米配资刚刚，姚顺雨现身！公开回应腾讯AI落后了吗？

姚顺雨开讲了，现场爆满！

整个会场放眼望去全是「人人人人人」……

今年腾讯云AI产业应用大会的主题是「Agent进场，效能生长」，产业先行者、技术开发者与生态创新伙伴齐聚一堂。

当下AI正褪去概念热度，大步迈向实打实的产业落地，一众从业者也借着这场盛会，围绕行业落地、技术革新展开深度交流探讨。

当然了，大会的重磅——

腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生和腾讯首席AI科学家姚顺雨：关于腾讯AI下半场的深度对谈，已经帮大家梳理完毕：

腾讯慢了吗？

为什么会来腾讯？

现在做大模型没有什么秘密，我们做混元3，对Infra做了很多重建，对数据和Eval也做了很大改变。做大模型没有清晰的公式，是taste-driven的事情。

做模型和做产品，目标天然不一样，跨团队协作最大的障碍在于能不能建立信任、有没有换位思考的能力。我们派后训练最强的骨干力量，优先把元宝的后训练做扎实。维护好元宝的DAU，看上去是产品目标，但对做好模型本身同样重要。

关于下一代混元的研发重点，会以coding agent为基础能力底座，但有三点差异：1、强调体系的全面化，而非只堆coding数据；2、产品是关键，要把数据回流用好；3、要保留想象力，敢做不确定的探索。

性价比拆开是两件事——先看性能，再看成本，而真正的杠杆在于"用小模型把高价值任务做好"。如果一个小模型能比肩大模型的性能，那它带来的价值，在今天的中国，可能远大于大模型在长程任务上的边际改进。

AI上半场——比谁能训模型、刷榜单，已经落幕；下半场才刚开始，coding agent、多模态、具身智能都才刚发生。而下半场最重要的，不是跑得多快，而是能不能诚实地面对自己。

以下为整理后的访谈重点实录。

姚顺雨为什么选择腾讯

汤道生：顺雨，你加入腾讯之前，我记得问过你一些问题——为什么会选择来腾讯？以及你认为AI的下半场最重要的是什么？

姚顺雨：我想先解释一下什么叫"下半场"，因为最近我感觉这个词有点被滥用了。这个概念其实是我去年一篇博客里提出来的。意思是：在去年之前，AI已经发展了几十年，更重要的事情是怎么去解决问题、寻找好的方法；但最近很明显的一点是，方法论已经变得非常成熟，反而是"寻找问题"变得更困难了。

举个例子。过去我们做下围棋，会发明像AlphaGo这样的方法，但它可能只适合下围棋、下棋类；你为翻译做一个专门的模型，它可能也只能用来翻译，干不了别的。但有了预训练和后训练之后，我们好像有了一把"万能的锤子"，可以去砸任何钉子——它是一个通用的方法论，能解决各种各样的问题。反而更困难的，是怎么去寻找好的问题来解决。

所以加入腾讯很重要的一点就是：这里有很多好问题、很多很多产品，我觉得这一点接下来会变得越来越重要。

一方面，好的产品能解决第一个问题——我们做完预训练和后训练之后，到底要把它应用在什么地方、产生什么价值。

第二，环境非常重要。没有好的环境，agent就没办法做各种事情。比如你没有一个点外卖的工具，就没办法点外卖，很多事情都做不到。

但我觉得最重要的可能是context。无论是企业还是个人——就像我上次在活动上说的——context会越来越重要。因为模型越来越擅长把一个非常复杂的输入变成一个输出，很多时候你的竞争壁垒，恰恰来自你有没有那个最原始的输入：你知不知道这个人到底在干什么，知不知道这家企业的各种信息。在这一点上，腾讯有非常强的优势。

不过这只是第二大的原因。我觉得最重要的原因其实是文化。

我还记得第一次跟你、以及很多总办老板聊天时，第一印象就是大家都非常诚实——哪里做得好、哪里做得不好，都讲得非常直白，不会掩盖：我知道哪里做得好，也知道哪里不知道；知道这里该怎么做，也承认那里不知道该怎么做。这种坦诚是我的第一印象。

第二，腾讯总体是一家基于 trust（信任）、而不是基于 metrics（指标）去运转的公司，我觉得这一点对做 AI 非常重要。包括我们的文化里也有非常 low ego、非常"骚气"的一面。

这些文化，对于长期做一个 AI 组织都非常重要，也包括我们对长期主义的坚持。

所以，AI 下半场最重要的是什么？就我个人的目标而言，我觉得我们应该在中国建立一个长期的、基于 AGI 的组织。

我觉得今天的 AI 主要有三个部分。第一是foundation——怎么把预训练、后训练这种最基础的东西做得非常漂亮。第二是产品——怎么让这样的技术真正为人和社会产生价值。第三是frontier——怎么去探索新的研究范式、新的机会。最重要的，是构建一个非常均衡的、像三角形一样的组织。

对foundation来说，最重要的，第一是需要充足的资源，第二是需要正确的做事方式——这跟我刚说的文化那一点是吻合的。对产品来说，有好的产品 sense、有做产品的经验至关重要。第三是frontier，我觉得我们今天在中国做的探索可能还不够多，所以我也希望能把这种 frontier exploration（前沿探索）的精神更多地注入到组织里。

汤道生：你提到跟总办聊的过程中感受到的真诚、务实，这其实也是我常从客户交流中得到的反馈。我觉得我们做事的方式、做产品的理念，确实是比较实事求是的。毕竟 AI 这个赛道是一场长跑，有时候"认知"也很重要——哪些做得好、哪些做得不好，也得认。但关键是，这是一场多维度的竞赛：我们看到模型有很多进步，做产品也有越来越多的形态，不同场景有不同需求。我觉得未来还是非常可期的。

腾讯慢了吗？下半场是什么

汤道生：我想问一个大家讨论比较多的问题：很多自媒体都会提到，腾讯在 AI 上没有及时抓住一些机会。你觉得我们真的慢了吗？下半场到底是什么？能多说一下吗？

姚顺雨：感觉这应该是我问你的问题。我觉得今天我有两个重要的判断。

第一个判断：AI 是一个短期游戏，还是长期游戏？在硅谷蔓延着很多情绪——所有人都要失业了、AI 要取代所有人的工作，所以赶快赚两年钱然后退休。这是一种判断。

但我们的判断很显然是：这会是一个长期游戏，而且其实才刚刚开始，下半场才刚开始。我不认为 GPT 和 Claude 会是唯一的 super app，那会是一个非常灰暗的世界。我觉得一定会有源源不断的新机会诞生，今天可能就像 70 年代 PC 刚出现的时候，还有很多好事情要做。

第二个判断：它会是一个更单一、还是更多元的游戏？过去几年大家能看到的是 pre-training、post-training、RL、agent、coding agent，好像有一条非常清晰的主线，坦白说所有人都在做一样的事，这也是件很灰暗的事。未来到底会更单一还是更多元？

我个人觉得会更多元。coding agent 的生产力毫无疑问会越来越重要，而且它才刚刚开始，这个世界还有 trillions of dollars 的市场没被填满；但多模态、具身智能，还有很多很多新事情正在或刚刚发生。所以从这个角度看，如果我们认为下半场才刚开始，那可能确实不算晚。

当然，过去模型、产品做了很多探索，走了很多弯路，我觉得这很正常——没做过一件事，第一次做肯定会有曲折。但可能更重要的是：能不能诚实地面对自己，能不能 be real，能不能看到 feedback 然后去改变，能不能保持耐心。我觉得这些事情，在下半场会更加重要。

姚顺雨：你怎么看？

汤道生：大家对腾讯经常喜欢挑某一个点来批评，我们也欢迎大家提更高的要求。腾讯有非常多的业态、很多产品在很多赛道，同时很多团队在推进不同项目。在这样一个复杂的组织里，有些地方可能做得快了，有些地方做得慢了，有些地方可能在探索中失败。

所以这些提醒都非常好，确实有些地方我们可以做得更好。但就像你说的，这是一场长跑、一场马拉松。

腾讯有非常丰富的场景。就像你一开始提到的，选择腾讯是因为 AI 需要 context，模型需要很多上下文，而腾讯多年来在不同赛道、不同产品上的积累，都可以针对每一个场景为模型提供有用的信息、提供 context、发挥价值。

在这场长跑里，我相信模型会不断迭代，用户需求也在不断变化，还会有新的产品形态出现。比如今年初那一波（视频生成？）热潮我们反应也比较快；同时也有 Workbody 这样的智能体产品——其实是几年前就开始做的产品，沿着原来 coding 的积累慢慢看到很强的需求，我们也能比较快地去应对。

今天也听到很多客户对我们不同产品怎么组合起来有很高的期待。所以我们正在长跑中，也请各位多给我们提醒和建议，多用我们的产品，给我们正向的、constructive 的反馈。

模型与产品互相成就

姚顺雨：在一个多产品的体系化的地方，其实会有一个比较大的优势。比如我们用混元 3 可以让模型在元宝里产生很强的聊天和搜索能力，但这种能力又可以被迁移到 IM 或者 Workbody 这样的其他产品上。

这些产品能够提供不同的数据，而这些数据之间又可以相互泛化，形成一个像网络一样的体系。我觉得这一点的价值会越来越重要。

汤道生：对。其实在外部刷榜也算是一种数据吧，那我们内部做的跟外部的这种榜有什么区别？

姚顺雨：首先这些 benchmark 还是有它的价值的，不是说完全没价值，只是现在这些榜非常容易 saturate（饱和）。而基于真实世界的数据有几个帮助：

第一，你能发现模型的很多底线问题。我们想发一个 pre-preview 模型，最重要的目的之一就是希望获得真实世界的反馈，去修复各种榜单里没法发现的底线问题——这一点会在正式版上有非常大的改进。

第二，你对真实的 prompt distribution（提示词分布）会有更深的了解。举个例子，benchmark 上的题目往往非常精确，有很长的 concrete description，而且一般是单轮问题；但现实里大众问的问题通常比较模糊，可能就一两句话，然后不停追问。这些 setup 上的差异，就能启发我们怎么去更好地做训练。

第三，我们甚至可以从这些产品上获得灵感，去推进现在还没有的榜单、没有的领域。比如我们最近做了很多 coding 能力的工作，元宝给我们的启发就很有帮助。所以我觉得产品和模型的互相成就，是越来越重要的一个 AI 话题。

汤道生：对，我记得早期做元宝的时候还碰到过多轮遵循的问题。在产品里用户迭代 prompt 的方式，跟 benchmark 好像有蛮大的差异，真正在产品里所需要的能力，确实跟 benchmark 不太一样。你问了我这么多问题，我也问你一点。

做产品的第一性原理：不变的是为用户创造价值

姚顺雨：我记得第一次跟你聊的时候，你讲了很多过去的经历，从 QQ 空间、QQ 秀的时代，一直到我小学时候最喜欢的那个产品……

汤道生：你说的是"老灯"对吧？

姚顺雨：对，再到 QQ、到音乐、到语音，再到现在的元宝、IMA。跟你聊天很有意思，因为你做过各种各样的产品，To C 的也有、To B 的也有，远古时代的也有、AI 时代的也有。

我比较好奇的是，你觉得你做产品的第一性原理是什么？哪些经验或价值是不变的，哪些东西变了？

汤道生：我觉得做产品最终还是奔着"用户到底有什么需求、我怎么去解决他的痛点、怎么给用户或客户创造价值"。这一点在不同的时代、不同的行业都成立——产品能给用户带来价值，他才会买单、才会使用。

所以从 PC 互联网时代做空间，到移动时代做各种内容产品，再到云互联网做云，我们都要花很多时间去听客户的声音、帮他们解决问题，底层逻辑其实没有那么大的变化。

但 PC、移动互联网时代做产品，跟今天 AI 时代做产品，还是有蛮多不一样的地方。

首先从范式上看，在 AI 之前，我们做产品很多时候是通过"功能"来满足需求：作为服务提供方，你想清楚要提供什么能力，让用户通过界面、菜单去选，能力是预置好的，用户只能在里面点。

但 AI 时代那种开放式的服务形态就带来很不一样的要求——交互方式可能是自然语言、是语音，作为产品方你也不知道用户会问什么，所以要充分利用模型能力去理解用户需求，再通过大模型的逻辑推理、调用工具的能力，由产品给模型提供各种可用的工具，去应对这种开放式需求。这跟我们过去做产品很不一样。

还包括你刚提到的 specification（规格）。过去对产品细节功能有很清晰的描述，怎么设计、研发、测试，那套瀑布式流程也比较清晰。但做 AI 产品，我发现最大的变化是整个流程可能都要重新设计。

尤其是今年，大部分代码都由 AI 生成，工程师会花更多时间做设计、做架构，把写代码的工作交给 AI，再定期去指导、修正。

测试也要"左移"、更前置地去想清楚针对各种 case 的 eval（评估）——要有环境，要对开放式答案有要求，甚至包括 alignment（对齐），怎么对齐到用户所需要的那种风格。我感觉今天 AI 时代做产品，要求的能力其实更全面了。

混元 3 做了什么改变

汤道生：那我问一下混元 3。大家都在说混元 3 是你在腾讯的首秀，具体做了什么改变，能给大家介绍一下吗？

姚顺雨：其实没什么秘密。今天做大模型是一件比较"苦"的事情——我们应该把 infrastructure 做好、把数据做好，算法的部分反而是比较简单的。主要有几个点：

第一，我们对 infrastructure 进行了重建，无论是预训练还是强化学习。

第二，我们在数据和评估上做了很多大的改变：如何定义更真实的问题，如何丰富数据的 taxonomy（分类法），如何提高数据质量——这是一个永无止境的追求。

第三，我觉得很重要的是，很多决策其实没有清晰的公式。包括怎么招人、怎么设立模型的节奏，每天都有很多 decision 要考虑很多 tradeoff，可能更是一件由 taste（审美品味）驱动的事情。

如何看待 co-design：模型与产品的协同

姚顺雨：我挺好奇想问你一个问题。你刚刚跟我讨论 codesign 这个概念，我也很好奇你是怎么想的——你觉得哪些事情应该是模型做的，哪些应该是产品做的？

汤道生：我觉得 codesign 在不同阶段一直在变化，这种变化某种程度上是随着模型能力的升级而变化的，当然行业、市场、用户需求的变化也会带来模型和产品两边都需要更好去满足。给我比较深的一个感受是"怎么去对齐"。

我们一起做产品、做 alignment 的时候，有很多不同的角色：产品要针对某个方向解决问题，模型到底怎么满足这个需求？同时模型需要数据，数据应该怎么标注、标到什么颗粒度，什么是好的标注、什么是不好的标注（有些地方要奖励，有些地方要惩罚），还有评测——如果产品认为好的体验，评测并不认同，那大家做出来的东西就会不一致。

所以 codesign 给我的感受更多是：项目组里不同角色一起参与产品设计、定义产品的目标方向，让多个角色对一些开放式问题有比较好的对齐。如果没做到这种对齐，你会发现产品的行为不可预测、甚至有随机性，因为训练过程可能也被混淆了。这是我这两年跟模型团队做 codesign 一个比较深的感受。

姚顺雨：对。我觉得最难的一点就是要建立 trust（信任），而且同理心很重要。因为说到底，做模型的目标和做产品的目标，有很多 align 的部分，也有很多不 align 的部分——做模型的人希望能力越强越好，做产品的人希望用户需求满足得越好，天然有很多冲突。所以很重要的一点，是要有换位思考的能力。

其实你刚问我们是怎么一步步做到混元 3 的，有一个很重要的细节：我们当时派了后训练最强的骨干力量去帮元宝，先把基于 DeepSeek 的那一版后训练做好。

因为那时候我们自己的预训练还没 ready，但我们知道，维护好这样的产品和它的 DAU，对我们接下来做模型会变得非常重要，对长期合作也非常重要。当时很多算法同学不理解，我需要很努力地去解释。

但现在看，这些努力都 payoff（有回报）了——这个动作让产品方意识到，做模型的同学是真的在为产品着想。这对我们之后的合作、包括混元 3 在元宝上成功上线，都起了非常重要的作用。当然有很多技术部分可以探讨，但我觉得最难的部分反而是怎么建立信任、怎么换位思考。

汤道生：对，非常认同。

从 ReAct 到今天：几年前的预测兑现了吗

姚顺雨：换个话题。你是 ReAct 的提出者，博士研究也围绕语言智能体（Agent）展开。你几年前的一些观点，到今天兑现了吗？哪些兑现了？

姚顺雨：那天我还挺感叹的，因为我重新读了自己的博士论文，感觉回到了一个很"远古"的时代。我博士论文的题目叫《Language Agent: from next token prediction to digital automation》（语言智能体：从下一词预测到数字自动化）。

汤道生：那是哪一年？19 年？

姚顺雨： 19 年。

汤道生：七年前。

姚顺雨：那时候 literally 就是 GPT-2 的时代，它当时只能做 next token prediction，产生的一段话还不太连续、有很多毛刺，所以人们很难想象它有一天会成为改变世界的力量。

当时大家做的研究稍微有点想象力的，比如输入"中国的首都"，做 next token prediction 它会回答"北京"——能做到这点大家就已经很开心了，觉得这是个很有意思的基础。

我当时的想象力可能比较狂野：我觉得 GPT 是个非常优美的东西，吐出下一个 token 是一件极简又极其通用的事。

我觉得它有一天的潜力不仅在于吐出下一个 token，而在于把这个世界上所有的事情全部 automate（自动化）。

当然我当时想的可能还不够大，我想的是 digital automation（数字自动化），但现在看可能是 digital and physical automation（数字与物理自动化）。

我博士期间主要做两部分。第一部分是建立一套 agent 的方法论：如何把一个 next token prediction 的机器变成一个 agent、变成一台自动化的机器。最重要的一篇工作就是 ReAct。

我还记得 2022 年 7 月某天晚上，我第一次把当时的语言模型 API 和我自己手写的一个 Wikipedia API 接在一起，它第一次能基于网页回答问题、并且做多轮交互。那一刻就像微弱的灯丝突然亮起来一样。

据我所知，这可能是人类第一次把 LLM 和真正的互联网连在一起、并做多轮交互。我当时的感觉是：OK，这件事可能在五年或十年内会改变世界——但后来发生得比我想的还要快。

我记得当时就觉得，如果这件事能做成，那它显然会带来巨大的价值。当时想的可能是几百亿、上千亿，现在看可能是数万亿、数十万亿，我想的还是太小了。

另一部分工作是怎么去定义 digital automation 的任务。比如 WebShop 是第一个互联网 web agent 的 task，InterCode 是最早的 coding agent 任务。现在看，agent 技术最重要的两个部分，可能确实就是 web agent 和 coding agent。

那天我还在群里跟大家聊，我看我博士论文结尾在 2024 年写的 future work：第一是 train models for agent（为智能体训练模型），第二是 safe and robust deployment（安全且稳健的部署），第三是 scientific discovery（科学发现），第四是怎么去 help human（帮助人类）。

我挺感叹的——我现在很幸运，确实在做当时列的这些 future direction。

汤道生：你的 prediction 太厉害了，能看到整个行业都在往这些方向推进。

姚顺雨：可能想的还是不够大。我当时已经觉得自己想得够大了，但可能还是不够——技术的发展往往超乎我们的预期。

下一代模型的研发侧重：coding、体系化、产品回流与想象力

汤道生：我再转一点。今天大家都说智能体需要消耗很多 token，那对混元做下一代模型的研发，你觉得侧重点是什么？哪些地方比较重要？

姚顺雨：我觉得毫无疑问，今天的 agent、或者说 coding agent，就有点像预训练一样，是一件不得不做的事，是最基础的能力。

我个人觉得 coding 非常本质，原因很多，但还有一个很重要的原因：它有点像图灵完备——当你能控制自己的 file system、有一个 container 的时候，你其实就是一个 complete 的 system。

今天 agent 毫无疑问是每一家模型发力的重点，而我们做的方法可能有几个区别：

第一，即使今天 coding 是最重要的事，我们还是会强调"体系的全面化"。我始终认为，真正要把 coding 做好，需要的远不止 coding 的数据，你还需要聊天、instruction following（指令遵循）、推理等各种各样的能力——因为大模型最重要的一点是泛化性。

第二，产品的作用越来越重要。如何利用好线上的数据回流，是每一个模型厂商都在思考和应对的问题，这里我们前面说的很多 codesign 经验会变得非常重要。

第三，还是需要更多想象力。无论是技术的演进、产品的演进，还是下一个范式的演进，我们都还需要做一些探索性的、甚至带不确定性的工作。

性价比的本质：性能优先，成本其次，小模型做大事

汤道生：对，从产品侧看，大家越来越多有"token 焦虑"的声音，token 成本在持续增长。我也听到很多客户、甚至身边的同事，都在紧盯积分或 token 的消耗。

那怎么能让模型在解决某个问题、完成某个任务时 token 效率最高？我之前做过一些任务，模型可能会尝试不同方向，有些方向其实明知道走不下去，但它还是会试，试完才知道走不通再换下一个。这里面有什么可以 optimize 的地方，让 token 使用效率更高？

姚顺雨：今天在中国大家讨论性价比，可能更多在讨论模型架构，但它其实是个很复杂的体系。我觉得最重要的首先是 performance（性能）。很多人跟我说，他们最后发现用 Opus 这样的模型，反而比用更差的模型更省钱——因为更快就把事情做对了，也省了人的精力。所以性能其实才是性价比最关键的事情。

尤其是今年，很多简单任务的 robustness（稳定性）会变得更重要：如何一次就把相对简单的任务做对，这可能是性价比更关键的部分，而不仅仅是模型架构。

第二部分是成本，成本本身就是性价比的一部分。我觉得第一是"性"——性能不好，性价比就无从谈起；第二才是成本。在成本上，中国其实是领先于世界的，我们做了大量工作去优化成本。

但我觉得成本这件事最重要的，可能是"怎么用一个更小的模型，把更高价值的任务做好"。这里有很多事要做，包括架构创新、长文本管理、压缩等等。

但我个人的看法是：如果我们能做一个相对较小的模型，它的性能却能比肩甚至超过大模型，而且能在大部分任务上做到很强的 robustness——这可能比在很多非常长程、很 fancy 的任务上实现一两个点的提升，在今天的中国更有价值。

agent 的产品机会与瓶颈

姚顺雨：我也挺好奇，Dowson（汤道生），你是什么时候意识到 agent 是一个新的产品机会的？你现在的认知是什么？你觉得我们现在离一个好用的 agent，瓶颈在哪里？

汤道生：我们针对不同场景做的 agent，其实有不同的产品形态。在 agent 的设计上，很大程度是尽量去发挥好模型的能力。模型能力越强，应用需要做的工作可能越少。

过去这段时间我看到我们好几个产品，随着模型能力增强，反而把 agent 做得更简化了——更多是给模型提供更多不同的工具、创造更多 skills，让模型更高效地完成任务；同时提供更多"记忆"，把用户过去的使用习惯、能提取出的 preference 信息，作为上下文 feed 给模型。

在 coding 环境里给模型相关的 context，在 Workbody 这种办公协作、PPT 场景里，需要关注和给到模型的 context 又不一样。所以做不同的 agent，更重要的还是了解那个场景下什么内容、什么信息是重要且 relevant 的，能跟模型配合好，让模型既有它需要的信息，又能发挥它的能力。

agent 时代的研发与组织变革

姚顺雨：最近我们确实推出了像 Workbody 这样口碑很不错的产品，背后是很多小团队在快速迭代。我挺好奇，相对于传统的产品研发，你觉得在 agent 时代，产品团队的研发和组织管理发生了什么变化？

汤道生：前一阵子我去 Workbody 团队做了一次组织走访，看到他们非常扁平化的组织，跟我们过去其他产品的组织架构有很大差异——更多是三五个人的小团队，围绕某一个领域去做攻关，而且有很多实验。所以要支持好底层的 AI Infra 去做实验，让这些小分队能去探索、再验证。

因为大部分实验可能拿不到正向反馈，我们也要包容团队去试错，通过大量实验提炼出对用户流程、对我们想要的结果有正向帮助的东西。这是今天做 agent、做原生 AI 产品，组织形态要能比较好支撑的地方。

另外，原来很多工程师花大量时间在写代码上，今天这些工作毫无疑问可以交给 AI 了，所以我们会看到更多角色的融合：大家可能都是产品经理，都要透彻了解用户需求、设计出想要的产品形态；

每个工程师更像一个有想法的 leader，驱动多个 coding agent 去针对产品需求做研发。同时也要像我说的把评测前置，用好 AI 的能力，把质量保证、alignment 的工作做到前面来。

以上是小编整理的访谈重点传达，干货实在是太密集（orz）……

— 欢迎AI产品从业者共建 —

📚「AI产品知识库」是量子位智库基于长期产品库追踪和用户行为数据推出的飞书知识库，旨在成为AI行业从业者、投资者、研究者的核心信息枢纽与决策支持平台。