對騰訊來說，AI為什麼是一場「長期遊戲」？

姚順雨加入騰訊後，第一次線下大型活動的公開亮相，是在6月5日的2026騰訊雲AI產業應用大會上。他與騰訊集團高級執行副總裁、雲與智慧產業事業群CEO湯道生的同臺對談，吸引了無數觀眾湧入線下會場和線上直播間。人們湧向這裡，不僅是為了一睹這位從OpenAI加盟騰訊的AI首席科學家的風采，更是為了從這場對談中探知騰訊的AI戰略：AI下半場，騰訊需要正視的核心問題是什麼？從QQ時代到AI時代，騰訊做產品的理念有何異同？這波Agent浪潮，騰訊如何佈局？還有一個更為犀利、外界熱議已久的問題——騰訊做AI，真的慢了嗎？AI下半場要“找對問題”何謂“AI下半場”？早在去年，姚順雨便在一篇博客中闡釋過這一概念。他提到，過去幾十年AI的發展更多聚焦於方法論創新：從AlphaGo到機器翻譯，每個任務都需要單獨設計模型，但預訓練與大模型的興起，使得通用方法論成為現實。技術能力不再是瓶頸，真正的難點變成了“找對問題”。“有了預訓練和後訓練之後，我們像有了一個萬能錘子，它可以砸任何釘子。反而更困難的是怎麼尋找好的問題去解決。”這也正是這位曾經在OpenAI參與過Operator、Deep Research等前沿Agent產品的科學家選擇加入騰訊的原因之一。姚順雨認為，騰訊“有很多好問題、有很多產品”，能夠為AI提供兩樣最寶貴的東西：一是價值落地的土壤，二是模型所需的Context（上下文）。無論是社交、搜索、辦公還是代碼開發，每一個場景都天然產生大量真實用戶交互數據，這些數據不僅是訓練模型的“燃料”，也是定義問題的“地圖”。在AI時代，如何再做出一個好產品，是這波大模型熱潮留給騰訊等一眾互聯網大廠的重要命題。正如湯道生談到，與PC互聯網、移動互聯網時代相比，AI時代的產品形態有所不同：從功能固定的“預製菜”模式，轉向開放式、自然語言驅動的服務模式，產品方無法預知用戶會問什麼，因此必須充分利用模型的推理與調用工具的能力，去應對無限可能的需求。從QQ系列產品、雲業務，到如今的騰訊元寶，湯道生認為，做產品的第一性原理始終是“解決用戶痛點、創造價值”。AI下半場的勝負手，不僅在於誰擁有更強的模型，還在於誰能定義出最有價值的真實問題，並用模型去解決它。模型與產品Co-Design那麼，找對問題後，如何將模型能力真正落地到產品？“Co-Design”（協同設計）至關重要。這並非“模型提供API、產品調用API”那麼簡單，而是一種深度融合、彼此成就的協作方式。姚順雨分享了混元團隊與騰訊元寶合作的一個關鍵細節：在混元的預訓練模型尚未完全成熟時，團隊毅然派出了最強的後訓練骨幹力量，優先助力元寶打磨產品能力、穩定DAU（日活躍用戶）。這一決策在當時讓很多算法同事不解，但事後證明，正是這種“先為產品著想”的選擇，建立了模型團隊與產品團隊之間的信任。“模型團隊希望能力越強越好，但產品團隊覺得用戶需求越滿足越好，所以天然有很多不align（一致）的部分。”“最難的部分反而是怎麼樣建立信任，怎麼樣換位思考。”湯道生則站在產品視角，補充了Co-Design的實操內涵：對齊。在他看來，產品期望的體驗、模型訓練的判別機制、評測標準（Eval）的設計等環節，需要產品經理、算法工程師、數據標註團隊在同一張桌子上達成共識。否則，模型的行為會變得不可預測，甚至出現隨機性。在這場對談中，姚順雨也強調，真正有價值的Eval應該基於真實產品場景、真實用戶提示詞分佈，而不是為了“刷榜”。公開榜上的題目往往和用戶的實際提問方式有很大差異：例如，榜單題目往往精確、長描述、單輪提問；而真實用戶常常只發一兩句模糊的話，並不斷追問。他認為，只有從產品中迴流的數據，才能驅動模型解決榜單上不存在的問題。“基於真實世界的數據會對模型的研發有幫助：首先就是你能發現模型的很多底線問題，實際上我們先發一個Preview模型最主要的目的之一是希望能夠獲得真實世界反饋，能修復各種各樣榜單中沒有發現的問題，這個在正式版上會有很大的改進。”“甚至我們可以在這些產品上獲得一些靈感去推進現在還沒有的榜單或者是沒有的領域，比如我們最近做了很多Context learning的工作，包括元寶的反饋也給我們很大的啟發和幫助。”首發“效率智能體工具集”AI下半場，不僅關乎模型與產品的協同，還在於技術如何真正落到場景中。在AI智能體技術規模化落地元年，智能體正成為重塑生產力的重要引擎。大會當天，騰訊雲發佈了“效率智能體工具集”。面向個人、企業不同的AI提效需求，騰訊雲本次發佈、升級覆蓋20餘個垂直場景的多款AI工具：個人側，升級了QClaw、WorkBuddy、元寶、ima、騰訊文檔等“開箱即用”的AI工具；企業側，全新發布WorkBuddy企業版AI工作臺，並同步升級ClawPro、騰訊雲智能體開發平臺（ADP）、企點營銷雲等核心產品。湯道生在對談中提到，這背後有騰訊的三個核心能力：第一是場景聯接的能力，通過騰訊的微信、企業微信、元寶等高頻的場景觸點，把大模型嵌到真實的業務流，跟用戶、數據、生態深度聯接。第二是工程的駕馭能力，通過完整的Harness體系，讓Agent能夠穩定、可信、可持續運行，具備強大的AI Infra，讓高速網絡、高吞吐存儲以及高性能Agent Runtime（智能體運行底座）保證GPU的高利用率。第三是模型驅動力，依託混元大模型和模型產品Co-Design，兼顧實用性、性價比和ROI。如果將目光轉向落地側，可以看到，企業僅憑“單打獨鬥”已難以從容應對這波AI熱潮。以智能體開發場景為例：找鋼網集團管理合夥人兼副總裁張曉坤透露，2023年大模型浪潮一來，找鋼網就嘗試自研AI智能體配置引擎和平臺，結果“很痛苦”：“我們懂行業，但不是專門搞技術的。後來騰訊雲ADP的前身LKE（知識引擎）出現，能把行業知識交給大模型，快速做出工具。”上市後，找鋼網基於LKE發佈了找鋼APP，涵蓋找貨、找車、問行情、查訂單、問報告等場景。關於此次ADP升級，騰訊雲ADP生態負責人王搖琴告訴雷峰網，最重要的變化是新增了Claw模式，這是面向Agentic Loop（智能體循環）的擬人化形態。To B業務高度重視流程確定性，企業多數業務鏈路都需要標準化SOP支撐。王搖琴表示，ADP支持Agent和Workflow雙向互調，確定的部分給Workflow，不確定的部分則喚起Agent。騰訊雲，正在用“效率智能體工具集”，打通Agent落地的“最後一公里”。“今天的AI，像70年代的PC”回顧這場對談，雷峰網注意到，“長跑”是一個高頻詞。如果說AI是馬拉松，那麼騰訊的耐力，就在於“有非常豐富的場景”。面對外界“騰訊在AI上是否慢了”的質疑，湯道生坦誠地承認，騰訊作為一家多業態、多產品線的公司，在某些領域可能確實動作不夠快，也有探索失敗的項目。前沿技術探索不能用短期KPI評判，這場長跑的勝負不在於一時領先，而在於能夠持續迭代、誠實面對反饋、保持耐心。正如姚順雨所言，AI是一場長期遊戲。“今天的AI，就像70年代的PC剛剛誕生，還有很多很多事情需要做。”