姚順雨坐穩混元“一號位”，搶佔智能體時代話語權
騰訊正式結束雙軌制，姚順雨坐穩混元“一號位”。
7 月 23 日，騰訊宣佈混元多模態模型部門與大語言模型部門合併，成立基礎模型部，由騰訊首席 AI 科學家姚順雨統一管理，核心目標是提升模型研發協同效率，探索全模態模型的智能上限。
調整前，多模態模型部門負責人為 Linus，曾任職京東數科首席科學家、阿里巴巴通義實驗室應用視覺團隊負責人；調整後，姚順雨權責從大語言模型負責人，升級為統籌語言模型、多模態、強化學習、Agent 等全方向的基礎模型總負責人，混元正式進入資源整合的合力期。
至此，混元以大語言模型為核心，建構起覆蓋圖像、視訊、語音、3D 生成的完整模型矩陣，騰訊瞄準 AI 落地的戰略轉向也迎來全面提速。
騰訊變得激進了
毫無疑問，騰訊押注智能體的決心越發堅決了。
7 月 22 日，騰訊首個創意智能體 Miora 全量發佈，其作為國內首個多 Agent 協作驅動的多模態創意工作室，使用者只需提交一份需求，系統會調度不同的創意 Agent 和專業技能，完成圖片、視訊、3D、UI 等多模態創作。
值得一提的是，Miora 內建記憶系統可持續學習使用者的審美偏好、品牌規範和創作習慣，使用越久越貼合需求；再利用其開放的技能生態，使用者可將創作工作流沉澱為可復用、可分享的專屬技能，大幅降低重複工作成本。
據虎嗅瞭解，Miora 內測使用者中超半數並非專業設計師，市場營運、研發等崗位人員均可借助它完成宣傳圖、Demo 素材製作，恰恰印證了智能體的核心價值：降低專業創作工具的門檻，讓從業者回歸創意本身。
無獨有偶，7 月 20 日，《2026Q2 中國辦公智能體平台市場洞察報告》發佈，騰訊 WorkBuddy 在國內 PC 端 AI 原生辦公智能體市場，6 月單月訪問量突破 2000 萬，穩居市場第一，訪問量超過第二、第三名的總和。
WAIC 期間，WorkBuddy 已火速發佈獨立 APP，同步覆蓋 iOS、Android、鴻蒙系統，成為首個登陸鴻蒙的通用智能體應用，正式跳出騰訊生態成為獨立產品。
不止於軟體形態，WorkBuddy 還在發力拓展智能體的入口邊界：
聯合李未可推出 X-AI 記憶眼鏡，將 AI 入口延伸至可穿戴裝置，自動記錄工作場景資訊、形成工作記憶，解決傳統 AI“缺少上下文、只能完成單點任務”的短板；
- 推出“AI 航海家+”出海工具，疊加七國政策、法律、稅務語料，成為通用能力 + 垂直語料落地的典型樣本。
一套組合拳下來，騰訊所有佈局都指向同一個核心：讓智能體嵌入生產流程，轉化為實際生產力。
當然，智能體要規模化落地，離不開底層大模型的支撐。在行業普遍堆參數、拼跑分的氛圍裡，混元 Hy3 沒有走堆高參數的老路，背後考量在於：進入大規模商用階段，成本遠比峰值能力重要。對企業而言，不會為了 1% 的效果提升支付數倍的推理成本；對個人使用者而言，也不會因偶發的複雜任務，為日常使用的高算力持續付費。
目前，混元對內支撐騰訊全系產品的 AI 能力，對外通過騰訊雲開放 API，走的是典型的平台型路線：先夯實模型底座，再驅動上層智能體應用的規模化落地。
市場已經驗證了這條路線的合理性：Hy3 發佈一周即登頂 OpenRouter 全球大模型呼叫量總榜，開發者用實際呼叫量認可了它的性價比、穩定性與 API 體驗。
關於行業熱議的中美大模型技術差距，騰訊雲副總裁吳運聲表示：模型能力核心看兩個維度，一是智力上限，二是落地成本。“美國廠商主要發力提升智力上限，中國廠商則是在保證智力水平的前提下，主打高性價比，兩條路徑只是不同的市場選擇。就像開源與閉源也只是路徑差異，一年前中美模型差距還十分明顯；如今，中國開源模型的能力已經超過一年前美國的閉源模型。”
尤其，今年隨著 Token 價格持續下降，企業開始精細化核算 AI 投入的 ROI，Token 成本成為行業普遍關注的話題。吳運聲認為，現在行業已有成熟的降本路徑：
第一，模型分層呼叫，不同難度的任務匹配不同能力的模型，不需要所有任務都呼叫最高階的大模型。
- 第二，任務拆分處理，模糊推理任務交給智能體，確定性流程用工作流執行，減少不必要的 Token 消耗。
- 第三，規模效應攤薄，使用者量越大，單位成本越低，這和網際網路產品的成本邏輯完全一致。
與之對應，騰訊智能體的成本構成一目瞭然：核心是模型 Token 成本，疊加外掛、工具呼叫成本（如 OCR、文生視訊介面），最終費用完全與實際呼叫掛鉤。
至於外界關注的 B 端與 C 端商業邏輯差異，吳運聲判斷，兩者處於完全不同的周期，沒有簡單的優劣之分。“B 端的投入產出效果短期即可驗證，一筆投入能產生多少價值、是否盈利，都可以精準測算；C 端則遵循移動網際網路路徑，先通過免費或低門檻獲取使用者，再通過增值服務變現。”
最大瓶頸在存量系統
過去一年，企業級智能體始終停留在“試點多、規模化少”的階段，行業普遍將阻力歸因於模型能力不足、投入產出比不清晰。
吳運聲戳破了這個認知誤區：當下智能體落地的最大瓶頸，早已不是技術能力本身，而是企業存量系統的適配困境。
虎嗅溝通發現，2025 年企業級智能體還會被檢索精度、工作流複雜度掣肘；到 2026 年，Agent Loop（智能體自主感知-決策-執行的循環能力）大幅提升，絕大多數場景的技術可行性得到驗證，真正卡住落地進度的，是企業沉澱了十幾年甚至幾十年的老舊系統。
“很多系統沒有標準化介面，智能體無法直接呼叫，必須先做適配改造、補充介面，才能嵌入業務流。這既是產業歷史遺留問題，也是所有 To B AI 產品必須跨過的門檻。”吳運聲說道。
更深層的變化還在於系統設計範式的轉移。
過往企業軟體、ERP、CRM 核心設計邏輯都是“為人服務”，介面審美、互動習慣、操作邏輯適配人的習慣；智能體時代，系統需要同時“為 Agent 設計”，追求介面標準化、輸出結構化、呼叫自動化。
但這並不意味著老系統會被徹底推翻，吳運聲判斷：“絕大多數 SaaS 企業不會選擇推倒重來，歷史積累的業務資料與流程沉澱成本太高，行業主流方向是適配性迭代。”
有鑑於此，虎嗅認為，大多數企業的老系統會在一段時間內繼續承載核心資料與成熟流程，逐步衍生出 Agent 適配能力；與此同時，會出現中央 Agent，進行跨系統調度流程、完成複雜任務，成為企業系統的新“中控層”。
不過，與行業部分廠商只強調建構能力、評估標準不同，騰訊的思路是覆蓋智能體的全生命周期：從建構、評測、發佈，到嵌入現有系統、運行狀態可觀測、全流程審計日誌、權限管控，每個環節都納入智能體開發平台 ADP。
在吳運聲看來，智能體的權限管控（能訪問什麼、不能訪問什麼）、可審計性（每一步操作是誰做的、怎麼完成的）、安全性，和效果評估同等重要。尤其，金融、政務等強監管行業，沒有可觀測、可審計的能力，智能體根本無法進入生產環境。
為此，ADP 實現了智能體與工作流的雙向互調：模糊的、需要推理的任務交給智能體自主處理；確定性強的、標準化的流程交給工作流執行，避免反覆消耗 Token——這一設計直接回應了企業對 Token 成本的顧慮，是智能體落地的關鍵最佳化方向。
產品定位上，ADP 與 WorkBuddy 分工明確：WorkBuddy 是開箱即用的個人 / 團隊辦公效率工具；ADP 是雲端一體化企業級平台，面向財務、法務、客服、HR 等核心業務場景，建構完成的智能體可直接發佈，也能嵌入企業原有 CRM、OA 等系統。
吳運聲強調，企業選擇智能體產品，最在意的從來不是成本，而是可信、可控。
這恰恰是 ADP 雲端架構的核心優勢：統一管理所有智能體的運行、權限、日誌，工具憑證物理隔離，避免個人操作帶來的資料風險，所有流程可追溯、可審計。
規模化窗口已至
從行業落地進度來看，2026 年企業級智能體已經進入快速增長期。
據虎嗅瞭解，騰訊雲的企業級 Agent 客戶數、ADP 平台的智能體數量，同比增速均超 100%。核心驅動力在於，經過一年多的市場普及，企業已經普遍理解智能體的價值，客戶教育成本大幅下降。
不過，行業落地呈現明顯分化：資訊化基礎好、系統迭代快的行業，落地速度遙遙領先，比如泛網際網路、金融行業，本身資訊化成熟，能快速開放介面讓智能體呼叫；而資訊化系統陳舊、層層外包的傳統企業，落地進度明顯偏慢，甚至連系統負責人都對接混亂，改造難度極大。
基於此，落地場景也在從行銷、客服兩大傳統場景，向更多領域延伸。
比如巡檢場景，過去貨架巡檢需要單獨訓練模型、做資料後處理，現在用智能體搭建流程就能完成；再比如傳媒內容生產場景，ADP 在傳媒領域智能體開發平台賽道已做到市場第一，大量電視台用它搭建內容生成管線、媒體資源檢索系統，落地成效已經得到客戶認可。
至於 To B 領域定製化與規模化的矛盾，騰訊的解法是前端靠 FDE（現場交付工程師）對接客戶的定製化需求，做場景適配；後端將成熟的方案沉澱為標準化的智能體、技能和方法論，同類客戶可以直接復用，逐步實現規模化複製。
談及智能體與傳統 SaaS 的關係，吳運聲認為更多是協同而非替代博弈。“傳統 SaaS 會逐步適配智能體的呼叫需求，最佳化介面與系統設計；智能體則會連接更多 SaaS 系統，成為跨系統的調度層，兩者共同完成更複雜的業務工作，而非一方取代另一方。”
當然，整個商業鏈路的最終落點仍是 SkillHub 技能生態。目前，SkillHub 已沉澱 7.8 萬個 AI 技能，搭配 SkillPay 支付體系，打通技能分發、呼叫、支付全鏈路：開發者可上架自研技能並設定收費，使用者在智能體內可直接呼叫並完成支付。
這是典型的平台化思路，復刻了 App Store 的生態邏輯：智能體的核心價值來自豐富的技能，平台是技能的集散地，生態越豐富，對使用者和開發者的吸引力越強，最終形成正向循環。
順著這個邏輯，騰訊不追求自研所有技能，而是搭建基礎設施，靠生態繁榮實現平台價值指數級增長。畢竟，To B 市場無法靠一家公司全覆蓋，騰訊勢必要在 AI 時代再次將“半條命”交給生態夥伴。
基於此，騰訊提供底層的平台、模型、產品能力，夥伴提供行業經驗、客戶資源，雙方優勢互補，比騰訊自己逐個行業深耕效率要高得多。
縱觀騰訊的 AI 佈局，從底層到上層已經形成清晰的 AI 產品梯隊：
底層基礎設施：算力、記憶體、異構計算，支撐所有上層模型與應用；
- 模型層：混元大語言模型、多模態模型、具身智能系列模型，提供基礎能力；
- 平台層：ADP 企業級智能體開發平台、Tairos 具身智能平台，是連接模型與應用的中間層；
- 應用層：面向辦公的 WorkBuddy、面向程式碼的 CodeBuddy、面向企業知識庫的樂享、面向個人的 ima 與元寶，覆蓋不同場景需求。
這套體系的優勢在於，每層能力都得以補齊，每個場景都有對應產品，產品之間形成了完整聯動，而騰訊在合縱連橫時，悄然攥緊了智能體時代的話語權。 (虎嗅APP)