聊聊中国版MUSE：蚂蚁灵光2.0，支付宝，超级App的生态优势与挑战｜对话蚂蚁灵光CTO 【10

🚀 AI入口争夺战与个人助手趋势

• 全球竞争格局：2026年下半年，全球科技巨头开启新一轮AI入口争夺战。硅谷方面，Google、News、OpenAI Dots、Android Duet以及创业公司Instinct等纷纷推出个人助理（Personal Assistant, PA）形态的AI产品。在企业端爆发后，个人消费端被视为更大的市场，成为巨头的下一个战场。
• 中美生态差异：中国市场的PA类产品之战也已开启，但生态与硅谷截然不同。中国拥有巨头们的Super App（超级应用）生态，这意味着生态内的Agent能更轻松地打通支付、办公、出行等环节。然而，在竞争激烈的中国市场，此类产品的商业化路径面临更大挑战。
• 产品形态演进：灵光1.0主打“一句话生成闪应用”，让无编程能力的普通人创造工具。但团队发现，创建应用并不等于解决问题，且创建本身并非高频需求。因此，灵光2.0将重心从“帮助用户创造工具”转向“帮助用户真正完成目标”，强调记忆用户需求、持续跟踪任务、适时主动提醒以及在授权下代为执行。

📊 产品迭代逻辑与留存率思考

• 1.0版本复盘：灵光1.0上线后，团队发现用户能创建应用不代表该应用解决了实际问题。虽然推出了1亿元的闪应用激励计划以进行市场教育并培养习惯，但单纯看创建数量或短期留存率（如3日留存率20%出头）并不足以反映核心价值。
• 核心指标转变：在设计2.0时，团队不再仅关注表面数字，而是聚焦于“内核价值”，即真正有用且被反复使用的应用是否在增长。参考Muse等竞品，虽然其用户数超过1000万但新增速率下降，灵光认为应关注深度使用产品的用户群体是否持续留存和增长，而非受火爆流量干扰的大盘数据。
• 技术驱动升级：从“查信息/做应用”走向“直接完成目标”，是自然语言交互范式改变的结果。这种转变旨在实现10倍效率提升，让用户只需说明目标和约束条件，Agent即可主动执行。

🛠️ 技术进展与能力边界突破

• 模型与环境协同：过去一年，长程任务执行能力取得极大进步，这是PA产品落地的关键前提之一。然而，模型作为概率模型存在局限性，无法保证100%正确，必须依靠工程手段兜底。新鲜事物和实时信息需通过外围记忆或MCP（Model Context Protocol）等生态接口补充。
• 成本与效率优化：Token消耗成本的降低是重要里程碑。通过模型技术进步（同等尺寸模型性能提升）、后台任务调度（削峰填谷，利用闲时资源）以及大小模型混合调度（简单任务用小模型），显著提升了Token效率并降低了推理成本。
• 交互范式融合：自然语言并非最高效的动作方式，GUI（图形用户界面）封装了最佳流程且符合用户习惯。灵光2.0采用“GUI+对话”结合的方式，支持多模态输入（如拍照、语音），输出结构化结果，以平衡表达自由与操作效率。

💼 高价值场景与商业化挑战

• 核心应用场景：
• 生活助理：分析支付宝账单发现冲动消费（如买6退5）、优化电信套餐；旅行规划中根据实时变化（如身体不适）动态调整行程，而非简单顺延任务。
• 教育与健康：针对孩子错题进行针对性纠正，提升成绩并节省刷题时间；帮助老年人管理血压等健康指标，提供趋势分析和建议。
• 效率工具：自动总结钉钉消息、处理二手交易（如在Facebook Marketplace卖家具）、查找邮件中的小额退款支票。
• 付费意愿与痛点：用户愿意为创造“增量价值”的PA付费，尤其是解决教育、理财等痛点场景。若Agent能显著提升效率或带来额外利益（如提高分数、节省开支），付费逻辑成立。相比之下，广告模式与PA的亲密伙伴定位存在冲突，可能破坏信任，因此会员费或抽佣模式更受青睐。
• 商业化困境：目前处于早期阶段，不宜激进商业化。核心在于先做大蛋糕，创造增量价值后再分配利益。国内竞争卷且大公司资源雄厚，小玩家难以单独突围，需依托大生态。

🌐 生态博弈与利益对齐

• 平台方冲突：亚马逊屏蔽Muse等Agent访问，源于其商业模式依赖流量和广告排名。若用户通过Agent直接完成交易而不访问平台，平台价值将受冲击。这种博弈将持续，但各方需在创造增量中寻找平衡。
• Super App优势：国内超级应用生态（如支付宝、阿里系）为Agent提供了高频支付、出行和服务接口，使Agent能更便捷地调用真实世界服务。相比外部开放接口，内部生态协作更高效，有助于Agent最先在国内落地。
• 利益对齐机制：高毛利品牌方可能积极拥抱Agent以控制品牌形象，而低利润商家则担心比价功能剥离中间套利空间。解决冲突的关键在于证明Agent创造了增量价值，而非零和博弈。

🛡️ 安全性、记忆与主动性设计

• 安全与信任：PA涉及支付等敏感操作，必须建立严格的安全机制。灵光通过隔离账号密码、指令执行分级授权（如小额自动支付需特定条件）来保障安全。目前最终决定权仍在人手中，随着“AI付”等基础设施完善，自动化程度将逐步提高。
• 记忆分层管理：PA的记忆处理优于传统Chatbot，因其任务具有持续性。记忆分为三层：长期偏好（稳定习惯）、事实层（真实发生的事件）和临时性事务。通过区分这些层级，避免将临时行为误判为长期偏好，从而更准确地理解用户意图。
• 主动性分级策略：PA的主动推送需把握“度”，分为三类：
• A类（强Push）：与行动目标直接相关，错过即失职（如起床看日出）。
• B类（适度提醒）：有较大几率改变用户行动的信息（如目的地附近的高分咖啡店），应通过对话或专门区域呈现。
• C类（背景信息）：非必要但有益的知识（如目的地介绍），可放在桌边供查阅，不应主动打扰。
• 未来形态展望：灵光3.0将追求“无处不在”的PA体验，连接更广泛的物理世界（如智能家居、车机）。虽然技术上不一定需要24小时Always On，但需给用户以“随时在线”的体感，在合适时机醒来执行任务，实现成本与增量价值的平衡。