蚂蚁灵光押注个人助理 押入十万亿服务业并备战春晚补贴

复盘Personal Agent集体诞生背后:和蔡伟聊AI产品史、需求真伪、入口与未来想象 — 张小珺商业访谈录

张小珺商业访谈录

大模型竞争正从千亿信息问答演进至十万亿服务重构,蚂蚁灵光负责人蔡伟直言个人助理终局取决于线下供给与安全底座,国内激烈博弈下大厂春晚爆发补贴战已成定局。

AI-assisted summary of 复盘Personal Agent集体诞生背后:和蔡伟聊AI产品史、需求真伪、入口与未来想象 — original source. Check the original for full context.

Source published:

Key ideas

  • 大模型产品形态正经历从 Chatbot(重构千亿级信息行业)、Coding Agent(重构万亿级软件行业)到 Personal Agent(大举切入十万亿级服务行业)的三代演进。 (0:00)
  • 中美两地 Personal Agent(PA)集体迎来奇点爆发的核心动因,是底层模型长程规划智能突破、成熟生活服务数字化供给与安全可信授权体系三者的交汇。 (28:00)
  • 长程多步骤任务在工程落地上面临严苛的“概率乘法效应”:即使单步成功率达90%,由10步构成的链路整体交付成功率也仅约35%,必须依靠真实场景数据反哺与容错规划。 (115:00)
  • 面对国内大厂可能的春晚红包与补贴大战,蔡伟推测更可能采取补贴外卖、点单等具体生活服务的形式,通过具象价值感知引导用户心智。 (140:00)

Detailed notes

## Background 该内容由商业科技访谈栏目《张小珺商业访谈录》于2026年11月18日发布在Bilibili平台。访谈围绕中美AI行业集中爆发的Personal Agent(个人助理)展开,特邀蚂蚁灵光产品与技术研发负责人蔡伟深入剖析AI产品演进史、真实需求真伪、入口争夺以及未来的商业竞争与终极想象。

## TL;DR 对话系统性梳理了大模型产品从第一代Chatbot、第二代Coding Agent演进至第三代Personal Agent(PA)的脉络,指出PA正切入重构十万亿规模的存量服务行业。蔡伟结合蚂蚁灵光与海外Muse、Instinct等产品的迭代经验,拆解了做好PA所需的“智能、供给、安全”三大基石,以及处理主动打扰与长期记忆的产品克制哲学。针对烧钱担忧、入口格局及春晚补贴战等焦点,访谈推演了生产力差价与流量通道两种商业闭环,并强调PA的终局掌控权并非依靠先天基因,而是真刀真枪在残酷市场中“打出来的”。

## Atmosphere & style 访谈兼具硬核技术拆解与商业沙盘推演的冷峻感,两位对话者节奏平稳而专注,呈现出极具信息密度的深度交流氛围。蔡伟的表达兼备硅谷技术极客的底层第一性原理与本土大厂操盘手直面残酷竞争的务实,既有反常识的技术判断,也有“连Sam Altman来中国也要发红包”这类接地气的金句调侃。整场对话既剖析了长程任务中“乘法效应”等工程层面的骨感现实,又洋溢着大模型重塑社会生产关系的宏大行业抱负,极具沉浸感与思辨深度。

## Bulletin - [00:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=0s) 大模型产品形态正经历从 Chatbot(重构千亿级信息行业)、Coding Agent(重构万亿级软件行业)到 Personal Agent(大举切入十万亿级服务行业)的三代演进。 - [28:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=1680s) 中美两地 Personal Agent(PA)集体迎来奇点爆发的核心动因,是底层模型长程规划智能突破、成熟生活服务数字化供给与安全可信授权体系三者的交汇。 - [01:55:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=6900s) 长程多步骤任务在工程落地上面临严苛的“概率乘法效应”:即使单步成功率达90%,由10步构成的链路整体交付成功率也仅约35%,必须依靠真实场景数据反哺与容错规划。 - [02:20:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=8400s) 面对国内大厂可能的春晚红包与补贴大战,蔡伟推测更可能采取补贴外卖、点单等具体生活服务的形式,通过具象价值感知引导用户心智。

## Key takeaways - [00:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=0s) 做好 Personal Agent 的三大核心基石是“智能”、“供给”和“安全可信”,三者缺一不可。 - [05:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=300s) 蚂蚁灵光的演进经历了三大节点:2025年7月主打排版与信息获取效率的 Fast Research,2025年11月基于 Coding 泛化推出的移动端动态交互前端“闪应用”,以及2026年春节后正式转向长程任务主动跟进的灵光 2.0。 - [10:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=600s) 大模型与产品并非简单的“套壳”关系,而是底层原生智能、中间层 Harness(编排框架与工具装具)和前端产品表达三者的深度强耦合。 - [20:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=1200s) Personal Agent 相比前两代产品的核心代际差在于“主动性”(Proactivity),其差异本质是模型长程任务执行能力大幅溢出后催生出的全新产品形态。 - [35:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=2100s) 构建 PA 的信任正循环必须建立在克制的产品哲学之上,通过将用户上下文严格划分为内环、中环和外环信息,避免低信息增益的主动打扰沦为骚扰。 - [50:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=3000s) 移动互联网本地生活(O2O)是需求与场景驱动,其最大的历史价值是将线下餐饮、出行等存量服务数字化,为 PA 今天的端到端自动化调度沉淀了现成的标准化 API 和供给抓手。 - [55:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=3300s) 虽然无处不在的软硬件泛在调度是 PA 的理想形态,但在国内 App 生态格式化严重且底层能力尚未完全收敛的当下,立足 App 体验再对外开放接口是最务实的落地路径。 - [01:04:40](https://www.bilibili.com/video/BV1LjsC6mEyq?t=3880s) 蚂蚁做 PA 具备庞大的线下商户供给资产与金融级安全可信底座优势,但面临从传统严密商业闭环的“业务型产品”向注重审美、交互与产品力的“纯 C 端交互产品”思维转型的挑战。 - [01:20:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=4800s) 在大型组织管理中“方向比目标更重要”,如果将高维复杂的目标粗暴压缩为单一的一维指标(如 DAU 或留存),团队极易本能选择最容易的捷径而导致动作变形。 - [01:30:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=5400s) AI 时代的产品经理核心竞争力正在转向“策略产品”,要求具备算法与工程技术穿透力,并能预判未来 3 到 9 个月模型能力的演进方向来布局产品架构。 - [01:35:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=5700s) 针对真实任务场景,底座大模型研发与上层应用必须深度强耦合;硬核逻辑与代码能力无法单纯靠后训练(Post-training)解决,必须前置到预训练及 Mid-train 阶段进行定向配比夯实。 - [01:40:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=6000s) Agent 记忆工程遵循“应记尽记”但“调用极度克制”的原则,严格防范不合时宜翻旧账带来的隐私冒犯感,坚决去“爹味”和去“班味”。 - [02:00:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=7200s) 具身智能(机器人)是 Personal Agent 的物理躯壳,但由于家庭日常环境极度非标且对力觉与灵巧控制精度要求极高,其商业化必然先在工业与 B 端场景落地。 - [02:10:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=7800s) 产业链的掌控权取决于不可替代性而非单纯占据前端入口;在充分激烈的商业竞争中,超级 Agent 还是分布式 Agent 的格局是靠用户体验“打出来的”。 - [02:23:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=8580s) PA 并非极度烧钱的黑洞,离线离散的主动跟进任务可利用算力波峰波谷进行异步削峰填谷,并调度廉价低配算力卡以大幅压降财务成本。 - [02:25:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=8700s) 普通人对 PA 的需求并非伪需求,而是过去受制于真人高昂的雇佣成本;当 AI 将边际成本压至极低时,其商业模式既可走单点价值抽成的生产力替代路线,也可走超级入口通道费路线。

## Detailed walkthrough ### [00:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=0s) 开篇:大模型产品三阶段演进与春晚补贴战猜想

访谈开篇,主持人张小珺对本期节目进行了背景介绍。本期对话的嘉宾是蚂蚁灵光产品与技术研发负责人蔡伟(David)。两人从全球 Personal Agent(以下简称 PA)的产品热潮、模型最新进展,一路聊到市场格局的终极推演。

```mermaid flowchart LR accTitle: 大模型三代产品演进路径 accDescr: 展示从Chatbot到Coding Agent再到Personal Agent的发展阶段及其对应行业与市场规模

subgraph Phase1["第一代:信息获取"] C1["Chatbot / 问答"] --> S1["信息行业<br/>(千亿级市场)"] end

subgraph Phase2["第二代:任务执行"] C2["Coding Agent<br/>(Cursor / Manus / Claude Code)"] --> S2["软件行业<br/>(万亿级市场)"] end

subgraph Phase3["第三代:主动跟随"] C3["Personal Agent<br/>(灵光 2.0 / Muse 等)"] --> S3["服务行业<br/>(十万亿级市场)"] end

Phase1 --> Phase2 --> Phase3 ```

对话从行业演进的高度切入。大模型爆发以来的产品形态可以清晰地划分为三个代际: 1. **Chatbot 时代**:以问答和信息获取为核心,直接映射并重构千亿级规模的“信息行业”; 2. **Coding Agent 时代**:以 Manus、Claude Code 为代表,专注于长程任务拆解与代码/任务交付,重构万亿级规模的“软件行业”; 3. **Personal Agent 时代**:以主动服务、生活串联为核心,正在大举切入十万亿级规模的“服务行业”。

当被问及各大厂商是否会围绕 PA 展开激烈的“补贴大战”时,蔡伟转述了蚂蚁集团副总裁白森(老白)的一句生动评述,点出中国互联网竞争的残酷底色:

> “在中国这样的充分激烈竞争的环境,如果是 Sam Altman 来,他也要发红包。”

- **PA 成功的三大关键基石**:蔡伟总结,要真正做好一个 PA,最核心、最关键的三点是“智能”、“供给”和“安全可信”。

---

[01:24](https://www.bilibili.com/video/BV1LjsC6mEyq?t=84s) 蔡伟其人:从硅谷计算机视觉到蚂蚁拥抱 AI 浪潮

蔡伟回顾了个人的学术与职业背景。他最早在硅谷工作生活了十年,曾就职于 Google,主要从事计算机视觉相关的算法与技术研发,经历了完整的深度学习黄金期。2019 年回国后,蔡伟经历了两次创业,并在早期投资领域沉淀了数年。

2024 年 1 月,蔡伟正式加入蚂蚁集团。谈及在 2024 年初重回大厂一线的原因,蔡伟表示,在看早期投资项目时,目睹了大模型在中美两地的全面崛起,深刻体会到“这是在互联网、移动互联网、深度学习之后又一个非常大的浪潮”。恰逢 2024 年蚂蚁集团进入全新的战略阶段并全力拥抱 AI,双方机缘契合,蔡伟随即投身蚂蚁,开始主导灵光的技术与产品研发。

对比在硅谷与国内从事 AI 研发的感受,蔡伟指出两地文化风格迥异: - **硅谷偏向 Research,探索智能上限**:氛围更为纯粹,创业者和团队更多思考的是“如何做出更好的底层技术,如何突破智能的极限”; - **国内偏向 Application,深扎场景与 ROI**:国内团队的核心思考往往是“同样的技术如何快速落地到具体场景”、“到底服务哪些具体人群”,并极其关注落地过程中的综合服务成本是否可控。

---

[05:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=300s) 灵光进化史:从 Fast Research、闪应用到 Personal Agent

蚂蚁在 2025 年上半年对整体 AGI 团队进行了战略重组。蔡伟接手并整合了原小宝的部分团队以及自有团队,灵光于 2025 年 3 月正式立项。蔡伟将灵光从立项至今的探索历程归纳为三个标志性节点:

```mermaid flowchart TD accTitle: 灵光产品演进的三大里程碑 accDescr: 展示灵光从2025年3月立项到2025年底灵光2.0发布的完整发展节点

M1["<b>节点一:2025年7月内部内测</b><br/>主打 Fast Research(快速研究)<br/>结构化排版提高信息获取效率"] --> M2["<b>节点二:2025年11月正式发布</b><br/>确立三大能力:<br/>1. Fast Research<br/>2. 闪应用(动态交互前端)<br/>3. 多模态开眼感知世界"] --> M3["<b>节点三:2026年春节后研发 / 灵光 2.0</b><br/>由 Coding 泛化走向 Personal Agent<br/>聚焦主动盯事情与生活端落地"] ```

1. **第一个节点(2025 年 7 月内测):Fast Research(快速研究)** 灵光 1.0 的最初定位是结构化表达信息。团队坚信更清晰、结构化的信息展现能直接为用户带来获取效率的提升。灵光上线之初即因优美、清晰的排版设计赢得了用户口碑。 2. **第二个节点(2025 年 11 月上线):闪应用(动态可交互式应用)** 团队在测试教育类 Query(如学习微积分)时,发现模型具备动态生成可交互组件的能力——用户可以直接调整函数参数,图形和内容即时动态响应。当时海外的 Lovable、Replit 主要是服务中小 B 端生成网站,国内尚无产品将该逻辑搬到移动 C 端。灵光团队迅速拍板将该能力独立封装,最终在 11 月上线时确立了“快速研究、闪应用、多模态开眼感知”三大核心支柱。依托蚂蚁技术普惠的基因,闪应用在移动端引发了强烈反响。 3. **第三个节点(2026 年春节后至今):进军 Personal Agent(灵光 2.0)** 从本质上看,闪应用是 Coding Agent 能力的泛化。2026 年春节前后,长程任务执行能力跨过关键阈值,模型解决复杂任务的成功率从过去的 30%~40% 跃升到了 60%~70%。灵光顺理成章地将航向全面调往 PA 赛道。

---

[10:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=600s) 第一性原理与“产品壳”辩证:智能、Harness 与产品表达

在启动 PA 研发时,“Personal Agent”这一词汇尚未在行业内达成共识,灵光内部一直将其称为“个人助理”。蔡伟表示,团队始终坚持以第一性原理来推演助理形态:

> “如果你有一个真人的助理,你期待他能帮你完成什么样的任务?或者说在不同的阶段其实模型自身的能力非常的不一样,每到一段时间模型能力前进了,他就可能解锁一部分个人助理的能力。”

蔡伟指出,真正的助理不会每天无休止地通过对话打扰你,而是可能在合适的时候塞来一份简报、发来一封邮件,确保“件件有着落,事事有回音”。

针对业界常说的“大模型套壳”论调,蔡伟提出了深度辨析。他反对将产品视作薄薄一层“壳”,认为**智能与产品是强耦合的**,其完整架构包含三层: - **底层能力**:大模型自身的原生基础智能; - **Harness(工具装具/编排框架)**:位于模型之上,用于约束、引导模型在特定场景下合理拆解任务和调用工具; - **产品表达层**:包含具体的用户动线、界面设计(Tab 分布及跳转逻辑)等,承载场景价值。

Chatbot 时代的 ChatGPT 解决了搜索引擎“给出一堆链接需自行筛选”的痛点,用极高效率归纳提炼答案,同时催生了 Character.ai 类的虚拟陪伴需求(尽管许多非刚需陪伴产品后续面临生存危机)。

而在第二代 Coding Agent 演进中,Manus 与 Claude Code 展现出全新范式:输入任务后,模型能够主动拆解为步骤一、二、三,并在各环节精准调用工具执行组装。两者背后的核心能力虽同源,但场景取向大相径庭: - **Claude Code 偏 B 端生产力**:以专业程序员为受众,产品中完整展现改动代码行数、文件增删、调用了哪些命令行工具; - **生活场景中的 PA 偏 C 端**:普通用户毫不关心背后调用了 20 个还是 30 个工具,唯一的评判标准是“最终有没有办妥事情、该决策时是否打扰、不该决策时是否足够安静”。

---

[20:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=1200s) PA 的核心代际差:“主动性”与“盯事情”

蔡伟强调,PA 相比于前两代产品的代际飞跃,集中体现于**主动性(Proactivity)**:在恰当的时刻,主动呈现恰当的信息,办妥恰当的事。

灵光 2.0 选择的锋利切口是**“帮用户盯事情”**。例如一位粉丝想在杭州看易烊千玺的演唱会,过去需要天天刷新大麦网、翻看微博资讯、人工规划行程;而在 PA 时代,用户只需交托意图,Agent 便能全程在后台持续巡检、监控开票、抢票并串联后续行程。

张小珺追问,这一主动性究竟是前端体验的差异,还是底层能力溢出导致的必然?蔡伟解释道:

> “本质上是模型能力带来溢出,但是从产品角度来讲,就是因为它溢出的足够的大,所以大到其实你可以有一个全新的产品形态去承接,那么 PA 就是这样的一个产品形态。”

在既有产品(如 ChatGPT)上打补丁加一个“盯事情”功能,与把“管理事情”确立为产品唯一主轴,二者的灵魂是截然不同的。

| 产品维度 | Manus(复杂单一任务) | Personal Agent(管家型长期任务) | |:--- |:--- |:--- | | **任务跨度** | 单次对话框,生成单次深度报告/代码后即结束 | 跨时间持续存在,随外部条件变更动态调整 | | **上下文敏感度** | 局限于任务上下文闭环 | 强依赖长期记忆、动态环境与用户个性化画像 | | **标准明确度** | 边界相对清晰,如做 PPT、写代码有明确的行业交付标准 | 边界极其模糊,如“个人理财管家”,没有终点且方案千人千面 |

以“股票理财管家”为例,面对“多赚钱、少亏钱”这样极其抽象且无终止边界的长周期目标,一个合格的 Agent 绝不能立刻推荐代码,而是必须主动发起多轮追问:了解用户的实际年龄、风险承受能力(60 岁偏向固收债基,20 岁可承受激进波动),并在往后的人生中根据宏观市场波动与个人偏好进行终身追踪与策略迭代。

---

[25:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=1500s) 破局主动打扰边界:克制哲学与千人千面

主动性虽然是 PA 的灵魂,但若尺度把握不当,就会沦为对用户的恶性骚扰。如何平衡“有价值的主动”与“噪音打扰”,是目前行业研发难度最大的命题。蔡伟坦言,冷启动阶段精准拿捏每个人的尺度极其困难,因为不同用户的耐受度千差万别:有人渴望巨细靡遗的每日汇报,有人则信奉“不找你千万别烦我”。

灵光 2.0 目前秉持相对克制的产品哲学: - **分层触达体系**:严格区分系统弹窗 Push、对话流信息流、详情页卡片的权限与场景,默认尽量不打扰; - **惊喜与冗余的权衡**:内部测试显示,调优更激进的版本固然会带来偶发的惊艳感,但往往伴随着话痨与冗余信息的激增; - **数据飞轮驱动**:先树立克制的产品基调,随后通过用户真实使用中的正负反馈机制,驱动底层偏好算法学习,最终实现个性化的千人千面。

---

[28:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=1680s) 爆发的前夜:为何 PA 在此时集体涌现?

谈及海外 Muse(内部孵化 6-9 个月)与灵光 2.0 几乎在同一时间窗口集中爆发的宏观背景,蔡伟剖析了背后的深层动因:

1. **OpenClaw(小龙虾)带来的极客顿悟** 2026 年春节期间极客圈风靡的 OpenClaw 虽安装极其繁琐、配置要求苛刻,但它向全行业证明了一点:在长程任务编排与 Skill 机制调优完成后,模型已完全有能力自发完成极其复杂的端到端任务。 2. **连接器(Connector)与 Context(上下文)的突围** 百科类问答不需要过多私人上下文,但 PA 若要产生定制化惊喜,就必须深度掌握用户的私人背景。然而绝大部分普通用户既不会 Prompt,也不会主动提供详细的背景信息。要解决 Context 匮乏的问题,唯有构建底层的“连接器”,让用户以极低门槛将生活数据与服务生态授权接入。 3. **生态服务接入与工程落地** 模型知道“需要打车、点外卖”并不等同于“打车、点外卖的端到端调用体验丝滑”。每一个服务的 API 接口、鉴权逻辑与异常分支,都需要产品和研发团队一个场景一个场景地死磕对齐。灵光的天然壁垒在于支付宝沉淀数十年的服务生态与专门的运营团队支持,省去了从零冷启动商务拓展的巨大摩擦成本。 4. **Agent 时代的安全、隐私、合规与授权机制** 企业办公场景环境相对封闭,而 PA 面向真实的消费与支付场景。Agent 何时可以直接静默扣款?何时必须强制拉起生物识别授权?哪些数据允许连接,哪些数据必须绝对脱敏?Agent 时代的隐私合规体系与过往人类原生系统逻辑大不相同。建立让用户完全安心的信任契约,是 PA 存活的刚性前提。

蔡伟再次向小珺重申了贯穿始终的核心结论:**智能突破、生活服务供给成熟、底层安全可信体系确立**,三者的同步交汇,正是当前 Personal Agent 在中美两地集体迎来奇点爆发的真正根源。

[35:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=2100s) Instinct 与 Muse 的产品启示:边界感、信息分层与非 App 化体验

谈及海外密集的 Personal Agent 创新,蔡伟印象最深刻的是 Instinct 和 Muse。Instinct 较早发布,它带来的关键启示在于让智能助理脱离纯粹的 App 孤岛。在美国的生活现实中,网络故障、更改医保卡信息或重新安排送货(reschedule),都需要频繁拨打客服电话;电话、短信和 Web 仍是极高频的交互载体。Instinct 实践了抛开 App 封装,直接跑在短信和电话等原生协议上,这向行业揭示:助理是无处不在的,未来可以顺畅接入车机、智能家居乃至各类可穿戴硬件。

相比之下,Muse 则在体验细节和“边界感”上打磨得极其精准。市面上许多 PA 产品功能看似雷同——都有主动提醒、对话记忆和代办事项,但 Muse 给用户发消息时,能做到每条都有极高信息增益与信息含量,从而构建出信任正循环。普通产品往往每天机械推送早报、晚报,沦为节假日千篇一律的旅游营销短信,用户疲劳后便会关闭权限甚至卸载;而 Muse 的 Push 就像微信弹窗一样自然,用户知道“一定是真实世界有人找我、有具体的事”。

蔡伟推测,Muse 之所以能调出这种克制的边界感,核心在于对用户上下文做了精准的“信息分层分级”: - **内环信息(核心刚需)**:如用户下月出行,订机票、订酒店、请假以及行程与既有日程的冲突等,属于高优先级触发; - **中环信息(环境相关)**:目的地近期天气异动、当地新开的景点等弱相关事件; - **外环信息(泛推荐)**:无边界的相关资讯推送,这类往往属于低信噪比的干扰。

蔡伟指出,泛泛的 Prompt 或最强的大模型并不会天然具备边界感,必须依靠精细的产品价值主张来判断信息归属,蚂蚁灵光在打磨边界感时也继承了 Muse 这种“尽可能克制、尽可能少打扰”的主张。

> “就是那种当他给你发消息的时候,确实那条消息整体是对你很有增益的,很有信息含量的,然后它会形成这个正循环……当你下次给我发的时候,我一定会很在意去看。” —— 蔡伟

```mermaid flowchart TD accTitle: Personal Agent Information Hierarchy and Notification Loop accDescr: 示意Muse式边界感的信息分层逻辑及与用户的正向互动闭环。

subgraph InfoLayer["信息分层结构"] Inner["内环核心信息<br/>(机票/酒店/请假/日程冲突)"] Mid["中环环境信息<br/>(目的地天气/突发变动)"] Outer["外环泛推荐信息<br/>(新开景点/泛资讯推荐)"] end

subgraph ActionLoop["交互与信任闭环"] ModelFilter["模型与价值主张过滤<br/>(高信息增益筛选)"] Push["高价值Push触达<br/>(如真实世界的微信反馈)"] Trust["建立确定性信任<br/>(高打开率与高留存)"] end

Inner --> ModelFilter Mid -.->|"视情景克制触发"| ModelFilter Outer -.->|"严格屏蔽/降级"| ModelFilter ModelFilter --> Push Push --> Trust Trust -->|"促成产品正循环"| ModelFilter ```

---

[41:57](https://www.bilibili.com/video/BV1LjsC6mEyq?t=2517s) 重构十万亿服务业:Chatbot、Agent 到 Personal Agent 的供给侧革命

在探讨大公司的“下一个 AI 入口”时,蔡伟认为当前的 Muse 或灵光可能只是阶段性过渡形态,但 Personal Agent 的大方向是确定且正确的——随着模型能力提升,它的行为与解题能力会无限逼近甚至替代真人助理。

衡量一个赛道的 TAM(潜在市场规模),核心是看它所替代的存量市场空间。蔡伟将大语言模型演进对应的产品和市场划分为三个量级:

| 演进阶段 | 代表形态 / 典型工具 | 解决的核心问题 | 颠覆的原有行业 | 对应中国市场规模量级 | |:--- |:--- |:--- |:--- |:--- | | **Chatbot** | ChatGPT, Gemini 等问答类应用 | 线上信息的检索、提炼与问答 | **信息行业**(传统搜索引擎、泛资讯) | 千亿级别 | | **Task-oriented Agent** | Metas, Claude Code 等执行工具 | 固化业务流程、代码生成与界面的自动化执行 | **软件行业**(SaaS、定制软件开发) | 万亿级别 | | **Personal Agent** | 灵光, Muse, Instinct 等生活助理 | 替代或重塑真人服务(如营养师、家教、生活规划) | **服务行业**(线下及本地生活重度服务) | 十万亿级别 |

当前大模型在营养规划、减重建议甚至中小学课后辅导等领域的能力,已经不亚于甚至超越了市场上平均水平的真人专业服务者。社会各行各业由真人承担的服务业,未来将经历一次由 PA 牵引的底层彻底重构。

针对“Chatbot 是否如当年 O2O 般颠覆传统搜索”的提问,蔡伟认为两者的根本驱动力截然不同: - **移动互联网(如 O2O)**:本质是**场景侧与需求侧驱动**。电脑变成了带 GPS 定位的手机,定位能力解锁了“随时随地找周边餐厅与外卖”的新场景,打破了供需关系; - **大模型与 Personal Agent**:本质是**供给侧的智能重构**。它不仅是利用已有数据,而是在每次交互中动态“实时生成全新供给”,并将原先零散在线下的服务用极低边际成本串联起来。

谈及 Google 等搜索引擎巨头的应对,蔡伟指出传统搜索引擎不会一夜归零,用户的习惯迁移存在时间差(例如百度依然拥有一两亿日活的国民级基本盘),但老牌巨头也在依靠算力、数据底座和工程积累“革自己的命”。

> “如果我们放到中国这个市场,它可能分别就是代表了千亿级别、万亿级别、十万亿级别……所有的这些服务业其实涵盖了社会上的方方面面,但其实你说现在的模型能力,比如你就以营养师、减重师为例,它其实至少不比一个平均水平的营养师、减重师要差的。” —— 蔡伟

---

[50:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=3000s) PA 与 O2O 的继承关系:线上化沉淀与跨生态供给接入

张小珺提出,互联网过去二十年的积累成了大语言模型的语料库,过去十年的 O2O 本地生活大战,是否实际上是为 Personal Agent 完成了长达十年的服务线上化准备。蔡伟对此高度认同。

一个成熟的 PA 具备三大底层支柱:**智能(大模型能力)**、**供给(线下及线上服务储备)**、**安全(权限与可信边界)**。如果各类实体服务没有完成线上化,让 Agent 自主去打通线下接口的效率将极其低下;O2O 最大的历史价值就是把餐饮、保洁、出行等庞大存量服务翻到了线上,构建了标准化的 API 和数据库,给 PA 提供了完备的“执行抓手”。

同样的逻辑也体现在协同办公领域。在蚂蚁灵光的用户使用场景中,连接钉钉是一个极高频且体验极佳的场景。其原因在于: - 钉钉生态内沉淀了足够丰富的工作上下文供给(日程、审批、群聊、文档); - 平台以高开放度和严格的安全围栏对 Agent 开放接入,使得 PA 能够直接调用生态能力完成调度。

无论未来的实体是 APP 还是泛在设备,核心都在于 Agent 能否在安全、开放的标准下,以极高自由度访问各行各业积累的数字供给。

> “从这点的角度讲,你所有的 O2O 的线下服务,包括像钉钉、飞书这样的一些线上服务,它本质上都是一个供给。我觉得核心是要让 agent 能够安全、极高开放度的情况下 access 了这些供给,这样的话它才能发挥出最大的一个生命力。” —— 蔡伟

---

[55:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=3300s) 入口之争:脱离 App 的碎片化代价与苹果 Siri 的基因困境

针对“PA 是否会最终脱离 App 成为无处不在的编排层”这一设想,蔡伟认为未来 PA 理论上不应局限于手机屏幕里的单体 App,但在现阶段,App 仍是最务实的落地形式。

海外如美国市场,短信与电话的使用占比极高,Instinct 可以在纯通讯协议上生长;而国内超 90% 的网民高度依赖手机 App 生态,用户心智被高度格式化。如果 PA 从第一天就脱离 App,直接押注智能音箱、车机或穿戴设备,就会遭遇严重的市场碎片化挑战(音箱等硬件的用户规模与使用时长远逊于手机)。在当前底层模型能力、安全隐私挑战尚未完全解决的早期,叠加硬件多端适配的难度并非明智策略。灵光的打法是“立足 App 体验,对外开放接口”,允许极客用户自行串联智能家居与车机。

谈到 Siri 为何没有率先达成这种 PA 愿景,蔡伟从企业基因和商业模式进行了剖析:苹果本质上是一家硬件公司,其商业模式的核心闭环在于销售高利润硬件。App Store 和 Siri 等软件能力本质上是为卖硬件服务的附庸。这种文化导向和组织体系决定了其开放度和对纯粹复杂软件调度的推进上存在天然掣肘,而 PA 是一个以模型、数据与生态交互驱动的极“软”的命题。

> “在苹果来讲,苹果还是家硬件公司。对苹果来讲其实它的商业模式决定了它最核心、最关键的还是要把硬件给卖好……所以可能对于一些像这种 Siri 这样的一些智能助理,它其实还是软的成分会更多一些,其实可能挑战会更大。” —— 蔡伟

---

[01:00:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=3600s) 聚焦“帮我管事情”:生活高频场景与工作场景的边界

面对行业普遍面临的“用户下载 PA 后不知道打开干什么”的困惑,蔡伟坦承市场需要长期教育。当年让灵光接管钉钉工作流时,内部用户也完全陌生。因此灵光 2.0 放弃了宏大抽象的口号,选择了一个极具象的小切口——“**帮我管事情,帮我盯事情**”。

灵光在落地时聚焦的生活高频刚需场景包括: - **育儿照料**:管理饮食起居、辅食准备进度、打疫苗提醒; - **家庭健康管理**:父母体检规划、定时服药跟踪; - **生活琐事与人际**:车况与保养、人际关系往来、给伴侣备礼; - **个人理财与资产打理**。

关于生活 Agent 与工作 Agent 的边界,蔡伟认为**短期内由于场景、动线和数据围栏的不同,两者会以独立产品形态存在**;但长期来看,人的能力是统一的,两者存在融合的可能性。在模型层面上,蚂蚁不会针对生活或工作分别训练两套基础基模(Base Model): - **基模层面**:优秀的通用模型应当具备统一的复杂推理与执行能力,正如一个优秀的真人往往能同时把工作与生活打理得井井有条; - **后训练层面(Post-training & RL)**:通过不同的强化学习奖励机制和数据微调,适配不同任务特性; - **工程与安全层面**:企业级工作场景对数据隔离、企业合规围栏(Fence)有苛刻要求,这决定了两者在产品形态和资源倾斜上的侧重差异。

> “在愿景可以很大,切口相对还是需要会更加聚焦、更加小。所以这是为什么灵光我们在这次发布的时候,还是选择了一个切口叫做‘帮我管事情’……帮你管事情、帮你盯事情。” —— 蔡伟

---

[01:04:40](https://www.bilibili.com/video/BV1LjsC6mEyq?t=3880s) 蚂蚁的基因切片:万亿线下供给资产、金融安全底座与纯 C 端产品的突围

剖析蚂蚁做 Personal Agent 的底牌与劣势,蔡伟拆解为以下核心要素:

**优势禀赋:** 1. **庞大的线下商业供给积累**:从支付宝支付时代、余额宝理财到生活服务生态,蚂蚁在将线下服务数字化的进程中,与数以百万计的实体商户、机构打磨出长期互信与接口体系,构成 PA 落地不可替代的“供给粮仓”; 2. **极高的金融级安全与可信底座**:受金融严监管与业务性质影响,蚂蚁在支付级安全、可信计算(TEE)、隐私计算以及数据合规上沉淀了庞大的专业基建,省去了 AI 时代从零搭建安全水位的巨大成本。

**劣势与转型阵痛:** - **业务型产品 vs 纯 C 端交互产品**:蚂蚁过去擅长做“业务型产品”,从创立第一天就具备极其严密的 B 端与 C 端商业闭环(如何搞定 B、搞定 C、如何设计分润);而 PA 是由模型能力演进直接催生的纯粹 To C 产品,对产品设计感、交互体感、审美细节以及市场推向(Go-to-market)的要求极高,这需要蚂蚁从习惯的业务思维向纯 C 端产品思维转变。

对比全球主流 AI 科技巨头的基因流派,蔡伟做出了细致梳理: - **Meta**:典型的产品驱动型(Product-driven),对 C 端用户心智和产品力极具敏锐度; - **Amazon**:重运营、重效率的业务型公司; - **Google**:典型的工程与 Infra 驱动型,凭借极强的算力调度、低成本工程基础设施与底层算法构筑壁垒; - **OpenAI & Anthropic**:科研驱动型(Research-driven),能够承担极高研发不确定性,在“十个未经验证的探索方向中死磕出一个真正 Work 的路径”。

> “做业务型产品其实是做的更顺手、做的更多的。然后 PA 其实有一个特点,它在一开始其实是一个相对比较纯粹的产品……它本质上是模型能力带来的变化解锁了一个新的产品的一个交互,所以它本身对模型能力的变化的体感要求也很高,然后对整个 C 端产品的交互这个体感要求也很高。” —— 蔡伟

[01:10:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=4200s) 技术驱动、业务驱动与纯粹产品的本质分野

谈到像 OpenAI、Anthropic 这样的顶尖研究型机构,蔡伟指出它们表面上是前沿技术驱动,但其真正不可替代的核心能力,在于如何将极其前沿的 Research 持续转化成大众喜爱的爆款产品,并形成不断迭代落地的机制。面对张小珺关于“蚂蚁作为一家业务型公司,如何打破‘基因论’做出顶级 AI 产品”的追问,蔡伟表示自己并不迷信基因论。他回顾了阿里巴巴早期的技术演进:在 2004 至 2006 年前后,外界几乎没人认为阿里是一家硬核技术公司,其底座与算法积累相对薄弱;但随着淘宝搜索推荐系统(搜推)的深度演化、双11极端峰值并发对底层 Infra 架构扩展性与稳定性的严苛考验(承接 100 QPS 与承接 1 万 QPS 的技术系统完全不可同日而语),以及阿里云和通义千问等业务的技术积淀,阿里最终蜕变成为公认的技术强国。因此,企业最关键的是看清正确方向并投入足够长周期的积累。

```mermaid flowchart TD accTitle: 业务型产品与纯粹产品的架构与生态差异 accDescr: 对比纯粹产品两方交互与业务型产品多边生态的结构差异。

subgraph PureProduct["纯粹产品 (Pure Product)"] direction LR P_Dev["产品团队"] <-->|"要素组织与需求满足"| P_User["终端用户"] end

subgraph BizProduct["业务型平台产品 (Business Product - 如淘宝/支付宝)"] direction TD B_User["C端用户 (资金安全/顺畅支付)"] B_Plat["平台核心 (风控机制 / 收单清算 / 规则惩罚)"] B_Merch["B端商家 (供给端 / 资金入账)"] B_User <--> B_Plat B_Plat <--> B_Merch end ```

谈及“产品”与“业务”的差异,蔡伟认为两者并非完全割裂,但核心结构有很大不同: - **纯粹的产品**:本质是以某种形态把要素组织在一起,结构上往往只有“做产品的”和“用产品的”两方,首要考虑的是满足了谁的什么需求,且要比潜在对手(不一定是直接竞品)解决得更出色。 - **业务型产品(如淘宝、支付宝)**:通常是连接 C 端、B 端与平台方的复杂生态体系。例如在支付宝中,用户诉求看似只是顺畅绑定银行卡并把钱付出去,但背后涉及资金安全风控、多机构收单系统以及商家结算清算机制。业务型公司往往在第一天就必须考虑商业模式与各方利益分配(哪边拿流量、哪边提供给、怎么分钱)。 - **AI 时代的商业模式演进**:蔡伟强调,最理想的商业模式必须与产品形态强绑定、强耦合。但由于底层大模型能力每代都在解锁突破,很难说当前的 Personal Agent(PA)形态就是终局形态,过早锁定固定的商业模式并不现实。

> 蔡伟:“本质上一个产品就是我以某一种形态把一定的要素组织在一起,满足一部分人的一部分需求……一个最理想的商业模式我认为它是要和产品的形态要强绑定、强耦合的,但是产品的形态它可能会有一定程度的演进的过程。”

---

[01:15:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=4500s) 灵光 2.0 的意外发现与 AGI 产品的“G”

张小珺询问在蚂蚁这样的业务型集团内推动灵光,是否需要反复向组织说服其商业模式。蔡伟回应称,日常沟通交流非常频繁,但集团对 AI 大方向极为坚定和重视,投入了充足资源推进各条线探索。谈及“灵光”这个名字的由来,蔡伟分享了一段取名背后的趣事:蚂蚁最先推出的基模叫“百灵”,具身智能产品叫“灵波”,团队希望一脉相承形成“灵系列”;而“灵光”不仅朗朗上口、自带智能感,在江浙沪等众多南方方言里也是“脑子老灵光了”(非常聪明)的口语表达,团队与 CTO 一致认为这个词特别贴切,于是定名灵光。

灵光 2.0 上线后,最令团队惊喜的超预期用户反馈是来自极客群体的跨设备控制。蔡伟透露,团队最初根本没有预设这类场景,但有内测极客用户利用灵光极高的通用性,直接尝试连接自己的智能家居、净水器(查询滤芯余量)甚至车机系统。起初由于未做专门定向优化,用户无法一键直连,但凭借模型极高的智能水平,该用户纯靠多轮对话引导灵光:“你帮我连接这个型号的机器人,帮我去下载它的驱动,通过蓝牙去配对”,经历三四轮交互后居然成功连接并实现了控制。这给团队带来了极大的正反馈,印证了通用人工智能的核心在于那个“G”(General)——一款真正正确的 AGI 产品,就应当具备广泛的通用性,被用户自发用于设计者未曾设想却符合产品价值主张的场景中。

关于灵光现阶段的指标监测体系: - **常规观测指标**:DAU(日活跃用户数)、留存率、LT(生命周期)。 - **PA 专属行为指标**:事项托管率(用户到底创建了多少事项)、活跃跟进事项数(Active Tasks)、真正闭环完成的事项数,以及中途因体验原因流失或放弃(Drop)的事项比例。 - **核心考核倾向**:若必须设定考核项,团队最聚焦的依然是整体用户体量与持续留存。

---

[01:20:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=4800s) 方向比目标重要:避免高维指标坍缩为一维追逐

对于团队考核与 KPI 设置,蔡伟提出了一个在大型组织中极为反常识的原则:“方向比目标更重要”。他直言,工业界通常习惯把目标具象化成一个数字(例如冲 500 万 DAU、做 40% 留存),但这本质上是将极具复杂性的高维信息粗暴压缩到一维,必然导致大量关键细节丢失。如果一个目标彻底异化为唯一的指标,它就容易发生严重的动作变形。

在完成单一指标时,往往存在容易与困难等多条路径: - **追逐单一指标的危险**:团队为了完成数字考核,必然本能地选择最容易的捷径,而那条最容易的路绝大多数时候都会偏离产品核心价值,变成与长期主张无关的刷量或拉新手段。 - **技术与模型的不确定性**:底层模型与产品形态每三到六个月都在剧烈变化,频繁切换考核目标(如这个月考核 DAU、三个月后变留存、半年后变 LT)会导致一线执行层极度迷茫。 - **管理对焦的解法**:在大公司严格的年终绩效与评定机制下,既不能逆人性而行,也不能靠单一考核指标简单化管理。灵光团队通过与集团管理层保持高频对焦,核心沟通的不是干瘪的数字,而是业务理念、价值演进方向以及实际传递给用户的真实价值增量。

> 蔡伟:“我一直相信的一个理念、一个定律就是,如果一个目标它变成了一个指标,它就不再是一个好的目标,很容易变形……我们必须要把产品的主张跟价值跟所有的同学讲得非常清楚,这样的话我们心里才知道最原始、最高维的东西内核是什么。”

---

[01:25:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=5100s) 重新定义成败:用 AI 重塑服务业供需关系

当被问及“灵光做到什么程度算成功,什么程度算失败”时,蔡伟坦承,从终极覆盖率来看,Personal Agent 属于极其广泛的大众刚需,他期待灵光未来能够成长为具备千万甚至亿级 DAU 的国民级通用 AI 产品。但他对于“成败”有着更宏大的行业视角:单纯从成败二元论看待产品在高速发展的 AI 浪潮中显得狭隘,灵光更重大的使命在于确保始终站在行业与时代的最前沿,在探索前沿用户需求和商业模式的过程中反向驱动底层模型、算力与其他业务协同进化,拉动整个行业往前走。只有坚信 PA 终将重塑日常生活的愿景,团队在遭遇冷启动与技术断崖时才能齐心协力坚持下去。

从蚂蚁集团战略版图来看,从早期移动支付、互联网金融到本地数字生活与科技服务,蚂蚁的核心根基是“服务业的数字化”。在 AI 时代,集团对灵光的顶层定位与期待,正是顺应这一主线: - **重塑供需关系**:利用大模型与 Agent 架构,从根本上重组整个社会服务业的供给与需求匹配链路。 - **下一代超级入口**:虽然重塑服务业可能会自然沉淀出服务业的下一个超级流量入口,但流量入口仅仅是供需演进的一个伴生结果,深耕并引领 AI 赋能的服务业底层变革才是核心主线。

> 蔡伟:“蚂蚁之前一直在做的事情是服务业的数字化……灵光现在做的一个整体的方向,其实就是在用某一种方式去重塑整个服务业。所以如果是讲集团对灵光的一个期待,或者说我们对自己的一个期待,我觉得是希望能够用 AI 的力量去重塑整个服务业的供需关系。”

---

[01:30:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=5400s) AI 时代的产品经理与策略产品的复兴

张小珺谈到很多互联网转型产品经理感叹 AI 时代做产品的逻辑全变了。蔡伟分析认为,底层“洞察用户需求”这一支柱从未改变,但在执行侧分化巨大: 1. **交互层与策略层的消长**:移动互联网时代,产品经理大量精力耗费在页面 UI、功能点与交互细节的微调上;而在 AI 产品中,核心分水岭变成了“策略产品”——即如何负责把大模型的效果调优到最佳。 2. **20年搜索周期的回响**:策略产品并非新鲜事物,蔡伟认为现在的 LLM 效果调优,本质上与二十年前 Google、百度产品经理优化搜索引擎 Relevance、Ranking 的底层逻辑并无二致,只是调动的工具变了。如今借助 Codex、Claude Code 或内部自研工程工具,产品经理可以独立高效地手搓原型代码。 3. **复合型背景与技术穿透力**:灵光团队中有大量产品经理直接是算法或工程技术背景出身;即便是非技术背景的产品经理,也必须高频阅读前沿学术 Paper,深入掌握大模型能力的边界与机制。 4. **面向未来设计**:由于模型能力日新月异,产品经理绝不能基于“当下的模型能力”做功能设计,否则三到六个月后模型能力跃升,既有产品形态便会迅速落伍。优秀的产品经理必须具备预判“未来3至9个月技术演进方向”的能力,提前围绕未来的能力上限做产品架构布局。

> 蔡伟:“最好的方式就是你去尝试去判断说我三个月后、六个月后、九个月后,我的模型会向什么方向演进,我的模型能力可能会到一个什么程度,然后我们围绕着未来的模型能力去设计相关的一些产品功能……这一代产品经理必须要懂技术,不一定是个必须项,但一定是个很大的加分项。”

---

[01:35:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=5700s) 模型与应用的强耦合:中美巨头的两种飞轮路径

针对底座大模型的预训练(Pre-training)与后训练(Post-training)分工,蔡伟阐明灵光团队与蚂蚁基模团队处于极致深度的强耦合协同状态,共同归属于统一的 AGI 核心板块下,绝非传统的“基模打榜、应用套壳”模式。针对 Personal Agent 的真实场景,团队打通了端到端的数据反馈飞轮:

```mermaid flowchart TD accTitle: 灵光产品与蚂蚁底座大模型协同演进架构 accDescr: 展现从应用需求拉动基模预训练与后训练的数据闭环流程。

subgraph AppLevel["灵光 Personal Agent 应用层"] direction LR CodingNeed["闪用 Coding Agent 场景"] LongTaskNeed["长程复杂任务调度拆解"] ToolCallNeed["全模态复杂工具调用链"] end

subgraph ModelLevel["蚂蚁基模底座演进 (百灵大模型)"] direction TD MidPre["Pre-training / Mid-train (夯实底层能力与知识)"] PostTrain["Post-training / RLHF (风格微调与对齐)"] MidPre --> PostTrain end

AppLevel -->|"需求前置输入与底层配比定制"| MidPre AppLevel -->|"业务数据飞轮逆向回流"| MidPre PostTrain -->|"定向输出针对 PA 深度优化的专用模型"| AppLevel ```

蔡伟指出,单纯依靠后训练(Post-training)存在天然的“跷跷板效应”——后训练更适用于风格化与交互指引,而复杂逻辑拆解、工具调用与底层代码能力等核心硬核知识,必须依靠更前置的预训练(甚至 Mid-train)阶段夯实底座。开源模型虽然选择丰富,但往往不公开 Base 模型权重及训练数据配比,应用团队无法定向进行全链路重训。

在此背景下,蔡伟对比了中美两类顶尖 AI 玩家的动力路径: - **模型能力外溢型(以 OpenAI、Anthropic 为代表)**:研发团队先攻关出世界级强大的底座模型,观察到最亮眼的能力长板后进行产品化外溢。例如 Claude Code 本质上是 Anthropic 模型超强 Coding 能力的自然延伸。 - **应用牵引基建型(以蚂蚁灵光为代表)**:基于深厚的本地服务、金融与数字生活业务逻辑,先锁定“未来生活管家”这一 PA 战略方向,以此向后逆向拉动底座大模型定向研发所需的工具调度、多轮规划与 Coding 训练。两者逻辑方向不同,但共同点都是模型研发与应用产品必须“极度强耦合”。

---

[01:40:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=6000s) Agent 记忆工程与“去班味”的克制克己

在讨论 Personal Agent 的主动性、边界感与长效记忆时,蔡伟揭示了一系列具体的 Harness 架构工程与产品哲学设计。当前预训练阶段并不天然具备自适应的边界感,这要求产品策略层做出极其精密的平衡: - **记忆的“应记尽记”原则**:在上下文窗口依然极其稀缺宝贵的现实下,底层的基本原则是凡用户提供过的 Context,系统在 Harness 层都尽可能妥善存储沉淀。 - **调用的“高度克制”策略**:记住并不等于随时宣之于口。很多 Agent 之所以让用户体感极差,原因就在于缺乏情商——例如用户刚提到要减重,模型不合时宜地翻出旧账说“你上周已经 110 斤了,建议少吃点”,这会让用户感到强烈的隐私侵犯与社交冒犯。 - **调用逻辑判定**:系统根据用户当前对话的实时意图(Intent)进行裁决。若是纯百科或工具查询,直接模型直出,绝不强行串联无关历史;只有在多轮任务推进且需要上下文协同的核心节点,才会精确抽取匹配记忆。 - **拒绝“爹味”与“班味”**:在提示词(Prompt)与模型系统设定层面,严格防范 Agent 产生高高在上的说教感(爹味),或是像老板下发排班表一样带来职场压迫感(班味)。灵光坚定地将自己定位为“静默待命的助手”——在你需要时高效响应,无需打扰时退居一旁在后台默默梳理跟进任务。

最后,张小珺将话题引向深层次的产品路线取舍:业务驱动型产品从第一天就牵扯多方商业利益容易变臃肿,产品驱动型倾向单点突破。蔡伟以商业史案例分析称,这本质上由客观规律决定,而非创业者的个人偏好: - **电商领域(重型业务逻辑胜出)**:20 年前如果只做纯粹的产品型导购(如早期的美丽说、蘑菇街),最终必然被深入打通供应链、自建物流、搭建退货与商家惩罚机制的重度业务平台(淘宝、京东、拼多多)彻底击溃。 - **搜索领域(通用轻型产品通吃)**:做浅层信息检索的通用搜索引擎,凭借极其刚需广泛的用户心智,反过来碾碎了绝大多数垂直行业的细分检索工具。

蔡伟给出了这一段讨论最核心的悬念抛问:Personal Agent 到底更像追求通用广度的“搜索引擎模式”,还是更像深扎复杂履约与重度供应链的“电商模式”?它到底该横着做还是垂着做?这正是整个行业在当前十字路口面临的最核心抉择。

> 蔡伟:“对灵光来讲,我们首先对它的定位肯定还是一个助手……希望他能够帮助到你,然后他能够不过度的打扰你,他能够在你最需要他的时候出现,你没有那么需要他的时候,他就静静的待在一边,但是可能还在帮你做很多一些事项。”

[01:45:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=6300s) 前端产品力与后端供给:通用与垂直路线的分野

对于 Personal Agent(PA)的产品形态,前端体验与后端供给存在着截然不同的驱动逻辑。前端涉及交互设计、主动提醒、智能简报以及判断事情先后顺序的能力,这些高度依赖技术与产品力;而后端连接的则是大量原本处于线下的复杂供给。蔡伟指出,现阶段很难下定论 PA 到底会更像淘宝模式(重运营、做重供给)还是更像 Google 模式(技术与算法驱动),“直接去下这么一个定论对本身灵光向前的发展并没有额外的好处”。

在供给侧,当前的外部环境与当年淘宝创业时截然不同。当年阿里推“中供铁军”挨家挨户地推扫街,是因为当时全行业缺乏线上商家,必须从零到一建立极重的体系;而今天的许多线下服务虽然仍需地推拓展,但它们大多已在移动互联网时代完成了“从线下翻到线上”的沉淀。蔡伟认为,若未来行业生态开放速度足够快,这些现成资产能够被 Agent 顺畅调用,那么技术力和产品力更强的团队便能迅速打赢;但若生态开放受阻、供给严重割裂,市场上就会分裂出无数垂直 PA(如专门理财的 PA、专门做健康管家的 PA),因为用户最终是“用脚投票”的:“你吹的天花乱坠你说你技术再牛逼产品力再强你供给再多如果用户最终没有用那一定是中间某一些环节有问题的。”

关于通用与垂直路线的选择,蔡伟说明了蚂蚁集团内部的布局逻辑: - **集团层面**:并行推进通用与垂直,例如蚂蚁既有面向通用场景的“灵光”,也有聚焦垂直场景的“阿宝”和医疗健康管家“阿福”。 - **灵光定位**:在相当长的一段时间内坚定走向通用方向。团队笃信通用人工智能(AGI)的泛化能力,且通用生活助理蕴藏着极其巨大的平台机会。 - **驳“PA 对智力要求不高、全是脏活累活”的观点**:蔡伟并不认同“搞定生态供给就能赢”的单向逻辑。把二三十分的体验拉到 60 分或许能阶段性领先,但一旦竞争对手同时打通供给且智力水平达到 80 分,用户必然选择更聪明的那个。“智能、供给、安全”三要素缺一不可,“如果有一个三个都是 90 分的公司,他未来他一定能够打赢那个三个都是 70 分的公司。”

---

[01:50:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=6600s) 巨头禀赋与创业公司的历史宿命

谈及国内 Personal Agent 战场的胜率,蔡伟认为行业整体尚处于极早期,模型能力与产品形态都在快速变动中,过早预测赢家为时尚早,核心依然取决于哪家能在“智能、供给、安全”三者上兼具天然禀赋并能坚持做到底。

针对大厂与创业公司的优劣势对比,蔡伟给出了清晰的拆解: - **大厂的天然禀赋**:在“供给”上具备深厚的存量业务沉淀;在“智能”上有自研模型与算力基础设施支撑;在“安全与可信合规”上拥有创业团队难以企及的资源冗余。在 PA 这一极其看重用户隐私与代办资产安全的领域,“安全可信它不是一个加分项,是一个必须项”。 - **创业公司的破局点**:主要在于纯粹的“产品力”。优秀的产品体验不完全依赖资源堆砌,甚至可能源自“少数一两个、两三个极具天赋的产品经理”的灵光一闪。

对于行业弥漫的“大模型创业公司将被大厂吞噬”的悲观论调,自身曾经历两次创业并将公司成功并购退出的蔡伟持鲜明的反思与包容态度。他从科技史的统计规律指出,每一次技术大浪潮都会孕育全新的物种:阿里、腾讯、字节在二三十年前都是一无所有的草根;在移动互联网向 AI 进阶的早期,Google 坐拥全球顶级基础设施、海量资金与人才半壁江山,但最终仍是最初作为非盈利机构起步的 OpenAI 以及 Anthropic 杀出重围。

蔡伟感叹道:“如果一个社会它的每一个新的浪潮新的机会都是由已有的大公司抓住的话,我个人觉得对这个社会也是一个比较可悲的事情,这就可能意味着这个可能整个社会的大家的一个创新力创造力可能整体都没这么强。”正如过去一二十年日本互联网新势力罕见涌现,而中美始终存在活跃的创业阶层。蚂蚁在自研灵光的同时也投资了齐俊元创立的 Today 团队,二者在投资决策上独立推进,但战略理念共通。行业足够早期,多方以不同姿态试错才能共同推动生态向前。

---

[01:55:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=6900s) 聚焦未满足需求:长程任务的木桶与乘法效应

被问及灵光内部是否将 Today 或 Muse 视作直接竞品时,蔡伟坦言,团队精力绝大部分并未放在盯对手动作上,而是紧盯技术与需求的匹配关系。这契合其早期投资的核心方法论:“我一直觉得早期公司看需求,晚期公司看供给和竞争。”现阶段最重要的事情是验证 PA 能率先在何种场景(例如家庭带娃育儿)满足用户的强痛点,并低成本搭建良好闭环。

在技术演进维度,蔡伟对未来 6 个月的模型突破做出了预判,尤其点出“长程任务调度”(Long-horizon Task)中的严苛乘法法则: - **长程任务的乘法效应**:相较去年,模型的长程规划与工具调用能力取得了长足进展,但在实际工程与生活场景中仍然远未令人满意。长程任务通常涉及多步骤链路,假设一个由 10 个独立步骤构成的复杂任务,即使单步成功率高达 90%,按照概率乘法叠加计算,整体最终交付的成功率也仅有约 35%($0.9^{10} \approx 0.35$),整体错误率极高。 - **打榜测试与真实交付的鸿沟**:“从能调用到调用好,这个事情其实中间也有很大的一个鸿沟。”在学术打榜或基模评测中,调用工具的环境与入参往往是封闭固定的,只要触发调用动作即算命中;但真正落地到灵光这类用户交付场景,PA 必须向用户交付确定的最终结果。如果调用后还需要用户反复确认、纠错,就沦为“行百里者半九十”,“在没有完成的情况下,你就是行百里者半九十嘛,你没有完成就是你不管之前你完成了多少步,你最后其实都是没有完成的。”

因此,后续必须借助大量真实用户的真实案例对模型进行反馈与数据反哺,教会模型面对复杂现实任务时应如何进行合理的子任务拆解与容错规划。

---

[02:00:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=7200s) 多模态革命与具身智能的现实载体

除了长程任务能力,多模态交互与具身智能(Embodied AI)是正在加速推进的另一关键主线,尤其是前沿大模型带来的底座提升,正在为这两条线注入全新动能: - **实时多模态交互的拟人化**:多模态的演进让 AI 拥有“眼睛”与“耳朵”,能一边实时感知周边物理环境,一边输出相关建议。更自然的交互体验必须支持像真人助理一样的实时双向沟通与随时打断,而不是由模型机械地单向输出一长串内容导致用户烦躁。 - **具身智能是 PA 的物理躯壳**:张小珺提出机器人或许是 PA 的现实载体、PA 则是软件中枢大脑或灵魂,蔡伟对此表示高度认同。现实存在一个巨大的戏剧性反差:过去全人类曾幻想“AI 负责洗碗、叠被、做家务、炒菜,人类负责写诗、作画、仰望星空”,结果现实反而是模型把写诗作画等阳春白雪的事情率先干完了,普通家庭生活中的琐事依然无法被机器替代。

蔡伟分析指出,具身智能最先落地的场景必然是 B 端或工业场景,因为家庭生活环境的非标程度与物理控制精度要求极高。他以看似轻而易举的“开冰箱门”为例说明其工程难度: > “你让一个比如可能两三岁三四岁的小孩,你让他很顺畅的打开冰箱他是需要学习的。因为冰箱它的门会吸住,你需要知道在一开始用一个很大的力把它打开,当你把它拉开来之后你要在很短的时间之内把那个力收到非常小。所以它看上去打开冰箱是个很简单的事情,但它其实是一个对你的控制、然后你的反应、你的判断要求极高的这么一件事情。”

同样,系鞋带等精细动作对物理世界的实时灵巧控制要求极高。随着基座大模型对物理世界的理解加深,具身智能从商业工业迈入家庭生活将成为释放社会生产力的下一次飞跃。

---

[02:05:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=7500s) 产业版图定位:独立应用、操作系统与开放互联

探讨 PA 在未来 AI 产业版图中的终局生态形态时,蔡伟认为它既可能是独立应用,也可能演化为类似操作系统的底层调度基础设施:

```mermaid flowchart TD accTitle: Personal Agent 产业架构演进 accDescr: 展示从前端用户交互到 PA 独立应用与操作系统层,再到底层原子化供给与通用模型的调用闭环。

subgraph UserLayer["用户交互层"] U["终端用户"] end

subgraph PALayer["Personal Agent 核心层"] App["独立应用形态 (如灵光App / 硬件Agent)"] OS["操作系统级调度能力 (Agent OS)"] end

subgraph ServiceLayer["服务与供给层 (原子化/MCP)"] S1["本地生活 / 出行 / 订票"] S2["健康医疗 / 个人理财"] S3["第三方大模型 (千问等平台开放)"] end

U <-->|"自然交互 / 意图托管"| PALayer App --- OS OS <-->|"开放互联 / 协议调用"| ServiceLayer ServiceLayer -.->|"数据反馈 / 场景驱动"| U ```

- **独立应用与操作系统的融合**:灵光一方面作为 App 呈现给终端用户,另一方面其背后连接的庞大支付与本地生活履约网络,本身即可被“原子化”与“Agent 化”,成为提供底层能力的操作系统。未来这套系统不仅灵光可用,甚至可以通过开放平台赋能通义千问等外部产品,最大化释放供给价值。 - **供给端面临的改造挑战**:当前多数商家的数字化程度远远没有达到完全 Agent 化的水平,绝大部分供给顶多刚刚支持 Model Context Protocol(MCP)等服务协议。从简单的接口调用到真正具备端到端履约、合规审计、安全可信的能力,仍需全生态全链条的漫长重构。 - **反哺 AGI 的闭环链路**:PA 产品并非单向消耗模型能力,而是加速 AGI 迭代的强力助推器。产品直面用户真实场景,能够产生最敏锐的用户诉求与链路失败数据,这些一手反馈反向倒逼模型团队研发下一代针对性架构,恰如当年 ChatGPT 的爆火反向极大推动了全行业底层基模的高频进化。

---

[02:10:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=7800s) 生态中心化还是分布式?掌控权是“打出来的”

面对终局生态究竟是“高度中心化的超级 Agent”还是“分布式离散 Agent”的宏大设想,蔡伟指出,这从来不是靠顶层规划预先设定的,而是商业激烈竞争后“打出来的”用户体验稳态。

中国互联网市场孕育了超级 App 文化,但即便如此,阿里、腾讯、字节依然形成了各自坚固的边界——微信负责社交通信、淘宝负责实物电商、抖音负责内容分发与兴趣电商。这并非二十年前巨头协商划界,而是因为用户用脚投票形成了不可撼动的心理预期:在微信内购物的体验始终难比淘宝,在淘宝内与好友聊天的体验也难比微信。同理,美国由于独立站生态高度成熟,电商天生走向去中心化;中国的集中式电商则源于特定的商业历史沿革与消费文化。因此,未来的 PA 无论是寡头主导还是千帆竞发,终究取决于模型智力与供给版图匹配出的极致用户体验。

关于产业链上下游的“掌控权”之争,蔡伟给出了深刻的商业本质剖析: - **入口不等于绝对掌控权**:占据入口只是掌握了超长产业链中的某一环。如同 PC 产业中,做硬盘的属于完全竞争市场、数十家厂商均无超额利润;而搞 CPU 的 Intel 和 AMD,以及半导体光刻机领域的 ASML、晶圆代工领域的台积电,虽然深居产业链后端、普通大众甚至未曾听闻其名,却凭借“唯我能干”的不可替代性垄断了核心环节,享有极高的商业利润与真正掌控权。 - **商业的残酷与理想主义的落脚**: > “掌控权它不一定只停留在最前面那层,它其实中间每一层都可以。核心是你这层是不是足够重要,第二就是这件事情在这个节点是不是只有你能干。如果只有你能干,你就有掌控权,你就有足够高的商业利润。” 做技术与产品研发天然带有大量理想主义情怀(如微信早期在产品设计上的极度克制),但一款产品最终能不能守住阵地、在历史中立足,归根到底全靠残酷商业战场里的真刀真枪拼杀出来。

---

[02:15:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=8100s) 竞争壁垒的阶段演进与春晚补贴大战推演

在剖析 Personal Agent 的核心竞争壁垒时,蔡伟将其划分为清晰的时间线阶段: - **短期看智能**:在技术高速爬坡期,模型智商的微小差距都会直接决定长程代办的可用性。 - **中长期看供给与安全**:长远来看,底层基座模型的通用智力水平迟早会像当年的智能手机一样进入收敛期与平原期。

蔡伟类比了 iPhone 的发展周期:许多人将 2022 年 ChatGPT 爆发类比为初代 iPhone 的横空出世,但与 iPhone 4 之后智能手机硬件架构定型、App Store 生态成熟、后续迭代多为参数微调不同,大模型的 Scaling Law 虽被部分人质疑触碰天花板,但通过强化学习、自迭代(RSI,Recursive Self-Improvement)以及长程任务推理,目前其智力演进依然处于高斜率爆发期,尚未步入放缓稳态。因此,眼下仍是依托智力突破开拓全新商业版图的黄金窗口期。

关于“国内大厂是否会在 Personal Agent 上打响熟悉的补贴大战(乃至搬上春晚舞台)”,蔡伟展现了务实冷静的推演态度: - **长坡厚雪的持久战**:PA 意图解决的是个人全天候生活管理中极高频、极刚需的痛点,其演化跨度堪比支付宝二十年的产品重构历程,必然是一场极其漫长的长跑。 - **补贴战是竞争手段而非终局能力**:回顾往年春节通义千问、豆包等产品的推广,大厂打补贴战的核心驱动力是抢占用户心智与第一入口。补贴战本身是商业获客决策,与底层产品技术的演进处于两条平行线上。 - **被动迎战的现实考量**:蔡伟直言,未来若行业爆发关于 Personal Agent 的补贴战他“绝不会感到意外”。商业博弈具有极强的外部联动性,“补贴战也有不同的姿势跟打法”,若竞对全线入局通过高额补贴掠夺入口,处于同一战壕的任何参与者都很难独善其身、完全置身事外,这正是他曾与老苗深入探讨的残酷市场命题。

[02:20:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=8400s) 补贴大战的逻辑、C端用户洞察与春晚预测

谈到国内激烈的竞争与补贴手段,蔡伟引用了写下支付宝第一行代码的前辈的一句话。那位老阿里人曾对他说:“在中国这样的充分激烈竞争的环境,如果是 Sam Altman 来,他也要发红包。”在蔡伟看来,补贴并不存在绝对的正向或负向,它纯粹是中国特殊国情下极端激烈竞争的产物,是一种可以理解的商业决策。然而,补贴打得好绝不等于产品本身做得好。

C端产品的特质就是“用脚投票”:只要能传递出足够的用户价值,用户自然会留下来;如果产品没有核心价值,砸再多广告、撒再多红包也是徒劳,因为没有任何一家公司可以无限期补贴。但C端产品最难的地方也在于此——用户往往不知道自己真正要什么,或者嘴上说的并不是内心深处的真实渴望(本我、自我与超我的错位)。蔡伟认为,这种用户洞察无法单纯用自然科学式的逻辑推演来完成,它往往包含着艺术、感性甚至是“毫无道理”的直觉成分。作为业务负责人,最痛苦的时刻莫过于在没有严密数字能证明的情况下,顶住外界与团队的质疑,力排众议坚持走自己直觉认为正确的方向。

当张小珺问及今年春晚会不会爆发 Personal Agent(PA)的补贴大战或红包大战时,蔡伟给出了肯定的预测。他认为完全有可能,但不一定是直接发人民币红包,更可能是像此前通义千问“请大家喝奶茶”那样,通过补贴外卖、点单等具体的真实服务,引导用户切身感知 PA 的实用价值。

> 蔡伟:“在中国这样的充分激烈竞争的环境,如果是 Sam Altman 来,他也要发红包。”

---

[02:23:21](https://www.bilibili.com/video/BV1LjsC6mEyq?t=8601s) Personal Agent 真的很烧钱吗?算力波峰波谷与未来成本演进

针对外界认为“Personal Agent 比 Working Agent 更烧钱(因为既要主动又要实时响应)”的担忧,蔡伟从算力调度的工程维度拆解了成本逻辑:

1. **异步任务削峰填谷**:PA 确实会产生更多的主动 query,但许多交互并不要求强实时性。例如“每天帮我总结当日股市”,在晚上 9:05 处理还是 9:10 处理对用户体验毫无差别。系统可以充分利用算力的波峰波谷,在低谷期执行离线离散任务。 2. **算力卡的分级使用**:离线后台推理不需要动用像 H200 甚至 H20 这样的昂贵高性能卡,完全可以使用廉价算力。即便原本 10 秒能算完的任务在低配卡上跑 30 秒,离线场景下的用户对此也是完全脱敏的。 3. **长期算力成本崩塌**:算力本质上是水电气基础设施,中美都在大规模建设,单位算力成本长期必将大幅下降。当前之所以觉得贵,是因为数十家企业在极度内卷的“强市场”竞争,大家都在追赶并调用当前最前沿的昂贵模型。一旦模型迭代放缓(例如新一代模型仅提升 10%)或市场收敛至少数两三家,从商业闭环出发,行业便不会盲目去追逐最新、最贵的算力开销。因此,蔡伟对 PA 未来的财务消耗持偏乐观态度。

---

[02:25:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=8700s) 真实需求还是伪需求?重塑服务业与商业模式双轨推演

面对“现实中只有少数高净值人群才配助理,普通人对 PA 的需求是不是行业伪需求”的尖锐质疑,蔡伟指出,这并非用户不需要,而是受制于过去的真人供给成本:高管雇真人助理是因为助理带来的价值远高于其薪资,而普通人雇不起真人。如果未来 AI 能够以极其低廉的成本(比如象征性的“一个月一块钱”)把事情办得妥帖,被压抑的增量需求将瞬间井喷。

```mermaid flowchart LR accTitle: Personal Agent 两种商业演进路径 accDescr: 生产力/服务业逻辑(分散生态,依靠单点价值抽成)与流量入口逻辑(少数巨头垄断,靠通道和过路费变现)。

subgraph Productivity ["生产力 / 服务业逻辑 (生态更分散)"] direction TB P1["用户需求托管"] --> P2["高价值交付 (如做决策/替代钟点工)"] P2 --> P3["创造剩余价值 (交付价值 > 使用成本)"] P3 --> P4["直接收费与分润 (如抽成服务费)"] end

subgraph Traffic ["流量入口 / 通道逻辑 (少数寡头胜出)"] direction TB T1["高频信任代理"] --> T2["独占推荐分发 (购物/医院/保险)"] T2 --> T3["建立收费站通道"] T3 --> T4["收取过路费 / 广告抽成"] end ```

关于未来 PA 的商业模式,蔡伟推演了两种截然不同的演进逻辑:

* **生产力与服务业逻辑**:关注 AI 创造的实际生产力差价。就像雇钟点工打扫卫生两小时需要 120 元,如果物理世界或虚拟世界的 PA 只要 20 元就能做到同样好,就会形成极度确定的生产力替代。如果 PA 每月能为用户创造 100 元的价值,成本为 50 元,定价 60 元,那么公司有 10 元利润,用户有 40 元剩余价值。这种模式不依赖中心化的流量聚集,只要单点价值足够扎实,即便在生态极度分散的环境下也能自洽成立。 * **流量入口与“过路费”通道逻辑**:如果用户对 PA 建立起了极高信任,PA 接管了购物、医疗、保险等所有决策,PA 本身就变成了超级流量入口。这时平台自己修了路、建了收费站,可以通过抽成或通道费盈利。这属于互联网式的赢家通吃网络,其成立的前提是未来 PA 赛道最终只收敛到少数几家巨头手中。

> 蔡伟:“如果未来一个 AI 的助理……每个月给你提供 100 人民币的价值,然后你需要付出的代价值是 10 块钱,没有理由用户不用,因为这是一个很清晰明确的决策。”

---

[02:30:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=9000s) 拐点初现:从“投票机”到“称重机”的长跑

回顾年初以 OpenClaw、Hermes 为代表的 AI 体验类产品热度迅速滑落,外界担忧 PA 是否也会是一波流的过渡性产品。蔡伟表示,从 Muse 以及蚂蚁灵光内测的实际数据来看,产品已经非常接近甚至达到了用户能“持续使用”的留存拐点。如果现在做不好、留存往下掉,不是因为底层要素缺失,而是产品团队在关键细节上还没有打磨到位。

蔡伟借用格雷厄姆的名言比喻:在产品初期,DAU 波动就像股价,“短期是投票机,长期是称重机”。友商疯狂撒红包往往会引发群体焦虑,迫使其他人应战,导致数据大起大落。但决定胜负的根本不是短期的拉新手段,而是能不能在无人理解、资本撤资、甚至公司管理层摇摆不给资源的情况下,始终咬住长坡厚雪的正确方向坚持积累一至三年。

* **问答模式 vs. Agent 托管模式的留存差异**:单轮问答(如刷短视频或简单检索)往往是即用即走,低频则留存差;但 Personal Agent 强调的是“长效任务托管”。无论是生活中的大事还是多线程事件,只要交给了 Agent,它就会在特定周期内主动持续提醒与管理,这种对个人注意力的深度接管和生命周期贯穿,才是高黏性留存(LT 与留存率)的真正来源。

> 蔡伟:“像 PA 这样一个长坡厚雪的赛道,最终能赢下战争的一定是一个在正确的方向持续积累的玩家……短期它更像是一个 voting machine,长期它更像是一个称重机。”

---

[02:35:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=9300s) 终极想象、硬件布局与市场是“打出来的”

谈到 Personal Agent 的终极形态,蔡伟认为核心标尺就是“像一个真人,甚至超越真人”。当前的所谓智能很大程度是相对于上一代模型的惊艳,若对标一个高情商、高智商且受过良好教育的真人,差距依然巨大。他给灵光设立的目标是遵循第一性原理的阶梯式追赶:如果目前相对真人能力只有 1%,明年能不能做到 3%,三年做到 5%,五年做到 50%,十年达到 70%~80%。一旦达到真人的能力区间,整个世界将被深度重构。

- **关于硬件探索**:蔡伟透露蚂蚁在硬件上并非零基础。此前在扫码支付、刷脸支付机具以及“碰一下”设备的研制中积累了大量的软硬件协同经验。尽管 C 端 AI 硬件历史积累相对少,但内部已经意识到 AI 能力将催生全新终端形态,正在加大对该领域的投入与关注。 - **面对腾讯的微信生态壁垒**:对于“腾讯是否凭借微信天然关系链最具 PA 优势”的提问,蔡伟认为这是投资人维度的视角,创业者和业务团队不应受此拘束。就像二十年前没人相信阿里能把电商做成绝对主导一样。巨头各有天赋与底牌(可能某家某项 85 分,另一家 70 分),但没有哪一个单一长板能直接奠定胜局。“市场是打出来的”,真正的胜负手在于谁能把各项要素最快地组合成满足用户真实痛点的产品。

> 蔡伟:“这不是说有一个领域你是 85 分、你是 80 分,这就意味着你之后能打赢这场战争,整体我认为还是一个非常非常综合的事情……市场是打出来的。”

---

[02:40:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=9600s) 尾声:快问快答

访谈的最后,张小珺与蔡伟进行了一组快速问答,展现了这位产品负责人个人的生活偏好与核心认知:

- **全球范围内喜欢的食物**:面。 - **全球范围内喜欢的地点**:巴黎。 - **一个少有人知的冷知识**:“毛豆和黄豆是同一个品种。” - **必读的两本书**:《邓小平时代》与《乔布斯传》。 - **当下最重要的一个认知投注(Bet)**:“算力的成本会不断地下降,我们做产品、技术要基于这个理念。”

## Notable quotes > [00:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=0s) 在中国这样的充分激烈竞争的环境,如果是 Sam Altman 来,他也要发红包。 — 白森

> [20:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=1200s) 本质上是模型能力带来溢出,但是从产品角度来讲,就是因为它溢出的足够的大,所以大到其实你可以有一个全新的产品形态去承接,那么 PA 就是这样的一个产品形态。 — 蔡伟

> [02:25:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=8700s) 如果未来一个 AI 的助理……每个月给你提供 100 人民币的价值,然后你需要付出的代价值是 10 块钱,没有理由用户不用,因为这是一个很清晰明确的决策。 — 蔡伟

> [01:50:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=6600s) 如果一个社会它的每一个新的浪潮新的机会都是由已有的大公司抓住的话,我个人觉得对这个社会也是一个比较可悲的事情。 — 蔡伟

> [02:10:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=7800s) 掌控权它不一定只停留在最前面那层,它其实中间每一层都可以。核心是你这层是不是足够重要,第二就是这件事情在这个节点是不是只有你能干。 — 蔡伟

> [01:10:00](https://www.bilibili.com/video/BV1LjsC6mEyq?t=4200s) 一个最理想的商业模式我认为它是要和产品的形态要强绑定、强耦合的,但是产品的形态它可能会有一定程度的演进的过程。 — 蔡伟

## Mentioned 蔡伟, 张小珺, 白森, Sam Altman, 齐俊元, 蚂蚁集团, 灵光, Muse, Grok Bot, Instinct, OpenAI Dots, Town, Today, Cue, Cursor, Manus, Claude Code, ChatGPT, Lovable, Replit, Character.ai, OpenClaw, Gemini, Google, Anthropic, OpenAI, Meta, Amazon, Apple, Siri, 阿里巴巴, 支付宝, 钉钉, 通义千问, 飞书, 百度, 腾讯, 字节跳动, 微信, 淘宝, 京东, 拼多多, 抖音, 百灵大模型, 阿宝, 阿福, Intel, AMD, ASML, 台积电, 《邓小平时代》, 《乔布斯传》

## 弹幕氛围 (Danmaku mood) — 1 条 弹幕整体呈现出轻松调侃的氛围。观众被画面中厚重的讲稿所吸引,表现出惊讶与好奇,主要以客观观察和轻度吐槽为主。

**整体情绪**:😊 正面 15% · 😐 中性 80% · 😞 负面 5%

**热议点** - **关注出镜讲稿的厚度与体量** —— “好厚的稿” - **调侃发言内容信息量或准备充分程度** —— “好厚的稿” - **视觉焦点集中在画面的道具细节上** —— “好厚的稿”

**代表弹幕** > 好厚的稿

## Video description 今天的嘉宾是蚂蚁灵光负责人蔡伟。我们一起聊了聊正在成为中美AI共同焦点的Personal Agent。

Muse掀起热潮之后,Personal Agent在过去三个月迅速成为AI行业的新赛场。Grok Bot、Instinct、OpenAI Dots、Town、Today、Cue等产品密集涌现,蚂蚁灵光也推出了2.0版本。一场围绕Personal Agent的竞争,正在加速展开。

这集节目,我们试图深入讨论:Personal Agent为什么在此刻集中爆发?模型能力与产品形态正在发生怎样的变化?用户需求究竟是真实存在,还是行业的一场集体想象?它会成为AI时代下一个真正的入口吗?

同时,我们也大胆做了一些推演:今年春晚,会不会成为Personal Agent补贴大战的第一个大舞台?

OUTLINE: 00:01:24 AI产品史 00:20:49 PA集中出现的根源 00:41:57 重构服务业 01:04:40 秉赋、不⾜和⽬标 01:28:21 产品设计、未来技术与格局推演 02:08:42 “市场是打出来的” 02:23:21 需求真伪 02:32:03 终极想象

LINKS: 语言即世界工作室公众号:语言即世界language is world。

DISCLAIMER: 本内容不作为投资建议。 CONTACT: xiaojunzhang@lisw.ai Jump into the new world-and explore with us!😉

[Source](https://www.bilibili.com/video/BV1LjsC6mEyq)

中文简报

蚂蚁灵光押注个人助理:进军十万亿服务业并备战春晚补贴 大模型竞争正从千亿信息问答演进至十万亿服务重构,蚂蚁灵光负责人蔡伟直言个人助理终局取决于线下供给与安全底座,国内激烈博弈下大厂春晚爆发补贴战已成定局。 对话系统梳理了大模型产品从第一代Chatbot、第二代Coding Agent演进至第三代Personal Agent(PA)的脉络,指出PA正切入重构十万亿规模的存量服务行业。蔡伟结合蚂蚁灵光与海外Muse、Instinct等产品的迭代经验,拆解了做好PA所需的“智能、供给、安全”三大基石,以及处理主动打扰与长期记忆的产品克制哲学。针对烧钱担忧、入口格局及春晚补贴战等焦点,访谈推演了生产力差价与流量通道两种商业闭环,并强调PA的终局掌控权并非依靠先天基因,而是在残酷市场中真实拼杀出来的。 大模型产品形态正经历从 Chatbot(重构千亿级信息行业)、Coding Agent(重构万亿级软件行业)到 Personal Agent(大举切入十万亿级服务行业)的三代演进。 (0:00) 中美两地 Personal Agent(PA)集体迎来奇点爆发的核心动因,是底层模型长程规划智能突破、成熟生活服务数字化供给与安全可信授权体系三者的交汇。 (28:00) 长程多步骤任务在工程落地上面临严苛的“概率乘法效应”:即使单步成功率达90%,由10步构成的链路整体交付成功率也仅约35%,必须依靠真实场景数据反哺与容错规划。 (115:00) 面对国内大厂可能的春晚红包与补贴大战,蔡伟推测更可能采取补贴外卖、点单等具体生活服务的形式,通过具象价值感知引导用户心智。 (140:00)

Reading summary

蚂蚁灵光产品与技术研发负责人蔡伟认为,大模型产品正从千亿信息行业的 Chatbot、万亿软件行业的 Coding Agent,演进至重构十万亿服务业的 Personal Agent(PA);PA 的破局不在于单点噱头,而取决于智能、线下生态供给与安全合规三要素的深度整合。 大模型三代跃迁与重塑服务业供需 (0:00) 蔡伟将大模型爆发以来的产品形态划分为三个阶段:第一代是解决检索问答的 Chatbot,映射千亿级信息行业;第二代是以 Manus、Claude Code 为代表的 Coding Agent,负责长程任务拆解与代码交付,切入万亿级软件市场;第三代则是以灵光 2.0、Muse 为代表的 Personal Agent,主打主动服务与生活托管,正在重构十万亿级规模的线下与本地生活服务行业。与移动互联网依靠手机 GPS 解锁场景不同,PA 的本质是供给侧的智能重构,通过极低边际成本实时生成并串联分散的专业服务,如营养师规划或课后辅导。 PA的核心代际差:主动盯事与克制哲学 (20:00) 相比于单次生成即结束的复杂任务工具,PA 的核心代际差在于“主动性”(Proactivity)与长周期“帮用户盯事情”。以演唱会监控或个人理财为例,PA 依托动态记忆和用户画像进行跨时间的持续跟进,而非单次交付。为了防止主动服务沦为对用户的频繁骚扰,灵光团队主张分层触达体系,严格限制系统弹窗,过滤中外环的低信噪比资讯,通过克制的设计维持高信息增益,依托真实反馈飞轮逐步实现千人千面的个性化平衡。 智能、供给与安全构筑的三大支柱 (50:00) 蔡伟强调,PA 绝非大模型上的薄壳,其生存依赖底层基模能力、生态服务供给与金融级安全可信底座的三角支撑。过去十年的 O2O 本地生活大战与企业协作工具沉淀了大量线上化接口,为 Agent 提供了现成的执行抓手;若缺乏供给接入与履约闭环,Agent 将陷入无处调用的空转。此外,面向真实消费与扣款场景时,Agent 时代的隐私合规、鉴权及生物识别机制是业务存续的绝对前提,而非锦上添花。蚂蚁在此类资产与合规基础设施上的积累构成了其天然壁垒。 长程任务乘法瓶颈与工程成本化解 (115:00) 长程任务调度目前仍受制于概率累乘法则:即便 10 步链路中单步成功率达 90%,端到端最终交付率也仅约 35%(0.9 的 10 次方),真实生活场景要求交付确定性结果,这与封闭打榜测试存在巨大鸿沟。在算力消耗层面,蔡伟指出 PA 并非无底线烧钱,其主动服务多为弱实时性任务,完全可以在算力波谷期调用廉价卡进行削峰填谷式的离线推理。随着中美算力基建推进与模型收敛,长期单位算力成本必将大幅下滑。 商业演进路径与中国市场竞争现实 (140:00) 针对商业模式,蔡伟推演了两条路径:一是直接创造生产力差价的去中心化服务抽成模式;二是形成高频信任代理后垄断决策环节的流量通道模式。谈及国内竞争,蔡伟援引阿里前辈的论述指出“如果是 Sam Altman 来,他也要发红包”,推测春晚可能出现结合外卖等具体服务的 PA 推广战。然而补贴仅是获客手段,C 端最终是用脚投票;面对腾讯或硬件巨头的竞争,单一长板无法锁定终局,最终胜负取决于谁能持续在正确方向上打磨出满足真实痛点的综合闭环体验。 蔡伟认为当前 PA 已逼近用户持续使用的留存拐点,但行业仍在探索其终局是走向通用的操作系统调度层还是垂类割裂应用。随着物理世界具身智能的发展与底层长程推理突破,如何将高维的产品价值转化为可持续的留存,依然是所有参与者必须在残酷商业实战中解答的命题。

Source quotes

[0:00] 白森: 在中国这样的充分激烈竞争的环境,如果是 Sam Altman 来,他也要发红包。 [20:00] 蔡伟: 本质上是模型能力带来溢出,但是从产品角度来讲,就是因为它溢出的足够的大,所以大到其实你可以有一个全新的产品形态去承接,那么 PA 就是这样的一个产品形态。 [145:00] 蔡伟: 如果未来一个 AI 的助理……每个月给你提供 100 人民币的价值,然后你需要付出的代价值是 10 块钱,没有理由用户不用,因为这是一个很清晰明确的决策。 [110:00] 蔡伟: 如果一个社会它的每一个新的浪潮新的机会都是由已有的大公司抓住的话,我个人觉得对这个社会也是一个比较可悲的事情。 [130:00] 蔡伟: 掌控权它不一定只停留在最前面那层,它其实中间每一层都可以。核心是你这层是不是足够重要,第二就是这件事情在这个节点是不是只有你能干。 [70:00] 蔡伟: 一个最理想的商业模式我认为它是要和产品的形态要强绑定、强耦合的,但是产品的形态它可能会有一定程度的演进的过程。

Original transcript

[0:00] Hello大家好,我是小军,今天我们的嘉宾是蚂蚁灵光的负责人蔡伟,我们一起来聊了一期personal agent的播客,来聊了聊全球personal agent的最新进展和市场推演,并且我们来预测了一下今年春晚会不会打起personal agent的补贴大战。那接下来就是我对蔡伟的访谈,期待2026年我们和AI共同进步。总结归纳就三点我认为第一点就是智能第二点是供给然后第三点是安全可信对这三点我认为是PA如果要做好非常非常核心关键要搞好的三个部分我们刚才聊到的这个大模型出来之后几个产品的阶段啊从这个tapot对吧获取信息到这个这个完成任务这个像像像Menas啊像Cloud Code的然后到PA其实他们三个分别对应了信息行业软件行业还有一个就是服务行业如果我们放到中国这个市场它可能分别就是代表了千亿级别万亿级别十万亿级别会打补贴战吗这是个好问题老白当时跟我说一句话我觉得还蛮经典他说在中国这样的充分激烈竞争的环境如果是Sam Ottman来他也要发红包今天我们来录制一期Personal Agent的播客对全球的Personal Agent的产品啊趋势啊以及模型的最新进展都来做一个概览那David先来给观众朋友们打个招呼并且做一个简单的自我介绍Hello Hello 大家好小军好对 我简单介绍一下自己我是David我现在在蚂蚁负责灵光然后整个灵光的产品技术研发我最早其实是在硅谷的我之前在美国待了十年之前在Google工作主要是从事计算机视觉相关的研发算法一些工作然后那个时候还是深度学习时代后来2019年的时候回国然后有一些创业的经历也做了几年投资我是24年1月份加入蚂蚁的然后来蚂蚁之后就再参与蚂蚁的整个的AI战略和做几个AI相关的一些产品为什么来蚂蚁在24年的时候其实也是一些机缘巧合当时在来蚂蚁之前其实我在看一些早期项目的一些投资那个时候大模型其实已经起来了国内有蛮多做也有做筋模的公司也有做应用的公司当时看了之后就觉得这真的是一个大的机会就感觉是一个在互联网移动互联网深度学习之后又一个非常大的浪潮因为我自己之前还是做技术产品出身两次业所以当时就觉得说感觉是不是可以又有此机会那个时候24年的时候蚂蚁其实也刚刚到了一个全新的一个阶段整个蚂蚁也在积极的去拥抱AI所以各种机缘巧合就来到了蚂蚁你同时经历了硅谷的AI和中国的AI你在两边有什么不一样的感受吗从22年底到24年然后回国24年到现在刚好分别都是两年对我感受两边的文化风格其实还是蛮不一样的整个硅谷的风格跟氛围相对会更纯粹一些就是可能大家更多想的是说我怎么样有更好的技术我怎么样更多去突破智能的上限更多是沿着这个方向去走的对国内的公司来讲可能会更多的关注同样的一个技术我怎么样能够落到一个场景里面或者说如果我做了这个产品那么它可能具体服务哪些人群一样的一些问题还有包括说我们在解决人群问题的过程当中后面的整个的成本是不是可控可能我整体的感觉是国内可能更应用的成分会更多一些然后海外可能偏这个research研究的部分会更多一些就硅谷那边模型的研究范围更浓重国内这边可能应用的范围会更浓重一些对 是的我们知道灵光是蚂蚁在去年11月份推出的一个AI应用那从去年初的立项然后一直到11月真是上线然后以及到现在推出灵光2.0这中间对于你们内部来说有哪些不一样的阶段灵光的发展其实也分成几个阶段灵光是去年25年3月份开始立项的24年底发生了一个很大的事情其实对所有的大厂都有很大的一个影响就Deep Seek当时Deep Seek横空出世之后AGI的能力其实可能带来非常巨大的变化我们可能除了关注场景本身之外还是应该投入更多的资源跟精力在技术在底存的一些模型能力上面所以在25年的上半年我们就整体重组了整个的一个AGI的团队所以我是在那个时候也接触了当时的小宝的部分团队然后也把我原来的一部分团队带了进来整体集团团一起整合对于是 [5:00] 然后当时我们是25年3月份开始立项去做之前其实主要都还在研发阶段然后里面有几个关键的节点然后一个节点还是当时在25年的7月份我们当时在公司内部做了一次的内徽然后那次内徽的一个版本其实就是灵光整体的一个第一版灵光的第一版其实主要解决的问题就是我们内部把它叫做fast research其实就是用更结构化的表达解决你的很多的一些信息的问题当时我们其实是做了这样的一个定位所以你可以看到去年当灵光上线之后其实大家很多人会称赞说灵光的排版非常的好看灵光的整体的结构化非常的好是因为整体的产品主张跟理念就是在往这个方向去走的因为我们相信更加结构化的表达能够提升用户获取信息的效率获取信息的效率这件事情对用户来讲是非常直接的价值传递所以我们一直是沿着这个方向走的所以这个是我们当时的第一个这个Miles Stone然后7月份我们内部推出之后其实会有很多非常好的一些反响然后我们后来就决定说这个收集了一些反馈修复了之后我们可能打算10月11月向外去推然后中间其实遇到了一个我们之前没有意想到的一个发展当时在部分的这个query里面我们发现比如说对于教育类的query这个比如说我们怎么去学习微积分这些概念其实模型的能力互动式的内容了就相当于我们出一个结果我可以直接在结果里面去改变比如说函数的参数然后它上面的内容就能够动态的去实现出来当时很多人对这个功能的反馈印象都非常的好我们当时就想既然我们一方能够动态的去生成这些可交互式的应用那我们能不能把这个能力直接开放给三方对吧就是说相当于我让用户每一个人都能够生成自己的应用在当时那个节点其实海外已经有一些相关的产品像Lovable啊Replet其实是在往这个方向去做但它的逻辑可能相当于说我给中小B提供这样的一个工具你可以动态的生成网站动态的生成一些这个内容然后去服务更多的C当时其实在国内是没有一家公司真的把这个逻辑用到C端的一个移动端的一个产品里面的所以这个我们当时就做了一个决策应用这件事情把它独立出来作为一个很特色的一些功能所以这就是为什么我们在11月发布的时候其实主要有三大功能一部分是快速研究一部分是闪应用然后还有一部分是跟多摩泰开眼感知世界相关的一个能力然后上线之后整体包括闪应用其实也获得了非常非常好的一个反响然后这里面我们回过头去复盘我觉得很关键的一个原因是就是这件事情当时在国内是一个非常非常新的一个事情虽然每次发模型的时候大家都会说我写前端的能力多强然后我能够做什么什么样复杂酷炫的动画但是其实没有一家真的在移动端把它体验做到好事这个事情还是很不一样大家基本上都是在网页段多的但其实对于中国的大部分用户来讲他们其实更习惯还是用手机然后这个也跟蚂蚁一直以来的一个基因很有关系蚂蚁一直以来的一个基因很强调普惠一个科技的普惠所以基于这样的一个理念也是我们把这个包括fast research包括闪应用作为特色能力我还去推所以我觉得闪应用的发布是对灵光来讲一个很重要的一个第二个节点然后对灵光来讲的第三个节点其实就是personal agentpersonal agent这个事情其实是从春节之后我们就开始在研发的当然那个时候可能大家不叫personal agent的这个词我们为什么往这个方向去做我觉得核心的原因是我们当时发现模型的能力又发生了一个很大的演进我们最早从chapot然后走向coding agent其实闪用它更多的还是一个coding agent的放话对我们不仅能够去写code其实我们能够满足方方面面的一些需求包括那个时候长程任务的能力其实有了非常非常长足的进步当然离完美还差距非常远了但是我们已经能发现以前一些可能只有3% 40%能解决的事情一下子能够到60% 70%就是它跨过一个预值了当时我们观察到模型能力有这样的跃迁之后所以我们就决定往personal agent的方向去做那个时候因为也许可能Muse还在研发之中Muse还没有出来看到包括海外国内有做的特别好的这样的一些产品当时其实很多的更多的还是基于模型能力然后结合灵光之前一直在做的一些普惠C端的一些方向自然而然的一个眼镜然后就到了今天这步 [10:00] 其实从4月份到现在也蛮长时间的中间确实在技术上还是遇到了非常非常多的挑战就是包括在底层的一些infra上然后在算法的一些调优上挑战都非常的大然后还有一部分是安全隐私合规这部分我们也花了很多时间这就是为什么我们虽然从4月份开始搞可能一直到这个10月11月可能才出了一个我们认为可以去对外开放给大家公众去测试的这么一个版本所以其实也做了半年在那一步对调效果调了半年当时还没有personal agent这个词你们怎么来描述你们当时正在做的一个事情你觉得方向是什么我们当时一直把灵光定位成为一个个人助理因为个人助理这个词它虽然比较泛但是我们思考很多功能的时候我们一直是以一个低性原理去思考的就比如说你有一个助理然后他是一个真人那么你期待他能帮你干什么事情方式和你去交互对吧比如说对于一个助理来讲你不一定每次都要跟他去讲话的有的时候他也可以给你塞个简报对吧然后他也可以给你发一封邮件然后有的时候你不希望他总去打扰你对吧有的时候他每天都来打扰你你会觉得很烦但是重要的事情你会期待他一定要这个每一件事情都有着落每件事情都有回应其实我们一直是沿着这样的一个角度去思考问题的如果你有一个真人的助理你期待他能帮你完成什么样的任务或者说在不同的阶段其实模型自身的能力非常的不一样所以可能每到一段时间模型能力前进了他就可能解锁一部分个人助理的能力再往前模型能力前进了可能解锁一部分的能力就像现在可能个人助理做的很多更多的事情主要还是在线上我其实非常期待个人助理在未来有一天真的能在线下帮我们解决很多问题比如有一天我跟他说你帮我把房子都给打扫了你帮我把所有的家务都给做了我觉得到这样一天真的会是这个很让人兴奋的一天当agent变成机器人对来操控物理世界对对对这个其实也是自然而然的一个模型能力的眼镜我们说AI时代最大的变量是智能那我们过去有一个观点一直认为每一代智能都能解锁不同的产品形成不同时期不同形态的产品的壳能不能解析一下从过去你看到的从XBO到Copala到Coding Agent这不同背后对应的模型的智能能力和它产品形态的关系智能和产品之间他们是怎么一个动态的协同关系我其实完全同意说智能跟产品本身其实是抢偶合的因为当我们谈到智能的时候它更多的是一个能力但是当我们谈到产品的时候其实我们更关注的是这样的一个智能的能力到底帮用户在什么场景解决了用户什么样的问题它不是天然而合的不是说你搞一个智能出来它自然而然就能够在各个场景解决所有的问题的它上面其实需要有一层产品当然有的时候我可能比较少会用壳这个词原因是当我们说到壳我们想的就是那个薄薄的一层也许它产品的部分可能是很薄但是很多时候它提供的价值其实并不高就是在我看来智能这个词它其实包含三个部分本身的能力然后第二个部分就是上面那层harness因为你这harness你才能一定程度上去引导这个模型到底在什么场景解决什么问题然后第三层其实就是上面的一个产品的表达就是我具体可能是什么样的用户动线我可能有什么样的功能我可能有几个tab我可能这个tab什么情况下到另外一个tab我认为这三层其实都很重要那我们回到就是大模型出来之后就比如说像拆报的这个事情对吧最早XGPT出来其实拆报的最早解决的几个需求就是比较比较刚性的很广的需求我认为一个还是就是信息的获取信息会一定程度上在之前其实是通过搜索引擎去解决的但是搜索引擎的那个交互的逻辑就是说我给个query我给你一堆这个结果我自己其实还是要去看一个一个点进去看或者说我相信你给的第一个就是最好的我就去第一个里面去看我可能看完了之后给出一个结论但是如果你的目的只是为了更多的一个效率型的获得信息的话那么以类似于ChattGPT这样的一个产品形态我给你一个问题我直接把答案搜索好总结好归纳好按照你想要的方式呈现在你面前它的对你解决这个信息获取这个问题的效率它一定是很高的所以在这个层面上我认为首先Chatbot这样的形态它是解决了这个信息获取的问题当然还有一个之前解的不太好的其实就是陪聊陪聊可能也许不是一个所有人 [15:00] 会有的非常广泛的一个需求但是它确实一定程度上解锁了一些新的需求所以在当时还有一系列培聊的这个产品形态出现然后也包括这个Carrity AI类似于这样的一些产品还包括一些这个写作的一些产品对 当然可能像Carrity AI可能最近也接近这个破产的这个流程了就是可能有一些没有那么广没有那么刚的可能就会被新的模型新的产品给洗掉但是你留下来的这个Trapboard还是很刚需的再说的第二代就是当coding能力演进了之后其实我们就会看到有一些全新的产品的形态它看上去也有个chat框但其实我认为是全新的产品形态比如说你说像Cloud CodeCloud Code其实就是一个你说你也可以说它是一个chat框你跟他说他去完成事情但是我觉得包括像Cloud Code包括像Manus它其实更多的是你给他布置一个任务这个任务可能会很复杂这个任务可能不是说我调一个模型然后做一个搜索RAG然后总结一些信息就给你总结出来了它可能是需要我给你个任务之后它首先要拆解任务向前进了一步对吧就是他不是一个单一的事情我给你个任务我要把它拆解成为第一个步骤第二个步骤第三个步骤然后其中每一个任务他会调动不同的工具那么我去选择调动什么工具这个部分其实本身也是个智能的体现当我把它能够顺利的拆解好然后把它能够这个每一个步骤调用合适的工具并且把这些结果组合起来呈现在你面前就是这个事情其实本身我认为是智能大大向前一步所以这也是为什么像Cloud Code的Manus它起来之后它其实并没有说被这个通用的聊天工具拆报的这类的产品完全去盖掉本质是因为它是完全不同的这个模型的能力它解锁了一个新的产品的交互形态其实我们可以想在coding时代它也分化出了两条线minus是它相信coding能力能够溢出所以它是一个通用性的产品Cloud Code是一个更像coding的一个产品所以它是两个人群这也是两条线对吧对那是因为它选择了不同的场景因为Cloud Code最早它还是包括Athrobic它很多一开始2B场景会切的比较多它更多的会往生产力这个场景去走所以你往生产力这个场景去走coding能力非常非常好那么你的第一批用户那肯定是更多的就是我自己就是程序员我自己去写code对吧最早其实还不是Cloud Code最早是CursorCursor其实是先把整个这条路给汤通了但其实你说比如说像Manus像Cloud Code你说Cloud Code的背后的能力它能不能做通用其实我认为是可以的只不过说它在产品表达上选择了我去写这个场景我去写这部分用户很多一些工具啊展示啊都沿着那个方向去走就比如说在Cloud Code的里面它的那些过程它调用什么工具每个工具里面我修改了什么文件我这个文件删了多少行加了多少行它其实是一个非常这个程序员专业人士一些表达但如果说我们同样的能力我们放在生活场景比如说放在personal agent的这个场景其实可能很多用户他并没有那么在意说你这过程当中是不是一定掉了20个还是30个我到底是加了多少行减了多少行用户其实不在意这些东西用户在意的就是你有没有能够最后很狠的帮我解决这个事情管好这个事情你有没有在该让我决策的时候让我决策不该让我决策的时候少烦我我觉得这个可能是C端和B端本质上用户和客户价值的差异感谢观看所以第一代是插爆第二代是coding产品现在算是第三代吗还是2.5代对我认为是会演进到演进到完全不同的一代当然说它不是一个完全说第二代就取代第一代第三代就取代第二代它不完全是这样的关系现在是并存的对对但是它确实是模型能力演进到不同的阶段之后它就会解锁新的形态所以在我看来Personal Asian的一个形态其实是模型能力演进到一个新的阶段之后这个形态在产品的表达上它和这个类似于像Manus Cloud Code的这种完成任务和这个XGBT这种的回答问题它会是一个完全不同的产品形态Personation的产品我认为一个非常大的特点就是它能够非常积极主动的在合适的时候给你提供合适的信息然后帮你做合适的事情就是它的这种主动性其实是之前的两代产品并不具备的或者说并不是完全沿这个产品理念去做的这点上其实会带来非常非常多不一样的一些事情比如 [20:00] 说对林光来讲林光这次发布主打的一个切口其实是盯事情就是我帮你去盯就比如说我对这个假如说我是某一个明星的一个粉丝如果假如说我特别想追这个杨千玺那么他来杭州什么时候来杭州他会不会有演唱会他没有门票我希望如果第一时间知道他来杭州那么我能够第一时间知道这个消息抢了他的票然后并且能够安排相应的一些行程这件事情其实以前你就得要去你或者给别人布置任务或者就是你每天自己去盯它其实是一个非常消耗时间精力的一个事情但其实有了PA之后像类似于很多这样的事情你都可以交给PA去做他能够帮你办得脱脱的主动性是这一代产品的一个非常大的不同我认为是个非常核心的用户体验上的一个代价差的不同这是一个体验性的问题产品的问题还是一个模型能力带来的益处有多问题我说本质上是模型能力带来益处但是从产品角度来讲就是因为它益处的足够的大所以大到其实你可以有一个全新的产品形态去承接那么PA就是这样的一个产品形态因为你说有一些主动性的表达就是理论上其实你也可以在XGPT里面去做你当然可以去做这样的一些表达但是因为XGPT对它来讲它的一个产品的主轴其实它已经立住了这个主轴其实就是问答并且这个主轴本身其实还是有很多需求的并且立的非常的稳那么在这种情况下它其实就更像是一个我沿着这个主轴我可能会添加一些产品的功能比如说这个功能可能叫做定事情那个功能可能叫做完整任务但是你如果专门的一个产品你把这个管理事情你把PA做成你产品的主轴就是你整体的表达其实都会不一样的就是它其实就是一个产品的灵魂跟主轴它和功能其实并不是完全一回事理论上一个产品可以有非常非常多的功能但是它概率其实只能有一个主轴主动性是因为模型的什么变化带来的模型能力对 我觉得是包括模型跟它后面那个harness的能力一方面我认为就是解决长程任务的能力就是因为你你不是只能解决这几个问题你能够把一个非常非常复杂的任务拆解对对吧就是对于一个很复杂的任务你今天需要做什么明天需要做什么当条件A变化的时候你需要做什么当条件B变化的时候你需要做什么只有当你把这一系列的能力整体都能组装对用一套harness组装对你才能够具备这种真正主动跟随的能力而不是只是固定的我每天早上给你发一个push像比如说和Minders相比Minders它其实解决的是那种单一复杂任务你每一个任务都开一个对话框所以它是不持续的但是Personal Asian它对这种上下文的要求更高它对你要拆解多个任务的要求更高对时间的敏感性要求更强应该这么说就是在Minders刚开始的时候Minders其实切的很多的场景也是生产力的场景就是相当于白领效率的一些场景这个生成一些报告很多一些工作场景其实模型的能力它自然而然可能就是在这个场景里面能够做到相对好的闭环因为很多的工作场景当你限定了场景你其实相对来讲你模型就更容易把它给解决掉因为你的边界也更清晰你的数据反馈也更清晰更关键的是你的benchmark很清晰就是一件事情你到底是做的好还是不好你相对是比较容易判断的你说比如说我做个PPT对吧虽然做PPT是个很复杂的事情就是你也需要去找很多资料把它拼接起来然后你不仅要内容拼接的对你还得要整体很美观其实它也是个很复杂的事情但是当你做好一个PPT之后其实它是有一定的规范标准流程你可以大概知道这个PPT到底是做的好还是不好这个相对会比较容易但是相对比较难的就是说比如说我说我最近理财然后我有一个portfolio我买了这些股票你作为我的理财管家你帮我管着盯着我的目标就是我希望能够尽可能多赚钱然后在市场波动的时候尽可能少亏钱就是听起来这是一个目标听起来好像很明确但实际实操的时候你把这个目标给一个真人其实他也会给你设计各种各样不同的一些策略因为他其实就是属于是比做PPT相对更加范更加复杂的一个事情像类似于这一类相对更加模糊更加长时间更加复杂甚至它没有一个明确停止边界的比如说你理财你可以一直离你可以离一辈子或者怎么办对这就是对于模型来讲它就需要去优化这个目标如果它是一个非常好的一个理财的一个 [25:00] 按理来讲他会应该首先去询问我知道我自己的风险程度对吧就比如说包括比如说我的年龄对他也是很重要的如果我接近60岁那他可能会推荐相对更加保守的一个方案不要接受过多的波动他可能尽量少的股票尽量多的一些债机的一些产品但如果比如说我20多岁然后相对来讲我能够有更好的风险承受能力那么他可能会做一些更加激进的一些策略所以他首先得要去了解我我实际的一些情况去制定各种各样不同的一些策略主动性是这一波Personal Agent产品一个非常重要的产品特征但是你怎么平衡就是主动性是对用户是有价值的主动还是说它是一种打扰这个也是实际上现在做PA过程当中挑战最大的地方对吧这就还是我们还是回到第一性原理对吧比如说一个好的助理对吧他到底什么时候跟你说什么样的话对吧那有的时候你说的过多了是个打扰有的时候说太少了你会觉得关键的信息没有能够告诉你这里面首先有一个原则是每一个人不一样的有些人他可能就会更喜欢跟你去讲话希望你更多的去给他去做个汇报更多的给你报告信息有的人他可能就会觉得你最好少烦我你最好永远不要跟我讲话你最好比如说每天给我个周报每天给我个日报我只是看一下我看一下就知道了然后等我找你的时候我需要找你的时候我再找你其实这个每个人都会非常的不一样对所以个性化的对所以个性化这个事情我认为也是非常关键的这也是实际很有挑战尤其是在冷启动的时候很有挑战的地方因为在一开始的时候你可能这个尺度不一定会对每个人都把握的特别的好但是这个个性化的尺度有非常的重要你们现在有什么解决办法没有我觉得对灵光来讲我们会有一些整体的产品主张比如说对于发的消息什么时候谈push什么时候走对话什么时候放在详情页里面目前整体灵光相对还是比较克制的灵光的一个大的逻辑还是说尽量不去过多的打扰用户那么在只有你需要的时候以适当的形式去呈现这个信息或者是去告诉你这个信息当然这个里面的尺度我们还在持续的调啊包括我们内部其实也有不同的这个版本有的时候我们也会发现说一个更加激进的灵光它会有的时候会给你带来更多的惊喜感对但是当然更多的经济感有的时候也伴随着他可能会更加的唠叨对所以这个里面我觉得一方面是我们会先有一个产品的主张沿着这个产品的主张因为很多用户已经实际开始去用了那么我们会根据用户实际的一些反馈情况尽可能的把用户的偏好把数据的飞轮这块转起来最后做到千人千名的PA我觉得这个才是一个对林光来讲这个比较合理的一个路线的时间零光2.0这个产品然后我听说Muse其实在Meta内部也孵化有6个月到9个月的时间其实都有一个很长的内部打磨期但是为什么就是这一波Personation都是在这个时间点比较集中的出现你觉得背后有哪些客观原因我们刚才可能分析了模型的原因你觉得还有其他因素吗我认为模型的原因是其中一个最主要的原因因为你看很多的公司可能都是从春节之后开始去做这样的一个方向的你看春节期间当时不是小龙虾很火OpenClaw很火其实大家就见识到说我觉得OpenClaw本身这样的一个产品形态其实对C端的用户是没有那么友好的你光安装你去配可能相对也都比较难真是个极客产品对非常极客产品我自己第一次装我都装了两三个小时反正中间各种各样的一些bug但实际上因为我们最终还是希望能够做到补会OpenClaw给大家带来的一个启示是说说哇居然现在模型的长生任务能力已经达到这样的一个程度了就是当你把它养好训好skill配好的情况下它居然能够如此主动的自动化的帮你解决了这么多的任务所以我认为当时的那波进化是给了大家非常大的启发的大家就意识到说也许可以模型能力已经到达这了你已经证明了这件事情了我们就基于这样的模型能力我们接下来去看我们到底该怎么去走法然后不管是我们还是Muse有很长研发时间包括Muse里面我们了解到还有相当一部分时间是在做安全隐私合规方面的事情就是因为Personal Agent它还不是一个泛泛的问答其实很多泛泛的问答你问一个百科相关的知识其实你想要得到答案跟其他人想要得到答案可能是大差不差就是个性化在百科类的 [30:00] 维达里面提供的价值其实比较有限的但是在personal agent如果我们希望他能够给你有惊喜感给你有好的结果其中很关键的一点是你要愿意把你的context告诉他也就是说他了解你了解的越多那么整体他能帮你做的事情就越多那么context从哪里来呢一方面当然是可以从对话中来但其实对很多新用户来讲尤其对很多国内的用户来讲他不知道该问什么问题就是可能可能只有一小部分人他能够持续的跟AI去对话提出有价值的问题让AI给到回复再持续去问绝大部分人其实是问不出来的那么在这种情况下这个我们就会去思考用户现在的context到底在哪里我们有没有办法让用户比较低成本的把context提供进来这就是为什么不管是muse还是我们其实都做了很多类似于连接器的这样一个概念只不过说对灵光来讲因为我们本身在蚂蚁所以我们优先选择的是先接入整个支付宝生态的很多的一些服务但其实我们现在也还没有接全也是在逐步的这个接入的过程当中一个是说每一个服务它的接口它的体验其实都是不太一样的就是模型的能力是通用的比如说一个一个模型的能力非常好的情况下他可能知道我要打车的时候我要掉打车的这个能力我要点外卖的时候掉点外卖的这样一个能力但是不代表说模型知道我要掉打车的能力用户用你这个产品实际去打车他的体验就很丝滑对对这个其实是两回事情所以其实在一些非常重点关键的场景中我们的产品同学跟技术同学其实还是在一个场景一个场景一个场景去确保模型整体的效果是符合这个我们对用户体验的这么一个期待的所以对于关键场景的一些打磨调油这个其实是要花相当的时间的然后这个是一部分这个只是你们自己调就可以了吗你需要去接比如说产业方东一等公司生态方需要跟他们成为合作伙伴吗会需要的会需要的当然对蚂蚁来讲它有个天然的优势就是很多的合作伙伴它天然已经是蚂蚁或者植物宝的合作伙伴所以我们跟他们沟通的成本相对是比较低的就比如说我们跟各个的合作方植物宝里面本来就有个中心挖团队然后他会去负责跟各个的合作方去沟通然后聊接口聊一些权限而不是说我们兴起一个团队然后一家一家一家重新去膜拜所以这个逻辑其实是不太一样的这也是蚂蚁的其中的一个优势然后还有一个点很关键的我觉得就是安全隐私合规和授权因为PA其实是真正走到了个人的agent的时代那么之前其实像Clocko的Manus如果我们比如说限制在一个办公场景里面它相对的一个环境比泛泛的C端其实是更加可控的就是它很多的权限做起来相对来讲是更容易的但是对于一个个人的PA的一个时代比如说你去你希望PA帮你去买东西你希望PA帮你去点一个什么东西你最后可能要支付对吧那这个支付到底首先它知道什么时候该去支付什么时候不该去支付还有什么时候支付需要你的授权什么时候支付不需要你的授权还有哪些东西能连接哪些东西不能连接就这里面会就是基于agent的一套安全隐私合规的系统它跟基于之前人的一套安全隐私合规的系统其实有些不一样所以其实我们在这个方面还是花了蛮多的时间的就是要确保说所有的用户的数据本身是符合相关的隐私的一些规范的我们认为这个对PA来讲不是一个井上添花的事情这是一个必须要做到的事情要不然其实用户是不愿意或者说我不相信我的context交给你你能帮我妥善的管理好那么自然而然用户是不会去用的他不会有信任的所以personal agent这一波集体的出现其实背后包含了好几个条件的成熟第一是模型模型是底层的能力然后第二他有整个生态环境整个基建设施的一个成熟然后同时因为大家对这个有公识以后你才好去跟各个合作伙伴谈就是大家能够一起对这件事情比较持一个比较拥抱态度然后包括你的隐私政策也要跟上对对是这样的所以总结归纳就有三点我认为第一点就是智能第二点是供给然后第三点是安全可信对这三点我认为是PA如果要做好非常非常核心关键要搞好的三个部分海外这一波产品你有试用吗你有一些一手的产品洞察没有包括MUSEInstinct然后OpenEye有DOS对对还有Mindas也出了Q对国内还有创业公司 [35:00] 等等等等对对会有会有会有适用然后包括也有一些朋友以前老同事其实都可能在各个家去工作其实也都会有些交流然后这些产品里面我对这个一个是这个Muse还有Instinct相对来讲会印象会更深刻一点我觉得首先说Instinct就是Instinct其实它对外发布整体会更早一点我觉得Instinct的给人带来的一个非常非常大的不一样的一个启示是要以APP的形式去存在这个事情其实你先回过头来看我们说这个事情好像大家觉得非常有道理但是它是第一个真的把这个理念去实践出来的因为实际上在海外当然大家APP也会去用但大家其实短信也用了很多然后大家打电话其实也打了很多然后每次比如说你家的网什么出问题了然后你每次要打客服电话这个其实是我在美国生活当中非常痛苦的一个地方而且在这种情况非常多你去医院你改你的医保卡的一些情况打电话然后你去改让他重新reschedule送一个什么东西你也要打电话就有很多这样的场景你电话短信邮箱而且美国的生态里面整体用web其实用的是蛮多的就是没有说我所有的东西全面一定要进到APP化所以我觉得这个是给大家一个很大的启示那么我们今天可以说我抛开APP我可以走短信电话这些那么我未来是不是比如说我可以连在车上好我可以连带智能家居我其实可以把PA用在各种各样所有的一个硬件上因为你的助理可以无助不在所以我觉得Instinct在这点上我认为还是推动了行业的进步的这个让很多人去看到了这一点然后Muse我觉得比它基础上相对会更进一步了我觉得Muse整体会在体验尤其是很多细节的打磨上我认为是做得非常好的你如果光看很多大的产品的功能那你会觉得刚才我们聊的这几个产品可能产品功能看上去感觉也都差不多好像也都有主动的提醒你也能跟他对话他好像也能帮你去记事情但从实际的体验来讲比如说我们刚才聊到那个边界感这个事情就是我整体会觉得Muse的边界感会比另外几家产品相对会调的更好一点他肯定是精心调过的就是那种当他给你发消息的时候确实那条消息整体是对你很有增益的很有信息含量的然后它会行这个正循环就是当你每次给我发的都是很有信息增益的你又不经常给我发那么当你下次给我发的时候我一定会很在意去看但是如果比如说你每天早上给我发一个早报每天晚上给我发一个夜报然后信息含量都不高但你每天都发虽然你发的多那我也会觉得说你可能信息含量没有那么的多那么你下次再发的时候就会觉得我就会当成一条营销的短信而不会当成一个真正的一条信息但比如说Muse给你发消息它可能感觉就像微信一个消息微信谈的扑式大家是没有人会把它当成一个营销短信的微信谈的扑式一定是某个人有什么事找你它是真实世界的反馈这也一定程度上能解释为什么PA类的产品整体的留存相对会比较高就是因为大家很多时候你去拉的信用户过来你会有很多方式去希望能够去促活继续活跃度产品表达当然是一方面大家很多时候会通过提醒push各种各样的方式但是绝大多数的push其实更多的还是接近于营销然后这种营销类的这种偏信息类的可以发他也可以发他也可以发然后每次到一个国庆节你就会看所有的这个APP可能都会发啊什么去哪里旅游比较好啊然后我这个APP带你能干什么干什么干什么你看多了之后其实是没有感觉的但是当你真的给你发的信息他对你自己非常有信息含量你是会非常愿意去点进去的对所以我觉得这个是一个非常不一样的地方对这个很重要因为如果用户频繁觉得是被打扰的他可能就把提醒功能给关掉了对他就会不用了甚至把那个AV给卸载了对Mews这个产品编辑感是怎么调出来的呢具体的实现细节我不清楚但是我大致的一个判断是我认为还是回到信息本身信息本身其实是应该分层分级的就是比如说以一个具体的例子我说我假如说我下个月去旅游然后可能在几号到几号准备怎么去假如说这可能就是一个事项对于这个事项来讲其实非常核心关键的一些信息比如说包括说我去那边我可能要订机票我要订酒店然后我可能要跟老板去请假然后我的那段时间可能会跟我其他一个什么事情会有冲突那么这些其实是属于非常非常关键的 [40:00] 那么还有一些信息属于它可能也重要但是没有那么直接的相关就是比如说可能啊日本最近又天气怎么样了有什么样环境的一些变化呀然后哪边可能又开了一个新的动物园啊你说它不相关呢它也相关因为你开了动物园理论上你也可以去对吧但是还有一种逻辑就是更接近于推荐逻辑了就就像那种我知道你下个月要去日本玩哇那我跟日本相关的所有的这些信息我就一口脑就给你推荐其实这些信息他们各自在不同的地方扮演不同的角色核心是我们要能够区分清楚对于我这个人我当前的需求是什么那么所有的这些信息围绕着我的需求到底哪些是内环的哪些是中环的哪些是外环的我认为Muse一定对这一块不管是更多的是通过模型的能力还是通过一些产品价值主张的一些设定一定是有非常好的判断的要不然的话你一个泛泛的prompt你哪怕让一个最强的模型去指出就是这种边界感的东西它不会天然的会迅到模型里面因为每个人的边界感是不一样的产品你没有什么反向用到了灵光里面没有可能更多的是一些产品的价值主张跟一些理念比如说灵光关于边界感的很多的一些效果好其实是继承了很多Muse的一些一些主张跟一些理念其实是尽可能克制尽可能去少打扰的Instinct呢Instinct的我们灵光的这版其实还是以这个APP为主啊但是其实我们也在考虑未来去接入其他的一些硬件可能我们在过几个月会有一些新的发布从理念上来讲其实PA我们认为手机APP它只是手机只是其中的一个载体未来其实可能会有越来越多的不管是现在已有的家庭的硬件还是很多在讨论的我憋在身上的我待在手上的其实未来都是可以的你看过去两年大公司都在寻找下一个AI的入口在哪里你觉得他的答案是personal agent吗还是personal agent的可能也是一个过渡的阶段我认为personal agent是一个正确的方向如果我们定义personal agent的就是当前muse或者灵光exact这样的产品的形态我觉得可能大概率不是可能会持续的演进对但是如果我们沿着这个方向去走我认为这个方向最终会带来一个不隐秧的全新的用户的入口那是APP也可能是在其他的上面我认为这个事情的可能性是非常高的能描述一下这个方向怎么来定义这个方向我觉得这个方向还是回到我们最开始的时候描述的那个愿景就是这个方向其实就是随着模型能力的提高它会越来越像一个人它能解决的问题的范围和解决问题的质量其实也会越来越像一个人对所以当我们有一天说发现啊一个一个呃这个personal agent的他真的能够取代你生活当中一个真人的这样的一个助理我认为可能就是到达了一个比较稳态一个理想的一个阶段性的一个中态了当然现在在生活当中其实在不同的事情你可能会有不同的助力比如说如果你说我要去练瑜伽你可能会专门请一个瑜伽教练你说如果要减重我可能会专门请一个营养师你说我要辅导小孩做这个小学的数学作业你可能会请一个家教可能现在这个不同的角色会有不同的人去做也许未来的PA他可能不需要那么多PA不一定是一个PA但它可能不需要那么多PA但是它大概率能够把现在生活当中的很多偏线下的服务业的东西是可以通过PA的方式去更多的去提高效率的这也是另外一个原因其实我们整体对PA这个行业非常看好的一个原因因为比如说我们在聊战略愿景甚至我们在聊说怎么去投资这个方向的时候我们都会聊到一个time对吧说这个市场到底有多大很多时候我们怎么去估这个time我们其中的一个逻辑就是说如果说它解决的问题这个需求是可能现在通过其他方式去解决的那么其他方式的这个市场现在到底有多大所以我们刚才聊到的这个大模型出来之后几个产品的阶段从这个chatbot对吧获取信息到这个完成任务这个像像像Metans啊像Cloud Code的然后到PA其实他们三个分别对应了信息行业软件行业还有一个就是服务行业如果我们放到中国这个市场它可能分别就是代表了千亿级别万亿级别十万亿级别当然这个表达可能会有些粗暴但是其实它跟模型能力能够解决的问题它是一脉相承的信息的问题是我在线上相对来讲会最容易解决 [45:00] 因为所有的你信息你反正就是线上那么多信息你把它收集好处理好然后把它serve给所有的用户就可以了软件行业解决的问题其实很多是我有个固定的流程然后我只不过说以前我是需要去写一个找专业的团队写一个软件把这套固定的流程用一个固定的界面给它展示出来背后可能有一些数据这个其实本质上是个软件行业软件行业其实现在是像Cloud Code这些在整体在颠覆的一个行业那么第三块我说的服务业就是属于我刚才说的什么营养师家装师然后减重师然后小学的家教老师对吧就是可能这些事情你甚至家里什么修工条这些就是所有的这些服务业其实涵盖了社会上的方方面面但其实你说现在的模型能力比如说你就以营养师减重师为例市场或者至少不比一个平均水平的营养是减重时要差的所以我认为这个在未来会是一个大的趋势就是很多的现在市面上很多由真人做的服务业它会进行一个彻底的重构然后PA我认为是在整个行业重构走的一个具象的一个方向但是它是不是未来一定是这样一个产品形态倒不一定但是这个方向我认为就是一个这个把整个社会的服务业升级的这么一个方向拆报当时刚出来的时候大家会说Google一次搜索引擎意思传统搜索引擎意思然后到了PA我感觉有点像O2O当时大家确实有很多这样的说法包括当时拆报的拆GPT出来之后非常的紧张对 Google自己内部也有很多的一些组织的变革因为从逻辑的角度推演它解决的问题确实是把很多搜索引擎的问题给把它给解掉了对 所以我觉得大面上长期来看我认为Chatbot它是能够取代传统搜索引擎做的事情的对 但是这里面有两个点我觉得我们不应该去忽略一个是说搜索引擎公司其实本身也带眼镜对吧 包括说对Google来讲你看Google做Gemini在行业里面取得一定的地位它很多时候它是因为之前在Google有很多的一些积累对吧不管是算法的积累人才的积累还是数据的积累做搜索引擎这件事情它天然就很适合去演进到一个拆报的这样的一个形式它有很多一些积累我觉得这个是不能忽略的也要隔自己的命对对关键是看你有你有多大的决心了对Google来讲至少我了解到的情况就是这是一场不能输的战争必须要革命不革自己的命就会被别人的命也革掉所以哪怕内部有再大的阻力哪怕可能Google也会有一些所谓的大公司病但该做的就得做所以我们看这几年Google里面的变化也很大我觉得这个是就是这些incumbent自己也会做一些革新我觉得这个是我们不能忽略的一个事情还有一个不能忽略的事情就是西端的用户他的用户习惯不会在一夜之间迁移的对这就像这些年我觉得不管是国内还是国外其实会有越来越多的人我就不说用拆报的越来越多人比如说国内可能用小红书作为搜索对吧但是我们去看这个市面上的搜索引擎它的份额降的其实也没有那么厉害对吧我们依然在看比如说我们去看百度百度依然是一个日活有一两亿的这么的一个产品日活一两亿的产品绝对还是一个国民级的应用所以就是说叠加上这两个因素我认为长期的一个发展方向其实依然会往那个方向去发展但是它可能会需要有相当的过程自己眼镜也需要过程用户习惯的迁移也需要一定的过程即使是现在很多拆包的产品你像Gemini拆GBT其实用的人已经非常多了但是他离一个所有人都会非常轻松的知道怎么用其实还有相当一段距离的还有很多人其实是没有把拆包的用上或者用好的Personalization有没有有点像移动互联网时候的O2O啊可能换一个入口我来店外卖我来打车我来找生活本地生活服务我觉得从用户体验跟入口的角度可能有一定的相似性但是我看PA跟O2我认为这个最本质的区别是PA的体验的变化还是由模型能力的变化带来的所以它本质上是一个供给侧的变化所以不管是PA还是说前面讲的这个这个任务的完成还是像这个chatbot它的本质其实是一个智能的供给重构智能的供给存货它包括说我会 [50:00] 创造全新的供给比如说每一个回答它是现写出来的这是全新的供给它也会包括说你原来有一些服务可能散落在个体的我把你这些服务用一种好的方式重组起来串起来串成一种新的体验它也叫一个智能供给的一个重构所以它本质是一个供给侧的改革带来的一个变化但是我们去类比比如说像移动互联网很多的一个创新我认为移动互联网很多的创新是一个场景侧的变化就是说因为最早大家就只能用电脑用所有的服务当大家突然发现我的手机的能力跟电脑一样了并且我手机还有定位对吧手机那个定位其实是一个非常虽然是个很小的功能但是它解锁了非常非常多的能力跟商业化的前景因为我解锁了这些场景所以让用户发现我以前有些事情我干不了比如说我以前点外卖我没有那么方便我需要知道我周围到底有哪些店所以它其实更像是一个需求侧场景侧的一个变化带来了一些需求的变化因为其实我们看所有的产品机会所有的商业机会如果我们讲的抽象一点最本质的变化都是来自于供和需的某一方带来的供需失衡然后短暂的供需失衡就会让新的供给或者新的需求进来这个时候就会有些新玩家然后就会有会有新的公司出来也可能是创业公司也可能是老公司这个这个这个前一代的公司长出了一些新的机会都有可能但是它本质上是一个供需的失衡所以这一波大模型带来的变化我觉得就是工的解放力被大大的释放了当我们发现说哇大模型能够做这么厉害能够帮你非常长时间的去执行很复杂的任务那么很多之前你想都不敢想的一些事情你就会开始初步的往里去补齐所以其实从这个角度来讲我们刚才聊的那个逻辑就是每次模型能力的跃迁都会解锁一些新的机会也会有些全新的产品的出现我其实是非常相信就是这个理念的你觉得PA和O2O的关系会是什么我会把O2O里面的内容当做一个供给我认为这些其实是非常重要的就是不管O2它一个很关键的点是它形成了一种平台和入口对它是一个生活的服务的一个聚集一个入口那么你之所以有这个入口你后面首先你的供给得足够的丰富并且你的供给得要线上化因为对PA来讲如果一个agent要去access所有的这些供给你的线上化是个前置的条件你如果很多东西你都没线上化把一个还没有线上化的东西给翻上来线上化的你还要再做一遍线上化是这样的但这个线上化可能用PA直接自己去做它的效率不一定是最高的所以从这个角度其实整个O2O的这波它从供给的线下翻到线上其实是打了非常非常多好的一些基础的对所以我认为整个O2O这波其实给PA创造了非常好的一个条件你看搜索引擎包括互联网20年的发展其实给XBOTS给XGPT这样的产品提供了很大的一个数据库它成为了智能的脑子那有没有可能OTO这一波也是给Personal Agent在做可能长达10年的一个线上化我觉得非常可能对至于长达5年10年这个可能我们现在很难去判断但是像我刚才聊的PA的三个最关键的能力嘛一个是智能一个是攻击一个是安全其实你看O2O那波其实本质上讲的就是攻击对吧就是你在有攻击跟没有攻击的情况下对用户的体验其实是完全不一样的这就像比如说我们现在灵光里面这个一个一个很大大家用的很多的场景其实是连接丁丁包括说我们在自己的这个平时的工作场景里面其实也会经常用灵光在丁丁的场景里面去用就是为什么在丁丁的场景如此的所用本质上是因为你连进了丁丁的生态丁丁给模型提供了足够的上下文就是还是回到因为它的供给足够的好足够的多并且它能够用某一种也很安全然后也有非常高的开放度然后让agent去连接到里面的生态解锁了很多一些新的能力就是从这点的角度讲你所有的ATO的线下服务包括像丁丁飞书这样的一些线上服务它本质上都是一个供给我觉得核心是要让agent能够安全极高开放度的情况下access了这些供给这样的话它才能发挥出最大的一个生命力你觉得personal agent和app的关系是什么它上面的一层 [55:00] 编排层吗我认为APP是personal agent的其中一个表现形式对吧比如说像MUSE或者灵光我们选择了在APP这个维度去落地产品但是其实它可以是APP也可以不是APP就是PA这个事情它其实本身是独立于APP为什么现在大家还是更多的选择APP它还是跟场景有关因为国内的大部分人他还是会用手机用手机的时候他其实非常非常习惯于就用APP的一些方式但是你看就像比如说在美国大家用APP用的也很多但是没有像国内可能百分之九十几的人这个每天都高频那么高频的使用APP他也用短信也用电话就是为什么Instinct在美国能够做起来但是同样的Instinct在国内如果完全是一个超Instinct的模式的公司在国内做我认为挑战其实是会大很多的就是因为国内可能用短信电话这种使用的方式或者用户遇到的痛点可能没有美国那么多那么大它可能也许是一个很好的产品功能但是你作为一个独立的产品可能是会有相当挑战Personal Agent这一代的产品有没有可能它最终的形态就是脱离于App或者脱离于某一个网站就像你刚才说它是无处不在的这是它可能跟上一代App的一些区别我觉得完全可能完全可能而且确实非常看好这个方向对 当然说当你说脱离于App的一个形态它遇到的其中一个问题就是碎片化比如说大家为什么很习惯还是在App里面去用因为一些这部分的网民他都用APP但是如果你说我现在脱离APP我说我用音箱对吧就是虽然也有很多人用音箱但这个体量其实比手机就会小很多而且整个AI行业不管是从模型的能力还是从产品其实都还在早期往前成长的过程之中本身要解决的技术上的挑战安全影射俗规的挑战已经非常多了在这个时候可能我们不希望再额外加一层挑战就是我们怎么把PA的能力步到所有的音箱上去我们布了所有的APP之后我们可能自然而然的可以去延伸到音箱可以延伸到车机可以延伸到这个智能的一些硬件但是如果我们在一开始就卯着其中一个智能硬件打相对来讲挑战会更大所以对灵光来讲也是一样的灵光可能我们会优先保证在APP上的体验但是同时我们也开放一些能力那么我们能够让一些相对动手能力更强的一些用户他能够自己去连接上自己的家庭的一些个人的设备连接上自己的车机我们把口子开开来但是未来如果模型的能力做得更好如果未来所有的生态的接口变得更加的开放其实我认为整个PA就是应该无处不在理论上未来的趋势应该是无处不在的而不应该只是在手机里作为一个APP的存在Siri不就想做这个事情吗是的Siri它可能会有它自己的我认为这个方向本身是没问题的就是苹果这家公司自己的一些文化禀赋上的一些原因因为对苹果来讲苹果还是家硬件公司对苹果来讲其实它的商业模式决定了它最核心最关键的还是要把硬件给卖好那么它里面很多的一些不管是像App Store这样的软件生态还是它自己做的一些软件一些智能其实核心是为硬件去服务的以这样的前提来看其实整个公司的文化然后整个组织的形式包括整个的一个开放度其实相对会更贴合于这个硬件所以可能对于一些像这种Siri这样的一些智能助理它其实还是软的成分会更多一些其实可能挑战会更大我们刚才说了很多感觉personal agent是一个很大的市场那今天用户还是会问我不知道打开personal agent到底用来干嘛他应该做什么呢他跟比如说工作的agent还是有边界的吗他还是说未来会融合到一个产品里去对对这就是个好问题这就是也涉及到对于一个新的产品他其实需要有一段时间让用户去熟悉这个市场甚至是我们要做更多的这个工作去教育这个市场就像比如说这个我们用灵光去帮助我们这个使用跟操作丁丁这个事情其实很多人都是非常非常不熟悉的对我们来讲其实也是个很新的事情所以在这种情况下去感受当我们把灵光把PA接入到各种各样的context服务之后我们到底能做什么所以这个作为市场里面相对比较早的这个先行者所以我们肯定会需要做更多一些市场教育的一些工作 [60:00] 但是我认为在这个愿景科业很大切口相对还是需要会更加聚焦更加小所以这是为什么林光我们在这次发布的时候还是选择了一个切口叫做帮我管事情这个其实是一个相对来讲比较至少用户知道什么叫帮你管事情帮你管事情帮你盯事情我们刚才聊到的这个你去追星的一个case还有很多时候你生活当中其实会有很多的case比如说你在家里面你可能需要去照顾小孩的饮食起居你可能要帮你的父母可能下周要去体检然后需要在适当的时间去提醒你的父母去吃药然后你要帮你的小孩去准备这个腐食太太去准备礼物就很多这样生活当中会有非常非常多的一些琐事其实这样的一些琐事是非常适合有一个PA不仅是帮你去提醒帮你盯着还能帮你去管理帮你去给出建议然后甚至在某一些这个任务上帮你直接去把它去做掉我觉得对灵光来讲我们会优先去切生活当中这几类非常高频刚需的一些场景然后我们目前看到的几个比较典型的带娃养娃管娃这是一个很典型的一些场景然后包括你你管理你自己的车子管理你的一些人际的一些关系还有就是理财相关的很多的一些这个场景还有就是个人生活健康的很多场景这几类其实都是非常高频刚需的场景我们现在不管是产品的效果还是在和用户的一些沟通上也更多的会沿着这些比较生活化的一些场景在给出一些好的最佳时间的一些案例去帮助所有的用户知道personal agent的实际能够帮他们去干一些什么他跟working agent的是有边界的吗他未来会是两个产品还是一个产品我认为在短期之内他会有边界的对短期之间有边界的原因是因为它是两个场景所以作为一个产品来讲它相对来讲聚焦一个场景会更容易去打因为你不同的场景就意味着不同的用户不同的用户就意味着你使用的这个在这个场景里面的那个工作流你的用户的动线是不一样的所以我认为在短期内可能围绕着工作场景的agent会是EP围绕着生活场景的agent可能是EP但是有的时候工作跟生活的边界就是同样还是丁丁的例子对吧就是丁丁其实这个它是一个很典型的工作场景的case但在灵光里面丁丁的case其实用的非常多对所以我觉得长期来看也许生活场景的PA和工作场景的PA有可能有融合的机会但是短期来看可能大概率会先以不同的产品形态独立先存在一段时间未来还是会融合有这种可能性它是不是基于对于模型的调整也是非常不一样的两个方向就是不管是预训练还是后训练我不知道你们做不做预训练我们会做预训练从底层的能力上来讲我们是并不做区分的就是说我们不会针对工作场景专门做个基模然后针对生活场景专门做一个基模因为我们认为一个好的基模一个模型能力它肯定是有能力去完全handle工作当中跟生活当中那些场景的或者这么说可能你在工作当中你要做好一份工作的能力可能跟你做好生活的能力可能是大差不差的对吧就像我们看到很多能力非常强的人他可能工作也做得很好生活也能管理得津津有条理念能力上的东西其实是一样的很多人两边处理不好可能更多的是这个这个时间分配的一些原因对所以在这点上我不认为工作场景跟生活场景会带来不同的一些寂寞至少在寂寞层面我认为是同样一个在产品层面可以有不同那么如果在产品层面有不同的话也许可能可以在后训练阶段会有一些不同在后训练阶段然后包括我们强化学习给的一些具体的一些一些例子方式是有可能会有不同的我觉得这个玩笑有可能还有一个很大的区别是工作场景尤其是我们如果是讨论在一个企业内的一个场景它通常会需要对数据的一些隔离安全性它会有一些不同的一些要求对所以在这种情况下也一定程度上决定了为什么它可能是两种不同的一些产品因为对产品来讲你的资源是有限的你把资源投入在更多数据的一些合规企业自己的一些围栏之上你肯定在其他方面投入的资源就更少了你觉得蚂蚁做personal agent有什么优势和劣势我就对蚂蚁来讲刚才提到的几个点啊就是智能供给和安全这三块其实蚂蚁都相应分别都有很多的一些积累我觉得这个也是蚂蚁自己的一些禀赋我们刚才聊到 [65:00] 很多供给上的事情蚂蚁的很多的一些供给其实不是这两年做大模型才开始有的一些供给其实从最早的支付时代从这个支付宝然后到所有的财宝到生活服务就是我们把线下的服务向线上翻的过程当中我们积累了大量的供给我们跟很多的商家我们跟很多的合作方维持了非常好的这些关系我们现在依然跟他维持了很好的一些关系我觉得所有的这些供给是这个事情非常非常大的一个一个秉幅和一个优势然后第二个秉幅跟优势还是带在刚才提到这个安全可信就是这个也是跟蚂蚁之前一直在做金融业务有关系因为做做金融相关的业务他天然就对这块有更高的要求就是不仅是来自于我们自身对用户的要求很多也是来自于监管的要求对所以不管是从监管来还是从自身来非常高的一个安全的水位所以在这一块我们并不是说因为做灵光或者因为做很多AI的一些业务我们就重新新建了一套安全而是蚂蚁本身在安全这个事情上就有非常非常深厚的一些积累包括也有支付对我们其实有非常大的一个团队专门在做这个相关的一些安全的一些底座一些一些功能还有包括我们在这个可信计算隐私计算方面其实也都有专门的这个团队在做的做业务型产品其实是做的更顺手做的更多的然后PA其实有一个特点它在一开始其实是一个相对比较纯粹的产品就是这个的逻辑其实是不太一样的也就是有两种做业务的逻辑一种做业务的逻辑就是你第一天这个事情它就是个业务然后它有业务的成分然后它也需要有产品的成分产品可以是业务的承接也可以是产品跟业务去共同发展但是它在第一天我们就定义的很清楚它是个业务那么它未来有可能以什么样的商业模式有可能怎么走这里面有哪几方用什么样的方式搞定C什么样的方式搞定B这个其实是蚂蚁一直以来非常非常擅长的部分对然后对于PA这个事情它有一些不一样它在一开始C的成分相对会更重一些因为你的技术在变化它本质上是模型能力带来的变化解锁了一个新的产品的一个交互所以它本身对模型能力的变化的体感要求也很高然后对整个C端产品的交互这个体感要求也很高并且对你做出了一个纯C的产品之后你怎么样把它推向市场了解到知道你这个产品对我觉得这是一个做一个纯C产品的一个思路这里面其实是有非常非常多的工作需要去做的我觉得这些可能是之前蚂蚁做的大部分产品会更多的是走业务产品的逻辑然后这类的产品做的会相对少一些所以这里面我们也在不断的去学习不断的在往前走不断的在吸取经验Meta反而是这种基因对吧相对来说对Meta这种基因会相对会更加重一点是这样的就是做一个通用性的产品2C的产品对是这样的Meta其实是一个很典型的产品驱动的一个公司海外极家Google其实不完全是一个产品驱动Google更多的是一个技术驱动的公司对技术驱动只不过正好就是它技术实在是太牛了然后就解锁了一些很多一些新的一些产品能力Meta整体的一些产品力对用户的思考我认为还是非常出色的亚马逊是一个业务型的公司型的公司是这样的非常重运营非常重效率OpenEye Anthropic还是技术驱动OpenEye跟 Anthropic我认为跟Google是有一些不一样的就是技术驱动里面它也分不同的流派Google的技术驱动其实呃它更偏功臣驱动就是在很多比如说大家一直说Google非常强的就是你搜索这个事情算法当然也很强但是很多时候算法能做到这么好成本这么低速度那么快它本质上是infra做的好就是它整个工程能力它的infra其实是做的非常好的Google的工程能力其实是这是它整体的一个技术的一个底座OpenAI跟Athropec我觉得会稍微有一些不一样的就是它的一个研究的一个基因就是它的研究的一些成分其实会更多一点做研究跟做工程它有一个区别是对研究来讲它的不确定性会更高就是你可能我们看了十个方向可能有九个都是不work的然后可能只有一个work但是最难的是你一开始你不知道哪个work就是他 [70:00] 可能要跑到相当的时间之后你才知道可能哪个是能work这个其实对整个公司的文化组织其实都有非常高的一个挑战所以在这点上OpenSRPIC当然可以说是基础驱动的公司但其实他们真正核心的能力是如何把一个非常前沿的一个research最后把它真正的变成了一个所有人都喜欢的一个产品给落下来并且能够源源不断的去把新的一些research落到产品里面这个是他的一个核心的能力那对于蚂蚁来说一个业务型公司怎么做出一个好产品是你们当下需要完成的一个课题是这样的从基因论的角度来说是这样的有答案吗对当然我个人并不完全认同说这个基因论就是决定了怎么样这就跟比如说最早的时候我们看阿里阿里在最早的时候其实他基本上都是一个业务属性就是基本上是纯业务阿里在最早的时候不管是从它技术的底座基因底蕴来讲其实相对来讲都是非常弱的我说最早的时候可能004 05 06这个之前其实那个时候没有人会觉得说阿里是一家非常非常强的技术公司但是其实现在在业内大家都会觉得阿里是一家非常强的一个技术公司阿里云对也包括阿里云然后也包括前文其实也包括在阿里云前文之前其实我们看比如说我们看淘宝淘宝的搜推我们看到的是最后展示的那些结果但它其实背后的一套搜索系统推荐系统其实非常复杂的是非常有挑战的就是不管是在infra层面算法层面这里面其实是需要很多技术的积累的还有包括每次的双11对吧就是你要在极短的时间之内承接这么多的一个并法你对整个的这个技术架构的这个稳定性可扩展性其实要求会非常高的你能承接100QPS的系统跟你承接1万QPS的系统其实是完全不一样的对所以其实我觉得更多的是在于从一个公司的角度来讲什么是正确的方向我们要不要去迈向这个正确的方向路径去迈向这样的方向我觉得把这个事情想清楚了之后服役足够长时间的一些积累我认为是一定能够到达一个比较好的一个状态的其实你看现在的阿里就是个很典型的这样的例子它最早其实不是一个很技术推动的对驱动的公司你觉得业务型驱动像技术型驱动和产品型驱动哪个更难你觉得产品和业务的差别是什么呢我觉得产品跟业务这两个事情不是完全会割裂开的产品它相对会更纯粹产品可能通常来讲只有两方就是做产品的和用产品的本质上一个产品就是我以某一种形态把一定的要素组织在一起满足一部分人的一部分需求所以对光从产品的角度来讲你核心要想的是我到底满足了什么样的人什么样的需求满足的是不够的同时你要满足的要比其他的对手要满足的更好而且你的其他的对手不一定是你直接的竞品业务其实相对来讲有更复杂一点一个非常典型的业务就是一个平台型的就是他有CE有币然后这个然后还有这个一方做产品的对吧淘宝就是个特别典型的一个业务或者说一个业务型的产品支付宝也是个特别典型的业务型的产品对吧因为你要对用户来讲他的诉求就是我要我要能顺利的把钱付进去我要能把我的银行卡绑进去能付对吧但是你怎么样能够顺利的把钱付出去你付出去的是不是足够的安全对吧你背后可能要有很多风控的部分很多的商家你把这部分钱付出去之后这部分钱为什么能够到商家的账户里面这个后面是有一套非常复杂的一套整个收单的一个体系的对所以它通常来讲一个业务会比一个产品它连接的方会要更多一些整体的生态关系会要更复杂一些还有就是如果在一开始就考虑更多的商业模式的话那么对业务来讲可能相对会有更清晰明确的判断美方的利益是什么那么我们以什么样的模式哪边拿流量哪边去提供供给然后哪边去分钱怎么去分钱但是对一个纯产品来讲可能在早期完全看清楚商业模式相对来讲会比较困难一点所以其实一个最理想的商业模式我认为它是要和产品的形态要强绑定强我和但是产品的形态就能够完全定下来的它可能会有一定程度的演进的过程尤其是像现在整个大模型 [75:00] 发展的速度非常的快你像每一代模型能力的解锁它都有可能会给产品多多说了带来一些变化所以很难说现在PA的产品形态就一定是中矩的产品形态那么相应来讲其实也很难说现在如果我们要给PA设计一个商业模式它一定就会是未来的商业模式这里面会有非常非常多不确定的地方那在一个业务型的公司做这样的一个产品你是要去说服其他人吗包括它的商业模式可能从第一天是不确定的我觉得会需要做很多的一些沟通吧对但是对灵光来讲我觉得整体还好因为公司还是对AI这个大的方向非常的认同非常的重视然后也投入了很多资源我们也有不同的一些产品在往前去推进所以这里面会有一些相关的一些讨论会有很多的一些沟通但是其实还是取决于向黑暗方面去走我觉得在这一点上蚂蚁是非常坚定的灵光为什么叫灵光这是个好问题我们最早为起名字其实也废了很多一些脑细胞当时有一个原因是我们最开始推了基膜叫百灵对然后我们当时就在想说是不是可以一脉相成走一个灵系列包括我们的聚生智能叫灵波其实也是整体觉得灵这个字很不错然后一个听起来朗朗上口他自己就带有一种这种智能感对然后后来包括团队的同学包括也跟CTO我们一起去商量然后大家就非常喜欢灵光这个词而且灵光这个词它在很多的方言里面其实都是很聪明的意思对就是经常说你这个人脑子老灵光的对所以大家一听就觉得这个好像非常的好你一听就是那种感觉就上来了所以我们就决定叫灵光这次2.0上线以来你没有收到一些出乎意料的一些用户反馈吗我们这次2.0其实整体很多的一些用户的反馈超乎意料的用户反馈更多的是来自于很多很多服务的一些链接比如说在连接车机然后连接一些什么进水器帮我查看余量这个事情其实这不是我们一开始预先设计出来的场景我们一开始甚至都没有往这个方向去想但是当时我们的有一些内侧用户因为他可能自己本身也是个也是个极客就喜欢捣鼓这个捣鼓那个然后他就觉得通用性很强那就去试一下说我是不是直接能够控制自己的一些智能的家居然后他就去开始去尝试这些当然一开始因为我们没有沿这个方向去优化所以相当于比如说你直接跟他说一开始其实可能是连不上的但是他就通过因为模型本身足够的智能所以他就通过自己的方式一步一步引导纯通过对话的方式可能对话个三四轮说他可能很明确你帮我连接这个型号的机器人然后可能你帮我去下载他的驱动然后帮他去连接上然后连接上蓝牙通过一系列的过程把他连接上了当连接上这刻当用户反馈出这个case来讲对我们来讲其实是非常惊喜的我觉得这种就是一个非常对的感觉设计的一个产品期待它能够解决一些问题但是同时它又是个通用的产品然后你就会发现有很多的用户会把它用作你完全没有想到的一些目的但是这些目的其实跟你本身的一个产品的主张价值主张是一脉相承的我觉得这是一种非常好的感受这也是一个正确的一个AGI的产品应该给人带来的感受AGI跟AI最大的不同就是中间那个G就是General对吧就是我们认为它会是足够通用的它解锁的场景也应该是足够多的所以其实我们也会非常期待未来看到越来越多的去连接更多的服务连接更多的设备然后在不同的场景里面去看到灵光的价值你们现在的产品的北极星指标是什么还是DAU吗DAU会是我们观察的一个重要的指标之一我们其实会有一系列重要的观察指标然后当然最常规的包括什么DAU啊留存啊LT这些都是最常规的我们也会观测到底有多少用户会真的用灵光去托管你的事项就比如说用户到底始终创建了多少的事项然后同时有active的事项有多少还有哪一些是真正完成了的就是我有个事项然后你跟进完了已经真的是结束了有哪一些可能是你弄到一半然后你直接就放弃了见到一半之后因为体验的原因各种的原因你中间就drop了一个指标这是观察指标有考核指标吗如果一定要说有考核指标的话我觉得用户数跟留存还是我们最关注的一个考核指标吧对但是我个人对做这种AI类产品技术类产品我一直相信的一个 [80:00] 理念是我觉得方向比目标更重要不是说目标不重要而是当我们讨论一个目标我们通常喜欢把它具象化比如说这个什么500万DAU比如说40%的留存对吧我们通常会把它具象化但是当我们把它具象化一个数字之后它相当于是把一个高维信息的一个东西压缩到了一维它必然而然就会丢失掉很多东西所以维持相信一个理念一个定律就是如果一个目标它变成了一个指标它就不再是一个好的目标容易变形很容易变形对假如说对灵光来讲我们说我们其他所有的都不看我们唯一的目标就是冲DAU对吧如果我们是这样那大概率可能我们很多的做工的方向就会沿着跟产品主张无关的一些方向因为完成一个目标它通常会有很多很多的渠道一定有一些是更难的有一些是更容易的你如果只需要追这个目标你一定会选择那个最容易的那条路但是最容易的你运气好它可能是最正确的路但绝大部分情况下最容易的都不是最正确的路同意对绝大部分情况下都是也不一定是最难的最难的可能大概率你也不会找对可能是一个中等偏难的一条路但是你能不能去做出这个决策说我们不选最容易的路我们选中等偏难的这条路然后这条路可能需要大家很多的一些努力而且你沿着这条路走你也不一定能把它做成所以我觉得用单一的目标去考核肯定相对对做AI产品其实非常有挑战的这是为什么我们整体设一些这个过程的指标还有一个原因就是我为什么说方向比目标更重要是因为模型也在变化产品也在变化但是你如果定了一个目标它其实不适合经常的去变对吧你说我这个月考核DAU我三个月之后考核留存我再过三个月我不考核留存考核LT对吧就是你频繁的去做这样的一些切换也会让大家心里也会觉得很confuse就会觉得我们到底是在追求什么我觉得这种情况下一个比较好的方式是我们要把产品的主张跟价值跟所有的同学讲得非常清楚这样的话我们心里才知道最原始最高位的东西内核是什么当然每个人有可能理解的会有一些不一样我觉得这个很正常但是我们要尽可能做到让大家先去理解高位的东西这样就我们就知道怎么样能沿着这个方向整体在做工因为你沿着这个方向去做工的话如果整个内部的环境外部的环境发生了变化我们说做一些方向上的一些调整我们说做一些调整这其实是很正常的事情这个其实对大家来讲是相对比较容易理解但是你如果说我就定一个目标我就定在这边我现在要把这边那个目标一下子挪到这边了这个时候很多时候对大家来讲他会想那我原来沿着这个目标方向做的50%的这个事情我到底是算还是不算尤其是在公司相对大了之后毕竟还是有比较比较规范严格的考核体系的年终年底你还是要有绩效的对吧还是要去考虑很多这方面的一些因素的我觉得这些都是不要去做对抗人性的事情对那怎么办呢就是方向比目标更重要这个在创业公司里可能相对好实现在大公司里其实很难实现因为它必然就是要靠平那怎么来定OK啊KPI呢这是一个石头层面这个需要很多沟通工作的事情对 我觉得也是这点对于灵光这个产品包括对于公司很多其他的AI产品我觉得像我们跟公司的管理层其实都会有相对比较频繁的沟通和对焦就是不仅是对标对焦整个这个目标对焦这个指标更多是对焦这些理念这些方向然后对焦这些过程当中一些实际用户价值的一些传递其实很多时候为什么大家喜欢就是有一个只是定一个目标因为你定一个目标能够把很多事情给简单化对蚂蚁来讲其实我们也是希望能够引领下一个时代整个AGI时代的前进然后在里面真正做出一些新的创造用户价值的东西就是这个东西也是我们真正在意的东西最后还是回归到用户的价值因为你如果用户的价值最终不在你长期来看用户是不会留下来的你长期来看它也不会有商业价值你们觉得灵光做到什么程度他是成功的这款产品做到什么程度他是一款失败的产品如果我们一定要用一些覆盖率或者说数字去定义成功的话我认为首先PA是一个非常广泛刚需的一个方向所以我是期待灵光能够成为一个非常广泛被使用的一个方向 [85:00] 通用型的一个AI产品如果你一定要以DAO来刷我觉得最终最终是能够到达千万甚至一级DAO的这么一个产品对这个是我对这个灵光整体的这么一个期待但你说什么样的是失败我是这么看这个问题的就是比如说整个团队包括公司我们去做灵光一方面去做一个产品我们当然都希望这个产品最终能够成为一个非常大的一个成功但是另外一方面我们在做这个产品的过程当中其实在过程当中我们就已经在推动行业进步了所以我觉得更在意的是因为这个行业在高速的发展所以我们做的很多的事情我们要确保灵光是站在行业的最前沿站在时代的最前沿就是我们要推动整个行业进步我觉得这一点可能是会比如果只是去单纯的看成功跟失败对灵光整个团队对公司来讲会更有一个一个指导意义它能够驱动不管是模型也好或者是其他业务也好它都有一定的驱动作用对我觉得核心是它能够让我们在真正面对困难的时候能够坚持下来因为不管是做灵光还是其他产品其实不可避免都会遇到很多的困难你做过前沿的东西可能不管是用户需求还是商业价值其实你都会遇到很多一些挑战的那么在这种情况下就是我们怎么才能在遇到这些挑战的时候大家依然齐心协力去坚持下来我觉得核心还是回归到做这件事情的意义本身对吧核心还是说我们相不相信PA这个愿景我们相不相信未来PA能够帮我们生活解决这个事情那个事情那个事情那么我们在做的所有的一些做工不管是产品技术运营我们是不是在沿着这个方向再去解决更多的这样的一些事情如果我们是在沿着这个方向在做工那我们真真实实的去做出了一些变化有了一些很好的积累我觉得最终都是能够反映就是这些积累最终都会去去兑现出来的集团有对灵光提出什么要求没有目标吗也可以是一个方向或者一句话当然也可以具体到一个目标对蚂蚁来讲从支付到金融到整个互联网服务科技生活它其实覆盖的范围半径已经已经非常广了然后包括蚂蚁之前一直在做的很多事情是服务业的数字化就是蚂蚁对服务业这个行业其实是理解非常深有很多的一些积累并且其实是在蚂蚁的一个主线上的那么灵光现在做的一个整体的一个方向其实就是在用某一种方式去重塑整个服务业所以从这点如果是讲集团对灵光的一个期待或者说灵光我们我们对自己的一个期待我觉得是希望能够用AI的力量去重塑整个服务业的供需关系当然它有可能带来的结果是有下一个服务业的流浪入口但它可能只是这个其中的一个结果吧但是本质上还是因为AI的来到带来了供需的变化所以整个社会的服务业会向前发展那么在这种情况下蚂蚁之前一直是在这个领域去持续生根那么我们之后也需要去赶上甚至去引领下一波整个AI给服务业带来的变化很多互联网时代产品经理会跟我说在AI时代做产品上一代做产品发生了很大的变化我不知道你们有一些体感对我觉得会会会非常的不一样对比如说在互联网时代如果我们去考虑一个2C的产品其实不变的地方还是说对用户需求的洞察这点其实是不变的之前也一样之后也一样可能有变化的地方是之前很多的产品可能会在功能交互上可能会花更多的力气去做一些思考跟一些做工可能这块会会做的比较多然后对于现在很多AI向的产品就是除了功能交互依然会很重要但是还有一个很重要的就是我们把它叫做这个策略产品就是你怎么去负责把整个模型的效果把产品的这个效果给调整好就是这一块在AI时代其实整体做的工整体我们投入的这个资源或者说它对一个产品效果好和不好其实意义是非常重大的策略产品这个事情它其实也不是一个新的事情当然现在也会有人把这个叫做叫什么AI产品经理我个人倒不是特别喜欢这样的一个叫法因为未来所有的东西都是AI的其实像最早的时候很多技术向的产品是都需要策略产品的你像比如说那Google百度他们在20年前可能产品经理做的事情其实就是很多策略向的事情从一个人的角度来讲比如说我们现在产品经理在做很多大模型的效果 [90:00] 一些条优他做的事情在本质上跟20年前大家在Google在百度去做搜索引擎效果的条优其实是没有区别的只不过说我们能调动的工具不一样然后我们工作的一些方式也不一样现在很多的产品经理他可以通过Codex Cloud Code或者我们内部的工具能够自己写出非常非常棒的产品的原型所以在这点上来讲我觉得整体的效率会更高然后对这种策略向的感知的要求会更高它也意味着说你本身对模型能力的边界这点其实要求也会更高的像我团队的一些有部分产品经理有一些直接就是从技术同学就是转过来的他本来就是做算法做技术的然后还有一些可能这个这个虽然之前不是做技术的但是他们现在也会去看paper然后也会去非常深入的了解模型的边界这样一方面知道怎么更好的跟技术同学去沟通另外一方面你你知道了这个模型能力的边界之后对你设计产品能力对你调效果其实是非常非常有帮助的因为模型的能力它在不断的变化其实你是没办法以说我现在的模型能力然后我根据现在的模型能力去设计产品功能三个月之后六个月之后你模型能力演进了你的产品功能跟你这个可能匹配度就不好了所以最好的方式就是你去尝试去判断说我三个月后六个月后九个月后我的模型会向什么方向演进我的模型能力可能会到一个什么程度然后我们围绕着未来的模型能力去设计相关的一些产品功能你这样你到了三个月六个月之后你整体整个产品的成熟度相对更高一点之后真正做到去匹配当时模型能力最佳的这个产品的一个形态我觉得这个其实对产品经理的学习能力对技术的理解力还是提出了蛮高的要求的简单来说就是这一代产品经理必须要懂技术而且不只懂现在的技术当下技术要懂五六个月九个月之后的技术对或者说它是一个很大的加分项不一定是一个必须项但一定是个很大的加分项那你们会做模型做到什么程度呢就是你们当然公司有公司的基做模型他们会做预训练但你们针对自己的产品会做多大程度的后训练呢以及针对这一版的personal agent你们有做哪些具体的工作我们和基模团队是抢偶合的会非常抢偶合的就整体都在这个一整个大的这个AGI的这个板块下对所以说不是说基模团队只做基模只负责打榜就这里面很关键的一点是整个的数据飞轮要得转起来比如说在大的一些理念上我们可能会跟提前和寄模团队会有很深入的沟通比如说在训练的时候我们当时会做很多闪用coding agent那么本身对coding能力其实是提出了更高的要求的那我们就会提前跟寄模能力去沟通说我们可能需要coding场景会有更高的一些要求那么这个时候可能寄模团队在他自己的底座能力里面就会更多的加强coding的一些训练同时可能一些数据的反馈飞轮我们也会直接从预训练阶段就给反馈回去对然后再比如说像PA这个事情它本身对长城任务的调度能力其实要求会非常高的对吧一方面就是我给一个复杂的任务我怎么去做拆解我拆解的对不对我第一步完了我能不能顺利到第二步第二步卡壳了之后我能不能知道要去把第二步先调整正确然后再去做第三步对吧这个是一个长生任务能力还有一个就是本身调工具的能力你到底能调什么样的工具你调了这个工具之后是以什么样的姿势去使用的这里面不是说你给基模团队一个列表说我要你调什么创建3D模型我要你调什么深图深视频做PPT然后基模团队自然而然就把这个给搞好了这里面有非常非常多复杂的产品和业务逻辑在所以在这一点上寂寞团队是非常的强偶合第二个本身我们也会做非常非常多的一个后训练当然在某些时候后训练能解决的问题也是比较有限的就是因为后训练它会出现一个翘翘板的问题就是后训练很多的时候是它能够会它对一些风格化的变化跟指引其实效果是更好的但是对于一些基础能力对于一些基础的知识力其实你越往前靠其实是越好的还是在mittrain这个阶段对所以其实我们因为我们有自己的筋膜团队所以整体从前到后相对来讲可以更加的这个直纳达可以更加的去呕合最寂寞还是最重要的预训练还是最重要的或者说是非常重要的能力或者说 计模的能力 [95:00] 能力本身是一个维度然后这个能力能不能够去匹配应用带来的这个角度它是另外一个维度这个事情其实本身也很重要对吧就比如说如果我们光看市面上比如说我们看开源的基模其实也有很多很不错的一些选项但是比如说很多开源的基模我们是没有办法在开源的基模基础上重新去做预讯电的对吧有很多他不开base模型然后像数据的配比其实是不知道的那么在这种情况下假如说我们这个假如说这个开源的基模它可能就是专门为了coding做的但是其实我们想要沿着这个personal agent的这个方向我们对coding有一定的需求我们其实很难定向的去从完全从开源的基模去重新去训练的这种情况下就是应用和模型的偶合在这里面就会发生很大的一个一个优势跟化学反应因为我们可以让这个模型相对定向的去服务当前的应用其实这个逻辑我认为和OpenAI跟Anthoropic是会有一些相似之处的相似的地方就是模型跟应用强偶合就是对灵光摆灵是这样然后对OpenAI Anthropic和他们各自的产品是这样不同的地方是对OpenAI跟Anthoropic它可能是我先有一个非常强大的基模我在设计产品的时候基模整体最优势的地方去设计这么一个产品比如Cloud Code其实就是很典型的Cloud Code的产品其实就是整个Answervik模型的Coding能力的一个外溢就产生了这么一个产品但是对蚂蚁来讲因为它还是有很多的一些业务的逻辑跟一些主张那么对蚂蚁来讲比如说我们可能认为这个比如说去PA这个事情因为我们认为未来生活管家会有新的一些形态那么我们希望能够沿着整个生活的服务这块去进行一个探索那么基于这个的基础上我们可能更多的希望去拉动整个模型的能力也更多的往这个方向去探索从应用去拉动模型基建的发展这样的成分会更多可能在OpenAI Anthropic就是从模型能力外溢外溢出来一个好的产品这个的情况可能会更多他们是模型机产品对对但是共同点都是整体的偶合程度还是需要相对比较高你们现在是只用蚂蚁或者阿里的模型吗还是都用我们会有去至少在内部评测的时候这个开源的必源的模型我们都会去用的当中还是主要是以自己的模型为主那比如说我们刚才说的那个主动性边界感的问题他现在应该在预训练还没有这种东西这个是不是需要自己做后训练对这个预训练后训练都需要去有相关的工作还有比如说个性化记忆你要针对不同的用户做一定的个性化那你们怎么决定应该记住什么忘记什么以及在什么情况下来调用记忆呢很多记忆的部分其实是在Harness这层去去handle的产品的主张有关系我们的一个产品的主张还是说对于用户过去提供的context我们首先应该尽可能的把它记住我觉得这个是一个前提因为现在整体的我们认为context很重要整体的context都是非常稀缺的所以在这种情况下我们首先应该能做到你但凡提供了context我们都把它记住但是你从记住到什么时候去调就有很多产品调优的工作了就是有的时候对于记忆的就是那种完全没必要提的某一天的什么事情你硬要把它提出来其实体感会很差还有一些时候他可能会说一些这种这个模型如果这个有一些这个情商不高他可能会说一些很冒犯你的话有的时候你说你要什么减重了他说哎呀你什么这个什么上周什么110斤了你可以考虑这个这个少吃点了什么的当你看到说他跟你说你110斤你可能就会觉得非常的冒犯对然后会有这样的问题还有情商对对会有情商的问题还有一些时候可能这个他觉得会给你提供了相关的信息但是你看起来就会觉得这种隐私感保护感可能就会非常的差就是这种情况其实也是需要模型里面有很多的一些调优的一些工作的所以一个大的原则还是应记尽记但是在调的时候要强烈的跟着这个一个产品的主张对于现在整体的记忆目前做的还是相对比较克制的就是不会说有一个什么话题就硬要把它跟你所有的这些机椅都给给联动起来给给说出来核心还是判断说你这个对话你的一个目的是什么你的这个任务你的思想管理你的目的是什么那么我们去判断为了完成这个目的我们最后 [100:00] 需要提供的信息是什么如果说我们其中记忆的一部分是跟你最需要提供的信息非常匹配的那么我们就整体走一个记忆的这个系统拿出更多的信息去serve如果我们觉得有一些比如说你就问一个百科他跟记忆其实没什么关系那这种情况下我们就不需要去调记忆就直接就是有的甚至模型直出就可以了而且模型来讲话它还不能够比如说比较跌味或者比较斑味对吧不能给我是那种老板给我排斑的感觉对对对这个其实实际上是很有挑战的对首先不同的模型它自己就会有自己的一些风格然后对从Harness这层然后从这个包括Prompt包括产品上的引导其实又能够给它有很多的一些引导对所以这里面其实它会它也会有产品的一个主张那么对灵光来讲我们首先对他定位肯定还是一个助手就是说希望他能够帮助到你然后他能够不过度的打扰你他能够在你最需要他的时候出现你没有那么需要他的时候他就静静的待在一边但是可能还在帮你做很多一些事项我觉得这个是我们目前去采用的一个整体的产品的主张当然里面可能还会有一些这种比较个性化的一些东西这个就是欠人欠面相关的进行调优了你刚刚聊到就是产品驱动还是业务驱动的时候我一直在想啊就是这个里面本质区别到底是什么因为业务驱动的公司或者是产品它从第一天你就要想很多方里面有很复杂的商业模式包括人际关系所以我觉得它会导致这个产品变得农于如果你是一个业务驱动的公司但是产品驱动的公司它从第一天考虑的是这个产品本身也就是你刚刚说的纯粹性所以它很有可能是单点突破的去做产品是不是你得做更多的取舍呢你怎么做这个取舍呢比如说它是一个业务型产品还是一个纯粹的产品它在产品层面可以去这么去定义但是对于公司层面它其实并不是一个绝对的一个事情呃到底一个产品一开始应该是一个这种产品型的产品还是技术型的产品还是业务型的产品它其实更多的还是有一个客观规律去驱动的我举个例子比如说你去做购物这件事情买东西你如果是一个业务型的产品做法就是淘宝比如说你如果想做一个一开始就做一个双边市场其中有一边真的是线下要卖东西的这么的很多供给的时候你其实是很难做一个单纯的产品型的产品的你如果单纯做一个产品型的产品那么在一开始在当时那个时代你可能就会做成像蘑菇姐美丽说一样就是我更多还是做的像一个导购但是你如果说把你端到端的体验要做好我不仅能让你去比价知道这个东西我还能让你真的买到我不仅能让你买到当你买到假货的时候我还能有个机制把钱退给你我还能够去惩罚商家我还能够把里面整体的供给去做好这个其实整个链路就非常长了如果我们判断说这个事情是一个至关重要的事情就它不是一个你想做产品型产品还是你想做业务型的产品它就是最终业务型的产品会击败产品型的产品对吧你看比如说现在市面上几家电商的巨头其实每一家都是深入到供应链的对吧不管是淘宝还是京东京东可能做的更重所有的物流的体系都是他建的对吧然后包括拼多多其实都是背后深入到供应链本身的最后就验证了如果你要想要用户整体的购物体验要好你就得必须要像淘宝一样可能不仅是前端要把握住然后把后端可能也要去把它把握住这样的方式给做起来而不是单纯在那个时代去做一个导购的一个软件一个服务但你如果说比如说回到20年前我们做搜索引擎这个事情对吧你搜索引擎你也可以去这个搜索很多的一些信息理论上你也可以做一个相对比较垂但比较深入的某一个行业链产业链的一些信息对吧那事实证明用户对于信息的需求就是哪怕只是很浅层的信息的获取用户对这个的需求也是非常刚非常刚并且非常广泛的所以我们看到对于搜索引擎这个事情就是你基本上就是你做通用的最后会把所有做锤类做的更深的全部吃掉了对吧但是你看他电商这个场景就是属于你凡是花很多力气在做供应链的搞很多供给的你最终都能够打赢这场战争所以这个其实跟你到底是解决了什么行业的什么问题跟这个性质其实区别关系是非常大的那问题来了你觉得personal agent这个市场更像是搜索引擎的还是更像是电商呢他应该横着坐还是垂着坐我觉得PA这个市场非常 [105:00] 有意思啊就是他有很多前端信息的一些部分包括你的交互包括你的智能的这部分包括他告诉你应该先做什么后做什么他该提醒你的时候提醒你然后不该提醒你的时候可能给你发个简报这些东西其实都是前端的一些比较技术驱动产品驱动的东西但是回到他后面的那个供给他这些供给其实很多都是一个相对来讲会有很多一些原本是线下的一些成分对我认为PA这个事情其实是两边都有一些关系的我们在现在这个阶段我认为还非常难的去判断说PA这个形态到底一定是更像淘宝那么去做还是一定更像Google那么去做我觉得至少现在我觉得没有这个定论或者说从灵光现在的阶段来讲直接去下这么一个定论对本身灵光向前的发展并没有额外的好处所以其实我们会充分意识到它可能有前端也有后端然后前端后端都很重要那么所有我们的策略是本身产品技术推进的部分我们也是继续再往前去做的然后后端很多的部分蚂蚁本身自身之前的一些积累一些沉淀一些供给因为它不像当时淘宝那个时代所有的商家都没有对吧没有的话从令到一行的话当时就是中共铁军就是线下一家一家一家去避地的他从令到一做所以整体就做得非常的重但他就是个必须的现在的一个情况是虽然很多东西是线下的然后虽然很多东西依然需要去避地但是他们已经完成了从线下到线上上翻的那个过程所以我的判断是如果未来整个生态开放的速度足够的快那么这些已经被翻到线上的供给其实是能够被A成的非常好的去使用的那么在这种情况下可能你整体产品力更好你技术力更好这样的一些公司整体就能够跑赢打出这场战争但如果说整体的供给上翻的速度非常慢或者说因为各种各样的原因整体的供给的市场变得非常非常的割裂这种情况下前面这个步骤需要前面这个环节需要先去解决我们才可能把前端整体用户的体验才能做好因为如果你整个供给侧开放程度不高的话最后出现的情况就是他会有各个的PA你会发现市场上出现好多好多PA这个PA可能更擅长做理财那个PA可能更擅长做健康本质的原因是每个PA后面有各自独立的一些供企因为对用户来讲他要的其实最终就是他自己的一个体验那么你如果说我在你的锤类的里面你给我做健身教练你的效果就是比同用的好很多那他就是会用锤类的而不是会用同用的对所以我觉得这也是做C端产品一个比较直接的一个判断的标准吧他用脚投票的就是你最终你吹的天花乱坠你说你技术再牛逼产品力再强你供给再多如果用户最终没有用那一定是中间某一些环节有问题的对所以这块其实标准是非常清晰直接的做通用的personal agent和做垂直的personal agent你们现在做了这个选择没有从公司的角度并没有做这个选择对从公司的角度对蚂蚁来讲其实包括有灵光然后有阿宝然后还有阿福阿福其实就是一个很典型的垂直的一个personal agent对灵光来讲我认为至少在相当一段时间之内都还是会沿着通用去走的对因为它是一个不同的理念跟一个主张就是首先我们还是相信AGI的很多一些能力它会足够的一些通用在通用领域依然还有非常非常多大的一个机会所以从这点角度林光肯定会往通用的方向去走的业界有一个观点是说personal agent对绝对的智力要求不高真正难的就是身态的大通就包括我们刚才说的订酒店订机票它其实有点像传统互联网的脏活泪活的集合你同意吗我并不完全同意我觉得这是个绝对跟相对的关系就是说看我们要到达60分还是90分对吧只有一个60分的产品大家都是二三十分然后你打通了很多关键的供给但是你前面的智能水平可能不高你打通了供给你把整个体验拉到60分市面上其他都是20分那你阶段性的其实就打赢了对吧这个其实我理解为什么是刚才那种观点的一个逻辑对吧但是问题是如果这个时候有一个公司它供给也打通了它前端的智力水平也很牛你是60分别人是80分用户一定会选择那个80分的对吧就是还是回到那个PA3要素智能 供给 安全对吧这三点我认为都非常的重要那么对于用户来讲就是如果有一个三个 [110:00] 都是90分的公司他未来他一定能够打赢那个三个都是70分的公司目前来看国内personal agent谁在战场上最有迎面目前我认为Personal Agent在国内还是非常早期的一个阶段所以我认为整个PA不管是从模型的能力还是产品的形态都还在非常早期的一个阶段所以可能还是要现在去下一个判断预测说哪家更有迎面相对来讲可能会更早一些或者说如果我们现在一定要回答这个问题可能还是要回到那三件事情就是可能哪一家公司他在智能供给跟安全上整体会最有禀赋最有优势并且最后能够坚持的把他给做出来哪一家可能就是最有一面了你觉得大厂更有优势吗在personal agent这个赛场上大厂至少在供给上是会有很多的优势的因为很多是来自于之前其他业务线的一些积累然后大厂在智能的优势智能部分上有优势比如说大厂可能有一些自己有模型的一些大厂他可能相对来讲在智能上会有一定的优势然后但是纯从产品力的角度上来讲因为产品力这个事情它并不完全依赖于一些大量的资源它甚至有可能有那么少数一两个两三个极具天赋的产品精力然后它可能就能够把产品力给带上去对然后对于安全这块我觉得显然大厂说是更有优势的因为可能通常只有大厂才会有这么多的资源在安全这个方面会有更多的一些积累可能这个事情不是在每一个产品力都很重要但我认为在PA里面非常重要的安全可信它不是一个加分项是一个必须项业内对于国内personal agent的创业公司还挺悲观的反而你并不那么觉得你还是觉得创业公司有一定的优势的在产品力上这可能源于不是我对PA创业公司整体的乐观可能是源于我整体对自己对创业公司乐观我自己也创过两次业然后两家公司之前都卖掉了然后如果我们去考虑资源创业公司跟大公司都会差得很远但是我们从过去的历史的统计规律来看每一次大的浪潮都会涌现出一些完全不一样的创业公司当然有些公司可能你一开始都想都想不到你看现在这个不管是阿里腾讯字节现在都是巨无霸二三十年前他们都是个创业公司对吧每一个时代都会有自己的创业公司就像之前你说在美国的移动互联网时期技术时期大家都说哇Google这个整个AI能力基本上AI人才半壁江山都在Google然后多少多少牛然后又有infra然后又有钱又有人才对吧但是OpenAI Astrobit依然跑出来你看78年前当OpenAI是一个一开始还是个非盈利的组织就是它本质上它不仅是个创业公司它还是个创业的非盈利的组织对所以从时代演进从历史的统计规律来讲我认为一定会有创业公司能够跑出来但是具体是哪一家以什么样的姿势跑出来其实每一个时代都会非常的不一样我们可能很难去完全套用移动互联网时代或者说互联网时代的逻辑说什么样的创始人或者有什么样秉赋的创业公司他就能够去跑出来但是如果换个角度讲如果一个社会它的每一个新的浪潮新的机会都是有已有的大公司抓住的话我个人觉得对这个社会也是一个比较可别的事情这就可能意味着这个可能整个社会的大家的一个创新力创造力可能整体都没这么强我认为可能过去10年20年我觉得日本可能会有一些这种感觉的对可能整体至少在互联网这波浪潮里面这个新进的创业公司相对比较少但是你看不管是中国还是美国其实整体新出来的创业公司都非常多所以我自己对外面的很多创业公司还是更多的持乐观或者说更多的持一种这种包容跟鼓励的一个态度吧我觉得很多创业公司哪怕他们最终没有能够做到一个特别大特别好的一个结果但是如果中间他真的以某种方式推动了行业进步社会做出了很多的贡献就personal agent这个赛道来说蚂蚁其实除了做灵光你们也投资了today投资了齐军元那个团队所以内外部都要是不是内外部都要支持对 我觉得这个可能源于就是还是对这个赛道本身的一个关注跟看好对 当然比如说做灵光这个事情跟投资部做投资决策这个其实是完全独立的事情就是这个 [115:00] 不会说因为做了灵光投today或者说因为投了today做灵光其实各自都是独立决策的但是比如说对投资团队跟业务团队来讲就是因为都在蚂蚁所以对整体的战略方向判断什么是重要的什么是不重要的这个理念其实本身是一致的所以我觉得更多还是源自于我们认为现在的模型能力会解锁全新的产品形态一种类似于这个更通用的生活的个人助理的这样一种形态然后这个形态那么我们自己也有团队有很多的积累去做这个事情然后外面其实也有很多优秀的团队去做这个事情那么其实是可以以不同的方式去就是还是一个共同推进行业进步的这么一个逻辑内部团队会把外部团队当竞争对手吗比如说林光会把Today当竞争对手吗如果硬要说PA的共同做PA的竞争对手那可能包括Today包括可能外这个这个甚至是Muse啊什么这些都算但是至少在做灵光的时候因为整体这个市场比较早期我更多的还是从一个发展需求的视角去看比如说产品团队他花的更多的时间其实不是在看竞争对手有什么样的功能做了什么样的事情其实我们花更多的时间还是在思考几个事情一个是模型的能力到底会怎么演进这个演进跟personal agent会有什么样的关系他可能会带来什么样的一些新的功能然后personal agent这个事情到底最先会有可能满足怎样的用户怎样的需求在怎样的场景里面还有包括说如果我们判断他可能在某些场景比如说带娃这个场景可能会非常的好那么我们怎么高效的触达到这部分人群并且让这部分人群能够以一个这个比较低成本的方式把体验去做好所以其实这个阶段团队更多关注的还是这种怎么满足用户的未被满足的需求而不是放在比较多的一些看竞争对手一个动作上来看我觉得这也和之前我在做投资的整体的理念是比较一致的我一直觉得早期公司看需求晚期公司看供给和竞争对因为就还是一个新的事情你可能先做到一定的阶段然后再去看说我有什么样的攻击我有什么样的壁垒然后应该可以去怎么去打往未来看六个月你觉得墨西能力会怎么演进然后他对Personation这个产品会带来什么样的改变现在的刚才说的几个能力包括长城任务的能力包括调工具的能力他比去年同期其实已经有了非常长处的进步但是依然我们看到在做很多实际的过程的这个之中其实做的还是非常不满意的那有一些问题它可能就是会比较的复杂中间有一些你一共十步的你可能中间一两步错了你整体就错了所以哪怕你把比如说一个长征任务的那个准确率你从70%可能提升到90%但你如果一个十步的事情你每错一步就是错所以你最后的成功率是所有的错误率乘起来再用一减去那个数所以它其实错误率会非常高然后你多乘下几个你最后整体的成功率只有670%所以我觉得从PA本身的效果上来讲就是整个任务的调度的能力整个长程任务的一个能力的体验的效果我认为现在的模型也依然还在持续的眼镜而且还有非常非常大的眼镜的空间而且随着我们有越来越多用户实际使用的真实的一些案例我们可以更多的去针对这些真实的案例去反扑给模型引导模型说这是一个重要的事情能力可能如果遇到这样的问题我们需要去这样去拆解那么模型可能就更加知道我往里面去加或者构造什么样的一些训练数据然后这些数据我们把它训练好了之后怎么样才能更加贴近真实生活当中一个长城任务的一个场景所以我觉得在基础的能力上其实还有很多要做的一些工作还有包括说你说调用工具就是从能调用到调用好这个事情其实中间也有很大的一个鸿沟的那很多我们如果去比如说只做一个基模只去做打榜他可能更多关注的是能调用因为你打榜里面你可能调用的很多的一些工具什么他都是定死的其实你知道我怎么调用我调用了之后我并不太关心我真的调用了之后我用户是不是满意但你真的到了灵光的这个场景之后你需要给用户交付结果的但是用户发现能调用之后你后来还需要去反复的确认那么在这种情况下其实你最终用户他这个事情没有完成你在没有完成的情况下你就是行百里者半九十吗你没有完成就是你不管之前你完成了多少步你最后其实都是没有完成的 [120:00] 对所以对于很多用户的事项的一些托管我们还是有比较高的完成度的要求的这点对模型的长城任务的基础能力我认为还是会持续往这个方向去演进的我觉得这个是一块然后我们还观察到其实就是最近还有一条线就是沿着包括多摩泰啊沿着巨生这个方向在走的对NGBT6带来的新的变化对对就是这两个路其实是不太一样的比如说多莫泰的模型的能力其实也在不断的在眼睛当中它能够给PA带来一个很大的变化是它能够解锁很多更多的交互它能够让你的交互更加自然比如说对于一个真人的助理你跟他在讲很多事情的时候他是有眼睛的他是有耳朵的他可以一边去处理周围的一些环境一边去告诉你相关的一些信息但现在模型在这点上整体做的还比较差包括说你跟他交互的时候他在那乌拉乌拉乌拉说一堆然后你听着很烦你想把他直接打断他说不要再说了就是有些更接近于人这样的交互其实这块还有很大的一些提升的空间我觉得这个是多么泰整个模型能力的眼镜之后会走向更加自然更加实时更加像人一样能够观察世界听到世界表达世界会沿着这么一个方向去走我认为对PA的交互的能力其实是很有帮助的这个是一块对还有一块可能就是就涉及到那个巨神职能了就这块可能跟PA比它相对可能又会更加早期一点了就会涉及到我最早说的我其实很希望一个PA真的去帮我去做家务真的能够帮我把实际当中的一些生活当中的一些真实的一些琐事给把它给做了之前不是有个说法是说我们期待AI能够帮你去解决生活当中的很多琐事什么叠被子做家务炒菜然后把我们自己的时间都留给一些阳春白雪的事情结果发现最后模型能够写诗作画写歌模型完成阳春白雪的事情最后这些叠被子烧菜洗碗然后这些家庭很普通的一些事情依然模型是做不了的依然需要有人去做的所以如果未来有一天这个在生活场景里面这个聚生智能能够达到这样的一个水准我觉得对于整个社会的生产力又是一个大的飞跃嗯我觉得机器人有可能是personal agent的现实载体有点像就是personal agent有可能是一个软件层对对是的或者说它是它的一个中枢大脑或者说它的一个灵魂对这个是很有可能的所以这是各家大小厂的必争之地对对是这样的当然不管是巨星还是机器人它落地场景有很多它也不是一定要一开始就在生活场景中落因为生活场景是更难的现在有很多的还是在一些偏工业的场景偏商业的场景会先去落我觉得这个也无可厚非也没有问题一个眼镜的必经之路不过GPT6给居生智能的行业就在大脑上带来了很大的一个变量大大的会加快居生智能也许进家庭的一天对对是这样的我觉得核心是如果我们认为家庭场景是居生智能落地一个最后必然要达到的一个场景那么它的一个实现的路径是什么样子或者说换个问题来讲他最先能够解决用户的痛点到底是什么?可能目前来看真正能解决用户痛点的很多的场景在B端或者说G端可能相对会更多一些在C端其实目前来看还是更少一些因为从聚生智能的角度来讲就是他不仅要处理很明显的视觉感知的一些信息他有一些动作我们看似很简单的其实会非常非常的复杂我举个例子就比如说打开冰箱这个事情这个事情其实是一个很复杂的事情你让一个这个比如说可能两三岁三四岁的小孩你让他很顺畅的打开冰箱他是需要学习的因为冰箱它的门会吸住你需要知道在一开始用一个很大的力把它打开当你把它拉开来之后你要在很短的时间之内把那个力收到非常小所以它看上去打开冰箱是个很简单的事情但它其实是一个对你的控制然后你的反应你的判断要求极高的这么一件事情生活当中很多打开冰箱系携带系携带其实也是一个对林孝欣要求很高的这么一个事情可能接下来如果模型的能力在物理世界不断眼睛我是很期待能看到在越来越多这样类似于这样的生活场景里面结束更多一些新的一些能力的 [125:00] A层会成为一个个人的入口那它未来在AI的产业版图里会是一个什么样的位置它是一个独立的应用是一层操作系统还是说它是一个连接用户和数字世界的一个代理层我认为都有可能成为独立的应用和操作系统它其实本身是不割裂的就是如果比如说像现在灵光的整体的一个形态它就是会往独立的应用的这个方向去走当然像刚才说的APP应用也是应用在其他的硬件上的应用它也是应用对吧你背后灵光连接的一整套的这个服务的一些能力本身这些能力是可以作为一个操作系统的那么这些操作系统比如说现在珠宝上的很多一些能力如果我们把它去原子化了我们把它agent化了我们能够让很多agent都以不同的方式去access到里面的这些服务其实那么它的发挥的价值其实就更大了它不是说只有灵光能够去调用里面的这些服务它可能未来我们也许有可能钱文啊或者说其他一些公司啊我们其实可以有开放的平台这样的话其实对整个用户的体验效率会更高的所以我认为在这一层的在操作系统层的这个可能性也完全存在当然未来也有可能有一些就是一些全新的可能性啊可能它长得也不像一个APP它可能也不是一个现代操作系统的一些样子因为你未来如果我们认为所有的线上线上的事情基本上都是agent的代理去完成商业价值的或者说供给的价值那个链条到底是什么形态怎么做其实现在大家是没有定论的但是我认为沿着现在的一个方式大家是在逐渐的向那个方向去走的比如说现在对很多的供给来讲他其实并没有完全的agent的话他很多比较开放的供给他最多最多可能就是提供了一个mcp的服务但是提供mcp的服务他可能只是一个很简单的第一步对吧你真正要完成agent的话他里面还需要解决很多很多其他的问题就包括刚才提到的安全可信合规的一些问题对吧设施然后也需要现在所有的商家他们在自己的链路上做非常非常多的一些改造所以我认为这个可能是需要一定的时间但这个一定是一个更加开放更加互联的一个生态一定是一个正确的方向你觉得Personal Action有促进AGI的实现吗我认为会的这个其实是一个相互的就是说我们去看智能这个事情Personal Agent它是一种可能一个产品落地的一个形态那么本身产品和模型或者说跟智能之间它就是一个相互和相互促进的一个作用对吧那一方面产品本身它能够给模型未来的迭代发展提供更多的一些思路因为对产品来讲它的反馈是非常直接的你某个方面做的强了用户就有更多的去用用户更多就用了就会发现你里面有些问题我期待你完成但你其实并没有完成那么这个时候产品就会反向的跟模型去提需求说现在市面上有这样的一些需求模型我们下一代的模型就希望能够把这个需求给解掉我觉得这是一个非常直接的反馈链路包括说很多模型里面产生的过程的一些数据一些feedback其实都是可以这个产品里面产生的都是可以反馈给模型的我认为相互之间肯定是更加促进的这就像这个OBI这个模型出来之后然后这个模型去服务了XGBTXGBT打火了之后其实反向我认为是大大加速了整个模型迭代的速度甚至都大大加速了整个行业的模型迭代的速度你觉得最终的agent生态它会是中心化的还是分布式的人们会有多少个agent在手里我认为这个问题取决于未来agent到底能力能够达到什么样的一个程度那么比如说我们去看现在很多的不管是什么超级APP还是这个这个你电商的一些各个的一些商家他到底是中心化还是非中心化就是最终他都会达到一个稳态这个稳态判断的一个标准去最大化那么比如说理论上一个公司他也可以也做社交也做电商也做所有的但是你看即使是像在中国这样一个激烈无比竞争大家都喜欢超级APP的这样的一个环境对吧依然淘宝是淘宝抖音是抖音对吧微信是微信因为有产业分工对依然但是这个产业分工不是说20年前大家定好了说你就做电商你就做微信这其实都是打仗打出来的打出来的之所以这么打出来 [130:00] 一定是大家就是用户最终会认为说我在你微信上这个买东西的体验肯定是不如在淘宝上好的那我在你淘宝上跟朋友之间去聊天的体验肯定是没有微信的好的它是最后那么打出来的所以对于PA来讲就是最后其实也是一样就是取决于说我的模型能力能够达到什么样程度我的供给能达到什么样的程度然后各家怎么会竞争最后会形成一个体验的一个版图用户就会根据这个体验的版图最终形成一个选择的稳态那么最终可能会有几个大头也可能会有很多个小头也可能会有完全多独立的一些小头就是这个生态它没有办法完全靠你这个业务的性质去决定这就像比如说我们就说电商那美国的独立站品牌就是非常非常多美国的电商整体比中国就是更加的非中心化中国的电商它整体来讲相对就是会更加中心化但你说中国人买东西跟美国人买东西需求真的有那么的不一样吗其实并没有根本买东西的需求没有不一样它是这么多年一些商业的格局还有包括大家的一些文化买东西的一些习惯就是综合形成的这么一种格局所以我觉得也由于PA或者说模型的能力在一个早期的发展阶段所以可能现阶段很难下一个定论未来一定会是中心化还是非中心化的但是有一点如果我们就是紧紧抓住本身用户的一个体验我觉得不管是中心化还是非中心化一定能够创造出足够的价值在这个生态中掌控权或者这么说掌控权重要吗所以大家争入口啊默认的潜态词就是入口拥有这个市场的掌控权因为掌控入口它是掌控的一种刚才我们聊到一个操作系统对吧操作系统的这个逻辑其实操作系统它本身是不掌控用户的这个入口的但是它依然掌控了在一个很长链条里面的关键一环所以说我觉得这个角度是看你从公司的角度还是从社会的角度去看从公司的角度去看掌控权是重要的因为掌控权就直接决定了你的商业价值比如说一个很复杂的产业链它可能中间有失环其中有一环可能是一个充分竞争的市场对吧就比如说像PC这个产业链你卖硬盘至少在10年前20年前它是个充分竞争的市场就导致了有很多很多家很分散每一家都赚不了钱对吧但是你说我是搞CPU的你搞CPU就那两家对吧那我你可以说在10年前20年前Intel跟AMD可能就占据了整个CPU的这个几乎的所有的一些风格这个其实就是掌控权所以我觉得首先一点是掌控权它不一定只停留在最前面那层它其实中间每一层都可以核心是你最能是不是足够重要第二就是这件事情在这个节点是不是只有你能干如果只有你能干你就有掌控权你就有足够高的商业利润但是也许你掌控了这个你并不一定为外界所熟知就像比如说像做光刻机的阿斯麦对吧那所有的高端的芯片都是阿斯麦做的他基本上就垄断了但是其实可能很多普通用户他不一定知道阿斯麦但不影响阿斯麦是一个行业巨头很垄断的公司对吧像阿斯麦台积电其实都是属于属于这种情况但是其实从全社会的角度来讲一个链条有十个环节那么有些环节是完全竞争的有些环节是有些巨头去垄断的可能并没有那么的重要因为最终就是如果整个链条足够重要那么对用户来讲他最终关心的是我整个链条能不能给能够有足够低的成本达到足够多的一些体验那么对于说这个产业到底是几家充分竞争还是说一下去垄断但是对于公司角度来讲肯定是要全力去争取在这个链条里面的某一个环节就是争取能够做到行业的第一名反正不管怎么样是打出来的就是打出来的这真的是打出来的商业竞争还是很残酷的我们聊AGI的时候会有很多的一些理想的成分包括说我们在做技术做产品不可避免其实都会有很多理想的成分但是最终能不能够守住能不能够立住其实最终都是打出来的其实你看你看比如说微信对吧你微信在里面做很多产品的功能设计它其实是很克制的它有里面有很多非常理想主义的一些成分但他最终立足不是只是因为他产品列索他是后面整个的商业生态最后帮助他把它给立足了其实最后也都是打出来的对personal agent来说你觉得他的竞争壁垒是什么样它是模型的能力 它是智能能力 还是说是个性化的记忆 [135:00] 还是说是比如说生态刚才提到的几个要素里面我觉得短期内可能是智能然后更中长期我认为是攻击和安全对这个还是在不同的阶段会发挥不一样的一个作用的这个的前提是智能可能慢慢会稳定下来大家可能拥有相似的智能每家公司或者说可能底层基础模型的能力可能会大差不差就是我认为这是一个迟早的事情对只不过说到底在什么时候会发生其实从22年底XGPT出来到现在其实已经四年的时间了对因为很多人把这次AI的时代对比移动互联网时代大家都说XGPT2022年是这个AGI元年所以它就类比iPhone1出现的时刻然后可能会把什么某一个阶段类比成iPhone4出现的时刻但是你看像iPhone4自从iPhone4发布之后行业来讲它里面的很多模块其实基本上就固定住了你App Store其实也都在线了iPhone 4之后出来的每一代的产品其实你看很多时候本质上都是硬件参数的变化我有更大的摄像头更高的内存更快的速度更高的一些响应速度它逐渐进入一个稳态了我认为从行业规律的角度来讲大模型的能力迟早会进入一个迭代速度变慢这样的一个稳态今年的情况来看我目前还没有看到短期内他会很快进入这样一个问题其实你看去年跟前年市面上就有这样的说法大家会说scaling law已经失效了或者说scaling law没有失效但是你能搞的数据都已经搞得差不多了对吧逻辑上听起来都合理但是你看依然这两年从coding走到长城任务整个模型的智能能力依然还在不断的提升而且最近各家大厂其实都会往RSI这个方向去走就是模型的自叠带然后自叠带其实也是它也包括模型本身的自叠带所以其实如果模型的能力只要模型的能力还在高速的发展我认为它就会不断解锁更多新的产品的机会和更多新的商业的机会但它总有一天会放缓那放缓了之后也许会放缓成绩个几年可能过几年之后又会有一波新的浪潮出来是什么我不知道但是这个可能就是一个客观的规律你觉得Personal Asian会是一个持续多久的竞争它的最重要的竞争的变量是什么以及你觉得这个行业会不会出现我们熟悉的国内大厂的补贴站Personal Agent呢如果我们是把它认为一个一个更范的个人助理的这么一个形态我认为它是会持续竞争下去的只不过说竞争下去什么时候成为一个稳态我觉得它会有一个答案但是Personal Agent的本身它持续不断的演进我认为它会演进下去的这就跟你看支付宝它已经存在这么多年了支付宝整个的产品形态十年前十几年前已经非常非常不一样了周宝本身其实也在不断的演进并且在越变越好依然是一个国民级的应用很多用户都会非常的一些喜欢所以personal agent我首先认为它是一个长坡后雪的赛道因为它解决的是个人生活当中非常高频刚需的一些根本性的一些问题所以我认为本身它会持续的演进下去只不过就是演进最后的终结到底是什么会打补贴战吗这是个好问题我之前也在跟公司的其他同事也在聊这个事情因为我记得去年的春节的时候当时包括可能千问啊豆包啊都疯狂在打补贴战我的看法是打不打补贴战它是一个商业的决策或者说它是一个竞争的角色它跟产品本身的演进其实是两条独立的线比如说去年为什么大家疯狂的在打补贴战因为大家就会觉得说我还是要抢入口我还是要更早的去建立心智我要往前去走所以如果未来有一天personal agent打了补贴战我不会觉得特别的意外但我只是觉得补贴战也有不同的姿势跟打法有一些的补贴它可能跟产品本身没有太大关系它就是纯这个去获客让用户去了解你这个产品到底是什么样子的但是不能因为我们打了补贴战我们技术就放缓或者说我们产品的眼镜迭代去放缓而且还有它也会受到你的友商的影响比如说你的友商都在打补贴战然后你不打其实很多时候你会有比较被动对吧之前我跟有一次我跟我跟老苗聊到这个话题嗯 [140:00] 他是这个写下植物宝第一行代码的这个代码的人然后老老老当时跟我说一句话我觉得还蛮经典他说在中国这样的充分激烈竞争的环境如果是Sam Ottoman来他也要发红包对所以我觉得这句话说的很形象对他就是一个中国的特殊国情带来的一个激烈竞争的这么一个产物就是本身我对这个补贴倒没有正向或者负向的感觉如果他是一个出于竞争的一个商业的决策我觉得是可以被理解的但是他本身并不意味着我们补贴站打的好我们本身产品也做的好最终最终最终我觉得对于C端用户来讲一个C端的产品他也好做他也难做好做的点就是在于反正用户用脚投票你不管通过什么样的方式你只要做出一个传递足够用户价值的产品C端的用户就是会自然而然的过来哪怕你你如果你如果产品的价值不好你哪怕打再多的广告你贴再多的红包其实都是这个这个没有用的就是最终用户都是会离开的因为你不可能无限的去撒红包去补贴用户吧我觉得这是C端产品好做的地方C端产品很难做的地方我觉得相对于B端产品来讲就是你不会有一个很明显的用户需求或者说你问用户需要什么他告诉你的其实并不是他内心里真正想要的所以有用户洞察对对就这个用户洞察其实很多时候很难就是这个人讲本我自我跟超我就是用户的需求他是本我但是他很多时候他展现出来他告诉你的其实并不是本我这个时候其实他的这个洞察往往不是很简单的能用逻辑推演来来推导出来的就是他有的时候他不是一个自然科学我认为很多产品的用户的洞察这个综合就是他需要有一些艺术的成分有一些感性的成分甚至是一些毫无道理的成分你可能感觉这样就是对的所以在这种情况下你需要力排众议说我们就是要坚定不移的往这个方向去走然后不要去讲逻辑不要去讲什么数字不要去讲推演对吧然后那么你最终如果用户认可这个方向走对了那是走对了但这个时候往往是很难的地方因为你不是一个人在作战你带团队去打仗对吧那很多时候如果你没有办法用数字去证明一样东西你用什么东西去证明对吧这个其实是实际做C端产品它不仅是对做PA的产品它对做所有的一些这种科技向的产品这种比较有高度不确定性的依托于前沿科技的这个产品都会带来这样的挑战因为很多东西你用逻辑上推演不清楚我们大胆预测一下今年春晚会有personal agent的补贴大战吗发红包吗我觉得有可能有可能我觉得是有可能有这个可能的有这个可能的当然也许不一定是一发红包这个形式也可能会以其他的形式这个比如说去体验personal agent里面的某一项服务你像去年当时这个补贴大战的时候签问当时的一个形式就是喝奶茶请大家喝奶茶对我觉得这个本质上就是不是只是去给你撒个钱而是说希望通过这样的方式让你去真的体验说在签问上是可以能够去点奶茶可以去点外卖的我听说personal agent他要比working agent更烧钱因为一个是他的主动性你每次主动你都要花钱都要烧钱然后一个是他的实时的我觉得烧钱不烧钱就是看我们用什么样的维度去看啊personal agent他的主动性当然他可能会有更多的一些query但是他有一点不一样的是他不一定每个交互都是需要非常实时发生的比如说你说你去帮我总结一下什么每天帮我总结一下当日的股市状况首先你不是一定要在每天的晚上的9点10分去总结你也可以9点5分去总结所以这样的话你能够很好的去利用到播风跟播股就是你的算力他会有播风播股的你可以在播股期的时候去做更多的离线任务的一些工作我觉得这个是会跟你播风的时候你实时响应会非常不一样的对然后第二点就是说对于很多的一些后台的一些运算离线的一些运算因为你对实时响应要求没有那么高所以你不一定需要非常好的卡你推理对吧你推理你不需要用像那种H200的这种卡去推理的对吧你甚至可能都不需要H20你可能用很多这个这个非常便宜的卡但是你的代价是原来要算个10秒你可能要算30秒但对很多离线的场景这对用户来讲是不重要的所以我觉得不能简单的说我们发的query发的越多然后整体成本就越高我觉得这个是一个点 [145:00] 我还是始终相信就是算力的成本未来会大幅的下降就这是一个长期的趋势所以如果我们认为这是一个趋势的话所有现在可能会耗很多算力但是对用户来讲非常有价值的场景在若干年之后其实它的算力的成本会大大降低它整个结构都会非常的不一样但为什么现在可能大家都会觉得所有的算力都非常贵因为现在大家还是在一个强市场一个激烈竞争的一个环境在这样的环境下每一家都要用当前最好的模型而且当前最好的模型比去年最好的模型它要领先很多但是这件事情如果在模型能力的迭代速度变慢的情况下如果明年的模型只比今年的模型好10%那我们为什么一定要用明年的模型呢对吧如果说市面上这个时候的竞争不是20家在竞争而是只有两家在竞争那是不是一定两家都要用最好的模型呢因为最终还是需要商业逻辑去闭环的对所以我觉得现在的很多高算力的一个状况我认为在未来会得到缓解而且更何况本身这个不管是中国还是美国都在建很多算力的基础设施因为大家充分意识到算力这个事情现在大家的一个水电煤所以它会是一个非常广泛的基础设施所以在这种情况下我对Personal Agent本身的这个钱上的一些消耗我个人是持偏乐观态度的我再来分享一个业内观点一种观点认为我们是不是高估了大家对于Personal Agent的需求就是并不是每个人都需要一个助理对吧现实生活中也只有很少的人才有助理那Personal Agent你到底是应该去服务高端用户还是应该去服务普通用户会有普通用户对你来说是成本就看你解决的是一个存量的需求还是一个增量的需求对其实历史上会有很多这样的案例就是一个技术出来大家觉得说你没什么用因为没有人用对吧但是没有人用有很多原因比如说用户没有一个助理并不代表他不需要一个助理而是因为可能市场上就没有这么多的一些供给对吧很多公司的高管啊像很多高进制人群他都有这样的助理他需要这样的助理是因为他去雇一个助理带来的代价远远的小于助理能够给他提供的一些价值只不过我们现在雇一个助理因为我们现在需要去雇一个真人的助理所以他本身的代价他就有一个水位在这边但是可能现在一个AI能够给用户提供的一个价值其实是达不到我们雇真人助理的一个代价的但是这点在未来我认为是会发生改变的因为AI的能力越来越强AI的助理能够给人提供的价值其实是越来越高的同时AI助理它本身的一个价格它需要消耗的算力其实是会越来越低的当低到一定程度之后比如说如果你去问说呃现在可以给每个人配一个真人助理一个月一块钱马上需求立刻就结束基本上这个我都可以想象绝大部分人可能都会希望去有这么一个助理就说这个助理就是知那他哪你给他一个范围就这里面所有的事情一个月之内知那他哪只要一块钱如果是这样的话我相信所有的用户或者说很多很多的用户他其实都会有这样的需求的算得回来账吗对于公司来说对所以我觉得本质上就是还是我们把供需匹配的那个逻辑算清楚了这一块钱只是我取的这个例子如果未来一个AI的助理比如说他能够给你提供每个月我不说多吧每个月给你提供100人民币的价值然后他每个月需要你需要付出的代价值是10块钱没有理由用户不用因为这是一个很清晰明确的一个决策对所以在这点上我整体也会认为这个未来的供需的一个关系会向这个方向去演进所以它会解锁更多的一个增量的一个需求而不是仅仅是说我把现在高端人群的助理的需求解决好现在大家没有助理我觉得还是一个供需匹配的一个问题你觉得未来personal agent商业模式会是什么样当然今天很早期我觉得可能有几个可能性一个可能性就是如果我们还是以按照助理的逻辑就是他本身帮我做了一些事情这些事情创造了一些价值这个价值如果我们能够去衡量的话我们只要做到我们去这个价值高于我们本身去养它的一个成本就可以了对所以如果是这点的话回到刚才那个逻辑如果这个它能够给你带来100的价值然后它的成本假如说是五十那么我们可以给他定价定60这样的话对公司来讲就赚10块钱的利润 [150:00] 然后对用户来讲他就有40的英语这个逻辑其实是其中的一种逻辑它是一个生产力的逻辑这个就是服务业的逻辑这个就是就像比如说很多人比如说他会雇一个终点工去做两个小时帮你打扫对吧比如说杭州雇一个我不知道可能100多块钱120块钱对吧假如说未来的PA他真的进到物理世界能干这个事情了他只要20块钱那你如果能做的跟中点工一样好那你肯定是雇用20块钱的它是个生产率逻辑我觉得这个是一种商业模式还有一种商业模式会更接近于互联网里面它是一个流量入口的逻辑就是说如果我们未来通过这个PA他去帮你做很多事情比如说他会帮我做很多购物的决策他会帮我去推荐什么医院推荐保险推荐什么前提是我很信任他对吧因为他给我推荐的其实都是非常好的情况下的话它就相当于自己本身是一个通道那么在这种情况下通道本身其实是有价值的它就是一个互联网的一个过路费的一个逻辑你不管是通过广告广告是通过流量本身抽成去曝光还有就是你直接去收通道费就是它本质上都是一个你自己造了个路然后你去再造了一个收费站然后它又是个收费站的逻辑我认为这个逻辑如果未来只存在少数的几家PA的话它是有可能能演进到这个逻辑的但如果未来PA的生态相对会更加的分散我觉得前一种逻辑更有可能因为前一种逻辑它不依赖于你中心化流量聚集它只需要依赖于你单点的价值足够高就可以了互联网需要平台化需要因者通吃对它才有流量价值对的PA它不完全是一个流量的逻辑它是个生产力的逻辑还是回到最开始的那一点就是AGI带来的变革我认为是供给侧的变革就是你供给侧的变革你就有可能有个生产力的逻辑互联网场景侧它更多的是我原来流量是这么走的我现在流量变成那么走了所以它是一个因为通道渠道带来的变化带来的整个效率提升的一个变化所以它的逻辑是有点不太一样的你看年初有一波OpenClawHermes这样的产品它火热了一波然后后来热度就降下去了那这一波的Personal Age会不会也出现这种状况就是它聚集性的集中性的爆发一波然后慢慢的它的流存也不好一个过渡性的产品有这种可能性吗如果它留存不好我认为是还没有做好我认为是很多点其实没有把它做到位我觉得至少从比如说从Muse我们了解到的情况包括我们内部在内侧灵光实际使用观察到的情况我觉得是非常非常接近或者说达到用户实际能够持续使用的这么一个拐点所以我觉得在这里面的差距它不像什么两年前三年前我们是要做PA它可能本身技术的能力完全去达不到但我认为现在已经非常进到这样的一个拐点了所以比如说我站在灵光负责人的一个角度我其实是会倾向于认为如果我们没有做好这个火了一波最后流程不好下来了我觉得是因为我们没有做好而不是因为所有的这个要素这些东西都不在我认为其实还是在的那么在这种情况下这个策略也很简单就是我们知道这个事情能work然后只不过因为我们没有做好去想到底有哪几个部分是最关键的环节在哪些环节我们没有做好我们继续去把它做好就行了那么包括刚才说的有一些这个你可能冲上去下来冲上去下来可能对于很多产品它都会有这样的一些阶段这就像你买一只股票你如果只去看它的股价它其实会可能波动的非常厉害但是你如果真正的去看它的价值有可能它的价值可能会是一个非常非常稳态向上的这么一个过程那么对一个公司对一个股票或者说对一个产品来讲就是在存活的前提下最终重要的其实是它的一个价值的体现像很多的这个比如说像DAUDAU其实就特别像一个股价就是它是很多因素综合起来的一个好外在的表现就是短期它更像一个这个这个voting machine嘛然后这个长期它更像是一个称重级嘛对吧就是就是为什么会有voting这个事情是因为可能短期内外部都有很多的压力比如说你的友商在疯狂的撒红包那你撒不撒你可能会撒你撒了之后其实可能也没什么用但是因为友商撒你可能也被迫去应战或者说其实可能不撒红包是个更正确的决定但是因为大家会很焦虑不知道不撒红包会怎么样撒红包的问题就是你可能你首先浪费了很多钱对吧你不知道有没有效果但是像我刚才说的这是个独立的决策所以我说不管你撒不撒红包不管会不会有这么大的一个波动 [155:00] 就是你长期产品还是要沿着正确的方向整个去演进我觉得这个才是一个最重要的事情因为像PA这样一个我认为是一个长坡后雪的赛道长坡后雪的赛道最终能赢下战争的一定是一个在正确的方向持续积累的就是可能有很多很多玩家然后有些玩家因为各种各样的原因他没有办法沿着同一个方向去积累但是如果就那么正好有一两个玩家他就是能够沿着这个方向持续的积累一年两年三年如果这又是个长坡后雪的方向只不过对于那两个玩家来讲最难的是你怎么样在市场可能没有那么正向反馈的时候你怎么能够在你遇到非常非常多质疑的时候嗯你对创业公司来讲就是投资人都不投你了你这怎么办对于一个公司内部的产品来讲就是说管理层觉得这个东西好像有时候火有时候不火到底给不给足够多的资源你怎么在这样的一个情况下依然坚持做正确积累的事情这个是在石头神面上有很多挑战的但你如果有上帝视角你回过头来看你会发现所有大城的公司产品就基本上都是这样有哪些迹象能表明它会是一个持续性的产品他快到那个拐点了对比如说从实际做产品的角度啊就是我们最直接观察的一个是流存一个是LT然后其实也非常容易去理解啊比如说这个我们说问答这个事情问答这个事情就属于很典型的我有需求我就会去问然后我没有需求的时候我可能不会想去问我没有需求比如说我平时很累的时候那可能正常的刷抖音啊对于很多人来讲就是你不知道干什么的时候就刷个短视频所以说如果我们只是像单轮的一轮问答它其实更多的就是你问答的这个本身的东西是不是高频你高频然后次数留存就好你低频留存就低但是personal agent的不一样personal agent的是比如说对灵光来讲你把一件事情托管给他这件事情如果本身对你是非常重要的它会持续出现在你的生活里至少在某一个阶段同时你的生活不可能只有一件事情你的生活其实是有很多件事情所以灵光其实它能够在一段时间之内同时帮你托管很多事情那么对于这很多事情因为本质上它是对你生活当中重要的事情所以很多的一些信息他主动的提醒也好我主动的去看也好就是他的留存其实来自于这里来自于他真正接管了你生活当中重要的一些部分这些需要长期持续管理的部分跟之前你只是通过问答去满足的这些需求其实有不太一样的地方他其实是吃的这部分市场这部分市场他天然就是一个比较长期的可持续的然后需要你个人持续关注注意力的这么一个地方所以他的留存其实本质上体现在这里你对于personal agent的最终的想象或者什么样的这个行业的终局可能是什么样的像一个人甚至超越人就真的是像一个像一个真人其实我们对比现在的模型能力我们很多时候说他哇很智能很惊喜其实都是跟前一代模型去比的我们真的去拿一个模型跟一个受过良好教育的这个情商也很高智商也很高的这么一个真人去比其实整体的差距还是非常大的只不过说的产品大家都会有预期吗很多时候大家说一个C单的产品其实所的原因就是他对你有个预期你实际deliver的比他的预期要更高然后同时解决了用户的问题用户就会觉得你所对吧但是你有所你还可以有更好就是本身对生活体验的提升他其实是无止境的所以我觉得还是回到我们看personal agent的方向回到第一性原理我觉得如果我们要定个阶段性的一个小目标阶段性的一个大目标目标的话我觉得就是真人能做到的事情你能做到多少比如说现在真人做到事情你可能只能做到1%对吧那我们明年能不能做到3%对吧三年之后能不能到5%五年之后能不能到50%对吧那十年之后能不能到7%80%如果说真的能够做到人了我不说是个终局它是一个会对整个世界产生深远影响非常不一样的一个阶段性的终局吧做硬件吗我们会有相关的工作但之前做的相对少一些蚂蚁之前在硬件的很多的积累其实来自于就是因为我们做扫码支付扫码支付其实我们要做很多刷脸支付的机具还包括我们碰一下碰一下其实有很多的机具我们很多的一些硬件来自于这一块但其实我们也意识到说AI能力的提升其实有可能可以结束很多C端新的硬件的一些机会所以在这一块可能不是蚂蚁历史上and, [160:00] 但是也是一个我们在至少在增加比以前更多关注的一个领域。有的人会认为对于personal agent来说腾讯更有优势,因为他天然就有微信这个网络,未来可能会寄居一个人和agent共存的一个生态。你认可这个观点吗?从一个创业者或者说一个做业务的人的角度来讲,呃,腾讯是不是更有优势不是我更关注的一个地方对可能对从投资的角度来讲它可能是一个更需要去关注的地方这就跟比如说20年前你说谁把电商给做出来那大家肯定不会觉得阿里是最有优势的这么一个对我觉得核心还是用户有什么样的需求满足PA的这个需求需要哪些要素那我们能不能够把这些要素以一定的方式很好的聚集在一起你能够比别人先把这些聚集在一起你就能够打赢这场战争那么可能比如说不管是对腾讯还是对蚂蚁还是对字节来讲可能他们各自都有各自的优势跟禀赋那么比如说有的我们一定要量化的话可能有的优势可能这家是70分那家65分那家是85分但是我觉得不是说有一个领域你是85分你是80分这就意味着你之后能打赢这场战争整体我认为还是一个非常非常综合的一个事情或者说对从团队的角度来讲其实可能我和团队会更愿意把时间精力花在跟用户侧这侧的很多的一些感知上所以听下来personal agent有三个要素可能大家在于每个要素打分不一但是最后不管怎么样这个市场是打出来的是打出来的对对对或者说你打出来之后比如说如果假如说三年之后五年之后打出个阶段性的终局我们到时候可以再做一期节目然后我们可以回过头来看我们三年前聊的这些事情然后里面的一些这些要素也好然后这些竞争的优势也好到时候是不是这样的我可以大胆的推测一下我们五年后聊的很多的一些话题要素可能跟今天我们聊的都会非常的不一样不是说我们今天聊的答案是对是错我们会发现其实可能我们需要聊一些其他的维度会完全的不一样我觉得这个是做虚担产品或者说做AI让人非常兴奋的东西就是你不断的在推动行业进步你不断的会有新的东西它不断的会推翻你之前这个有的一些方法论一些体系一些经验这是一个很让人兴奋的事情我们最后还有一些快问快答一个全球范围内你喜欢的食物嗯一个全球范围内你喜欢的地点巴黎一个少有人知道但是必须知道的知识点可以是一个冷值水毛豆和黄豆是同一个品种基于所有读过的书推荐两本必读书邓小平时代谢谢大家乔布斯传基于你当下的认知一个关键的重要的bet是什么谢谢大家算力的成本会不断的下降我们做产品技术要基于这个理念