《方略》|方三文对话智谱CEO张鹏：大模型不会只剩一家，多样性是技术革新的源动力

中国基金报03-09 16:24

导语在人工智能技术快速迭代、大模型成为产业焦点的背景下，全球AI竞争格局逐渐清晰，技术多样性与商业化落地成为行业的核心议题。在这一背景下，中国大模型企业的技术选择、组织路径与长期判断，逐渐成为观察全球AI竞争格局的重要样本。在雪球出品的投资类专业对话栏目《方略》第三季第二期中，雪球创始人、董事长方三文对话智谱CEO张鹏，围绕AI发展历程、AI应用的边界、智谱商业模式等核心话题展开。张鹏表示，模型...

网页链接

免责声明：本文观点仅代表作者个人观点，不构成本平台的投资建议，本平台不对文章信息准确性、完整性和及时性做出任何保证，亦不对因使用或信赖文章信息引发的任何损失承担责任。

精彩评论

我们需要你的真知灼见来填补这片空白

发表看法

{"i18n":{"language":"zh_CN"},"isChannel":false,"data":{"share":"https://www.laohu8.com/m/news/2618646261?lang=zh_CN&edition=full","thumbnail":"","is_english":false,"pubTime":"2026-03-09 16:24","share_image_url":"https://static.laohu8.com/9a95c1376e76363c1401fee7d3717173","id":"2618646261","market":"hk","top_or_hot":-1,"title":"《方略》|方三文对话智谱CEO张鹏：大模型不会只剩一家，多样性是技术革新的源动力","media":"中国基金报","content":"<div>\n<p>导语在人工智能技术快速迭代、大模型成为产业焦点的背景下，全球AI竞争格局逐渐清晰，技术多样性与商业化落地成为行业的核心议题。在这一背景下，中国大模型企业的技术选择、组织路径与长期判断，逐渐成为观察全球AI竞争格局的重要样本。在雪球出品的投资类专业对话栏目《方略》第三季第二期中，雪球创始人、董事长方三文对话智谱CEO张鹏，围绕AI发展历程、AI应用的边界、智谱商业模式等核心话题展开。张鹏表示，模型...</p>\n\n<a href=\"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20260309162547a45adecc&s=b\">网页链接</a>\n\n</div>\n","source":"tencent","html":"<!DOCTYPE html>\n<html>\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\" />\n<meta name=\"viewport\" content=\"width=device-width,initial-scale=1.0,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no\"/>\n<meta name=\"format-detection\" content=\"telephone=no,email=no,address=no\" />\n<title>《方略》|方三文对话智谱CEO张鹏：大模型不会只剩一家，多样性是技术革新的源动力</title>\n<style type=\"text/css\">\na,abbr,acronym,address,applet,article,aside,audio,b,big,blockquote,body,canvas,caption,center,cite,code,dd,del,details,dfn,div,dl,dt,\nem,embed,fieldset,figcaption,figure,footer,form,h1,h2,h3,h4,h5,h6,header,hgroup,html,i,iframe,img,ins,kbd,label,legend,li,mark,menu,nav,\nobject,ol,output,p,pre,q,ruby,s,samp,section,small,span,strike,strong,sub,summary,sup,table,tbody,td,tfoot,th,thead,time,tr,tt,u,ul,var,video{ font:inherit;margin:0;padding:0;vertical-align:baseline;border:0 }\nbody{ font-size:16px; line-height:1.5; color:#999; background:transparent; }\n.wrapper{ overflow:hidden;word-break:break-all;padding:10px; }\nh1,h2{ font-weight:normal; line-height:1.35; margin-bottom:.6em; }\nh3,h4,h5,h6{ line-height:1.35; margin-bottom:1em; }\nh1{ font-size:24px; }\nh2{ font-size:20px; }\nh3{ font-size:18px; }\nh4{ font-size:16px; }\nh5{ font-size:14px; }\nh6{ font-size:12px; }\np,ul,ol,blockquote,dl,table{ margin:1.2em 0; }\nul,ol{ margin-left:2em; }\nul{ list-style:disc; }\nol{ list-style:decimal; }\nli,li p{ margin:10px 0;}\nimg{ max-width:100%;display:block;margin:0 auto 1em; }\nblockquote{ color:#B5B2B1; border-left:3px solid #aaa; padding:1em; }\nstrong,b{font-weight:bold;}\nem,i{font-style:italic;}\ntable{ width:100%;border-collapse:collapse;border-spacing:1px;margin:1em 0;font-size:.9em; }\nth,td{ padding:5px;text-align:left;border:1px solid #aaa; }\nth{ font-weight:bold;background:#5d5d5d; }\n.symbol-link{font-weight:bold;}\n/* header{ border-bottom:1px solid #494756; } */\n.title{ margin:0 0 8px;line-height:1.3;color:#ddd; }\n.meta {color:#5e5c6d;font-size:13px;margin:0 0 .5em; }\na{text-decoration:none; color:#2a4b87;}\n.meta .head { display: inline-block; overflow: hidden}\n.head .h-thumb { width: 30px; height: 30px; margin: 0; padding: 0; border-radius: 50%; float: left;}\n.head .h-content { margin: 0; padding: 0 0 0 9px; float: left;}\n.head .h-name {font-size: 13px; color: #eee; margin: 0;}\n.head .h-time {font-size: 11px; color: #7E829C; margin: 0;line-height: 11px;}\n.small {font-size: 12.5px; display: inline-block; transform: scale(0.9); -webkit-transform: scale(0.9); transform-origin: left; -webkit-transform-origin: left;}\n.smaller {font-size: 12.5px; display: inline-block; transform: scale(0.8); -webkit-transform: scale(0.8); transform-origin: left; -webkit-transform-origin: left;}\n.bt-text {font-size: 12px;margin: 1.5em 0 0 0}\n.bt-text p {margin: 0}\n</style>\n</head>\n<body>\n<div class=\"wrapper\">\n<header>\n<h2 class=\"title\">\n《方略》|方三文对话智谱CEO张鹏：大模型不会只剩一家，多样性是技术革新的源动力\n</h2>\n\n<h4 class=\"meta\">\n\n\n2026-03-09 16:24 北京时间&nbsp;&nbsp;&nbsp;<a href=http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20260309162547a45adecc&s=b><strong>中国基金报</strong></a>\n\n\n</h4>\n\n</header>\n<article>\n<div>\n<p>导语在人工智能技术快速迭代、大模型成为产业焦点的背景下，全球AI竞争格局逐渐清晰，技术多样性与商业化落地成为行业的核心议题。在这一背景下，中国大模型企业的技术选择、组织路径与长期判断，逐渐成为观察全球AI竞争格局的重要样本。在雪球出品的投资类专业对话栏目《方略》第三季第二期中，雪球创始人、董事长方三文对话智谱CEO张鹏，围绕AI发展历程、AI应用的边界、智谱商业模式等核心话题展开。张鹏表示，模型...</p>\n\n<a href=\"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20260309162547a45adecc&s=b\">网页链接</a>\n\n</div>\n\n\n</article>\n</div>\n</body>\n</html>\n","isBrief":false,"type":0,"news_type":1,"symbol":"BK1117","symbol_name":"系统软件","start_time":0,"source_url":"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20260309162547a45adecc&s=b","article_id":"2618646261","we_media_id":null,"thumbnails":[],"rights":{"source":"tencent","url":"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20260309162547a45adecc&s=b","rn_cache_url":null,"customStyle":"body{padding-top:10px;}#news_title{font-weight:bold;#titleStyle#;}#news_description span{font-size:12px;#descriptionStyle#;}.footer-note{#statement#}","selectors":".mod-LoadTzbdNews, body","filters":".relate-stock, .hot-list, .recom-box, .wx-sou","directOrigin":true},"url":"https://stock-news.laohu8.com/highlight/detail?id=2618646261","pubTimestamp":1773044640,"columns":[],"sourceInfo":{"source_id":"tencent","name":"腾讯"},"weMediaInfo":null,"summary":"在雪球出品的投资类专业对话栏目《方略》第三季第二期中，雪球创始人、董事长方三文对话智谱CEO张鹏，围绕AI发展历程、AI应用的边界、智谱商业模式等核心话题展开。张鹏表示，模型体系的多样性是技术持续进步的重要动力。","collect":0,"end_time":0,"defaultTopTitle":"qq.com","property":[],"viewcount":null,"language":"zh","relate_stocks":{"BK1117":"系统软件","02513":"智谱"},"translate_title":"\"Strategy\" | Fang Sanwen talks to Zhang Peng, CEO of Zhipu: There will be no only one big model left, and diversity is the source of technological innovation","themeId":null,"isJumpTheme":false,"ttsUrl":null,"symbols_score_info":{"02513":0.9},"content_text":"导语在人工智能技术快速迭代、大模型成为产业焦点的背景下，全球AI竞争格局逐渐清晰，技术多样性与商业化落地成为行业的核心议题。在这一背景下，中国大模型企业的技术选择、组织路径与长期判断，逐渐成为观察全球AI竞争格局的重要样本。在雪球出品的投资类专业对话栏目《方略》第三季第二期中，雪球创始人、董事长方三文对话智谱CEO张鹏，围绕AI发展历程、AI应用的边界、智谱商业模式等核心话题展开。张鹏表示，模型体系的多样性是技术持续进步的重要动力。以下是对话精选：大众对AI的问题没有超越图灵九问方三文：什么是AI？张鹏：AI是一个缩写，它叫做Artificial Intelligence，直译过来就是人工智能。最简单直白的一个描述就是，用技术的方法，不管是计算机还是其他的方法，去模拟人类的智能，进而来服务人。方三文：图灵在1950年的论文《计算机器与智能》里面提出了智能这个概念，后来在达特茅斯会议里面直接定义了人工智能。我们今天谈论的AI，和图灵说的智能或者是1956年提出的人工智能之间有什么关系？张鹏：如果按照逻辑学或数学的概念来描述，智能是更大的一个圈，人工智能是智能当中的一部分，就是我们怎么去模拟人类的智能。所以现在我们说的AI或者人工智能，其实就是1956年达特茅斯会议上提出来的那个定义。但是，随着时间不断演进，技术和市场的变化，AI的内涵在不断变化。现在的人工智能包含的事情比当年范围更广，但核心目标没变。方三文：大模型和AI，是一回事吗？张鹏：大模型只是我们实现人工智能的技术方法中的一种。方三文：从1950年代到现在，AI发展经历了什么重要的节点？张鹏：从1950年代到现在大概70多年，不到80年。这几十年来，AI的发展并不是一帆风顺的。大家公认的有三次人工智能浪潮，或者严格划分也可以说现在是第四次。为什么会起起落落？我觉得这也是一个历史的必然规律。一件事情的发展不会永远是增长的曲线，过程中会碰到各种挑战、困难，结合当时的社会经济情况，会有起伏，都很正常。方三文：1958年提出的感知机是什么？张鹏：感知机是一个数学上的方法，简单理解就是尝试在数据的空间中找到所谓的“超平面”，把这个空间一分为二，平面的一侧是我们想要的结果，另一侧是不想要的，这其实是个分类问题。感知机就是找到这个“超平面”的一种方法，通过机器设定一个模型，让它通过数据迭代的方式准确定位超平面。它对AI的作用是奠定了一个基础，通过机器学习，让机器从数据中学习的方法去解决具体问题。就像人通过学习解决问题，不断实践，通过数据反馈来迭代求解，而不是设定一个公式算一遍就结束。这个和现在的大模型、深度学习的思想完全一致。可以说它是机器学习的源头、鼻祖。方三文：1966年MIT开发了第一个真正意义上的聊天机器人，叫Eliza。你看现在大家特别热衷的ChatGPT，都在聊天。为什么人工智能跟聊天有这么密切的关系？张鹏：我觉得最重要的还是回归到人工智能的本质目标，就是用机器或技术的方法实现类人的智能。但你如何确定你做出来的东西具备类人的智能？它需要一个检验方式。对于人来说最自然的检验方式就是聊天，看我能不能识别出你是不是个人。所以从最开始的出发点，就影响到后续很多工作。方三文：1973年出了一个莱特希尔报告，提出AI的局限性，导致AI投资下降。当时AI局限性主要指什么？张鹏：莱特希尔报告里举出的AI局限性有几个方面。首先最明显的是当时整个AI研究界乐观情绪占上风，在那个年代就喊出口号说未来20年要实现通用人工智能。大家的理想很好、目标远大，但路径中困难太大。那时计算机的计算能力很差。第二，当时对数据也没有很好的整理。第三，早期的人工智能方法基本上基于符号学派，它能解决的问题非常局限，比如数学物理这种能用完备符号系统表达的，稍微扩大到知识、常识就不行了。所以导致大家重新冷静审视AI的投入，引起第一次AI寒冬。方三文：是不是任何科学的终极目标或愿望，和现在可用的资源、路径总是存在着较大差距？张鹏：这是一个行业或技术往前发展的源动力。就像物理化学里的渗透压，两边浓度不同会产生渗透动力，来自于不均衡。当你的远大目标和当下拥有的资源、技术能达到的效果之间有差距时，这个差距会刺激大家不断研究、找到新方法、投入新资源。这很正常，只是看差距有多大。方三文：这个渗透压达成的平衡是不是一个相对动态的平衡？张鹏：是，肯定是动态平衡。就像AI的发展起起落落，为什么第一次寒冬后会有第二波？因为大家重新看到了动态平衡的可能性，有新资源加入，渗透压变化，好像能克服或利用这个差距，于是投入新方法、新资源去做。所以它永远是动态变化的。方三文：1981年产生了第一台带GPU的电脑。GPU是什么？它今天很热，跟AI是什么关系？张鹏：GPU跟CPU相对。CPU是计算机的核心处理单元、中央处理器；GPU叫图形处理器，当时专门设计出来帮CPU分担图形处理能力。GPU和AI的关系挺有意思，因为它做图像处理时更偏重浮点计算，CPU偏重整数计算。GPU专门加强了浮点数计算的能力。这一点恰恰跟AI或科学计算类似，科学计算里有大量浮点计算。有些科学家就说，能不能用硬件加速的方法来加速科学计算的算法程序？英伟达敏锐捕捉到这点，黄仁勋当时给很多科学家送GPU卡，唯一要求是把算法在上面跑，收集效果来宣传。方三文：1980年代末1990年代初，AI又进入第二次寒冬。这中间发生了什么？和第一次有什么区别？张鹏：第二次AI起来是因为大家找到了一个新方法——专家系统。在第一代感知机等方法基础上，通过结构化知识表示，让计算机具备像专家一样的专业知识来解答问题。这是第二代人工智能成功的点。但到一定程度后发现，虽然理论上比第一代好，有完备方法论，可以把人类规则用if/else方式写下来交给机器用。但这种方式到一定规模后，知识能不能穷举？比如医疗领域所有病症和治疗方案能不能穷举？把所有知识写出来，可能是天文数字。这是实现成本和周期的问题。第二，虽然计算能力增加了，但大量的专家知识输入后，计算量出现指数级爆炸增长，仍然不能满足需求。水位永远是动态的，看到计算能力提升投入新方法，加了很多东西后计算能力又不够了。所以是动态互相促进的过程。方三文：1997年深蓝击败国际象棋世界冠军，有什么意义？张鹏：这是非常标志性的事件。大家会觉得聊天简单，下棋比聊天复杂，智能水平高很多。如果机器在下棋上胜过人类，说明智力水平到一定程度了。深蓝战胜卡斯帕罗夫的意义就在这。方三文：后来过了将近20年，2016年AlphaGo击败李世石。AlphaGo和深蓝在技术上有何不同？张鹏：实现路径上不一样。深蓝主要是搜索式的方法，在已知棋谱或当前棋盘状态中搜索下一步，可能往前搜索几步，用蒙特卡洛树搜索剪枝，不搜索所有空间，只搜索一部分，预测有限步数，在有限时间内找到最接近最好的解法。AlphaGo也沿着这个路径，但实现方式不同，用了神经网络，用大量数据训练来逼近搜索和预测算法。目标都是搜索空间预测最好方法，但预测方式不同。可以理解为AlphaGo是端到端的方法，深蓝更多是基于规则、一环套一环的工作流水线。方三文：简单说说深度学习是什么？张鹏：深度学习指有比较深的算法层次。比如一层神经元或基本计算单元，能解决非常简单的问题。复杂问题就叠很多层，一层一层往上叠，层数越多能模拟的情况越多，计算越复杂。方三文：就是函数套函数？张鹏：对，一层套一层，不断垒起来。方三文：从终端角度看，1995年前后PC普及，2000年前后互联网普及，把机器和数据连起来。这对深度学习发展有关系吗？张鹏：深度学习需要非常大的计算能力。刚才讲GPU就是因为它浮点计算能力强，所以火起来。计算设备能力的提升是深度学习快速发展的前提条件，算力相当于发动机，越强大输出马力越大。数据相当于燃料，要有优良、大量的燃料才能让发动机跑更长时间，输出更大功率。PC和互联网提供了大量数据。方三文：Google 2016年发表了Transformer论文，论文发表后短时间内OpenAI发布了ChatGPT，这两个事情有联系吗？张鹏：肯定有联系。OpenAI真正转做大模型就在这篇论文发布之后。OpenAI 2015年成立，到2018年左右一直不是走这条路，而是走强化学习路线。Transformer论文后不久，2018年开始，以伊利亚为首的科学家果断转向，基于它做GPT相关研究。方三文：第一个版本ChatGPT出来时你关注了吗？张鹏：分两个阶段。2018年他们开始做GPT，没引起太大关注，效果不太好。从GPT-2开始有一定关注，学界有讨论，褒贬不一。有人说它只是大力出奇迹，不是算法革新，也有人说是好范式。那时关注到讨论，在国外比较多，国内相对少。得益于清华的环境，接触国外学术圈方便。真正让大家觉得很牛是2020年GPT-3发布。从GPT-3发布我们就关注到，并且认识到它可能就是未来的范式变化转折点。方三文：为什么做出这种判断？当时出现什么现象或重要突破？张鹏：之前我们用传统机器学习方法做NLP任务，包括对话、QA等，一直没做到让人满意。传统NLP方法需要很长算法流水线处理句子，找到结构、名词、动词，理解句子。但GPT出现后，发现不用这么做，只要把句子扔进去，它就能答，而且答得很好。这就是端到端解决，不需要复杂拆解。效果很多时候碾压传统流水线方法。所以大家看到这个方法有优势，觉得这可能就是下个阶段的技术范式。方三文：DeepSeek-R1的发布，好像颠覆了大家认知。你认为从原理和效果上它有什么突破？张鹏：DeepSeek引起行业内重大关注，但它还是沿着这条路走，没有像GPT相对于传统机器学习有那样迥异的方法论。它不是方法论级别的，更多是在怎么降低成本、怎么把工程优化，把原来“力大砖飞”简单堆参数量或数据量的逻辑拉回来，告诉大家不用堆那么多，可以在算法上优化，把成本压下来，效果同时提升。更重要的原因是，它在那个时间点用开源方式把技术全部交给社区、研究界、工业界，让大家无偿免费使用最新技术，对当时的市场冲击很大。方三文：AI发展涉及算力、数据、算法。现在这三个因素哪个最卡住AI发展？哪个突破可能带来进一步发展？张鹏：不同时间段认知不一样。最早大家觉得算法重要，可以直达AGI。过一段时间模型参数量大，又觉得互联网上能拿到的数据不够了，担心数据用尽、预训练撞墙。然后大家琢磨解决数据问题，到现在数据问题也能解决掉，又担心算力不够。后来技术进步，英伟达拼命生产，算力也能搞到。大家又会觉得算法本身有问题，效率不高，灾难性遗忘等问题解不了，很多人预测Transformer也要被革新。所以它是个动态循环、螺旋式上升的过程。方三文：你觉得AGI是抽象目标还是具体目标？是最终可以实现还是只能无限接近？张鹏：AGI定义不像AI那么清晰，它的内涵外延从没有非常明确权威的定义。但AGI能不能实现？只要我们能把这个目标定义好，不太离谱的定义，大概率能实现，时间长短问题。智谱从成立第一天目标就是AGI，我们有自己定义。方三文：对普罗大众来说，AGI是不是有点像科学中的终极真理，不容易具体化？张鹏：终极真理很难描绘，因为谁也不知道。但科学界有多种方法描绘，比如图灵测试用行为学定义智能。AGI很多时候大家也用行为学定义，比如有一派说，AI取得人各项能力的平均水平就叫AGI。有了行为定义，倒推技术要做到哪些事情，匹配人的水平。所以跟定义方式有关，实现路径参照这个一步步走上去。方三文：今天大众对AI争论，有没有超出图灵提出的那九个反问？张鹏：基本上没有超出那个范围。AI行业70多年，起起伏伏好几次，但问题回到原点，哲学上的思考很早就有了，不是新鲜东西。我们不断演进的是用什么路径、方法去接近当初定义的最高目标。AI应用的边界方三文：大模型具体是什么东西？张鹏：首先“模型”大家可能容易理解，是一种算法的载体。传统机器学习里也有模型，不稀奇。关键是前面加了“大”字。为什么叫大模型？回到深度神经网络，你可以想象它是一个非常大的计算矩阵，矩阵里每个元素是一个参数，输入数据经过矩阵乘加得到结果。中间这个矩阵就是模型核心。大模型的矩阵规模非常大，体现在参数量非常大。传统感知机可能只有两三个参数，大模型可能有几千万、几亿、几十亿、上千亿参数，所以叫大模型。方三文：业余人士也大概知道大模型有分类：一种通用大模型，类似ChatGPT、Grok、Gemini、智谱GLM；还有一些在特定领域的特定场景模型。是不是可以分成这两大类？张鹏：ChatGPT火起来后国内争论过，有没有通用模型和专业/垂直模型这个分类？我们回到第一性原理，为什么要分这两类？原因是什么？我们是通用模型派。当时有人说通用模型拿通用数据训练，参数量大成本高，但不能解决专业问题。另一派说训练参数量小点的，用专用数据训练，解决专业问题。这叫垂直或专业模型。但后来发现有个悖论：如果你能拿到专业数据，为什么不把它加到通用模型里训练？它是不是也能解决专业问题？为什么要单独弄专业模型？第二个问题，专业小模型用少量数据训练，能力就一定会比通用模型强吗？通用模型加专业数据后能力超过专业模型。所以专业模型存在的两个根本起点塌了，从实践中大家看到这是个伪命题。方三文：那导向一个可怕结论：所有大模型公司都在通用大模型业务模式下竞争。最后竞争格局会是怎样？会始终存在很多通用大模型，还是会越来越少？张鹏：收敛是肯定的。首先做这个事情成本挺高，算力、数据、人力需求非常高。如果大家都从零开始做，是资源重复投入。从资源最优化角度，一定会收敛到头部那几家，其他家做别的事。这是大势。现在越来越细分，不一定是应用，还有模型的基础设施、平台、具体细分场景的应用、服务等，形成大的生态。但大模型本身的参与门槛不是一般公司能参与的。方三文：世界上通用大模型主要玩家大概四五家，主要在中美两国，欧洲有Mistral。你觉得会不会最后只剩一家？张鹏：我直觉上认为不会只剩一家。因为技术发展需要多样性，尤其在早中期，技术革新可能性多，研究方向多，大家会有差异，各自有生存空间。加上市场很大，蓬勃发展，空间足够大，不会快速收敛。早中期会有多样化生态，不会因为一家取得优势就一家通吃。只剩下一家的情况只会出现在技术相对稳定的状态，技术革新不快速时，会有马太效应。现在阶段暂时不会出现一家通吃，目前也看不到一家通吃的前景。方三文：造成各家大模型差异的主要是算力、数据还是算法？张鹏：我觉得都有。算力是资源投入，能获取什么样的算力、多大量、什么成本，决定了后续投入效率、速度、创新比例。数据也一样，能获取什么样的高质量数据，在细分方面就有优势。算法更根本，谁算法创新更快更持续，行业排位就更靠前。方三文：有人认为，对普通人来说AI除了方便信息获取整理，没引起生活太大变化。你认为这个变化会不会发生？张鹏：它一定会发生，而且正在发生。日常办公、工作、生活场景中，AI已经能帮我们做很多事。我不太喜欢逛商场，很多事情希望AI帮我一键做完。我们发布AutoGLM产品就是这个目的。手机上有电商平台，我要买东西，可能有个想法，让AI帮我挑几样东西扔到购物篮，要求挑最便宜或性价比最好的，我只要最后确认付款。类似这样的事已经在生活中慢慢发生。方三文：能否举一些AI已经改变行业的案例？张鹏：有些大家看不到的地方，比如工业界、医药行业。原来发明一款药周期非常长，要筛选很多化合物，做实验，成本高。现在可以用AI帮助药物设计，筛选分子。比如蛋白质结构要找小分子契合，大量筛选工作通过AI做。还有AlphaFold，人体内蛋白质结构原来靠实验一点点拼凑，现在AlphaFold可以根据历史数据快速预测，用计算方法找出候选方案，再实验确定。这些领域发生很大变化，最终会给普通人带来很大变化，以后药可能没那么贵。方三文：医生环节，AI有帮助或替代作用吗？张鹏：肯定有。国内外都有。国外有大量研究文献、临床数据，用AI分析研判，帮助医生解决疑难杂症，或给医学研究提供知识支持。国内也有医疗机构和商业化公司在做类似产品，帮助基层医生提供知识辅助、培训等。方三文：辅助驾驶或自动驾驶是不是AI的应用方向？张鹏：自动驾驶做了十几年，替代人驾驶有可能做到，但跟AGI类似，首先得定义我们希望达到的完全自动驾驶的本质是什么，要解决什么问题。描绘清楚才知道现有方法能做到什么程度，缺陷是什么，下一步方法是什么。取决于定义。只能不断逼近已知认知的部分，从行为学定义上越来越像它。但本质没拆解开，不知道智能怎么形成的，所以没法确保100%做到。方三文：如果一个东西是模仿游戏，它就是不断接近？张鹏：对，不断逼近。方三文：如果完全破解了它，知道演绎过程，就可以无限制复制？张鹏：就是黑盒、白盒的区别。AI演化过程，第一、二代都是白盒，但发现白盒走得很累。到第三代深度学习出现，慢慢向黑盒转换，因为白盒解决问题太多不知道怎么弄。有人说不用管里面原理，人的大脑也是黑盒，用黑盒对黑盒，从输入输出结果看，效果出奇的好，大家就转到端到端。方三文：黑盒虽然无限接近，但要说它能无限制准确复制不一定？张鹏：有两个事情。第一，如果把黑盒模型无限接近人，那它是可复制的，就是一坨数据，复制就好。但不可复制的是你没办法把它拆解开，说它为什么能做到，它某部分能力能不能单独拆出来，用白盒方式复现。所以问题分两面。方三文：人和AI到底是什么关系？很多人说AI越能干，我失业了。你怎么看？张鹏：挺复杂的，这是所有人都要面对的问题。这一代AI跟之前不一样，它终于有能力跟人平等对话，知识水平可能超出一般人。这就带来很大问题，人只跟人打过交道，没跟AI打过交道，不知道怎么和谐相处。但我不觉得人类智能会停滞，人类适应和进化能力非常强。历史上技术变革、社会变革，都讨论过人类面临巨大危机，会被取代，但都挺过来了，过得越来越好。人本身也在进步进化。所以AI未必是绝对危机，可能刺激人类进化加速。方三文：人这种生物或智能，跟计算机智能最大的区别可能是什么？张鹏：我们曾把AGI路径分为L1到L5：知识学习压缩、推理、自我学习、初步意识、完整意识。现在大模型大概发展到自我学习这个中间阶段。差别在于后面两个阶段：人有自我意识，知道自己是我，AI目前显然做不到。方三文：全球AI行业最大竞争体是美国和中国。你觉得它们在竞争什么？张鹏：个人感觉是两种AI发展路径或思路的竞争。方三文：美国思路是什么？中国思路是什么？张鹏：美国在AI发展上求极致创新，追求高度，通过头部玩家、资本聚集，在小范围内大量投入，不断追求极限创新。中国不一样，中国很难像美国那样集中巨大资源在少数玩家砸出来。中国很多事情要求确定性和普惠。所以中国路径是稳扎稳打，首先技术创新要跟上，不能太落后；其次过程中追求现有成果不断转化成生产力、经济价值，改善生活。政策制定者强调AI+千行百业，AI赋能，改善民生经济。中国不是一味脱开，而是沿途下蛋，每个阶段结果在各行各业落地。这个过程效率驱动、ROI驱动，更强调成本效益收益核算。方三文：跟过去很多行业一样，中国更侧重落地、应用、产业化、商业化，讲究用户体验和商业效率。之后很长一段时间AI竞争都会这样分工？张鹏：可能会这样，至少我们国家还会这样做下去，历史文化决定的。美国头部公司在搞0到1，中国在搞10到100，更看重1到10和10到100，因为这毕竟是普惠的，更大范围的。智谱的商业模式与护城河方三文：智谱是AI落地、产业化、商业化的一个案例。简单说说智谱的商业模式？张鹏：智谱思考得比较清晰。2020、2021年左右我们在琢磨这件事。技术不起源于我们，但我们追得很快。那时我们想这个技术怎么变成一门生意，商业化路径是什么。我们提出MaaS，Model as a Service，把模型本身变成一种服务，让大家能理解、使用，嵌入到产品、系统、生活中。这就是我们的商业模式。方三文：这个模式是创立时定的还是慢慢摸索的？张鹏：慢慢摸索的。2019年公司成立早期做学术运用，探索一些服务。后来有一个体外独立团队探索MaaS商业化，服务更多类型客户。到一定阶段，我们认为模式是正确的，就合并进来一起做。现在做得很大，增长很好，也证明了这种模式是当下大模型商业化比较靠谱的路径。方三文：现在这种模式是阶段性最优解，还是长期稳定形态？张鹏：目前MaaS模式在相当长一段时间会比较稳定，但绝不是终局。终局变数多，有待验证。大模型未来有个确定性方向是越来越向基础设施演进，像水电燃气，成为社会运转所需的智能基础设施。基础设施必须标准化、便宜、易于获取的。MaaS符合这种形态。另一个方向是模型作为基础设施以外，从应用角度会有不同形态，加上硬件，在手机或终端里，形成不同产品。就像电和电器，两端都有大市场前景。方三文：一边是基础大模型，一边是基于大模型的应用。你们比较确定做后面这个？张鹏：也不是后面，两件事同时做。更主要的是MaaS这个基础模型部分。上面的应用我们也有一些。方三文：请举一个具体例子，你们为你们的客户MaaS提供什么服务，解决什么问题？张鹏：挺多例子。主要客户像中国前十互联网公司，九个是我们的客户。有一个客户，去年发生国际事件，某海外社交平台大批用户迁移到国内一个社交平台，但语言不通，外国人看不懂中文，国内用户看不懂外文。我们就用模型辅助解决大量内容翻译工作。第二个例子，我们跟三星合作，把模型能力植入手机终端，在端侧可以用，解决数据隐私问题，聊天记录、图片不用传到云上，本地可搜索、编辑。这些都是解决现实世界的问题。方三文：你觉得AI应用市场规模多大？张鹏：Gartner预计在万亿美金级别，有报告说到2033年全球AI市场规模4.8万亿美金。国内至少万亿以上。方三文：你们目前业务主要竞争对手是什么人？张鹏：我们是独立通用大模型厂商，这类玩家国内不多。但大厂也在做同样的事，做基础模型和AI相关业务，他们是我们的友商、竞争对手、合作伙伴。方三文：相对这些竞争对手，你们公司长期持续的优势是什么？张鹏：我们足够聚焦。第一，对AI的认知从第一天就领先市场平均水平。第二，我们把自己定位成通用大模型厂商，目标AGI，其他事可以选择不做，聚焦在这。这是最大优势。依靠这种定位和专注，在技术创新、产品迭代上创造市场，创造更多商业化机会。通用模型能力不是虚的，不同阶段有切实的落地。最近我们聚焦在编程能力上，这是个通用能力，聚焦后产生的技术、产品、商业化价值很大。来源于我们对这事认知够早、够准，技术能力能达到最顶尖水平。方三文：优势在模型本身还是落地应用？张鹏：这两件事分不开。这次AI革命，从算法研究到工程实现、产品化、应用反馈整个闭环压缩得非常紧密。不像以前实验室发论文，几年后才做成Demo、产品、迭代。大模型这波从算法创新到类似ChatGPT上线只用了五年，用户一下过几亿。时间周期和闭环压缩得很厉害。你说把算法研究到顶尖再考虑交付，做不到。这是一体化的。我们一边研究一边输出，让大家用反馈，往好用方向加深。方三文：通用大模型厂商会越来越少，但把大模型能力放到具体企业应用场景的玩家会不会越来越多？张鹏：把模型能力变成客户需求、产品特性，最后这一公里。这个肯定会越来越多，因为市场需求大。这就是生态趋势。方三文：如果很多玩家进来，会不会把市场利润率玩得很低？比如图像识别能力应用到不同场景，很多厂商做，利润率很低。张鹏：那种情况是在技术接近天花板时发生，比如人脸识别到97%、98%，再往上没意义，技术稳定，大家蜂拥而上压成本，导致价格越来越低。但大模型还在技术快速增长阶段，技术溢价高，创新活跃，不太会出现低价竞争模式。我们要做的就是在曲线增长阶段保持技术创新领先，用创新速度创造市场空间，获得创新的技术溢价。方三文：研发投入主要目的是在大模型方面保持持续领先优势，还是在产品化、商业化方面有更好体验和效率？张鹏：一定是前者。基础模型能力上限是我们的根本，所有商业化都基于这一点。方三文：这个行业有国际国内巨头，你要保持优势难不难？张鹏：有挑战，但正是有挑战，团队觉得必须去做，必须做成。我们有这个自信和信心。方三文：大厂可投入资金比你大得多，算力方面很难有优势；数据方面，大厂有存量互联网内容优势。你们是否是在算法方面有优势？张鹏：三要素不是分裂看的。算力投入我们跟大厂没法比，人家投得起。数据方面，我也不觉得他们能把那些数据无偿合法地拿来做训练，这中间涉及法律问题。算法、研发能力是我们的强项。三要素单独看有胜有劣，但怎么粘合起来产生化学反应，考验团队能力。还有更本质的是对AGI、AI第一性原理的理解和认知程度。举个例子，某个大厂也是比较早就开始做大模型，做了一段时间之后，它们内部也不是无限制投入，投入完之后被问怎么商业化，团队被逼商业化，结果失败了，团队被替换。大厂投入也不是无上限，有考核要求。所以不用过于夸大所谓大厂的能力。方三文：听起来是需要勇气才能参与的市场竞争。你是有勇气的人？张鹏：我们这个团队很有勇气。方三文：你们商业模式建立在B端市场，你们C端市场是做什么的？张鹏：我们很早思考过这个问题。为什么要把B和C分开？分的原理是什么？没人能讲明白。很多人从商业层面说ToB/ToC的产品形态、付费模式不一样。但从产品和技术层面来看，回归第一性原理，这两者没有差别。因为不管服务企业还是互联网客户，最终都是服务人。只有人认可价值，利用技术和产品获得价值增益，才愿意付费。只是B端和C端付费逻辑、决策逻辑不同。但AI是生产力级别的，付费取决于生产力转换的价值增益。没有这个就不会付费。所以C端不是我们现在的重点。就像电，为电付费，个人或企业有什么差别？没差别，都是因为用了有价值。方三文：目前商业化主要在B端，是吗？张鹏：未来很多事情都是不确定性的，所以为什么我一直在说，现在这个时代最大的挑战来源于人。人对于新鲜事物的线性外推，只能基于过去认知预测未来，永远预测不到认知之外的东西。很多问题根源在此。智谱应该坚持AGI理想往前走，当市场需要什么类型时它就是什么类型。我们认为在这个阶段这种模式是好的，对我们来讲是合适的。我们就会沿着这个路去走。太远的我们预测不了，也没必要给自己设限。本内容仅供参考，不构成任何投资建议。本内容中的投资策略、市场观点等,仅为相关机构或个人的观点,不代表雪球立场。雪球对其中的信息和数据的准确性、完整性不作任何保证。嘉宾的投资策略、市场观点等具有时效性，仅代表当前观点及情况。本内容所阐述的观点、引用的信息或数据有可能因发布日之后的情势或其他因素的变更而不再准确或失效,但雪球及关联方不承担更新相关观点、信息以及数据的义务,在对相关观点、信息或数据进行变更或更新时亦不会另行通知。本内容版权归雪球所有,未经许可不得引用、转载。任何机构、个人不得对本内容进行有悖原意的删节和修改。市场有风险，投资须谨慎。（CIS）","kind":"news","is_publish_news":true,"is_publish_highlight":false,"is_publish_live":false,"is_publish_wemedia":null,"editions":null,"column":"","sentiment":"0","news_tag":"","news_rank":0,"symbols":[],"gpt_button":0,"need_auth":false,"code":"91000000","status":"200"},"commentList":[],"isCommentEnd":true,"newsSizeData":{"likeSize":0,"commentSize":0,"repostSize":0,"favoriteSize":0,"likeStatus":false,"favoriteStatus":false},"APP":{"userAgent":"Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)","isDev":false,"isTTM":false,"tenantId":"TBCN","deviceId":"web-server-community-laohu8-v3","version":"4.36.2","shortVersion":"4.36.2","platform":"web","vendor":"web","appName":"laohu8","isIOS":false,"isAndroid":false,"isTiger":false,"isTHS":false,"isWeiXin":false,"isWeiXinMini":false,"isWeiBo":false,"isQQ":false,"isBaiduSwan":false,"isBaiduBox":false,"isDingTalk":false,"isToutiao":false,"isOnePlus":false,"isHuaWei":false,"isXiaomi":false,"isXiaomiWebView":false,"isOppo":false,"isVivo":false,"isSamsung":false,"isMobile":false},"href":"/m/news/2618646261","isCrawlerRequest":true}