杨天真滑雪摔伤膝盖复胖20斤 ，减重超百斤后又反弹 ，回复：不要自证要自洽
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