Anthropic的30万亿美元TAM争议 - Anthropic向投资者宣称其总潜在市场（TAM）将超过30万亿美元，高于SpaceX上市时估算的28.5万亿美元[1] - 30万亿美元相当于标普1500指数中191家科技公司去年合计营收约2.4万亿美元的12倍以上[1] - 市场对此质疑，一位投资机构分析师直言该数字“高到难以理解”[3] - 30万亿美元只描述了AI可能影响的任务价值，从理论能力到Anthropic收入需经历模型能力、企业采用、市场份额、价值分配等多层打折[3] - 预计Anthropic 2028年收入可能达到1900亿至2000亿美元，以中值1950亿美元计算，仅相当于30万亿美元的约0.65%[4] - Anthropic现实优势主要来自企业市场，尤其是Claude Code切入的编程场景，AI效率提升更易量化[4] - 若仍按Token和API调用收费，Claude卖的仍是算力，市场规模取决于企业愿为AI花多少钱[4] - 只有当模型按任务或结果计费，AI才不再是技术开支，进入更大规模市场[5] - Anthropic预计最快于今年10月上市，目标估值2万亿至3万亿美元，有望超越SpaceX的1.77万亿美元纪录[3] - 公司已于今年6月向SEC秘密提交S-1，计划劳工节后公开招股书，争取最快9月底或10月初登陆美股[5] 中国AI的估值逻辑与市场路径 - 中国AI市场更看重已落地的场景和项目，而非工作替代的想象空间[7] - 中国大模型形成开源、低价竞争路线，IDC预计2026年中国MaaS市场Token调用量达4万万亿次，对应收入约186亿元[7] - 超过60%的中国头部企业已将生成式AI接入核心业务流程[7] - Hugging Face报告显示，过去一年中国模型占该平台下载量的41%，在月度和累计下载量上均超过美国[7] - 8月26日，阿里通义千问与智谱同日发布Qwen3.8-Flash和GLM-5.3-Flash，均开源权重，主打低成本、原生多模态和智能体能力[7] - 瑞银集团7月20日报告指出，以低成本为优势的中国AI，长远有利于获得全球市场份额[7] - 智谱商业逻辑公式为“AGI商业价值=智能上界×Token消耗规模”，模型能力决定定价权，Token消耗反映使用需求[7] - 2025年智谱收入为7.24亿元，同比增长131.9%，其中开放平台及API收入同比增长292.6%至1.90亿元，企业级智能体收入增长248.8%至1.66亿元[8] - MiniMax 2026年上半年收入同比增长283.1%至1.166亿美元，开放平台和企业AI服务收入7390万美元，占总收入63.4%[8] - 企业客户带来的高客单价、持续调用和稳定付费预期，正成为模型公司估值的重要支撑[8] 互联网巨头的AI赋能路径 - 对拥有云业务和用户入口的互联网巨头，开源和低价可成为扩大生态的工具，收入来自办公、广告、电商等既有业务[8] - 腾讯未单独披露AI业务收入，而是展示AI如何进入广告、云服务和既有产品[8] - 2026年二季度，腾讯营业收入达2047.85亿元，同比增长11%，Non-IFRS经营利润为756.36亿元，同比增长9%[8] - 剔除混元、元宝、CodeBuddy、WorkBuddy和微信“小微”等新AI产品影响，腾讯经营利润为861亿元，同比增长19%[9] - AI推动腾讯既有业务增长，二季度营销服务收入同比增长22%，得益于AI广告推荐模型和智能投放产品升级[9] 中国AI的产业场景角力 - 2026年5月，国家网信办、发改委、工信部联合印发《智能体规范应用与创新发展实施意见》，明确19个典型应用场景，覆盖智能制造、能源、交通、金融和政务等领域[11] - 上述行业拥有大量专有数据、复杂流程和安全合规要求，为智能体嵌入真实工作流提供商业化场景[11] - 腾讯云副总裁吴运声表示，今年企业级智能体需求同比“至少翻倍增长”，落地核心难点在于对接企业已有数据和工作流程[11] - 创新奇智高管称企业级AI是“长坡厚雪”的市场，需厂商深入理解垂直行业，持续积累行业数据、应用场景和最佳实践[11] - 企业AI落地能力体系包括基础模型、智能体平台、行业本体、智能体驾驭工程及FDE等新岗位[11] 中国AI公司的估值体系分化 - 基础模型创业公司估值核心是Token调用规模、毛利率和客户续费率[12] - 互联网平台估值核心是AI能否赋能既有生态成长[12] - 垂直AI企业估值核心是AI能力能否落地场景、进入流程并推进商业化变现[12]

核心观点 - 腾讯在AI领域的策略是“熬得久，比起得早更重要”，将AI竞赛视为马拉松，而非短跑，强调长期投入与穿越周期的能力[3][6] - AI应用不止于大模型本身，算法与工程能力并重，场景是腾讯做AI最厚的底牌[7][8] - 创新不可规划，但能力可以积累，AI原生应用需基于场景痛点自由探索并快速迭代[11][16] - 企业Agent应用分为个人Agent与服务Agent，两者并存互补，构成完整架构[18][22] - 需用AI原生的方式重构组织力，推动产品、研发与组织的协同变革[23] - 坚持长期主义与以人为本两个“不变”，技术服务于解决真实问题[29][30][33] 关于AI战略与市场节奏 - 外部声音普遍认为腾讯做AI慢了，但公司判断起得早不是最关键，AI下半场才刚开始，市场格局与商业模式未定型[4][5] - 混元大模型经历多次重构，Hy3架构化繁为简，注重数据质量，在同等参数模型中效果突出，但公司整体算力严重不足拖慢了训练与产品发展[5] - 回顾移动设备历史，苹果也经历了十多年探索才抓住市场，起得早的品牌如诺基亚、摩托罗拉等最终掉队，重要的是坚定长期投入[6] - 大模型竞赛像马拉松，现在可能才跑完头一公里，熬得久才有机会抓住持续出现的新机遇[6] 关于AI应用与场景 - 对腾讯这样的平台公司，必须确保大模型投入并紧跟前沿基础技术研究，但眼睛不能只盯着模型层[8] - 腾讯拥有大量to C和to B产品，连接真实用户与场景，如腾讯会议用大模型生成会议纪要，腾讯乐享做企业知识助手[8] - 混元已支持公司内部数百个应用，各产品团队打造的智能体在快速增加，场景是腾讯做AI最厚的底牌[8] - 很多产品会接入多个大模型，针对不同模型能力与价格分类任务，选择性价比高的模型[9] - AI应用落地是算法与工程的结合，算法决定天花板，工程能力决定多快触达它，从数据整理到场景落地都需要AI Infra工程加持[9] - 模型能干活、能规划、能调用工具、能验证结果，企业更愿意为此买单，但企业对AI应用有更多要求，包括数据安全、权限管理、成本管理与系统打通[10] - 丰富的企业应用生态（通过skills与MCP接入大模型智能体）可能是长期的护城河[10] 关于产品创新与能力积累（CodeBuddy/WorkBuddy案例） - CodeBuddy/WorkBuddy团队并非提前预料到办公智能体机遇，而是基于长期积累逐步发展而来[12] - 腾讯云早期收购coding.net做代码托管与DevOps，后增加Web IDE与代码沙箱技术，这些产品曾长期亏损，在降本增效时差点被砍掉，但幸好保留[12] - 2021年微软发布GitHub Copilot后，腾讯云DevTools团队开始研究AI写代码，构建了Coding Agent早期的代码模型与Harness[13] - 2024年推出CodeBuddy，通过私有化部署获得项目收入，让团队继续探索[13] - 到2025年底，Claude Opus 4.5发布后，大模型能长时间执行编程任务，司内AI生成代码比例快速攀升，tokens消耗爆发式增长[13] - 2026年初，基于CodeBuddy底座打造出WorkBuddy，面向非技术研发人员，处理产品经理写方案、运营做数据报告、管理者处理邮件等任务[14] - WorkBuddy上线后获得市场关注，接住逐步衰减的龙虾热，团队以原生AI工作方式疯狂迭代，三个月迭代四十多个版本[15] - 产品迭代方式改变：先让AI做出来，人围着一个能跑的原型看效果、提意见、再调整，代码基本由AI生成，人转向做判断、调试和把关[15] - 过去要花几个小时的工作（如清洗数据、做经营分析、起草文书），现在只需20分钟左右就能打磨出像样初稿[16] - 元宝的探索也在积累做大模型产品的经验与能力，包括实验平台、评测体系和反馈闭环[16] - 元宝在巨大用户增长压力下曾花较多精力做推广与引流，当时模型与产品未ready，效果不满意，但现在公司AI战略清晰，元宝团队可更有节奏打磨产品[17] - 元宝与混元Hy3的Co-Design加持下，搜索体验持续改善，留存率不断提升，单位运营成本持续下降[17] 关于个人Agent与服务Agent - WorkBuddy扮演“个人助手”角色，站在用户侧，理解用户意图，高效创造或完成任务[19] - 企业中有大量持续在线的服务场景，如智能客服、售前产品知识库、人力资源咨询等，需连接CRM、知识库、工单、OA、ERP等系统，对信息准确性、时效性、数据权限、流程约束等有严格要求[19] - 服务Agent遵循服务提供者与管理者的意图，对数据输出承担责任，避免滥用，可被个人Agent调用[20] - 腾讯内部有技术团队基于tRPC或langchain等开源框架搭建场景化服务Agent，支持在Knot（腾讯内部Agent平台）上被调用的skills[20] - 对大多数传统企业，用开源组件拼装智能体工作量不小，腾讯云智能体开发平台ADP提供开箱即用配置，让客户快速打造稳定、安全、可扩展、可运维的服务Agent[21] - ADP提供工作流编排、RAG、工具调用、调试评测、安全治理和系统集成等能力，可通过OpenAPI体系嵌入客户已有系统[21] - 个人Agent和服务Agent并存互补，如WorkBuddy做客户分析报告时，可调用服务Agent获取客户数据、产品知识等，由服务Agent核实身份、把关数据权限[22] 关于组织力重构 - AI在改变做产品方式的同时，也在重塑传统组织形态和产品研发模式[24] - 过去产品研发是长流水线：产品经理写需求、设计师做交互、工程师写代码、前后端联调、测试跑用例、运维部署，流程一环扣一环，沟通成本高[24] - 有了大模型，产品经理可更早搞原型验证想法，开发能用AI直接生成前后端代码和测试用例，简单功能产品经理就能vibe code完成[25] - 同样事情只需更少人完成，研发时间大大缩短，大团队流水线变得臃肿低效，AI原生组织里跨界是常态，小团队办大事[25] - 模型和产品的深度协同（Co-Design）非常重要，否则易造成灵魂与肉体分离，产品为模型展示用户需求分布，提供提升模型能力的宝贵数据[26] - 混元团队与元宝、WorkBuddy团队的Co-Design，让模型架构和产品体验在同一过程中共创迭代[26] - 推动企业微信、腾讯文档、ima、腾讯会议、iwiki等产品与WorkBuddy打通，实现一站式文档处理、知识管理、会议总结、协作办公和人机共创[26] - AI原生是从产品设计、研发协作到团队组织都要用新方式重新思考，团队要更扁平，目标提前对齐，评测指标清晰，实验与试错成为研发流程一部分[27] 关于长期主义与以人为本 - 第一个不变是长期主义，AI马拉松才刚起步，真正决定终局的是谁能穿越周期、持续把耐心和资源押在长期价值上[31][32] - 第二个不变是以人为本，技术只是手段，人才是目的，做AI是为了用技术解决真实问题[33] - 北京密云一位基层干部用WorkBuddy开发防汛小程序，打通地灾预警、雨情、群众转移等信息，过去几十人通宵电话核对的工作，现在一人一小时完成16个乡镇预警下发和转移统计[33] - AI不是替代人，而是帮助人把繁琐、重复、低效但重要的事情做得更好，当抱着纯粹以人为本的心态做产品时，产品口碑和商业回报自然水到渠成[33] - 技术越是变化，越要回到商业最朴素的底层逻辑：持续为用户创造价值，把能力做厚，把产品做实，把场景吃透[35] - 真正能make a difference的，不是最勤快抓风口的人，而是了解自己优劣势、把精力聚焦在喜欢的事与可改变的地方、低谷期仍坚定投入的长跑手[35]