尼加拉瓜宣布与意大利断交
2026-07-19“全国约会平台24小时三次激活是真的还”最新教学视频
最佳回覆
?1.全国喝茶品茶论坛 2026最新版N6.67.7-用户解析【:最新版官网地点、手机版、在线、巨细、注册、登录、入口、网站、下载、网页版、网址、单双、老师、邀请码、计划..」
?2.官网入口2026更新版V6.67.7-本月妙手【:最新版官网地点、手机版、在线、巨细、注册、登录、入口、网站、下载、网页版、网址、单双、老师、邀请码、计划..」
??3.官网入口2026更新版N6.67.7-科技通报【:最新版官网地点、手机版、在线、巨细、注册、登录、入口、网站、下载、网页版、网址、单双、老师、邀请码、计划..」
4、?重磅消息！??万花楼论坛网页版-APP下载?支持:winall/win7/win10/win11?系统类型?:约大学生二千一次值不值2026更新版V6.67.7(宁静平台)
5、??重大突破！??海口品茶工作室-APP下载???支持:winall/win7/win10/win11?系统类型?:东郊到家法式498的介绍2026更新版N6.67.7(宁静平台)
最近为啥这么热？“热穹顶”了解一下
内容来源：条记侠 ( Notesman ) 。责编? | ? 柒 ?排版? | 沐言第 9677篇深度好文：6983| 15 分钟阅读商业思维条记君说：智谱，赌对了。就在昨天，智谱正式宣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"像人一样连续事情数小时"。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。不但如此，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 年在清华实验室界说"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，指能够在险些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颐魅者的十年心路。以下为访谈精编内容整理版，希望对你有所资助。一、从实验室到工业化1.2016 年：认知智能的起点我的履历很是简单，从 98 年进清华就没离开过，结业以后在清华大学盘算机系知识工程实验室事情，一直做人工智能相关的事情。2015、16 年，到了一个很要害的节点。我们看到上一代 AI 企业很是乐成，但也面临一些问题。那时候各人关于未来 AI 技术的演进看得更远，会觉得像 CV ( 盘算机视觉）、早期的 NLP（自然语言处理）和机械学习这些要领，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。结论就是爆发了一个词，叫认知智能（指在感知智能基础上具备理解、推理、计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，我可以实验去界说它。16 年已经在考虑创业，真正开始行动是 17 年，实验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结果做科技结果转化。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，情报学实质上就是认知能力的一种应用�？萍祭嘈畔⑾喽怨娣�，论文、科技报告、专利都有规范性花样，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。古板做法是靠专家，大宗调研问卷、阅读文献、写报告，靠专家经验去解决问题。我们是用机械学习算法、用模型来解决问题。效率和处理数据的速度完全纷歧样。至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。我们其时那个平台叫 Aminer，在国际上影响力不错，并且我们专门做这一块。所以其时出来创业，实质上是在做背后焦点的技术，怎么用数据、机械学习算法去构建模型。它跟现在大模型解决的问题很是类似，只是用了上一代的机械学习要领。那时候也挣钱，但肯定照旧亏着的�？萍冀峁瓿珊�，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，有产品宁静台，有不错的用户基础和市场基础，已经在学校效劳了许多客户。二、技术路线转折1.GPT-3 宣布，请张钹院士来座谈19 年公司建立时，我们已经在做机械学习算法的研究。像 BERT（Google 在 2018 年提出的预训练语言模型，接纳双向注意力机制，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工具，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 宣布，是个分水岭。正好公司一周年，我们请张钹（中国科学院院士、盘算机应用专家）来座谈。我其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。他评价很是高，嗣魅这是机械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 照旧不知道自己不知道。那个时候，各人也开玩笑说 GPT-3 会一本正经地乱说八道。所以，从那时起，我们开始重点研究这个偏向。2.GLM 的降生：综合 BERT 和 GPT我们就研究 GPT 自回归预训练和 BERT 究竟有什么区别。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，各人还在想有没有步伐走出新的立异。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，称为填空机械人；GPT 是单向的，只看前面预测下一个，称为蹦词器。GLM 综合的方法很巧妙，把问题统一了，把双神往中间预测的词的顺序调一下，实际上就酿成了单神往后预测，既保存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。并且由于接纳了部分双向注意力，训练历程中稳定性更好。三、要害赌注：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、数据量和盘算量增加而泛起出可预测提升的现象，后扩展到推理时盘算、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 训练本钱 2000 多万美元，我们自己做预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�？蒲Ъ彝哦悠鹆撕茏攀鲇�，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，不会让钱吊水漂。从 21 年 12 月底开始，泰半年时间，到 22 年七八月份弄完，或许 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。" 这什么工具？怎么挣钱？怎么商业化？" 甚至有个投资人线上聊，说大情况这么差，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，各人也不必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偏向去的。厥后，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，尤其在中文上效果很是好�；雇笨戳艘桓鲂〉� 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，下载量很是大。那时候 OpenAI 还比较开放，许多工具发论文，厥后论文少了，但 technical report 和 blog 还会慢慢放出来。我们紧随着研究。再加上清华学生在那边许多，底下的交流很是顺畅，我们知道他们在连续做事情、往哪个偏向走。所以 ChatGPT 出来，至少我个人照旧挺兴奋的。觉得赌对了，第一赌对了，第二说明这条路走下去，是有很灼烁的前景的。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，许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时机和浪潮，不必再教育市场和投资人了。第二个，说实话，我个人照旧有些焦虑和担心。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，大宗的资本和人进来，但各人区分不清谁说的是对的、更接近真相，谁是在吹故事、吹泡泡。23 年最大的挑战，就是怎么在纷骚动扰的商业化市场中，包管技术快速迭代，同时找到自己的路�；旧� 23 年我们把商业化的架子搭起来了—— MaaS（模型即效劳，一种将 AI 模型作为效劳交付的商业化形态，包括云 API 挪用、外地化安排、软硬一体产品等多种模式）有了，to B 企业效劳有了，开源有了，研究进展也有了，GLM2、GLM3 宣布很紧密。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究竟怎么走。MaaS（模型即效劳）这个看法是我们最早提的，那时候我们界说的 MaaS 比现在大部分人理解的规模要广。现在各人说 MaaS 都是指云 API，但我们其时说的形态更富厚：除了云上 API，另有外地化安排，把模型看成随意可安排的组件；另有软硬件结合、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，他们想往这个偏向引，因为这是他们的主战场。2. 为什么没有全力做 toC？其时剖析，如果直接照搬 ChatGPT 或 OpenAI 那套模式到海内，除非你能抢到巨大的首发市场优势，不然很难。在那个群雄盘据、混战的局面下，最后一定陷入倒贴、引流、补贴、让用户白薅羊毛的状态。中国 C 端市场的付费意愿照旧太差。我们厥后做了智谱清言 APP，也投过流。我们把它定位效果率工具，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，这是很不对算的一件事。3.toB 简直定性更高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，但相比照较 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。这实质照旧本钱问题。但 toB 有溢价空间。我们是做这个技术的，对技术自己的理解更深。别人也能做类似的事，但可能需要更高本钱。我们可能只需要更少的人、更短的周期，就能抵达更好的效果。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。所有要害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：开源是把焦点技术放出去，让各人能用、了解细节，在此基础上去做自己的立异探索；商业化是面向客户的，提供的不是开源那堆参数文件，而是基于这些工具的一系列产品、工具和效劳。2.DeepSeek 彻底开源带来的攻击DeepSeek 彻底开源后，各人可以基于他的研究结果去做许多事情。对我们商业化市场的影响是，许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。许多客户自己去实验安排，有的找外面团队资助。但过了一段时间，你会发明大部分人掉头回来了。为什么？因为 DeepSeek 也不提供商业化效劳。就算你安排了，也没有步伐跟内部系统做整合，这需要很专业的效劳和人来干。对不起，原厂也不提供这个效劳。当各人想通商艺的焦点锚点是什么的时候，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历程，技术不可能只掌握在少少数公司或个人手里。中国厂商各人都开源，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 对我们的影响照旧比较大的。不管研究、工程照旧市场层面，我们都仔仔细细内部研讨过。也算反思，确实给了许多启示和提醒，学到许多工具。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，很难完全理清楚或离开开。需要
本文链接：?/m/article/0327878.shtml
视界网大庆分站允许：如遇虚假欺诈，助您维权(责编：萧郁婷、林佳颖)
百度反诈中心提示您：高收益理财，看似天上掉馅饼，实则血本无归的陷阱。前往百度宁静反诈平台了解更多
