蚂蚁加码灵光押注PA赛道 蔡伟称十万亿服务业重构不靠补贴定胜负

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 — 张小珺Jùn|商业访谈录

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)

中文简报

蚂蚁加码灵光押注PA赛道 蔡伟称十万亿服务业重构不靠补贴定胜负 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。 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”。 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)

Reading summary

蚂蚁灵光负责人蔡伟认为,Personal Agent(个人智能体,简称 PA)是大模型从重塑信息、软件迈向重塑十万亿级生活服务业的全新入口。他指出,PA 成功的核心取决于智能、供给与安全可信三要素的平衡,而最终的产业格局必须通过真实交付在残酷市场中动态打磨出来。 三阶段演进与服务业供给侧重塑 (41:57) 蔡伟将大模型产品的演进划分为三个阶段:第一阶段是 Chatbot 重构信息行业(千亿级市场);第二阶段是以 Claude Code、Manus 为代表的任务型 Agent 重构软件行业(万亿级市场);第三阶段则是 Personal Agent,其本质是重构十万亿级的生活服务业。过去十余年的移动互联网与 O2O 狂飙,实质上为 PA 准备了庞大的线下服务数字化供给。与移动互联网依赖 GPS 的需求侧驱动不同,PA 属于供给侧生产力革命,核心在于依托模型的实时推理与工作流编排,实现存量服务的智能重组甚至无中生有的全新供给。 从单次任务到长程目标的主动托管 (20:00) 对比单次会话即结束的研报生成或代码编写,PA 面对的是持续跨时间、边界模糊的长周期生活目标,例如带娃、家庭健康或理财管家。灵光 2.0 将核心切口定位于“盯事情”,其底层依赖长程任务规划能力的突破。为避免主动介入沦为垃圾营销推送,灵光参考海外产品 Muse 的经验,构建了以内环刚需为核心、向中环和外环逐层降频的信息分级体系,并采取“应记尽记、克制调用”的记忆治理原则,在冷启动期恪守分层触达与静默归档,防止对用户造成打扰。 破局三要素与应用拉动基建范式 (30:00) 蔡伟将做好 PA 的终极壁垒概括为智能、供给与安全可信。面对普通用户不擅长编写 Prompt 的现实,必须依靠底层 Connector 极低成本打通生态上下文,同时重构代理买单与资产调用下的风控和授权体系。在技术路线上,不同于 OpenAI 和 Anthropic 的“模型能力外溢驱动产品”范式,蚂蚁灵光采取“应用主张拉动基建”模式,由端侧的生活管家场景反向定义预训练数据配比和长任务拆解逻辑。蔡伟指出后训练存在“跷跷板效应”,关键的推理与工具调用必须前置至预训练与 Mid-training 阶段解决。 算力调度解耦与商业变现路径 (143:21) 针对 PA 交互频次增加带来的算力成本担忧,蔡伟提出由于绝大多数管家类任务(如每日复盘)不具备严苛的秒级实时性,系统可将离线推理调度至算力波谷期,配合低规格计算卡执行,打破 Query 数量与成本的线性绑定。他推演了 PA 的两类终局商业模型:一类是服务业的“生产力逻辑”,以低于真人雇佣的成本提供保洁、辅导等服务并按成果收费,在分散生态中即可自闭环;另一类则是平台级的“流量通道逻辑”,在形成垄断后代管用户医疗、保险等重决策,通过收取过路费变现。蔡伟认为,普通人缺乏助理是受制于真人高昂的供给成本,当 AI 创造价值大幅超越算力折旧时,大众增量需求将被彻底释放。 组织基因试炼与长坡厚雪的竞争法则 (70:00) 面对外界对蚂蚁业务型基因能否做好纯 C 端产品的质疑,蔡伟以阿里早期突破搜推与云计算的历史说明,能力壁垒需要时间积累,当前灵光正从业务型思维向精细化 C 端体感转型。在产品评价上,他警惕古德哈特定律带来的目标变形,团队更聚焦于事项托管率、闭环率与流失率等过程维度。蔡伟强调,短期指标如同“投票机”,容易受春晚红包等补贴战影响,但长期产品始终是“称重机”,最终胜负取决于真实的端到端交付价值。针对通用与垂类、大厂资源与创业公司灵活性的博弈,他主张在实战中见分晓,“市场是打出来的”。 蔡伟认为 Personal Agent 目前仍处于刚刚跨过留存拐点的极早期阶段,长程任务的复合错误率依然是制约真实交付的瓶颈。随着端侧多模态交互和具身智能的突破,PA 的边界将向物理世界延伸,其终极形态能否从独立应用成长为类似操作系统的中枢,仍有待技术跃升与产业生态的长期博弈给出答案。

Source quotes

[115:00] 蔡伟: 早期公司看需求,晚期公司看供给和竞争。 [0:00] 老白: 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。 [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。

Original transcript

[0:00] Hello大家好,我是小君,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从这个Chatbot对吧获取信息到这个完成任务这个像Mainless像Cloudcode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by bwd6by bwd6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然后我还在做一些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这样的一些问题还要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氛围更浓重国内这边可能应用的氛围会更浓重一些对 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月正式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影响就Deep Seek当时Deep Seek横空出世之后就让大家意识到说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来进来整体体制团队一起整合谢谢大家。 [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milestone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模态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包括fast research包括闪应用作为特色的内容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chatbot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的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的这个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演进然后就到了今天这步然后 [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只不过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把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AN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我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XHPT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心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ChatGPT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培聊培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陪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Chatbot它解决这个问题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框你跟它说它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它布置一个任务它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这个其实就是智能大大向前进了一步对吧就是它不是一个单一的事情我给你个任务A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它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被这个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对因为Cloud Code最早它还是包括Athrobic它很多一开始切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你的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Cursor对Cursor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就写这部分用户所以我里面的很多一些工具展示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to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合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带来的不一样所以第一代是XBO第二代是Coding产品现在算是第三代吗还是2.5代对我认为是会严禁到完全不同的当然说他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他不完全是这样的关系对对但是他确实是模型能力演进到不同的阶段之后他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他能解锁一个新的形态这个形态在产品的表达上他和这个类似于像Mana's Cloud Code的这种完成任务和这个以XGBT这种的回答问题它会是一个完全不同的产品形态Personal Asian的产品我认为一个非常大的特点就是他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他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 [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茜茜那么他来杭州什么时候来杭州他会不会有演唱会他也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待机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溢出的问题我说本质上是模型能力带来的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对他来讲他的一个产品的主轴其实他已经立足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得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成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有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也要求更强应该这么说就是在Minders刚开始的时候Minders其实缺了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理你可以理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又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这个什么时候谈push什么时候走对话什么时候放在这个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了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的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个这样的一个方向的我觉得有一个就是你看春节期间当时不是小龙虾很火吗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更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普惠OpenClaw给大家带来的一个启示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也很长研发时间包括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] 回答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那么在这种情况下这个呃我们就会去思考啊用户现在的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权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太一样的就是模型的能力是通用的比如说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优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对蚂蚁来讲他有天然的优势就是很多的合作伙伴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化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对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吧对然后还有一个点很关键的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对吧那这个支付到底首先他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他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这个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DOTS对对还有Midas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一个PA不一定要以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你要打电话然后你去改让他重新reschedule送一个什么东西你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我可以连在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边界感这个事情我整体会觉得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他会形成一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我可能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Push大家是没有人会把它当成一个营销短信的微信谈的Push一定是某个人有什么事找你它是真实世界的反馈真实世界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了信用户过来你会有很多方式去希望能够去促活嘛继续活跃度你产品表达当然是一方面那大家很多时候会通过提醒啊push啊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个这种这种偏信息类的那其实你也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可能都会发什么去哪里旅游比较好然后我这个APP带你能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它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想要去日本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股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GPP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主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Metans像Cloud Code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这些在整体的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式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一次搜索引擎一次传统搜索引擎一次然后到了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XGPD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C端的用户他的用户习惯不会在一页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这个公司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报的用上或者用好的Personation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点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啊但是我看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地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迹或者新的需求进来这个时候就会有一些新玩家然后就会有新的公司出来也可能是创业公司也可能是老公司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逐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就是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纹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A2A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一个生命力你觉得personal agent和app的关系是什么它上面的一次 [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这就是为什么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这个短信啊电话这种使用的方式或者用这个或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或者说一个最终能够去做商业化的一个产品可能是会有相当挑战的Personal Asian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里面去用因为一些就是至少中国绝大部分的网民他都用APP但是如果你说我现在脱离于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隐私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的能力布到所有的音箱上去或者说当我们布了所有的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某着其中一个智能硬件打相对来讲挑战会更大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 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它可能有它就是苹果这家公司自己的一些文化禀赋商的一些原因因为对苹果来讲苹果还是一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那么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他应该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你需要不断的去感受当我们把灵光把PA接入到各种各样的contest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这些工作 [60:00] 但是我认为在这个愿景和也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对吧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就是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实践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呃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井井有条就是很多一些这种方法论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觉得对蚂蚁来讲刚才提到的几个点就是智能 攻击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符我们刚才聊到 [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是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得更顺手做得更多的然后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没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几家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扭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2007是很典型的业务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工程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Astropic我觉得会稍微有一些不一样的研究的一个基因 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10个方向 可能有9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那个work [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他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零零四零五零六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签问其实也包括在阿里云签问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一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层面在算法层面这里面其实是需要很多技术的积累的还要包括每次的双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技术推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一个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这个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 强火盒但是产品的形态就能够完全定下来的对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好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像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筋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连接一些扫地机器人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测用户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连接我的扫地机器人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你帮我连接这个型号的机器人然后可能你帮我去下载它的驱动然后帮它去连接上然后连接上蓝牙通过一系列的过程把它连接上了当连接上这一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就是你可能设计了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其实跟你本身的一个产品的主张价值主张是一脉相成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啊柳村啊LT这些都是最常规的还有很关键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了我觉得这些也是我们会关注的非常核心的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EV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也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这个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对吧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一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了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它是成功的这款产品做到什么程度它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 [85:00] 通用型的一个AI产品如果你一定要以DAU来算我觉得最终最终是能够到达千万甚至一级DAU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在这种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指导意义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个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到就这些积累最终都会去兑现出来的集团有对林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嗯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但是本质上还是AI的来到带来了供需的变化所以整个社会的服务也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历也会跟我说在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 我觉得会非常的不一样比如说在互联网时代我们去考虑一个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我们把它叫做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他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做什么AI产品经理我个人倒不是特别喜欢这样的一个叫法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所以从本质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这个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这个Codex Cloud Code或者我们内部的这个这个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止懂现在的技术当下的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机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所以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常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训练还是在mid train这个阶段对所以其实我们因为我们有自己的筋谋团队所以整体从前到后相对来讲可以更加的这个直哪达可以更加的去呕合就肌膜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谋的能力 [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训练的对吧有很多他不开base模型然后现在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是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Astropic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OpenAnswerpic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闭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油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你的一个目的是什么你的这个任务你的事项管理你的目的是什么那么我们去判断为了完成这个目的 [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么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产品驱动还是业务驱动的时候我一直在想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才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的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呃产品型的产品还是技术型的产品还是业务型的产品他其实更多的还是有一个客观规律去去动的我举个例子比如说呃你去做呃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街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? 对 我觉得PA这个市场 [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它从令到一做所以整体就做得非常的重但它又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agent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这个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广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分对吧一个60分的产品大家都是20 30分然后你打通了很多关键的攻击但是你前面的智能水平可能不高你打通了攻击你把整个体验拉到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我觉得创业公司是有可能有更好的产品力的因为产品力这个事情他并不完全依赖于一些大量的资源他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他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里都很重要但我认为在PA里面其实还是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里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那显然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不管是阿里腾讯自己现在都是巨无霸2030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这个Google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 and Tropic依然跑出来对吧你看七八年前当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或者什么样的有什么样秉赋的创业公司它就能够去跑出来但是就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十年二十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从日本长出来的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一个一个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我认为依然是对这个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整个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会有什么样的关系它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它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一个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外来看六个月你觉得墨西的能力会怎么演进然后他对Personal Asian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它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你你就是行百里折半九十吗你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程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们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这个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这个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对吧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生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它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巨声智能的角度来讲它不仅要处理很明显的视觉感知的一些信息它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他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他看上去打开冰箱是个很简单的事情但他其实是一个对你的控制反映你的判断要求极高的这么一件事情对吧生活当中很多打开冰箱系携带系携带其实也是一个对对林孝心要求这个很高的这么一个事情就是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如果Personal [125:00] 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可列的就是如果比如说你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它其实并没有完全的agent的话它很多比较开放的供给它最多最多可能就是提供了一个mcp的服务但是提供mcp的服务它可能只是一个很简单的第一步对吧你真正要完成agent的话它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所以这里面其实是需要有一些新的基础设施然后也需要现在所有的商家他们在自己的链路上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用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微信是微信依然有产业分工对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个其实都是打仗打出来的打出来的之所以这么打出来那 [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的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思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了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这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它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住不是只是因为他产品立合他是后面整个的商业生态最后帮助他把它给立住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的它是模型的能力 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代然后自叠代其实也是它也包括模型本身的自叠代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 Agent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呢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之物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绝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文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去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吧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老苗聊到这个话题 [140:00] 他是写下植物宝第一行代码的人然后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 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到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战打得好我们本身产品也做得好最终最终最终我觉得对于C端用户来讲一个C端的产品它也好做它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就是哪怕你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端产品来讲就是呃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它是一个自然科学跟人文科学的一个综合就是它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立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最终如果用户认可这个方向走对了走对了 但这个时候往往是很难的地方因为你不是一个人在作战 你是带团队去打仗 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这个可能的有这个可能的当然也许不一定是也可能会以其他的形式 比如说去体验personation里面的某一项服务你像去年当时不跌大战的时候 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Personal agent它的主动性当然它可能会有更多的一些query但是它有一点不一样的是它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少的去利用到播风跟播股就是你的算力它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时时响应会非常不一样的对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性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第二个 [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抢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它其实这个逻辑就不太成立了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一些基础设施因为大家充分意识到算力这个事情其实就相当于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它是一个黑卡生意吗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但是比如说像很多公司的搞管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助理他本身的一个价格他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那你给他一个范围就这里面所有的事情一个月之内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我举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他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答刚才那个逻辑如果这个他能够给你带来100的价值然后他的成本假如说是50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总典工一样好那你肯定是雇用20块钱的它是个生产力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就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联网场景测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部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 Agent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DAO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嗯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洒不洒你可能会洒你洒了之后其实可能也没什么用但是因为友商洒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史操神变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比如说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单的产品其实锁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锁对吧但是你有锁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不说小目标阶段性的一个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的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嘛扫码支付其实我们要做很多那个刷脸支付的这个机具还包括我们那个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我可以做到的了吗? [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虽单产品或者说做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蓝美 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知识人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