,柬埔寨万宝路公司经理联系方式揭秘：深入了解万宝路在柬埔寨的业务布局

,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。

福州市鼓楼区、丽水市青田县、沈阳市皇姑区、大理剑川县、南平市浦城县、阜阳市颍东区、佛山市顺德区、上海市嘉定区、宣城市旌德县、河源市源城区、德州市德城区、连云港市灌南县、广西梧州市长洲区、阜阳市临泉县、武汉市黄陂区、上饶市弋阳县、甘南夏河县

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

本周数据平台最新官方渠道传来研究成果,,柬埔寨万宝路公司经理联系方式揭秘：深入了解万宝路在柬埔寨的业务布局，很高兴为您解答这个问题，让我来帮您详细说明一下：

文昌市公坡镇、安庆市岳西县 ，昌江黎族自治县海尾镇、益阳市桃江县、遵义市绥阳县、梅州市梅江区、湘西州古丈县、菏泽市巨野县、昆明市石林彝族自治县、大同市新荣区、抚顺市望花区、益阳市桃江县、安康市白河县、滁州市凤阳县、绵阳市北川羌族自治县、西安市临潼区、绥化市望奎县 、大庆市让胡路区、大兴安岭地区呼中区、昭通市绥江县、澄迈县仁兴镇、淮安市金湖县、宁夏固原市西吉县、东莞市塘厦镇、凉山德昌县、天津市西青区、孝感市孝昌县、鄂州市梁子湖区、忻州市宁武县、辽阳市文圣区、漯河市舞阳县

全球服务区域: 昭通市永善县、三亚市吉阳区 、天津市西青区、内蒙古巴彦淖尔市乌拉特中旗、哈尔滨市延寿县、金华市婺城区、巴中市通江县、益阳市安化县、东莞市桥头镇、吉林市舒兰市、伊春市伊美区、临沧市沧源佤族自治县、曲靖市师宗县、宜春市上高县、曲靖市沾益区、黄山市黟县、昭通市永善县 、哈尔滨市宾县、潍坊市高密市、琼海市石壁镇、商丘市宁陵县、广西百色市西林县

本周数据平台最新研究机构传出新变化,,柬埔寨万宝路公司经理联系方式揭秘：深入了解万宝路在柬埔寨的业务布局，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: 梅州市梅江区、杭州市上城区 、齐齐哈尔市富裕县、吉安市永新县、黔南贵定县、哈尔滨市方正县、芜湖市南陵县、遵义市湄潭县、锦州市太和区、鹤壁市淇滨区、洛阳市宜阳县、内蒙古锡林郭勒盟多伦县、酒泉市玉门市、宜宾市叙州区、平凉市灵台县、成都市蒲江县、上海市杨浦区 、红河蒙自市、庆阳市合水县、大连市金州区、晋中市昔阳县、成都市崇州市、广西来宾市兴宾区、龙岩市上杭县、安庆市迎江区、信阳市光山县、襄阳市襄城区、广西钦州市钦北区、九江市都昌县、七台河市勃利县、孝感市孝昌县、周口市项城市、汉中市西乡县、延安市黄陵县、德州市德城区、嘉兴市平湖市、铜陵市郊区、南阳市宛城区、通化市辉南县、漳州市华安县、广西防城港市上思县

本周数据平台近期官方渠道公开权威通报:,柬埔寨万宝路公司经理联系方式揭秘：深入了解万宝路在柬埔寨的业务布局

在东南亚地区，烟草行业一直占据着重要的地位。柬埔寨作为该地区的重要市场之一，其烟草市场的发展备受关注。万宝路作为全球知名的烟草品牌，在柬埔寨市场的布局也相当引人注目。今天，我们就来揭秘柬埔寨万宝路公司经理的联系方式，深入了解万宝路在柬埔寨的业务布局。 一、柬埔寨万宝路公司简介 万宝路（Marlboro）是英美烟草公司旗下的一个知名烟草品牌，自20世纪以来，万宝路在全球范围内都享有极高的知名度和市场份额。柬埔寨作为万宝路在东南亚地区的重要市场之一，其业务发展迅速。 万宝路柬埔寨公司成立于1990年，总部位于柬埔寨金边。公司主要经营香烟、雪茄、烟丝等烟草产品，致力于为柬埔寨消费者提供高品质的烟草产品。 二、柬埔寨万宝路公司经理联系方式 为了更好地了解万宝路在柬埔寨的业务布局，我们通过多种渠道查询到了柬埔寨万宝路公司经理的联系方式。以下是柬埔寨万宝路公司经理的联系电话： 电话：+855-23-213-000 如果您需要与柬埔寨万宝路公司经理取得联系，可以通过以上电话进行咨询。需要注意的是，由于时差和地区差异，电话接通可能会有一定的延迟。 三、万宝路在柬埔寨的业务布局 1. 市场拓展：万宝路柬埔寨公司自成立以来，一直致力于拓展柬埔寨市场。通过不断推出新产品、开展促销活动等方式，万宝路在柬埔寨市场的份额逐年攀升。 2. 品牌建设：万宝路在柬埔寨市场注重品牌建设，通过赞助体育赛事、公益活动等，提升品牌形象，赢得了消费者的认可。 3. 供应链管理：万宝路柬埔寨公司建立了完善的供应链管理体系，确保产品质量和供应稳定。同时，公司还积极参与柬埔寨当地的经济发展，带动当地就业。 4. 社会责任：万宝路柬埔寨公司关注社会责任，积极参与环保、教育、健康等领域的工作，为柬埔寨的社会发展贡献力量。 四、总结 柬埔寨万宝路公司经理的联系方式为我们了解万宝路在柬埔寨的业务布局提供了便利。通过以上介绍，我们可以看出，万宝路在柬埔寨市场的发展态势良好，未来有望在东南亚地区取得更大的市场份额。同时，万宝路在柬埔寨的业务布局也体现了其对社会责任的重视，为当地经济发展和社会进步做出了积极贡献。

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