,华纳国际有限公司——携手共创美好未来，期待与您携手合作！

,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。

温州市鹿城区、聊城市莘县、丽江市华坪县、凉山布拖县、达州市通川区、西安市临潼区、中山市东升镇、泰安市肥城市、滁州市定远县、信阳市光山县、内蒙古兴安盟阿尔山市、河源市源城区、泉州市洛江区、沈阳市辽中区、扬州市广陵区、临汾市襄汾县、济南市商河县

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

专家技术支援专线,,华纳国际有限公司——携手共创美好未来，期待与您携手合作！，很高兴为您解答这个问题，让我来帮您详细说明一下：

烟台市蓬莱区、凉山美姑县 ，潍坊市诸城市、大兴安岭地区呼中区、烟台市福山区、湘西州凤凰县、伊春市丰林县、三明市三元区、张家界市桑植县、榆林市米脂县、安康市镇坪县、烟台市招远市、琼海市石壁镇、内蒙古兴安盟科尔沁右翼中旗、广州市从化区、滁州市凤阳县、阿坝藏族羌族自治州理县 、定安县定城镇、聊城市莘县、青岛市崂山区、迪庆维西傈僳族自治县、广西百色市田林县、潍坊市昌乐县、吉安市吉州区、温州市永嘉县、烟台市栖霞市、内蒙古阿拉善盟阿拉善右旗、兰州市永登县、吉安市永丰县、梅州市蕉岭县、大庆市让胡路区

全球服务区域: 郑州市新郑市、定安县翰林镇 、直辖县潜江市、三亚市吉阳区、泉州市洛江区、广西百色市那坡县、东营市东营区、哈尔滨市阿城区、陵水黎族自治县英州镇、三亚市吉阳区、温州市龙港市、荆州市监利市、绥化市北林区、济南市市中区、攀枝花市米易县、淮北市濉溪县、安顺市普定县 、文昌市龙楼镇、重庆市涪陵区、宜春市万载县、内蒙古巴彦淖尔市乌拉特前旗、广西桂林市临桂区

近日研究机构传出突破成果,,华纳国际有限公司——携手共创美好未来，期待与您携手合作！，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: 苏州市常熟市、青岛市平度市 、太原市尖草坪区、白城市洮北区、运城市盐湖区、天水市麦积区、新乡市封丘县、天津市河西区、开封市鼓楼区、濮阳市台前县、六安市金寨县、宜昌市夷陵区、南阳市淅川县、中山市古镇镇、黔东南台江县、云浮市罗定市、广西钦州市钦南区 、辽阳市辽阳县、内蒙古巴彦淖尔市磴口县、自贡市大安区、荆门市沙洋县、重庆市綦江区、杭州市滨江区、上海市闵行区、湘西州凤凰县、临高县多文镇、德州市禹城市、西安市长安区、宁德市周宁县、广西梧州市万秀区、红河弥勒市、直辖县天门市、长沙市天心区、杭州市上城区、武汉市江岸区、七台河市新兴区、自贡市荣县、黄冈市蕲春县、吕梁市柳林县、六安市霍邱县、镇江市句容市

昨日官方渠道公开新变化:,华纳国际有限公司——携手共创美好未来，期待与您携手合作！

华纳国际有限公司，作为一家集研发、生产、销售于一体的综合性企业，始终秉持“诚信为本，质量第一”的经营理念，致力于为客户提供高品质的产品和服务。为了更好地与广大客户建立长期稳定的合作关系，我们特此设立“联系我们”专栏，以便您能够更便捷地与我们取得联系，共同探讨合作事宜。 一、公司简介 华纳国际有限公司成立于XX年，位于我国经济发达地区。公司占地面积XX亩，拥有现代化的生产设备和先进的技术研发团队。经过多年的发展，公司已形成了以XX产品为主导，涵盖XX、XX等多个领域的产业链。公司产品远销海内外，深受广大客户好评。 二、联系方式 1. 电话：为了方便您及时与我们取得联系，我们提供以下电话号码供您选择： - 总机电话：XXX-XXXXXXX - 销售热线：XXX-XXXXXXX - 技术支持：XXX-XXXXXXX 2. 邮箱：您可以通过以下邮箱与我们取得联系： - 销售部邮箱：sales@wanagroup.com - 技术支持邮箱：tech@wanagroup.com - 人力资源邮箱：hr@wanagroup.com 3. 地址：我国XX省XX市XX区XX路XX号华纳国际有限公司 4. 邮编：XXXXXX 5. 官网：http://www.wanagroup.com 三、合作优势 1. 优质的产品：我们始终关注产品质量，严格把控生产流程，确保每一款产品都达到国际标准。 2. 专业的团队：我们拥有一支高素质、高效率的团队，为您提供全方位的售前、售中、售后服务。 3. 丰富的经验：多年来，我们积累了丰富的行业经验，能够为客户提供定制化的解决方案。 4. 灵活的合作方式：我们可根据客户需求，提供多种合作模式，满足不同客户的需求。 四、期待合作 华纳国际有限公司诚挚邀请广大客户携手合作，共创美好未来。我们相信，在您的支持下，我们一定能够实现互利共赢，共同发展。为了方便您了解我公司更多产品信息，请您随时通过以上联系方式与我们取得联系。 在此，我们衷心感谢您对华纳国际有限公司的关注与支持。让我们携手共进，共创辉煌！ 华纳国际有限公司 联系方式：XXX-XXXXXXX 邮箱：sales@wanagroup.com 地址：我国XX省XX市XX区XX路XX号 邮编：XXXXXX 官网：http://www.wanagroup.com

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