,华纳娱乐公司直属现场游戏注册网址：畅享娱乐新体验

,市值近万亿，智谱，离不离谱？，很高兴为您解答这个问题，让我来帮您详细说明一下。

毕节市纳雍县、海西蒙古族德令哈市、菏泽市单县、三明市建宁县、重庆市綦江区、广西柳州市鱼峰区、庆阳市宁县、聊城市东昌府区、揭阳市榕城区、延安市甘泉县、齐齐哈尔市克东县、临汾市侯马市、上饶市余干县、梅州市蕉岭县、咸宁市嘉鱼县、泸州市龙马潭区、烟台市招远市

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

可视化操作指导热线,,华纳娱乐公司直属现场游戏注册网址：畅享娱乐新体验，很高兴为您解答这个问题，让我来帮您详细说明一下：

九江市共青城市、青岛市市北区 ，平顶山市鲁山县、临高县皇桐镇、抚顺市清原满族自治县、新乡市卫辉市、通化市东昌区、驻马店市泌阳县、绵阳市北川羌族自治县、铜仁市沿河土家族自治县、湖州市南浔区、昭通市永善县、临沂市兰陵县、滁州市凤阳县、渭南市大荔县、恩施州巴东县、聊城市东昌府区 、临汾市侯马市、永州市道县、平凉市泾川县、普洱市西盟佤族自治县、南平市建瓯市、延边敦化市、吉林市昌邑区、株洲市攸县、延安市宜川县、内蒙古鄂尔多斯市准格尔旗、重庆市渝北区、合肥市长丰县、广安市岳池县、深圳市罗湖区

全球服务区域: 荆门市沙洋县、黄山市黄山区 、玉树治多县、梅州市大埔县、无锡市锡山区、绥化市青冈县、兰州市七里河区、商丘市民权县、太原市晋源区、巴中市南江县、汕头市南澳县、临沂市罗庄区、广西桂林市灌阳县、景德镇市昌江区、镇江市丹阳市、凉山会东县、沈阳市于洪区 、东方市天安乡、凉山会理市、汕头市澄海区、安康市镇坪县、运城市芮城县

近日监测部门公开,,华纳娱乐公司直属现场游戏注册网址：畅享娱乐新体验，很高兴为您解答这个问题，让我来帮您详细说明一下：

全国服务区域: 淄博市桓台县、昭通市巧家县 、镇江市扬中市、焦作市解放区、长沙市开福区、焦作市温县、忻州市忻府区、济南市历下区、郴州市临武县、赣州市兴国县、吉安市吉安县、万宁市南桥镇、榆林市绥德县、定西市渭源县、宝鸡市太白县、太原市晋源区、丽水市缙云县 、安康市岚皋县、南通市如皋市、广西贺州市钟山县、株洲市茶陵县、鹰潭市余江区、泰安市泰山区、开封市鼓楼区、合肥市庐江县、内江市东兴区、澄迈县永发镇、大理永平县、衢州市衢江区、果洛班玛县、自贡市大安区、齐齐哈尔市泰来县、白沙黎族自治县青松乡、吕梁市交城县、普洱市景谷傣族彝族自治县、宿州市砀山县、张掖市甘州区、平顶山市汝州市、平顶山市石龙区、合肥市庐江县、中山市南头镇

本周数据平台本月相关部门通报重要进展:,华纳娱乐公司直属现场游戏注册网址：畅享娱乐新体验

随着互联网的快速发展，线上娱乐产业日益繁荣，各大娱乐公司纷纷推出各类线上游戏，为广大玩家带来丰富的娱乐体验。华纳娱乐公司作为全球知名的娱乐巨头，其直属现场游戏更是备受玩家喜爱。今天，就为大家揭秘华纳娱乐公司直属现场游戏的注册网址，让您轻松畅享娱乐新体验。 华纳娱乐公司，全称为华纳兄弟娱乐公司，成立于1923年，总部位于美国加利福尼亚州伯班克。作为全球最大的娱乐公司之一，华纳娱乐公司旗下拥有众多知名品牌，如华纳兄弟、DC漫画、华纳音乐等。在游戏领域，华纳娱乐公司同样拥有丰富的资源和实力，推出了多款深受玩家喜爱的现场游戏。 那么，如何注册华纳娱乐公司直属现场游戏呢？首先，您需要打开浏览器，在搜索框中输入“华纳娱乐公司直属现场游戏注册网址”，即可找到官方注册页面。以下是注册步骤： 1. 打开华纳娱乐公司直属现场游戏注册页面，点击“注册”按钮。 2. 在注册页面，填写您的邮箱地址、设置密码、确认密码等信息。 3. 阅读并同意《用户服务协议》和《隐私政策》，勾选同意选项。 4. 点击“注册”按钮，完成注册。 注册成功后，您就可以登录华纳娱乐公司直属现场游戏，开始您的游戏之旅了。以下是游戏注册后需要注意的几点： 1. 保护个人信息：在游戏中，请勿泄露您的真实姓名、身份证号、银行卡号等敏感信息，以免遭受网络诈骗。 2. 合理消费：游戏中的虚拟货币和道具均需通过实际支付购买，请理性消费，切勿沉迷。 3. 注意游戏时间：合理安排游戏时间，避免影响日常生活和工作。 4. 举报违规行为：在游戏中，如遇到违规行为，请及时举报，共同维护良好的游戏环境。 华纳娱乐公司直属现场游戏拥有丰富的游戏类型，包括角色扮演、策略、射击、休闲等多种玩法，满足不同玩家的需求。此外，游戏还定期举办各类活动，赠送丰厚奖品，让您在游戏中畅享乐趣。 总之，华纳娱乐公司直属现场游戏注册网址为玩家们提供了一个全新的娱乐平台。通过简单的注册流程，您即可畅享丰富的游戏内容。快来加入我们，开启您的娱乐之旅吧！

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