聊聊中國版MUSE:螞蟻靈光2.0,支付寶,超級App的生態優勢與挑戰|對話螞蟻靈光CTO 【101影片播客】
聊聊中國版MUSE:螞蟻靈光2.0,支付寶,超級App的生態優勢與挑戰|對話螞蟻靈光CTO 【101影片播客】
螞蟻靈光CTO林懌說明靈光2.0從工具轉向目標完成的個人助理,其成敗取決於信任、生態利益與商業化三道門檻。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
Podcast 專家音訊節目
收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情
螞蟻靈光 CTO 莫林劍(花名林懿)認為,個人 AI 助理的競爭勝負不在模型最強,而在能否取得使用者信任、接入足夠多的真實服務,並持續創造可衡量的增量價值。他剛發布靈光 2.0,把產品重心從「一句話生成閃應用」轉向「替使用者完成跨時間週期的目標」。這集訪談大部分時間談的是這件事:靈光 1.0 留存不如 chatbot 的反思、Agent 的高頻場景在哪裡、以及為什麼廣告模式可能與個人助理不相容。標題點出的「中國版 Muse 生態優勢」只佔對話的一小部分,主要在談支付寶帳單分析與亞馬遜封鎖 Muse 的動機時出現。
主持人陳茜來自《矽谷101》。莫林劍以螞蟻集團內部產品負責人的身分,提供了矽谷同類產品(Meta 的 Muse、Instinct、Grok Bot)在中國市場的對照視角,也罕見地談了平臺利益衝突、Agent 安全分級與 token 成本這幾個通常不對外講的工程細節。讀完應能掌握:PA 類產品的價值判斷標準、商業化路徑的取捨、以及生態封閉與開放如何成為比技術更硬的瓶頸。
靈光 1.0 的教訓:創造應用的行為不等於創造價值
莫林劍對靈光 1.0 的檢討相當直接。1.0 主打一句話生成「閃應用」,讓沒有程式設計能力的人自建工具,但團隊後來發現,使用者能造出應用,不代表應用真的解決了問題,而「創造」本身也不是高頻需求。他提到 1.0 上線後三日留存率約 20% 出頭,低於 chatbot;但他強調更該看的是核心:真正有用、會被反覆使用的應用是否在增長。
「它做出來的應用,不代表它的價值,應該是使用者真正把它用起來,真正解決使用者問題的那些,才是那個價值。」
1.0 曾投入一億元「閃應用激勵計劃」,並與「靈光圈」強繫結,鼓勵使用者做出好東西、分享、再讓他人基於結果修改。莫林劍評價這筆錢「在培養習慣上肯定有價值」,相當於市場教育;但也坦言真正能做出精品的門檻仍高,綜合能力還有進步空間。他對 Meta 用邀請碼送 token 做社交裂變的看法是:ChatGPT 當年獨樹一幟、沒有競爭,如今 Meta 面對激烈市場,用裂變無可厚非。
| 維度 | 靈光 1.0 | 靈光 2.0 |
|---|---|---|
| 核心定位 | 一句話生成閃應用(手段) | 直接與使用者的目標互動(目的) |
| 互動方式 | GUI 加對話 | 多模態輸入、結構化輸出 |
| 價值衡量 | 建立人數等數字 | 是否真正幫使用者完成事情、帶來增量 |
| 主動性 | 被動回應 | 持續跟蹤、適時提醒、授權下代辦 |
| 生態接入 | 有限 | 支付寶帳單、郵箱、釘釘、飛書、MCP/A2A |
2.0 的醞釀始於 2026 年六七月,莫林劍稱這是「自然結果」,並非看到 Muse 才開始做——「坦白說那也來不及」。他自述很早以前就用類似 Codex 的工具管理生活,例如把孩子錯題拍照輸入、針對性出新題、錯了再繼續,像人工 RL 一樣訓練;但這個流程普通人用不起來,他的妻子用不了,更難想像母親或老年人能用。他母親血壓高、每天用一個小本子記血壓,記下來只是第一步,關鍵是分析趨勢並給出建議——這正是 Agent 適合做、但老人根本無法操作的事。
高頻高價值場景集中在「每天心裡牽掛的事」
被問到 Agent 的高價值場景在哪,莫林劍給出的判準不是辦公或娛樂的分類,而是「每天心裡可能牽掛的一些東西」:有孩子的人想著娃的事(打疫苗、檢查錯題)、跟錢有關的事(怎麼省錢、怎麼賺錢)、以及要出去玩。他明確表示,純辦公場景「肯定沒有生活大」,但辦公(Office 三件套、Claude Code、WorkBuddy 這類)是第一批起來的場景,因為更容易回收成本、to B 商業價值更高。
他認為這些場景的共同點是背後隱含目標、且不是一個對話來回能解決。例如「幫我孩子管作業」的真正目標是「讓他學習更好」,中間有很多事可以做。他用自己暑假帶家人去新疆的經驗說明:Agent 不只事前給一份行程規劃,過程中的體感最好——南疆非常看天氣,天氣不好景色就沒法看,它會依天氣與身體狀況(例如吃壞肚子)重新規劃整體行程,而不是把昨天沒完成的塞到明天。
矽谷最火的場景同樣圍繞省錢:Muse 幫使用者在 Facebook Marketplace 賣二手物品、到信箱裡找出可退款的小額支票或款項。莫林劍的類比是「這些事情人花時間都能幹,但人要嘛忘了、要嘛覺得麻煩」。他朋友讓靈光分析支付寶帳單裡的冤枉錢,結果顯示退款金額比消費金額高 5 倍(買 6 件衣服退 5 件),被判定為衝動型消費者;他自己則被建議電信帳單「太奢侈」,降了一檔方案。
商業化:廣告與個人助理可能不相容,先做增量再談分蛋糕
莫林劍對商業化的態度是「現在不是最合適的階段」。他判斷底層邏輯無非向 C 收錢或向 B 收錢,會員費與抽傭都是可嘗試的方向,靈光「在合適的時候」也會試;但他對廣告模式能否與 PA 相容持懷疑。
「早上起來給你播報兩個廣告,體驗就完全毀掉了。」
他的理由是 PA 與 chatbot 或工具不同:工具偏平臺、偏流量邏輯,PA 則像「你很親密的夥伴」,底層必須取得人的信任,夾雜商業利益會很難。付費意願最終取決於增量價值——「它如果真的能夠給我孩子提高 10 分,我為什麼不付費呢?我為教育花了多少錢。」
他也區分了痛點與癢點:教育是絕對的痛點,但要看能提供多少增量;用 Agent 總結釘釘群訊息、省下逐群翻閱的時間,則更接近癢點——「不能說非它不可,但確實讓我有時間花在別的地方」。對於「PA 在中國不是小玩家的遊戲」這個投資人觀點,他同意,並補充現在並非激進商業化的時機。
生態既是護城河,也是比技術更硬的瓶頸
靈光 2.0 的明星案例——支付寶帳單分析——直接依賴螞蟻生態。莫林劍說,各家產品的大概念可能相似,但依託自身生態能給出的核心價值不同;圍繞帳單與支付可衍生出大量省錢場景,而支付與出行都是極高頻的事。螞蟻與阿里生態的另一個優勢是「服務提供方的心態與位置」:有自己的平臺,就能呼叫自己的能力,不存在被擋在門外的問題。
亞馬遜把 Muse 擋在門外,他認為最大可能與商業利益有關:亞馬遜的商業模式高度依賴流量與廣告,若使用者不需訪問平臺、直接由 Agent 完成交易,這部分價值會受很大衝擊。他預期這種博弈會持續很長時間,且不會是 A 直接取代 B,很長一段時間內仍是並存。
flowchart TD
U["使用者提出目標"] --> PA["個人助理 PA"]
PA --> Q{"服務方是否開放介面"}
Q -->|"開放 MCP"| M["標準化查詢,如花唄帳單金額"]
Q -->|"需業務邏輯"| A["A2A 對接對方 Agent,如額度為何偏低"]
Q -->|"有心開放但無技術能力"| B["Browser Use,如小商家"]
Q -->|"明確拒絕"| X["對抗,如亞馬遜封鎖 Muse"]
M --> R["完成任務"]
A --> R
B --> R
X --> F["Agent 能力邊界受限"]
他對協議進展的判斷是:協議本身已不是瓶頸,MCP 與 A2A 都已是事實標準,選哪個看情況。無狀態的簡單查詢用 MCP 一句話一個介面就夠;但像「為什麼我的額度這麼低、怎麼提升」這種背後帶業務邏輯的問題,最好由信貸方的 Agent 回答,這時 A2A 更合適。Browser Use 他認為不是萬能解:對有心開放但缺技術能力或費用的小商家可行,但對明確不讓進的平臺,它就變成對抗問題,「對抗不會有很好的結果」。
平臺與商家的態度分化,他給了一個按毛利判斷的框架:高毛利的品牌方更可能積極擁抱,因為它們怕的不是被比價,而是 Agent 替它「亂說話」、損害品牌形象,所以寧可主動接入;利潤薄的小商家最怕 Agent 天生的比價能力,因為它會把中間套利空間抹掉,但流量一旦遷移又不能不擁抱。他認為美國生態相對標準化、開放,中國則是幾個超級 App 各自閉環(支付、購物等),也正因如此,國內 Agent 可能最先落地——「大家都在一個大的生態裡面去協作,比外部的方便很多」。
安全是生死攸關的事,決定權目前仍在人手上
莫林劍把安全稱為「生死攸關」:一旦發生大規模惡性事件、使用者信任崩塌,整個趨勢會往回退。靈光的做法包括與螞蟻內部的安全平臺 APASS 合作;把使用者帳號密碼與 Agent 隔離;對指令與執行動作分級,不同等級觸發不同許可權。目前靈光仍偏向資訊查詢,尚未大規模做支付等危險動作,支付至少都讓使用者確認。螞蟻集團整體在推進「AI 付」,他視其為未來小額自動支付的關鍵基礎設施——滿足什麼額度、什麼場景可以代付,需要體系化配合,但規模化仍要特別小心。
成本下降靠模型進步與後臺排程,記憶要分三層
token 成本下降的最大動力是模型技術本身:同樣尺寸的模型,現在 100B 的表現可能高於當時 1T 的模型,且還在持續進步。第二個來源是產品形態——PA 的許多工在後臺執行,可排程就意味著能削峰填谷,在閒時或更合適的時間跑,把推理資源用得更滿。他確認並非所有任務都用最大模型,小模型能做的事不少,不同任務排程不同模型,但這塊「還有不少最佳化空間」,且他認為接下來的最佳化空間主要在模型本身,排程是並行推進的事。
記憶方面,他把它分為三層,並指出 PA 相對 chatbot 的結構性優勢在於任務具持續性,能沉澱「事實層」:
| 記憶層 | 內容 | 例子 |
|---|---|---|
| 長期偏好 | 相對穩定的習慣 | 偏好某個品牌的酒店 |
| 事實層 | 真實發生的事 | 今天去了 A、B、C,沒去 D |
| 臨時性 | 一次性、當下的狀況 | 今天不吃辣 |
「比如說我說我今天不吃辣,你就說這個人永遠不吃辣。」
他點出「越用越好」的難點:不只是懂你(記憶),還包括執行路徑的最佳化——查了 10 個平臺或 10 家航司後,能否把最好的經驗存下來、下次更高效。Hermes 已有類似自動總結 skill 的機制,但不能隨便實施,副作用是「總結過度」、錯誤歸類意圖;而且某條路徑這次成功,不代表永遠是最優。他形容真實執行中噪聲非常大,全自動閉環「概念上很多都能跑」,但要持續真的越來越好仍很難。
主動性要分三檔,靈光目前偏保守
莫林劍提出一個按「對使用者行動的影響程度」分層的主動推送框架,並承認靈光現在「有點偏保守」,主要在做 A、少量 B,希望往 B 探索更多。
| 層級 | 定義 | 互動方式 | 例子 |
|---|---|---|---|
| A | 與行動目標直接相關、在主路徑上 | 強 push | 再不起床就看不到日出 |
| B | 有較大機率改變使用者行動 | 對話中提醒或專門位置呈現 | 目的地旁有評價很好的咖啡店,而你曾為喝咖啡改行程 |
| C | 知道最好、不知道也無所謂 | 放在桌邊式的位置,不發 push | 目的地介紹材料 |
這個分層是個性化的:同一家咖啡店對愛喝咖啡的人是 B,對別人可能不是。B 的前提條件是懂這個人(記憶),以及有足夠的外部資訊(知道那家店存在、評價不錯)。他認為 B 檔正是增量與驚喜的來源——使用者原本不知道的東西被提示,可能改變認知、選擇,最終也可能變成消費增量。
越用越懂你的證據,以及硬體入口的必然性
莫林劍自述對靈光 2.0 已深度依賴,旅行期間每天使用時長可達一兩小時(平時只是幾次到十幾次)。他讓孩子每天告訴它喜歡什麼、不喜歡什麼,主動寫旅程日記,這些沉澱會在下一次旅行時被用上。跑步場景則靠連接器打通佳明手錶、體脂秤與力量訓練 App「訓記」,資料每天定時回傳,它會主動推送當天課表,他只需反饋「今天太累」或「跑不動」。
兩個讓他覺得「這產品和以前不一樣」的瞬間:一是孩子數學從 80 多分提到 90 分,且是針對性練習、省下無效刷題的時間;二是孩子想給媽媽買禮物,Agent 知道他們國慶要去日本,建議「不如現場給媽媽挑」,而不是給一份通用清單。
關於 Agent Phone 與持續線上,他區分「使用者體感的持續線上」與「技術實現的持續線上」:24 小時不停機技術上做得到,問題是成本與增量價值的博弈,空跑沒有增量、價值也不大。好的助理不需要 24 小時盯著你,「最需要的時候它在」就夠——健身這件事一天關鍵就那麼幾個時間點。但他認為多硬體入口(耳機、車機、眼鏡)是明確趨勢,因為需求已存在卻未被滿足:開車時想問兩句,掏手機既不方便也危險。他舉的具體聯想場景是:Agent 知道他 3 分鐘後要回到車上,提前調低特斯拉車內溫度;或知道陪孩子上輔導班是一個半小時、停車資訊已推送到支付寶、室外超過 30℃,就自動提前開空調——氣溫涼或時長不同則不做。
對靈光 3.0,他不敢給出具體形態,但列出三個明確方向:無處不在的 PA(最自然的方式隨時調起、多模態即時互動)、連線更廣泛的物理世界(智慧家居、掃地機等已有介面的裝置)、以及最底層的可靠性——「真的能夠把你交付的任務完成」。
值得追蹤的張力
這場訪談留下的最尖銳問題不是模型能力,而是利益結構。莫林劍一方面說 Agent 成為預設選項的趨勢「比較明確」、使用者一旦習慣就改不回來,另一方面承認平臺封鎖、商家比價、品牌失控這三方的博弈會持續很久,而解方只有一個判準:是否創造增量,否則就是零和、就會打架。他自己也把靈光的商業化推遲到「合適的時候」,並排除廣告這條對多數消費級產品最現成的路。對觀察者而言,接下來值得盯的三個訊號是:靈光是否真的從 A 檔走向 B 檔主動推送、螞蟻「AI 付」在什麼額度與場景下放開自動支付、以及國內超級 App 閉環生態究竟讓 Agent 更快落地,還是把同樣的封鎖問題以另一種形式複製到內部。