作者 | 山竹
出品 | 锌产业
一个更聪明的模型出现，用户就会换掉原来的AI吗？
在2026未来科学大奖周的一场圆桌讨论中，张亚勤把这个问题抛给了姚顺雨。对模型公司而言，这也是一道绕不开的商业题：花费大量资源换来的能力领先，究竟能沉淀多少长期价值？
姚顺雨将护城河更多地指向产品层，强调数据、上下文与信任的作用。他用微信场景举例：即使另一个模型更聪明，如果它不了解用户，也未必能提供同样的服务。
这场交流值得展开的地方，正在于它把模型竞争与产品竞争放在了一起。模型能力决定AI能做什么，产品则要回答另一个问题：用户为什么持续把事情交给它？
01 模型可以换，用户为什么留下？按照张亚勤的设问，开发者能够更换模型供应商，也能组合使用不同Agent，那么，模型公司如何建立持久的用户依赖？
把这道题放进日常使用中，会更容易理解，一个用户可以让不同AI解释同一个概念，也可以比较它们写出的文案。只要任务相对独立，切换产品就不需要太多准备。
但如果任务变成安排一周工作，情况便不同了。
假设一个AI已经知道哪些会议不能挪、某位合作方偏好怎样的沟通方式、某项工作上次卡在哪里，它就有机会减少用户反复交代背景的时间。另一个AI即使推理能力更强，也需要先补上这些信息。
这正是上下文可能产生商业价值的地方：用户每次使用，都有机会让产品更贴近自己的工作方式。竞争者要复制的，除了功能，还包括这段持续形成的理解。
不过，数据多并不自动等于更懂用户。过时的记录、错误的记忆、不相关的信息，都可能让AI做出更差的判断。产品需要知道什么时候调用什么信息，也要允许用户纠正它。
姚顺雨的微信例子，也应放在这一逻辑下理解，它说明熟悉用户的产品可能拥有优势，并不能据此推断微信已经允许AI全面读取日程、联系人或聊天记录。
对于腾讯这样的公司，既有产品提供了接近用户需求的机会，但机会能否变成壁垒，仍要看用户愿不愿意授权、信息能否被准确使用，以及服务是否足够可靠。
这里便进入了姚顺雨提出的另一个关键词：信任。
让AI推荐一份行程，与让它代表自己修改预订，是两种不同的使用关系，后者需要用户相信，AI理解了要求，知道行动边界，并且能在出错时及时停下来。
从产品设计看，信任需要落实到具体体验：哪些信息被记住，哪些操作需要确认，执行进度是否可见，错误能否补救，它很难靠一次演示建立，却可能因为一次越权操作而受损。
因此，产品壁垒的判断也不能被读成模型能力不再重要。
如果AI频繁理解错误、无法完成关键步骤，再丰富的上下文也难以留住用户，更合理的理解是，能力提升要通过产品，才能转化为用户愿意持续购买和使用的服务。
02 如果混元登顶，还会开源吗？当讨论从用户转向开发者，另一个问题随之出现：模型公司愿意开放到什么程度？
大会现场就有人提出，如果混元未来成为全球最领先的模型，是否还会坚持开源？
姚顺雨没有直接作出承诺，而是讨论了扩大使用、推动社区进步与安全之间的权衡。
这个假设抓住了开源策略中的一个现实问题：公司所处的位置变了，开放的收益与代价会不会跟着变化？
对于开发者，开放模型意味着更多的部署、调整与研究空间，对于提供模型的公司，开放则可能帮助它进入更多项目，获得反馈，并吸引围绕模型构建工具的人。
这些投入有机会形成生态，但生态不会仅靠一次发布自然长出来，开发者还需要稳定的更新、清晰的使用条件、容易上手的工具，以及遇到问题时可以依赖的支持。
从这个角度看，开源与产品壁垒并不矛盾。模型可以被广泛使用，公司仍可以围绕部署、服务和行业应用创造价值。关键在于，用户为什么选择由它来提供这些服务。
安全则让开放决策变得更复杂，主办方回顾也将开源与闭源背后的安全权衡，列为本场圆桌的议题之一。
模型一旦能够推动更长的任务流程，评估对象就不能只停留在回答是否准确，产品还需要考虑它接触什么资源、拥有多大权限，以及能否在异常情况下中止行动。
这意味着，开放策略需要落实到不同层次：开放什么能力，以什么方式提供，配套哪些评估与使用边界。简单用开源或闭源给公司贴标签，很难解释这些差别。
姚顺雨没有回答“登顶之后是否继续开源”，也留下了一个值得观察的空间：当能力、生态和风险不断变化，模型公司的开放策略是否同样会调整。
但这段交流本身，还不足以成为腾讯未来路线的确定答案。
03 Agent开始自己造工具如果前两个问题讨论的是AI公司如何建立优势，姚顺雨在同场演讲中提出的方向，则把话题推进到了能力如何继续增长。
据悉，他将AI for Science的演进梳理为三个阶段：针对特定问题开发专用模型，使用通用语言智能体解决单个科学问题，再到智能体自主构建工具与模型，处理一类科学问题。
其中最值得关注的变化，是AI开始参与工具本身的构建。
用一个简化的科研场景理解：研究者可以调用已有程序分析一批数据；如果现成工具不适用，就需要编写程序、调整方法，再检验结果。能够参与后面这些步骤的Agent，其价值便有机会超出一次问答。
但“造出工具”与“造出可用的工具”之间，还隔着验证。
一个程序能够运行，不代表它采用的方法正确，一个结果看上去合理，也不代表它能重复获得。尤其在科研场景中，工具必须接受数据、实验和专业判断的检验。
清华大学教授兰艳艳提出的AI原生实验室思路，便强调专用模型、自主决策与实验反馈之间的配合。这也提示了AI科研落地的一项要求：模型提出的方案，需要回到实验中接受检验。
沿着这条路径继续分析，AI公司的壁垒可能包含更多具体积累：能否接入高质量数据，是否有稳定的实验接口，怎样处理失败，以及哪些经过验证的方法可以在后续任务中复用。
这些积累与用户上下文有一个共同点：都需要在持续使用中形成，而且价值取决于是否真正改善结果。
它们也有不同的门槛。个人助手需要理解用户并获得授权，科研Agent则必须面对专业验证、实验条件与研究责任，不能把一种场景中的成功，直接外推到另一种场景。
回到张亚勤最初的追问，模型领先当然有价值。但如果要解释用户为什么留下，还需要继续追问：这个AI掌握了什么有用的信息，完成过哪些可靠的工作，又凭什么获得下一次行动的授权？
对模型公司而言，护城河需要在这些反复发生的使用中，一点点得到证明。
