過去一年，騰訊持續引入頂尖AI人才，姚順雨的加入更是被視為騰訊追趕大模型賽道的關鍵落子。現在，到了檢驗成果的時候。圖片來源|視覺中國4月23日，姚順雨交出了執掌騰訊大模型研發後的首個重要成果：騰訊最新基座模型Hy3 preview正式官宣並開源。這是騰訊混元大模型重建後訓練的第一個模型。目前，該模型已經在騰訊雲、QQ、騰訊文件等產品上線，未來將逐步在微信公眾號、騰訊新聞、微信讀書等產品上線。《財經天下》注意到，騰訊旗下最大的AI應用——元寶已全面接入最新的Hy3 preview。如此前外界消息，Hy3 preview是一款總參數為295B（2950億）的模型。一位接近騰訊的人士告訴《財經天下》，騰訊不強求Hy3 preview能夠達到SOTA（業界最佳）的水平，目標還是比較務實的。姚順雨的關鍵一戰時間回到4個多月前，騰訊正式官宣1998年出生的姚順雨加盟，這一消息迅速成為AI圈的重磅新聞。翻看姚順雨的履歷，儼然一幅天才少年的成長史：從安徽高考探花，到清華姚班；從普林斯頓博士到OpenAI，再到去年加入騰訊，姚順雨成為中國網際網路最受關注的天才少年。2025年12月17日，騰訊宣佈任命姚順雨為“CEO/總裁辦公室”首席AI科學家，向劉熾平匯報；同時兼任AI Infra部、大語言模型部負責人，向技術工程事業群總裁盧山匯報。不論是入職的高規格，還是姚順雨加入之後圍繞他本人的一系列調整，無不體現出騰訊對姚順雨的重視，以及對於他幫助騰訊打開大模型局面的期待。知情人士劉凱告訴《財經天下》，騰訊曾與包括OpenAI、DeepMind在內的多位資深研究員有過接觸。這些人有兩個特點：一是在AI圈有著極強的影響力；二是都很年輕，集中在30歲上下。劉凱透露，姚順雨以前就是做AI Agent（人工智慧體），所以本質上講，他是一個偏產品向的研究員，屬於那種思路比較清楚，跟老闆們更容易對上話。到崗後的4個多月裡，姚順雨的工作重點圍繞“混元重建”展開，旨在將騰訊的大模型底座從單純的追趕規模轉向“實用主義”和“智能體（Agent）化”。他曾在公開演講中明確騰訊AI的路線：不進行單純的模型參數競賽，而是追求全面和實用。他認為企業更願意為能將任務精準率從60%提升到90%的模型付費。對於剛剛交付的Hy3 preview，姚順雨表示：“我們希望通過這次開源和發佈，獲得來自開源社區和使用者的真實反饋，幫助我們提升Hy3正式版的實用性。與此同時，我們也在繼續擴大預訓練和強化學習的規模，提升模型的智能上限，並通過與騰訊眾多產品的深度Co-Design，持續提升模型在真實場景中的綜合表現，並開始探索特色模型能力。”持續引入頂尖AI人才除了從OpenAI引入姚順雨，騰訊還從微軟、阿里等團隊挖來眾多AI人才。粗略統計，騰訊在過去一年從外部引入的AI大牛不下10位。其中，最為知名的有前微軟亞洲研究院視覺計算組首席研究員胡瀚、微軟WizardLM項目建立者徐燦、通義實驗室應用視覺負責人薄列峰、DeepSeek資深研究員王炳等。多位行業人士告訴《財經天下》，騰訊重點聚焦於阿里、DeepSeek以及Kimi等公司的人才，這也是目前公認的中國大模型第一梯隊公司。作為一家還在追趕的AI團隊，騰訊混元吸引人才的條件非常“慷慨”。AI行業獵頭劉菲對《財經天下》表示，騰訊在薪資、職級、Scope（職責範圍）三大維度，都給了候選人能在業內拿到的幾乎最高水平。薪資上，騰訊能給到翻倍的水平；職級上，甚至可以連升兩級；Scope上，騰訊也基本可以給到更大。在2025年第四季度財報會議上，騰訊表示：“我們目前已經擁有一支頂尖水平的AI人才團隊。我們能搭建起這支團隊，不只是靠薪酬激勵，更重要的是打造了合適的團隊文化，合理劃分團隊內部以及團隊在騰訊整體架構中的定位，並由最優秀的負責人帶隊，從而持續吸引頂尖人才加入。”劉菲分析，阿里也能給錢，但阿里的體系決定了，它不太會直接給從外面空降來的人高階職位。所以，阿里位置上的那幾個高階，全是阿里回流的員工。其中，以P11等級回流阿里的張迪便是典型代表。回歸阿里幾個月內，張迪快速打造出視訊模型HappyHorse-1.0。劉菲表示，現在騰訊混元團隊對高階人才的需求已經沒有那麼高，更多是業務側。騰訊本身的生態系統非常大，業務側也都在做大模型的一些高階招聘。另有接近騰訊的人士表示，騰訊混元所有AI人才的面試，都要經過姚順雨。慢了半拍的元寶亟需借助混元的新模型扳回一城。《財經天下》瞭解到，騰訊高層對混元的階段性成果整體還是比較滿意的，對姚順雨的能力也給予肯定。一個結果是，姚順雨在騰訊內部的權限還在擴大。2026年3月，騰訊撤銷成立近10年的AI Lab，部分人員轉至混元團隊，向姚順雨匯報。有知情人告訴《財經天下》，姚順雨花了不小的力氣打通混元和資料平台部、機器學習平台部之間的部門牆，以推進Hy3 preview的開發。多位知情人士透露，未來不排除姚順雨權限的進一步擴大。一個明確的趨勢是，騰訊已經逐步完成對AI團隊的全面重塑，剩下的只待一個結果。 (財經天下)

在全球AI浪潮中，人工智慧領域的“搶人大戰”正火熱升級。近期，兩則消息震動科技圈：2025年12月，騰訊重磅宣佈，清華姚班出身、年僅27歲的姚順雨，被聘為首席AI科學家，執掌公司核心AI部門；一個月後，同為姚班出身的天才少年陳立傑正式加盟OpenAI，主攻數學推理方向。消息一出，人們赫然發現：從OpenAI、Google DeepMind、xAI到國內幾乎所有頂尖AI企業的核心技術圖譜上，都深深鐫刻著同一個名字——清華姚班。姚班全名“清華大學電腦科學實驗班”，由圖靈獎得主姚期智教授於2005年創立，被行業譽為中國電腦領域的“天才集中營”。“半國英才聚清華，清華半英在姚班”，這句在業內廣為流傳的評價，道盡了這個班級的傳奇地位。它究竟有何魔力，能持續走出頂流人才，甚至被業內戲稱為“撐起全球AI領域的半邊天”？● 圖片來源：清華大學01 姚期智的“歸國賭注”姚班的傳奇，始於一位頂尖學者的“回歸”——他就是姚班的締造者姚期智。1946年12月，姚期智出生於上海，祖籍湖北孝感。幼年時，他隨父母移居台灣，20歲時，他獲得台灣大學物理學士學位，之後遠赴美國深造。1972年，26歲的姚期智在哈佛大學獲得物理博士學位，隨後毅然放棄深耕多年的物理學，轉而投身當時方興未艾的電腦領域，僅用兩年時間，他便斬獲伊利諾伊大學電腦科學博士學位。這一關鍵抉擇，也為日後姚班的創立埋下了伏筆。此後，姚期智先後執教於麻省理工學院、史丹佛大學、加州大學伯克利分校、普林斯頓大學等世界頂尖學府，成長為電腦領域享譽全球的頂尖學者。● 姚期智。圖片來源：清華大學期間，他橫掃電腦界多項成就。41歲時，他摘得數學界波利亞獎；50歲斬獲電腦界高德納獎。2000年，基於對計算理論包括偽隨機數生成、密碼學與通訊複雜度的突出貢獻，54歲的姚期智站上全球電腦領域的巔峰，榮獲有“電腦諾貝爾獎”之稱的圖靈獎，成為首位且迄今唯一獲此殊榮的華人學者。作為全球電腦領域炙手可熱的權威人物，姚期智已站在人生頂峰，此時他卻做出一個震驚學界的決定：辭去普林斯頓大學終身教職，全職加盟清華大學。當時，中國在人工智慧、量子計算等前沿領域尚處於起步階段，高端人才儲備不足。姚期智明白，核心技術的競爭，本質是頂尖人才的競爭，於是他心中定下一個目標：為中國建立世界一流電腦學科，培養拔尖創新人才。2004年，58歲的姚期智毅然回到國內，開啟人生全新的探索。2005年，姚期智面向本科生創辦了清華學堂電腦科學實驗班，後來被同學們親切地稱為姚班。從培養方案、課程體系到師資遴選，姚期智全程主導設計，從此拉開中國電腦拔尖人才培養的序幕。當年姚期智的毅然歸國，在許多人眼中近乎一場孤注一擲的豪賭——賭自己能在這片土地上，培養出站上世界之巔的電腦人才；賭這批青年學子，終將為中國科技在全球賽場爭得一席之地。如今，這場“賭局”早已塵埃落定——姚期智贏了。二十年間，他為中國電腦學科的騰飛日夜兼程，從姚班走出的一批批學子，已深度紮根全球AI與前沿科技核心陣地。而姚班也已成為全球科技界公認的“天才搖籃”。02 兩位95後站上全球AI舞台近兩年，陳立傑、姚順雨兩位95後姚班校友，接連亮相全球AI頂級舞台，讓世界再次見識姚班的硬核實力。●圖片來源：清華大學陳立傑：從網癮少年到OpenAI華人核心在AI頂尖學者圈層，陳立傑的履歷堪稱“現實版爽文”，但鮮少有人知道，這位如今站在全球AI舞台的華人學者，年少時曾是旁人眼中的“網癮少年”。1995年，陳立傑出生於浙江湖州。年少時成績平平，唯有數學稍顯亮眼。父母為輔助他學習購置的電腦，沒能成為提升成績的工具，反而讓他沉迷遊戲之中。彼時沒人能想到，這份對電腦的執念，日後會成為他叩開AI大門的鑰匙。中學時代的一次偶然，讓陳立傑接觸到了電腦程式設計與資訊學奧賽（OI），彷彿找到了屬於自己的賽道，他一頭紮進程式設計的世界。初三時，他憑著一腔熱血首次參賽卻遺憾失利，更因專注競賽耽誤了文化課，父母的勸阻、外界的質疑接踵而至，但陳立傑認準了程式設計這條路，便再未回頭。這份近乎執拗的堅持，最終迎來了爆發。2010年，他在全國青少年資訊學聯賽中斬獲浙江賽區一等獎，半年後以第一的成績入選浙江省隊；2011年，他代表浙江出戰全國賽，拿下第四名併入選國家集訓隊。在資訊學競賽領域，陳立傑是傳奇般的存在。●陳立傑。圖片來源：清華大學16歲，在全國青少年資訊學奧林匹克競賽中，他獲得金牌，成功保送清華姚班。18歲以世界第一的成績摘下國際資訊學奧林匹克競賽金牌，讓中國隊時隔五年再次站上IOI冠軍領獎台，從此一戰成名。如果說競賽場是他的“成名之戰”，那麼姚班的經歷，則讓他從賽場天才蛻變為科研精英。在姚班期間，他以年級第一的成績力壓一眾頂尖學霸，2016年斬獲清華本科生特等獎學金，其答辯視訊一度火爆全網，成為無數理工科學生的“偶像”。他選修研究生課程《高等理論電腦科學》，並斬獲滿分。大三赴麻省理工學院交換時，他僅用三周，就攻克了量子資訊領域權威學者Scott Aaronson團隊一年未能突破的科研難題。科研之路的順遂，從未讓他放慢腳步。2017年，陳立傑成為首位在電腦頂會FOCS發表論文的中國本科生，同年赴麻省理工攻讀博士，深耕計算複雜性理論，接連拿下STOC、FOCS最佳學生論文獎，奠定了其在國際理論電腦領域的地位。2025年7月，陳立傑入職加州大學伯克利分校擔任助理教授。約半年後，他正式以全職身份加入OpenAI（保留伯克利教職），負責數學推理方向研究。在矽谷最核心的AI賽道上，陳立傑以華人學者的身份，為OpenAI注入重磅力量，也代表姚班，站在了全球AI技術迭代的最前線。姚順雨：會唱rap的清華才子，27歲執掌騰訊AI●姚順雨。圖片來源：清華大學不同於陳立傑近乎傳奇的“天才路徑”，姚順雨身上帶著一份鬆弛感。1998年出生的姚順雨，初中就讀於合肥四十五中，高中躋身合肥一中，學霸底色早早顯現，電腦天賦更是異於常人。16歲時，他便斬獲全國資訊學奧林匹克競賽銀牌。2015年高考，他因考試犯睏意外失誤無緣省狀元，最終以704分拿下安徽省理科第三名，但順利叩開清華姚班的大門，主修電腦科學專業。在清華園裡，姚順雨打破了“學霸=高冷”的刻板印象，不僅憑藉出色的能力當選姚班聯席會主席，還聯合創辦了清華大學學生說唱社，以YSY為筆名在網易雲音樂發佈原創作品。“說唱最大的魅力就是它非常open-ended，如何操縱語言，這其實是很有樂趣的事情，這和我之後從事語言相關的研究有關。”姚順雨曾這樣解讀自己對說唱的熱愛。在他看來，說唱裡的節奏與表達，為他的AI研究帶來了獨特靈感。正是這種天馬行空的跨界思維，讓他在自然語言處理與強化學習領域遊刃有餘。2019年，從清華畢業後，姚順雨奔赴普林斯頓大學深造，專攻自然語言處理與強化學習。博士期間，他便交出了足以震動行業的成績單。他提出的思維樹（Tree of Thoughts）框架，大幅提升了AI決策模型的複雜問題解決能力。研發的ReAct方法首次建構“推理—行動”智能體範式，成為全球語言智能體開發的主流技術。頂尖的科研實力，讓姚順雨博士畢業後直接躋身全球AI的核心陣地——OpenAI，擔任研究科學家，深度參與了智能體產品Operator、DeepResearch及電腦使用智能體（CUA）的核心研發，為語言智能體領域的開啟與發展奠定了基礎性貢獻。2025年5月，年僅27歲的姚順雨入選《麻省理工科技評論》“35歲以下科技創新35人”中國區名單，並成為其中最年輕的入選者。不久後，姚順雨做出了一個重磅決定：回國，出任騰訊首席AI科學家。接過騰訊AI Infra部與大語言模型部的雙重帥印，主導騰訊AI架構重構。這一變動也被解讀為中國網際網路巨頭開始用頂格資源，爭奪全球頂尖AI人才的標誌性事件，也讓這位姚班學子走到了聚光燈下。03 中國硬科技創業“黃金戰隊”回溯中國AI產業化處理程序，“姚班系”的身影貫穿始終。●印奇。圖片來源：搜狐科技在AI大模型領域，姚班首批學生印奇無疑是姚班創業群體的標竿人物。2011年，同住一個宿舍的印奇、唐文斌，與學弟楊沐在一次挑戰杯比賽中相識。因懷著共同的志向，三人共同創辦了曠視科技，拉開了“姚班系”創業的序幕。憑藉領先的人臉識別演算法，曠視科技躋身AI 1.0時代“AI四小龍”之一。從聯想之星的數百萬天使輪融資起步，曠視科技一路吸引了包括阿布扎比投資局在內的全球頂級資本，成為中國AI視覺領域的獨角獸。然而隨著AI 2.0時代的到來，傳統視覺業務受到衝擊，行業格局發生深刻變革，曠視科技也未能獨善其身。隨之公司陷入一系列困境，三年半累計虧損146億，資產負債率突破300%。曠視科技的上市之路更是坎坷，兩次衝擊IPO未果，最終只能黯然撤回上市申請，核心團隊士氣跌至冰點。曾經風光無限的“AI四小龍”之一，陷入斷臂求生的境地，逐漸淡出聚光燈下。絕境之中，印奇選擇主動破局，抽身轉型。AI 2.0時代，印奇迅速以千里科技董事長的身份殺入“AI+車”賽道。今年初他又親自掛帥階躍星辰，投身大模型賽道，上任不久公司就完成超50億元B+輪融資，創下過去一年國內大模型企業單筆融資紀錄。15年創業生涯中，印奇三次執掌企業，在AI1.0與2.0時代接連入局，延續著姚班人對技術浪潮的精準卡位。而未來，如何跑通技術商業化閉環，依然是印奇面臨的挑戰。●樓天城。圖片來源：小馬智行素有“中國大學生電腦程式設計第一人”之稱的樓天城，是“姚班系”創業的另一個代表人物。作為姚班首屆畢業生，畢業後，他先後在Google、百度等頂尖網際網路公司任職，深耕自動駕駛技術研發。2016年，此時的中國AI產業化浪潮初起，但L4級自動駕駛仍是無人跋涉區，彼時，樓天城放棄百度T10級工程師的優渥待遇，與彭軍創立小馬智行（Pony.ai），專注L4級自動駕駛技術。縱然是公認的技術“大神”，但在技術攻堅期，樓天城也經歷過至暗時刻。他曾坦言，從2017年到2021年，小馬智行經歷了最艱難的5年。期間，他曾毅然推翻三年的訓練成果，承受長達兩年無進展的內外壓力。投資人的質疑、行業的唱衰、團隊的動搖，每一步都如履薄冰。但他始終恪守姚期智“為什麼不能這樣”的信念，拒絕轉向更易商業化的L2級輔助駕駛，堅信L4的價值。●深圳街頭小馬智行投入營運第七代Robotaxi。圖片來源：浙江經濟廣播最終，小馬智行成為中國首個推出Robotaxi服務的公司。2024年11月27日，小馬智行在美國納斯達克掛牌上市，成為“全球Robotaxi第一股”。樓天城用八年時間，在絕境中驗證了L4級自動駕駛的商業可行性，也用堅守詮釋了姚班人不畏艱難，執著追求的底色。●胡淵鳴。圖片來源：甲子光年2020年初，姚班出身的胡淵鳴，僅用99行程式碼復刻《冰雪奇緣》模擬特效，以極簡程式碼實現傳統數千行才能完成的材料點法模擬，一舉名震電腦圖形學界。2021年，胡淵鳴攜麻省理工博士期間研發的開源程式語言“太極”（Taichi）回國創業，創立太極圖形，並獲得紅杉中國等機構的天使輪投資，後又完成A輪5000萬美元融資，成為圖形學領域備受矚目的超級新星。但創業初期的熱度過後，胡淵鳴一度淡出公眾視野。開放原始碼專案“太極”在全球持續積累影響力，但其商業公司太極圖形的商業化探索卻趨於沉寂。2025年的一次採訪中，胡淵鳴坦然直面創業的失敗，與過往耀眼的標籤和解，立志成為更成熟的CEO與領導者。“我不再追求所有人的喜歡。”他說，“創新者不能妥協，必須做自己最熱愛做的事情。”帶著這份領悟，胡淵鳴投身Meshy，繼續新的創業之路。姚班的創業群體，還有鄒昊的清影醫療、龍凡的區塊鏈Conflux、星藥科技的創始人李成濤、宸境科技的漆子超……全球科技巨頭中，也有不少姚班校友的身影。常慧文成為Meta新一代AI團隊核心成員，主導多模態模型研發；丁力宇作為xAI創始成員，深度參與馬斯克AGI佈局；鐘沛林、艾雨青在Google AI深耕電腦視覺與NLP演算法，支撐核心產品技術迭代；吳作凡、任之洲在DeepSeek團隊中擔任R1演算法核心作者……在AI浪潮下，姚班學子已然成為全球AI巨頭爭相搶奪的頂級人才。但無論是深耕學術，還是投身創業，不難發現，姚班學子從不是天生的贏家，而是敢於直面挫折、勇於從頭再來的追光者。“你們如果要做一些事，最好去做一些別人辦不到的事，因為這些事只有你們可以做。”這是姚期智對學生們的期許。也正因如此，姚班學子從不缺少重新出發的勇氣，一次次的試錯與堅持，早已刻進他們面對挑戰的本能裡。04 “天才工廠”的造星密碼為什麼姚班能爆發出如此驚人的叢集效應？答案就藏在那套被稱為“清華樣本”的獨特培養體系中。先進的教育理念、嚴苛的選拔機制、完善的培養體系，共同構成了這個“天才工廠”的造星密碼。在選拔機制上，姚班的門檻堪稱“萬里挑一”，它的殘酷讓許多清華學霸都望而卻步。姚班每年僅招生30—50人，生源主要來自五大學科競賽（數學、物理、化學、生物、資訊學）的金牌保送生、各省高考前三甲，以及清華新生入學後的二次選拔。篩選只是起點，姚班真正的核心在於獨特的培養體系。成立之初，姚班就摒棄了常規的本科教育模式。在教育理念上，姚期智明確提出，姚班的目標不是培養“會寫程式碼的程式設計師”，而是培養“能定義規則的人”。●圖片來源：清華大學他融合MIT、史丹佛、普林斯頓等世界頂尖高校的教育理念，搭建起一套對標國際一流的核心課程體系，並親自講授其中6門課。在培養模式上，姚期智確立了四大核心理念：科學基礎紮實、儘早參與科研、注重理論與實踐及學科交叉、提供豐富的國際科研合作機會。姚班的課程強度與資訊密度遠超常規本科教育，2013級本科生范浩強曾回憶：“原本預想聽完一門課，自己的思維會從‘一層’升至‘五層’，這已經很刺激了，但沒有想到，老師直接從‘六層’講起！”科研實踐是姚班培養體系的重中之重，姚期智打破了“本科只能打基礎”的偏見。從大一起，學生便能直面學科最前沿，擁有充足自主時間投身科研與實習。在姚班，本科生參與國家級、世界級前沿項目已是常態，甚至頻頻在國際頂會發表論文，這樣的成績在全球頂尖高校中也實屬罕見。除了優質的課程與科研資源，姚班還擁有一支頂級師資隊伍。●圖片來源：清華大學姚期智不僅親自授課，還親自逐一面試、篩選出62位任課教師，手把手指導青年教師的教學工作。在他的邀請下，圖靈獎、奈望林納獎、哥德爾獎等國際頂級獎項獲得者相繼走進姚班課堂。為保障科研培養質量，姚班實行一對一導師制，由院士、頂尖教授親自指導科研，全程助力學生成長。同時，姚班全額資助大三學生赴麻省理工、史丹佛、哈佛等海外名校交換學習，讓學生在全球學術舞台上拓寬視野。據統計，姚班學生在讀書期間參與聯合培養、出席國際會議和出訪交流的比例達到200%。這種培養模式，不僅激發了學生的潛力，更讓他們養成了“挑戰極限”的習慣和不怕失敗的勇氣。● 姚期智院士與畢業生合影。圖片來源：光明網清華姚班的二十年，從來不是單一的“天才敘事”。從姚期智的“歸國賭注”，到陳立傑、姚順雨在全球AI舞台的閃耀；從印奇、樓天城締造的創業傳奇，到一代又一代姚班學子的持續突破，姚班早已成為一張觀察中國AI全球競爭力與產業佈局的關鍵名片。“天才”是外界貼給姚班學子最醒目的標籤。在AI1.0時代，姚班天才們締造了一個又一個商業神話，也親歷了技術理想主義與商業現實的劇烈碰撞。但無論怎樣，他們從沒停下腳步。如今，在ChatGPT掀起的AI 2.0浪潮之下，姚班學子正站在二十年的新起點。那些曾在AI1.0時代歷經起伏的“老兵”們再次出發，在技術與商業之間，奮力打通從實驗室到市場的“最後一公里”。而新生代姚班學子，正不斷湧入創業大軍。可以肯定的是，中國科技的下一個二十年，依然會有姚班學子的名字。 (最華人)

姚順雨，入職騰訊首席AI科學家後，參與的首個成果來了。CL-bench，專門用來測試大模型“從上下文中學習”的能力。這項研究與姚順雨一貫的研究思路高度契合，去年8月他在OpenAI期間發表的博文《下半場》曾提出一個被反覆引用的判斷：AI正處在“中場休息”階段，上半場是訓練大於評估，下半場將是評估大於訓練。真正重要的不是繼續堆模型規模，而是讓模型在真實任務、真實系統中經得起檢驗。CL-bench的評測結果相當扎心，當前最強的GPT-5.1 (High)，任務解決率只有23.7%。換句話說，即便把解題所需的全部資訊都喂給模型，它依然在超過四分之三的任務上栽了跟頭。為什麼需要上下文學習研究團隊在部落格中開門見山地指出了一個被忽視的問題：今天的前沿模型是頂級的“做題家”，能解奧數、能寫程式碼、能通過人類需要苦讀數年才能拿下的專業資格考試。但這能在考場拿滿分的學生，未必能勝任真實世界的工作。部落格中舉了三個人類日常生活的例子：開發者掃過從未見過的工具文件就能立刻偵錯程式碼；玩家拿起新遊戲的規則書在實戰中邊玩邊學；科學家從複雜的實驗日誌中篩選資料推匯出新的結論。這些場景中，人類並不只依賴多年前學到的死知識，而是在即時地從眼前的上下文中學習。然而今天的語言模型並非如此。它們主要依賴“參數化知識”，即在預訓練階段被壓縮排模型權重裡的靜態記憶，在推理時更多是在呼叫這些封存的內部知識，而不是主動從當前輸入的新資訊中汲取營養。團隊用一句話概括了這個矛盾：我們造出了依賴“過去”的參數推理者，但世界需要的是能吸收“當下”環境上下文的學習者。CL-bench：500個複雜上下文，一個簡單但苛刻的要求為了量化這個差距，團隊建構了CL-bench。這個基準包含由資深領域專家精心製作的500個複雜上下文、1899個任務和31607個驗證標準。設計原則只有一條：解決每個任務要求模型必須從上下文中學習到預訓練中不存在的新知識，並正確應用。模型需要學習的知識非常廣泛，包括新的領域知識、不熟悉的規則系統、複雜的產品工作流，甚至是必須從實驗資料中推導歸納出的定律或結論。所有這些知識要麼是由領域專家完全新建構的，要麼是取自那些不太可能出現在當前前沿模型訓練資料中的小眾、長尾來源。具體來說，CL-bench涵蓋了四種現實世界的上下文學習場景：領域知識推理，比如虛構的法律體系或創新的金融工具；規則系統應用，比如新的遊戲機制或程式設計語法；程序性任務執行，比如工作流和產品手冊；以及最具挑戰性的經驗發現與模擬，要求模型從資料中歸納出潛在規律。團隊展示了幾個任務案例：在一部長達2.3萬字、剛剛生效的新法律下判一起真實糾紛；基於一門新設計的教育程式語言規範實現一個帶有時間條件終止的周期性程序；在一套從未見過的程式設計框架中執行程式碼；在給定技術規格和長期環境政策情景的條件下模擬關鍵技術金屬的可持續全球供應。為了確保測試結果反映的是真正的上下文學習能力而非資料洩露或記憶，團隊採用了無污染設計：專家創作完全虛構的內容，或修改現實世界的內容建立變體，或整合在預訓練資料集中代表性極低的小眾內容。論文特別提到，在不提供任何上下文的情況下，GPT-5.1 (High)僅能解決不到1%的任務，有力證明了模型若不從上下文中學習幾乎完全無法解決這些任務。平均而言，領域專家花費約20小時標註每個上下文，以確保任務建構的質量和深度。十個前沿模型集體翻車即使提供上下文，當前模型的表現也好不到那去。團隊在CL-bench上評估了十個最先進的語言模型，結果揭示了當前模型幾乎不能從複雜上下文中學習來解決真實場景的問題。平均而言，模型僅解決了17.2%的任務，即便是表現最好的GPT-5.1 (High)也僅達到23.7%。錯誤分析顯示了幾個值得注意的現象。忽略或誤用上下文是導致失敗的主要原因，許多錯誤並非源於資訊缺失，而是源於模型忽視了上下文中的關鍵細節或錯誤地應用了它們。在許多情況下，模型只會利用預訓練學習到的靜態知識來解決任務，即使上下文明確定義了新的規則、概念或程序，模型也不會學習和利用。此外，從實驗資料和環境模擬中進行歸納推理比演繹應用更困難。演繹任務讓模型根據上下文中明確給出的規則和流程進行應用，而經驗發現和環境模擬類任務則要求歸納推理。模型在這類任務上的表現明顯較差，任務解決率通常低於10%，且結果波動大。更高的推理強度通常能提升上下文學習效果，但提升有限。例如GPT-5.1在管理類和實驗資料類任務上的表現提升約6%，但其他模型提升有限甚至可能下降，說明單靠更多推理並不足夠，模型還必須能夠正確吸收和組織上下文資訊。研究團隊最後寫道：CL-bench充分解釋了語言模型在真實場景中為什麼經常出錯：即使有了上下文工程，給模型準備好了所需的上下文，模型也會失敗。如果模型不能真正從中學習，僅僅提供上下文是不夠的。從“AI下半場”到騰訊首席AI科學家與其繼續刷榜，不如先搞清楚模型到底還差在那兒。CL-bench某種程度上正是姚順雨關於AI下半場這一判斷的具體實踐。這項研究由騰訊混元和復旦大學團隊合作完成，共同一作Shihan Dou、Ming Zhang、Zhangyue Yin。致謝部分提到，從上下文中學習新知識的想法最早源於Pluto Zhou在2024年提出的設想，同時特別感謝姚順雨提供的鼓勵以及多次寶貴建議，稱“他的全面而細緻的審閱和反饋，極大地幫助我們進一步提升了這項工作的質量”。姚順雨今年1月正式加盟騰訊，職位是騰訊總辦首席AI科學家，向騰訊總裁劉熾平匯報，同時兼任AI Infra部、大語言模型部負責人向技術工程事業群總裁盧山匯報。團隊在最後也留下了下一步研究思路：起碼在當下，我們的目標是很明確：讓上下文學習真正走向現實。 (量子位)

1月10日，AGI-NEXT前沿峰會的主會場大廳裡擠滿了人。這是由清華大學基礎模型北京市重點實驗室發起的前沿峰會。三個小時的議程，四個演講和一個pannel，總計六個嘉賓，幾乎每一個都是時下關注的熱門人物：比如，剛剛登陸港股的智譜創始人唐傑、不太愛出門參加活動的Kimi創始人楊植麟、正在向C端Super App發起衝鋒的阿里巴巴Qwen負責人林俊暘，以及近期在官宣加入騰訊後首次露面的前OpenAI研究員姚順雨。其中前三位分別做了技術報告分享，而姚順雨則參加了隨後的AGI-Next圓桌對話。在會議邀請函裡，姚順雨的名字出現在了一個不那麼起眼的角落裡：沒有主題報告，名字被悄悄放在了楊強、唐傑和林俊暘後面。但很快許多人都立刻意識到，這將是這位剛剛官宣加盟騰訊的前OpenAI研究員、網傳各種版本天價薪酬的合肥天才少年，作為中國估值最高的網際網路公司的AI一號位，在回國後的首次公開露面。從一開始，會場上的觀眾席裡彷彿就有一種默契。主持人開始介紹嘉賓，在一眾領導之後，不少人都伸長了脖子張望，但都沒有聽到那個期待中的名字。有人開始疑惑，但好像有些嘉賓的名字也沒有被提及，所以懷疑他可能是和其他人一同待在貴賓室裡。當然，或者可能乾脆未必真的會來——畢竟誰沒見過在活動當天爽約的“大佬”呢？這種懷疑在圓桌開始的那一刻幾乎被坐實了。圓桌原本有五個人，但舞台只搬上了四張沙發。LED大螢幕上還打出了姚順雨的銘牌，但他的頭像下卻空空如也。加拿大皇家科學院院士和工程院院士楊強、智譜創始人唐傑、Qwen負責人林俊暘和主持人、拾象科技創始人李廣密在台上一一落座。然後主持人開始對嘉賓講話。坐在我側前方的中年大哥說了一句，“哦，沒來啊。”主持人還沒提完問題，姚順雨巨大的騰訊會議頭像框就突然“閃現”在了三個嘉賓大佬的頭頂。那是滿滿一整屏的LED，把他的頭塑造得如此之大，以至於沒有一個嘉賓的高度能超過他的鼻尖。唐傑、楊強、林俊暘我上一次看到這樣的“奇景”，還是在《1984》。沒有觀眾能接受這樣戲劇性的一幕，於是會場爆發出了一陣熱烈的笑聲。剛才那位扼腕的大哥又說，“果然是YaoShunYu啊。”姚順雨似乎在視訊裡比照片更好看。他臉上堆滿了1998年生年輕人該有的膠原蛋白，發量充沛，笑起來很有鄰家大男孩的親和力——尤其在小紅書裡，大量的女性使用者湧入評論區稱讚他是“Hot Nerd”、“理想型之理想型”、“像許嵩”、“大臥蠶狗狗眼”，並為其“英年早婚”而深感惋惜。可能是看到了現場的情況，姚順雨頭顱左右轉動、眼神裡夾雜著一些迷茫。我當時看著那場面，心想那簡直就是過去半年時間裡，他本人在中國AGI江湖傳說的最佳側寫：這個年輕人以不置可否的網路傳聞方式，猝不及防地出現在了AI江湖裡，掌控了一家市值約等於字節跳動（3500億美金）和阿里巴巴（3600億美金）之和的超級網際網路公司（5.5兆港幣）的AI部門，最後無意間將那些年齡上能做他爺爺輩的研究者置於一種略顯尷尬的場面裡。而這背後巨大的故事張力，又在AI圈外塑造了一種遠遠超出技術與商業本身的爽文敘事。至於他本人的反應——他的理性非常清楚地知道自己的形象將處在一個巨大的會議廳裡，但身體的反應卻完全沒有處於嘈雜人群中的實感。面對身後的龐然大物，主持人選擇話頭扔給姚順雨。姚順雨此時像是反應過來，然後笑著問所有人，“我現在是不是一張巨大的臉在（螢幕上）”。所有人聽完又再笑。而這就是1998年出生的騰訊AI一號位，在中國頂級舞台首發亮相的第一分鐘。其樂融融。姚順雨講了麼？人們對姚順雨充滿好奇，除了對於年齡和網傳誇張年薪的反差感外，自然還包含了對騰訊接下來AI動向的好奇。正如Qwen林俊暘在回答主持人問題時，拿姚順雨打趣說：“一代一代的人塑造了這些公司，比如說今天順雨到騰訊之後，可能騰訊變成一個有著順雨基因的公司。”姚順雨在回答問題時，有時顯得很謹慎，說話比任何人都慢，會字斟句酌地吐出幾個同義詞。但我想，我們依然能夠通過這次對談，瞥見未來姚順雨乃至騰訊AI未來的審美偏好和發力方向。以下是對姚順雨相關表態的整理和分析：（一）“騰訊肯定還是一家To C基因更強的公司。”（1）我們會思考，怎麼樣能夠讓今天的大模型或者說AI的發展給使用者提供更多價值——很多時候是額外的Context。比如，今天我想去吃什麼？這個事情不需要更大的模型能力，而是需要額外的Context，比如今天特別冷，需要吃暖和的。我和老婆聊了很多天，可以把聊天記錄轉發給元寶。（2）對於To C來說，大部分人大部分時候不需要用到這麼強的智能，可能今天用ChatGPT和去年相比，寫成交代數和伽羅瓦理論的能力變強的，但是大部分人大部分時候感受不到。To C的問題是DAU等指標和模型智能不相關，甚至相反。（二）“ToB 在中國很難。”（1）生產力的革命，包括很多中國的公司做Coding Agent，需要打很多海外市場。我們會思考怎麼把自己先服務好。大公司本身就已經有各種各樣的應用場景、各種各樣需要生產力變得更好的地方。（2）“To B 的智能越高，代表生產力越高，值錢的也越來越多，大部分時候很多人就願意用最強的模型——強的模型和稍微差點，或者弱的模型它的分化會越來越明顯。（3）to B 的垂直整合未必成立，因為模型層和應用層需要的能力還是挺不一樣（比如ChatGPT Agent 相比於Manus）；但 to C 的垂直可能還是成立的，無論是ChatGPT還是豆包，模型和產品是非常強耦合去緊密迭代的。（4）Anthropic不做什麼創新，老老實實把事情做好，就會有價值；（5）即便所有的模型訓練全部停止，to B也可以有很大的空間，為GDP提供5-10%的（正面）影響。（三）“自主學習在矽谷是一個共識”（回答下一個範式的問題）（1）自主學習不是一種方法論，而是資料或者任務，本質是討論基於什麼樣的獎勵函數；（2）ChatGPT在利用使用者的資料不斷彌合人聊天的風格；Claude 寫了Claude 項目95%的程式碼，這可能都是一種自我學習；（四）“中國對於刷榜和數字看得更重一些”（1）DeepSeek做得比較好；Claude在榜單不是很高，但是大家都知道這個東西好用。（五）“對於中國從跟隨者變引領者，我還是挺樂觀的”（1）任何一個事情一旦被發現，中國就很快會復現；（2）核心（變數之一）在於光刻機能否突破來解決算力優勢；林俊暘疑似對姚順雨部分觀點的不同意見：（一）關於自學習範式：人類不能通過互動讓AI變得更厲害，只會讓它上下文變得越來越長，AI變得越來越笨。自動化AI未必需要自主學習，AI訓練AI就會很強，但持續理解使用者會很重要。AI自主性可能導致安全風險，“比如說今天主動產生一些想法，往會場裡面扔一顆炸彈”。拿我們自己獻醜，我們自己的Memory看起來知道我過去幹了什麼，但是只是記起來過去事情，每次叫一遍我的名字，其實並不顯得你很聰明（未來是否實現還要看更多時間和技術觀測）（二）關於to B“垂直整合”邏輯未必成立：當然Manus確實很成功，套殼是不是未來，這本身也是個話題。今天到這個環節，我比較同意“模型即產品”。我們現在Agent已經變的託管式的Agent，而不是我要不斷給你來來回回互動的那種形式。從這個角度來說，它對模型的要求是很高的——模型就是這是這個Agent本身，Agent就是這個產品本身，如果它們都是一體化的話，今天做基礎模型本身，其實也就是在做產品。總結如果從姚順雨的發言，可以（不負責任地）大概猜到騰訊接下來的AI戰略：第一，騰訊會發力圍繞社交應用做Agent，重視上下文工程和自進化的主打C端市場。第二，B端市場繼續保守。第三，不會太去沖榜。姚順雨被官宣是他在騰訊漫長Landing的一個里程碑。但在如何把他的基因放進騰訊之前，可能先要想好，如何把騰訊的基因融進自己的身體裡。而相比於姚順雨的降臨，我們大概更期待他能給騰訊龐大生態帶來嶄新的變化。用姚順雨那篇知名的部落格的話說，我們正處在AI的中場休息——所以，“歡迎來到下半場”。姚順雨和他的騰訊AI會成為那個開球人嗎？ (矽星人Pro)

12月17日，騰訊聘請了前OpenAI研究員姚順雨擔任總辦首席AI科學家，直接向總裁劉熾平匯報。很多人擔心騰訊AI掉隊了，但姚順雨其實在消息公佈之前三個月就曾經談到騰訊的護城河：微信還是一個易守難攻的好平台。這或許也是他選擇加入騰訊的重要原因之一，他甚至還聊了如果他是微信一號位會怎麼做的話題。原文很長，談的面很廣，我挑選了與騰訊等巨頭相關的內容：1、談應用公司的護城河——資料飛輪李廣密：在你看來，應用公司的資料飛輪，對他們來說重要嗎？或者說，在什麼環境下才能形成？我感覺，Chatbot產生的是偏好資料，好像沒什麼資料飛輪；Code可能有思考過程的資料，這種思考過程的資料代表一類能力，可能是有用的；像Canvas也好，Artifacts也好，可能是有思考過程的資料，這類可能有機會形成很強的資料飛輪效應。姚順雨：大多數公司還沒有形成資料飛輪；他們依賴模型變好，利用模型變好的溢出能力。如果你要有資料飛輪，首先你要能自己去訓模型，並且能通過互動有很好的reward（獎勵），使你能把好的資料和不好的資料分開。【一涵註：這就是騰訊必須自己做AI而不是依賴DeepSeek的原因。】比較成功的是Midjourney，有非常清晰的reward——人更喜歡那張圖，這個reward和應用是對齊的，reward做得更好，公司就更成功，模型也更好——一切都對齊。有了這種情況，才能自己訓練模型，做資料飛輪。這個過程必須比較非主線。因為如果很主線，我也可以通過Pre-Training或RL提升能力，靠泛化或其他方式。總的來說，大部分公司目前還沒有形成飛輪。【一涵註：比如程式設計之類的主線任務，每個巨頭公司都會自己訓練好，不是創業公司能做的。】2、超級巨頭有動力繼續推動中心化張小珺：你對未來Agent生態的構想會是什麼樣？現在有點像，當年大家都在創業做App的時候，如果再往後推演幾年，這個世界會是什麼樣？姚順雨：很難說。但肯定會有很多不同的互動方式，創造出不同的系統。OpenAI這樣的公司，會想繼續推進一個中心化的助手系統，有更多環境、更強能力，做更多事情。也會有不同的生態系統，有不同的互動方式，會訓練完全不同的模型。甚至從Pre-Training開始，所需要的能力和很多東西都不同。【一涵註：比如OpenAI正在訓練一個商業專用的模型，在判斷出使用者提問商業資訊的時候，專門用來推送廣告，並顯著標識廣告資訊，來減少使用者對主模型的信任問題。】比如，另一種互動方式可能是，我想造一個朋友。這個朋友不需要數學、物理特別強，數學太強反而不自然。它記憶不一定特別好，會犯錯，有感情，也不是特別rational（理性）。但這也是有價值的——可能有人會做這種事。這類東西很難和ChatGPT比強弱，它們是不同應用，有不同價值。也可能出現一個由Agent組成的社會。為什麼這個世界上很多人有價值？不是因為他們的數學或編碼能力強，而是因為他們擁有別人沒有的資訊。中間商本質是擁有資訊差。擁有資訊差的人會想維護自己的權利和資源。這樣的人會發明出更Multi-Agent（多智能體）或更 Distributed Network（分佈式網路）。在交易世界裡，資訊很重要，每個人只擁有資訊的一小部分，這種情況會出現新的不同形態。可能是Multi-Agent，每個人有自己的Agent，Agent之間可以與百萬甚至更多人交換資訊，達成交易或某些目的。根本上，現在非常強的巨頭和重要節點，有動力繼續推動中心化。但在中心化之外的力量，也有動力做一些非中心化的事情。這個世界可能不會是單方壓倒另一方，雙方都會有自己的力量。而這個世界智能的邊界、研究的邊界，可能不是由一家機構定義，而是由不同Super App共同定義的。【一涵註：有些公司可以用去中心化的形式行中心化之實。比如拼多多創業早期提倡分佈式人工智慧，就是讓每個人擁有一個有自己隱私資訊的Agent，保護你的私有資料，但是同時也會和其它Agent溝通來提升購物前的信任感和推薦精準性，以及做工廠定製降低價格。然而，這些資料並不真是我們私有的，比如我們想把這些資料打包帶走到其他平台，例如淘寶或者抖音，那是不可能的，因此這些平台就構成了資料的壟斷和中心化。】3、做垂直產品還是通用產品？姚順雨：iPhone或iPad是非常通用的產品形態，但它一開始，都有一些Killer App支援它有momentum（增長動能）。包括ChatGPT，包括微信，很多偉大產品都這樣。你有一個足夠通用、簡單，或第一性的互動方式，它有很多想像空間。但你去維護它，或者設計路徑的時候，你能有各種各樣的應用，使它不停地增長。【一涵註：最典型的例子是微信和抖音，公眾號、朋友圈、小程序、視訊號都是微信這個通訊產品催生的，早已和WhatsApp等單純的通訊產品不同（馬斯克都說歐美沒有，他要copy一個）。而抖音商城、汽水音樂、紅果短劇等APP都是抖音這種短影片推薦的互動方式衍生出來的。因此微信和抖音本質上都是通用產品，是會產生競爭的平台型公司，而不是單純的社交軟體和視訊軟體。現在，ChatGPT也正在試圖把自己打造成通用產品，如加入了應用程式商店。可能產生通用產品的AI是對過去的網際網路平台都有威脅的。】4、如果姚順雨是科技巨頭的CEO，會怎麼看待AI？李廣密：順雨，如果你是一個全球超大網際網路或科技公司的CEO，今天這個公司還沒有自己的模型，沒有好的研究文化，甚至沒有好的AI戰略，你作為CEO會怎麼做？姚順雨：首先，我肯定會學習，我會想弄清楚這個事情到底是什麼。如果你作為CEO不懂這個事情，所有事情會變得很難。很多時候，一個公司的bottleneck（瓶頸）就在於，CEO 對這個事理解不夠。如果你不理解，去招一些很好的人、做一些事情，你很可能被他們忽悠。所以，首先要自己學習。【一涵註：這也是為什麼不少成功的AI公司都是自己培養人才來做好，而不是靠挖人。】然後要從創造新的價值來思考問題。畢竟你不是技術專家，而是一個CEO，你有一些場景、一些資源、一些優勢。從第一性原理看，一個新的技術產生了，你要思考的是，怎麼用這些新技術結合你現在的資源去創造新的價值。當然，你可以嘗試做一個和當前業務完全不一樣、但價值非常大的事情，比如ChatGPT，但對大多數公司來說，即使很有錢、很強，也不一定make sense（合理）。所以，第一是自己要學習技術；第二是要思考怎麼創造新的價值。5、如果姚順雨是巴菲特，會怎麼投資AI行業？李廣密：如果你成為了波克夏的CEO（巴菲特的投資公司），未來要拿出500億美金allocate（分配）到AGI行業，你會怎麼allocate這筆錢？——既能體現回報，也能體現對人類的貢獻。姚順雨：這是個很好的問題。取決於你有多少精力，或者有多少資源分配顆粒度。當然現在OpenAI、Anthropic，這些模型層公司，大機率會有更大價值。還有一類很有價值的，是能積累User Context（使用者上下文），或者能建構特殊Environment（環境）的公司。最終如果AI或AGI是一個系統，它需要有Intelligence（智能），需要有Environment，還需要有User Context，或者對使用者的理解。現在有很多User Data（使用者資料）或User Context 的公司，有點像發明車之前的煤炭、煤礦，或者像發明汽車之前的石油公司。從這個角度，微信或大平台，還是一個易守難攻的好平台，它積攢大量的Context。如果Intelligence是一個可以逐漸民主化、逐漸變得便宜、逐漸普及，擁有這樣的平台，擁有這樣的Environment，擁有這樣的Context，可能會是一個很強的壁壘。它可能還是一個很好的投資。【一涵註：所以上一代的巨型網際網路公司，例如已經有不錯的模型、也有大量使用者資料，還有晶片和雲端運算的阿里，以及在全球獲得大量使用者資料的拼多多和抖音，也都是非常值得關注的投資對象。而百度這樣的公司因為移動網際網路時代APP的普遍資料孤島化（李彥宏本人講的），失去了獲取大量使用者資料的機會，因此也沒有太大價值了。】6、如果姚順雨是微信的一號位，會怎麼做？張小珺：今天順雨當了很多公司的CEO，那我再問一個：如果你是微信的一號位，你會怎麼在微信裡做Agent？姚順雨：我可能會不急，先觀望觀望。我好像沒有理由要急。我會觀察，我會學習 AI，會觀察有沒有什麼新的互動方式很有意思。但我不會急著去做很多事——我有易守難攻的地方，為什麼要急著進攻？比較危險的是一個顛覆性的創新。真正的危險，不是說一個類似於微信的東西打敗了微信，而是一個很不一樣的東西打敗了微信。就像微信打敗了QQ。當時擔心的並不是一個類似QQ的東西打敗了QQ，而是一個很不一樣的產品去打敗這個東西。需要對顛覆性創新有所警惕。但如果是這些incremental（漸進式的）創新，這種小的創新，早做晚做可能區別沒有那麼大，也不用太擔心。李廣密：所有人都說微信卡位好，但今天微信還沒有很激進地投入，如果未來Multi-Agents 、Long-Term Memory這些問題解決了，但這個Agent系統不長在微信上，是比較恐怖的。原有網路不一定有價值。姚順雨：這取決於人類的網路會變成什麼樣？你會有更多Agent朋友，還是更多人類朋友？或者你有更多Agent職業上的互動，還是有更多人類職業上的互動？微信上你既有朋友，也有基於職業的互動——比如我要買個東西，我要諮詢律師，對吧？這取決於人類的網路會變成什麼樣。但總會有一個這樣的網路，基於這個網路，肯定會需要有基礎設施，需要有平台。【一涵註：今天的AI其實會對無論是職業的互動，還是情感的互動都可能有巨大影響。比如段永平在26日早上表示：“律師這個職業會受到AI的巨大挑戰！我現在有任何合同都是讓Gemini和ChatGPT看一眼，毛病建議他都可以馬上給出來，非常厲害。”連他這樣等級的企業家都用AI來看合同了，那麼普通人就更可以用了。而情感的互動上，AI算命、心理諮詢也已經很常見，很明顯可以觀察到周圍一些人在和AI比如豆包、DeepSeek交朋友。以上互動的變化大概也是騰訊需要下重注挖姚順雨做AI的重要原因。按照姚順雨的說法，微信有不急的底氣，但會不會出現一個很不一樣的東西打敗了微信，我還是要跟大家一起持續跟蹤觀察。】 (一涵筆記)

「追到第一名」的劇本，騰訊可能又要演一遍，這次押注的是 AI。就在今天下午發佈的內部公告中，騰訊表示，知名 AI 研究員姚順雨 (Vinces Yao) 正式出任「CEO / 總裁辦公室」首席 AI 科學家，向騰訊總裁劉熾平匯報；同時兼任 AI Infra 部、大語言模型部負責人，向技術工程事業群總裁盧山匯報。這次任命，釋放的訊號很清晰：騰訊的 AI 正在全面提速，且是帶著「要打硬仗」的架勢。不久前，金沙江創投主管合夥人朱嘯虎在談及國內 AI 競爭格局時直言騰訊還沒真正發力。他還評價稱，騰訊往往等局面打明白後再加速追趕——從第五、第六，追到第三、第二，最後追到第一。今天，騰訊便用實際行動回應了外界的質疑。騰訊升級大模型研發架構，新成立 AI Infra 部、AI Data 部、資料計算平台部。其中，AI Infra 部將負責大模型訓練和推理平台技術能力建設，聚焦分佈式訓練、高性能推理等核心技術，為演算法研發和業務落地提供支撐。王迪繼續擔任大語言模型部副總經理，向姚順雨匯報。劉煜宏擔任 AI Data 部負責人、陳鵬擔任資料計算平台部負責人，均向公司副總裁蔣傑匯報。更關鍵的是，騰訊混元的「成績單」已足夠搶眼。過去一年，混元大模型發佈超過 30 個新模型。12 月 5 日發佈的混元 2.0，在複雜推理與文字生成場景表現國內領先。混元 3D 模型更是保持著全球領先水準，開源社區下載量超過 300 萬。組織調整與密集引才，說到底就是在為高強度的技術攻關補齊兵力、夯實底座。而姚順雨的加盟，無疑是騰訊 AI 戰略中極為重要的一步棋，也讓人不由得期待，他的到來或許會為騰訊 AI 帶來一股全新的氣象。細數姚順雨的履歷，只能用開掛來形容——合肥一中出身、NOI 銀牌得主、高考 704 分勇奪安徽理科探花，擔任過清華姚班聯席會主席，甚至還聯合創辦了清華說唱社，妥妥的全能型人才。普林斯頓電腦博士畢業後，他更是直奔 OpenAI，期間，他曾深度參與 Computer-Using Agent (CUA)、Deep Research 等重要產品。今年 5 月份，憑藉過硬的履歷，他成功入選《MIT 科技評論》「35 歲以下科技創新 35 人」中國區榜單，成為該屆最年輕入選者。圖片來自清華校友總會學術成果也相當能打，他推動了 LLM 從「對話系統」向「任務執行系統」的範式轉變。隨便拎幾篇代表作出來：ReAct (ICLR 2023)：將推理與行動結合的經典框架，引用超 4300 次。Tree of Thoughts (NeurIPS 2023)：大語言模型的「思維樹」問題求解方法，引用超 4000 次。Reflexion (NeurIPS 2023)：引入語言反饋的自我改進智能體，引用超 2600 次。SWE-bench (ICLR 2024)：評估語言模型解決真實 GitHub 問題的能力。WebShop (NeurIPS 2022)：可擴展的基於語言代理的網頁互動任務。SWE-agent (NeurIPS 2024)：面向自動化軟體工程的智能體-電腦介面。……Google Scholar 顯示，他的總引用次數超過 1.5 萬次，h-index 為 24，i10-index 為 29——這個資料在 27 歲這個年齡段，表現相當不俗。巧合的是，今年 5 月姚順雨在一次與張小珺、李廣密的對談中，恰好聊到了微信和 AI 的話題。當時李廣密拋出觀點：微信卡位確實好，但如果未來 Multi-Agents、Long-Term Memory 這些技術成熟了，Agent 系統卻沒長在微信上，那就「比較恐怖」了。姚順雨的回應頗為哲學：「這取決於人類的網路會變成什麼樣？你會有更多 Agent 朋友，還是更多人類朋友？」他進一步解釋，微信既承載社交關係，也承載職業互動——比如購物諮詢、法律服務等。無論人類網路如何演變，總需要基礎設施和平台支撐。面對張小珺的靈魂拷問：如果你是微信一號位，會怎麼做 Agent？姚順雨表示：「我可能會不急，先觀望觀望。」在他看來。微信已經易守難攻，為什麼要急著進攻？真正的威脅不是類似產品的競爭，而是顛覆性創新。就像當年微信打敗 QQ 那樣，危險的是「很不一樣的東西」。除了這次精彩的對談，今年 4 月份姚順雨發表的技術博文《AI 的下半場》同樣在業界引起了廣泛討論。讓AI 下半場總結：AI 正處在中場休息。幾十年來，AI 的主要精力都放在開發新的訓練方法和模型上。事實證明，這條路走得通：從在國際象棋和圍棋上擊敗世界冠軍，到在 SAT 和律師資格考試中超過大多數人類考生，再到拿下 IMO 和 IOI 金牌。寫進歷史的這些里程碑——DeepBlue、AlphaGo、GPT-4 和 o-series——背後都是 AI 方法上的根本創新：搜尋、深度強化學習、規模化訓練以及推理。隨著時間推移，效果一次次被刷新。那現在突然有什麼不同呢？三個詞：強化學習真的能用了。更準確地說，強化學習終於能夠泛化了。經歷了多次迂迴探索和里程碑的積累，我們終於找到了一套能解決各種強化學習任務的有效方法——依託語言與推理。要是你一年前對大多數 AI 研究者說：有一個通用方案能同時搞定軟體開發、創意寫作、IMO 等級的數學題、鍵鼠操作，甚至長篇問答——他們大概會笑你在「幻覺」。因為這些任務都極其困難，很多研究者整個博士階段可能只專注在其中一個方向。然而，這已經成真。那麼接下來會怎樣？AI 的下半場——從現在開始——將把重心從「解決問題」轉向「定義問題」。在這個新階段，評估的重要性會超過訓練。我們不再只是問「能不能訓練出一個模型解決 X 問題？」，而是要問「我們究竟應該讓 AI 去做什麼？又該如何衡量真正的進展？」。要想在下半場脫穎而出，我們需要及時轉變思維方式和技能組合，更接近於產品經理的思路。上半場要理解 AI 的上半場，可以看看它的「贏家」們。到目前為止，你認為最有影響力的 AI 論文有那些？我做了下 Stanford 224N 的小測，結果並不意外：Transformer、AlexNet、GPT-3 等等。這些論文的共同點是什麼？它們都提出了訓練更好模型的重大突破。同時，它們也靠在某些基準測試上取得（顯著的）提升，才得以順利發表。但還有個潛在的共性：這些「贏家」幾乎全都是訓練方法或模型，而不是基準或任務。就算是公認最有影響力的基準之一——ImageNet，它的引用量也不到 AlexNet 的三分之一。而在其他地方，方法和基準的對比更懸殊。比如，Transformer 的主要基準是 WMT'14 翻譯任務，該研討會的報告大約有 1300 次引用，而 Transformer 論文字身超過 16 萬次。這說明了上半場的遊戲規則：重點在於創造新的模型和方法，而評估和基準雖然必要，卻始終是次要的。為什麼？很大一個原因是，在 AI 的上半場，方法比任務更難，也更令人興奮。從零開始發明一種新演算法或網路結構——比如反向傳播演算法、摺積神經網路（AlexNet），或者後來 GPT-3 所用的 Transformer——需要非凡的洞察力和工程能力。相比之下，給 AI 定義任務就顯得直接得多：我們只需要把人類已經在做的事情（翻譯、圖像識別、下棋）變成基準測試就行，幾乎不需要太多新洞見或工程創新。方法的價值還在於它們往往比單個任務更通用、應用更廣。以 Transformer 為例，它不僅推動了自然語言處理（NLP），還在電腦視覺（CV）、強化學習（RL）等領域全面開花，遠遠超越了它最初驗證成果的那個小小的翻譯資料集（WMT』14）。一個偉大的新方法可以「爬」上許多不同的基準，因為它足夠簡潔和通用，所以影響往往超越單一任務。這種玩法延續了數十年，催生了改變世界的思想和突破，並通過不斷刷新的基準成績體現出來。那為什麼這個遊戲會改變呢？因為這些思想和突破的累積，已經帶來了質的飛躍——我們終於找到了可行的通用方案來解決任務。配方那麼，「配方」到底是什麼？配料其實並不意外：大規模的語言預訓練、資料和算力的擴展，以及「推理與行動」的理念。這些聽起來像是你每天在舊金山都會聽到的流行詞，但為什麼要稱它為配方呢？我們可以從強化學習（RL）的視角去理解。RL 常被認為是 AI 的「終局」——理論上它能保證贏得遊戲，而在實踐中，你也幾乎無法想像沒有 RL 的超級智能系統（比如 AlphaGo）。在 RL 中，有三個關鍵組成部分：演算法、環境和先驗知識。長期以來，RL 研究者主要聚焦在演算法本身（比如 REINFORCE、DQN、TD-learning、actor-critic、PPO、TRPO……），這是智能體如何學習的「智力核心」，而環境和先驗往往被視作固定不變或最低限度的設定。比如，Sutton 和 Barto 的經典教材幾乎完全講演算法，幾乎沒涉及環境或先驗。然而，在深度 RL 時代，研究者們逐漸發現：環境的重要性極高。一個演算法的表現往往與它所處的環境高度繫結。如果你忽略環境，就可能造出一個只在玩具問題裡「最優」的演算法。那為什麼不先想清楚：我們到底想要解決什麼樣的環境，然後再去尋找最合適的演算法？這正是 OpenAI 最初的計畫。它先推出了 Gym，把各種遊戲變成標準化的 RL 環境；接著又嘗試了 World of Bits 和 Universe 項目，試圖把網際網路或電腦本身變成一個遊戲。這聽起來很合理：一旦把所有數字世界轉化為環境，再用聰明的 RL 演算法去解決，就能得到數字版的 AGI。這是個好計畫，但沒能完全走通。OpenAI 確實取得了巨大進展，用 RL 解決了 Dota、機械手等難題。但它始終沒能真正攻克電腦操作或網頁導航的問題，而且在一個領域中訓練出來的 RL 智能體，幾乎無法遷移到另一個領域。顯然，缺了點什麼。直到 GPT-2、GPT-3 出現，人們才意識到：缺少的關鍵其實是先驗。你需要強大的語言預訓練，把常識和語言知識蒸餾進模型裡，然後再進行微調，讓它們成為能上網（WebGPT）或能聊天（ChatGPT）的智能體（並由此改變世界）。事實證明，RL 中最重要的部分可能既不是演算法，也不是環境，而是先驗知識——而且這種先驗完全可以通過與 RL 毫不相關的方法獲得。語言預訓練為對話提供了很好的先驗，但在控制電腦或玩電子遊戲時效果卻不那麼理想。為什麼？因為這些任務與網際網路文字的分佈差距更大，直接在這些領域做 SFT（監督微調）或 RL（強化學習）時，泛化能力很差。我在 2019 年就注意到了這個問題。當時 GPT-2 剛發佈，我嘗試在它的基礎上做 SFT 和 RL 來解決文字冒險遊戲——CALM 是世界上第一個基於預訓練語言模型建構的智能體。但它需要上百萬步的 RL 訓練才能「爬」過一款遊戲，而且無法遷移到新遊戲。雖然這正是 RL 的典型特徵，RL 研究者對此並不意外，但我卻覺得奇怪：因為人類可以很輕鬆地嘗試一款新遊戲，並且在零樣本情況下表現顯著更好。就在那時，我迎來了人生中的第一個「頓悟時刻」——人類之所以能泛化，是因為我們不僅能選擇「去 2 號櫃子」「用 1 號鑰匙開 3 號寶箱」「用劍殺地牢怪」，還可以選擇去思考：「地牢很危險，我需要一件武器來應對。但目前沒有現成的武器，也許需要去鎖著的箱子裡找。3 號寶箱在 2 號櫃子裡，那我應該先去櫃子 2，把它打開。」思考，或者說推理，是一種奇怪的行動。它不會直接改變外部世界，但推理的空間是開放的、組合上無限的——你可以思考一個詞、一句話、一整段話，甚至一萬個隨機單詞，而周圍的世界並不會立刻發生變化。在傳統 RL 理論中，這是個「糟糕的選擇」，會讓決策幾乎不可能。想像一下：你需要從兩個盒子裡挑一個，一個有 100 萬美元，另一個是空的。你期望值是 50 萬。現在如果我加上無限多個空盒子，你的期望值就變成了 0。但如果我們把推理加入 RL 環境的動作空間，就能利用語言預訓練提供的先驗來實現泛化，同時還能根據不同決策靈活分配推理時的計算量。這真的是一件很神奇的事。我在這裡沒法完全解釋清楚，可能需要專門寫一篇博文。你可以去讀一下 ReAct，它講述了智能體推理的最初故事，也能感受到我當時的心路。直觀地說：即便你加了無數個空盒子，但你在生活和遊戲中早已見過類似情況，所以選擇這些空盒子的經歷反而能幫助你在真正有錢的遊戲裡更好地做出選擇。抽象地說：語言是通過推理在智能體中實現泛化的。一旦我們擁有了合適的 RL 先驗（語言預訓練）和合適的 RL 環境（把語言推理作為動作），結果發現 RL 演算法本身反而成了最不重要的部分。於是才有了 o-series、R1、deep research、會用電腦的智能體，以及未來更多的成果。多麼諷刺的轉折！長期以來，RL 研究者最關心的都是演算法，而幾乎沒人注意先驗——幾乎所有 RL 實驗都是從零開始。但我們花了幾十年的迂迴才意識到，也許優先順序應該完全反過來。下半場這個「配方」正在徹底改變遊戲規則。回顧一下上半場的玩法：我們開發新的訓練方法或模型，用來在基準測試上爬坡。然後我們再設計更難的基準，繼續循環。但這種玩法正在失效，原因有二：這個配方基本上已經把「刷基準」的過程標準化、產業化了，不需要多少新的點子。隨著配方的規模化和泛化，你為某個特定任務設計的新方法，可能只能提升 5%；而下一代 o-series 模型即便沒有專門針對這個任務，也能直接提升 30%。即便我們設計出更難的基準，也會很快（而且越來越快）被這個配方解決。我的同事 Jason Wei 畫過一個很漂亮的圖，把這種趨勢表現得很清晰：那麼下半場還能玩什麼？如果新的方法已不再需要，而更難的基準也會越來越快被解決，那我們接下來該做什麼？我認為我們需要從根本上重新思考「評估」。這不僅僅是去設計新的、更難的基準，而是要徹底質疑現有的評估方式，並創造新的評估體系，從而逼迫我們去發明超越現有「配方」的新方法。這很難，因為人類有慣性，幾乎不會去懷疑最基本的假設——你習以為常地接受它們，卻沒意識到它們只是「假設」，而不是「規律」。舉個關於慣性的例子：假設你在 2021 年設計了一種基於人類考試的評估方式，這是一個極其大膽的想法。但三年後，這個方法就已經飽和了。你會怎麼做？最可能的做法就是——設計一份更難的考試。或者，假設你解決了簡單的程式設計任務，那你會怎麼做？很可能就是去找更難的程式設計任務來解，直到達到 IOI 金牌水平。這種慣性很自然，但問題在於：AI 已經在國際象棋和圍棋上擊敗了世界冠軍，在 SAT 和律師資格考試中超過了大多數人類，甚至在 IOI 和 IMO 上拿下了金牌。可世界並沒有發生太大改變——至少從經濟和 GDP 的角度來看如此。我稱之為效用問題，並認為這是 AI 最重要的問題。也許我們很快就能解決效用問題，也許不會。但無論如何，這個問題的根源可能出奇地簡單：我們的評估方式在很多基本層面上與現實世界的設定並不一致。舉兩個例子：- 在評估中，任務「應該」自動運行：通常智能體接收任務輸入，自主執行，然後得到一個獎勵。但現實中，智能體必須在任務過程中持續與人類互動——你不會只給客服發一段超長的文字，等上 10 分鐘，就指望對方給你一份完整的回覆解決所有問題。通過質疑這種評估設定，人們發明了新的基準：要麼把真實人類納入環節（如 Chatbot Arena），要麼引入使用者模擬（如 tau-bench）。- 評估「應該」是 i.i.d.（獨立同分佈） 的。如果你有一個包含 500 個任務的測試集，就會獨立運行每個任務，最後取平均得到一個總體指標。可在現實中，我們解決問題往往是順序進行的，而不是平行。比如，一個 Google 的軟體工程師（SWE）在處理 google3 的問題時，隨著她對程式碼庫越來越熟悉，效率會越來越高；但一個 SWE 智能體在同一個程式碼庫中解決了很多問題，卻無法獲得這種熟悉度。我們顯然需要長期記憶的方法（事實上已經有一些了），但學術界既沒有合適的基準來證明其必要性，也缺乏質疑 i.i.d. 假設的勇氣——而 i.i.d. 一直以來是機器學習的基礎。這些假設「一直以來」就是如此。在 AI 的上半場，基於這些假設去設計基準是沒問題的，因為智能水平還低，提升智能基本就等於提升效用。但現在，這套通用配方在這些假設下幾乎必定能奏效。所以，在下半場的新玩法是：我們開發新的評估方式或任務，以衡量真實世界的效用。我們用現有配方去解決它們，或在配方上加入新的元件，然後繼續循環。這個遊戲很難，因為它是陌生的。但它同樣令人興奮。上半場的玩家解決的是電子遊戲和考試，下半場的玩家則有機會靠建構真正有用的智能產品，打造市值數十億甚至數兆美元的公司。上半場充斥著方法和模型的漸進改進，而下半場會對它們進行一定的「篩選」。這套通用配方會輕易擊敗那些漸進式的方法，除非你能設計出新的假設，打破現有配方。那時，你才會做出真正改變遊戲的研究。 (APPSO)

這位年僅27歲的AI界頂尖人才為合肥一中2015屆校友如今已成為中國科技巨頭AI戰略佈局的關鍵核心今天上午合肥一中官微發佈推文講述了該校傑出校友姚順雨在校時的故事姚順雨的成長軌跡堪稱“學霸範本”。初中就讀於合肥45中，高中考入合肥一中後，他便展現出過人的電腦天賦，2014年斬獲全國資訊學奧林匹克競賽（NOI）銀牌。姚順雨在合一校園（倒數第二排左五）。2015年高考，他以704分、安徽省理科第三的優異成績，考入被譽為“天才集中營”的清華大學交叉資訊研究院“姚班”，主修電腦科學，其間不僅擔任姚班聯席會主席，還聯合創辦了清華大學學生說唱社，兼具學術深度與多元才華。姚順雨在清華“姚班”。2019年，姚順雨遠赴普林斯頓大學深造，專攻自然語言處理與強化學習，2024年順利獲得電腦科學博士學位。姚順雨在芝加哥學習交流。在合肥一中學習期間，姚順雨便是大神級的存在。關於姚順雨，還發生一件有趣的事：2015年高考出分後，姚順雨還專門來找校領導，主動“懺悔”，說由於自己的低級錯誤，讓大合一錯過了一個“全省頭名”，於可愛中彰顯了他對母校的榮譽感與責任感。而在班主任杜敏老師眼裡，姚順雨是個非常有想法、做事有規劃的孩子，不僅是理科大神，而且熱愛文學、喜歡rap和籃球、舞蹈等，可以說是個全面發展的學霸。姚順雨在MIT學習交流。學術生涯中，姚順雨已創下多項重磅成果。博士期間提出的思維樹（Tree of Thoughts）框架，大幅提升了AI決策模型的複雜問題解決能力；研發的ReAct方法首次建構“推理—行動”智能體範式，成為全球語言智能體開發的主流技術；2024年博士畢業後，他直接加入OpenAI擔任研究科學家，深度參與智能體產品Operator、DeepResearch及電腦使用智能體（CUA）的核心研發，為語言智能體領域的開啟與發展奠定了基礎性貢獻。2025年5月，他以最年輕入選者身份躋身《麻省理工科技評論》“35歲以下科技創新35人”中國區名單，學術實力與創新潛力獲國際權威認可。 (安徽日報)

姚順雨到騰訊，終於得到官方確認。12月17日，騰訊升級大模型研發架構，一方面，新成立AI Infra部、AI Data部、資料計算平台部，全面強化大模型的研發體系與核心能力；另一方面宣佈，“Vinces Yao”，也就是前OpenAI明星研究員姚順雨，出任“CEO/總裁辦公室首席AI科學家”。他將直接向騰訊總裁劉熾平匯報，同時兼任AI Infra部、大語言模型部負責人，雙線向技術工程事業群總裁盧山匯報。這裡首先有三個資訊值得注意：第一，騰訊第一次有了總辦首席AI科學家的崗位。第二，這個崗位夠靠近騰訊權力中心。第三，在這個位置上的是一位AI界非常年輕的明星人物。這讓人想到字節和阿里先前的人員和組織調整動作，至此，三家中國網際網路巨頭在AI時代也集體把AI科學家「安插」到了自己的權力中心。阿里字節騰訊，都把AI拉向權力中心位置對巨頭來說，組織中心位置的調整併不容易。而三家頭部大廠，都想辦法把AI拉向了集團決策的核心位置。先看阿里。不久前，阿里雲CTO、通義實驗室負責人周靖人，正式晉陞為阿里巴巴合夥人。這是他個人的職業巔峰，也是阿里AI戰略演進的關鍵訊號。阿里合夥人團隊已做精簡，周靖人的入選，標誌著阿里首次將一位純技術背景的AI科學家，正式引入權力中心。早先，周靖人離開微軟，以阿里雲首席科學家身份加入阿里，後又擔任阿里雲CTO。 2023年，吳泳銘上台，兼任阿里雲董事長與CEO。同時，阿里明確「AI驅動」為集團一大戰略重心，達摩院內部部分AI團隊重組為通義實驗室，由周靖人掌舵。隨後周靖人帶領團隊，推進通義千問系列模型研發，並促成Qwen成為全球最受關注的開源模型之一，這是阿里拿到AI時代船票的關鍵動作。同時，阿里也在組織架構上把AI拉到了更核心的位置。從2025年8月起，阿里實質上終結了「1+6+N」的橫向分拆模式，重新收縮為四大部門，在集團層面更明確了「AI+雲」的重要地位。再看字節。2023年到2024年，字節跳動逐步確立了兩大核心AI組織，Seed與Flow。一個專注底層大模型研發，一個負責將大模型落地為具體產品。其中，Seed部門由原TikTok技術負責人朱文佳主導，並直接向CEO梁汝波匯報。而2025年初，原Google副總裁吳永輝加入Seed，同樣直接向梁汝波匯報。吳永輝在Google曾拿到Google Fellow頭銜，為Gemini做出了重要貢獻。他的加入進一步凸顯了字節對基礎研究的重視。之後，在2025年10月，Seed便完成新一輪架構調整，過渡期快速度過，吳永輝正式成為Seed的唯一負責人，直接向字節最核心管理者匯報，並對外強調Seed的首要目標是探索智能上限，專注長期研究。騰訊的調整則相對滯後。它先是2023年集中攻關底座大模型，隨後將AI產品線移向離商業更近的部門，推出元寶等C端產品。到了2025年，騰訊AI有更密集的調整，內部關係也逐漸清晰。2月，騰訊將原本散落在不同事業群的C端AI產品進行整合，形成了以CSIG核心的AI產品矩陣。 4月，混元研發團隊內部拆分為大語言模型部與多模態模型部，確立演算法研發的雙軌制。而眼下，騰訊新成立AI Infra部等組織，重新整理了AI大模型研發體系。姚順雨任職得到官宣，則讓騰訊終於也有了直通權力核心的AI科學家。把AI科學家放到CEO身邊，能帶來啥梁文鋒說，創新缺的肯定不是資本，而是缺乏信心，以及不知道怎麼組織高密度的人才，實現有效的創新。AI的競爭是頂尖人才和組織度的競爭。既需要合適的頂尖人才，還得把他們放到合適到位置，再匹配相應的組織調整，才能真正加速AI處理程序。字節阿里是如此，騰訊要做的是如此，Google也是如此。2023年，Google將曾開發出Transformer架構的AI實驗室Google Brain和開發出AlphaGo的Deep Mind合併，成立了全新的Google Deep Mind。 2025年初，又將Gemini App團隊和AI Studio開發者團隊也全部劃歸Deep Mind管理，實現了AI算力、人才和模型研發的集權，並由Demis Hassabis統一領導。同時，Hassabis和Google首席科學家Jeff Dean都直接向CEO匯報。 GoogleAI上的密整合果，離不開這種組織上的支撐。而這些巨頭最突出的共通性，就是把AI科學家放到了靠近權力中心的關鍵位置。總的來看，一個AI科學家走向舞台中央的時代正在來臨。這帶來許多好處。過去，AI部門在網際網路大廠往往是中台或實驗室性質，科學家向業務總裁匯報。如今AI科學家地位提升，意味著AI在內部的決策權升級。同時，當AI部門有了更大權力和更多資源，還可以藉助各自AI掌門人的技術直覺，讓錢更準確地投向技術前沿，提高花錢的效率。此外，AI科學家在企業內受到重視，還能帶來流量與聲譽。就像羅福莉加入小米，在發佈MiMo-V2-Flash大模型之前，已經提高了小米AI的外界關注和討論。而姚順雨在騰訊拿到超規格待遇，衍生的好處也只多不少。除了以上幾點，最明顯的是為業內招募背書。騰訊總辦們已經親自下場，來吸引最頂尖的AI人才。在姚之後，騰訊的求賢之路可以更順暢一點。而更實在的好處，是姚順雨專長與騰訊AI需求互補。作為AI大模型推理與智能體方向的頂尖青年學者，姚能幫騰訊補齊推理短板，加速Agent場景落地。而騰訊最有想像力的AI事業之一，就是給微信打造Agent。現在一個微信Super Agent，有機會更早亮相了。 （硅星人Pro）