张小珺Jùn|商业访谈录
Personal Agent竞争核心在于以自研模型与生态打破真人服务成本门槛,短期红包仅为战术手段,长期胜负取决于真实事项交付的留存称重。
AI-assisted summary of 157. 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
- 大模型产品正从千亿级的信息重构(Chatbot)、万亿级的软件重构(Task Agent)向十万亿级的生活服务业重构(Personal Agent)跃迁,其本质是通过 AI 供给侧革命替代真人高门槛服务。 (41:57)
- 做成 Personal Agent 的底层壁垒由“智能、供给、安全可信”三要素构成,短期依靠智能突破长程任务,中长期取决于线上线下真实服务供给的整合与资产调用风控。 (30:00)
- Personal Agent 的主动性不必然导致推理成本失控,绝大多数托管任务是非实时的,可通过算力波峰波谷调度与低成本计算卡异步处理实现成本解耦。 (143:21)
- 针对可能打响的春晚级红包补贴大战,行业共识是补贴仅能带来短期的“投票机”效应,产品的长期留存依然取决于像“称重机”一样交付端到端闭环的真实用户价值。 (140:00)
Detailed notes
## Background 本期节目由商业访谈播客《张小珺Jùn|商业访谈录》于2026年11月18日发布在小宇宙平台。节目对话蚂蚁灵光负责人蔡伟,围绕近期在全球范围内密集涌现的Personal Agent(个人智能体)浪潮展开深入复盘,探讨其爆发根源、需求真伪、产品形态迭代以及对未来十万亿级服务业的重构潜力。
## TL;DR 蔡伟回顾了从硅谷算法研发到回国执掌蚂蚁灵光的历程,提出AI产品正在从千亿级的信息行业(Chatbot)、万亿级的软件行业(Task Agent)向十万亿级的生活服务业(Personal Agent)跃迁。他将做好Personal Agent的核心支柱解构为“智能、供给与安全可信”,指出相比单次任务解决,PA的本质在于通过极度克制的信息分层与主动性去管理长期、模糊且多线程的生活事项。结合中美竞争生态与商业模式,蔡伟认为普通人对AI助理的需求并非伪命题,随着算力成本断崖式下跌和线下服务数字化资产的复用,未来将催生出全新的生产力履约与超级通道商业逻辑,而市场格局最终不是由既有禀赋预定,而是靠实打实的产品体验“打出来的”。
## Atmosphere & style 整场对谈兼具大厂一线业务掌舵者的务实清醒与硅谷技术老兵的推演深度,气氛理性、严谨且富有远见。张小珺的提问直切行业最敏感的痛点(如大厂基因论、指标异化、春晚红包大战及需求真伪),蔡伟则不避讳短板,以解剖刀般的第一性原理和生动案例(如扫地机器人意料之外的连接、毛豆与黄豆的隐喻)予以拆解。听感上褪去了技术浮躁与概念宣讲,流淌出一种在激流中保持长坡厚雪战略耐力的从容定力。
## Bulletin - `41:57` 大模型产品正从千亿级的信息重构(Chatbot)、万亿级的软件重构(Task Agent)向十万亿级的生活服务业重构(Personal Agent)跃迁,其本质是通过 AI 供给侧革命替代真人高门槛服务。 - `30:00` 做成 Personal Agent 的底层壁垒由“智能、供给、安全可信”三要素构成,短期依靠智能突破长程任务,中长期取决于线上线下真实服务供给的整合与资产调用风控。 - `02:23:21` Personal Agent 的主动性不必然导致推理成本失控,绝大多数托管任务是非实时的,可通过算力波峰波谷调度与低成本计算卡异步处理实现成本解耦。 - `02:20:00` 针对可能打响的春晚级红包补贴大战,行业共识是补贴仅能带来短期的“投票机”效应,产品的长期留存依然取决于像“称重机”一样交付端到端闭环的真实用户价值。
## Key takeaways - `00:00` 中美 AI 研发环境存在显著分化:硅谷偏向探索模型智能上限与前沿 Research,国内团队则聚焦场景落地、受众匹配与推理运营成本控制。 - `05:00` 蚂蚁灵光演进历经三大里程碑:从解决信息获取效率的 Fast Research,到 C 端动态交互的“闪应用”,最终随长程规划能力跃升转向 Personal Agent。 - `10:00` “智能”不等于“套壳”,它在商业落地中由底层模型能力、中间引导调优的 Harness 编排框架以及顶层产品交互表达三层强耦合构成。 - `20:00` Personal Agent 与任务型 Agent 的代际差在于:从单一会话的封闭复杂任务,跨越至高度模糊、长期持续且无固定终局的生活目标托管。 - `35:00` 主动触达的核心挑战在于防范打扰,优秀 PA 依赖严格的信息分层体系,只有内环高信息增益的强刚需才触发主动通知,避免沦为垃圾营销推送。 - `48:21` 移动互联网十余年的 O2O 狂飙,本质上是为 Personal Agent 提前完成了极为繁琐的线下实体服务数字化与线上化基础设施建设。 - `01:00:00` 生活 Agent 与工作 Agent 在短期因用户动线差异和企业级数据合规隔离而分立,但长期随着通用基模与统一接口的发展终将走向融合。 - `01:10:00` 业务型公司并非做不好产品,阿里技术底座是伴随高并发业务实战锻造出来的,PA 早期不宜过早锁死商业模式与终极形态。 - `01:20:00` 前沿产品管理须警惕古德哈特定律陷阱,单纯将目标压缩为 DAU 等一维考核指标会导致业务变形,团队需锚定长程事项托管交付率等真实价值链路。 - `01:30:00` 新一代 AI 产品经理正转向“策略型产品”,不仅需借助 AI 工具独立手搓原型,还须研读技术论文,围绕三至九个月后的未来模型能力前瞻设计产品。 - `01:35:00` 不同于海外基础模型的能力外溢模式,蚂蚁灵光采取“应用需求拉动基建”路线,将长任务与工具调用需求深度前置反馈至预训练与 Mid-training 阶段。 - `01:40:00` 记忆管理须遵循“应记尽记、克制调用”原则,避免因模型情商不足直接抖落敏感隐私,严防产生说教感(爹味)与职场压迫感(班味)。 - `01:55:00` 端到端长程任务面临复合错误率陷阱,哪怕单步成功率达到 90%,十步串联后综合成功率也会降至三四成,基模打榜与真实世界闭环交付存在巨大鸿沟。 - `02:00:00` 具身智能是 PA 在物理世界的终极载体,但当前受限于毫秒级力控灵巧度与高阶物理交互壁垒,进入家庭消费场景仍需跨越工程瓶颈。 - `02:28:21` Personal Agent 未来将分化为两条商业路径:一是靠单点供给替代和成果交付变现的“生产力逻辑”,二是寡头垄断下代管重决策并抽取过路费的“流量通道逻辑”。 - `02:42:00` 大厂既有的社交或流量禀赋无法直接决定终局胜负,终极入口格局如同当年的电商与操作系统一样,必须在实战中由综合体验动态打出来。
## Detailed walkthrough ### `00:00` 开篇与嘉宾背景:从硅谷到蚂蚁的 AI 观察
节目开场,张小珺介绍了本期的主题与嘉宾——蚂蚁灵光负责人蔡伟(David)。两人围绕近期在全球范围内密集爆发的 Personal Agent(个人智能体,简称 PA)浪潮展开对谈,推演行业演进、市场竞争以及未来可能打响的补贴大战。
蔡伟回顾了自己的职业路径:他早年在硅谷生活工作了十年,在 Google 从事计算机视觉及深度学习算法研发;2019 年回国创业并涉足早期投资;2024 年 1 月加入蚂蚁集团,参与集团的 AI 战略规划与多款核心 AI 产品的研发。谈及在 2024 年初重回一线的契机,他提到当时大模型在国内迅速升温,基模与应用层公司遍地开花,让他深刻意识到这是继互联网、移动互联网和深度学习之后又一次巨大的技术浪潮,适逢蚂蚁迈入全新阶段并全力拥抱 AI,促成了这次转型。
对比硅谷与国内的 AI 研发氛围,蔡伟有着深切的切身体会: - **硅谷侧重技术上限与纯粹研究**:硅谷的技术氛围更纯粹,从业者更多思考如何突破智能的上限,偏向底层模型与前沿 Research。 - **国内聚焦场景落地、受众与成本**:国内团队则更关注技术如何切入具体场景、服务哪些细分人群,以及背后的推理与运营成本是否可控,应用落地的氛围更为浓厚。
关于未来可能出现的商业竞争,蔡伟引用了一位同行的犀利断言: > “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 Altman 来,他也要发红包。”
```mermaid flowchart LR accTitle: AI产品三阶段演进及其商业价值 accDescr: 大模型推动产品从Chatbot演进到任务型Agent,再到Personal Agent,分别重塑信息、软件和服务业。 subgraph S1["第一阶段:Chatbot"] C1["代表:ChatGPT"] --> I1["重构信息行业<br/>(千亿级市场)"] end subgraph S2["第二阶段:Coding / Task Agent"] C2["代表:Manus / Claude Code"] --> I2["重构软件行业<br/>(万亿级市场)"] end subgraph S3["第三阶段:Personal Agent"] C3["代表:灵光 / Muse"] --> I3["重构服务行业<br/>(十万亿级市场)"] end S1 --> S2 --> S3 ```
---
`05:00` 灵光的产品演进:从 Fast Research、闪应用到 Personal Agent
蚂蚁灵光的诞生与迭代经历了一次重大组织与产品方向的调整。2024 年底 DeepSeek 的爆发对大厂触动极大,让团队意识到 AGI 底层模型能力的飞跃远比单纯做表面场景更具颠覆性。2025 年上半年,蚂蚁重组了 AGI 团队,蔡伟整合了原小宝部分团队与自己的团队,于 2025 年 3 月正式立项推进灵光。
灵光的发展历程经历了三个核心里程碑:
1. **第一个 Milestone(2025 年 7 月内部内测版)——Fast Research(快速研究)**: 定位为用更结构化的信息表达解决用户的信息获取问题。团队坚信结构化排版能直接提升信息获取效率,灵光在 11 月公开上线后,其排版与结构化呈现广受用户好评。 2. **第二个 Milestone(2025 年 11 月正式上线)——闪应用(动态交互生成)**: 在研发教育类 Query(例如“如何学习微积分”)时,团队偶然发现模型不仅能输出文字,还能生成可动态交互的内容(如直接在结果卡片中调节函数参数并实时渲染曲线变化)。当时海外的 Lovable、Replit 主要是面向中小 B 端提供动态建站与交互工具,国内尚无公司将此逻辑做成面向 C 端的移动端原生产品。基于蚂蚁强调的“科技普惠”基因,灵光将“闪应用”独立为核心功能,让每个 C 端手机用户都能一键生成自己的交互应用。 3. **第三个 Milestone(2026 年春节后至今)——Personal Agent(个人智能体)**: 从 coding agent 的泛化能力出发,团队观察到模型的长程任务规划能力跨过了临界阈值,以前只能解决 30%–40% 的复杂长流程任务,跃升至 60%–70%。基于这一能力跃迁,灵光从 4 月开始全力研发 PA 形态,直至灵光 2.0 面世。
---
`10:00` 智能与产品的关系:模型、Harness 与产品表达
在 Personal Agent 这一概念尚未在行业普及之前,灵光内部一直用“个人助理”来定义方向,并从第一性原理推导助理形态:真人助理不需要时刻找你说话,有时只需递上一份简报或邮件,不随意打扰,但交代的重要事项必须“事事有着落、件件有回音”。
蔡伟不倾向于用单薄的“套壳”来贬低产品层的价值。他认为“智能”在商业与落地层面必须拆解为三个协同层级: - **底层模型能力**:基础的推理、规划和生成能力。 - **中间的 Harness(调优与编排框架)**:负责引导模型在特定场景下调用工具、管理上下文并约束行为。 - **顶层的产品表达**:包括具体的用户动线、界面卡片、Tab 逻辑与交互反馈。
> “智能跟产品本身其实是强耦合的,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。”
纵观大模型爆发以来的产品演变: - **第一代 Chatbot(以 ChatGPT 为代表)**:根本上颠覆了传统搜索引擎“给 Query → 出一堆链接 → 用户逐条点击甄别”的模式,实现直接总结归纳、高效交付信息。同时衍生出伴随式陪聊等需求,但部分伪需求产品(如走向破产流程的某些陪伴类 AI)随模型迭代被洗牌,只有刚需的信息获取形态沉淀下来。 - **第二代任务型 Agent(以 Claude Code、Manus、Cursor 为代表)**:不仅是调模型做搜索和 RAG,而是能拆解复杂目标,根据不同子步骤调度各种开发工具与终端环境,智能程度显著提升。
---
`15:00` Coding 能力的溢出与产品分化:B 端专业性 vs C 端管家感
Coding 能力的成熟在市场上催生出两条不同的演进路线: - **垂直生产力路线(如 Cursor、Claude Code)**:Anthropic 深度切入程序员群体,在产品表达上极度极客化,详尽展示调用了哪些终端工具、改动了哪个文件、删减了多少行代码,迎合专业开发者的掌控感。 - **通用能力外溢路线(如 Manus)**:坚信代码执行与沙盒能力可以解决更广泛的白领通用任务(如研报生成、数据检索拼接)。
蔡伟指出,Claude Code 背后的模型底座同样具备通用化的潜力,两者的差异主要在于**产品表达的选择与场景定位**。如果在 C 端日常生活中展示几十个工具调用和文件增删行数,用户不仅不在意,还会觉得困扰。
> “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好地帮我解决这个事情、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带来的不一样。”
由此演进出的第三代形态便是 **Personal Agent**。PA 并非彻底取代 Chatbot 或任务 Agent,而是代表了一种全新的产品交互主轴——**极其积极主动地在恰当的时间,为用户提供合适的信息并执行正确的操作**。
---
`20:00` PA 的核心代际差:主动性与长程模糊目标的管理
灵光 2.0 此次主打的核心切口被定义为“**盯事情**”。蔡伟举例:如果一个粉丝想追明星(比如杨茜茜)的巡演,过去必须每天手动刷新票务平台、紧盯社交媒体动态;而交付给 PA 后,Agent 会在演唱会官宣的第一时间自动捕捉信息、触发抢票提醒并协助规划行程,全程无需用户持续耗费精力。
这种体验代际差的底层支撑,是模型长程任务(Long-horizon tasks)处理能力与外围 Harness 的突破: - **单一复杂任务 vs 持续跨时间任务**:Manus 等工具偏向在独立 Session 中解决单次复杂工作(如写一份几十页的行业研报),任务完成后对话即结束,边界清晰,有明确的行业 Benchmark(如 PPT 结构是否合规美观)。 - **持续且无终局的生活目标**:PA 面对的是高度模糊、长周期甚至没有明确停止边界的任务。例如“帮我做家庭理财管家,多赚钱且少亏损”,模型需要主动反向提问了解用户的真实画像(年龄接近 60 岁需配置低风险债券,20 多岁则可承受更高波动),并长期追踪市场波动。
```mermaid flowchart TD accTitle: 复杂长程任务执行逻辑 accDescr: 面对模糊的长期目标,Agent通过反向提问明确上下文,并依据条件分支持续主动追踪。 Goal["长周期模糊目标<br/>(例:全权盯盘与理财)"] --> Context["反向询问获取上下文<br/>(年龄、风险承受力、预期)"] Context --> Strategy["制定个性化执行策略"] Strategy --> Monitor{"持续盯盘与事件监听"} Monitor -- "条件A触发(市场大跌)" --> ActionA["执行防守对冲并静默记录"] Monitor -- "条件B触发(重大转折)" --> ActionB["精准触达用户,请求关键决策"] ```
然而,“主动性”极易滑向“噪音打扰”。如何平衡主动价值与用户打扰,是当前 PA 研发中最严峻的考验。
---
`25:00` 克服冷启动噪音:克制原则与个性化尺度
面对主动提醒与打扰之间的矛盾,产品设计必须处理极其复杂的个性化偏好:有些用户渴望保姆级的事无巨细汇报,有些用户则希望平时绝对静默,仅在固定节点提供一份简报。
在用户冷启动阶段,系统尚未完全掌握用户性格,灵光团队采取了相对克制的产品策略: - **分层触达设计**:严格界定何时弹 Push 强提醒、何时进入对话流直接通知、何时仅仅静默归档在详情页卡片中。 - **激进版本与惊喜感权衡**:内部测试显示,更激进的主动介入策略固然能产生更多意外惊喜,但也伴随着更频繁的“唠叨感”。因此灵光选择以克制为底色,通过收集交互反馈让数据飞轮逐步运转,最终实现千人千面的尺度调节。
谈及为何 Muse、灵光以及海外产品(如 Instinct、OpenAI Dots、Cue 等)在过去几个月内呈现“井喷式集体爆发”,蔡伟分析这绝非巧合,而是多重底层技术与环境要素同步成熟的结果: - **OpenClaw(小龙虾)带来的极客启蒙**:2026 年春节期间极客圈爆火的 OpenClaw,虽然配置门槛极高(蔡伟自己首次安装配置环境也耗费了两三个小时,排查了大量 Bug),但它向整个工业界确凿地证明了一点:只要调优得当、配齐 Skill,模型完全有能力在长程链路中自主完成复杂闭环。各大团队随即意识到,将这一能力产品化、普惠给大众的时机已经成熟。
---
`30:00` 破局 Personal Agent 的三大要素:智能、供给与安全可信
在跑通技术 Demo 与真正交付一款人人可用的 PA 之间,横亘着漫长的数据上下文(Context)与工程壁垒。与百科类问答不同,百科对所有人提供的答案基本一致,而 PA 要创造惊喜,核心依赖于**用户愿不愿意将真实上下文托付给它**。
现实的痛点在于:绝大多数普通 C 端用户根本不会写复杂的 Prompt,无法通过多轮追问把自己的偏好讲清楚。因此,必须通过底层“连接器(Connector)”帮助用户极低成本地打通 Context: - **生态供给与服务打磨**:灵光优先接入了支付宝生态体系内的本地生活与线上服务。蔡伟强调,通用模型具备打车或点外卖的概念,绝不等于用户在实际调用中能获得丝滑体验;每一个关键垂直场景,技术与产品团队都必须针对接口、权限和链路逐个对齐、反复调优。蚂蚁的既有生态及中心化合作团队,大幅降低了与各行业伙伴冷启动沟通的摩擦成本。 - **Agent 时代全新的安全隐私与授权机制**:传统的安全合规面对的是“人操作软件”,而 PA 时代是“Agent 替人买单、替人调用资产”。PA 必须精准识别何时需要弹窗征求主动授权、何时可以在免密额度内静默操作、哪些敏感数据允许接入生态,这需要重构一整套底层风控与隐私体系。
蔡伟将做好 Personal Agent 的终极壁垒概括为三个不可或缺的支柱: > “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。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。”
- **智能(Intelligence)**:底层模型与长程任务拆解、自主跟随的 Harness 架构。 - **供给(Supply)**:跨生态连接真实世界服务接口的能力,将 Intent(意图)转化为 Action(行动)。 - **安全可信(Security & Trust)**:在涉及资金划拨、个人隐私与代表决策时,建立起让用户放心的制度与技术信任防护网。
`35:00` 海外先行者的启示:Instinct的去APP化与Muse的边界感
蔡伟结合自己与海外同行、老同事的交流,对过去几个月涌现的Personal Agent(PA)产品进行了对比,其中**Instinct**与**Muse**给他留下了最深刻的印象。
Instinct虽然发布更早,但它带来了一个极具颠覆性的启示:**“一个PA不一定要以APP的形式去存在。”** 蔡伟分享了他在美国生活时的切身体验:在海外,虽然APP也在用,但短信、电话和邮箱依然是极高频的沟通媒介。每当家里的网络出故障、需要联系医院修改医保卡信息、或者需要改期重新配送物品时,用户都必须硬着头皮打客服电话,过程十分痛苦,而且整个海外生态依然大量依托Web,并没有像国内一样全面“APP化”。Instinct敏锐地捕捉到了这一点,选择直接走短信和电话切入,真正将“无处不在的助理”理念实践出来。这推动了整个行业的认知:PA摆脱手机APP后,未来完全可以无缝连接到车载系统、智能家居和各类随身硬件上。
Muse则在体验和细节打磨上更进一步。蔡伟认为,许多PA产品表面上看功能大同小异——都有主动提醒、多轮对话、记事功能,但Muse胜在极其出色的**边界感(boundary control)**。Muse发给用户的每一条消息都经过精心调校,具备极高的新信息增益(information gain),从而形成了良性循环:因为每次打扰都真正有用,用户就会格外重视下一次提醒;反之,若产品早晚机械化地各推一条信息含量极低的“早晚报”,用户很快就会将其视作垃圾营销短信并关闭权限甚至卸载APP。Muse的消息弹窗就像微信通知,“大家是没有人会把它当成一个营销短信的……它是真实世界的反馈”,这也是PA产品能维持高留存的核心原因。在分析Muse是如何调校出这种克制的边界感时,蔡伟指出这并非写一个通用Prompt交给最强底模就能自然习得的,而是需要对信息建立清晰的分层分级。
```mermaid flowchart TD accTitle: PA 场景下的信息分层体系 accDescr: 展示以用户核心需求为圆心向外辐射的内环、中环与外环三层信息逻辑
subgraph CoreNeed["用户核心需求(如:下月去日本旅游)"] Inner["内环:强相关与刚需<br/>• 订机票/酒店<br/>• 向老板请假<br/>• 排期冲突校验"] Middle["中环:次级相关与环境<br/>• 当地近期天气<br/>• 环境与政策变化"] Outer["外环:弱相关/传统推荐逻辑<br/>• 某地新开动物园<br/>• 泛日本旅游打卡点堆砌"] end
Inner -->|"高信息增益,主动打扰(克制)"| PA["优质 PA 触达体验(如 Muse)"] Middle -->|"按需提供或低频整合"| PA Outer -->|"若机械化推送则沦为垃圾营销"| Trash["用户反感并关闭 Push/卸载"] ```
- **信息分层模型**: - **内环信息(必须处理的核心事项)**:订机票、订酒店、向老板请假、校验日程冲突。这是PA必须提供的高增益服务。 - **中环信息(环境与动态)**:目的地近期天气走势、环境政策变动等,有参考价值但打扰级别需降低。 - **外环信息(泛推荐信息)**:如“当地新开了一家动物园”。若直接按算法一股脑全量推荐,就会退化为传统的营销流信息。 - **蚂蚁灵光的取舍**:蔡伟表示,灵光虽然目前主要形态仍是手机APP,但理念上全面继承了Muse这种克制、少打扰的价值主张,并在规划未来数月内开放接口,接入智能家居和车机等多元硬件载体。
---
`41:57` 重构服务业:从信息、软件到十万亿级服务业的跃迁
讨论到PA是否是大公司寻觅已久的“下一个AI原生入口”时,蔡伟给出了明确的研判。他认为,当前形态的Muse或灵光大概率只是过渡形态,但沿着Personal Agent的方向演进,“最终会带来一个不一样的全新的用户的入口”。
蔡伟将大模型驱动的产品演进划分为三个阶段,分别映射到不同的传统产业与市场规模(TAM):
| 演进阶段 | 代表产品形态 | 重构的传统行业 | 预估市场规模(中国市场) | 核心机制 | |:--- |:--- |:--- |:--- |:--- | | **第一阶段** | Chatbot(获取信息) | **信息行业**(如传统搜索) | 千亿级别 | 收集并处理线上信息,直接Serving给用户 | | **第二阶段** | Task Agent(如 Cursor/Claude Code 等) | **软件行业** | 万亿级别 | 颠覆传统的固定业务流程与固定UI界面展示 | | **第三阶段** | Personal Agent(助理服务) | **生活服务业** | 十万亿级别 | 用AI替代营养师、家教、减重师、家装顾问等真人服务 |
蔡伟指出,社会生活中大量的线下服务业——如营养师、减重教练、小学作业辅导家教、乃至空调维修方案建议——目前普遍由真人承担。然而现在的模型能力在营养学或减重领域给出的专业建议,“至少不比一个平均水平的营养师、减重师要差的”。因此,PA的本质是社会服务业升级的具象载体。
聊到Chatbot对传统搜索引擎的颠覆,张小珺提到当年外界曾惊呼“Google将死”。蔡伟分析指出,长期来看Chatbot确实会蚕食并重构传统搜索,但这个过程不会一蹴而就,原因有二: 1. **老牌巨头(Incumbent)的自我革命决心**:Google内部经历了巨大的组织变革,深知“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”。Google凭借在Gemini上的快速迭代证明了自己数十年的工程、算法、数据与人才底蕴仍具极高壁垒。 2. **C端用户行为习惯的迁移需要时间**:就像如今虽然大量国内用户改用小红书搜索、国外用户改用Chatbot,但百度至今依然保有1到2亿的日活跃用户(DAU),依然是国民级应用。
---
`48:21` 供给侧改革:O2O是PA长达十年的“基础设施修筑期”
针对张小珺提出的“Personal Agent是否像移动互联网时代的O2O换了个新入口”这一疑问,蔡伟进行了深刻的技术与商业辨析。他指出,移动互联网的O2O核心是**场景侧/需求侧**驱动——手机有了定位(GPS),解锁了“在路上点外卖、找周边商户”的物理场景;而PA则是纯粹的**供给侧**改革:
> “PA跟O2O……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。”
这种供给侧重构表现在两方面: - **无中生有的全新供给**:模型的每一个回答都是动态推理、现场实时生成的全新内容; - **存量服务的智能重组**:将散落在线上线下的各项分离服务,用全新的工作流重新穿透、编排起来。
从历史维度审视,搜索引擎与移动互联网前20年的发展为Chatbot喂养了庞大的知识数据库;而**过去十余年的O2O狂飙,本质上是为Personal Agent长成智能大脑做完了极其痛苦的线下服务数字化与线上化**。如果今天线下服务没有被O2O线上化,PA要完成复杂任务就寸步难行。
蔡伟以灵光在钉钉生态中的落地为例说明了这一底层逻辑:在灵光内部,协同并操作钉钉是调用量最大的场景之一。这并不是因为灵光在技术上对办公场景做了特殊魔改,而是因为钉钉沉淀了极佳的供给(组织架构、日程、文档、工作流等完整上下文),并且具备极高的开放度和安全围栏,使Agent能够轻松接入并调动这些供给。“核心是要让Agent能够安全、可信、极高开放度的情况下access到这些供给,这样的话它才能发挥出最大的生命力。”
---
`01:00:00` 破局切口与短期分化:从“帮我管事情”到工作/生活Agent的边界
对于普通大众“打开PA到底能干嘛”的困惑,蔡伟认为市场目前仍处于早期培育阶段,必须做减法,找到一个极度聚焦的痛点切口。灵光团队选择的切口是:**“帮我管事情”**。
- **高频刚需生活场景矩阵**: - **带娃养娃**:小孩的饮食起居安排、辅食制作日程、辅导作业; - **家庭健康管理**:为父母预约体检、到点提醒父母服药; - **家庭与人际关系**:为太太挑选准备纪念日礼物、社交事项追踪; - **个人资产与车辆管理**:基础理财事务追踪、车辆保养排期。
在被问及生活场景Agent与工作场景Agent(Working Agent)未来是走向融合还是割裂时,蔡伟表达了清晰的“短分长合”观点:
> “我认为在短期之内它会有边界的……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。”
- **短期分立**:不同的场景对应完全不同的用户动线(User Flow)与使用工作流;同时,企业级工作场景对**数据隔离、私密性与安全围栏**有着近乎严苛的要求,产品团队必须将有限的资源向数据合规大幅倾斜。 - **基模层面通用**:在底层模型能力上,蚂蚁并不会分别训练一套“生活基模”和“工作基模”。蔡伟认为一个强大的通用基模完全可以同时胜任工作与生活,“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”,两者的差异仅在Post-training(后训练)以及强化学习对齐策略上有所区别。 - **长期融合**:当技术与接口进一步成熟,如同钉钉虽然是办公软件却能频繁承载个人生活事项一样,两者长期来看存在融合为终极形态的可能。此外,针对Siri为何未能率先跑通全能PA的问题,蔡伟归因于苹果本质上是一家硬件驱动的公司,其软件生态与AI研发从战略上是为硬件销售服务的,这种组织禀赋决定了其在纯软件与高开放度助理形态上的演进面临更大挑战。
---
`01:04:40` 蚂蚁的基因试炼:从“业务型产品”迈向“纯C端驱动”
面对这场PA竞逐,蔡伟坦诚拆解了蚂蚁集团在战局中的优势与劣势:
```mermaid flowchart TD accTitle: 蚂蚁做 Personal Agent 的优劣势拆解 accDescr: 展示蚂蚁在智能、供给、安全维度的禀赋沉淀,以及从业务型产品向纯C端产品转型的组织基因劣势
subgraph Advantages["蚂蚁的核心禀赋 (Advantages)"] A1["供给积累:从支付、数字生活到万千商户的线上线下服务资源"] A2["金融级安全:支付风控底座、可信计算与隐私计算的长期投入"] A3["全栈基模:自研预训练底座与长链路任务执行能力"] end
subgraph Challenges["核心挑战与基因劣势 (Challenges)"] C1["传统强项为业务型产品:第一天就定好商业模式、搞定B端和C端分润闭环"] C2["纯C端产品经验相对较少:极度依赖交互细节打磨、C端体感与模型微调配合"] C3["市场破局能力重塑:需要像消费级独立软件一样去建立新品牌认知并教育市场"] end
A1 --> PA["Personal Agent 战局 (蚂蚁灵光)"] A2 --> PA A3 --> PA C1 -.->|"组织与思维正在转型突破"| PA C2 -.->|"组织与思维正在转型突破"| PA C3 -.->|"组织与思维正在转型突破"| PA ```
在审视国内外科技巨头的组织基因时,蔡伟给出了清晰的“巨头基因图谱”: - **业务型公司(如亚马逊、传统的蚂蚁)**:极度强调运营效率与商业模式闭环,第一天就严密推演B端与C端的博弈架构; - **产品型公司(如Meta)**:具备顶级的产品力与C端用户体感思考,天然擅长打造现象级消费产品; - **工程技术驱动型公司(如Google)**:其强项在于超强的基础设施(Infra)与工程能力,能够将算法以极低成本、极高并发和极快速度稳定服务全球; - **研究技术驱动型公司(如OpenAI、Anthropic)**:相比于Google的工程导向,它们骨子里流淌着前沿科研探索的血液,“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……你看了10个方向,可能有9个都是不work的……但是最难的是你一开始你不知道哪一个work”,它们敢于押注高不确定性的科学跃升。
蔡伟坦言,做灵光对蚂蚁而言是一场深刻的自我升级——团队正在跳出以往驾轻就熟的“业务型思维”,努力向对C端交互敏锐、对模型反馈极度细腻的纯产品研发模式转型。
`01:10:00` 业务型公司的基因之问:产品与业务的本质区别
面对外界常有的“基因论”质疑——即蚂蚁这类业务驱动型公司能否做出优秀的 AI 时代产品,蔡伟给出了明确的否定。他回顾了阿里巴巴早期(2004 至 2006 年前后)的历史:当时的阿里同样是纯业务属性,底层技术底蕴相对薄弱,没人会把它当成一家强大的技术公司;但经过足够时间的积累,阿里不仅在淘宝的搜索与推荐系统、双11极端峰值流量的承接(从 100 QPS 到数万 QPS 的稳定性与扩展性工程)中锻造出极高的技术壁垒,后来更孵化出了阿里云与通义千问。对于 OpenAI 和 Anthropic,外界常视其为技术驱动,但蔡伟认为它们最核心的壁垒恰恰是把前沿研究落地为大众喜爱的产品,并能源源不断将新科研转化为产品力。
谈及产品与业务的差异,蔡伟认为两者并非完全割裂,但核心结构大不相同。纯产品相对纯粹,往往只包含两方——“做产品的”和“用产品的”,核心是把一定要素组织在一起,比竞争对手更好地满足特定人群的某部分需求;业务则复杂得多,往往是连接 C 端、B 端、服务商与平台的多边体系。以淘宝和支付宝为例,用户诉求看似只是把钱付出去,背后却涉及复杂的风控系统和收单清结算生态。在商业模式上,业务型项目从第一天往往就必须看清流量、供给和分润机制,而一个纯产品在早期很难完全把商业模式固定下来。在当前大模型高速演进的背景下,每一代能力的解锁都会重构形态,因此 Personal Agent(PA)很难在初期就把商业模式和终极形态完全定死。
> 蔡伟强调:“我觉得更多的是在于从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,辅以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。”
- **早期技术积累**:阿里的技术底座并非与生俱来,而是通过淘宝搜推算法的演进、双11高并发挑战(低 QPS 到万级 QPS 的跨越)以及阿里云的长期研发逐步打磨出来的。 - **产品 vs 业务结构**:产品通常由两方构成(开发者与用户),讲求要素组织与单点体验;业务则是多边平台生态(包含 C 端、B 端及各类服务供给方),需要平衡各方利益链与复杂的履约链路。
---
`01:15:00` “灵光”的诞生与意外的扫地机器人 Case
在解释产品命名时,蔡伟透露团队曾费尽脑细胞。蚂蚁此前推出的基础大模型名为“百灵”,具身智能产品名为“灵波”,团队希望一脉相承延续“灵”系列。后来团队和公司 CTO 讨论时,“灵光”脱颖而出。它不仅朗朗上口、自带智能感,而且在江南等多地方言中,“脑子老灵光”即形容一个人极为聪明聪慧。在内部沟通和资源支持上,由于蚂蚁集团对 AGI 方向高度认同且坚定,灵光团队并未因商业模式前期的不确定性而受到过多阻力。
在 2.0 版本的内测中,最超出团队预期的用户反馈来自智能家居和物联网服务的连接。灵光原本并未主动预设连接车机、扫地机器人或净水器的场景,但一些极客用户利用其通用性展开探索。有内测用户直接在对话框中尝试让灵光控制扫地机器人,虽然初期系统并无专门优化导致直接连接失败,但该用户纯粹通过自然语言连续引导了三四轮对话——让模型分析机器人型号、寻找并下载适配驱动、指导蓝牙配对,最终成功控制了设备。这个案例让蔡伟极其惊喜,它精准印证了 AGI 产品中“G”(General,通用性)的精髓,即用户能自发用它去解决设计者从未预设的各种现实问题。
> 蔡伟指出:“AGI 跟 AI 最大的不同就是中间那个 G 就是 General,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。”
```mermaid flowchart LR accTitle: 极客用户自主连接扫地机器人的交互链路 accDescr: 展示用户通过多轮对话引导灵光下载驱动并完成蓝牙配对的完整过程。
subgraph User["用户自然语言引导"] A["输入连接扫地机器人诉求"] --> B["提供具体设备型号"] end
subgraph Agent["灵光通用推理能力"] C["分析设备型号与接口"] --> D["检索并协助下载驱动程序"] end
subgraph Execution["硬件交互与闭环"] E["指导完成蓝牙配对"] --> F["成功托管并控制智能设备"] end
B --> C D --> E ```
- **命名谱系**:蚂蚁大模型生态以“灵”字贯穿,包含基础模型“百灵”、具身智能“灵波”以及 Personal Agent 产品“灵光”。 - **通用性涌现**:灵光 2.0 在未做专门定制的情况下,依靠模型底层的推理与规划能力,被极客用户自主调教出驱动智能硬件(扫地机器人、净水器、车载系统)的服务连接能力。
---
`01:20:00` 指标会带来变形:“方向比目标更重要”
在讨论产品的北极星指标时,蔡伟说明除了常规的 DAU、留存率、用户生命周期(LT)之外,团队最核心观测的其实是“事项托管”链路:用户究竟在灵光中创建了多少事项、当前处于 Active 状态的事项有多少、真正端到端顺利闭环完成的事项占比多少,以及因为交互体验或执行卡壳导致用户中途放弃(Drop)的比例。如果非要设定硬性考核指标,用户数和留存固然关键,但在做这种前沿技术驱动的产品时,他始终坚守一条管理理念:方向比具体的目标数字更重要。
蔡伟援引古德哈特定律(Goodhart's law)的思想阐释,一旦一个目标被简单具象化为单一维度(例如硬卡 500 万 DAU 或 40% 留存),就相当于把高维复杂系统粗暴压缩成一维指标,必然丢失关键信息并诱发变形。团队为了达成考核,天然会本能地选择阻力最小、最容易刷量却背离产品价值主张的路径,而最容易的路径绝大多数时候绝非正确的路径。此外,大模型技术每隔几个月就发生代际跃升,如果频繁改变考核指标(这个月考 DAU、下个季度考留存、再下个季度考 LT),会导致团队陷入困惑与内耗。因此,在面临大公司规范的 KPI 考核时,灵光团队选择花大量精力与集团管理层保持高频对焦,拉齐理念内核而非死扣机械数字。
> 蔡伟直言:“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……我们尽可能做到让大家先去理解高维的东西,这样我们就知道怎么样能沿着这个方向整体在做工。”
- **核心观测指标**:事项创建数、活跃事项数、事项完整交付率、任务中途流失率(Drop-off)。 - **目标异化陷阱**:单纯追逐指标容易驱使团队选择“阻力最小却错误的路”,违背人性地去做短期刷量,从而牺牲真正的用户价值。
---
`01:25:00` 长期终局推演:以 AI 重构服务业供需关系
对于灵光的成败标准,蔡伟给出了宏大且理性的双重定义。从覆盖广度来看,Personal Agent 是极具普遍性的刚需赛道,他期待灵光未来能成长为一款千万级甚至亿级 DAU 的国民级通用 AI 产品。但与此同时,他并不赞成非黑即白地用数字成败来评价当下的探索。在 AI 高速跃进的时代,只要灵光始终站在行业与时代的最前沿,在探索长任务、复杂调用与通用助手的过程中推动整个行业认知的进步,甚至反向驱动公司模型能力的升级,这种积累本身就在创造巨大的价值,也能在面临业务起伏和需求挑战时支撑团队持续坚守。
在集团战略协同上,蚂蚁集团过去数十年深耕支付、互联网金融与本地生活,本质上一直在做“服务业的数字化”。因此,集团对灵光的期待与团队的内在使命高度一致:用 AI 的力量彻底重构整个服务业的供需关系。蔡伟指出,尽管重构服务业在客观上可能会带来“下一个超级服务流量入口”的结果,但入口只是商业演进的副产物。核心本质在于 AI 彻底打破了传统人力的边际成本限制,重新定义了服务如何被供给与消费;蚂蚁必须在服务业深耕的基础之上,去赶上甚至引领这一轮由 AI 引发的服务业革命。
> 蔡伟表示:“如果是讲集团对灵光的一个期待,或者说灵光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量入口,但它可能只是这个其中的一个结果。”
- **用户规模预期**:长期目标直指千万级乃至亿级 DAU。 - **战略主航道契合**:从最初的支付清算,到数字生活服务,蚂蚁的核心能力一直是服务业的数字化,而灵光是该战略在 AGI 时代的直接演进,目标是用 AI 重新分配和调度社会服务。
---
`01:30:00` 新一代 AI 产品经理:懂技术、看论文、面向未来设计
对比移动互联网时代,蔡伟认为 AI 时代做 2C 产品发生了质的飞跃。不变的核心依然是对用户真实需求的敏锐洞察,但变化在于以往产品经理投入大量精力在功能堆叠与交互界面设计,而现在的 AI 产品则极度依赖“策略产品”的能力——即如何持续调优模型效果、控制行为边界。他指出,这并非全新概念,20 年前谷歌和百度的搜索算法调优产品经理本质上也是策略产品,如今大家做大模型效果调优与当年的搜索算法调优一脉相承,区别只在于现在的工具链演进成了 Claude Code、Codex 等代码生成工具,产品经理可以快速独立手搓高质量原型。
这对团队的人才结构提出了极高要求。在灵光团队中,不少产品经理本身就是算法或技术研发转岗而来;即使非技术背景的产品经理,也普遍保持着研读最新技术 Paper 的习惯,必须深入理解大模型的能力边界。蔡伟强调,当今产品经理不能仅根据现有的模型能力来设计产品功能,因为大模型能力每三到六个月就会发生重大升级;如果只看当下,功能上线时可能就与新的模型底座产生错配。新一代产品经理必须具备前瞻预测力,能够预判三到九个月后模型能力会演进到何种程度,并围绕“未来的模型能力”提前设计产品架构。
> 蔡伟总结道:“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……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。”
- **策略型产品崛起**:交互界面退居辅助,模型效果调教、策略规则制定与长程交互边界控制成为核心生产力。 - **研发方式变革**:产品经理借助 AI Coding 工具(如 Claude Code、Codex)自主编写原型,沟通门槛由需求文档转向对模型真实边界的技术对齐。
---
`01:35:00` 应用拉动基建:蚂蚁与 OpenAI、Anthropic 的路线差异
在模型与应用的关系上,灵光与蚂蚁的百灵基础模型团队保持着高度紧密的强耦合状态,两者协同运转形成数据飞轮。蔡伟表示,基础模型绝不是简单打榜,应用端在前期就会介入:例如灵光需要大量调用 Coding Agent,产品端会提前向基模团队提出需求,基模团队便会在底层预训练中大幅加强代码数据配比,同时将应用端的数据反馈直接飞轮闭环到预训练中。此外,PA 所需的长程复杂任务拆解(如多步骤规划、单步卡壳后的容错重试)、各类复杂三方工具调用的姿势等,都需要深厚的产品业务逻辑深度介入模型训练。蔡伟坦言,后训练(Post-training)虽然能很好地控制风格与引导遵循,但存在“跷跷板效应”,无法根本解决通用的基础认知问题,因此许多核心能力必须尽早前置到预训练(Pre-training)与中途训练(Mid-training)阶段去消化。
谈及与海外巨头的路线对比,蔡伟分析了两种截然不同的闭环机制:OpenAI 和 Anthropic 是典型的“模型能力外溢驱动产品”,如 Claude Code 本质上是 Anthropic 基础模型强大的代码能力自然外溢出的产品形态;而蚂蚁则是“应用主张拉动模型基建”,基于对未来生活管家和生活服务重塑的明确判断,从产品端深度拉动底层模型的技术演化。虽然二者方向相反,但共同特征都是应用层与模型底座的极度强绑定。单靠调用市面上的开源模型很难打磨出极致体验,因为开源模型往往不提供 Base 模型权重或训练数据配比,应用方根本无法定向对长程任务或特定工具调用能力做深度的回炉重训。
> 蔡伟分析道:“对 OpenAI 和 Anthropic 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,围绕基模整体最优势的地方去设计这么一个产品……但对蚂蚁来讲,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。”
```mermaid flowchart TD accTitle: 模型与应用的两种驱动范式对比 accDescr: 对比Anthropic的模型能力外溢模式与蚂蚁灵光的应用拉动基建模式。
subgraph Overseas["模型能力外溢模式(如 OpenAI / Anthropic)"] direction TB M1["前沿基础模型研发"] -->|"能力外溢"| P1["衍生杀手级产品 (如 Claude Code)"] end
subgraph Ant["应用拉动基建模式(蚂蚁灵光)"] direction TB P2["生活管家与服务重塑场景"] -->|"定义长任务与工具调用需求"| M2["预训练数据配比与能力定制"] M2 -->|"底座能力升级"| P2 end ```
- **训练阶段分工**:风格引导由后训练把控,但逻辑推理、基础认知和复杂编码等硬核能力必须依托预训练与 Mid-training 深度解决。 - **闭源协同优势**:自研基模团队能够根据灵光具体的生活服务场景(工具调用、多轮纠错)进行定向算法与数据定制,远超使用不可变开源模型的上限。
---
`01:40:00` 记忆的克制艺术与电商供应链的客观规律
在 Personal Agent 的上下文记忆与情商设计上,灵光主要依托 Harness(系统外围调度与防护架构)层进行精准把控。蔡伟阐述的核心法则是“应记尽记,克制调用”:用户过去的 Context 极其稀缺且宝贵,系统应尽可能全部沉淀下来,但在调用时必须高度克制并严格符合产品的助手定位。如果模型情商欠缺,盲目把记忆抖落出来,体验会极其灾难——例如模型在用户提到减肥时机械回复“你上周已经110斤了,少吃点”,就会让用户感受到极大的冒犯与隐私侵犯。系统需要精准识别当前用户意图:若是百科类查询,直接模型直出即可,坚决不调记忆;只有当记忆能够对当前复杂任务的完成带来实质增益时,才调取记忆模块,同时坚决避免给用户带来“爹味”或职场“班味”。
随后,对话再次深挖了“业务驱动是否会导致产品冗余臃肿”以及“产品驱动是否能在单点更纯粹”的商业哲学。蔡伟指出,这并非单纯取决于创业者的偏好,而是行业背后的“客观商业规律”所决定的。他以 20 年前的电商与搜索做了深刻对比:在电商领域,用户需要的是端到端的闭环履约——不仅是比价导购,还包括假货赔付、商家惩罚、资金安全以及自建物流等重度供应链能力,因此单纯做纯粹轻量产品的蘑菇街、美丽说最终都会被淘宝、京东、拼多多这种深扎供应链的“业务型产品”所击溃;相反,在搜索引擎领域,用户对获取浅层信息的需求极为刚性且通用,因此做通用搜索的公司最终横扫了所有垂类产品。这也为 Personal Agent 的未来走向埋下了核心悬念:它究竟更像电商一样需要重度整合各行业服务的深水区履约,还是像搜索引擎一样凭借轻量通用入口赢家通吃?
> 蔡伟对比道:“它就是最终业务型的产品会击败产品型的产品……这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。”
- **记忆治理哲学**:数据存储端应记尽记,检索触发端高度克制;根据任务目的性按需注入 Context,严防说教感(爹味)、职场压迫感(班味)与隐私侵犯。 - **商业模式定势**:不同行业的规律决定了产品的轻重形态——信息检索天然走向轻量、横向与通用;而交易履约则不可避免地走向重度、端到端与供应链深扎。
`01:45:00` 通用与垂直之辨:PA 的前端产品力与后端供给生态
蔡伟分析了 Personal Agent(PA)的双重属性:前端包含大量交互设计、智能调度、提醒逻辑以及发送简报等技术与产品驱动的模块;后端则是复杂的线下服务供给。目前阶段很难断言 PA 最终会更像淘宝模式(重度拓展线下商家)还是更像 Google 模式(轻资产技术驱动)。蚂蚁灵光现阶段不对终极形态过早下定论。当年淘宝从零到一建立电商时,由于商家全在线下,必须依靠中供铁军地推“一家一家去 BD”,模式极重;而如今很多服务虽然本质仍在线下,但实体商家早已完成了“从线下到线上”的上翻过程。
蔡伟指出,如果未来外部生态开放速度足够快,已被数字化的供给能被 Agent 直接复用,那么凭借更强产品力和技术力的公司便能迅速取胜;反之,若供给上翻或生态开放严重割裂,市场就会演变成众多垂直 PA 林立的格局——某个 PA 专攻理财,某个 PA 专攻健康,因为各家背后依附着独占的供给。C端用户最终是用脚投票的,若在健身场景下垂直 Agent 的体验远胜通用 Agent,用户就会毫不犹豫选择垂类。针对蚂蚁的内部布局,蔡伟澄清公司并未在通用与垂直之间做单选:支付宝生态内既有偏垂直医疗健康的“阿福”和政务民生的“阿宝”,而灵光在相当长的一段时间内依然坚定走通用路线,因为团队坚信 AGI 底层能力的通用性蕴含着巨大的平台级机会。
对于行业内“PA 对绝对智力要求不高、核心在于打通脏活累活的生态供给”的流行观点,蔡伟明确表示“我并不完全同意”: - 体验的相对论:在全行业只有 20 至 30 分时,某家公司通过打通订机票、订酒店等供给把体验拉到 60 分,确实能取得阶段性胜利;但若竞争对手在打通供给的同时把前端智力做到了 80 分,用户一定会转向更高智力水平的产品。 - PA 铁三角模型:蔡伟重申 PA 依赖“智能、供给、安全”三要素的平衡,在未来竞争中,“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”。
```mermaid flowchart LR accTitle: PA Core Elements and Market Divergence accDescr: 展示驱动通用与垂直 PA 演化的关键三要素以及生态开放度带来的路径分化
subgraph Core["PA 核心三要素"] A["智能 (Intelligence)"] B["供给 (Supply)"] C["安全 (Safety)"] end
subgraph Ecosystem["供给生态开放速度"] D["开放迅速且标准化"] --> E["通用 PA 跑赢<br/>(依赖卓越产品力与模型调度)"] F["割裂/封闭/上翻慢"] --> G["垂类 PA 分治<br/>(理财、健康、健身等各自为政)"] end
Core --> Ecosystem ```
---
`01:50:00` 大厂的资源与创业公司的产品力:谁能在早期牌桌突围?
谈及目前国内 Personal Agent 战场谁最具赢面,蔡伟认为国内竞争尚处于极早期,模型能力与产品形态均未定型,下结论为时尚早。评估赢面仍需审视各家在智能、供给和安全这三项要素上的原始禀赋与执行耐力。关于大厂与创业公司的优劣势对比,蔡伟给出了清晰的解构: - **供给端**:大厂优势显著,能直接继承既有业务线沉淀的庞大服务网络。 - **智能端**:拥有自研基座模型的大厂在算法和算力资源上占据主动。 - **安全端**:大厂在数据合规、风控与安全体系上积累雄厚,而“安全可信它不是一个加分项,是一个必须项”。 - **产品力端**:创业公司具备弯道超车甚至全面超越的可能。产品力不完全取决于海量资源投入,往往依靠两到三位极具天赋的产品经理就能实现质的飞跃。
针对业内普遍对国内 PA 创业公司持悲观态度的现状,蔡伟表达了不同的乐观视角。他提到自己曾经历过两次创业并将公司成功并购卖出,深知创业公司与巨头比拼资源毫无胜算,但技术变革的历史统计规律证明,每一次技术大浪潮都会孕育出崭新的物种。正如阿里、腾讯在二十至三十年前也是弱小的初创企业;在移动互联网与深度学习初期,外界认为 Google 垄断了全球顶尖 AI 人才、算力 Infra 与资金,但 OpenAI(早期甚至是非营利组织)与 Anthropic 依然破局而出。蔡伟感慨道: > “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。”
他以日本过去一二十年在互联网浪潮中极少诞生现象级新锐创业公司为例,认为中美两国能不断涌现创业生态正是创新活力的体现。即使部分初创团队未能取得商业巨果,其在探索过程中对行业演进的推进同样极具价值。
在生态布局上,蚂蚁除了自研灵光外,还投资了齐俊元团队打造的 Today。蔡伟解释,灵光的自研与投资部的出资决策在组织架构上各自独立,但两者在战略认知上保持协同,即笃定“现在的模型能力会解锁全新的产品形态,一种类似于更通用的生活的个人助理”。
---
`01:55:00` 聚焦真实未满足需求:长程任务与工具调用的模型演进
对于灵光是否会将外部项目(如 Today 甚至 Muse)视为直接竞争对手,蔡伟表示,在行业极度早期的阶段,团队极少将精力耗费在“盯防友商动作或抄袭某项功能”上,而是将资源高度集中在底层逻辑的推演:模型能力的演进节奏、PA 最先匹配的人群场景(例如带娃群体的生活托管)以及如何以极低成本高效触达这些用户。蔡伟引用了自己以往做投资的底层方法论阐明战略重心的选择: > “早期公司看需求,晚期公司看供给和竞争。”
展望未来半年的模型能力演变,蔡伟指出长程任务调度(Long-horizon tasks)与工具调用(Tool-use)虽然同比去年取得了长足进步,但距离实际复杂生活场景的要求依然相去甚远: - **复合错误率陷阱**:面对一个包含 10 个步骤的长流程,即便把单步长程任务的准确率从 70% 提升至 90%,按照各步骤成功率相乘的规律,最终端到端的任务成功率也仅有 30% 到 40%(即综合成功率往往只有六七成)。用户交付是“行百里者半九十”,中间任何一步断裂,对用户而言体验就是彻底失败。 - **调用工具与交付闭环的鸿沟**:基准打榜(Benchmarks)关注的是“模型能否发出正确的 API 调用指令”,参数和环境全都是预设封死的;但 PA 必须为真实交付兜底,若模型完成调用后还需要用户反复确认干预,甚至无法自主排错,就无法达成真正的“事项托管”。灵光正致力于搜集真实世界使用案例反哺训练集,指导基座模型理解复杂任务的分解逻辑。
---
`02:00:00` 多模态交互与具身智能:物理世界生活的终极代理
蔡伟观察到当前技术演进的两大关键变量:以 GPT-4o 等为代表的多模态实时交互,以及更前沿的具身智能(Embodied AI): - **自然多模态交互**:真正的真人助理拥有视听感知,能一边捕捉环境变动一边提供信息。当前大模型的痛点在于交互生硬,往往自顾自输出大段文本,当用户感到烦躁试图打断(Interruption)时无法敏锐响应。未来的多模态模型必须能够实时观察世界、聆听环境,具备类似人类的自如插话和实时反馈机制。 - **具身智能与现实琐事**:业内曾戏言“原本期待 AI 帮人类叠被子、做家务、炒菜,把人类时间留给阳春白雪,结果现在模型全去写诗、作画、写歌,家务琐事依然必须由人亲自干”。蔡伟认为具身机器人有望成为 PA 在物理世界的硬件载体,PA 本质上充当机器人的中枢大脑或灵魂。
尽管业内关注大型模型会加速具身智能进入家庭,但蔡伟认为落地路径面临客观的工程与控制壁垒。目前具身智能在工业(B端)和政务(G端)落地更容易,家庭消费场景最为严苛。他举例说明: - 幼儿学习“打开冰箱”表面简单,实则涉及高阶物理反馈控制——冰箱门密封吸附需要瞬间施加极大拉力,而门缝弹开后必须在毫秒级时间内将力道骤降,否则就会猛撞门体或损坏物品。 - 诸如系鞋带、开冰箱等动作对空间感知、微操及力控灵巧性(Dexterity)的要求极高,物理世界任务的解锁仍需等待模型感知与机械控制的持续迭代。
---
`02:05:00` 操作系统层与反哺 AGI:中心化还是分布式?
关于 Personal Agent 未来在 AI 产业版图中的定位(是独立应用、操作系统层还是数字世界的代理中介),蔡伟认为这几种形态并非割裂对立: - **独立 APP 与 OS 的融合**:灵光表面上呈现为一个移动 APP,但其底层串联的复杂服务能力具备转化为 Agent 操作系统的潜能。支付宝内部海量生活服务正被逐步“原子化”与“Agent 化”,未来不仅灵光可以调用,甚至能通过开放平台供通义千问等外部 Agent 接入访问。 - **从 MCP 到真正 Agent 化**:目前许多开放供给仅停留在提供简单的 MCP(Model Context Protocol)接口阶段,距离真正的 Agent 化(需要解决复杂的安全、风控、合规与资金流闭环)仍有漫长基建要走,但更互联开放的生态是必然趋势。
蔡伟确信 PA 会反向极大推动 AGI 的进程。产品与模型之间存在紧密的飞轮效应:产品端将用户最直接的挫败感转化为清晰的需求反馈,指引下一代基础模型的演进;真实交互产生的高质量过程数据也会回流至预训练和后训练。正如当年 OpenAI 推出产品直接加速了全球模型迭代一样。
针对“终极 Agent 生态会是中心化还是分布式”的争论,蔡伟认为生态版图最终取决于技术能力与产业博弈所达到的“稳态”: > “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,依然淘宝是淘宝、抖音是抖音、微信是微信,依然有产业分工……这个产业分工不是说 20 年前大家定好了,这个其实都是打仗打出来的。”
正如美国电商以大量独立站为主(去中心化),中国电商更倾向于中心化平台,这并非两国人民在购物底层需求上有本质不同,而是长期商业格局与消费习惯打磨的结果。因此 PA 未来究竟会呈现少数超级入口割据,还是群雄并立的分布式格局,必须由真实体验在残酷的市场竞争中动态“打出来”。
```mermaid flowchart TD accTitle: The Flywheel between Personal Agent and AGI accDescr: 展示用户端真实需求数据如何反哺大模型升级,进而推动 AGI 和产品能力的闭环迭代
subgraph ProductLoop["产品与用户界面"] U["用户复杂任务托管需求"] --> App["Personal Agent (如灵光)"] App --> Err["发现短板: 长程中断 / 工具失误"] end
subgraph ModelLoop["底层基座智能"] Err -->|"结构化过程数据 & 需求"| Train["构建针对性训练数据集"] Train --> Foundation["下一代基础大模型 (AGI 演进)"] Foundation -->|"解锁全新推理、调度与交互能力"| App end ```
---
`02:10:00` 掌控权法则与残酷商业战:壁垒是打出来的
讨论到产业掌控权时,蔡伟指出“争夺入口”只是掌控产业链的一种方式,类似于操作系统的底层中间件虽然并不直接占领用户界面,却扼守着长链条的咽喉要道。 - **商业掌控权的双重标准**:从商业实体角度看,掌控权取决于两个要素——“你这层是不是足够重要”以及“这件事情在这个节点是不是只有你能干”。例如 PC 硬件产业链中,硬盘制造沦为充分竞争红海,厂商利润微薄;而核心 CPU 赛道长期被英特尔和 AMD 瓜分。类似阿斯麦(ASML)与台积电,即便普通终端用户对其缺乏感知,它们依然在极高壁垒的环节掌握绝对定价权。 - **社会视角的差异**:从整个社会效益出发,某一个环节由寡头垄断还是由充分竞争市场提供并不关键,全社会最在乎的是整个交付链路能否以最低成本实现最佳综合体验。 - **理想主义与市场竞争**:蔡伟强调商业竞争是残酷的: > “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。” 即便是以产品克制和理想主义著称的微信,最终能够立足也离不开整个商业生态打赢的硬仗。
---
`02:15:00` 壁垒的更迭演化与春晚级补贴大战的前瞻
在评估 PA 的长效核心竞争壁垒时,蔡伟给出了明确的时间表逻辑: - **短期壁垒**:绝对依赖智能能力(模型对复杂意图与长任务的理解执行)。 - **中长期壁垒**:当模型智能趋同放缓后,核心壁垒将彻底转移到供给深度与安全可信。
蔡伟类比了移动互联网时代的 iPhone 轨迹:许多人将 2022 年底 ChatGPT 问世视为 AGI 的“iPhone 1 时刻”,而随后的突破被视作“iPhone 4 时刻”。在 iPhone 4 奠定软硬件框架与 App Store 之后,硬件更新逐渐滑向摄像、内存与芯片常规提速的稳态。大模型也将不可避免地走向边际进步放缓的稳态。然而,蔡伟明确指出**当前尚未看到模型能力放缓的迹象**:前两年外界宣称的 Scaling Law 失效论被近期的代码生成与长程推理突破击破,伴随 RSI(Recursive Self-Improvement,模型自迭代)方向的探索,模型仍在高速扩张,新商业场景不断被解锁。
面对“PA 会是一场持续多久的战役”这一问题,蔡伟认为 PA 切中了人类日常生活最高频、最刚需的基础痛点,就像支付宝历经十余年不断变形升级依然保持国民级软件地位一样,PA 是一个具备超级“长坡厚雪”特征的赛道。
至于国内大厂是否会在 PA 赛道复刻“春晚红包式的补贴大战”,蔡伟表示自己与团队及公司管理层(如老苗)多次深度探讨过该议题: - 补贴战是纯粹的商业与竞争决策,与底层产品技术的演进是两条平行线。 - 去年春节千问、豆包等产品已开启密集的获客补贴战,目的在于抢占心智入口。 - 若 PA 爆发补贴大战并不令人意外,因为在友商集体出牌补贴时,不跟进往往会导致战略被动;但无论是否卷入补贴,技术的深耕与产品解决长程任务的真实交付能力,才是决定产品能否在补贴潮退去后真正留存用户的根本底牌。
`02:20:00` 补贴、红包大战与 C 端产品的用户洞察
聊到中国互联网特有的补贴与红包竞争时,蔡伟提到蚂蚁内部写下支付宝第一行代码的老白(白肃)曾对他说过一句非常经典的话:“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,发红包就是中国特殊国情下极其激烈的市场竞争产物,其本身是一个中性的商业竞争决策。但必须清醒地认识到:补贴打得好,绝不意味着产品本身做得好。C 端产品的规律在于“用户是用脚投票的”——不管通过什么手段获客,只要没有传递出足够坚实的用户价值,打再多广告、贴再多红包都毫无意义,因为没有任何一家公司可以无限期撒钱补贴。
谈及 C 端的难点,蔡伟深有感触地指出,B 端用户往往能明确表达业务痛点,而 C 端用户则遵循心理学上的“本我、自我与超我”:用户内心的真实需求往往属于“本我”,但他们向外展现或亲口说出来的往往被“自我”或“超我”修饰过,根本不是其心底真正想要的。因此,C 端的用户洞察往往不是单纯靠逻辑推演或自然科学公式能推导出来的,它必须融合自然科学与人文科学,带有强烈的感性、艺术成分甚至某种看似“毫无道理”的直觉。在充满高度不确定性的前沿科技产品面前,如果一切都必须等待数字和严密逻辑来证明,团队将寸步难行;负责人往往需要顶住压力、力排众议,带领团队坚定地向直觉指向的方向突围。
针对即将到来的春晚是否会爆发 Personal Agent(PA)补贴大战的预测,蔡伟认为“有这个可能”,但形式不一定会是直接撒钱,而更可能是通过补贴某种具体的 Agent 体验服务。比如此前通义千问在补贴战中采取了“请大家喝奶茶”的切入口,本质上是为了引导用户建立“在千问上可以点奶茶、叫外卖”的真实使用习惯与服务心智。
- 竞争现实:面对高度激烈的本土竞争,补贴与红包是常见的战术手段,但用户留存的终局依然完全取决于产品的内在价值。 - 洞察难点:C 端产品的用户需求多隐藏在“本我”层面,无法仅凭严密的逻辑推演完成定义,需要领导者具备承担不确定性、力排众议的直觉与艺术感。
---
`02:23:21` 算力成本困局、波峰波谷与未来供需匹配
面对外界关于“Personal Agent 比传统的 Working Agent 更烧钱、因为既需要主动出击又需要极强实时性”的质疑,蔡伟从算力调度的工程实际给出了不同视角的解构。他认为,Personal Agent 的主动性虽然会带来更多的 Query,但绝大多数后台任务并不要求高实时性。例如“每天帮我总结当日股市状况”,这个任务在晚上 9 点 05 分执行还是 9 点 10 分执行,对用户几乎没有任何区别。这种非实时、离线的特性,让系统可以充分利用算力的波峰与波谷,把大量计算任务调度到波谷期去消化,甚至不需要动用像 NVIDIA H200 或 H20 这类昂贵的顶级芯片,用廉价算力多算二十秒也完全不影响用户体验。因此,不能简单地把“Query 变多”等同于“整体成本线性失控”。
从宏观趋势上看,蔡伟坚信算力成本在未来必将经历断崖式的大幅下降,中美两国正在把算力像“水电气煤”一样当作国家级基础设施来建设。当前之所以人人觉得算力贵,是因为行业正处于 20 家公司抢市场的最卷阶段,各家都必须无脑追逐当前最昂贵、最顶级的模型。一旦模型底层能力的迭代斜率放缓(例如明年的新模型只比今年好 10%),或者赛道竞争收敛到只剩两三家主流玩家时,商业闭环逻辑就会主导技术选型,企业便不再需要不计代价地采购最新最贵的模型。
针对业内另一种“普通人根本不需要助理,Personal Agent 只是服务极少数人的黑卡生意”的怀疑论,蔡伟用“存量与增量”的历史逻辑予以反驳。他指出,普通人今天没有助理,绝不意味着他们没有助理需求,而是因为雇佣一个真人助理的硬性门槛过高,现阶段 AI 助理所能提供的价值还覆盖不了这个成本。一旦 AI 能力提升而算力成本被极限压缩——“比如如果现在可以给每个人配一个真人助理,一个月只要一块钱,需求立刻就爆发了。”只要供需匹配的经济账算得通(例如 AI 助理每月创造 100 元的实际价值,用户只需要付出 10 元),庞大的普通用户增量市场就会被彻底激活。
```mermaid flowchart LR accTitle: Personal Agent 任务调度与算力成本解耦流程 accDescr: 展示实时交互任务与非实时离线任务在波峰波谷算力分配下的差异路径。
subgraph UserTasks["用户任务输入"] T1["高实时交互任务<br/>(即时会话、紧急操作)"] T2["非实时离线任务<br/>(每日股市总结、定期资讯整理)"] end
subgraph ResourceAllocation["算力调度策略"] P1["波峰期高算力集群<br/>(H200/高端卡即时推理)"] P2["波谷期低成本算力<br/>(低成本卡异步运算)"] end
subgraph Output["业务与用户端体验"] O1["秒级反馈保证体验"] O2["用户无感延迟,成本极限压缩"] end
T1 --> P1 --> O1 T2 --> P2 --> O2 ```
- 算力削峰填谷:通过将离线任务调度至算力波谷期,并使用低规格计算卡执行异步推理,打破 Query 数量与成本的绝对正相关。 - 供需错配打破:现实中缺乏助理是因真人供给成本过高;当 AI 的价值创造大幅超越其算力折旧成本时,Personal Agent 将从高端“黑卡服务”转化为大众消费品。
---
`02:28:21` Personal Agent 的两类终局商业模式与供给侧变革
在推演 Personal Agent 的商业变现形态时,蔡伟提出了两条截然不同的路径:一种是偏向服务业的“生产力逻辑”,另一种则是承袭自传统互联网的“流量入口与过路费逻辑”。
第一种模式本质上是在做服务业的供给侧替代。就像在杭州雇佣一位钟点工上门打扫两小时需要 100 到 120 元,如果未来 Personal Agent 能够走入物理世界以同样水准完成保洁,而收费只需 20 元,雇佣它的生产力账本就是完全成立的。在纯软件层面同理:只要系统给用户带来了 100 元的可量化价值,其后台算力与维护成本是 50 元,企业定价 60 元即可赚取 10 元利润,同时为用户沉淀 40 元的消费者剩余。这种模式依赖的是单点价值足够高,不需要依赖垄断式的中心化流量汇集。
第二种模式则是典型的流量通道逻辑:若用户在生活各方面建立起对某个 Personal Agent 的高度信任,让其深度代管购物决策、看病医院推荐、保险配置等重决策环节,该 Agent 本身就演变为了极其核心的通道。既然掌握了超级通道,平台便可以顺理成章地收取广告费或通道分成(即“造了路之后设收费站收取过路费”)。蔡伟强调,流量逻辑成立的前提是整个赛道形成高度集中的寡头垄断;而如果未来 Personal Agent 的生态更加分散化、垂直化,生产力逻辑将更具确定性。他再次重申底层的核心判断:AGI 带来的不是像传统互联网那样把已有流量换一条路跑的渠道效率变革,而是一场真正的供给侧生产力革命。
- 生产力模式(服务业逻辑):以更低成本创造更高价值,靠交付明确成果产生收益,不依赖中心化流量垄断。 - 流量通道模式(互联网收费站):在极高信任度下代管用户重决策(如医疗、保险、购物),形成超级中介通道并抽取过路费。 - 商业模型对照: | 商业模式 | 核心驱动要素 | 典型收费形态 | 生态前提条件 | |:--- |:--- |:--- |:--- | | **生产力逻辑** | 供给侧效率与实际价值交付 | 订阅费 / 服务成果计费 | 行业相对分散,单点价值高即可自闭环 | | **流量通道逻辑** | 超级中心化入口与深度用户信任 | 广告曝光抽成 / 通道过路费 | 行业高度寡头化,出现极少数垄断级 Agent |
---
`02:32:03` 留存拐点、长坡厚雪与“称重机”法则
对于市场上年初诸如 OpenClaw 或 Hermes 等产品昙花一现后热度骤降、Personal Agent 是否也会沦为短期过渡形态的担忧,蔡伟态度明确:如果一款产品留存做不上去,核心原因只能是团队“没有做好”,关键要素的拼图还没有拼到位,绝不能归咎于底层需求或技术要素不成立。他透露,从海外 Muse 的真实数据以及蚂蚁内部内测灵光的实际体验来看,整个行业已经无限接近甚至迈过了能够让用户持续使用下去的真正拐点。
蔡伟借用格雷厄姆著名的投资名言来比喻产品的演变:日活跃用户数(DAU)等短期运营指标往往像股票价格一样,短期内由市场情绪主导,更像一个“投票机”(Voting Machine),外部竞争对手疯狂撒红包可能就会带来短期的剧烈波动与群体焦虑;但从长期来看,它始终是一台“称重机”(Weighing Machine),唯一的度量衡就是产品为用户沉淀的真实价值。
在蔡伟看来,Personal Agent 是一个极其典型的“长坡厚雪”赛道。在这个赛道里,“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”。最残酷的挑战往往发生在市场缺乏正向反馈、遭受外部猛烈质疑的时刻——对于创业团队而言是投资人不再继续下注,对于大厂内部团队而言则是管理层因数据短期波动而动摇资源投入。唯有能够抵御短期焦虑、在无人看好的低谷期依然坚持正确积累的团队,才能在漫长周期后实现真正的爆发。
关于 Personal Agent 与传统搜索问答在留存机制上的根本差异,蔡伟做了深度对比: - 传统问答机制:遵循“有需求才搜索,没需求就刷短视频”的低频工具逻辑,单轮问答的留存完全受限于该类特定提问在用户生活中的自然频次。 - Personal Agent 托管机制:其核心是“托管”。当用户把生活中高度重要的事务(且生活永远是多线程并行的)托付给 Agent 时,无论是系统的关键主动提醒,还是用户的周期性查阅,Agent 都深度融入了需要用户长期投入注意力的关键生活板块中。因此,Personal Agent 争夺的是“需要长期持续管理”的增量市场,其天然具有极高黏性与可持续的生命周期价值(LTV)。
> 蔡伟:“短期它更像一个 voting machine 嘛,长期它更像是一个称重机嘛……不管你撒不撒红包,不管会不会有这么大的一个波动,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。”
---
`02:37:00` 终局想象、硬件探索与“市场是打出来的”
展望 Personal Agent 的终局形态,蔡伟用极其朴素的标准进行了定义:“像一个人,甚至超越人。”他直言,当下模型展现出的所谓“惊艳”,仅仅是跟上一代基础模型横向对比的结果;如果真正拉来一个受过良好高等教育、兼具高智商与高情商的真人相比,当下的模型依然存在巨大鸿沟。C 端产品之所以经常被用户评价为“神作”,往往是因为其实际交付的能力击穿了用户的初始预期;但人类对生活体验的提升追求是没有止境的。如果用第一性原理来锚定阶段性目标:假设当前 Agent 只能替代真人能做事情的 1%,团队的目标就是下一年做到 3%,三年做到 5%,五年做到 50%,十年做到 70% 至 80%。达到这个节点,即便不是终局,也足以对整个人类世界的运作范式产生不可逆的深远重构。
关于是否会涉足硬件,蔡伟表示蚂蚁正在逐步增加关注。过去蚂蚁的硬件基因主要集中在 B 端支付机具(如扫码设备、刷脸支付机具以及“碰一下”终端)。随着端侧与云端 AI 能力的爆发,很多全新的 C 端硬件机会正在被解锁,团队正在评估并进行相关探索。
当被问及“腾讯手握微信社交网络,未来更易形成人与 Agent 共存生态,是否在 Personal Agent 赛道上拥有无法企及的优势”时,蔡伟坦承这并不是一个做业务的创业者需要耗费心力关注的问题: 1. 历史借鉴:20 年前大家讨论谁能把电商做出来时,绝大多数人也绝不会认为阿里是最有优势的一方。 2. 要素聚合:腾讯、蚂蚁、字节等大厂各具禀赋与长板,有的维度拿 85 分,有的拿 70 分,但单一维度的领先绝不代表能顺理成章赢下全局;决定胜负的是谁能以最有效的方式率先将所有必要要素组装到位,去完美匹配用户需求。 3. 务实态度:团队的核心精力必须牢牢钉在用户一侧的真实感知上。“市场是打出来的”,与其在纸面上争论禀赋高低,不如在实战中见分晓。
> 蔡伟:“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……这个市场是打出来的。”
- 终局发展目标:以“真人所能完成工作的覆盖比例”为坐标轴,长期向 50% 乃至 80% 的替代深度稳步推进。 - 禀赋论的局限:先天的场景或社交网络优势无法直接推导出 Agent 的终局胜势,唯有围绕用户痛点将技术、产品与服务要素率先完整闭环的团队才能突围。
---
`02:42:00` 结语与快问快答
访谈的最后,张小珺与蔡伟约定在三到五年后赛道打出阶段性终局时再次复盘。蔡伟笑着推测,五年后再坐下来交流时,今天所讨论的竞争要素、技术指标和方法论很可能已经被完全推翻,大家需要聊的将是全新维度的议题,而这种不断颠覆旧认知、推动行业往前走的未知性,恰恰是做 AI 和 C 端产品最令人兴奋的魅力所在。
在节目的尾声,蔡伟参与了一轮快问快答:
- **全球范围内最喜欢的食物**:蓝莓。 - **全球范围内最喜欢的地点**:巴黎。 - **一个少有人知但很有价值的冷知识**:毛豆和黄豆其实是同一种作物的不同阶段(未成熟时为毛豆,完全成熟后为黄豆)。 - **推荐的两本必读书籍**:《邓小平时代》与《乔布斯传》。 - **基于当下认知的最关键商业下注(Bet)**:“算力的成本会不断地下降,我们做产品、做技术要基于这个理念去展开。”
## Notable quotes > `01:55:00` 早期公司看需求,晚期公司看供给和竞争。 — 蔡伟
> `00:00` 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。 — 老白
> `01:50:00` 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
## Mentioned 蔡伟, 张小珺, 老白, 白肃, Sam Altman, 齐俊元, 老苗, 蚂蚁集团, Google, OpenAI, Anthropic, Meta, 阿里巴巴, 腾讯, 字节跳动, 百度, 苹果, 亚马逊, 京东, 拼多多, 台积电, ASML, 英特尔, AMD, NVIDIA, 灵光, 灵光 2.0, Muse, Instinct, OpenAI Dots, Town, Today, Cue, Grok Bot, ChatGPT, Gemini, GPT-4o, Claude Code, Manus, Cursor, DeepSeek, OpenClaw, Hermes, Lovable, Replit, 百灵, 灵波, 小宝, 阿福, 阿宝, 通义千问, 豆包, 钉钉, 支付宝, 微信, 淘宝, 抖音, 小红书, 蘑菇街, 美丽说, 邓小平时代, 乔布斯传
## 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: 我们的播客在小宇宙、Apple Podcast、Spotify等全音频平台播出; 我们的视频播客在小宇宙、Bilibili、小红书、视频号、抖音等全视频平台播出; 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.xiaoyuzhoufm.com/episode/6afd12c6a4a79edf137afd61)