寻找研究方法——为翻译做翻译模型，为围棋做围棋模型，为特定任务设计特定系统。方法本身是稀缺品。但预训练和后训练改变了这点。大模型开始像一个“万能锤子”，具备相对通用的解决问题能力。AI的突破点不再只是“有没有方法”，而是“什么问题值得被解决”。这意味着AI产业的主战场正在经历重心迁移：当通用方法逐渐成熟，真正稀缺的不再只是模型训练技巧，而是对真实问题的识别、定义和持续解决能力。谁拥有高频、复杂、真实的问题，谁就更可能训练出有用的AI；谁更能理解问题背后的用户需求、业务流程和成本结构，谁就更可能把AI变成产品，而不只是演示。这也是姚顺雨解释自己为什么加入腾讯时反复强调的一点——腾讯有大量产品，也有大量真实问题；更重要的是，这些产品构成了模型可以行动的环境。

2、Context成为新护城河，场景理解正在重塑AI壁垒

如果说“寻找问题”回答的是AI应该去哪里产生价值，那么“Context”回答的则是模型如何在具体场景中真正理解用户。姚顺雨多次提到Context。模型越来越擅长把复杂输入变成输出，但前提是它能拿到足够好的输入。对个人用户，这些输入可能是偏好、习惯、历史行为；对企业用户，则可能是客户信息、业务流程、组织知识、权限体系、历史项目和系统数据。没有这些上下文，模型再强也只能给出泛化答案；有了这些上下文，模型才可能真正理解“你是谁”“你正在做什么”“什么答案对你有价值”。这意味着未来AI竞争不会只发生在模型参数和推理速度上，也会发生在Context的组织能力上。对腾讯而言，元宝、企业微信、腾讯会议、腾讯文档、代码工具、云服务等入口，如果能成为大模型理解用户和业务的上下文来源，就会形成一种不同于模型能力本身的竞争优势。但Context不是简单把数据塞给模型。什么信息该给、什么不该给，如何控制权限，如何保证数据安全和用户隐私，如何避免噪声干扰，都是工程问题，也是产品问题。Context看似是数据资产，本质上却是产品能力、工程能力和组织协同能力的综合体现。

3、Co-Design不只是协作流程，更是模型与产品的共生关系

当模型要进入真实场景，仅仅把模型接入产品已经不够了。AI产品的结果往往是开放的、动态的、难以穷举的，使得模型团队和产品团队必须在更早阶段、更深层次上共同定义问题。这正是汤道生和姚顺雨反复谈到Co-Design的原因。传统软件时代，产品和技术之间通常是线性关系：产品定义需求，研发实现功能，测试验证结果。但AI产品不是这样。模型能力会影响产品边界，产品数据会反过来影响模型训练，用户反馈又会改变评估体系。AI产品研发更像一个闭环系统，而不是瀑布流程。姚顺雨提到，预训练更偏底层和通用，目标是把基础能力做扎实；但进入后训练阶段，问题就会更贴近产品：模型应该奖励什么、惩罚什么，什么回答算好、什么行为算差，都需要来自真实应用的反馈和评估。汤道生则从产品体验角度补充，在AI产品里，“好体验”并不是一个天然清晰的标准。数据怎么标注、颗粒度怎么定、哪些行为该奖励或惩罚，如果不能和产品目标对齐，最终产品行为就可能偏离预期。这正是Co-Design的核心：不只是模型团队“支持”产品团队，也不是产品团队“调用”模型能力，而是双方共同定义什么是“好”结果。姚顺雨特别强调Trust（互信）——Co-Design最难的部分并不是技术接口，而是模型团队和产品团队之间能否建立信任，能否换位思考，能否承认彼此目标既有一致性也有差异性。

4、从刷榜到真实世界的评估，AI评测正在被重新定义

大模型行业曾经高度依赖Benchmark。一个模型能否进入讨论，往往取决于它在若干公开榜单上的分数。姚顺雨对这一点保持了克制。他并不否认Benchmark的价值，却也强调榜单题目和真实用户问题之间存在巨大差异。榜单里的问题通常描述清晰、信息完整、边界明确；真实场景中的问题往往模糊、多轮、带有隐含上下文。用户可能只问一句“帮我看看这个方案行不行”，模型却需要理解文件、历史讨论、公司风格、目标客户和决策标准。这类能力很难通过传统榜单完整体现。因此，对真实世界的评估开始变得越来越重要。它不仅能发现模型的底线问题，也能帮助研发团队理解真实Prompt分布，甚至反过来启发新的能力方向。Hy3 preview的发布也体现了这种思路。姚顺雨提到，先发Preview版本模型的重要目的之一，就是获得真实世界反馈，修复榜单中没有暴露出来的问题。相比只看公开Benchmark，来自元宝等产品的真实交互可以让团队了解用户需求，明确优化方向。这也意味着，模型研发不再只是围绕外部榜单优化，而是要基于真实业务场景自建评估体系。哪些能力对搜索重要，哪些对聊天重要，哪些对办公协作重要，哪些对Coding Agent重要，都需要在具体产品里被拆解、评估和回流。

5、从功能菜单到意图入口，AI产品开发范式正在改变

如果说模型和评估决定了AI产品的能力底座，那么用户交互方式的变化，则正在改写产品本身的形态。汤道生用了一个很形象的比喻：传统产品像“预制菜”，用户只能在菜单里点；AI产品则更开放，用户用自然语言提出需求，产品事先并不知道用户会问什么。这背后是产品开发范式的变化。在PC互联网和移动互联网时代，产品经理的核心工作是设计功能、路径和界面。用户通过按钮、菜单、页面完成操作。产品设计的目标，是让功能尽可能清晰、流程尽可能顺畅。AI时代，用户不再只是点击功能，而是在表达意图。产品要理解这个意图，拆解任务，调用工具，利用上下文，并生成结果。这就要求产品经理从“功能设计”转向“智能行为设计”。一个AI产品不仅要回答能做什么，还要回答：什么时候追问，什么时候拒绝，什么时候调用工具，什么时候引用资料，什么时候给出不确定性提示，什么语气符合用户预期。这也是AI产品研发更难的地方。传统产品的边界由功能决定，AI产品的边界由模型能力、工具系统、上下文质量、权限控制和评测体系共同决定。它不是把一个聊天框放到产品里，而是要重构产品和用户之间的关系。

6、Coding Agent不只是垂类工具，更是Agent能力的试验场

姚顺雨是ReAct框架的提出者，博士研究也长期围绕语言智能体展开。他在对话中回顾了自己从GPT-2时代开始思考Agent的过程：如何把一个只会预测下一个Token的机器，变成可以与外部环境交互、调用工具、完成任务的Agent。今天，这条线索最典型的落地之一就是Coding Agent。在姚顺雨看来，Coding Agent之所以重要，不只是因为软件开发市场大，而是因为其能力结构非常本质。当模型可以控制文件系统、调用工具、运行代码、观察错误、修改方案时，它实际上进入了一个相对完整的任务环境。这让Coding Agent成为训练和验证通用Agent能力的试验场。它需要模型具备长程规划、工具调用、错误修复、多轮推理、上下文管理、结果验证等能力。这些能力一旦成熟，就不只服务于程序员，也会迁移到办公、科研、企业流程、数据分析、业务运营等更多场景。这也解释了为什么对话中多次提到腾讯的两款产品——CodeBuddy和WorkBuddy。前者面向开发者，后者面向办公人群，但二者背后的能力演进方向是一致的：让模型从“回答问题”走向“完成任务”。Agent的真正价值不在于它像人一样聊天，而在于它能在真实环境中闭环。

7、Token焦虑的误区：不能只看单价，要看任务闭环成本

随着Agent开始执行复杂任务，Token消耗迅速上升。用户和企业都开始关注积分、调用量和推理成本。姚顺雨认为，Token的性价比首先取决于能力表现。一个更强的模型如果能一次把任务做对，可能比便宜但反复失败的模型更省钱。这句话把Token成本从“单价问题”拉回到“任务问题”。对企业来说，真正应该计算的不是每百万Token多少钱，而是完成一次可靠业务闭环的总成本。这里面包括模型调用成本，也包括人工修正成本、失败重试成本、等待时间成本和业务风险成本。如果一个模型便宜但经常出错，最终可能并不便宜；如果一个模型贵但能稳定完成关键任务，反而可能是更高性价比的选择。当然，这并不意味着成本不重要。姚顺雨也提到，中国团队在成本优化上有优势，包括用更小模型做好高价值任务、架构创新、长文管理、Agent脚手架等。这些优化都建立在一个前提上：模型要先足够可靠。AI下半场的成本竞争，可能不是简单的价格战，而是围绕“稳定完成任务”展开的系统效率竞争。

8、AI原生产品需要新组织：小团队、高试验、low ego文化

谈到腾讯WorkBuddy的产品团队时，汤道生提到一个细节：组织非常扁平，很多三五人的小团队围绕具体领域攻坚，大量试验，快速验证，也要容忍试错。这与传统互联网产品研发有明显不同。传统产品通常依靠较成熟的流程：需求评审、设计研发、测试上线、持续迭代。AI原生产品的不确定性更强，模型能力和用户行为都在快速变化，很多方向只有试了才知道是否有效。与此同时，工程师角色也在变化。当越来越多代码可以由AI生成，工程师的核心价值不再只是亲自写代码，而是理解需求、设计架构、拆解任务、驱动多个Coding Agent，并参与评测和质量保证。汤道生甚至提到，每个工程师都更像一个有想法的leader。这意味着，AI时代的产品团队会出现更强的角色融合：产品经理需要理解模型边界，工程师需要具备产品判断，测试需要前置到评估设计，算法团队也需要理解用户体验。组织不再只是职能分工，而要围绕任务闭环重新组合。但AI组织的变化，不只是团队变小、试验变快。姚顺雨提到，他选择加入腾讯的关键因素之一就是这里的文化：更重视信任和真诚，不只围绕短期指标运转；团队也有low ego（低自我）、务实和扎实的一面。这些看起来不像具体技术能力，却是AI组织重要的底层条件。因为AI研发和产品落地都充满不确定性，模型训练、产品Co-Design、真实世界评估、Agent试错，都需要跨团队互信，也需要诚实面对失败反馈。在姚顺雨看来，一个长期面向AGI的AI组织，应该是一个均衡的“三角形”：一是基础能力，把预训练和后训练做扎实；二是产品能力，把技术真正转化为用户和社会价值；三是前沿探索，持续寻找新的研究范式和机会。

9、腾讯AI“慢了”么？一场多元的比拼才刚开始

这场对话也回应了外界关于“腾讯AI是不是慢了”的质疑。姚顺雨把问题拆成两个判断：AI到底是短期游戏还是长期游戏？未来是单一主线还是多元竞争？在硅谷，过去一段时间有一种情绪很强烈：AI会在一两年内取代大量工作，所有人都要抓紧在短时间内完成布局。但姚顺雨并不认同这种判断。在他看来，AI不是一场已经接近终局的短跑，而更像是刚刚开始的长周期变革。他提到，ChatGPT和Claude Code不应该、也不会是唯一的超级应用。更可能的情况是，AI像上世纪70年代PC刚刚出现时一样，真正的产品形态、商业机会和使用方式，都还远没有被充分发明出来。过去几年，行业看起来有一条相对清晰的技术路径：预训练、后训练、Agent、Coding Agent。所有人都在沿着类似方向追赶。但姚顺雨认为，未来不会只剩下一条主线，而是多元发展。Coding Agent当然会越来越重要，但它仍然只是开始。多模态、具身智能、企业Agent、办公协作、行业应用，还有大量场景尚未被真正填满。因此，“腾讯AI是不是慢了”这个问题，不能只用某个时间点、某一个产品或某一次发布来判断。更关键的问题是：腾讯能否诚实面对反馈，能否在复杂组织中快速调整，能否把用户反馈变成模型改进，把产品经验变成评估体系，把工程能力变成可复用平台，把多业务场景变成Context网络。姚顺雨提到，过去模型和产品都做了很多探索，也走了不少弯路。这并不意外。真正重要的是“能不能Be Real，能不能看到反馈后改变，能不能保持耐心”。这可能也是腾讯AI下半场最核心的命题：如何在一个长期、多元、仍在快速变化的AI周期里，把复杂场景和长期主义转化为持续迭代的速度。

10、腾讯的AI路径：场景、工程与模型的系统性协同

对腾讯这样一家业务复杂、产品众多的公司来说，AI战略的难点不只是做出一个强模型，推出多个AI应用，而是如何让分散的场景、工程能力和模型研发彼此联动，形成持续迭代的系统能力。汤道生总结了腾讯AI的三个核心能力：场景联接、工程驾驭、模型驱动。这三个词，实际上也对应了AI从技术演示走向产业落地的三个关键环节。第一是场景联接。通过微信、企业微信、元宝等高频触点，把大模型嵌入真实业务流。这对应的是腾讯长期积累的用户场景和企业连接能力。AI只有进入真实业务流，才会产生真实反馈，也才有机会被不断改进。第二是工程驾驭。通过Harness体系、AI Infra、Agent Runtime、高速网络、高吞吐存储和GPU利用率优化，让Agent稳定、可信、可持续运行。这对应的是AI从Demo走向生产环境时必须解决的工程问题。对企业客户来说，一个Agent能不能用，不只取决于它是否聪明，也取决于它是否稳定、安全、可控、可持续。第三是模型驱动。依托混元大模型，以及模型和产品的Co-Design，在实用性、性价比和ROI之间寻找平衡。模型不是孤立存在的能力，而要在产品反馈中持续演进，在工程体系中被稳定释放。AI竞争不只是单一模型竞赛，而是模型、产品、工程、场景、生态共同作用的复合竞争。腾讯不是一个只有单一AI产品的公司，而是一个拥有复杂业务、多场景、多组织形态的公司。复杂性可能会让公司的行动变慢，但另一方面也提供了大量真实问题和Context。能否把复杂性转化为体系化优势，是腾讯AI下半场的关键。