智谱AI确认登陆港交所抢跑全球大模型第一股

智谱AI确认登陆港交所抢跑全球大模型第一股 智谱AI顶住DeepSeek全面开源的行业冲击，通过坚守L0级通用基座大模型与主攻2B企业市场的战略，在六年内实现从清华实验室到港股IPO的商业化闭环。 本期访谈深入回顾了智谱AI从清华实验室孵化到成功上市的六年半创业历程。智谱CEO张鹏详细阐述了团队如何从早期的AMiner科技情报系统走向自主研发GLM算法，并在面对“百模大战”和DeepSeek等行业冲击时，坚守2B企业级MaaS商业化路线与大模型轻量化、开源生态。同时，他揭示了智谱在团队扩张管理、商业化盈利前景以及推动智能体泛化和自学习范式上的战略思考，表达了坚定追求通用人工智能（AGI）的“开路人”决心。 智谱AI脱胎于清华大学知识工程实验室，秉承“P2P”（论文转项目/产品）理念，历时一年半完成合规的体制内科技成果转化。 (5:00) 2020年GPT-3发布后智谱独创GLM算法，并在2022年投入千万级完成GLM-130B训练并开源，入选斯坦福大模型评测。 (35:00) 智谱战略性押注2B企业级与MaaS市场，放弃国内2C烧钱大战，认为垂直模型是伪命题，必须依托强大的L0级通用基座大模型。 (50:00) 智谱将AGI划分为五个阶梯并坚定长跑，针对DeepSeek冲击优化强化学习与底层工程，AutoGLM长程任务已支持多达200步操作。 (75:00) 智谱将IPO视为AGI长跑中的“补给站”，目前企业客户占比60%，云端与2B收入保持高速增长，目标成为AGI时代的开路者。 (105:00)

智谱AI联合创始人兼CEO张鹏在访谈中阐明了智谱立足认知智能的创业演进路径，指出智谱坚持以自研GLM基座与“P2P”（论文到产品）的工程落地为核心，通过聚焦2B企业服务和MaaS模式构建商业确定性，并将IPO视为通往AGI长跑中的“补给站”。 产学研P2P基因与GLM技术路线抉择 (5:00) 智谱的源头可追溯至清华大学知识工程实验室。2016年前后，团队预见到以人脸识别为代表的感知智能面临技术天花板，在张钹院士带领下确立了以“认知智能”迈向通用人工智能（AGI）的路径，并通过早期的AMiner科技情报平台验证了商业价值。张鹏指出，团队秉承“P2P”（Paper to Product）的工程转化传统，于2018年乘着科研成果转化政策红利与学校历时一年半协商，在2019年6月正式注册成立公司，完成了团队的合规转出。 面对2020年GPT-3引发的技术分水岭，智谱并未盲目照抄单向自回归路线，而是融合BERT与GPT优势独创了GLM预训练算法。2022年，团队顶住未盈利和外部降估值融资压力，耗费约1000万元人民币（算力仅400万元，约同时期OpenAI训练GPT-3成本的十四分之一）完成千亿参数GLM-130B训练并开源。该模型成为当年斯坦福大模型评估中唯一入选且名列前茅的中国模型，奠定了智谱高性价比的算法工程底色。 摒弃2C烧钱内卷，以MaaS深耕2B市场 (50:00) 在2023年“百模大战”与大模型路线争论中，张鹏明确反驳了垂直模型路线，认为垂直模型是“伪命题”，足够高的智能必须依赖于强大的L0级通用基座。在商业模式上，智谱坚决避开国内2C市场的烧钱引流大战。张鹏分析称，智谱清言在中国被明确定位为工作学习时间高度规律使用的“效率工具”，C端用户付费意愿差且LTV算不过来账，盲目跟风补贴只会陷入倒贴恶性竞争。 智谱将战略核心锁定在2B企业级市场，界定了涵盖云端API、私有化部署和软硬一体产品的MaaS（模型即服务）体系。张鹏强调，2B业务虽不够“性感”，但必须考虑实际交付与成本回收，具备更强的稳定性与确定性。目前智谱客户中企业客户占60%（中国前十大互联网企业中有九家为客户），政府项目仅占20%。针对开源大模型引发的客户自建浪潮，张鹏指出开源无法替代深度业务系统整合与原厂服务，经历试错后大量客户最终选择重新流回智谱采购专业解决方案。 AGI阶梯演进与后训练范式转换 (75:00) 张鹏提出了智谱对AGI实现的五个阶梯划分：L1预训练（死记硬背）、L2对齐与推理（SFT）、L3自学习（强化学习试错）、L4自我认知（明确认知边界）至L5人类意识。行业当前正处于从L2向L3过渡阶段。随着算力成本高企，依靠简单粗暴堆算力的“暴力美学”遭遇瓶颈，Scaling Law的内涵已从参数数据规模演变为推理侧计算（Test-time Scaling）以及强化学习Scaling。 受到DeepSeek技术冲击的启发，智谱反思强化学习投入与底层极致工程，推出了自主研发的SLAM强化学习框架，重点攻关后训练（Post-train）阶段，促成了GLM-4.6与4.7版本的升级。面向未来，张鹏预测下一代Scaling Law将发生在“在线自学习”（Online Learning）领域，训练与推理将无缝闭环。他预计统一建模的原生多模态基座技术在2027年有望初现端倪，而真正实现接近或超越人类水平的AGI仍需5至8年时间。 组织管理跃迁与理性视角的IPO补给站 (105:00) 伴随业务扩张，智谱团队规模从2023年的200人翻倍扩展至2024年的400人及目前的800余人，经历了从扁平化到引入中间管理层、信息链条变长的管理阵痛。外界常因其务实、缺乏情绪价值的特质而将其形容为“水泥”，张鹏对此表示认可，并指出智谱正主动收敛带宽，由前期的“平行探索”转向“串行聚焦”于Agent落地与强化学习。 对于即将到来的IPO，张鹏将其定性为马拉松长跑途中的“补给站”，属于公司成立初期即规划的既定节奏，旨在平衡消耗与资源摄入，并非源于所谓的AI泡沫大逃杀。他回应外界质疑称，智谱并非依赖政府项目的集成商，且中国大模型整体研发投入仅为美国的二十分之一左右，远谈不上整体过热。面对商业利润与AGI理想的权衡，智谱坚决将实现AGI作为最高追求。 智谱将自身定位为AGI道路上的务实“先行者”，其核心逻辑在于依靠算法与工程的高性价比克制算力消耗，并用2B商业造血支撑长期研发。然而，随着组织迈过数百人管理门槛并直面二级市场的公开检验，如何在资本回报压力、前沿研发高投入与巨头流量封锁之间保持战略定力，仍是智谱必须长期回答的问题。

[5:00] 张鹏的导师: Paper to Project / Paper to Product [20:00] Google: 你就告诉我未来三到五年在某一个领域里边，哪些技术会成为热点 [40:00] 张鹏: 十年窗下无人问，一举成名天下知。 [50:00] 张鹏: 在美国，ChatGPT 可以收订阅费用，每个月 20 美金，大把的人给他交。但在中国不可能…… C 端用户付费意愿和 B 端在 SaaS 订阅上的付费意愿都很差。如果直接照搬 OpenAI 的模式，在国内除非抢到绝对的首发优势，否则最后必然会陷入倒贴引流、补贴让用户薅羊毛的恶性竞争。 [70:00] 张鹏: 融资拿到的钱只是盘缠 [70:00] 张鹏: 人很容易忘记原来坚持的一些东西 [117:00] 张鹏: 开路的人 [120:00] 张鹏: boring，但是很聪明也很能干，正经用途让他干什么事情他能干得很漂亮，但是他就是没有太多的情绪价值。 [123:00] 张鹏: 教会了我们学习的方法、能力和欲望 [129:00] 让机器像人类一样思考 [134:00] 张鹏: 走到今天的可以说都是英雄 [134:00] 张鹏: 我们不光要让机器像人一样去思考，还要让它思考完了之后能用得上，产生实际价值。 [137:00] 张鹏的数学导师: 机会永远是留给有准备的人的。哪怕你在海上飘着，有一块木板从你眼前飘过，你也要扑腾两下才能把它抓住。 [137:00] 张鹏: AGI历史上的一个先行者。

[0:00] 开了一盏窗户它并不是开了一个很敞开很大的一个门说你随便走吧所以我们是首先吃螃蟹的人跟投资人当时讲这事的时候他们兴奋吗听不懂完全听不懂这什么东西你们怎么赚钱怎么把这个东西商业化了投资人问的都是这个我印象特别深刻有个投资人这些东西能变钱吗你看这个大环境怎么差心情怎么差要不你们把户值降一半怎么样我听过一个评论就是在讲制服的因为制服其实一直不算是市场上最火最明星的项目但是是技术延伸的项目然后你们是有视野有技术但是看起来会有点boring他给我一个描述说就像水泥一样他能干得很漂亮但是他就是没有太多的情绪价值一百年后如果智朴会出现在人工智能的历史书上你希望他是被怎么撰写的智朴是AGI历史上的一个先行者就开路的人张鹏老师先给观众朋友们打个招呼大家好小军好我来这栋楼感觉还挺恍惚的因为从二三年开始我经常来这栋楼进行采访然后那个时候这里有很多公司比如说你们然后有百川还有当年的光年之外今天这些公司感觉命运已经开始分化和变得迥异了你有什么想说的说长吧你说六年多时间你从23年开始算到现在可能就三年时间但是说我们质朴成立开始算有六年多时间那些六年多时间说长不长但是其实发生了非常非常多的事情我们有时候经常的感慨可能过去需要十年十五年发生的事情可能就在这五六年的时间里面就发生了所以确实是变化很大但是也很感慨这不能走到今天也非常不容易是怎么开始这段旅程的可能我在有一些场合跟大家讲过我们出来创业的故事因为我的履历也非常简单其实大家就是清华对基本上从98年进了清华就没离开过到现在为止也在给清华打工因为是我们的股东我毕业以后其实就在清华大学的计算机系工作在学研室里面工作叫知识工程就是人工智能相关的这些事情那到1516年左右的时候其实是一个很关键的一个点因为之前像我们实验室里面也走出去过像唐文斌啊杨木啊这些学生然后很成功的对对对很成功的创办了匡市对创匡市联合创始人对对对也是上一代我们叫上一代人工智能四小龙之一吧AI1.0时代对 所以在那个时候1516年的时候其实我们在内部就在讨论这个问题当然是在实验室里面讨论这个问题看到这些企业其实非常的成功也在市场上也取得了一定的成就也面临一些问题但是因为我们当时在学校里面更多要关注的是说技术本身的演进到底有什么样的一些问题其实那时候很多大家其实对于未来人工智能技术的眼镜这个事情其实看得更远他们会觉得说其实像CV像早期的NLP和机器学习的这些方法可能也就挺好把就在这了可能也做不到我们说理想当中的通用人工智能等等这些事情那时候还没有这个概念吧通用人工智能AGI是有的AGI是有但是当时的第一代人工智能企业之后再往后是什么大家其实想不太清楚所以大家是借着这个问题看到了这个现象借着这个问题在讨论说我们下一代应该怎么办像张沐院时带着我们系里面很多老师包括我们年轻的一些人一起在brinstorming然后在聊这个事情所以那个时候其实就逐渐的有一点想法说我们要去做下一代的人工智能这个事当时就想做下一代人工智能没错其实有两个点第一个就是说技术上现有的这些技术它确实是有天化版的你再怎么样做它比如说人类识别它超过人又怎么样呢超过人之后没有意义了就是再往上已经无法再去突破了它能取得的产业效果也就这个样子那下一代的技术是什么第二个点是说也看到了这一代上一代的人工智能企业的成功也吸取了一个经验人工智能这件事情它本身不是一个纯科学不是理论科学它是一个工程实践加理论科学同步演进的这样一个综合性的学科所以做下一代的人工智能不光是学校的事情不光是研究的事情也要到产业里去做所以当时就这两个方面一个是说我们技术上还需要突破做下一代到底是什么我们要把它想清楚下一个这个事情也需要在产业里面慢慢去腐化它去成熟它所以那个时候就其实给了我们一个契机就是讨论说下一代到底是什么然后下一代的事情到底要怎么去办怎么去做跟企业到底是什么关系产业是什么关系所以那是大概16年左右的事情16年的第一个问题的结论就是说我们产生了一个 [5:00] 叫认知智能认知智能对叫认知智能就是那个时候大概是在那个时候16年左右的时候那个时候还不叫通用智能对吧通用人工智能只是一个很大的目标很大的目标当然我们认为认知智能是我们说的感知智能的下一代就是它是迈向通用人工智能下一个台阶是第二阶段它并不等同于通用人工智能因为那个时候其实大家对通用人工智能觉得很遥远我也定义不清楚就不用强行去定义它但是如果是下一步Next step这个事情我是可以尝试去定义它的清华当时就已经有很多这种跟产业界的合作非常多很多它有这种渊源对清华一直是在人工智能这一块是非常重视产业落地的做了很多的跟企业的合作对吧不光是纯粹在实验室里面做研究做应用做落地当时我们实验室其实还是非常厉害的当时我们在那个年代的时候是少有的可以拿我们的技术去挣美金的怎么挣就跟国外企业合作他付我们都是美金少有的能挣美金的学院师就是说明那个时候其实中国的人工智能技术和研究还是比较靠前的比较靠前所以那个是在那个年代到16年的时候我们就基本上心里就有这个准备就要去做一个企业拿我们的一些阶段性的研究性的成果来去寻找下一代人工智能就认知智能的这个路径为什么是要你们几个人来开始做这个是有渊源的吗这个不是别人要我们怎么做是你们想做这是我们自己想做我当时在实验室里做工作的时候我其实负责的就是就叫工程转化这块教授们带着学生们做研究博士们说什么做研究做完研究的这个东西他可能发paper了做了一个prototype做了一些简单的代码但是我要去deliver给我的企业的客户说企业的客户的要求肯定不只是说一篇paper或者说几个prototype的代码需要是一个system需要是一个product那段时候我就带着一帮人在做这些事情清华一直有工程转化的职位对我们清华的一个非常有意思的事情一直有我们系也一直有我们实验室有甚所以这是我们的传统就是从我的导师建立这个实验室开始他就非常重视这个事情他提了一个概念叫我到现在还记得特别清楚叫P2P不是爆雷的网代P2P他叫paper2Project或者叫Paper2Product就是你的Paper研究成果一定要转换成实际能用的产品或者系统你看现在清华基本上功课类的这种院系现在基本上推广这个概念已经非常普遍了对于原来博士生来说可能你教一篇论文博士论文然后理论上有突破OK就可以了但现在基本上都要求要有实际的system要有实际的应用这其实就是一个推广的过程大家都接受了这个概念所以早期的时候其实我们就有基因就有想法做这个事情所以我们当时就认为说我们既有研究上的前沿又有水平那工程上我们把研究成果转换成工程我们又有这样的基因又有这样的能力其实这个事情就满足了这两个条件我们可以去把它在产业化的角度来说把它落地同时反补用我们的工程实践来反补我们的研究工作所以这个就是我们选择做这个事情的动因不是谁要求我们去做这种事情当然有一些老师们倒是也还提过这件事比如说张宝老师还很清楚的跟我们讲过他说人工智能这件事情它就是一个跟产业紧密不可分的事情你们就应该去产业里面去做这个事不管是研究还是真正的去商业化这个都是一个产业的事情这不由几位联合创世你们当时的分工是什么样的就在学校里面当时其实在实验室里面没那么复杂都比较简单例如说像几位教授唐老师 李老师薛老师他们主要是做科研做研究核心的技术的突破带着学生一起做研究写paper然后做一些事情然后我会带着工程师团队们一起去把这些东西承接下来做一些系统做一些product然后去交付一些客户的一些需求所以当时我们还能挣外国人的钱像德宾他也是做知识产权出身他博士毕业以后他高文院士的学生毕业以后在做知识产权专利相关的事情做了一段时间所以他在这一块比较熟悉成功的转化怎么去做IP怎么去做这个推广技术的推广合作然后Simon是后来加入我们实验室之后就是我们总裁王少兰他是因为在一个上市公司的北京这边中国区这边当老大就市场他非常熟悉而且他也是工科出身做芯片的企业出身所以他也非常熟悉我们这个行业 [10:00] 我们去做一些推广做一些联合生态这些事情所以其实它这个分工就跟我们现在基本上是很类似的所以很自然的我们组合到一起来做这件事情当时要负责工程转化吗你当时想认知智能应该怎么转化其实这里边有一些讨论出来的一些结论就是首先第一个工程转化这件事情除了你要把这个原来的ProTab变成一个生态环境里面可用的产品这个相当于是个Software的东西对吧第二个呢你还要去真正的逻辑去结合真正的这个实际生产场景里边的各种各样的硬件软件各种条件所以这是一个适配性的问题更复杂的就是你要真正的推到市场上去跟客户去售卖这些东西的话他还有一个商业的问题就是你的成本你的收益之间怎么样去平衡的问题对所以这些这些事情就是在那几年里边或者说在十几年里边慢慢的去学会的我也不是干这个出身就比如说游戏商务那一套东西商务对那套东西你怎么跟人家报价对吧你报什么样的价格是合适的你的成本该怎么合算这些事情其实以前你在学校实验室里面肯定是不太考虑这些东西的但是你真正面临商业客户的时候肯定就会人家说那你包个价格给我第一次包价紧张吗其实挺紧张的心里没啥底因为那个时候也不像在公司里面有这么完整的财务什么之类的你能知道说我每个人花多少钱对吧我每天的办公费用是多少其实也没有什么太大的概念所以很多时候就拍脑袋拍了大概孤了一个对所以早期的时候其实很多的项目大概大家就是收了点辛苦钱对挣了点成本然后大家发了点学生们老师们发了点奖金也就那样了16年还没有想过要创业吧16年其实在考虑这个问题已经开始考虑已经在考虑这个问题真正我们开始行动是17年17年我们就尝试在学校这个体制底下科医院所这个体制底下怎么去把商业化转化这个路径走通因为那个时候其实学校里面的这些这个叫体制内人员去开公司这个事儿其实是不允许的敏感对对对它是不允许的大家都知道之前没有先例吗有在职人员有但是呢大家都是就是不是这种正式的官方的渠道就是你一个老师在外面开公司好像你没人举报你什么的你也就过去了但是严格来讲这个事情是需要跟学校你报备批准的对吧或者是不是可能公司如果开的好的话就慢慢就离职了从学校严格来讲这两件事情它不能联系起来它是并行的两条线但学校呢这个事情发生多了之后呢像这种学校呢它会有些考量它会有一些管理规定出现就不允许啊或者什么你报备啊什么就出现这些事情所以在1617年的时候开始做这件事情的时候我们就想找一个官方的路径就专门做这件事情的路径正式的没有想过先悄悄的做然后悄悄的做被发现了再说这个总会留下一些首位我们还是希望说这个事情走得比较顺畅不要给自己留下一些首位一些问题所以1617年的时候其实他找这个路径学校其实也想干这个事他想做一些比如说学校那个时候成立了一些产业转化的一些机构像数据科学研究院像巴拉巴拉的一些机构二级机构其实他就想做这个事而且请来的负责的人都是原来在产业界待过的你看这个意图就很明显他学校也觉得我有很好的这种科研成果那为什么不能把它转化成商业价值呢但这个路径怎么做呢也在也在探索后来契机是到18年的时候国家包括教育部包括几个部委联合给了一个意见给了一个专门针对这种事情的意见一个办法允许科研院所的在职人员用已有的研究成果做科技成果转化然后规定了说怎么分配一部分给到原来科研院所一部分给到创始的团队或者研究团队他们自由支配这是开了一个窗户但是这个分配比例好吗条件好吗当时的分配比例其实没有特别明确的时候到底这个比例是是多少我印象当中我记不太清楚了没有白子黑字的写下来是要谈的是要聊的好像是定了一个底线还是什么我忘记了这个细节有点记不太清楚了如果学校把自己的比例抬得过高的话对创业公司也不好不是很有利嘛对吧所以那个时候其实当然这个事情我就跟说的话开了一盏窗户就大家看到了外面还可以有这一条路他并不是开了一个很敞开很大的一个门说你随便走吧他也没有那么方便是所以出了这个意见之后他怎么执行这个比例到底定多少 [15:00] 谁拿多少谁拿什么分怎么约定怎么评估这个成果其实这细节都没有所以我们是首先吃螃蟹的人我们就拿这东西你看国家给了这个东西那跟学校谈说学校怎么办我想办怎么办这个是你负责谈吗这个当时还不是所以我们董事长去谈的他对这块比较熟悉我刚才讲的他做IP什么相关这些事情然后就跟学校去沟通这个事学校这边其实也挺麻爪的他说我只有这个文件底下这个操作细节是什么我也不知道你们是第一个或者说你们是最先开始来聊这个事情的人那我们就一起来聊这个事所以学校到我还特别记得当时科研院的院长金院长还有当时管成果转化附化也是我们的一个师姐叫志鹏反正还有很多人包括学校的领导都很支持这个事大家一起做一起聊这个事情怎么办怎么分怎么样合理对吧因为刚开始国家的意图也很明显就鼓励大家去做这个科技中文转换对吧不要躺在保险柜里然后把它转换成产业的价值所以就开始聊其实双方都很有意愿无非就是说在这个过程当中怎么把这个东西厘清操作的流程怎么来定这个东西之后大家不要留下一些遗留的问题没考虑到的细节等等等等所以当时我们就开始走这个事情它真正走通就已经到19年走了两年一年多一年多那个办法是18年的我记得是应该是18年的1月份出来的然后研究这个细节走通整个流程公司注册到6月19年六月份一年半时间我们是第一家我们其实里面第一家所有整个清华都是第一家至少我们这三地系是第一家其他学校我不太清楚不太了解这一年半主要就是时间耗在哪就是谈这个中间这个过程比如说大家分多少是37开28开还是19开你评估多少就是你整个这个东西我们有科技成果我们也有拿奖的成果这成果都做过一些鉴定那到底它值多少钱以前都不拿钱那评判的顶多是说是一个什么样的水平对吧他没有拿钱因为你一旦产业化这多东西最后都归到钱上对吧因为做占股本什么之类的你都需要作为用钱作为单位来衡量所以他最后一个评估的过程怎么来定义价值是多少货币上怎么定义这情这谈就那么很久最后让你们满意吗我觉得还挺好的我觉得还挺好还算是比较顺利虽然耗去了一年多时间但是我刚才讲了因为你毕竟是第一个吃螃蟹的前面没有人走过这个路就学校也没走过学校也不太清楚这个事情该怎么办所以大家是在互相理解互相的配合找到这个切合点合适的切合点又不要给大家造成一些后续的麻烦因为他们可能也体制内买到重会还有一些国资啊什么的这些事情的一些要求能把这个事情这么快的走下来我觉得是非常不容易的肯定是学校我们还有各方大家配合把这事情走下来当时有没有参考一些比如说海外散服的教授在我们开公司因为海外这个非常多所以当时确实是看了很多然后学校这边肯定是广泛的调研和看过这个事情然后我们也就反正也举过一些例子跟大家解释这些事情谈这些事情但是这个细节我有点不太清楚因为主要是董事长等于他们跟他们学校去谈的我那时候这个事我没参与太多但这个历程我知道确实不容易搞了挺久的其实我们那个团队运转是17年开始我们就在相对比较独立的在运转但是公司注册成立是19年对对对完全转出来那个时候就19年注册以后就把这个团队从学校的实验室里面全部都转出来这个还挺有意思的因为其实这个政策出的时候是18年然后第一个你们作为第一个吃旁鞋的人士其实你们在很主动在铺这件事情在整个情话里面所以你们才是一帮非常就是想创业的人对吧相对于其他人来说所以刚才你说的是谁让你去让你去创业其实没有其实我们自己想做这个事所以我一直说智朴这个包括我们这个团队还是非常幸运的一帮人很多事情恰好就在那个时间发生了你碰到了最好的事情然后对发生了然后你正好又踩在这个点上这是17年到19年其实一条线你们是在跟学校谈在公司这条线上你们当时在做哪些事情以及有哪些的尝试当时的话因为我们这个团队从学院时那个时候就已经有一个不小的团队大概有一二十人一团队就专门做这些事当时我们主要做的是一个科技情报的平台一个产品这产品在国际上还是非常有包括国内也有很大的一个影响力叫MI当时我们有专门的一个团队在做这些产品化做这个服务 [20:00] 商业化的转化那个时候我们就已经在通过这个产品通过这个技术服务很多的客户包括一些高科技企业刚才说正美元当时的什么谷歌X美服务这些包括IBM什么全部是我们的客户那时候公司是盈利的吗那时候没公司但我们肯定很赚钱赚钱就是爱项目之去一个一个去给他交付能赚多少钱那时候这个我倒是他不是太关心这个事情但是我当时有点印象是有一年我们大概就这个整个实验室的就挣的这种横向我们叫横向的科研经费就项目经费我们就挣了好像一年有接近2000万所以你们当时已经是学校非常有钱的老师了这个钱进不了个人兜对一方面我是觉得其实挺好的市场有很大的需求这个技术确实也有它的领先性我们就想做这个事情而且也确实让我们看到了一些机会说去像就刚才说的下一步的认知智能方向去迈进对 更新迭代的速度可能去产业界之后会更快你们怎么定义感知智能到认知智能的技术区别其实有一个很经典的问题就是我们跟张博老师聊天的时候张博老师老举的一个事情那个时候他说那个时候的上一代的人工智能是解决的是个感知的问题其实他不知道他不知道对你想想这个问题其实挺有意思他画了一个象限他在一个象限里面一个二维的象限里面他画了一下叫现在的问题人工智能解决的这个问题就是说就是一些非常小的一个范围的一个问题然后再往外就是认知上就是我知道我不知道对吧就人有这个能力然后还有一块是我不知道我不知道所以其实我们现在探索的事情就是想让机器具备类似这样的认知的能力不是简单的就是说我识别一个图片或者是理解一个语翻一个语音这样的一个事情就这个东西它没有脑子就原来的这个技术它其实不是个脑子它只是一些技能单个的技能现在人工智能具备认知了吗我看前几个月唐杰老师还发了一个微博说大家觉得人工智能有认知吗可以跟我交流现在解决这个问题了吗我觉得正在解决的途径当中还没有解决完因为认知的本质是什么这件事情还没有得到最终答案这个事一直是计算机科学家还脑科学还有就认知科学有专门的认知科学认知心理学这些科学家们一起在研究的一个问题人的认知能力到底是因为什么不知道现在还没有彻底把这个奥秘解开所以现在的包括在大模型之内在内的这些技术是不是真的模拟了人的这个认知或者说掌握了人人类认知的本质我觉得肯定不是还没有到那个地步因为你自己都没搞清楚这个本质是啥对吧所以你很难说这个事情你已经解决掉但是站在那个时间窗口上你们当时看到的下一代人工智能就是认知智能所以想做这个事情认知智能和情报系统它们是什么关系我们是把认知智能的能力应用在某一个领域里面去做研究以及体现它的能力因为为什么做情报这个事情其实我不知道你了不了解情报学原来情报学的定义其实在学科定义里面情报学的定义是在图书馆下面原来就很多的图书馆保存了大量的科技文献然后所谓的情报学就是通过大量的文献数据的分析和研究得出新的知识或者新的信息这个叫我理解我理解它就是情报学要做的事情那你想想为什么这些顶级的研究人员才能做这个事情因为他需要引用新出新的知识对他要理解原有的那些文献表达的那些知识首先这是第一理解的能力第二你要能把这些理解的这些能力这些知识综合起来重新演绎重新按照你的目标你的想要解决的问题重新演绎去推理并且第三得到一个新的东西得到新的知识这个事情很伟大人类的知识就是这样出来的不断的增长不断的增长因为用旧的东西然后融合然后推演然后得到新的东西其实本质上就是这么来的对所以情报学研究的这个东西它特别像我们刚才说的认知的能力就不是像它本质就是认知能力的一种应用非常密集的一种应用非常典型的一种应用所以我们一开始就做这件事 难度很高大公司为什么买单 比如说Google你知道他们找我们做什么事吗不知道 非常有意思大公司找我们买单 找我们做这件事他问的问题也非常简单你就告诉我未来三到五年在某一个领域里边哪些技术会成为热点成为重要的 [25:00] 它其实是预测对技术预测对所以你看预测这种事情它一定是要基于认知的像市场上大家也在做市场预测是一个事是一个事但是这个事情呢你再往下下转细分呢其实还有很多种的这个问题你像科技情报因为科技类的信息它相对来说比较规范比较好做论文科技报告专利这些东西它都是有规范性格式的也描述相对来说也比较严谨有预料对的你有数据算法是我们擅长的我们加上这些数据比较规范的数据我们来做这个事情最后的结论就是说告诉你一些预测的结果我建立起一个模型对吧我们交付的就是这么个东西那时候给Google预测了点啥有预测到代元模型的报复这个就不太记得细节了他们是怎么找到你们就是全球来看做这个情报系统的人是不是也不多那个时候其实国外还是有的国内也有一些做他们为什么不用国外的团队所以我当时说的我们那个平台叫AMI的那个平台其实本身在国际上影响力还不错而且我们专门做这一块其他的可能就是咨询机构在做包括国内的其他的一些厂商做的这个事情单位也是从图书馆出来的比如说原来的中科院的这个情报所他们是图书馆出来的你们是计算机器出来的对我们是注重算法我们那个时候不是通过人做传统的做法是通过专家大量的调研问卷然后研究文献阅读文献写报告统一人工去做这个事情靠专业的这个专家的这个经验去解这个问题那个时候我们是用机器机器学习的算法用模型的解决这个问题效率也不一样处理数据的速度也不一样可能准确率也可能不一样高低反正就是这个算力需要的大吗那个时候机器学习算法不像现在还好也需要其实是找到了一个场景所以你们当时一出来创业就是有一个确定性的场景的是刚时出来的时候其实是在做这个事情但本质上我们是在做背后的这个核心的这个技术就怎么样用数据机器学习的算法去构建这个模型它本身跟大模型现在解决这个问题非常类似的只不过是用的一些上一代的像晋级学习的办法那个时候赚钱吗那时候也挣钱但肯定也还是亏着的也是亏着的但是那时候也开始融资了对吧对我们出来学校办完科技成功转化之后第一笔天使投资很快就拿到那时候好拿吗还好怎么跟他们讲这个事因为这个事情就是我们跟他讲的其实就刚才说的那个逻辑首先第一我们是核心我们是要做认知智能做下一代人工智能技术然后呢其次呢在这个基础上我们找到一个场景有这样一个产品和平台它也有非常不错的用户基础和市场基础我们已经在学校里面服务了这么多客户所以这个事情大家一看这已经有了都不需要等你去做产品了是个相对确定性的事情19年到XGPT真正出来你们中间一直在做这一件事情倒没有其实这个中间还是变化很大的就是19年我们成立公司其实那个时候我们就在做相关一些机器学习算法的研究其实之前大模型的上一代就是我们现在叫小模型或者叫早期的预训练模型比如像BERT啊什么这类的东西我们其实也一直在用一直在研究我们自己也做一些算法的研究这个是用茶的东西自己训练一些模型所以那个时候就关注到GPTGPT1是18年19年发的是GPT2其实GPT2已经在学术界有些影响了大家争论其实比较多讨论比较多我们也一直在关注这个技术到底行还是不行其实是GPT320年发布是个分水岭是很大的分水岭正好是公司一周年也是6月对它发布应该是5月底还是6月初我忘了大概那个时间就是公司大概一周年的时间正好说我们请战院士因为我们的战略的顾问请他来公司一起座谈聊一聊那时候大家还比较轻松没有现在这么卷那时候多少人那个时候大概几十个人五六十人那样子肯定不到一百人人不多然后请张爱诗来我们内部就讨论说请张爱诗来你不能跟他闲哈辣还是得问他一些有意思的问题他能帮我们解答一些问题我当时就说因为我也在关注市面上很多的一些最新的研究进展我说陈大学有个东西很火叫GP3出现了之后很有意思我就想问一下张远石怎么看GP3当时我其实特别清楚这个是我说的后来来了以后张远石来了以后还真问了讨论了这个问题张远石其实给出的评价还是非常高的对GP3的评价非常高他说是积极学习一个比较里程碑式的进步 [30:00] 就一种新的方式但是他当时还是除了肯定这个事情以外他还是担心一个问题就是他说那个问题他其实还是不知道自己不知道甚至连他知道自己不知道都不行对吧因为那个时候你看GP3那个时候大家都很开玩笑说是一个就怎么说呢就是你他会一本正经的胡说八道就是那个时候开始的说句话就你问他什么任何问题他都会给你编一段答案出来他其实不知道但是他会编一个答案给你对吧所以他实际上就是不知道自己不知道对吧所以他给了很高的一个评价说这个是个很好的一个进步但是他仍然没有解决那个最本质的问题其实是这已经是个很高的评价了然后我们那个时候就开始关注这个事做这个事情开始用他的这个技术方案了吗对我们就研究说这个预训练这个事情就是GPT这个事情自回归的预训练这个事情他和我们之前用的像BERT 类似的这样到底有什么区别它能不能干掉原来的这种方式我们就开始研究算法相关的这些事情做了很多的东西所以我当然记得是20年年中间GP3发布然后我们自己的GM这个算法是在21年大概我们把它相对比较成熟的成型做了一年研究嘛对做了一年差不多一年吧所以那时候还是follow了对吧就是很快做了决定对还是跟进了研究嘛这个大家很喜欢这些新的东西我们去研究这些新的东西但是确实不一样的地方就在于那个时候就说业内其实并没有像现在这么高度统一的认为那个GPT那个路线就是OK的所以那个时候大家还是在想说那有没有什么办法去走出自己新的创新的一些东西所以GM是那个时候定下来的所以GM是在BIRT和GPT之间我们当时想综合这两种算法的这个优势是有一个综合性的对所以它出来这个算法本身它是非常典型的一种带自己典型特征的这样一个算法所以那个时候是开始在做这个事情GPT和BIRT它的差异是什么BIRT它是一个双向注意力它同样是基于Transformer做注意力计算比如你给一个句子一个文本它可以从前算到后同时它也从后算到前GPT大家知道就是单向的我只看前面预测下一个预测下一个预测下一个它是单向这样出现线性的生成的BERT是把中间抠掉就我要它预测中间那预测中间呢我既要看前面也要看后面所以它是双向的所以当时这个大家很形象的描述说BERT就是个填控机器人GBT呢就是一个泵磁器就一个往外泵一个往下泵预测下一个它其实都是预测只不过是双向往中间预测和单向往后预测那你们GLM是怎么综合他们两个的GLM的话综合的方式其实还挺巧妙的我们把这个问题做了一个统一就是你看它原来不是往中间预测不得往两项往中间预测GPT是从前往后这样预测然后我们把两项往中间预测这件事情把这个词的顺序掉一下它实际上也变成了单项往后预测一样的所以把这两个模型这样统一起来了所以当时GLM出来的时候在很多效果上最典型的一个特征就是或者说最有优势的一个特征是说它既能做填空体也能做续写预测就单向预测这个事情因为当时GPT3他们做填空体还挺麻烦的它做的没有办法好其实所以当时GM出来的时候是综合了这两种能力而且这是第一个就是本身融合了两种方法第二个呢由于它采用了一部分的双向注意力它是不是全部的双向注意力是一部分的双向注意力其实取得了一个意外的一个效果是说整个在训练的过程当中它的稳定性更好就大规模训练的时候它稳定性感觉更好就是体感上工程上得到了一个结果然后再一个呢就是说他训练完了以后这个模型他得到了那个参数矩阵他的分布相对来说比较集中就是他不会特别散所以集中的好处是什么呢我可以做量化的时候精度的损失少这个很好理解比如说你的直域是这么宽的话你要做量化比如说平均把它分八等份那每一个域的宽度就很大你一个量化后的结果代表的这个宽度它的精度损失就大但是我如果我的分布本身就窄那我量化的时候我同样是分8等份我每一等份它精度的预值就小我的精度效位就更准确一些对吧这是很好理解的一件事情数学上所以这也是一些额外的一些因素所以算法本身还是挺受学术界和产业界的认可到现在大家也还是认可GOM是读书 [35:00] 一致的一个流派然后后来再接着上来这是21年了对21年然后接下来就是22年我们当时就开始决策要不要像GPT3一样去做一个因为那个时候Scanning Law还很简单的你参数量翻一倍翻十倍上去你智能水平就啪就上去了对吧大家都相信这个所以那时候就开始决策说我们要不要去用GPGM算法去做一个潜移的模型潜移的模型二年二年二年几月份应该是二一年底到时你们怎么认知OpenAI其实我们就很关注OpenAI一直在感觉这个公司挺神奇的15年成立然后之前一直在做强化学习突然到18年的时候把强化学习扔了然后开始搞这个GBT这个事然后开始中式运行训练对中式运行训练然后Elean我个人还是挺喜欢这个基本上他的论文也好他的很多的文章也好我都看我觉得他很多的思考还是非常深入的而且确实是很到点子上那时候应该觉得他们就是一个研究机构对吗对那个时候因为大家都知道他是当时是很多人投资包括马斯克在内投进来是一个做非盈利的一个机构都觉得他就反正就是一个open lab你们当时有没有想也做一个这样的open lab就是你们做一个中国版的这种open lab其实我们的气质就挺像在那个时候就这么想了对对对其实那个时候就想干这个事情但你公司已经成立了你不一定不能把它退回去那肯定还是得有公司的有公司实体还是更方便就那个时候就在公司实体里面就讨论说要不要去对齐GP3去做这么一个模型的训练今天投入挺大的投入需要多少钱因为GP3当时整个火了之后大家分析它整个的训练成本是2000多万美元OK对吧那个时候成本就已经这么高然后我们自己要去训练的话估计花费可能也得千万级人民币以上这种水平哪怕我们再节省哪怕我们的成本控制的更好也得也差不多这个水平比如说我们在外面成立一个公司我们就做成功转化好了只赚钱就是把这些项目卖给客户然后这也是一种做出公司的方法对吧为什么还要去追求这种更好的技术你看为什么我们要讲从16年开始那个故事就是从16年开始那个故事其实就想给大家传递一个信息是说质朴其实不是单纯的说我们就是想成立个公司去挣钱其实本愿还是在于我们要去探索AGI到底是什么这才是我们的本愿只不过我们觉得在成立一家公司在产业里面去做这件事情它更符合当下的人工智能发展的需求而不是简单的只是做研究也不是简单的去挣钱不是简单的做商业化对其实这个事情它是这样因为你是一个探索的过程技术的往前的演进这件事情其实是一条主旋律你的商业化是另外一条主旋律这两者之间我们认为在人工智能当下的生态里头没有办法完全分隔开的就恰好后来OpenAI走的这条路之后你会发现事实证明就是这样所以当时你们是很喜欢OpenAI的在很关注他2020年2021年22年是然后你们最后是怎么决策的要不要投入这千万对当然当然还有这么多钱吗具体因为我不管财务所以我不太清楚开玩笑但其实确实这个事情的投入对我们来说还是挺大的风险还是有的所以当时要不要做这个事情其实还是很慎重的考虑了一下最后的决策应该还是最后说我们应该做而且必须我们自己来做必须自己来做还有别的选择别的选择就是等着看其他人所以我们就很果断的去做当然这个主要还是科学家团队在里面起了很大的一个作用因为之前的GM的研究算法的研究包括刚才说的那些特点都使得我们有这个信心说能把这个一样的一个模型把它训练出来并且性能不会差不会让这个钱打水漂所以最后决策还是要做这个事情我们就投了这个21年12月底到大半年时间一直到22年的七八月份把它弄完大概9个月时间那个Blog还挂在网上可以看得到整个这个历程然后又过了三个月Chash BT9来了对 年底正好22年年底的时候11月30号的时候Chash BT9上线了其实这个中间这几个月其实还挺我印象挺深刻的我那时候也不在北京我在外地在深圳回不来那个时候我们就因为花了这么大一笔钱我们得去接着去融资那是第四笔钱了应该是开始融币轮了吧嗯币轮就是第二轮吗对对于你们来说第二第三轮吧应该是我有点记不太清楚了 [40:00] 但那个时候就开始跟很多投资人聊聊这个事情然后跟大家讲我们训练这样一个模型有几不几三我们也训练了一个对标的模型现在很不错我们也把它开源了那是我们第一次开源8月份开源这个东西为什么开源因为我们当时觉得这个东西你自己捏在手里你短时间之内你也没办法把它变成钱而且这个事情刚启动刚开始让更多人知道这件事情更重要对吧而且我们要打出我们自己的在国际上的影响力那时候我们都是看着国外看着open AI看着国际的事情所以开源这种很容易接受的一种文化中美之间还没有现在那么复杂所以我们就选择把它开源了开源之后确实影响力非常不错有多不错国外还是非常认可的我们当时开源之后应该是那个报告斯坦福尼里飞飞那个报告我忘了是22年还是23年出来应该是22年出来就在我们开源后不久出来那个报告10月份11月份我忘了他那个报告里边唯一一个参与评估而且拍的比较靠前来自中国的就是我们就是这个就是GM130B所以影响力也非常不错而且评估一下结果也非常不错基本上跟GP3互有胜负我在想那个时候国内同系还在做这件事情的还有谁但只有你们在做这个事情其实之前你看还有一些百度在做百度有Earning百度有Earning然后其实那个时候阿里其实也开始做了阿里好早阿里红霞对对对他做MOE什么那些东西然后研究机构就当时我们因为唐老师是那个支援的支援的一个分研支援当时也是唐老师带了团队做了一些事情对公司是除了阿里和半途以外就是我们在做跟投资人当时讲这事的时候他们兴奋吗听不懂投资人听不懂完全听不懂这什么东西你们怎么赚钱怎么把这个东西商业化了投资人问的就是这个我印象特别深刻有个投资人往线上聊的这些东西你们能变钱吗现在你看大环境这么差经济这么差要不你们把估值降一半怎么样降了没肯定不会肯定不会那笔融资其实没那么顺利的其实挺那个时间其实挺艰难拉了多久这也是我们幸运的地方你看我们把这个事情做完之后到缺GPT活起来是11月底真正在国内活起来是在春节前后在国内其实就小半年时间这小半年你们正好是处于融资的期其实缺GPT活起来就帮了我们一个很大的忙就是大家再也不用质疑说你这东西到底是啥我们就告诉他说缺GPT你懂吧你看过吧知道吧我们做的这个事情就是往这去的然后后来都是投资人找你们了是吧对的就很让人叫我你们什么时候能把那个Changebt的东西做出来啊什么什么之类的所以你们这笔融资Close是在那个之后了春节之后了应该是吧这细节我不太记得清楚了过去也算比较久所以那个时候确实是有一段时间是正好砍了那个中间然后Changebt帮了我们一个大忙然后我们自己说实话也算是比较争气啊就是很快的我们把那个Changebt对标的这个Changeb我们就把它弄出来然后也能上线大家看到效果也非常不错尤其在中文上效果非常好而且我们还同时开源了一个TradeGM的一个开源版本一个小型化的版本因为那个时候只有TradeGBTTradeGBT也很大大家三以后他也不开源了大家拿不到很多研究人员心里痒痒的说我只能用我不知道这个里面到底是啥我自己不能玩所以我们开了一个小的一个6B的版本60亿参数的版本一张这个家用的GPU就能跑起来那大家就很爽所以那个时候那是我们第一款爆火的在开源社区里面爆火的一个开源项目下载量非常大同系好的大模型公司其实刚开始组建你们就已经有产品了那是23年初23年初大家看到ChashDB火了很多人开始做从GPT3到ChashDBTOpenEye的动作有超出你们的预期吗虽然你们一直都关注它其实那个时候OpenEye还是比较开放还真的挺open的很多东西它发论文其实后来论文发的少了但是它的比如technical report还有一些它的blog什么之类的其实会把这些东西都慢慢的放出来其实我们就紧跟着它研究包括那个时候我们私底下的一些很多交流因为你有很多计划学生当时我想9个人里面有4个是清华的但是底下的交流还是非常顺畅的大家也知道他们在干嘛包括XPT也是知道的就这个产品要发布对 知道当然它那个项目本身产品本身保密的很但是我们很知道的时候他们还在持续的在GP3之上在做很多事情在往那个方向去走然后它的目的是什么最终的可能 [45:00] 形态是什么对其实那个时候根本就不是太意外上这个东西所以他上了这个东西之后至少我个人是觉得就是说还是挺兴奋的挺兴奋因为觉得赌对了对第一赌对了第二就是说确实这条路走下去它还是有很光明的这个前景当时那不是什么状态当差之又火了之后智朴当时你们有什么讨论有什么交流是一个什么样的公司状态其实大家我觉得跟我可能状态差不多都是属于那种比较兴奋的状态就觉得这个事我们做对了之前的赌注下对了就是我们走了现在了我们已经相对来说是比较靠近的接近这个GPT这个事情所以我们这个研究团队还有这个工程团队春节那个春节是没有休息的然后就确实这样我们这个版本把它推上线然后在小范围当然这个一些原因不能让太大范围的去制作就小范围的让大家去试用大家都很敬严22年到23年转年是不是你们生活发生了巨大的变化是整个就是有点那种网上有个那个话叫十年干什么什么无人知一朝什么什么天下小其实类似就是你之前其实做了很长一段时间你想想我们从19年开始搞这个算法20年自己研究这个算法21年22年把模型训练出来然后把这些东西想要商业化想要去跟投资人聊说这个东西未来的前景都那么大这两三年时间其实是我们一直在努力在做这些事而且也取得了一定的我们认为的一些成果但是确实比较艰难因为大家对这个事情的理解非常认知非常浅非常少所以这个时候你就很难而且大家对于AI1.0的四角龙银去魅了那个时候你说你要做第二代AI又怎么样呢没错他就把我们拿着跟AI比你跟他们有什么差别然后我们只能回归到技术上来说就本质上是有很大的差别的但这种技术上的这种本质的差别这种东西其实在市场来看离他们好像很远他们那个时候还不太相信说像现在这样研究和产业和钱和市场用户之间会这么短他们不相信这个他们认为说你突破这个东西挺好的五年以后大家找我没想到这么快对 他没想到这么快因为大家的认知还是惯性的在往前走它不是一个革命性的看法它不认为你是个革命它只是认为你是个线性的外推对所以二三年一转年就感觉浪来了对吧一瞬间大家就一下子就热血上头这个多么好的一件事情怎么怎么着对吧这个挺有意思的一件事所以我们我个人反正的内心里一直很感谢我们还做了很多事情让我们觉得能借上这个力23年有什么印象深刻的事情吗最印象深刻的就那几个字百磨大战圈内的圈外的因为之前你们做这个事情还是很低调的对吧就是关注的人很少也无人问津然后23年这变成一个市场的名牌了老王也来了然后一下大模型有六小龙你看那个时候就熟识的人好多熟识的人小川儿我是兄对吧芝林从前是出去的然后你看身边的很多人就啪啪啪分别分就跳进来包括那个现在的龟姬后来袁静辉袁静辉袁老师我没认识他很多年他之前在光年之外对对对联合创始人被慧文拉进来的你看这身边很多人都站到了里头然后那个不认识那就更多了那就不用讲了所以二三年特别热闹百磨大战对纷纷扰扰的特别热闹是什么感觉呢就是我们在这里已经做了好几年你们现在突然之间一夜之间全来了我觉得就两个就感觉上感受上就是两个感觉第一个感觉呢就特别兴奋就这个事迎来了一个很大的一个机会很大的一个浪潮大家都不用再去教育投资家也好市场也好什么也好大家都不用再教育反正你做这个事情大家就哦知道我们想干这个事吧行挺好的然后第二个呢其实还是说实话我个人来说还是有点焦虑有点担心因为每风大浪过来再往后看一点就是可能就是一片狼藉最后留不下鞋长挺害怕的这种状况做最早不一定能留下这个是焦虑的我倒不是焦虑这个我倒是我都对我们能留下或者说我们能做出来这件事情倒不是特别怀疑我怀疑我怕的是整个市场有一个极端走向另外一个极端之后然后塌掉之后再很难回来就烈火烹油之后剩下的是啥如果这个市场都没有了你做的再好也没用为啥市场会没有因为我们看到太多的这种事情了就大量的资本也好人也好进来团队然后开始搞这件事情然后各种各样的声音各种各样的想法新的老的旧的然后各种各样的参加在里头然后其实很多时候大家只知道说这个事是个很好的事但是其实分辨不出分辨不出这里面 [50:00] 这个百魔大战大家都说的这个事情谁说的是对的或者说谁说的是更接近真相的谁说的是吹了一个故事谁是吹了一个泡泡分辨不清的今天看能分清吗我觉得肯定有一天能分清现在还没有分清我觉得还有一些很难分清的东西这就是它的魅力所在但是它越来越聚焦或者说收敛到它的真实性问题上不再有那么多的泡沫或者说假象的东西在里头现在回望23年好神奇对非常神奇我也很感慨23年怎么过来我印象当中纷纷扰扰23年就过去了很快唯一比较深刻的印象就是23年我们全GM上线8月份上线然后还有一个印象是那一年的WIC在上海开WIC我去转了一圈展馆有人后来数过当然我没数过有人数过整个展馆里面跑完之后基本上所有展台上因为是人工智能的所有展台上都有大模型三个字各种各样的大模型三个字拍到外所有的拍下来贴在一起巨长笔每个这么一条列这么巧嗯挺好玩我也去转了一圈嗯就发现大模型绝对就是但大家讲的故事或者说的事情就千奇百怪各种各样的事情你觉得很离谱的是什么呢我倒没觉得有什么特别离谱的我倒是也看到很多很新奇有些东西我没想到我自己吸收到很多的东西其实那个时候我觉得是二三年大家最在大模型本身这件事情上争论的事情不再说大模型本身有没有用而在于争论一个事情叫垂直模型通用模型和垂直模型对这是二三年大家经常会聊的对每逢我去跟大家聊什么事情的时候参加什么会大家都会问的问题但你到今天来看这个事情你会发现当时聊的这个问题它其实就是个稳定题到今天来看所谓的垂直模型根本就在市面上没有什么声音不管是研究也好还是产业应用也好其实都没什么声音它就证明那个时候所谓垂直模型这个事情它里边被人加了些佐料佐料对 出现的东西当时23年我印象很深的这几个事就是老王发了一个英雄帖然后那个投资圈和那个大王星圈里边还是非常有名的一件事情对 然后包括王小川也入局了小川对你当时看到这些就是非常成功的企业家OERS创业然后来抢你们就是本来已经生根就做了好几年的这个事的时候你当时在想什么呀你会担心在商业上竞争不过他们吗我倒没觉得这个事情因为首先第一个我们做了这么长时间对这个事认知还是比较深的虽然ChagPd火了但其实我是觉得他要走的路还挺长没那么快没那么容易其实我是欢迎像小谈师兄还有会不会这些会不会也是师兄他就比我们稍微大一点对欢迎这些有实力也成功过的人或者有经验的人入这个局来一起做这个事情因为我一直也相信首先第一这个事情还没到那么快见终局大家那个时候有点预期过于乐观对你当时觉得要多久能见终局我不知道当时我确实也不知道多久能见这个终局我的直觉告诉我这个事情没那么容易没那么快能见这个终局还需要时间因为这个技术研究了之后你会发现里面其实还有很多问题你没有解决掉那时候最棘手的是什么23年23年的时候你说技术上吗其实技术上我觉得还是模型的能力还是不太够就它只能当一个chadebot显然光当chadebot是不行的对不对很简单我们原来能做的比如说像情报的分析这种事情它需要你预测需要你做逻辑分析需要你寻证需要很多东西这东西都没解都没解你出了两个天你还能干嘛你敢问他说我今天哪有哪不舒服你给我推个药你敢吗你肯定也不敢对吧就像他说了你也不敢用所以他其实里面还有很多很多问题去解决真的要应用起来是个很长的路而且我也相信说这件事它并不是说靠某一家或者某一个团队某一个人他能解决的问题我相信还有很多问题没有发现那应该它就是一个很open的问题大家一起来做这件事如果大家都统一了这个认知来做一个事情这是个好事共同推动这件事情最终的更快的向一家这个目标去靠拢我觉得这很好的事情所以我跟小川也因为那个时候也在在这一边就很近经常偶尔在楼底下经常在楼底下碰面他有习惯他经常思考的时候他有个习惯我知道他经常下去在我们的科技园底下有一个开放的广场上面有长凳他盘着腿坐在那想问题就拿一个跟你这样的拍子跟他想问题我有时候下去就买咖啡碰到他我们就可以聊两句我记得有一次我在机场的摆住车上跟他通过一个电话关注 [55:00] 他说前两天看你跟华为活动上讲了这个问题说这个模型应该分为L0 L1 L2当然这个概念是叫法是华为提出来但是我是觉得有点它的道理L0是机座L1是专业化的特殊化的然后L2是应用层的东西然后L1接近我们说的所谓的叫垂直模型然后小川就跟我打电话的意思说这个挺好的我们大概应该大家一起打上一个共识是向周边的整个行业整个市场去推广这个概念这是他打电话跟我说的这个事情我印象特别深刻我在机场的百度车上所以其实他是愿意去做这种垂直化的专业的这个事情那你正和他这个方向吗因为那个时候我不是太确定说他能做到什么程度或者说完全垂直化去做这件事情他能不能做到他的预期的这个效果但是我的直觉其实告诉我说没那么简单你相信通用我不是相信通用因为我是相信说足够高的智能这件事情它不是一个专项能力哪怕一个最好的医生他有技术教育对 他也是个非常均衡的知识那他比如说可以基于一个开源的大模型然后去做专业化的这个是可以的这就是我为什么后来认同说L0 L1这种观念原因我在后面补了一句就是说垂直模型这件事情或者专用模型这件事情是可以的是没问题的但是他一定要基于一个足够好的L023年close了几轮融资我这样还记不住了B以后23年24年会轮输比较多也比较密集大概三个月左右吧一轮了这时候投资人在找你聊啥其实那个时候就开始就聊刚才说的这些问题了这时候首先第一你看入局人这么多对吧你们有时是什么对对对你们有时是什么你们为什么要做这个要领这个基座他好挣钱吗对吧你怎么把这个基座这个事情这个同用这个事情变成一个挣钱的生意呢你看那个专业的这个事情医疗啊什么这些东西多挣钱啊多容易挣钱啊对吧大家都是付费的你做个同用的这个东西大家怎么给你付费呢为什么要付费呢那就这样的一些问题更接近商业化其实在那个之前我们把我们的模型迁移的模型训练完之后其实就在想这个问题就未来大模型本身的商业化路径到底应该怎么走其实那个时候我们已经在想所以MAS这个概念Model as a Service这个概念其实是21年左右22年不到吧但21年那个时候我们最早提的一个概念我们的一个想法那个时候定义的所谓的Math比现在大部分人所认为的Math范围要广现在大部分人说Math都是指的原因API that's it结束没了但是那个时候我们说的Math其实形态更丰富除了云上的API这是通用的就像我们用电一样大家都用了还有类似像我们把模型当作一种随意可部署的一种组件部署到各种地方我们叫本体化部署还有软硬件结合的可以随时拎到哪的这种产品这种服务方式所以我们定义的这个形态MAS的形态是很丰富的所以这也是我们后来开始做商业化的过程当中你会看到这些事情我们都会做所以那个时候我们就提出来当然怎么会变成现在这个收缩收缩成MAS收缩成这件事情我觉得云场上功不可没为什么他们想往这个方向引因为这是他们的战场他们的主战场他们更有利我是这么理解这个事的但并不代表其他的这些东西不存在为什么很快质朴选择的商业化路径就是2B的为什么没有followOpenH去更积极的做2C我觉得中美之间差异还是挺大的你说讨论过这个事情吗肯定讨论过这个事情是23年其实更早就刚才说我们说做MAS这件事情的时候我们就讨论过这个问题你看美国活得很好的SARS在中国活得很惨对是吧在美国JGBT可以收订阅费用每个月20美金大把的人给他交但在中国不可能这两个事情都不可能就C单用户的付费意愿和弊端在SaaS订阅的付费意愿上都很差我们当时分析是说如果你直接照搬ChangePT或者说Opercent Adonate那一套模式在国内除非你能像他一样抢到一个非常巨大的首发的市场的优势否则很难当时群雄割据大家混战的局面基本上很难最后必然会陷入到倒贴引流补贴让用户好羊毛这种状态所以你们是什么时候决定我们不深入涉入2C了这是一个决定对吧应该是个很重要的决定我们倒不是说我们决定是 [60:00] 不深入去做图片图片也做后来我们发展出来制补青岩然后APP然后ChallGM的云端的版本我们还一直在做包括现在也仍然在做只是我们会选择说不是压住在唯一的选择上我们会同时看我们刚刚定义出来的那三四种模式哪种模式更能走得通你们为制补青岩投过流吗投过呀也投过也投过这没什么好否认的肯定投过多久发现这一张打不赢有一段时间了有一段时间之后他还发现第一次端市场它本质就还是中国的次端市场付费医院还是太差大家不太愿意能付钱其实我们还是挣钱挣了点钱的在新年上因为我们的会员是有VIP会员是收费的收了点费用不多反正挣了点钱这是第一个第二个后来我们发现我们对这部青年产品本身的定位其实是不同于市面上那些其他的那些APP的我们定位成它成一个效率工具这个效率工具呢它就不可能有很大的这个付费的市场它的用户群体它其实比较的集中你看我们的用户曲线用使用的这个取线很有意思就使用那样的取线它是跟我们的上班和学习的时间是重叠的早上8点钟开始到中午12点钟然后下午1点多钟到下午5-6点钟晚上基本上很少有一个小高峰大概8-9点钟后来我们分析是干嘛家长教孩子扶到孩子作业他都是把这个东西当作一种工具助手在用所以你觉得这个商业模式走不通我是觉得反正算完这个LI之后是很不合算的一件事情没有想过要参与豆包啊KIMI他们这种竞争吗那不是我们的风格可能基因不一样对我们也不一定能做到那么那么一个地步投资人有问过这个吗因为这个想象空间更大一些2C有问比2B对于投资人来说更有吸引力一些对吧我不太理解这个吸引力从哪来后来我自己猜测了一个原因是在于这个在于这个模型比较好算这个数字模型比较好算一个用户值多少钱比较简单但2B呢它太复杂了你说一个客户值多少钱这个事情千几百块而且各种各样的因素都有所以他想要把这个事情算得很明白比较困难而且2B容易陷入低价竞争在中国的环境里2B低价的情况多少还好一点有也有我知道砸低价投标什么砸低价什么这种事情我们也碰到过也是受害者之一但多少大家还是有个底线因为毕竟大家都会心里有个底是说2B这个事情你是要交付的你要收住成本的你不能说网顾成本去做你一单两单可以但时间长了你肯定是不行的所以大家有个默契基本的默契是说在2B这个市场上低价抢单这种事情是不受欢迎的是不受欢迎的甚至连甲方他都不欢迎你会认为他是得益者吗其实不是他也担心说你交付不了我给你的钱根本不够那你怎么保证你的交付你的质量呢对吧所以在2B这个事情上相对来说他确定性其实是更好一点虽然他可能故事听起来没有那么sexy对吧那个账没有那么容易好算但其实它是相对比较stable比较确定性一些而且中国的市场本身就刚刚讲包括像SARS起不来这个事情它现在它的特殊性的它有它的一些原因我问过很多人为什么中国的SARS没起来为什么没有起来这个会改变吗在AI的时代有一个人跟我讲的一件事情我用同样的钱你买订阅一个月花10万块钱我可以用10万块钱买10个人一个月帮我把这个活干了完了就全是我的本质上是因为这个还是因为这个成本的原因那你觉得在AI时代有可能改变吗很好的一个问题AI这个时代的算法又是另外一种逻辑可能我也预测不太清楚未来它是会什么样子但是它里面有一个悖论就是AI这个事你看现在最火的是什么AI coding就程序员不在之前的变得越来越便宜那有可能那从这个角度来看定制化这个事情是会越来越普及的对吧大家不再去用一些标准化的东西反正开发成本很低很便宜我就能得到对吧但是另外一方面的就是你AI的这些工具使用的成本其实仍然还是居高不下的训练成本我们先不说推理成本就不低它也有一个底线也有一个刚性的成本在这摆着以前是人的基本生活的工资的保障刚性的要求现在是AI的它的成本的刚性的要求也摆在这所以它会比原来改变一些但不会那么剧烈的突变式的改变你刚才说对于2B来说报价和成本合算 [65:00] 很重要你们积累了这么长时间在脱币的业务你们有什么knowhow我觉得这个是作为一个软件企业或者说一个人工智能企业里你最高溢价的地方就是我们是做这个技术的我们对这个技术的本身的这个了解更深可能其他人也能做类似的事情但是他可能需要更高的成本那我们可能只需要更少的人更短的周期我们就能达到更好的效果那这就是我们的溢价空间23年团队迅速扩张了多少人23年的话大概是200多人吧到了200人对24年呢24年的话到400人现在呢现在大概800多人每年翻一倍基本上每年翻一倍办公室扩充了多少啊就是在这我们在25年以前保持了一个记录每年搬一次家每年搬一次家都是在这栋楼是吧没有搬了三栋楼都在这个园区就是那个那边有一个叫科建最早我们在那边后来搬到隔壁B座B座是就是那个塞尔大厦B座两层然后再就24年初搬到这然后25年没动什么感觉啊变化这么大这么剧烈变化很快整个这个行业包括这个技术的演进包括市场的变化非常非常快我们要做的事情也非常非常多所以团队的扩张这个事情它自然而然就这么发生了那当然这个中间也会有一些波折整个公司的治理啊管理啊等等各方面包括成本的控制各个方面都会有一些新的挑战出生发生二三年最大的挑战是什么我觉得二三年就是怎么保证这个技术的快速更新迭代然后在这个纷纷绕的这个商业化市场上找到自己的路我觉得这是二三年最大的挑战二三年找到吗我觉得基本上二三年我们把我们的基本的这个商业的这个商业化的这个架子框架搭起来MAS那个时候有然后我们的2B的企业服务的业务有对吧然后还有我们的开源还有我们的研究的进展也有23年就是更新迭代也非常快就GM2、3就发布很紧密的在做所以那时候也是我们见的第一次是吧23年的时候所以23年的印象还是挺深刻的你看23年我们讨论的还是王惠文王小川这种企业家过来创业到了人工智能的行业那24年其实大家讨论多的就是KIMI和MINIMAX对吧你是当时怎么想这个事的我是觉得这个一个全新的行业里面出现这些年轻的更新锐的更有想法的这些人进来它是个变然现象毕竟它是个全新的东西对吧大家产生一些新的主意这个年轻人肯定会更active一些对啊更有passion一些去做这些事情我觉得这个也是正常的历史的一个趋势发展的一个趋势你会怎么看杨志林啊当时志林我跟他接触还算有几次吧比较毕竟我们实验室出去的然后也跟他聊过刚回国我们也跟他聊过非常聪明的一个人他在学校是什么样的人属于这种学霸类型的去森林屋然后念安博士回来然后当时的他的一些研究成果在圈内还是影响力非常大的所以他当时最早创办的公司是循环智能然后再后来开始做悦在面做KIMI我觉得他应该能成你觉得他应该能成对他是非常聪明的一个人而且他在这方面积累和研究非常深这种同门师兄弟到了商业环境开始竞争是一种什么样的感觉我觉得可能清华的人有这个特质大家都比较属于这种功课男比较理性对大家在一起的时候也聊得很开心聊兄弟聊这个师兄弟的这种事情大家也都很说得开那在上言商碰到了该怎么样那就怎么样各自有一套规则各自有一套沟通的方式那你怎么看严俊杰呢在24年我跟杨老师也碰到过我记得是应该是24年的WSC吧开幕式的时候正好我跟他做一块我们俩挨着做我们一直在聊也在聊一些事情那时候聊的我经常聊比较多的聊算力聊训练成本怎么控制巴拉巴拉这些事情他也是个非常聪明的人我觉得他找首先第一个找对了方向第二个找对了市场然后在这个基础之上他非常明白自己想要什么想要什么我觉得他可能就直接笨的真的就是笨的山洋化这个事情去的你看他做的很多事情你看不管是那个TOKIE也好还有这个 [70:00] 语音然后多么泰这些事情它都是朝着这个方向去的消费娱乐然后大家的精神价值情绪价值这个方向去的它很明确它也非常明确所以我们刚才讨论的这些不一样大模型舰队在不同时期出发觉得真正在追求AGI的是哪些我们肯定是坚定不移的追求AGI这个方向你一直跟我说一句话我印象很深就是你说融资啊这些钱都是盘缠吗对只是一种表达我其实本质上还是说在这个过程当中其实是在寻找跟我们有同样理想有同样的坚定的AGI的信仰我们开玩笑说AGI信仰的一拨人一起来做这件事情因为我刚才还是开场说过那个句话就我认为这件事情它这个路还是挺漫长想要达到AGI这个目标它并不是很简单的说我手里有一笔钱我就能翻过一只山我就到了路上的真程还是很长的碰到的问题会很多如果说大家不是为了同样的信念来做这件事那很难坚持长期一起来做这些事情当然会有不同的人选不同的路径比如说他有可能选择说我找到一个确定性的一个市场确定性的一个商业化的路径我把技术先转换成这个商业需要的产品然后挣回来大笔的金钱然后尽早的实现这种商业化的闭环之后我再来投入去追求AGI什么之类的这个事情我个人觉得没有必要所谓叫取钱救过原因在于是说第一信仰这个东西想要坚持下去本来就是一些很难的事情我个人不喜欢就为自己比如说绕个路啊什么之类的找一个理由那我们觉得这个事情难且重要那我们还是要坚定的朝这个方向去努力不要轻易的去去所谓叫取先救过这个事情因为人怎么说呢很容易忘记一些东西对很容易忘记原来你坚持了一些东西这是第一个第二个从技术的角度来说我也认为说并不是说你在某个方向上突破这件事情就能真正的帮助到我们AGI实现因为真正的单向能力突破这件事情当然我看了有点可能有点狭隘了但是你可以看到上一代人工智能比如说在继续视觉上在有些特定的任务上单向能力上它确实突破了它确实比人还好了so what它不解决问题包括自动驾驶可能解决了也不能对带来通用人物其实大家都知道这个自动驾驶现在是在干什么所以现在为什么大家又在从马斯克之后开始转向什么视觉方案或者是大模型方案什么之类的这种方案是因为大家重新认识了这个问题重新定义了所谓驾驶这个行为到底是个什么行为这是什么意思看你把这个问题定义在哪比如说原来搞自动驾驶这个事情是一般来说两拨人计算机的人和自动控制的人搞自动化自动控制的人就是两拨人所以经典的自动驾驶的毁入就是说我有感知不管是雷达也好视觉也好还是什么红米波也好对吧我采集信号然后把它变成计算系统的输入然后计算系统它实际上是个决策系统我要根据输入这些信号的研判说我在当下这个情况到底是什么情况然后决策我的行为输出是什么是打方向踩刹车还是加油门它实际上是一个这样的一个闭环的这样的一个自动控制系统它所有东西是白河的透明的这种方法论就认为是说我通过这样一个闭环的这样一个系统我只要把它做到灵敏度足够高只要做到我的感知的精度足够高我的决策链路的延时做的足够的短我就开车就没问题但是后来发现这种方案它最害怕的是各种corner case你可以训练一万遍十万遍一百万遍路上碰到车怎么办碰到公交车怎么办碰到车条线怎么办碰到红灯怎么办但是你很难训练一千遍一万遍说路上突然穿过去一只兔子怎么办因为你没有那么多数据让他去学习这个模式到底是怎么回事对吧这个判断力很难它还是笨的它不是笨的它是它只能机械的教条的执行这些我学习到的规则规则以外的东西我是没有办法放话的这个就不是你们定义的认知智能对认知的能力是说我通过有限的样本学习或者说大量数据学习之后我总结出来这个东西是能搬到一些我没见过的情况下能放话能放话的这个才是我觉得是认知智能和原来的感知智能最大的一个区别有脑子对都有脑子但是脑子的最重要的点是在于我们能够根据这个记忆去推演一些新的情况能够举一反三对就是能放话就是放话所以这个是很关键的东西但这个放话能力到底是啥是啥呢学习能力逻辑推理能力还有自我纠正错误识别错误纠正错误的能力你看这些加起是不是就 [75:00] 会出现一些能力出现一种可能我可以试人也是这样对吧叫你开车开会了手动挡的车让你去开自动挡的车其实你会很快就会为什么你会去尝试尝试不对跟以前不一样那么尝试几次之后我就知道原来是这样其实估计也没人告诉你怎么开你自己就能学会这就是你学习反馈试错然后再放回到新的情况上去因为我前段时间跟一个数据专家聊我觉得印象还挺神的他说什么样是好的数据以前以为就是对的数据是好的数据后来发现错了就是有很多就是他中间出错然后又纠正的数据是好的数据这种数据可能更贵就是他含有那个试错的过程对对吧这些数据里面其实这个就是我刚才说的一个问题就是真正的认知这个能力或者说学习的这个能力本质是什么人的这个认知能力到底是什么他是从这个正确的数据里面已有的这个给他的这种规则性的这种数据里面学习到的这个知识更有用机械性的知识记忆下来更有用还是说在这个过程当中试错的经验对来说更有用对吧你看Suturn就纪念的图定奖他的理论就是叫Experience Error就是进入到一个经验时代经验是既有正确的又有失败的错误的你所有的体验从经验去学习对对对你所有的体验是你智能的提升的一个必经路径他也是The Beatlesson的作者是的所以我觉得他说的有道理的是有道理所以现在的学习大模型的学习越来越强调预训练之外的Middle和Post Train你看Post Train大量的就是在做这方面的学习说到这个我看了唐杰老师前两天的那个微博他写了一个很长的微博在12月23号的时候他把人工智能当下这个范式和阶段其实描述的还是挺清晰的就是说模型扩展先是从预训练的scaling然后到了meet和post training的scaling然后现在到了算是agent阶段他说的是原来的agent是通过模型应用来实现现在模型已经可以直接将agent的数据集成到训练过程增强模型的通用性所以你们整体看这个scaling law在今天当下这一刻它还在继续吗现在scaling和比如说三年前两年前的scaling出现什么变化其实这个事情挺有意思的它写的这个东西其实你看我再往前追溯追溯其实我们之前我们提出来过一个叫L1到L5的就通用人工智能实现的L1到L5的五个阶梯预训练是第一个阶段它解决的就是你从已有的数据里面学习到这种世界知识一些常识对对对死尽硬背吧你就把它记下来就完了对吧第二个呢是对齐和推理对齐和推理就是说你记下这些知识之后你要会用正确的用并且能够把它进行一些组合在合适的地方去组合来解答一些实际的问题这里面的关键是强化学习对齐和推理还不是其实它的关键是SFT第三个阶段就是现在我们说的自学习阶段它的关键是强化学习自学习的重点是强化学习对它不断地在经验当中在试错当中去学习正确的经验错误的经验对比然后不断地获取强化的信号然后我去往正确的方向去走它不是一个死精英背的过程我学习的是一个过程它是一个过程然后L4是叫自我认知因为就还是回到我们说的张院士画的象限图上你除了你知道你知道的事情以外你还得知道你不知道的东西所以你没有自我认知的边界你就不知道哪些是我不知道的哪些是我知道的再往后L5就是到人类的类似像人类的意识这种conscious的那类东西那就更复杂一些定义还不是那么清晰但至少我们认为L1到L5应该是这么一个过程所以现在在中间L3这个位置上所以scaling law发展到L3的时候你看L1的时候scaling law是什么就是参数量数据量对算力对数据对算力报参数L2scaling law变成了什么变成了SFT就不说变成了推理的计算式的这个叫推理式计算test time scaling对变成了这个计算量然后L3变成了一个强化学习的scalingL成为这个scaling law的所谓的这个核心那再往后是什么你看scaling law它其实也是在不同的时间段不同的这个阶段它在不断的在变化其实这个变化也很正常因为你想想scaling law本身它提出来的时候是一个非常不严谨的一个说法为什么它就是说随着这个参数量的这个增长智能水平呈现一个指数级的爆发式的增长它只是个现象的描述它并没有一个很科学的依据你看23年代都想要进暴力美学对啊就简单粗暴堆算力对啊但是这个从科学的角度来说如果你发现了一个现象对科学家来说最吸引人的是什么 [80:00] 吸引大家是什么是探究这个现象背后的原因到底是啥我掌握了这个原因的本质我就能利用好这个事情而不是从简单的表象上来说对参数对吧总有一天你会对到说好像不起作用从你们的视角什么时候是对算力不起作用的时候是哪个时间点这个倒也没有一个特别明确的时间点其实是对到一定程度之后成本先受不了了成本受不了了对有多贵了非常贵算你涨价你也知道爱三年就开始涨那涨得多可怕成本受不了了成本受不了了大家就不敢继续这么这个时候有两条路第一个是我融更多的钱我讲更大的故事第二条路是开始优化你们选择哪一条OPCAD走的坚决的走的第一条是吧然后我们也做了第二条第一条当然要做你还得去融钱你纯靠自己挣钱你肯定挣不来那点钱你肯定第一条你要做然后第二条你也得做所以当时我们做了很多这方面的工作你刚才问说我们训练GOM130B花了多少钱对吧我们算力我们才花了400万人民币算上人工什么77882加上去大约1000万人民币那你想想OpenID GPT-3那个年代2000万美元十四分之一这是中国团的优势这是中国人的优势大家会去向细节抠细节去要这个效益要这个收益成本所以雕算法中国团的雕比较好调这个东西甚至包括后来说的我们说的能在这个比较便宜的这个叫消费级卡上做迁移模型的推理这事也是我们先干的那也很便宜降低成本你从一百多万的成本一百大几十万的成本降到只需要二三十万大家也很happy包括现在我们仍然也还在做这个事这两天我们不是更新4.7吗这个模型表现非常好非常好但是好并不是因为他把参数量又加了一倍或者什么之类的没有啊我们觉得参数量还是只有三百多币它为什么好呢好的点就在于说首先第一我的训练效率更高数据利用率更高对吧模型的架构本身就有这个优势第二我们其实在模型本身这个参与量设计结构设计的时候就考虑到未来在推理的时候怎么样控制这个成本我就可以单击推理8卡就够我不太需要什么16卡所以降成本一直是一条主线对其实一直是一个很重点我们一直在做这个事包括跟很多国家行芯片什么之类的做适配其实也是在找算力上成本降低的这种办法刚才说到Skinning的好几个阶段对应到质朴的发展的过程中你觉得有影响它的一些决策吗或者是技术判断这个应该是伴随着整个的研究的过程所以刚才表达那个意思是说对于scanning law这种就是你现象描述的所谓的现象描述的这种事情我们并不特别迷信所以23年当大家事长上都在说暴力美学的时候你们是心里是不屑的我们倒没有说特别不屑只是说在能力范围之内我们该做的事情肯定会去做那个时候我们的模型的体量那时候还是dance模型就是单体的球迷模型一直就是1000亿一直到24年到GM4的时候才把它扩到2000亿我们一直很克制没有像市面上很多其他的友商或者是研究团队上来就直接奔着万亿去了打几千亿的模型去了我们还是非常克制当时会不会觉得自己太妈了这件事情其实并不取决于这个模型的参数量或者是这个规模上其实本质上还是你看最后的效果就是你们有自信一个更小的模型其实是可以有类似效果或者更好的效果其实里面有很多东西都可以做很多工作可以做比如刚才说你刚才说了这个所谓叫好的数据和有价值的数据这个事情数据工程上就有很多事情可以做同样的参数量你用不同的数据去训练出来的效果可能不一样我把数据量减小20%但性能仍然维持那不挺好的吗我可以用剩下的计算量再加20%的别的数据让它在别的能力上再有提升对不对挺好的吗然后我加了这些数据之后有可能比如说不同的训练方式或者不同的数据进去之后互相干扰模型的能力会下降我们怎么样让它加进去的时候不下降就像我们做菜一样各种做料做一点其实特别像做菜对放进去怎么能让它味道更好而不是变得更糟糕这里面很多的讲究如果Skinler不是一个非常科学的描述你觉得这个过程更像是什么过程这是一个非常好的问题其实我也一直在想可能也没有什么特别准确的答案我个人对这个事情的认知是说我们还是希望从科学的角度来说还是希望 [85:00] 不管是从原理还是从工程实践系统的这个工程实践这个角度来说去找到说所谓的这个智能和计算之间的本质联系是什么本质关系是什么今天解答到什么程度了今天的认识是什么样的智能和计算之间反正我的感受里面是没有什么特别明确的至少就是说现在得到一个结论是说现在的这种计算方式计算的这种方式其实还不是最完美的应该还不是最完美还会有更好的方式现在的不足是什么消耗太大计算还是有些复杂其实唐天老师微博里面其实也提了一个第一条就说了Transformer不一定是终极答案很有可能会有更有效或者更优美的方式算法 结构来替代这就是我刚才讲的我们看到了这些事情之后做了很多的尝试之后发现其实这个问题真的好像还不是最终答案所以Gee Transformer这个架构它的效果你觉得现在已经见顶了吗我觉得见顶到也还没有就刚才说的就是能做的事情还太多了因为这个战线其实很长就很多是工程优化对数据然后算法数据算法微调你看那个transformer它最重要的就是attention就是注意力极致你看attention的这个东西从二十三年从二十年开始到现在魔改史魔改史你看这个爆了多少东西出来我经常会看到一些论文里面讲各种各样的attention的这种变种它挺有意思的Deepseek也做了对啊有很多啊反正做了很多这些事情我们也做了一些研究的这方面的一些研究的工作所以它为什么还有这么多的可以报改的空间其实就是在于它本身可能还不是最完美的答案还比较粗糙还有很多空间可以去探索你没有探索下一代的架构吗当然不是记忆Transformer的各种可能性我们都有在关注都有在尝试那现在在这一个架构上下的你的智能鉴定了没有我觉得还没有就是通过微调对本来我们今年或者说对今年上半年或者说去年年纪的时候我们觉得其实挺难的了但第一个你看过完年以后今年年初的时候Deep Seek这个出现其实又跟大家打开一个新的视野你看还可以再往上提升对吧包括推理能力包括工程优化还可以往上再提原来我们讲就MOE可能并不一定是个特别好的为什么当时觉得不是我是说之前的很多的这种认知啊那并不是一个结论后来就发现其实还是有很多空间可以去做然后我们也重新打住了精神开始研究这些事情开始我们自己的一些尝试到今年7月份8月份4.5 4.6 4.7的探索你会发现你看我们也把这条路也走通我们也加入了自己的一些想法之后在新的架构下MOE的架构下我们也探索出来一个别人没探索过的空间一个路径证明中国人那句话叫柳暗化明就别轻易放弃所以即使是在Transformer Attention就注意力机制的框架底下其实还有很多空间可以挖还有很多事情可以做现在就过了浅浅挖一挖就有金矿的时候了没错就低垂的果实已经被人摘变了剩下的事情并不代表没有果实了你看我们23年讲的是王辉文王王小川24年讲的是KB Minimax到了25年Deep Seek成了主要的旋律就Deep Seek让你们吃惊吗Deep Seek还是对我们影响还是比较大的就是冲击很大吗对对其实是不管是从研究层面还是从工程层面甚至包括事量层面我们其实都仔仔细的内部都研讨过这个事情是反思还是研讨也算反思吧我们反正工科的人都比较的叫理性化这些都没什么太大差别几月份讨论就二月份吧就二月份这年一回来我们就在密集的讨论这件事情确实是给了我们很多的这个启示和提醒对也学习到很多东西你当时讨论的结论是什么讨论的结论就是说其实应该更开放式的更打开一些自己的视野更开放式的看待大墨性的研究和市场很多时候这些因素都搅和在一起你很难把它理得非常的清楚和分隔得非常的开所以还是需要各方的协同也更开放的态度来看待这些事情我们自己的研究方向应该还要更坚定一些有什么是觉得自己不坚定的不够坚定的倒也没有不是说这个意思有一些事情我们会觉得说比如说我们发GM4 Plus的时候是200多B的一个模型我们感觉就做不上去了好多地方就做不上去了成本也很高之类的这种事情然后DeepSkill出来之后我会提醒大家说其实你看强化 [90:00] 这块我们还下的力气不够对吧然后它的主要的贡献就是常驿行这块有些新的策略和新的方法出现那是第一个第二个在工程优化上其实还可以做得更低层更极致一些第三个就是真正的下一个范式的这种探索我觉得应该可以更大胆一些去想象一下因为我记得我印象比较深的是DeepSig当时的技术报告里面提出来就是说他们尝试把SFT跳过去直接在base上做强化也能七七八八你们选择这条路了没我们就做了一些尝试后来得出来的结论是说其实还暂时没有办法完全把middle chain扔掉所以可能还是会用一些middle chain这样的一些阶段这些方法post chain尤其是强化学习这一块要加强是肯定的后面加强了RL对后面你看最近4.7前两天他们在Reddit上开了一个MA然后我看了一下他们当时聊的记录还挺有意思的然后专门他们也介绍了给大家介绍介绍了我们的强化学习的一个框架叫SLAM那个框架挺典型的挺有意思的一个研究的成果算法或者叫工程融合的这样的一套方法你怎么把不同的任务在同样一个框架底下去不同的强化学习任务然后在一个框架底下然后有机的把它整合到一起一个框架去解决所有的问题我觉得这也是在那之后在这方面获得这个长足进步和研究成果的一个体现也得益于这些东西基础工作的这种做得更扎实才会有后面四六五十天六四天七这个一步一个台阶的这种上去这个我觉得DeepSick可能整个这个行业大家都带来了很多学习的地方你们当时在想什么呢有没有在想为什么不是我们做的我觉得这种问题好像对工科难来说不是一个必要思考的问题因为我们比较尊重事实那事实就是说这个事情不是你做的那你想这个问题好像当然对我们后续改进有帮助对吧就是人家做到了什么为什么这个事情我没有做你想清楚这个原因下次注意对吧就就就行而且Deepsea非常坚定的开源他比较彻底的吧就是做了一个开源这个事情你们对这个有什么想法开源这个事其实我们也一直在做这个事情但是因为你们是最早开源的对啊我们刚才也聊到了对对对从23年开始我们就22年开始我们一直在做开源这个事情包括Chem6B等等到目前为止我们已经有将近六七十个开源项目这些项目的下载量已经六千多次整个开源社区里面还是算是比较知名的一个开源的系列这些内容所以开源一直是我们课在基因里的事情毕竟从学校里出来还是觉得回馈大家的研究或者是这些创新的探索我觉得是我们必须要做的事但是作为公司做开源这个事情你看美国这些公司就很清楚的感觉到就是它慢慢放弃这个事情对更多的商业化利益去考虑为什么B元的商业化利益更高因为它有技术的溢价那前提也是因为就是说还有一个认知是说开源和免费之间是不画等号的是不能直接画等号的但是在中国市场话语体系底下好像这个是被混在一起的Deepseek做得很彻底所以这个事情上又被加强了大家这个印象所谓开源就是免费但实际上本质上在商业化市场里面你会发现其实这个事儿还真的不能宏伪于它所以Deep Seed彻底的开源对于其他人有什么冲击吗肯定会有些冲击彻底开源的结果就是说大家可以基于他的一些很多的研究的成果和基础去做很多事情对吧但其实我是觉得可能大家能复现他结果的也不多他的开源策略给你们带来的什么影响你没有有挑战吗跟我们带来的影响就是说刚才说的是技术方面的事情然后另外一方面就在商业化市场上可能对我们的影响就是说有很多客户的脑子里边他就把开源和免费就花等号了因为我们带来的影响就是说你那都开源都不要钱了你为什么还要收我钱呢他会问这个问题那怎么办你只能用时间来证明就是他们会说那我原来本来要采购了这个预算已经批下来了本来要用我们钱然后说你看这个Dipsic开源了好像比你们也差甚至可能在某些方面还更好一点我是不是可以不用买了我直接用它就好了对吧然后我们会告诉客户说其实你不要把开源和免费这个事情化等号你用开源的东西没问题也OK但是其实和你真正想要获得的是一个商业化的服务这件事情本身是不等同的你不要把这个事混到一起然后有很多客户说 [95:00] 客户就自己去尝试什么DeepSig一体机什么之类的自己去布所谓的满血板当然有的客户他没有这个能力他找外面的团队来帮他来做这个事也问到我们这儿也问到我们这儿帮我把这个东西部署一下然后有很多的人其实也做了这方面的尝试但是我刚才说用时间来证明这个事情你过了一段时间之后你会发现大部分人都掉头回来为什么呢因为DeepSig也不提供参业化服务就算我部署了这个东西我顶多也就是把他当聊天机器人去问一问我没有办法跟我的内部的系统什么之类的去做整合需要很专业的这种服务和人士去做这个事Deep City原厂他也不给你提供这个服务所以你收服了多少客户回来我觉得是delay了我们一些客户OK这些客户有一些有一些客户他就回来了来找我来做这个事情你们中间的开源闭源中间有过摇摆吗为什么先开源后闭源又开源我觉得基本上没有摇摆过一直坚持是走开源的所以我们你可以去查一查我们基本上所有的关键性的模型的更迭包括技术的更新都有相应的开源版本或者开源项目但是我们在比较早期的时候23年24年的时候是很明确的把开源和商业化这两件事情是分的比较清楚的开源是开源开源一个版本对对对然后避远的做商业化对对对我们开源其实的目的是把核心技术放出去让大家能够用得上能够了解里面的细节是什么在此基础之上大家去做自己的创新和探索商业化那个事情是面向商业化客户的我们提供的不是说只是开源的里面的东西参数文件几十个G对吧我们提供的是基于这个东西的一系列的产品工具还有服务因为你的商业化的目的并不是说买个玩具回来摆在家里好看而是我真的要把它用起来然后转换成我的生产力转换成我的商业收益客户价值当大家想通商业本身它的核心的锚点是什么的时候他再然后回来找我后来真的不少的这些想明白的客户回来找我既然开源从商业上没有好处那为什么梁文峰这么彻底的开源我觉得他想得很明白我猜大概率他也不想去做这些2B做服务这些事情这个市场他也不缺钱他也没想着要靠这个事情挣太多钱我觉得这个是首先很关键的一个点第二个确实他也有很执着的技术上的理想他也不想去因为商业化这个事情去分担一些精力去做其他的一些事那集中精力集中资源来做技术探索就好了我猜当然我没有荣幸去跟他聊一下是不是真相因为朱孝虎说Deepseek对世界的影响仍然是被低估的尤其是在开源上你觉得他说的对吗我不知道未来他会演化成一个什么样的事情当然因为还在持续的往前进然后不应该低估这件事情不用太过于高估这件事情因为开源这个过程当中其实大家都有很多人在做开源相关的一些事情大家都有自己的贡献其实包括DeepSick自己本身他也承认说他有很多其实技术上的这些东西也是来自开源社区吸取了很多的开源社区的这些养分我觉得他想表达的是如果没有DeepSick这么彻底的开源的话可能全球大模型就是被几家商业公司垄断的这样其实智力是不平成的尤其是美国公司都不开源然后DeepSix带来的大多数中国公司都不开源了如果开源这件事情是开启了一个新的局面就是让更多的公司都开源了对 更多公司逼着大家去开源来做开源这件事情我觉得这个是有一定的道理的但我觉得即使不是他也会有别人来做这个事就一定会有人开源的一定会有人来做这件事开源对技术影响力好首先他在这个怎么说呢在赢得这个开发者和社区的这个情感的认同上会更好一些当你没有特别显著的商业利益的时候他会是一个很好的选择是是是所以人很复杂人很复杂这句话好像隐含了很多深意你觉得开避远可能会对世界的影响甚至可能是全球就比如说有的地区可能用不起美国的模型然后他就用了中国的模型你觉得对于全球的智力分配会有一些系统性的影响吗当然开源可能是加速了整个刚才说的智力平权的过程包括其实你看老黄也在讲所谓的叫主权AI这个概念对吧他认为技术可能没有国界但是最终的应用和人它是有国界的对吧意义是有国界的所以这个技术肯定不可能只掌握在非常少数的公司或者个人手里所以开源这个事情包括中国现在的厂商大家都开源这个事情其实给世界提供了很多的选择第二第三个甚至更多的选择但就算没有开源这个事情我觉得最终的结局可能也会是美国走他的一条路商业公司捏的顶尖的这种 [100:00] 利元的商业的模型以此来推动资本的积累运转然后全球的其他的玩家可能都会努力的去寻找第二第三甚至更多的选择我觉得中国的战略来讲肯定不会放弃这个路径所以即使不是开源他也会走一个路径说我会做技术的输出我会做这个去帮助大家去做自己的做全的AI帮助大家去获得这个权利去掌控自己的这个AI的能力我觉得这个是必然的选择这最后会转换成国家影响力当然你们在最开始决定开源的时候是基于什么原因当时我们刚才讲那个二年那个GM-30B开源的时候其实就说过这个事情其实还是希望打开市场有更大的这个市场的影响力然后也知道中国的企业团队也能做出世界级顶尖的事情来再到后来确实是整个市场它的整个的趋势它就是这样了整个中国的大模型基本上都开源了大家都开始来大部分的大部分的就做开源这个情那对我们来讲本来开源也是我们秉持的一贯的这个事情也没什么好犹豫的那就顺势而为了对你们是有开源历史的然后像其他公司Kimi Minimax是从B原转向了开源对我们刚才说到一些研究话题就是因为唐老师也提到就是agent的放话性不好现在你们有什么解决思路没有我就两个层面第一个层面就是说agent的放话能力这个事情可能还是要从数据这一端去做一些工作如何能够快速的去收集这些数据低成本的收集这些数据高质量的数据然后他能去学习然后就像你刚才说的那样所谓的好的数据这个事情是探索还是值得去探索做很多事情另外一方面还是从算法的角度Agent本质的能力它还是依赖模型本身的治理和认知能力上限那怎么去推高这个治理和认知能力上限是肯定我们要去研究的问题你比如说我们的AutoGM可以操作50多步甚至200步的长程的任务再长呢或者说它不是一次性完成分成很多段完成它怎么来解决记忆的问题对吧你上压文窗口有限你太长程的任务你怎么办呢人是怎么做到的呢怎么来压缩呢这里面还是有很多这种基础性的研究问题这些问题都会帮助我们在agent的泛化能力上任务的成功率上去提升你觉得下一个scaling的新范式有可能是什么目前来看现在的这个scaling范式其实就是在强化学习这一块我觉得再下一步我个人认为可能新范式可能就是在这个叫自学习这一块在线的强化学习或者自学习这一块online learning对对对可能那个时候的模型的训练推理之间并没有特别明显的界限就它可能是连贯的它不再是一个截然分隔的两个阶段它其实把这两个人统一了这个我说不好是算法层面会首先突破还是从工程实践角度能实现这个事情就是它会比较闭环的形成一个完整的闭环就是推理的过程和收集反馈反馈完了之后我的反馈信号怎么转换成我的强强化学习的下一步的输入然后整个这个东西是自动化的中间它没有明显的断掉的理线的部分我看唐老师也提到文本多么太生成这种把这几个过程全部统一到一个模型的你们探索这个方向我们一直在探索原生这很贵是吧它还是那个问题主要是数据量其实比较大计算消耗的算力比较大这个确实比较贵所以你们探索的多吗其实我们还是投了不少精力在这个事情里面你严格讲我们从技术角度来讲这个事情的话其实不光是你把视觉和语言混合这个叫多莫态那还有比如说你不同的文本的数据也可以是跨模态的就比如代码它其实和自然语言它还不太一样它也是其实是两种不同的模态混合在一起甚至包括我们刚才说的像agent像它的执行规划和执行的步骤那些数据它也模态也不太完全一样然后会甚至还有现在在做VLA怎么控制机器人你们也做VLAVLA在研究所以这些其实都属于这个叫跨模态的怎么来统一这个事情你觉得这会是一个趋势吗一定会是个趋势是终极形态吗我个人认为一定会是终极形态那它基于transformer吗不知道不一定这个说不好最近看了一个Deep Mind创始人的访谈然后他就讲AGI是三种独立体的结合体包括大圆模型图像模型 [105:00] 和世界模型需要把它们统一到一个更大的模型中你正跟他这个观点吗他跟我们刚才说的是一个事对吧其实说的是一件事情就不同模态和你不同的任务怎么把它真正找到一个统一的建模的方式原生的把它融合到一起而不是用系统化的方法如果这个时间上会是AGI吗我觉得AGI就看到曙光了应该再加上刚才我说的在线学习可能他就真的看到曙光你可以想象这样首先第一你造出来一个脑子这个脑子其实各种能力都有语言能力对图像的理解能力然后对物理世界的这种探断能力识别能力都有然后再给它装上手脚它能去就像世界模型去解决这个问题就它能去预测这个世界有发生什么事情然后跟世界进行交互然后交互的结果再反馈回来变成一个强化的信号然后我又能立刻的马上的接受强化学习的信号再学习修改我的模型这样闭环起来这样的话可能就是那个谁说的Demies对你要选择让人工智能在什么范围什么时候开始授权让他自己去探索这个世界那个时候可能就进了这你觉得还有多远我其实也说不好有多远好像我看了好几种说法一个是说的可能27年要开始有这个能力达到我刚才说的那个状态然后剩下就是等待看他自己去学学到什么程度能不能学到比如说超过人或者什么之类的接近人或者超过人接近人和超过人其实就是我们说的基本上AGI的目标就到了那这个27年到现在还有两年时间然后27年之后可能还需要花几年时间去调整这个效率或者是学习的成果怎么安全等等的那些事情可能我理性的判断这件事情可能需要比如说五年八年这样的时间你们都会跟进吗如果这个是AGI的真正方向一定会我们永远不会忘记我们的目标就是AGI你们马上上市了我们来聊聊这个话题因为我想了想智朴有可能会成为不仅是中国它还是世界上就是第一个IPO的大模型公司你们动作比OpenEye快那为什么AGI到现在都还没有实现你们这些都纷纷上市确实这里面有好多的原因首先第一个这件事情我们开始说的实现AGI这事我们从来不认为它是一件非常简单的事情它也不是一个非常短期就能实现的一个目标它可能是一个马拉松是一个长跑非常长的一个距离所以你一定要坚持下去在不同的阶段你可能用不同的方式去度过这一段可能比如说在马拉松起步的这个时候你为了要摆脱大家比较拥挤的起步的阶段你可能需要加一点速跑到前头去跑到第一集团去现在都跑到了是吗对然后在中间有一段时间大家都坚持不住的时候你会要去补给站拿些补给然后把自己的体力保持住对吧不断的平衡自己的消耗和摄入能量之间的这种平衡所以在不同的阶段你会有不同的方式去运转你整个体系所以上市这个事情对我们来讲就自然而然的到了今天六年半到了今天在我们的第一天公司成立的规划里头大概也就是在六年七年这个时间我们就要去面临IPO的这个事当时已经规划进去了对我们当时就自己给自己做过一个模型每年这么增长100%到150%然后到什么程度那一年开始我们就来去进入到IPO的所谓三年业绩期的考核到那个时间点我们自然而然就知道说这个事我们要注意了我们开始做这件事了所以到了现在今年报IPO什么也是很自然的就走了这条路什么时候开始认真启动上市计划的认真启动你要按比如说我们刚才说倒退三年业绩期这个时间那就是二三年其实就开始这么早二年二三年就开始所以就已经开始规划各种营收增长这些事情我们要怎么去做我们的商业化怎么去做你的收入包括成本投入怎么去控制包括团队怎么发展不仅是你们这一波公司的上市你觉得对于AGI来说它会是一个什么样的路标我觉得具备的意义还是非常大的首先第一个就是说从资本市场的角度来说你在一级市场都算是没有离开学校还是在学习培养然后成长的阶段到二级市场之后它是一个更商业化更接近这个市场的这样的一个阶段对吧很自然它是一个里程碑整个行业来讲也是个里程碑就是证明了一件事情说这件事情它并不是一个金钟花水中月它还是可以走到这样的一个阶段的它是一个真的能走走到一个产业级的这样的一个事情有没有一部分原因是投资人也希望就是能够离场他希望能够落袋为安我不排除有这方面的有人这么想这件事情但我觉得像我们的很多投资人还是跟我们一样就刚才说的是保持着同样的信念和同样的想法大家一起走下去取得更大的成功并不是说简单的上完税我们就退掉然后落代为安挣了钱就OK其实也并不是那么简单你们准备怎么用你们这一 [110:00] 就是补给款照顾数据都有大家会把你们跟minimax放在一起来讨论因为他们也在争夺最接近对你们时间是接近的所以你们会是第一还是第二这个就不知道了这个就看教育所那边怎么安排你有什么想对minimax CEO说的吗我跟严老师说话其实最近稍微少一点之前还挺多最近为什么变少碰面的机会比较少你有什么想对他说的吗我觉得祝大家好运吧你怎么看open-ed上市对 听说它也在准备我觉得OpenAI可能是另外一个故事或者说在美国一个大的环境底下又是另外一种逻辑叫高风险 高投入 高回报 三高他们是赚的是这种逻辑你们呢我觉得我们相对来说更符合中国的这种情况追求的是在高风险或者说叫高科技的领域里面追求稳定性和可控性可预期的这种模式因为我们这个访谈发生在上市之前你现在的状态是什么样就快上市了说不好什么状态其实我觉得当然很期待就终于走到这一天了很开心我们另一年多时间能发展到这一步感觉到很庆幸就很幸运吧能走到这一步当然我心里也很明白的知道就是说上市并不是终点后面还有很多事情很多路要去走很多事要去做也不会简单的停在这一步我是个天平座的人天生很平衡问一个尖锐一点的问题就是怎么应对上市后的技术投入算力投入和二级市场的资本压力就是上市之后会不会反而让你变成一家平用的公司因为你们要就不敢投了吗要给股东交代我觉得不会这也是我刚才说我们说为什么我们希望通过当然跟你的这档聊天更多的这种途径让大家知道制补到底是在想什么是在做什么大家理解了我们为什么要投这些事情为什么要做这些事情为什么有这么大的研发投入其实大家就理解我们背后的这些事情很多事情其实起源于人和人之间的这种认知的差距互相的不理解这你觉得被误解的是什么我觉得可能有一些人认为说你看他们就是一个做项目之外包的是个图记的公司为了政府赚的我觉得其实不是这样其实里面有很多很深层的因素在里面你看从表现上来看中国的前十大互联网企业里面有九个是我们的客户其实都是我们很重要的客户很大量的客户然后我们有60%是企业客户政府这块还只占到20%很少所以其实我们是一个你要说我们是一个2B的公司这个可能我认对就是说那个并不是我们很真正占大头的东西大头的事其实我们一直说我们是服务企业因为是企业才是整个这个社会里边生产力最集中的地方转化对效率最高的地方最主要的地方生产力变革级别的技术你当然是要找到这样的一些地方去逻底我觉得这个是一个很street forward的这样的一个逻辑就是我们这些做工科做理科出身的人他容易想到了一个事情我和一个AI1.0时代的创始人聊天然后他有一个评价我一下还蛮深的他说现在大模型公司上市就是在大逃生在逃生因为大家可能会觉得26年这个bubble会破这也是市场的一个观点就是大家对26年的预期不好所以大家觉得25年底26年初能上就快点上这可能是一个窗口期有人会这么评价你看从两个方面我可以大概对这个问题进行一个解释首先第一假设它是一个bubble我们上市能救我们吗或者说能救AI吗能救投资人的钱包那不是救我对不对所以这个事儿其实跟它上不上市没什么关系所以你混淆这两件事情混在一起这么说其实我是不太认逻辑上它没有必然关系这是第一个第二个它是不是bubble这件事情最近也讨论的比较多我很习惯的跟大家聊这种天的时候就会反问一句你怎么定义bubble什么叫bubble当然任何周期都有泡沫当我们在开始讨论这个肯定很担心的是像以前那种周期里大崩盘的这种情况它这个崩盘是因为什么投资过热同这些东西得不到相应的这种收益好最近的泡沫是什么你第一期不清楚它的本质没关系我们就类比最近的泡沫是什么互联网对所有人都会告诉你说最近的泡沫就是互联网那波泡沫但是你看互联网就算互联网那个泡沫破了它留下了什么现在大家用的很多的东西享受的很多东西是那个泡沫的时代留下的东西网络的基础设施很多技术的革新包括这些产品很多东西的产品都是那个年代留下的 [115:00] 你为什么要担心Bubble担心自己刚好是被戳破的那个说白了还是担心自己兜你的钱投资人的钱包对其实说白了它是这个就是说我能不能及时的收回我的投资的这个收益并不是真正担心说我投资没有产生实际的这个东西或者是产生实际的这个生产力或者留下这个真正有价值的东西对吧其实你看本质上的分析分析大家其实是因为这个那好那你说到这个角度的时候那这个问题就容易解了投资这个角度你觉得美国够吗你觉得中国够吗都不够这是你的认为对吧如果投资都不够的话那凭什么叫Bubble呢觉得不够的原因是因为离AGI还很远那既然它不够那它再回来那离AGI还很远那我们要不要去追求AGI它有可能不在现有的技术范式下有没有可能那我们如果不投资它会自然发生吗它不会那不就完了吗所以还得投资对啊那不就完了你这是从历史的大势来讲的对啊那你这个历史大势趋势它就是这个样子我问你的这个问题所有的逻辑都是一环一环相扣的你就回答这些问题你就知道了所以你担心这个事情其实是没有意义的它必然会就是你刚才说的必然某个时间段它必然会有泡沫没问题只是泡沫大小而已那我就问你大小你说投资够吗你说不够其实很多人也认为不够我不敢说美国那边够不够反正中国肯定是不够中国少很多对啊少非常多是美国的几十分之一我看过一个统计数字大概二十分之一吧很小投入不是很大而且很多的这种投入都投到了什么技术设施反正就撒胡椒面撒下去了它并不是集中在像美国那样集中在那几家脑袋上这样这个情况也不太一样所以你要说有barbo我相信在资本市场角度来看美国那个事情可能是有办法的但对中国这事不存在它是不够的它是远远不够的你看朱孝虎他之前一直说大模型六小龙连上一代的AI四小龙可能最后都不如虽然我们进入了第二代的AI这个范式你们出来创业是为了第二代AI范式他从一个上市公司的角度你觉得他跟第一代AI公司有什么本质区别我无意反驳他这个观点当然我觉得他这个结论下来有点早因为上一代的AI四小龙其实还健在了还健在你看才几年你要从23年开始算现在才三年你要再往前推一点你说从我们公司成立19年开始算也才6年多这么早就盖棺定论吗我觉得还太早所以他说的是个预测预测这个事情你可以不评价我们就等着时间来证明就完了还是回到那个点他们觉得2B的定制的商业模式不性感我觉得不是说2B就一定是定制或者说下次再滚那也不好对也不好所以他这个东西你不能摆脱实际的市场情况来说这个事情我知道很多东西包括定价模式或者说估值模式很多东西是从资本市场的很多东西是从海外过来的从美国过来的因为毕竟他们比较靠前但是别忘了这些东西都根据于它的文化根据于它的历史根据它的经济社会经济的状况中国的事情很多时候不是按这个来的硬套可能并不一定是个好事情所以还是走的是一个更符合中国叙事的一个路线也许 maybe我们一直是认为说天底下的路其实不止只有一条很多时候并不要用历史的很多的既有的这种经验或者说规则来框一些新的东西很多时候你的错失的一些机会和一些事情都是因为这个你看他们早期开始的时候其实大家的判断也是一样的呀很多人说这不就是暴力吗一点都不科学的所谓的优美那事实证明呢当时的说这些预判的人可能我不能说他错了但至少他没预测对所以这个没关系说什么都会有我们坚持我们所认为的而且他背后是有一套逻辑的来支持我的这个逻辑判断我的判断我的决策然后我坚持做我自己的事情刚才我们其实那个关于2C的问题没有聊完你好像没有告诉我一个时间点是你明确决定2C不是我们的重点这是有一个关键的决定的时间的吗基本上Deep Seek那波出来之后基本上我们就不再花很多的精力去资源去做推广之前是推的就是在Deep Seek之前是推的当然也非常克制大家也很少看到我们的比较不多看到我们的东西没那么多那时候还是觉得有2C的可能性有一定的可能性因为我们当时打的几个用户群体其实也挺明确的上班族学生程序员等等这些群体给他一个好工具并不是说创造什么这个情绪价值啊什么之类的我们不会去打这种点这也不是你们的基因对吧对这种娱乐性的产品那你怎么看到国内这个2C市场2C战场AI2C战场豆包啊钱问啊Deepseek啊2C这个事情可能目前来看纯C啊 [120:00] 就是一般用户大众用户可能还真是互联网大厂的机会因为这没办法大量的平台还有流量还有用户入口都在他们手里他们比较容易把这些都切走所以如果只是简单的一种就产品本身的价值不是很什么的话没有什么独特性的话很难复制的点的话出师的战场基本上就是他们的短期之内肯定就是这样我听过一个评论就是在讲质朴的他们说因为市谱其实一直不算是市场上最火最明星的项目对吧就是都不是就是流量关注度最高的一个项目但是是技术延伸的项目然后你们是有视野有技术但是看起来会有点boring就是非常的现实你觉得这个评价中肯吗他给我一个描述说就像水泥一样没有那么的有趣但是稳定性好这个评论对你们来说是中肯的吗还算中肯吧就像那个大家评价这个清华的理工男一样就是boring就是很聪明也很能干正经用途让他干什么事情他能干得很漂亮但是他就是没有太多的情绪价值Kimi相对你们来说还是更酷一点从外部观感来看怎么说呢他也是清华理工男对所以这个我就是这就是我佩服直林当然佩服直林的一点他是很会抓住普通人的这个眼球知道怎么去推广怎么去理解普通人的这些需求和想法在我们看来我们可能在这方面做的没有那么好也跟我们的定位有关系你们有反思过吗你们有觉得更C一点吗更新眼球一点更酷一点吗还是做过一些尝试做过一些事情想要做这些事情一直在努力其实所以我们在其实我们在这个比如说像开发者像程序员像这一类的人群里边其实我们做过一些调查大家对我们的口碑还是不错的因为你坚持开源吗对当然开源是会有一批了当然包括我们的产品包括我们的很多的优点都是这帮人比较喜欢踏实工程师文化这种总结应该可以就新华其实还是很提倡工程师文化我觉得你其实是就是还没有很好的准备就做了CEO并且被推进了一个大浪这种你这三年什么感觉你怎么知道我没有做好准备不过你说对了其实这个东西后来我们自己那部几个人一起喝酒聊天的时候也说了这个事情其实你任何时候都是没有准备好的很多时候是你只要认准的这个方向愿意去学习愿意去不断的提升自己愿意去做这件事情也不用太害怕就可以去做我觉得清华给我们最大的一个好处是教会了我们学习的方法学习的能力而且有这种学习的欲望什么事情都愿意去学习我觉得这就挺好当然不是说足够这就挺好这个过程中在折磨你的是什么事其实还是来自于对这些事情很多事情的不熟悉比如说我们开始大规模做商业化之后说实话这里边还是要面临很多的这种挑战之前没有碰到过其实也没有人能告诉你怎么去处理因为我们做的这些事情也是比较新的商业模式也比较新用户也好投资人也好客户也好对于我们的看法其实也都非常的千奇百怪你怎么样让你的认知和对方的认知能够对齐其实这个挺souvereign你要花很多精力去跟大家沟通去交流去拉起这个认知一遍又一遍的重复很多的话客户交流是你的工作对很多客户其实我都会到一线去跟大家去讲你刚刚也说就是在治理上也遇到过很多困难在成本控制上遇到过很多困难这个困难比较大的时候是什么时候当时我们刚出来创业的时候张远史算是见多时光跟我们讲过一件事我印象还比较深他说创业企业有几个坎第一个坎是你50个人一般都能挺得过去比较简单你挣到钱就行你只要有挣钱就行亏不亏的不关键第二个坎是200人第三个坎可能是500或者甚至更多一点所以这几个坎其实都就是决定了你生死的可能任何一个坎你过不去你这个企业可能就完蛋了但是我其实不是太理解当然是为什么这么说或者说到底这个坎是因为什么当我们亲身经历完了之后就回过头再去看这个事情其实没有道理但其实关键不在于说具体的数字是多少是几十个人还是一百个人还是两百个人还是多少人它其实代表的是企业发展的几个阶段第一个阶段就几十个人是说只要挣到钱就好是什么是你要跟团队的信心要建立起来就是说你做的这个事它是能持续下去的别先散了还没干呢就是散了这是第一件事所以一般来说第一件事情比较容易能出去能够过去第二个阶段是说100人或者200人这个阶段是企业到了一个新的阶段是开始有一定的分工比如有负责商业化的有负责研发的有负责做产品的 [125:00] 有负责日常运转方方面面开始有分工团队分工之后就会带来一个大家各自负责一摊又带来一个就是互相沟通交流对齐就是产生管理成本管理上的消耗如果这个时候如果协调不好可能就分崩离析了对吧就协调不好就可能各管一摊就管不起来就捅不起来大家的目的是不一样的最后可能就分崩离析了到了几百人五百人甚至更多人的时候这个规模上去之后会产生另外一个问题就管理学上的一个问题就是你开始出现这个分层出现中间的这些管理者他不再是一个很扁平的状态你的信息的传导会变得越来越长对齐会越来越难你管理的成本会越来越高各种各样的合规安全等等这些方面的事情会越来越麻烦原来我们在科研的时候到大约100多人搬到这边来的基本上所有人我都认识都叫出来名字干什么的我都知道当你搬到这边来之后两层我的办公室在其中一层在另外那一层我很少就去没那么多有可能一段时间之后公司里面就有一批人我叫不出来名字了就不知道他在干嘛了这种你心里会有落差不是落差就会产生这种企业管理上的这样的一些空白的地带就是不在你的视野之内你靠你个人已经不可能cover掉了靠你整个企业的管理的体系机制运转感觉不在你的掌控内但其实你是可以掌控的这个就有一个你说是落差也好或者心理上的变化也好也都可以怎么变化呢心理上你会要相信或者说更花一些精力去在整个机制体制运转定一些规章制度这些方面去而不是说什么事情都在我的视线范围之内很多事情不在你的视线范围之内就发生但你怎么让这件事都在你的掌控范围之内不能超出一定的范围都是安全可控这个就是企业它发展不同的阶段它需要的不同的事情那现在我们又有一个新的坎要上市那上市企业合规要求是很高的让你很难受的是哪件事难受到没有就是辛苦一点累一点这个到要很多沟通工作是沟通然后包括协调包括做一些调整过程中有犯过什么错没有还好吧我们比较幸运没有犯出什么大的错误在质朴的决策机制是什么样的几个联合创始人之间我们完成骨感之后是有董事会大事情就是上董事会去决策了然后日常的有管业务的有专门的委员会然后管日常运营的也有专业的委员会大部分日常的运营就是这些委员会会有几个人一起来决策所以还是相对比较简单CEO董事长首席科学家唐吉林老师这几个是怎么分工的当然唐老师这个首席科学家他肯定就主要就是在研究科研这一块然后有一些重担决策这些事情他作为这个创作团队可能会要去做重要的这个决策然后董事长这边主要是帮助在对接像监管政府还有部委的一些事情然后包括公司还有融资等等这方面的一些事情他会花很多精力在这方面然后我这边现在主要是花比较多的精力就是公司的日常运营尤其是靠前台就是市场化这一块商业化这一块的事情比较多因为你们合营团队都来自于清华会造成其他人加入质朴会有文化难以融合如果他不是清华的我们也还是有不少的核心的人员都也来自其他的如果学校的话比如说福丹上交什么这些都有然后还有来自大厂的像什么字节阿里 腾讯这些都有所以相对来说还是比较open的一个文化有人会叫你们叫学院派你觉得这种说法重课吗挺对的吧因为从学院里出来的就是学院派创业需要就是你们有什么knowhow就是你觉得需要克服的不好的关系是什么学院派创业可能大家最多诟病的就是说学术其实比较重大家对于技术研发创新这一块看的会比较重对商业化这一块就相对比较忽视可能是大家诟病的比较多的一个问题我觉得我们还是挺注意这一点但还有一个原因还有一个因素我考虑的时候当时我说过我们当时在实验室里面其实也就开始挣钱也接触市场的这种机会其实也比较早所以其实在这一块多少还行我们也还都知道这些事情怎么去弄大方向不会就刚才说的不会犯什么特别大的错误走到今天你对智谱的状态满意吗对智谱的成长满意吗你要说百分之百说智谱很perfect我当然也不相信毕竟一路走过来确实时间还比较短几年时间太快了也发展得很快所以中间你要说很完美肯定不是有很多事情我们觉得还是能够做到更好的比如说有一些产品方向的决策 [130:00] 我觉得我们可以更聚焦一点今年可能好一点去年的话我们做了很多的事情东莫泰包括跟类似所有的产品就CocoVideo什么之类的也做了很多新的一些探索这些探索到了一定程度之后可能由于一些资源等方面的一些原因后续的研究和推进就会相对的比较缓慢或者说放慢速度我是觉得可能在这一块的话我们可以更合理的来规划一下就是原来是敞开了就全部都平行大家一起来做这个事情都来做反正只要想做我们就一起来做这不是所谓的自小而上文化吗对看哪里能有限是其实可以更聚焦一点就是我们把带宽缩小一点有些任务呢适当的就是串行一些就做完一些事情再一些事情这样的话第一你资源的有效利用第二呢也就时间和空间就做个平衡嘛就控制一下自己的这个成本支出啊等等各方面的一些风险其实从去年开始就是模型公司都开始分化了嘛硅谷公司还都有不一样的BETOpen还成为了一家应用公司Anthrope可能成了一个2B但是现在也在Coding领域也做得非常好那你觉得制补的不一样的BET是什么呢就是你说要收敛吗那你们要收敛在哪里呢然后它有这种独特的下赌注吧25年初的时候我们大概有三个预测首先第一个就是激动模型能力持续提升这件事甚至是多模特化或者是多种数据融合的这种混合型的这种激动模型是一个大的方向第二个是智能体这件事它会是一个很重要的这样的一个方向第三个就是国际化当时我们年初的时候就说了这三件事现在回过头就来看其实一一都验证从现在当下的状况来看的话明年或者说未来我们要继续bet只有一件事情就是AGI当然说这个事情比较长如果你拆解到短期首先真正体这件事情我觉得它是非常重要它解决了模型到真正实际应用之间的落地路径的问题它肯定是一个很重要的事情第二个事情是还是我刚才说的新的scanning楼后的新的计算范式这件事情上我觉得像RL这一块这个事情它会持续的会有新的范式诞生所以这两点是我们相信我觉得也是质朴在接下来这段时间里面比较重要的要去发力的点你觉得你们能被评价为一个理想主义的团队还是一个现实主义的团队我觉得我们还相对比较平衡平衡对因为我个人天秤座对我是个天秤座的人我是比较平衡就是我们可以有很远大的理想这个理想我们一直不会放弃但是呢又不是说我们空有理想也不知道不知道怎么去做但是真的当我们把这个这个要实现的路径目标阶段性的目标确定清楚的时候我们会非常扎实非常落地的去执行去达成阶段性的成果我觉得这个是我们团队还是非常有特点的一个地方一个平衡的团队你刚才没有回答我那个问题你觉得中国谁真正在追求AGI其实说实话我不是太知道我不好去判断这件事情因为我发现跟大家聊完一圈之后大家对于AGI的定义的差别很大所以大家你说你在追求ATI我就说我在追求ATI但这个事情你需要相信的不再是这句话是它那个本质对你们来说本质是我们的本质其实用我们公司那个slogan其实还是挺好能解释让机器像人类一样思考对其实但最终呢你思考能思考的机器最终还是要反过头来去赋能人类人类的社会人类的历史让人类社会更美好这是我们想要做的事情这就是工程师文化唐杰老师是一个什么样人唐老师是一个决定聪明非常有执行力很热情的一个人一旦他想清楚一件事你想要做这件事情他会特别的push特别的有fashion的去干这件事情而且非常的专注他现在最push的是啥拼命的push我们团队把模型的能力持续的往上拱所以你看他在微博上会在问说大家关心什么想要下一个版本的模型对吧有什么能力这是他可能目前最核心最关心的一件事当然上市的时候他也很关心最近图内状态怎么样要上市了我觉得还不错整体上大家还都比较精神状态还都比较饱满得益于最近的不管是模型技术模型的发布还有商业化的结果方方面面其实也都还比较如预期所以大家整体上状态还不错作为CEO你会怎么管理大家预期吗你最近有跟大家说什么我们团队内部经常会每周会开会对齐然后尤其商业化这一块当然市场上会什么一个变化我们要怎么去应对这些变化然后跟技术部门怎么样去研究部门 [135:00] 去沟通怎么让我们的研究和商业化的这件事情不是两张皮能够更好的去沟通内部有很多的这些事情我觉得作为CEO是一个桥梁是搭台子让大家发挥自己的能力想象力能力执行力去达成结果所以很多时候是我也会很惊讶底下或者说小朋友们会做出来一些超出我们预期的一些事情我挺享受这个过程什么时候能break even财报里面应该会给当官的这些预测应该我们会按照我们现在的整体的商业化包括业务上的变化整体上还是比较向好的包括我们的云端的收入很快速的上涨然后2B的然后我们的收入也在稳步的每年保持一个比较高速的速度的增长随着我们的研发包括技术本身的收敛成本的投入持续的在优化所以应该来说这个过程不会太长最近上市背后有什么有意思的故事没有我去参加了一下摩尔的桥钟的仪式因为我们跟摩尔合作时间还挺长然后他们也邀请我过去然后我就顺便去上海就去了一趟然后我跟他们说我说我来学习一下看看那个敲钟学习怎么敲对对对敲钟是个什么样的过程挺有意思跟他们也聊了一下其实挺感慨的因为他们也是北京企业那我们也不远但是他们也创造了一些历史确实大家都很不容易这一波非常的非常的不容易各自有各自面临的这种难题然后挑战能走到这一步走到这个今天的可以说都是英雄做一家实现了AGI的公司和做一家利润很高的公司这两个二选一你选哪个当然实现AGI的公司这个不用想了哪怕实现了AGI然后挂了也可以吗说这个话太不吉利当然我们不希望挂掉而且我相信如果我们能够实现AGI我们不会挂掉我们也会是一个很伟大的公司紧静从商业化上来说也会是一个很伟大的公司这两者并不是对立的你觉得智谱如果做成什么样你是不满意的往后看五年只赚钱没有技术的产出或者说对这个行业的这种贡献我觉得我就肯定不满意你觉得你们的技术理想主义和比如说梁文峰的技术理想主义有什么不同这个问题还真没有特别的去思考这件事情可能我们更期待说我们自己的技术理想主义我们能把它变成现实就像我们的slogan里面讲我们不光要让机器像人一样去思考还是让它思考完了之后反过头来能用得上产生实际的价值所以可能我们要的更多一点想要做的事情更多一点除了在实验室里面我们每天对着这个屏幕敲代码然后做实验然后对着这些机器去折腾也会卷起裤管露起锈管去跟客户的现场去去做商业化去跟解决大家实际的问题不是说你买了我的东西拜拜再见是真的让用户说你这东西挺好用的解决了我实际的问题那个我们的成就感就完全不一样我觉得可能在这点上我们想的会丰富一些你刚刚一直说其实回望过去六年半蛮感慨的有没有一些自己感慨的瞬间自己觉得比较动容的瞬间还是有的我一闪过过去这几年里边其实还有很多的这种瞬间的正好我们在21年底的时候在深圳注册了一家分支机构是为了深圳的一个比较大的客户一个事情孤身一个人就跑到深圳了7月份一直待到年为要融资啊等等这些原因不得不回到北京在那边待了小半年那段时间你想正好碰上我们X0B开源发布融资一系列的事情而且我回去的时候并不是空手回去的我是带着几千万的合同回去的是客户合同是吧对就基本的就是我一个人去然后真的待了半年不停的在想办法促成这件事情就那时候挺感慨的给公司赚钱是一种什么感觉还是挺自豪的就是证明我们还是有这个挣钱的能力我们的技术还是有人愿意买单的能给我们的客户去创造价值会觉得自己苦哈苦哈我觉得倒不怕我觉得吃苦那个事情我觉得倒没啥只要有回报我觉得都OK这是一个瞬间对当时我自己都没感觉啥还挺平静的后来回过头那年年底的时候想想我觉得还挺不容易真的挺不容易的两点线都不能三点但是最终把这个事情达成了我觉得就还非常了不起再然后就是我们开发布会他们会有我说你上台去发布一下我们这个手机的这个智能体现场让智能体给大家发个红包我的印象也特别深其实出了一点小小的bug出了一点点非常小的 [140:00] 就是那个红包的那个金额他填错了一位数字但不影响不影响红包还是发出去了那一刻我也是觉得后来有人评论这个是AI给人类发的第一个红包还是挺有成就感再往后今年的应该是7月份发布我们4.5模型的时候又是另外一个感觉因为那次发布AutoJam我们开了一个比较大的发布会就是一个open day的一个活动现场来了好几百人然后今年7.5发布的时候其实就没有太多人可能现场也就几十个人也不多而我们也没有特别大的去做发布什么之类的比较低调主要是在线上上线然后开源了然后现场就其实我也就很平淡的跟大家讲大家也没引起大家太多的关注但是在线上在海外很多评价很高因为第一你看源第二效果确实不错从4.5开始效果非常好后来就陆续发生很多很魔幻的事情就是什么美国公司来套壳我们像那个Winsurfer什么这些用我们的不是套壳就直接用模型吗Serva他们就把情维下了然后上了我们的模型专门给Winsurfer用我们的不是Tuck直接用的模型Serva他们就把情问下了然后上了我们的模型专门给Winsurfer他们服务然后后来还有据说还有一些什么厂家拿我们模型开完模型去去蒸馏去裁剪然后Tuck用它就装作他们的模型去给客户提供服务后来就发生了很多的这种事情当时觉得挺感慨的你看我们发布上宣发上其实我们并没有做太多的事情现在技术墙就不需要发布对其实你本质上你还是把这个事情做好大家认可你自然而然这件事情它还是会有相应的这种回响所以后来到4.6 4.7你看我们其实都没有做特别大的不像以前动动就开个大发布会甚至上几百人一起来嗨一下没有这其实某种程度也是DeepSick教大家对也算吧就是可能大家在有点神被疲劳就对这种事情有点神被疲劳就是你无论如何你吹的怎么样或者说宣传的怎么样最终还是回归到实际的应用效果上来所以其实大浪拍过来的时候你是毫无准备的然后就被这样很魔幻的走过了这三年是是像我的数学导师其实他当时跟我们讲的一句话我到现在还记得他说机会永远是这个留给有准备的人的就哪怕是你在海上飘着有一块布板从你眼前飘过你也要扑腾两下才能把它抓住所以你还是要有准备时时刻刻的都有准备做好这个准备这个事情我也在想怎么来做你要想精准的预测清楚未来会发生什么事情什么时间点发生什么事情这个很难所以你不可能有针对性的准备不可能针对说我知道明天有发生啥我先准备一下不可能那你什么叫做好准备呢只有是日复一日年复一年坚持认为你觉得正确的事情不要懈怠不断的积累不断的去做这些事情沿着这个你认为正确的路走下去而且不要被造成口干扰当机会来的时候你就有能力去抓住它所以我觉得我们一方面是幸运的走过来这几年公司六年多时机 时间 各种的环境大的环境其实你可以认为都站在我们这边也认识了很多朋友志同道合在一起来做这件事情另外一方面也得益于我们一直在积累一直在做好准备能抓得住这些机会中国人讲叫天时地利人和可能你要成就一些事情这个东西缺一不可敲钟好像就是那个手感还是挺神奇的你怎么重重的敲还是轻轻的敲不知道你怎么用什么力度现场就看一下那个钟有多大开玩笑100年后如果智朴会出现在人工智能的历史书上你希望他是被这么撰写的可能从我个人角度来说我希望他能够在这个质朴的主角里边有这么一句话质朴是AGI历史上的一个先行者你看我们做这个事情也非常的早投入这个事情很早包括我们成立公司做很多的事情包括技术上突破很多时候我们都是在出螃蟹但最终大家的可能留给大家的这个印象里边我觉得这么一句话还是挺早对你们来说重要的为什么不是创新者而先行者先行者一般就是创新者就开路的人