刚刚汤道生灵魂拷问姚顺雨：你觉得咱们腾讯AI真慢了吗？

姚顺雨又露面了。

今天，北京朝阳，他出现在腾讯云 AI 产业应用大会上，和腾讯集团高级执行副总裁汤道生来了一场对谈。

这是今年4月，混元Hy3 preview 发布后姚顺雨少见的公开露面。而 Hy3 preview，正是这位年轻首席 AI 科学家高调入职腾讯后的首秀。

坦白说，Hy3 preview 发布后并没有产生效果出众的“奇效”。在腾讯4月底官宣的推文中也特别解释，Hy3 preview 是三个多月前混元团队决定，是从底层开始推倒重建而出的模型。

这场谈话中，姚顺雨提到 Hy3 preview 也再次表示，“大模型没有什么秘密”，需要把infrastructure做好，把数据做好，算法部分反而相对简单。

他说，Hy3 preview 主要做了几方面改变：一是重建了预训练和强化学习基础设施；二是对数据做了很大幅度的重构；三是在招人、模型节奏、资源取舍中不断做trade-off。发 Preview 版本最重要的目的之一，是希望获得真实世界的反馈，修复各种榜单中没法发现的底线问题，这些在正式版上会有非常大的改进。

同时，产品和模型的协作也是这场对谈的重点。这个话题里，“组织”成了关键词。

姚顺雨分享一个细节，当时混元的预训练还不 ready，所以自己一开始选择和让团队的骨干力量，帮助元宝把 DeepSeek 的后训练做好。

这个行为“当时很多算法同学其实不理解”，需要很努力地去解释”。但后续，这样的行为获得了产品侧的信任。

另外，汤道生还直接问姚顺雨，怎么看外界评价“腾讯 AI 慢了”。

他给出的回答是，AI 是长期游戏，并且 AI 会变得更多元。而且第一次做一件事肯定会有曲折，但更重要的是：能不能诚实地面对自己，能不能 be real，能不能看到 feedback 就去改变，能不能保持耐心。

以下是汤道生和姚顺雨的对话全文

汤道生：欢迎顺雨。你要跟大家说个 hello 吗？

姚顺雨：大家好。我平时都在海淀区，现在很少来朝阳区，很高兴。

汤道生：今天我们俩的对话可能是一种比较新的形态，如果有什么出乎意料的，我想也是一个惊喜。顺雨，你加入腾讯之前，我记得当时问过你一些问题：为什么会选择来腾讯？以及你认为 AI 下半场最重要的是什么？

姚顺雨：我想先解释一下什么叫"下半场"，因为我最近感觉这个词有点被滥用了。这个概念其实是我去年在一篇博客里提出来的。什么意思呢？我觉得在去年之前，AI 已经发展了几十年，但更重要的一直是怎么去解决问题、寻找好的方法。而最近很明显的一点是，方法论已经变得非常成熟，反而是寻找问题变得更加困难。

我举个例子。过去比如我们下围棋，会发明像 AlphaGo 这样的方法，但这个方法可能只适合下围棋，或者各种棋类；你为了翻译做一个特别的模型，但它可能只能做翻译，做不了其他事情。但有了预训练和后训练之后，我们发现有了一把万能的锤子，它可以去砸任何钉子——它是一个通用的方法论，可以解决各种各样的问题。那么反而更困难的，是怎么去找好的问题来解决。

所以加入腾讯很重要的一点，就是这里有很多好的问题、有很多很多产品，我觉得这一点接下来会变得越来越重要。

一方面，好的产品能解决第一个问题：我们做了预训练和后训练之后，到底要把它应用在什么地方产生价值？第二，环境是非常重要的，如果没有好的环境，Agent 就没有办法去做各种各样的事情，比如你没有一个点外卖的工具，就没办法点外卖，很多事情都做不到。

但我觉得可能最重要的是 context。无论是企业还是个人，就像我上一次说的一样，越来越重要的事情是 context。因为模型越来越擅长把一个非常复杂的输入变成一个输出，那很多时候竞争壁垒，就来自于有没有那个最原始的输入：你知不知道这个人到底在干什么？你知不知道这个企业各种各样的信息？这一点上，我觉得腾讯有非常强的优势，这是第二大的原因。

我觉得最重要的原因是文化。我还记得第一次跟你聊天，包括和很多其他总办的老板们聊天的时候，第一印象就是大家都非常诚实。哪里做得好、哪里做得不好，聊得都非常直白，不会去掩盖，这种坦诚是我的第一印象。

我觉得腾讯总体是一个基于 trust、而不是基于 metric 来运转的公司，这一点对做 AI 非常重要。还有，我觉得我们的文化有非常 low ego、非常 solid 的一面。这些文化对于长期做一个 AI 组织都非常重要，包括我们对长期主义的坚持。

所以，AI 下半场最重要的是什么？

我个人的目标，是我觉得我们应该在中国建立一个长期的、基于 AGI 的组织。今天的 AI 主要有三个部分：首先是 foundation 部分，我们怎么把预训练和后训练这种最基础的东西做得非常 solid；第二部分是产品，我们怎么把技术真正为人和社会产生价值；第三是 frontier，我们怎么去探索新的研究范式、探索新的机会。最重要的，是我们要构建一个非常均衡的、像三角形一样的组织。

对于做 foundation 来说，最重要的是需要充足的资源，第二是需要正确的做事方式——这跟我刚说的文化也是吻合的。对于产品来说，有好的产品 sense、有做产品的基因至关重要。第三，我觉得在中国，今天所做的探索还不够多，所也希望能把 frontier exploration 的精神更多地注入到我们组织中。

汤道生：AI 赛道还是一场长跑，有时候认知也很重要——哪些我们做得好、哪些做得不好，也得认，但关键这是一个多维度的竞赛。现在模型有很多进步，做产品也是，有越来越多的形态，不同场景有不同需求，未来还是非常可期的。

你刚提到模型与产品，产品可以说提供了一个环境，给模型提供 context 上下文。那我想问：我们平时开会提得比较多的一个词是 co-design，怎么把产品和模型比较紧密地结合起来？你怎么去思考 co-design 这个方式？

姚顺雨：我觉得有三点。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。

预训练是一个相对产品无关（product agnostic）的事情，把它做得非常 solid，可以提供一个非常强的 foundation。而且预训练最大的特点，是它是一个可泛化的学习过程，它的进步可以给各种各样的下游任务带来持续的价值提升。

后训练方面，我觉得最重要的一点是要设立好正确的 eval。

中国可能大家有个不太好的倾向，就是比较喜欢刷榜。但我觉得，如何实事求是地基于产品、基于真正的应用去构造更真实的 eval，才是关键。

这首先需要你有好的产品出口；第二，你要意识到实用性的价值是大于刷榜的价值的。这一点上我们做了大量工作，跟各种各样的产品进行了深度沟通。沟通很关键的一点是要产生相互的信任，我们也做了大量工作去取得互信。怎么把产品数据用好、怎么把数据回流、怎么把 eval 做好，这里有很多细节。

第三点我想说的是：LLM 时代和过去 AI 最本质的区别就是泛化性。在 LLM 之前，比如你做一个翻译产品，只要把翻译数据做得特别好就行；做一个围棋程序，只要把围棋数据准备得特别好就行。

但今天，即使你只想做一个 coding agent，你会发现需要的也不仅仅是 coding agent 的数据，你需要非常好的聊天能力、非常强的搜索能力、非常强的指令遵循能力、非常强的推理能力——它其实是一个非常复合的 taxonomy，我觉得需要对这件事情有 taste。

这件事的一个推论是：很多产品体系化的地方其实会有比较大的优势。比如我们和元宝的 co-design，可以让我们的模型产生很强的聊天和搜索能力，而这种能力又可以迁移到 ima 或者 WorkBuddy 这样的其他产品。所以这些产品能提供不同的数据，但这些数据之间又可以相互泛化，形成一个像网络一样的体系。我觉得这一点的价值会越来越重要。

汤道生：对，其实外部刷的榜，也属于 eval 的一种。那我们内部做的 eval 跟外部的榜，有什么区别？

姚顺雨：首先，这些 benchmark 还是有它的价值，不是说完全没价值，只是现在这些榜非常容易 saturate（饱和）。而基于真实世界的数据有几个帮助：首先，你能发现模型很多底线问题。

就像我们想发一个 preview 模型，最重要的目的之一，就是希望获得真实世界的反馈，去修复各种榜单中没法发现的底线问题，这一点会在正式版上有非常大的改进。

第二，对真实的 prompt distribution 会有更深的了解。举个例子，benchmark 上的题目可能都非常精确，有非常长的 concrete description，而且一般是单轮问题。但我们知道，现实场景中大家问的问题往往比较模糊，可能就一两句话，然后会不停追问。这些设置上的 不同，可以启发我们怎么更好地做训练。

第三，我们甚至可以在这些产品上获得一些灵感，去推进现在还没有的榜单、或者还没有的领域。比如我们最近做了很多 context learning 的工作，也是元宝给了我们很有帮助的启发。所以产品和模型的互相成就，是越来越重要的一个 AI 话题。

汤道生：对，我记得我们早期做元宝的时候，还碰到过多轮遵循的问题。大家在使用产品时迭代 prompt 的方式，跟 benchmark 好像也有些差异——真正在产品里大家所需要的能力，跟 benchmark 确实还有蛮大的差异。

姚顺雨：你问了我这么多问题，我也问你一点。我记得第一次跟你聊的时候，你给我讲了很多过去的经历，从 QQ 空间、QQ 秀的时代……我小学时候最喜欢的那个产品。

汤道生：你说是"老登"是吧。

姚顺雨：有 QQ、到音乐、到云，再到现在的元宝、ima。跟你聊天很有意思，因为你做过各种各样的产品，2C 的也有、2B 的也有，远古时代的也有，最近 AI 时代的也有。我比较好奇，你做产品的第一性原理是什么？哪些经验或价值是不变的，哪些东西变了？

汤道生：我觉得做产品，最终还是奔着用户到底有什么需求、我怎么去解决痛点、怎么给用户或客户创造价值。这一点在不同的时代、甚至不同的行业，都是一样的。

底层逻辑其实没有那么大的变化。但确实，在 PC 互联网、移动互联网时代做产品，跟今天在 AI 时代做产品，还是有蛮多不一样的地方。

首先从范式角度看，AI 时代以前，我们做产品很多时候想的是通过功能来满足用户需求。作为产品方、服务提供方，你想清楚自己提供怎样的能力，让用户通过界面、通过某些菜单去选——好像是一些预制菜，你只能在里面点一样。

但在 AI 时代做产品，那种开放式的服务形态会带来很不一样的要求和挑战：

用简单的交互方式，可能是自然语言、可能是语音，作为产品方你也不知道用户会问什么，所以要充分利用模型能力去理解用户需求。然后通过今天大模型的逻辑推理、调用工具的能力，产品给模型提供各种各样可以用的工具，来应对这种开放式的需求。这是我觉得跟过去做产品很不一样的地方。

也包括你刚提到的 eval。以前做产品，我们有很清晰的 specification、很清晰的产品细节功能描述，怎么设计、怎么研发、怎么测试，那个瀑布式的流程比较清晰。但做 AI 产品，我发现最大的变化是整个流程可能都要重新设计。

尤其今年，大部分代码都由 AI 生成，我们的工程师会花更多时间去做设计、做架构设计，把写代码的工作交给 AI，然后定期去指导、修正。测试也要左移，更前置地去想清楚，针对我们各种各样的 eval、各种环境，对于这些开放式答案的要求，甚至 alignment，怎么对齐用户所需要的那种风格。我感觉今天 AI 时代做产品，要求的能力更全面、也更难了。

我还要问你一下混元 3。大家都在说混元 3 Preview 是你在腾讯的首秀，那么混元具体做了什么改变？你能给大家介绍一下吗？

姚顺雨：其实我觉得没什么秘密。今天做大模型，从过程来说是一件比较 trivial 的事情。我们应该把 infrastructure 做好，把数据做好，算法部分反而是比较简单的。

主要有几个点：

第一，我们把 infrastructure 进行了重建，无论是预训练还是强化学习；第二，我们在数据和 eval 上做了很多大的改变，如何定义更真实的问题、如何丰富 data 的 taxonomy、如何提高数据质量，这是一个永无止境的追求；第三，我觉得很多重要的决策，包括怎么招人、怎么设计模型的节奏，每天有很多 decision 要考虑、很多 trade-off 要权衡，这可能没有一个很清晰的公式，是一件很 taste-driven 的事情。

还有 co-design 这个概念，我想和你再聊一下。你对 co-design 是怎么想的？你觉得哪些事情应该是模型来做、哪些应该是产品来做？

汤道生：我觉得 co-design 在不同阶段、在过去这两年，其实一直在变化。这个变化某种程度上是随着模型能力的升级而变化的，当然整个行业、市场、用户需求也在变化，这会带来我们模型和产品两边都需要更好地去满足。

给我一个比较深的感受是：怎么去对齐。

我们一起做产品、做 alignment 对齐会的时候，有很多不同的角色，产品可能要针对某个方向去解决一些问题，模型到底怎么做才能满足这个需求？同时，模型需要数据，数据应该怎么标注、标到什么颗粒度、到底什么是好的标注、什么是不好的标注，因为有些地方要奖励、有些地方要惩罚。然后还有 eval、还有评测，因为如果产品认为好的产品体验，评测却不认同，那大家做出来的产品就会不一致。

所以 co-design 给我的感觉，更多的是在项目组里，不同的角色参与到产品设计中，订立、定下一些产品的目标方向，然后怎么让多个角色对于一些开放式问题有比较好的对齐。如果没有做到这样的对齐，你会发现产品的行为会不可预测，甚至有时候有随机性，因为模型在训练过程中可能也被混淆了。

这是我这两年跟产品和模型团队做 co-design 的一个比较深的感受。你觉得呢？

姚顺雨：我也觉得，就像刚说的，最难的一点就是要建立 trust，并且我觉得同理心很重要。因为说到底，做模型的目标和做产品的目标，有很多 align 的部分，也有很多不 align 的部分：做模型的人，会希望模型能力越强越好；做产品的人，可能希望用户需求满足得越好越好，所以天然有很多不 align 的部分。

我觉得很重要的一点，是要有换位思考的能力。比如你刚问我，元宝我们是怎么一步一步 co-design 的？

一个很重要的细节是：如果你还记得的话，我们当时其实派了最强的骨干力量，去帮元宝先把 DeepSeek 的后训练做好。因为在那个时候，我们自己的预训练还没有 ready，但我们知道，维护好这样的产品以及它的 DAU，对我们接下来做模型也会变得非常重要，而且对长期合作非常重要。

所以当时很多算法同学其实不理解，我需要很努力地去解释。

但现在看起来，这些努力都 pay off 了。这样一个动作，让产品侧意识到，做模型的同学是真的在为产品着想。我觉得这对我们之后的合作，包括混元 3 Preview 在元宝上成功上线，起到了非常重要的作用。当然有很多技术部分可以探讨，但我觉得最难的部分，反而是怎么建立信任、怎么换位思考。

汤道生：非常认同。换一个话题。你是 ReAct 架构的提出者，博士研究也围绕语言智能体展开。你几年前的一些观点，到今天兑现了吗？比如有哪些？

姚顺雨：那天我还挺感慨的，因为我重新读了自己的博士论文，感觉又回到了一个很"远古"的时代。

那是七年前，那个时候 literally 就是 GPT-2 的时代，它当时只能做 next-token prediction，而且产生的一段话还不太连贯，有很多毛刺。所以当时人们很难想象，它有一天会成为改变世界的力量。

当时大家做的研究，稍微有想象力一点的，会去做一些这样的实验，比如输入"中国的首都是"，如果做 next-token prediction 它会回答"北京"——说明它是有 knowledge 的。能做到这点，大家当时就非常开心了，觉得这个技术很有意思。

而我当时的想象力可能比较狂野：我觉得 GPT 是一个非常优美的东西，吐出下一个 token 是一件非常极简、又非常通用的事情。我觉得它有一天的潜力，不仅仅在于推出下一个 token，而在于把这个世界上所有的事情全部 automate。当然，我当时想的可能还不够大——我想的是 Digital Automation，但现在看起来，也有可能是 Digital and Physical Automation。

我博士期间主要做两部分。第一部分是如何建立一个 agent 的方法论，如何把一个 next-token prediction 的机器变成一个 agent、变成一个自动化的机器，最重要的一项工作可能就是 ReAct。

我还记得，2022 年 7 月的某一天晚上，我第一次把 PaLM 的 API 和我自己手写的一个维基百科 API 连在一起，它第一次可以基于网页回答问题、并且做多轮交互。我当时的感觉，就像那个微弱的电灯丝突然亮了一样——据我所知，这可能是人类第一次把 LLM 和真正的互联网连在一起，并去做这种多轮交互。

我当时就觉得，OK，这件事可能在五年或十年内会改变世界，但实际上可能比我想象中还要更快。

另一部分工作是怎么去定义 digital automation 的任务。比如 WebShop 是第一个基于互联网的 web agent 任务，InterCode 和 SWE 是最早的 coding agent 任务。现在看起来，agent 技术最重要的两个部分，确实是 web agent 和 coding agent。

最后，那天我还在群里跟大家聊天，我说我在 2024 年写下的 future work：第一个是 training models for agents，第二个是 safe and robust deployment，第三个是 scientific discovery，第四个是怎么去 help humans。我很感慨，我现在很幸运，确实正在做我当时列的那些 future direction。

汤道生：技术的发展往往超乎我们的预期。那我再转一个角度。智能体今天大家都说需要消耗很多 tokens，token 的调用量很大，这对混元做下一代模型的研发，你觉得侧重点是什么？有哪些地方比较重要？

姚顺雨：我觉得毫无疑问，今天的 agent、或者说 coding agent，就有点像预训练一样，是一件不得不做的事情，是一个最基础的能力。我个人觉得 co-design 这件事非常本质，原因很多，但还有一个很重要的原因：它有点像图灵完备——当你有能力控制自己的 file system、当你有一个 container 的时候，你其实就是一个 complete 的 system。

今天 agent 毫无疑问是每一家模型厂商发力的重点，我们会做的方法可能有几个区别。

第一，即使今天 coding agent 是最重要的事情，我们还是会强调体系的全面化。我始终认为，真要把 coding 做好，需要的远远不止 coding 的数据，你也需要像我刚说的聊天、instruction following、推理等各种各样不同的东西，因为大模型最重要的点是泛化性。

第二，很显然产品的作用越来越重要，如何利用好线上的回流，是每一个模型厂商都在应对和思考的问题，这里我们刚刚积累的很多 co-design 经验会变得非常重要。

第三，我觉得还是需要更多想象力。无论是技术的演进、产品的演进，还是下一个范式的演进，我们都还需要做一些探索性的、甚至带有不确定性的工作。

汤道生：对。我觉得从产品侧来看，大家越来越多有 token 焦虑的声音，token 成本持续爆发式增长。我也听到很多客户、用户，甚至身边的同事，都在紧盯着积分的消耗、或者 token 的消耗。那怎么能让我们的模型在解决某个问题、或完成某个任务时，token 效率最高？

姚顺雨：其实我觉得，现在中国大家讨论性价比，可能更多讨论的是模型架构，但它其实是一个很复杂的体系。

我觉得最重要的事情首先是 performance。很多人跟我说，他最后发现用 o3 这样的模型，比用一个更差的模型反而更省钱，因为你更快地把事情做对了，也省了人的精力。所以最重要的事情我觉得是 performance，如果 performance 好了，才是真正性价比最关键的事情。

尤其今年，我觉得很多简单任务的鲁棒性会变得更加重要。如何一次就把很多相对简单的任务做对，这可能是性价比更关键的部分，而不仅仅是模型架构。

第二部分是成本，成本本身就是性价比的一部分。第一是性能，如果性能不好，性价比就无从谈起；第二才是成本。

在成本上，我觉得中国其实是领先于世界的，我们做了大量工作去优化成本。但成本最重要的事情，可能还是怎么用一个更小的模型，把更高价值的任务做好。在这个基础上，当然架构创新、长文管理、脚手架，都有很多需要做的事情。

但我个人的看法是：如果我们能做一个相对较小的模型，但它又能比肩大模型的性能，而且能在大部分任务上做到很强的 robustness，这可能比在很多非常长程、很 fancy 的 task 上面实现一两个点的提升，在今天的中国更有价值。

其实我也挺好奇，Dowson，你觉得 Agent，你是什么时候意识到它是一个新的产品机会的？你现在的认知是什么？

汤道生：因为我们做的 Agent 针对不同场景，其实有不同的产品形态。在 Agent 的设计上，很大程度是在尽量发挥好模型的能力。当然模型在迭代，能力越强，Agent 需要做的工作可能就越来越少。

我看我们好几个产品，在过去这段时间，其实随着模型能力加强，我们可以把产品、把 Agent 做得更简化，更多的是给模型提供更多不同的工具、创造更多的 skills，来让模型更高效地完成任务。给模型提供更多我们叫"记忆"的东西，把用户过去使用的一些习惯、提取出来的用户 preference 信息，作为 context 喂过去。

在 coding 环境里，给到模型相关的 context；在 WorkBuddy 里做办公协作、做 PPT，大家关注的内容不一样，模型的 context 也会不一样。

所以做不同的 agent，我觉得更重要的还是了解那个场景下什么内容、什么信息是重要的、比较 relevant 的，能够跟模型配合好，让模型有它需要的信息，同时发挥它的能力。

姚顺雨：最近我们确实推出了一些像 WorkBuddy 这样口碑很不错的产品，背后我观察到的是很多小团队在快速迭代产品。我挺好奇，相对于传统的产品研发，你觉得在新的 Agent 时代，研发和组织管理上，产品团队发生了什么变化？你的思考是什么？

汤道生： 我前一阵子在帮 WorkBuddy 做一个组织发文，看了一下他们那个非常扁平化的组织，跟我们过去其他产品的组织架构有很大差异：更多的小团队，三个人、五个人一个，围绕某一个领域去攻坚，而且有很多实验在里面。

所以我们还要支持好 AI Infra 去做实验，让不同的小分队可以去探索、再验证，因为大部分实验可能是拿不到正向反馈的，那我们也要包容团队去试。通过大量实验去提炼出对用户流程、对我们想要的结果有正向帮助的东西。这是我觉得今天做 Agent、做 AI 原生产品时，组织形态要能够比较好地去支撑的。

另外，原来很多工程师有很多时间花在写代码上，但今天毫无疑问，这些工作可以交给 AI 了，所以我们会看到更多角色的融合：可能大家都是产品经理，都要透彻了解用户需求，以及设计出我们想要的产品形态；每一个工程师可能更像一个有想法的 leader，驱动着多个 coding agent，针对我们想要的产品需求去做研发开发。同时也要像我刚说的，把评测、测试更前置，用好 AI 的能力，把这些质量保证、alignment 对齐的工作都做到前面来。

那我也想问你一个大家讨论比较多的问题：其实很多自媒体都会提到"腾讯慢了"，说我们在 AI 上没有及时抓住一些机会。你觉得我们真的慢了吗？到底下半场是什么？你能再多说一下吗？

姚顺雨：感觉这应该是我问你的问题。

我觉得，今天有两个重要的判断。第一个：我们认为 AI 是一个短期的游戏，还是一个长期的游戏？因为在硅谷蔓延着很多情绪，说哎呀两年后所有人都要失业了、AI 就要取代所有人的工作了，我们应该赶快赚两年钱然后退休。但很显然，我们的判断是：这会是一个长期游戏。其实 AI 才刚刚开始，下半场才刚刚开始。

我不认为 ChatGPT 和 Claude 会是唯一的 super app，我觉得那会是一个非常灰暗的世界。我觉得肯定会有源源不断的新机会诞生，今天可能就像七十年代 PC 刚刚产生的时候，还有很多很多事情需要做。

第二个判断：它会是一个更线性、还是一个更多元的游戏？确实过去几年大家看到的是，pre-training，然后 post-training、RL，然后 agent、coding agent，似乎有一条非常清晰的主线，而且所有人都在 copy 这条主线。坦白说，所有人都在做一样的事情，这其实也是一件非常灰暗的事情。

那未来到底会变得更单一还是更多元？我个人的看法是会变得更多元。毫无疑问，coding agent、生产力会变得更加重要，我觉得它是一件刚刚开始的事情，这个世界还有 trillions of dollars 的 market 还没有被填满。但多模态、具身智能，很多很多新的事情都在发生、或者刚刚发生。所以从这个角度说，如果我们认为下半场才刚开始，那可能确实不算晚。

当然，过去这些模型、产品做了很多探索，走了很多弯路，我觉得这是正常的。如果你没做过一件事，第一次做肯定会有曲折。但我觉得更重要的是：能不能诚实地面对自己，能不能 be real，能不能看到 feedback 就去改变，能不能保持耐心。我觉得这些事情，可能是在下半场更加重要的事情。你怎么看？

汤道生：我觉得，大家对腾讯经常喜欢挑某一个点来批评，当然我们也很欢迎大家给我们提更高的要求。我们还是一个非常多业态的公司，很多产品在很多赛道，同时也有很多团队在推进不同的项目。

所以毫无疑问，在这样一个复杂的组织里，有些地方我们可能做得快了，有些地方做得慢了，有些地方可能会做失败、还在探索。所以这些提醒都非常好，确实有些地方我们可以做得更好。

但就像你说的，这是一场长跑、一场马拉松。腾讯还是有非常丰富的场景，就像你一开始提到的，选择腾讯是因为 AI 需要 context、模型需要很多上下文，而腾讯过去多年在不同产品、不同赛道的积累，其实都可以针对每一个场景为模型提供有用的信息、发挥价值。

在这样一场长跑里，我相信模型会不断迭代，用户需求也在不断变化，也会有新的产品形态出现。

比如今年年初对"龙虾"这一波热潮，我们也反应得比较快。同时也有像 WorkBuddy 这样的智能体产品，其实也是几年前就开始做的——沿着原来做 coding copilot，慢慢看到非程序员也有很强的需求，我们比较快地去应对。

今天也听到很多客户，对于我们不同产品怎么组合起来，有非常高的期待。所以，我们正在长跑中，也请各位多给我们提醒、多给我们建议，也多用我们的产品，给我们正向的、constructive 的反馈。