点赞
顶端新闻客户端1小时前
内容来源：笔记侠(Notesman)。
责编 | 柒 排版 | 沐言
第 9677篇深度好文：6983| 15分钟阅读
商业思维
笔记君说：
智谱，赌对了。
就在昨天，智谱正式发布并开源了新一代旗舰模型GLM-5.2，股价大涨，截止到今天收盘，市值达9336亿港元。
这款主攻“长程任务”的模型，让AI从“即时问答”跨越到“像人一样连续工作数小时”。在全球百万用户盲测的Code Arena上，GLM-5.2拿下全球可用模型第一。
不仅如此，在编程能力上，GLM-5.2的“使用体感”，已经和Opus级模型基本没有差别。
这不是突然的爆发，而是一场近十年的长跑。
从2016年在清华实验室定义“认知智能”，到2022年孤注一掷训练千亿模型，再到如今成为“全球大模型第一股”，张鹏和他的团队，始终在赌一个目标：AGI（通用人工智能，指能够在几乎任何领域像人类一样完成智力任务的人工智能，是许多AI公司的终极目标）。
今年年初，张小珺对智谱CEO张鹏进行了一场对谈，谈到了他从科学家到创业者的十年心路。
以下为访谈精编内容整理版，希望对你有所帮助。
一、从实验室到产业化
1.2016年：认知智能的起点
我的履历非常简单，从98年进清华就没离开过，毕业以后在清华大学计算机系知识工程实验室工作，一直做人工智能相关的事情。
2015、16年，到了一个很关键的节点。我们看到上一代AI企业非常成功，但也面临一些问题。
那时候大家对于未来AI技术的演进看得更远，会觉得像CV(计算机视觉）、早期的NLP（自然语言处理）和机器学习这些方法，天花板可能就在这了，做不到理想中的通用人工智能。
所以，那时候逐渐有了一点想法：我们要去做下一代人工智能。
结论就是产生了一个词，叫认知智能（指在感知智能基础上具备理解、推理、规划等高级认知能力的下一代人工智能）。我们认为认知智能是感知智能的下一代，是迈向通用人工智能的下一个台阶。它并不等同于AGI，但如果是下一步，我可以尝试去定义它。
16年已经在考虑创业，真正开始行动是17年，尝试在学校体制下把商业化转化路径走通。契机是18年，国家几个部委联合给了一个意见，允许科研院所在职人员用已有的研究成果做科技成果转化。
2.早期商业化：科技情报与认知能力
我们一开始就做科技情报这件事，情报学本质上就是认知能力的一种应用。
科技类信息相对规范，论文、科技报告、专利都有规范性格式，描述严谨，有数据。算法是我们擅长的，我们就建立起一个模型来交付。
传统做法是靠专家，大量调研问卷、阅读文献、写报告，靠专家经验去解决问题。我们是用机器学习算法、用模型来解决问题。效率和处理数据的速度完全不一样。
大公司找我们做技术预测，问题很简单：未来3到5年，在某个领域里哪些技术会成为热点？预测这种事，一定是要基于认知的。我们当时那个平台叫Aminer，在国际上影响力不错，而且我们专门做这一块。
所以当时出来创业，本质上是在做背后核心的技术，怎么用数据、机器学习算法去构建模型。它跟现在大模型解决的问题非常类似，只是用了上一代的机器学习方法。
那时候也挣钱，但肯定还是亏着的。科技成果转化完成后，第一笔天使投资很快就拿到了。
我们跟投资人讲的逻辑很清晰：
第一，我们要做认知智能，做下一代AI技术；
第二，在这个基础上我们找到了场景，有产品和平台，有不错的用户基础和市场基础，已经在学校服务了很多客户。
二、技术路线转折
1.GPT-3发布，请张钹院士来座谈
19年公司成立时，我们已经在做机器学习算法的研究。
像BERT（Google在2018年提出的预训练语言模型，采用双向注意力机制，擅长理解上下文，通常被形容为“完形填空”式模型）这类大模型上一代的东西，一直在用、在研究，所以很早就关注到GPT。GPT-1是18年，GPT-2是19年，已经在学术界有影响。2020年GPT-3发布，是个分水岭。
正好公司一周年，我们请张钹（中国科学院院士、计算机应用专家）来座谈。我当时关注着最新研究进展，就提出来说GPT-3很火，想听听张院士怎么看。
他评价非常高，说这是机器学习里程碑式的进步，有一种新的范式。但他也担心一个问题：GPT还是不知道自己不知道。那个时候，大家也开玩笑说GPT-3会一本正经地胡说八道。
所以，从那时起，我们开始重点研究这个方向。
2.GLM的诞生：综合BERT和GPT
我们就研究GPT自回归预训练和BERT到底有什么区别。GLM算法（通用语言模型，智谱自研的模型架构）在21年相对成熟，做了一年。
那时候业内并没有高度统一认为GPT路线就是唯一正确的，大家还在想有没有办法走出新的创新。GLM就是在BERT和GPT之间，想综合两种算法优势。
BERT是双向注意力，称为填空机器人；GPT是单向的，只看前面预测下一个，称为蹦词器。
GLM综合的方式很巧妙，把问题统一了，把双向往中间预测的词的顺序调一下，实际上就变成了单向往后预测，既保留了双向注意力的优势，也融合了单向预测能力。
所以GLM出来时，既能做填空题，也能做续写预测。而且由于采用了部分双向注意力，训练过程中稳定性更好。
三、关键赌注：
训练千亿模型
1.要不要投千万训练模型
22年，我们开始决策要不要像GPT-3一样做千亿模型。
那时候Scaling（规模定律，描述模型性能随参数量、数据量和计算量增加而呈现出可预测提升的现象，后扩展到推理时计算、强化学习等维度）很简单，参数量翻倍、翻十倍，智能水平就上去了。GPT-3训练成本2000多万美元，我们自己做估计也得千万级人民币以上。
要不要做？慎重考虑之后，结论是：应该做，必须自己做。
科学家团队起了很大作用，GLM的研究积累让我们有信心能把模型训练出来，性能不会差，不会让钱打水漂。从21年12月底开始，大半年时间，到22年七八月份弄完，大概9个月。
那时候开始跟投资人聊，讲我们训练了一个对标GPT-3的模型，性能不错，还开源了。投资人听不懂，完全听不懂。
“这什么东西？怎么挣钱？怎么商业化？”甚至有个投资人线上聊，说大环境这么差，要不你们把估值降一半？但我们肯定不会啊。那个时间其实挺艰难。
2.ChatGPT时刻：浪潮来临
22年11月ChatGPT上线后，一下子火起来了。ChatGPT火起来后，大家也不用质疑我们在做什么了。我们就说，你看ChatGPT知道吧？我们做的就是往这个方向去的。
后来，投资人就主动找过来了。我们自己很快也把对标ChatGPT的ChatGLM弄出来上线，尤其在中文上效果非常好。还同时开源了一个小的6B版本，60亿参数，一张家用GPU就能跑起来，那是我们第一款在开源社区爆火的项目，下载量非常大。
那时候OpenAI还比较开放，很多东西发论文，后来论文少了，但technical report和blog还会慢慢放出来。我们紧跟着研究。
再加上清华学生在那边很多，底下的交流非常顺畅，我们知道他们在持续做事情、往哪个方向走。
所以ChatGPT出来，至少我个人还是挺兴奋的。觉得赌对了，第一赌对了，第二说明这条路走下去，是有很光明的前景的。
3.百模大战：兴奋与焦虑
23年一转年，浪就来了。最深的印象就是那三个字：百模大战。圈内圈外全进来了，很多熟识的人都站到了这个赛道上。
我的感受是两个。
第一个是兴奋，这个事迎来了巨大的机会和浪潮，不用再教育市场和投资人了。
第二个，说实话，我个人还是有些焦虑和担心。因为每逢大浪过来，再往后看，可能就是一地狼藉，最后留不下什么。
我怕的是整个市场从一个极端走向另一个极端，塌掉之后很难再回来。
市场都没了，你做得再好也没用。我们看到太多这种事，大量的资本和人进来，但大家分辨不清谁说的是对的、更接近真相，谁是在吹故事、吹泡泡。
23年最大的挑战，就是怎么在纷纷扰扰的商业化市场中，保证技术快速迭代，同时找到自己的路。
基本上23年我们把商业化的架子搭起来了——MaaS（模型即服务，一种将AI模型作为服务交付的商业化形态，包括云API调用、本地化部署、软硬一体产品等多种模式）有了，to B企业服务有了，开源有了，研究进展也有了，GLM2、GLM3发布很紧密。
四、商业化路径：
MaaS、toB与toC的取舍
1.MaaS的提出
千亿模型训练完之后，我们就在想商业化路径到底怎么走。MaaS（模型即服务）这个概念是我们最早提的，那时候我们定义的MaaS比现在大部分人理解的范围要广。
现在大家说MaaS都是指云API，但我们当时说的形态更丰富：除了云上API，还有本地化部署，把模型当作随意可部署的组件；还有软硬件结合、可以随时拎到哪的产品。
怎么收缩成云API了呢？我觉得云厂商功不可没，他们想往这个方向引，因为这是他们的主战场。
2.为什么没有全力做toC？
当时分析，如果直接照搬ChatGPT或OpenAI那套模式到国内，除非你能抢到巨大的首发市场优势，否则很难。
在那个群雄割据、混战的局面下，最后必然陷入倒贴、引流、补贴、让用户白薅羊毛的状态。中国C端市场的付费意愿还是太差。
我们后来做了智谱清言APP，也投过流。我们把它定位成效率工具，看用户使用曲线很有意思，跟上班上学的时间完全重叠。早上8点到中午12点，下午1点到五六点，晚上很少。算完ROI之后，这是很不合算的一件事。
3.toB的确定性更高
toB这件事，确定性其实更高。故事可能没那么性感，账没那么好算，但相对比较stable（稳定）。
中国SaaS起不来有它的特殊性，有人跟我讲过一句话：我花同样的钱，买订阅一个月10万块，还不如用10万块雇10个人帮我把活干了。这本质还是成本问题。
但toB有溢价空间。我们是做这个技术的，对技术本身的理解更深。别人也能做类似的事，但可能需要更高成本。我们可能只需要更少的人、更短的周期，就能达到更好的效果。这就是我们的溢价空间。
五、坚持走开源路线
1.一直坚持走开源路线
我们基本上没有摇摆过，一直坚持开源。所有关键模型迭代和技术更新，都有相应的开源版本或开源项目。
早期我们把开源和商业化分得很清楚：
开源是把核心技术放出去，让大家能用、了解细节，在此基础上去做自己的创新探索；商业化是面向客户的，提供的不是开源那堆参数文件，而是基于这些东西的一系列产品、工具和服务。
2.DeepSeek彻底开源带来的冲击
DeepSeek彻底开源后，大家可以基于他的研究成果去做很多事情。对我们商业化市场的影响是，很多客户脑子里把开源和免费划等号了。他会问：你都开源了、不要钱了，为什么还收我钱？
那怎么办？只能用时间来证明。
很多客户自己去尝试部署，有的找外面团队帮忙。但过了一段时间，你会发现大部分人掉头回来了。
为什么？因为DeepSeek也不提供商业化服务。就算你部署了，也没有办法跟内部系统做整合，这需要很专业的服务和人来干。对不起，原厂也不提供这个服务。当大家想通商业本质的核心锚点是什么的时候，自然会回来找你。
3.开源加速了智力平权
开源可能加速了整个智力平权的过程，技术不可能只掌握在极少数公司或个人手里。中国厂商大家都开源，其实给世界提供了更多选择。
就算没有开源，最终结局可能也是美国走一条路，商业公司捏着顶尖闭源模型来推动资本积累运转，全球其他玩家去寻找第二、第三甚至更多选择。中国的战略，肯定不会放弃这个路径。
4.DeepSeek带来的反思
DeepSeek对我们的影响还是比较大的。不管研究、工程还是市场层面，我们都仔仔细细内部研讨过。也算反思，确实给了很多启示和提醒，学到很多东西。
结论是，应该更开放地看待大模型的研究和市场。这些因素都搅在一起，很难完全理清楚或分隔开。需要各方协同，以更开放的态度来做。我们自己的研究方向要更坚定。
DeepSeek出来提醒我们，强化学习（一种机器学习范式，让智能体在环境中通过试错、获取奖励或惩罚信号来学习最优策略，在大模型领域常用于对齐和提升推理能力）这块下的力气还不够，它的主要贡献就是强化学习有新策略和方法出现；工程优化还可以做得更极致、更底层；下一个范式的探索，应该可以更大胆地去想象。
六、管理进化：
从50人到800人的坎
1.张钹院士的三个坎
张钹院士见多识广，跟我们讲过，创业企业有几个坎：
第一个坎50人，一般能挺过去，比较简单，挣到钱就行，亏不亏的不关键；
第二个坎200人；
第三个坎可能是500甚至更多。
这几个坎决定了生死。
亲身经历完再回头看，确实非常有道理。关键不在具体数字，而在于代表的企业发展阶段。
第一阶段是建立团队信心，别先散了。
第二阶段企业开始有分工：商业化的、研发的、做产品的，分工之后产生管理成本和管理消耗，协调不好就可能分崩离析。
到了几百人规模，开始出现分层，信息传导越来越长，对齐越来越难，管理成本越来越高。
2.当公司有人你叫不出名字
原来在100多人时，所有人我都认识，叫得出名字，知道干什么的。搬公司后，公司里就有一批人我叫不出名字了。
这不是落差，而是产生管理上的空白地带，你靠个人已经不可能cover了。要更花精力在机制体制运转、定规章制度的方面，而不是什么事都在视线范围内。
3.最折磨的事：认知对齐
最折磨的，还是来自对很多事情的不熟悉。大规模做商业化之后，面临很多以前没碰到的挑战，也没人能告诉你怎么处理。
怎么让你和对方的认知对齐？这个过程挺折磨的， 要花很多精力去沟通、去交流、去拉齐认知，一遍又一遍重复很多话。很多客户我都是到一线去跟他们讲。
七、我们的目标就是AGI
1.不是简单的商业化，是探索AGI
为什么我们要讲从2016年开始的那个故事？就是想传递一个信息：智谱不是单纯想成立个公司挣钱，本愿还是在于探索AGI到底是什么。
我们认为，在产业里做这件事，更符合当下AI发展的需求,不是简单做研究，也不是简单去挣钱。技术的往前演进是一条主旋律，商业化是另一条主旋律，在AI当下的生态里，这两者没办法完全分隔开。
25年初，我们大概有三个预测：
第一，基座模型能力持续提升，甚至是多模态（指模型能够同时理解和处理文本、图像、音频、视频等多种类型的数据，而非仅限于文字）或多种数据融合的混合型基座模型；
第二，智能体（能自主感知环境、制定计划、调用工具并执行多步任务的AI系统，被视为大模型从对话走向真实世界落地的关键路径）是很重要的方向；
第三，国际化。
现在回头看，一一验证了。未来我们要继续赌，只有一件事情，就是AGI。
拆解到短期，智能体非常非常重要，解决了模型到真正实际应用的落地路径问题；第二个是新的scaling law或新计算范式，像RL这块会持续有新的范式诞生。
2.“曲线救国”没有必要
我不喜欢所谓的曲线救国,先找到一个确定性的市场和商业化路径，挣回大笔钱，再投入去追求AGI，我觉得没必要。
信仰这个东西，想要坚持下去本来就是件很难的事。我不喜欢为自己绕路找一个理由。很容易忘记原来坚持的东西。从技术角度看，也不是说某个单点突破了，就能真正帮助到AGI的实现。
我们的本质，用公司的slogan就能解释：让机器像人类一样思考。
但最终，能思考的机器还是要反过头来赋能人类，让人类社会更美好，这就是工程师文化。做一家实现了AGI的公司，和做一家利润很高的公司，我当然选实现AGI。而且我相信，如果我们能实现AGI，仅从商业化来说，也会是一家伟大的公司。
3.AGI还有多远？
我认为2027年可能开始具备AGI这个能力：造出一个脑子，各种能力都有，能跟世界交互，交互结果反馈回来变成强化信号，立刻接受信号再学习修改模型，这样闭环起来。
但理性的判断，可能需要5年、8年这样的时间。我们永远不会忘记，我们的目标就是AGI。
结语
我的硕士导师跟我们讲过一句话，我一直记得：机会永远是留给有准备的人的。哪怕你在海上漂着，有一块木板从眼前飘过，你也要扑腾两下才能抓住。
精准预测未来会发生什么、什么时间点发生，这很难，不可能有针对性地准备。那什么叫做好准备？
只有日复一日、年复一年，坚持做你认为正确的事情，不要懈怠，不断积累，沿着你认为正确的路走下去，而且不被噪声干扰。当机会来的时候，你就有能力去抓住它。
所以我们一方面是幸运的，这几年时机、环境都站在我们这边，也认识了很多志同道合的朋友。
另一方面，也得益于我们一直在积累、一直在做好准备，能抓得住机会。
中国人讲天时地利人和，要成就一些事情，缺一不可。
参考资料：《全球大模型第一股的上市访谈，和智谱CEO张鹏聊：敢问路在何方？》，张小珺商业访谈录，哔哩哔哩。
*文章为作者独立观点，不代表笔记侠立场。
在AI席卷一切的今天，这件事更加急迫。所以我们筹备了整整半年，把过去一年跑通的所有AI原生落地的认知、案例、实战经验，浓缩成了3天的AI十倍增长营，6月24-26日在北京开营。
三天里，我们一步一步落地：
第一天搭班子：搞懂什么是真正的AI增长团队，每个人亲手做出第一个能干活的业务Agent；
第二天做诊断：对着真实的业务痛点，画出专属的AI行动地图；
第三天练闭环：把所有流程跑通，最后带走一套能直接开干的方案。
这篇文章讲的四件事，三天全覆盖。而且不是光听课，是动手干。
建议你一定要带着核心高管和技术负责人一起来。一个人来，最多是听了个热闹，回去根本推不动；一个班子来，才是真正带一支训练有素的增长战队回家。
同时还有猎豹移动董事长傅盛、知名CEO顾问王赛、影刀RPA创始人十布领衔，以及云飞、星若这些在森马、蒙牛真正在一线拿过结果的实战导师带队，不讲空的，只讲自己踩过的坑、验证过的方法。
首期我们只开放少量席位，欢迎立即扫码报名，把公司变成AI十倍增长组织。
好文阅读推荐：
哈萨比斯最新震撼预言：留给旧世界的时间，不到2000天
阿里为什么选了这个年轻人来管钉钉？
分享、点赞、在看，3连3连！
奔流新闻线索报料方式
报料热线：13893646444（微信同号） 13993123681 0931—8159555
报料邮箱：1902937948@qq.com
点赞
|
0
