姚顺雨汤道生对话：总办老板坦言AI下半场刚开始，腾讯不慢

# 腾讯首席AI科学家姚顺雨首次公开对话汤道生：总办老板们很诚实，AI下半场刚开始 今天上午举办的2026年腾讯云AI产业大会上，一场对谈引起了行业广泛关注——腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生，与腾讯首席AI科学家姚顺雨进行了一场深度交流。从姚顺雨为何选择加入腾讯，到腾讯AI的现状，再到Agent、AI下半场的判断，信息量相当密集。 一个值得玩味的细节是：汤道生在问姚顺雨问题时，频繁使用“您”这个称呼，敬意十足。 汤道生首先总结了腾讯AI的整体进展：全面提速，聚焦打造好用的AI，加大人才引进，推动组织升级，在各个层面都取得了阶段性进展。随后他介绍了姚顺雨——这位在学术界提出过ReAct框架，也在OpenAI参与过Operator、DeepResearch等前沿Agent产品的科学家。 姚顺雨笑着说自己平时都在海淀区，很少来朝阳区。但对于AI下半场的判断，他的观点相当犀利。 ## AI下半场：方法论已成熟，寻找好问题更难 “我觉得先要解释一下什么叫做下半场，因为最近这个词感觉有点被滥用了。”姚顺雨直言。 他的逻辑很清楚：在AI发展过去的几十年里，核心工作是寻找好方法。但从预训练和后训练范式成熟之后，问题就变了——现在手里有了一个“万能锤子”，它可以去砸任何钉子，是一个通用的方法论来解决各种问题。那么，更难的是什么呢？是去寻找那些真正值得砸的钉子。 这个判断，直接指向了他为何选择腾讯。 ## 为什么是腾讯？不是技术，不是资源，是文化 姚顺雨给出了两个理由。第二大原因是腾讯有大量好的产品和好的问题，但最重要的原因是文化。 “我还记得第一次跟你聊天的时候，包括和很多总办老板们聊天的时候，第一印象就是大家都非常诚实——哪里做得好，哪里做得不好，都非常直白，不会去掩盖。这种坦诚是第一印象。” 第二个让他印象深刻的是：“腾讯总体是一个基于 trust 而不是基于 metric 去运转的公司，这一点对于做 AI 非常重要。” 文化背后是选择长期主义的决心。在姚顺雨看来，AI是个长期游戏，下半场才刚刚开始。他不认为ChatGPT和Claude code会是唯一的超级应用——“那会是一个非常灰暗的世界”。肯定会有源源不断的新机会诞生，今天可能就像70年代PC刚刚产生的时候，还有很多事情需要做。 ## 腾讯真的慢了吗？ 面对外界“腾讯在AI上慢了”的质疑，汤道生的回应很坦诚：“大家对于腾讯经常喜欢挑某一个点来批评，但也很欢迎大家提更高的要求。在这样的一个复杂组织里面，有些地方可能我们做得快了，有些地方做得慢了，有些地方可能会做失败在探索。” 姚顺雨则从另一个维度给出了判断。他认为，如果把AI看作是短期游戏，那腾讯可能确实慢了；但如果认识到这是长期游戏，下半场才刚刚开始，那么“慢”这个词需要重新定义。 更关键的是第二个判断：AI会是个更线性，还是更多元的游戏？过去几年大家能看到的是Pre-training、Post-training、RL、Agent、Coding Agent，似乎有非常清晰的主线，所有人都在做一样的事情。“坦白说，这也是个非常灰暗的事情。”姚顺雨认为，未来一定会变更多元——多模态、具身智能，很多新的事情都在发生或刚刚发生。 从这个角度看，那可能确实不是慢。 ## 对话实录：坦诚的技术交锋 以下为二人对话的完整实录： **汤道生**：我简单介绍一下，顺雨在学术界提出过ReAct的框架，也在OpenAI参与过Operator、DeepResearch等前沿的Agent产品。加入腾讯以来，他主导的混元大模型既懂前沿技术，也能扎根一线。相信会带来不一样的洞察。有请腾讯首席AI科学家、腾讯混元大语言模型及AI Infra负责人姚顺雨先生。 **姚顺雨**：大家好，我平时都在海淀区，很少来朝阳区。很高兴。 **汤道生**：计时器已经开始，咱们直奔主题。今天这个对话可能是一个比较新的形态，如果有出乎意料的地方，也算是给大家一个惊喜。 那顺雨，在你加入腾讯之前，我问过你一些问题——为什么会选择来到腾讯？你认为AI下半场最重要的是什么？ **姚顺雨**：我刚才先解释一下什么叫做下半场。去年我的一篇博客里提出过这个概念。意思是：过去AI发展了几十年，最重要的是寻找好方法。但最近很明显，方法论已经非常成熟，寻找问题变得更加困难。 举个例子，过去做下围棋，我们会发明阿尔法狗这样的方法，但它只适合下棋。为了翻译，你会做一个特别的模型，但它只能做翻译。但有了预训练和后训练之后，就像有了一个万能的锤子，可以去砸任何钉子。那困难的反而是去寻找好的问题去解决。 所以加入腾讯很重要的一点，就是这里有很多好的问题，有很多产品。这一点在接下来会越来越重要。好的产品能解决“把技术应用在什么地方产生价值”的问题；环境也很重要，没有好的环境，Agent就没有办法做各种事情。 但我觉得最重要的是context。无论是企业还是个人，越来越重要的事情就是context——因为模型越来越擅长把复杂输入变成输出。你的竞争壁垒就来自于你有没有那个最原始的输入，知不知道这个人到底在干什么，知不知道企业的各种信息。这一点，腾讯有非常强的优势。 但其实这只是第二大原因。最重要的原因是文化。我还记得第一次跟你聊天，包括和总办其他老板聊天时，第一印象就是大家都非常诚实。哪里做得好，哪里做得不好，都非常直白。而且腾讯总体是一个基于trust而不是基于metric去运转的公司，这一点对于做AI来说非常重要。 AI下半场最重要的是什么？我个人的目标是在中国建立长期的、基于AGI的组织。今天的AI主要有三个部分：Foundation——把预训练和后训练做得非常solid；产品——让技术为人和社会创造价值；Frontier——探索新的研究范式和机会。 最重要的就是构建一个均衡的三角形组织。做Foundation需要充足的资源和正确的做事方式；做产品需要有好的产品sense和经验；在中国，Frontier exploration的探索还不够多，我也希望把这种精神更多地注入到组织中。 **汤道生**：你提到的与总办聊天的真诚和务实，也是我经常与客户交流时得到的反馈。我们做事的方式、做产品理念也是实事求是的。AI赛道是个长跑，认知很重要。哪些做得好、哪些做得不好都得认，但这是个多维度的竞赛。 你提到模型和产品提供了环境，要给模型提供context。我们开会经常提co-design，怎么把产品与模型紧密结合起来？从元宝到AI搜索，到企业部署的智能客服、智能营销，再到最近火热的CodeBuddy、WorkBuddy，都对模型能力依赖很深。你怎么思考co-design？ **姚顺雨**：有三点。首先，co-design的前提是模型本身要做得很solid，有很多foundational work要做好。预训练是相对产品agnostic的，它能提供一个很强的foundation，进步可以惠及各种下游任务。后训练最重要的就是设立正确的eval。中国可能有不倾向就是喜欢刷榜，但如何实事求是地基于产品、基于真实应用去构造更真实的eval，首先要有好的产品出口，其次要意识到实用性的价值大于刷榜价值。 我们做了大量工作与产品进行深度co-design，关键是要产生相互信任。如何把产品数据用好、把回流做好、把eval做好，有很多细节就不赘述了。 第三，LM时代和过去AI最本质的区别就是泛化性。以前做翻译，只要把翻译数据做好；做围棋，只要把围棋数据准备好。但今天即使只想做个coding agent，需要的也不仅仅是coding数据，还需要强大的聊天能力、搜索能力、指令遵循能力、推理能力——这是一个非常复合的data taxonomy。 需要对这事情有taste。推论是：很多产品的体系化会形成优势。例如与元宝的co-design使模型具备很强的聊天和搜索能力，这些能力又可以迁移到ima或WorkBuddy等其他产品。不同产品提供不同数据，数据之间又可以相互泛化，形成网络般的体系。这一点价值会越来越重要。 **汤道生**：外部刷榜也是eval的一种，我们内部做的eval与外部的榜单有什么区别？ **姚顺雨**：这些benchmark不是完全没有价值。但问题是它们非常容易saturate。基于真实世界的数据有几个帮助：首先，能发现模型的很多底线问题——我们发布Preview模型的重要目的之一，就是获得真实世界的反馈，修复榜单上无法发现的问题，这在正式版上会有很大改进。 其次，对真实的prompt distribution有更深的了解。比如benchmark上的题目通常是单轮、有精确描述的问题，而真实世界更复杂。 第三，能获得灵感来推进现在还没有的榜单或领域。比如我们最近做了很多context learning的工作，就是受益于元宝的启发。 **汤道生**：早期做元宝时，我们遇到多轮遵循的问题。产品里的使用方式与benchmark确实有很大差异。 **姚顺雨**：你问了我这么多问题，我也问点你。记得第一次和你聊天时，你给我讲了很多过去经历——从QQ空间、QQ秀时代，到QQ音乐、云，再到元宝、ima。你做产品做过ToC也有ToB，远古时代到最新的AI时代。比较好奇的是，你做产品的第一性原理是什么？哪些东西不变，哪些变了？ **汤道生**：做产品最终还是要看用户有什么需求，如何解决痛点、创造价值。在PC互联网时代做空间、移动时代做各种产品，到产业互联网做云，底层的逻辑没有太大变化。但不同时代确实有不一样的地方。 在AI时代以前，做产品更多通过功能满足需求——产品方提供什么能力，用户通过界面菜单去选，像预制菜。但在AI时代，开放式的服务形态带来不一样的要求和挑战。通过自然语言这样简单的交互方式，产品方也不知道用户会问什么，所以要充分利用模型能力去理解需求，让模型去推理、调用工具。 过去做产品有很清晰的specification、功能描述、设计和测试流程。但在AI时代，整个流程都要重新设计。尤其今年，大部分代码都由AI生成，工程师更多时间花在设计架构上，写代码交给AI，定期指导修正。AI时代做产品要求的能力更全面。 **姚顺雨**：更难了。 **汤道生**：是。 那混元3 Preview是你来腾讯的首秀，具体做了什么改变？ **姚顺雨**：其实没有什么秘密。今天做大模型从某种程度上说比较trivial——把infrastructure做好，把数据做好，算法的部分反而是比较简单的。主要有几点： 第一，对infrastructure进行了重建，无论是预训练还是强化学习。第二，对数据和eval做了很多改变——如何定义更真实的问题，如何丰富data taxonomy，如何提高数据质量，这是永无止境的追求。第三，很多重要决策——怎么招人、怎么设计模型节奏，每天有很多trade-off要考虑，这更像是taste driven的事情。 我对co-design也很感兴趣。你怎么看待模型应该做什么、产品应该做什么？ **汤道生**：co-design在不同阶段一直在变化，随着模型能力升级而变。深刻感受是——怎么对齐。做产品alignment时，我们有很多不同角色。产品要针对某个方向解决问题，模型要满足需求，但要回到数据标注的颗粒度——什么是好的标注？ 有些地方要奖励，有些要惩罚。还有评测——如果产品认为好的体验评测不认同，那做出来的产品就会不一致。co-design更多的是项目组里不同角色参与产品设计，对开放式问题的对齐。如果没有做到对齐，产品行为会不可预测，甚至有随机性。 **姚顺雨**：首先最难的是建立trust，同理心很重要。做模型和做产品的目标有align的部分，也有很多不align的部分。模型的人希望能力越强越好，产品的人希望用户需求满足得越好越好，天然有冲突。关键就是换位思考的能力。 一个很重要的细节：当时我们派了后训练最强的骨干去帮助元宝，先把后训练做好——虽然我们自己的预训练还没ready，但我们知道维护这样的产品和它的DAU，对接下来做模型和长期合作都非常重要。很多算法同学不理解，我需要努力去解释。但现在看来这些努力都pay off了——让产品团队意识到模型同学真的在为产品着想，这对后续合作包括混元3 Preview的成功上线，起到了非常重要的作用。 最难的部分其实是建立信任，换位思考。 **汤道生**：换一个话题。你是ReAct架构的提出者，博士研究围绕语言智能体展开。几年前的哪些观点今天兑现了？ **姚顺雨**：我最近重新读了自己的博士论文，回到了很远古的时代。题目叫“Language Agent: from Next Token Prediction to Digital Automation”，那是2019年，7年前。当时GPT2只能做next token prediction，产生的段落还不连贯。大家很难想象它会成为改变世界的力量。当时有想象力的人做研究，比如自动驾驶，坐在车里回到北京，大家就很开心了。 我当时比较狂野地觉得GPT是个优美的东西——预测下一个Token是非常极简又通用的事。我那是最重要的两部分：第一部分是建立方法论，把next token prediction的机器变成自动化的机器。ReAct是其中最重要的一篇。2022年7月某天晚上，我第一次把Python API和手写的Web Crawler API连在一起，模型第一次能基于网页回答问题并进行多轮交互时，就像微弱电灯丝突然亮了的感觉。那可能是人类第一次把AI和真正的互联网连在一起做动作交互。我当时觉得5年或10年会改变世界，但比我想象中还快。 另一部分工作是定义AI Agent。Web是第一个任务，包含互联网的task task。现在AI Agent最重要的两个部分，确实是Web Agent和Coding Agent。 我还看论文结尾，2024年写的future work：第一是Train Models for Agent，第二是Safe and Robust Deployment，第三是Scientific Discovery，第四是Help Human。我很感慨，现在确实在做当时列的future work。GPT太厉害了，整个行业针对这些方向的影响还是不够大。 **汤道生**：技术的发展往往超乎预期。今天大家都说Agent需要消耗大量Token调用，对于混元下一代模型研发，你的侧重是什么？ **姚顺雨**：Coding毫无疑问是每家模型聚焦的重点。我们会做的可能有几个区别： 第一，即使Coding最重要，我们还是强调提示的全面化——要做好Coding，需要的远不止Coding数据，还需要聊天、逻辑推理等能力，因为大模型最重要的点是泛化性。 第二，产品的作用越来越重要。如何利用好线上回流，是每个模型团队都在应对的问题。我们有很多coding的经验会变得非常重要。 第三，需要更多想象力——无论是技术路径、产品路径还是下一个范式的路径，需要做探索性甚至不确定性的工作。 **汤道生**：从产品侧看，Token焦虑的声音越来越多。成本爆发式增长。如何让模型在解决问题时Token效率最高？ **姚顺雨**：中国讨论性价比更多讨论模型架构，但其实是很复杂的体系。最重要的事情首先是performance——很多人发现用较差的模型并不省钱，因为更快的把事做对了更省精力和成本。第一是性，性能不好，性价比无从谈起。第二是成本，中国在这方面领先于世界——做了大量工作优化成本资源，但最重要的是怎么用更小的模型完成更高价值的任务。 如果能做一个相对较小、但能比肩大模型性能、在大部分任务上有强鲁棒性的模型，可能比在很fancy的长程任务上提升一两个百分点更有价值。 我也很好奇——你是什么时候意识到Agent是新的产品机会？现在觉得离好用Agent的bottleneck在哪里？ **汤道生**：针对不同场景有不同的Agent产品形态。Agent设计很大程度是发挥模型能力，模型越强，Agent需要做的工作越少。随着模型能力加强，我们可以把产品做得更简化，更多是为模型提供工具、创造skills、提供记忆——用户过去的使用习惯和偏好作为上下文feed进去。 在coding环境提供相关context，在办公场景提供不同内容。重要的是了解场景下什么信息relevant，与模型配合好。 **姚顺雨**：最近我们推出WorkBuddy这样口碑不错的产品。背后是小团队快速迭代。与传统产品研发相比，在Agent时代，产品组织管理发生了什么变化？ **汤道生**：我看WorkBuddy非常扁平化的组织，与我们其他产品架构差异很大。更多小团队——三五人一组，围绕某个领域攻坚。大量实验在其中，支持AI Infra做实验，让小分队探索验证。大部分实验可能没有正向反馈，也要包容试错。 今天做Agent、做原生AI产品，这种组织形态要能支撑。另外，工程师有更多时间可以交给AI，更多角色融合——大家都是产品经理，都了解用户需求；每个工程师更像有想法的leader，驱动多个coding agent做研发，同时把评测、alignment工作做到前面。 **汤道生**：很多自媒体说腾讯在AI上慢了，你觉得真的慢了吗？ **姚顺雨**：这应该是我问你的问题。 首先有两个重要判断。第一，AI是短期游戏还是长期游戏？硅谷蔓延的情绪是两年后所有人都失业，应该赶紧赚两年钱退休。我们的判断是长期游戏，AI才刚刚开始，下半场刚刚开始。我不认为ChatGPT和Claude code会是唯一的super APP，那会是非常灰暗的世界。肯定会有源源不断的新机会诞生，可能今天就像70年代PC刚产生时。 第二，会是更线性还是更多元的游戏。过去几年看到Pre-training、Post-training、RL、Agent，似乎有清晰的主线，所有人都在copy。坦白说，这也是灰暗的事。未来会变更多元。世界还有数万亿美元市场没有填满，多模态、具身智能都在发生或刚刚开始。 从这角度来看，如果我们认为下半场刚开始，那可能确实不慢。过去模型和产品做过很多探索、走过弯路很正常——你没做过的事第一次做肯定有曲折。但重要的是能不能诚实面对自己，be real，看到feedback去改变，保持耐心。这些在下半场更加重要。 **汤道生**：大家经常挑某一个点批评腾讯，我们也欢迎大家提出更高要求。在多业态、多产品的复杂组织里，有些地方我们做得快，有些地方做得慢，有些可能失败。这些提醒都很好。 就像你说的，这是个长跑，是马拉松。腾讯有非常丰富的场景，AI需要context，需要很多上下文。腾讯过去多年在不同产品、不同赛道的积累，都可以为模型提供有用信息和context。在这样的长跑中，模型会不断迭代，用户需求不断变化，也会有新的产品形态。 今年年初对龙虾这一波热潮反应比较快，同时有WorkBuddy这样的智能体产品，也是几年前开始做的，从CodeBuddy看到非程序员也有很强需求，能较快应对。正在长跑中，也请各位多给我们提醒和建议。