汤道生×姚顺雨：腾讯AI下半场，拼的是“模型×产品”系统能力 原创

大会还在进行中，AI已经开始“交作业”了。

在2026腾讯云AI产业应用大会直播期间，评论区不断有人@元宝，让它实时整理会议纪要。

元宝也非常给力。面对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AI首席科学家姚顺雨的对谈，不仅迅速生成了会议摘要，还顺手列出了待办事项。

去年年底，原OpenAI的研究员姚顺雨加入腾讯，成为继元宝出圈之后，腾讯最受关注的话题。

此前，姚顺雨在2025年曾经发表博客《The Second Half》谈论AI下半场，AI发展重心已从“刷榜冲参数”转向“真实场景价值与可评估的任务解决”，强调“评估优于训练”“上下文学习”“深度协同（co-design）”与“实用主义模型落地”。‌‌

这次对谈，话题又聚焦了一些，聊的是“腾讯AI下半场”。

AI下半场最重要的是什么？

腾讯云这次没有讲概念也没有讲叙事，只是想给听众讲讲，腾讯AI要做什么。

姚顺雨感觉最近“下半场”有点被滥用，他先解释了一下，过去AI发展了几十年，现在方法论已经非常成熟，但寻找问题变得更加困难。

之前AlphaGo可以下围棋，翻译模型可以做翻译，但是有了预训练和后训练之后，我们好像有了一个万能的锤子，它是一个通用方法论，可以解决各种各样的问题，反而更困难的是怎么寻找好的问题去解决。

姚顺雨坦言来到腾讯，很重要的一点就是这里有很多好问题、好产品。

所以AI下半场最重要是什么？他个人觉得是，应该在中国建立一个长期基于AGI的组织。今天的AI，Foundation（地基）+Product（价值）+ Frontier（前沿）三足并重。

Co-Design，模型和产品如何相互成就

腾讯平时在开会时，通常会提到Co-Design，怎么把产品与模型紧密地结合起来。姚顺雨给出了三个判断。

首先，Co-Design的前提是模型本身足够扎实。

大模型能力建设依然要回到基础层面。预训练是一个相对独立于具体产品的过程，其价值在于构建通用能力底座。由于预训练本质上是一种泛化学习过程，每一次能力提升都能够持续传导到不同的下游场景和任务中。

“很多人喜欢关注排行榜，但更重要的是基于真实产品和真实应用场景，构建能够反映实际价值的评估体系。”姚顺雨说。真正有效的Eval（评估）应该服务于产品，不是服务于榜单。

其次，“实用性”价值是大于刷榜价值。

模型团队与产品团队的深度Co-Design，本质上是在共同寻找技术能力与用户需求之间的最佳结合点，这一过程的关键是双方建立起足够的信任机制。只有形成互信，产品侧的数据反馈、用户行为数据以及场景需求才能有效回流到模型迭代过程中，进而形成评估、优化和产品落地的正向循环。

最后，LLM时代最大的不同是泛化能力。

这是LLM与过去AI技术最显著的区别之一。过去的AI系统大多围绕单一任务构建，任务边界清晰，能力建设也相对垂直。

但大模型时代已经完全不同。即便只是打造一个Coding Agent，背后也不仅仅需要代码数据。它同时需要优秀的对话能力、搜索能力、指令遵循能力以及推理能力。换句话说，一个看似单一的应用场景，实际上依赖于多种能力的协同构建。

姚顺雨认为，这意味着大模型产品的构建越来越像一项系统工程。除了模型本身，如何理解能力组合、数据结构以及场景需求之间的关系，同样决定着最终的产品效果。

拥有完整产品体系的平台会具备一定优势。以腾讯内部的Co-Design为例，模型在与元宝的协同过程中形成了较强的聊天和搜索能力，这些能力随后也能够迁移到ima、Workbuddy等其他产品中。

不同产品能够提供不同的数据，这些数据之间又具备一定的泛化能力。最终，产品、数据和模型会形成一个类似网络的体系。在姚顺雨看来，这种体系化能力的价值正在变得越来越重要。

Hy3 preview没有秘密，三件事见真章

Hy3 preview是腾讯混元团队重组后于2026年4月23日发布并开源的新模型。大家都说Hy3 preview是姚顺雨在腾讯的首秀，他认为这没有什么秘密。

第一，在基础设施层面做了重建，无论是预训练还是强化学习阶段，都进行了系统性的重构。

第二，在数据和评估体系上也做了较大调整，包括如何定义更贴近真实的问题、如何扩展数据的分类，以及如何持续提升数据质量。

第三，在很多关键决策上，比如团队如何招聘、模型迭代节奏如何安排、以及日常大量需要权衡的选择，其实都缺少统一公式，更偏向经验与判断驱动。

不同时代，做产品的第一性原理是否变了

姚顺雨在对谈中还反客为主，向汤道生抛出了一个关于产品的“第一性原理”问题。

从QQ秀、QQ空间、QQ音乐，到腾讯云，再到今天的元宝，汤道生几乎完整经历了腾讯从消费互联网到产业互联网，再到AI时代的产品演进，也横跨了To C与To B两大市场。

自称“老登”的汤道生回答是：产品首先要回答一个问题，究竟在解决用户什么需求。

无论时代如何变化、技术如何迭代，产品最终都要为用户创造价值。只有价值成立，用户才会选择并使用。

AI时代也是一样。

但现在做产品也有了很多之前没有的要求和挑战。AI产品面对的是开放式需求，用户很多时候只需用自然语言表达意图。产品需要充分利用大模型的理解、推理和工具调用能力，将用户需求转化为具体行动，并通过丰富的工具体系完成任务交付。

与此同时，AI也在重塑产品研发流程本身，设计、研发、测试整个流程需要重新设计，所以今天做产品要求的能力更全面了。

2022年那盏微弱的灯，今天已成万亿赛道

姚顺雨回忆博士期间的两个研究方向，一是构建Agent的方法论，尝试把一个将Next-token Prediction的机器，逐步变成能够执行任务的Agent或自动化系统，其中关键工作之一就是ReAct框架。

他印象很深的一次实验发生在2022年7月的一个夜晚。当时他第一次将Pump two的API与一个手写的Wikipedia API连接起来，让模型第一次能够基于网页信息回答问题，并支持多轮交互。

他形容那一刻像“微弱的电灯突然被点亮”，这可能是最早将LLM与互联网连接并用于交互式任务的尝试之一。

当时他的感觉，这类能力可能在5到10年内改变行业，但实际演进速度明显更快。

另一个重要节点是SWE-bench的提出。在他看来，如果模型能够在真实软件工程任务中取得进展，其价值是显著的。当时的预期可能在百亿到千亿级别，而随着能力快速提升，这一规模判断也被不断上调到万亿级别，甚至仍然显得保守。

博士期间另一个研究方向则是对“数字自动化任务”的定义，比如WebShop是较早的基于互联网环境的Web Agent任务，而InterCode和SWE-bench则代表了早期Coding Agent任务的探索。

从今天回头看，Agent方向逐渐收敛为两个核心领域：面向外部环境的通用Agent，以及面向代码任务的Coding Agent。

他提到，前段时间在群里交流时重新翻看自己的博士论文，尤其是2024年写下的未来工作部分，包括四个方向：为Agent训练模型、鲁棒性与部署、科学发现，以及如何更好地辅助人类。

Token消耗太大，中国语境下都在讨论“性价比”

“毫无疑问今天Agent或者Coding Agent有点像预训练一样，是不得不做的事情。”姚顺雨说。这是最基础的能力。

但是他做的方法会有几个不同之处。

第一，即使在今天，Coding依然是最重要的方向之一，但整体能力仍然需要体系化构建。要做好Coding，依赖的不只是代码数据本身，还包括对话能力、推理能力等多种能力的协同，因为大模型的核心特征在于泛化性。

第二，产品的作用正在变得越来越关键。如何利用线上回流数据，已经成为几乎所有模型厂商都在重点思考的问题。在这一过程中，前期积累的Co-Design经验显得尤为重要。

第三，仍然需要更多想象力。不论是技术演进、产品演进，还是下一阶段可能出现的范式变化，都需要持续进行探索性、甚至带有不确定性的尝试。

他认为，在中国语境下讨论“性价比”，往往更多停留在模型架构层面，但实际这是一个更复杂的系统问题。

第一层是性能本身。性能是性价比的前提条件，很多人后来会发现，用更强的模型反而更省钱，因为它能更快把事情做对，也减少了人的干预成本。尤其在今年，简单任务的稳定性和鲁棒性变得更加重要，一次做对相对简单的任务，本身就是性价比的一部分。

第二层是成本控制。在性能成立之后，成本优化才有意义。从中国实践来看，这一环节的工程化推进相对领先。更核心的问题，是如何用更小的模型承担更高价值的任务。在此基础上，还涉及架构创新，包括长上下文管理、以及各种工程化“脚手架”能力的设计与优化。

腾讯在AI上掉队了吗？

很多人都会说腾讯在AI上没有及时抓住机会。姚顺雨的理解是，今天AI有两个重要判断。

第一，是把AI视为短期游戏还是长期游戏。硅谷当前确实存在一种情绪：认为未来两年窗口期内会迅速完成财富积累，随后行业格局基本定型。但他的判断恰恰相反，AI是一个长期过程，下半场才刚刚开始。

他说，ChatGPT或Claude Code不太可能成为唯一的“超级应用形态”。如果未来世界只剩少数几个中心化入口，反而是一种相对收敛甚至停滞的状态。更合理的图景是，随着技术演进，会持续涌现新的应用形态与产品机会。

从这个角度看，当前阶段更像是上世纪70年代PC刚刚兴起的早期阶段，很多基础能力与应用空间仍未被充分展开。

第二，是AI发展路径会趋向单一还是多元。在过去几年，从预训练、后训练到Agent、Coding Agent，行业确实呈现出一条相对清晰的主线，也带来一定程度的同质化趋势。

但他认为，未来更可能走向多元化演进。一方面，Coding Agent作为生产力工具的重要性仍在提升，但整体仍处于早期阶段；另一方面，多模态、具身智能等方向也在同步发展，更多新的应用形态正在出现或刚刚起步。

因此，如果将AI视为一个“下半场刚开始”，那么当下远未到终局，更像是一个持续扩展的起点。

在汤道生看来，腾讯是一个多业态公司，产品分布在不同赛道，同时也有多个团队在推进不同项目。在这样一个复杂体系中，不同环节的推进速度并不一致，有的快，有的相对滞后，也有一些仍处在探索阶段甚至可能经历失败。

但整体来看，这是一场长跑，更接近马拉松式的过程。腾讯拥有相对丰富的应用场景，这一点也为持续迭代提供了基础条件。

汤道生在最后还谈了腾讯背后的三个核心能力。

第一是场景联接的能力，通过腾讯的微信、企业微信、元宝等等高频的场景触点，来把大模型嵌到真实的业务流，跟用户、数据、生态能够深度联接。

第二是工程的驾驭能力，通过完整的Harness体系，让Agent能够稳定、可信、可持续运行，具备强大的AI Infra，让包括高速的网络、高吞吐的存储，还有高性能的Agent Runtime来保证GPU的高利用率。

第三是模型驱动力，依托混元大模型和模型产品 Co-Design ，兼顾实用性、性价比和 ROI。

同时 ，启动“腾讯AI共创营（二期）”， 携手ISV、MSP伙伴，一起共创行业解决方案，打造更多的标杆案例。