腾讯把AI竞争，拉回最熟悉的场景战场

嗅态

嗅产业冷暖，书人文姿态

作者 | 石灿

6月5日，2026腾讯云AI产业应用大会在北京召开。现场人潮涌动，会场入口、过道和展区都挤满了人。

开场后，腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生简单介绍腾讯的AI现状后，很快把姚顺雨请上台。姚顺雨是腾讯首席AI科学家，1998年出生，曾任OpenAI研究员，博士研究方向围绕语言智能体展开，提出过ReAct等智能体相关研究方法。2025年底，腾讯升级大模型研发架构，姚顺雨出任“CEO/总裁办公室”首席AI科学家，同时兼任AI Infra部和大语言模型部负责人。

很多人来到现场，是为了看姚顺雨。外界关心的是，这位年轻科学家的加入，会不会改变腾讯AI的速度、气质和技术路线。

但这场对话真正释放出的信号，并不只是姚顺雨个人。汤道生代表腾讯过去多年积累下来的产品、客户、工程和产业场景，姚顺雨代表新一代AI科学家的模型、Agent和技术范式。两个人坐在一起，讨论的核心问题是：AI进入下半场后，腾讯靠什么重新进入竞争中心。

答案逐渐清晰。

腾讯正在把AI竞争重新拉回自己最熟悉的场景战场。

过去二十多年，腾讯很多关键胜利都来自场景、用户关系和产品网络。QQ、微信、游戏、支付、企业微信、腾讯会议、腾讯文档，这些产品把腾讯带进用户的社交、娱乐、办公和协作流程里。腾讯真正擅长的事情，是在一个又一个高频场景里建立连接，再让新的能力沿着这些连接扩散。

到了AI阶段，这套能力重新变得重要。模型仍是底座，但当大模型能力逐渐趋同，产业竞争会继续向真实场景迁移。谁能拿到更真实的用户需求，谁能理解更复杂的上下文，谁能让模型调用工具、连接系统、完成任务，谁就更接近AI落地的核心位置。

腾讯AI回到场景战场

汤道生先给出腾讯对AI阶段的判断。他说，腾讯AI正在全面提速，聚焦打造好用的AI，加大人才引进，推动组织升级。在模型层，混元走实用路线；在基础设施层，腾讯构建了完整的Harness体系，覆盖企业知识库、安全沙箱、开放的Skill Hub和全链路安全能力；在应用层，腾讯已经推出CodeBuddy、WorkBuddy、Q-Claw、Claw Pro等效率智能体，元宝、ima、腾讯会议、腾讯文档等核心产品也在加速Agent化。

汤道生把这套动作归结为一句话，腾讯做AI一直以“实用、好用、可规模化”为目标，核心经验是扎根场景。

这句话把对话的主线定了下来。腾讯AI接下来面对的竞争，越来越接近它过去最熟悉的领域。汤道生说，真实场景有用户需求，也能把模型迭代最需要的数据纳入进来。腾讯丰富的产品场景、交互数据和生态连接，能够为模型提供高质量上下文，也能让模型调用工具、连接系统，真正完成任务闭环。

姚顺雨接过这个问题时，先解释了“AI下半场”。他说，这个词最近有点被滥用。他去年在博客里提出这个概念时，想表达的是，AI过去几十年更重要的是寻找解决问题的方法。到了现在，预训练和后训练的方法论已经成熟，AI像有了一把“万能的锤子”，可以解决各种问题。新的困难变成了寻找好的问题。

他选择腾讯，也与这个判断有关。姚顺雨说，腾讯有很多好的问题，也有很多产品。产品能回答一个现实问题，模型到底应该应用到什么地方产生价值。环境也很重要，一个Agent要完成任务，需要工具。没有点外卖的工具，就无法点外卖。到了更深的层次，context变得更重要。模型越来越擅长把复杂输入变成输出，竞争壁垒会来自原始输入，来自对一个人、一个企业真实信息的理解。

这段表述，把腾讯过去的优势重新翻译成AI时代的语言。

过去二十多年，腾讯很多关键竞争都发生在场景里。QQ占住即时通讯和线上娱乐，微信占住移动社交和生活服务，游戏、支付、企业微信、腾讯会议、腾讯文档继续把腾讯带进娱乐、交易、办公和协作流程。腾讯擅长的能力，一直是进入高频场景，建立用户关系，再让新能力沿着这些关系和场景扩散。

在AI早期，外界更多盯着模型参数、榜单成绩、发布时间和爆款应用。腾讯一度被放在“慢”的叙事里。汤道生在对话后半段主动提到这个问题。他说，很多自媒体都会说腾讯慢了，没及时抓住一些机会。

姚顺雨没有停留在速度比较上。他说，今天有两个重要判断。第一个判断是，AI是短期游戏，还是长期游戏。在硅谷，很多人认为两年后所有人都会失业，AI会取代所有工作，所以要赶快赚两年钱退休。腾讯的判断很清楚，AI会是一个长期游戏，AI才刚刚开始，下半场才刚刚开始。

第二个判断是，AI会走向线性竞争，还是多元竞争。过去几年，行业似乎形成了预训练、后训练、强化学习、Agent、Coding Agent这条清晰主线，所有人都在做相似的事情。姚顺雨判断，未来会变得更多元。Coding Agent、生产力、多模态、具身智能和更多新方向都会继续展开。

汤道生随后把话题重新拉回腾讯。他说，腾讯是一个多业态公司，很多产品在很多赛道同时推进，不同团队在探索不同项目。有些地方做得快，有些地方做得慢，也有些地方会失败。这些提醒都有价值。在他看来，AI是一场长跑。腾讯过去多年在不同产品和不同赛道里的积累，可以针对每一个场景为模型提供有用的信息和上下文。

腾讯过去靠场景组织能力穿过多个互联网周期。到了AI产业应用阶段，这套能力重新变得重要。区别在于，今天的场景竞争门槛更高。它考验模型能力，也考验产品理解、工程体系、组织协同和企业服务能力。

汤道生和姚顺雨坐在台上，一个从腾讯的产品和产业现场出发，一个从AI模型和Agent方法出发，最后走向同一个判断：AI下半场，腾讯要回到自己最熟悉、也最复杂的战场。

模型进入产品现场

在这场对话里，汤道生把问题进一步推向产品现场。他提到，腾讯内部最近频繁讨论一个词，Co-Design。模型和产品如何更紧密地结合，正在成为AI产品研发的关键问题。

他列举了几个正在变化的产品形态。元宝是面向用户的聊天机器人和AI搜索入口，企业场景里有智能客服、智能营销，最近更受关注的是CodeBuddy、WorkBuddy这类效率智能体。这些产品对模型能力依赖很深，也要求模型团队和产品团队在研发早期进入同一个现场。

姚顺雨的回答从模型开始。他说，Co-Design的前提是模型本身要足够扎实。预训练更偏底座，它的进步可以持续带给下游任务价值。到了后训练阶段，更关键的是设立正确的评测。他提到，中国AI行业有一种倾向，喜欢刷榜。真正有价值的评测，需要基于产品和真实应用来构造。

姚顺雨强调，榜单有价值，但很多榜单很容易饱和。真实世界的数据能发现模型在公开榜单里暴露不出来的问题，也能帮助团队理解真实用户的提问分布。

他举了一个例子。benchmark里的题目往往描述清楚、条件完整，大多是单轮问题。现实产品里的用户提问经常很模糊，可能只有一两句话，后面还会连续追问。用户在元宝、ima、WorkBuddy里使用AI，问题不会按照标准测试题的方式出现。模型要在这种环境里工作，产品反馈就会变得很重要。

汤道生对此有相似感受。他回忆，腾讯早期做元宝时遇到过多轮遵循的问题。用户在产品里不断调整prompt，这种使用方式和benchmark里的单轮测试存在明显差异。真正进入产品后，模型需要理解上下文，也要跟上用户在多轮交互中的意图变化。

在这层意义上，产品本身也在帮助模型变得更好。元宝带来的聊天和搜索能力，可以迁移到ima或者WorkBuddy；不同产品提供不同数据，这些数据之间又能相互泛化，形成一个网络。姚顺雨认为，这种产品体系化的优势会越来越重要。

汤道生随后从产品经理的角度谈到AI产品范式的变化。过去做产品，更多是通过功能满足用户需求。产品方把能力设计清楚，用户通过界面、菜单和按钮完成选择。他把这种方式形容成“预制菜”，用户只能在提供好的选项里点单。

AI时代的产品面对的是开放式需求。用户可能用自然语言，也可能用语音提出任务，产品方无法提前知道用户会问什么。产品需要借助模型理解需求，再通过推理和工具调用，给出可执行的结果。产品设计由此变得更复杂，界面、工具、上下文、记忆和执行环境都要被重新组织。

汤道生还提到，AI正在改变研发流程。过去做产品，有清晰的产品规格、功能描述、研发流程和测试方式。现在，AI产品的流程需要重新设计。尤其在今年，大部分代码都可能由AI生成，工程师会把更多时间放在设计和架构上，把写代码的工作交给AI，再对结果进行指导和修正。

测试也要前置。开放式答案没有标准模板，产品团队需要更早设计案例、环境、评测要求和对齐标准。一个AI产品能不能满足用户期待，不能只看功能能否运行，还要看回答风格、任务结果、工具调用和用户体验是否一致。

这种变化也把模型团队和产品团队推得更近。汤道生说，产品、模型、数据标注、评测等不同角色要在项目中形成对齐。产品认为好的体验，评测体系也要认同。数据应该如何标注，哪些回答应该奖励，哪些行为应该惩罚，都要在同一个目标下被重新定义。对齐不足，产品行为就会变得不可预测，模型训练也会被混淆。

姚顺雨接着讲了一个内部协作细节。元宝早期推进时，腾讯自己的预训练模型还没有完全准备好。模型团队派出后训练最强的骨干力量，先帮助元宝把DeepSeek的后训练做好。当时不少算法同学不理解这个动作，他需要向团队解释原因。后来回看，这个动作建立了产品团队和模型团队之间的信任，也为混元review版本在元宝上线打下基础。

这段细节说明，AI产品研发已经进入一种新的协作方式。模型团队要进入产品现场，产品团队也要理解模型训练、数据回流和评测逻辑。双方在真实场景里共同调整目标、数据和评测。

这也是腾讯AI场景化落地的第二层含义。场景意味着真实需求、真实反馈、真实工具和真实流程。模型要在这些流程里被使用、被修正、被验证，产品也要围绕模型能力重新设计自身。

模型和产品共同进入场景，腾讯AI才真正进入它想要争夺的产业现场。

Agent进入真实工作流

据嗅态不完全统计，整场对话中，汤道生和姚顺雨一共谈及“场景”关键词16次。到了对话进入后半段，汤道生把问题进一步推向Agent。

他提到，今天的智能体要消耗大量Token，Token调用成本正在成为企业和用户共同关注的问题。很多客户和腾讯内部同事都在紧盯积分消耗或Token消耗。一个模型在解决问题或完成任务时，怎样提高Token效率，正在成为AI产品走向产业应用时绕不开的问题。

姚顺雨没有把性价比简单归结为模型价格。他说，今天中国AI行业讨论性价比，更多时候讨论模型架构，但性价比其实是一个复杂体系。排在第一位的是performance。模型表现足够好，才可能真正省钱。很多人最后发现，用更强的模型比用一个较弱的模型更划算，因为更强的模型能够更快把事情做对，也能节省人的精力。

这也点出了AI产业应用中的一个现实问题。企业上AI时，表面上在看Token单价，实际成本往往来自返工、人工检查、错误修正和业务流程中断。模型一次做对，才是更深层的性价比。

姚顺雨接着说，今年很多简单任务的稳定性会变得更加重要。如何一次把相对简单的任务做对，可能比在很多长程、复杂、炫目的任务上提升一两个点更有价值。中国市场对AI的需求，会更重视可靠、稳定、可控的完成能力。一个相对较小的模型，能在大部分任务上保持稳定表现，并在成本上更可控，就会产生很强的现实价值。

汤道生随后从产品侧谈到Agent。他说，不同场景里的Agent会有不同产品形态。随着模型能力增强，Agent本身需要做的工作会变少，产品侧更重要的事情，是给模型提供更多工具、skills和记忆，让模型更高效地完成任务。

他举了不同场景里的context差异。在Coding环境里，模型需要代码、文件系统、项目结构等上下文。在WorkBuddy里，用户要做PPT或处理办公协作，模型需要的context又会变成文档、会议内容、用户关注的信息和任务目标。不同Agent的设计，都要回到具体场景中，理解哪些信息最相关，哪些工具最有效，哪些记忆可以帮助模型完成任务。

过去，人们谈AI产品，常把注意力放在聊天框上。到了Agent阶段，聊天框只是一种入口。模型真正要做的，是理解任务、拆解任务、调用工具、执行动作、返回结果。Agent能不能成为产业里的可用工具，取决于它能否稳定进入业务流程。

汤道生继续谈到组织形态变化。他说，WorkBuddy背后有很多小团队在快速迭代产品。这类Agent产品更需要扁平组织。很多小团队只有3个人、5个人，围绕某一个领域展开工作，并通过大量实验寻找正向反馈。

AI产品实验大多拿不到确定结果，组织要能够容纳试错。汤道生说，AI Infra要支持这些实验，让不同小分队可以探索、验证，再从大量实验中提炼出对用户留存和业务结果有帮助的东西。

工程师的角色也在变化。汤道生说，以前工程师要花很多时间写代码，现在这些工作可以交给AI。未来会看到更多角色融合，大家都要更像产品经理，理解用户需求，设计产品形态。每个工程师也会更像一个有想法的leader，驱动多个Coding Agent完成研发。测试、评测和对齐工作也要提前进入流程，用AI能力一起完成质量保障。

这意味着，Agent对企业组织的影响已经来到台前。AI不只提高代码生产效率，也在改变团队颗粒度、研发流程和人员角色。产品经理、工程师、测试、评测之间的边界开始松动。AI进入产业场景后，企业内部也要相应调整组织方式。

在对话最后，汤道生把这些讨论重新落到腾讯云和企业客户上。他说，过去一年，很多企业有共同困惑。AI产品用不好，企业就很难持续投入；ROI不够，也会影响AI在企业里的普及进度。为此，腾讯将发布一套效率智能体工具集，帮助企业更安心、更高效地部署应用智能体。

他把背后的能力概括为三点。第一是场景连接能力，通过微信、企业微信、元宝等高频场景触点，把大模型迁入真实业务流，和用户、数据、生态深度连接。第二是工程驾驭能力，通过完整的Harness体系，让Agent稳定、可信、可持续运行。第三是模型驱动力，依托混元大模型和模型产品的共同设计，兼顾实用性、性价比和ROI。

说到底，腾讯AI进入场景战场，最终要落到一个更具体的问题上：企业能不能真正用起来。只有当Agent进入真实业务流程，AI才会从发布会上的能力展示，变成企业愿意持续投入的生产工具。