腾讯AI十年：在论文与产品间走钢丝

2016年，腾讯副总裁姚星飞了三趟英国，不是谈投资，是“以棋会友”——对手是还未公开的AlphaGo。靠着香港资本圈的牵线，腾讯抢先摸到了AI时代的门把手。回国后，姚星带着深度学习框架建起了腾讯AI Lab，给这个刚起步的团队定下目标：“学术有影响，工业有产出”。没人料到，这两句话会在接下来十年里，像两股拉扯的力量，把这个顶尖实验室推上了一条在理想与现实间摇摆的钢丝。

从“论文优先”到“产研倒挂”的摇摆

你可以把早期的腾讯AI Lab想象成一所“企业里的大学”：机器学习专家张潼带着团队泡在顶会论文里，围棋AI“绝艺”在国际赛场拿奖，却没变成能赚钱的产品；团队里的科学家像高校教授一样做理论推导，甚至有个拥有美国终身教职的负责人，因为“研究方法太像学术圈”最终离开。

这背后是“学术有影响，工业有产出”的天然矛盾：学术需要慢下来试错，工业要快起来落地。腾讯给了AI Lab五年“免考核期”，但当张潼的团队把大部分精力放在开源数据集和论文上时，姚星的焦虑开始显现——公司需要的是能给微信、QQ赋能的AI，不是放在实验室里的奖杯。

2019年，张潼离职后，AI Lab的口号悄悄换了顺序：“工业有产出，学术有影响”。新负责人张正友干脆成立了产研中心，把AI技术像拆乐高一样拆成标准化模块——比如把语音识别、合成封装成API，让业务团队像点外卖一样直接调用。这就是PaaS化：把复杂技术变成“即插即用”的工具，本质是降低AI落地的门槛，让技术能快速渗透到更多产品里。

两个实验室的“论文战争”与人才困局

腾讯内部的AI战场不止AI Lab一个。比它早四年成立的优图实验室，一开始就盯着产品落地——人脸识别技术早早就用在了支付、安防里。但当AI Lab在CVPR顶会一年发6篇论文时，优图立刻加码，第二年就拿出了12篇的成绩。

这场“论文战争”像一面镜子，照出了中国AI界的集体焦虑：论文数量是最容易量化的“学术影响力”，但当两个实验室为了顶会论文名额较劲时，真正的问题被掩盖了——优图的双领导制让学术和业务目标分裂，首席科学家贾佳亚因为“论文不如AI Lab”的质疑最终离职；AI Lab的刘威带着视觉团队拿了无数论文，最后也转去了业务部门。

更核心的困境是人才：学术型科学家嫌企业太功利，工程型工程师嫌研究不落地。腾讯AI Lab早期招的博士大多去了学术中心，研究生去产研中心，后来产研中心资源越来越多，连博士都开始往那边跑——毕竟能做出被亿级用户用的产品，比发一篇顶会论文更有成就感，但这也让原本的学术团队慢慢失去了活力。

中国AI的“腾讯式”难题

腾讯AI Lab的十年，其实是中国AI产业的一个缩影：我们能快速跟上国际顶会的论文节奏，能把AI技术用到外卖、支付、短视频这些场景里，但真正的基础创新——比如像AlphaGo那样的底层算法突破——却少之又少。

和美国不同，中国的AI创新从一开始就带着“应用优先”的基因：百度的AI最早服务搜索，阿里的AI盯着电商，腾讯的AI要给微信、游戏赋能。这种“产业倒逼技术”的模式让我们的AI应用走在世界前面，但也让基础研究成了“奢侈品”。腾讯AI Lab后来被并入大模型团队，本质就是公司要把所有AI力量集中到能快速落地的业务上。

更现实的是，当美国卡芯片脖子时，我们才发现：AI的底层算力、核心算法，还有能做基础研究的顶尖人才，都是我们的短板。腾讯靠业务场景养出了强大的应用AI能力，但要在大模型时代真正追上国际水平，光靠“产研结合”还不够，得有人愿意坐十年冷板凳，做那些暂时看不到商业价值的研究。

2026年的今天，腾讯的混元大模型已经嵌入了180多个产品，但很少有人再提起当年那个下赢世界冠军的“绝艺”。AI Lab的故事像一个隐喻：中国AI在应用的赛道上跑太快了，偶尔需要停下来看看，我们是不是把“学术有影响”那句，落在了后面。

快落地，慢扎根，才是AI的长期答案。 毕竟，能让AI真正改变世界的，从来不是今天能赚多少钱，而是十年后我们能解决什么问题。