,华纳东方明珠公司会员注册流程详解

,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。

吕梁市汾阳市、湛江市廉江市、福州市永泰县、黔东南岑巩县、普洱市景谷傣族彝族自治县、延安市黄陵县、大兴安岭地区呼玛县、吕梁市文水县、重庆市奉节县、陵水黎族自治县英州镇、昆明市宜良县、广西来宾市金秀瑶族自治县、重庆市巴南区、岳阳市君山区、东莞市万江街道、娄底市双峰县、齐齐哈尔市铁锋区

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

可视化故障排除专线,,华纳东方明珠公司会员注册流程详解，很高兴为您解答这个问题，让我来帮您详细说明一下：

赣州市南康区、大兴安岭地区呼中区 ，周口市沈丘县、广西河池市大化瑶族自治县、天水市麦积区、商丘市虞城县、蚌埠市淮上区、南京市秦淮区、南阳市镇平县、漳州市龙海区、甘南碌曲县、嘉兴市南湖区、荆州市监利市、九江市瑞昌市、昌江黎族自治县叉河镇、内蒙古呼伦贝尔市满洲里市、枣庄市山亭区 、甘孜九龙县、伊春市伊美区、济宁市任城区、广西贵港市桂平市、澄迈县加乐镇、大庆市龙凤区、曲靖市师宗县、商洛市丹凤县、忻州市偏关县、上饶市广信区、安庆市桐城市、万宁市南桥镇、淮北市烈山区、北京市门头沟区

全球服务区域: 陵水黎族自治县英州镇、德州市夏津县 、云浮市云城区、景德镇市浮梁县、广西崇左市江州区、泰安市岱岳区、内蒙古赤峰市喀喇沁旗、商洛市商南县、渭南市大荔县、揭阳市榕城区、屯昌县新兴镇、无锡市锡山区、洛阳市洛龙区、忻州市神池县、阿坝藏族羌族自治州松潘县、衡阳市石鼓区、毕节市大方县 、铜川市印台区、开封市龙亭区、永州市冷水滩区、东莞市塘厦镇、陇南市康县

本周数据平台近期数据平台透露新政策,,华纳东方明珠公司会员注册流程详解，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: 丽水市缙云县、合肥市庐阳区 、黔西南贞丰县、无锡市锡山区、中山市石岐街道、黄冈市团风县、内蒙古巴彦淖尔市乌拉特中旗、中山市南头镇、三门峡市渑池县、葫芦岛市兴城市、临汾市汾西县、淮安市淮阴区、巴中市巴州区、宁夏石嘴山市平罗县、长春市南关区、乐东黎族自治县尖峰镇、南通市如东县 、杭州市下城区、平顶山市鲁山县、平凉市庄浪县、娄底市冷水江市、东莞市樟木头镇、内蒙古呼伦贝尔市陈巴尔虎旗、延安市延川县、牡丹江市爱民区、武汉市东西湖区、广西柳州市三江侗族自治县、本溪市本溪满族自治县、武汉市洪山区、河源市和平县、昆明市嵩明县、新乡市牧野区、武汉市江夏区、铁岭市铁岭县、潍坊市安丘市、南充市南部县、大庆市让胡路区、延边汪清县、黔东南麻江县、抚顺市顺城区、广西百色市德保县

本周数据平台本月官方渠道披露重要进展:,华纳东方明珠公司会员注册流程详解

随着互联网的普及，越来越多的企业开始重视线上服务，华纳东方明珠公司便是其中之一。为了更好地服务广大用户，华纳东方明珠公司推出了会员注册服务。本文将详细介绍华纳东方明珠公司会员注册的流程，帮助您轻松成为会员，享受更多优惠。 ### 第一步：访问官方网站 首先，您需要访问华纳东方明珠公司的官方网站。在浏览器中输入公司官网地址，即可进入首页。在首页上，您会看到醒目的“会员注册”按钮，点击即可进入注册页面。 ### 第二步：填写注册信息 进入注册页面后，您需要填写以下信息： 1. **用户名**：请设置一个易于记忆且独特的用户名，以便日后登录使用。 2. **密码**：设置一个安全的密码，确保账户安全。建议使用字母、数字和特殊字符的组合。 3. **邮箱**：填写有效的邮箱地址，以便接收验证邮件和后续通知。 4. **手机号**：填写手机号码，用于接收验证码和重要通知。 5. **真实姓名**：填写您的真实姓名，以便后续身份验证。 6. **身份证号码**：填写您的身份证号码，用于身份验证。 填写完以上信息后，点击“下一步”按钮。 ### 第三步：验证信息 为了确保您的账户安全，华纳东方明珠公司会对您提供的信息进行验证。验证方式如下： 1. **邮箱验证**：系统会向您填写的邮箱发送一封验证邮件，请登录您的邮箱，点击邮件中的验证链接，完成邮箱验证。 2. **手机验证**：系统会向您填写的手机号码发送一条验证短信，请按照短信提示输入验证码，完成手机验证。 ### 第四步：完善个人信息 验证成功后，您需要完善以下个人信息： 1. **性别**：选择您的性别。 2. **出生日期**：填写您的出生日期。 3. **所在城市**：选择您所在的省市。 4. **职业**：填写您的职业。 5. **兴趣爱好**：填写您的兴趣爱好。 完善完个人信息后，点击“下一步”按钮。 ### 第五步：阅读并同意协议 在注册过程中，您需要仔细阅读《华纳东方明珠公司会员服务协议》，了解会员权益、责任和义务。阅读完毕后，勾选“我已阅读并同意《华纳东方明珠公司会员服务协议》”，点击“下一步”按钮。 ### 第六步：完成注册 最后，系统会提示您注册成功，并提示您登录账户。您可以使用用户名和密码登录华纳东方明珠公司官网，开始享受会员权益。 ### 总结 通过以上步骤，您已经成功注册成为华纳东方明珠公司会员。在享受会员权益的同时，请务必保管好您的账户信息，避免账户被盗用。如有任何疑问，请随时联系华纳东方明珠公司客服，我们将竭诚为您服务。

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