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)