《方略》| 對話大模型第一股智譜CEO：AI 不是取代人，而是加速人進化

在人工智能技術快速迭代、大模型成為產業焦點的背景下，全球AI競爭格局逐漸清晰，技術多樣性與商業化落地成為行業的核心議題。在這一背景下，中國大模型企業的技術選擇、組織路徑與長期判斷，逐漸成為觀察全球AI競爭格局的重要樣本。

在雪球出品的投資類專業對話欄目《方略》第三季第二期中，雪球創始人、董事長方三文對話智譜CEO張鵬，圍繞AI發展歷程、AI應用的邊界、智譜商業模式等核心話題展開。張鵬表示，模型體系的多樣性是技術持續進步的重要動力。以下是對話精選：

大眾對AI的問題沒有超越圖靈九問

方三文：什么是AI？

張鵬：AI是一個縮寫，它叫做Artificial Intelligence，直譯過來就是人工智能。最簡單直白的一個描述就是，用技術的方法，不管是計算機還是其他的方法，去模擬人類的智能，進而來服務人。

方三文：圖靈在1950年的論文《計算機器與智能》里面提出了智能這個概念，后來在達特茅斯會議里面直接定義了人工智能。我們今天談論的AI，和圖靈說的智能或者是1956年提出的人工智能之間有什么關系？

張鵬：如果按照邏輯學或數學的概念來描述，智能是更大的一個圈，人工智能是智能當中的一部分，就是我們怎么去模擬人類的智能。所以現在我們說的AI或者人工智能，其實就是1956年達特茅斯會議上提出來的那個定義。但是，隨著時間不斷演進，技術和市場的變化，AI的內涵在不斷變化。現在的人工智能包含的事情比當年范圍更廣，但核心目標沒變。

方三文：大模型和AI，是一回事嗎？

張鵬：大模型只是我們實現人工智能的技術方法中的一種。

方三文：從1950年代到現在，AI發展經歷了什么重要的節點？

張鵬：從1950年代到現在大概70多年，不到80年。這幾十年來，AI的發展并不是一帆風順的。大家公認的有三次人工智能浪潮，或者嚴格劃分也可以說現在是第四次。為什么會起起落落？我覺得這也是一個歷史的必然規律。一件事情的發展不會永遠是增長的曲線，過程中會碰到各種挑戰、困難，結合當時的社會經濟情況，會有起伏，都很正常。

方三文：1958年提出的感知機是什么？

張鵬：感知機是一個數學上的方法，簡單理解就是嘗試在數據的空間中找到所謂的“超平面”，把這個空間一分為二，平面的一側是我們想要的結果，另一側是不想要的，這其實是個分類問題。感知機就是找到這個“超平面”的一種方法，通過機器設定一個模型，讓它通過數據迭代的方式準確定位超平面。它對AI的作用是奠定了一個基礎，通過機器學習，讓機器從數據中學習的方法去解決具體問題。就像人通過學習解決問題，不斷實踐，通過數據反饋來迭代求解，而不是設定一個公式算一遍就結束。這個和現在的大模型、深度學習的思想完全一致。可以說它是機器學習的源頭、鼻祖。

方三文：1966年MIT開發了第一個真正意義上的聊天機器人，叫Eliza。你看現在大家特別熱衷的ChatGPT，都在聊天。為什么人工智能跟聊天有這么密切的關系？

張鵬：我覺得最重要的還是回歸到人工智能的本質目標，就是用機器或技術的方法實現類人的智能。但你如何確定你做出來的東西具備類人的智能？它需要一個檢驗方式。對于人來說最自然的檢驗方式就是聊天，看我能不能識別出你是不是個人。所以從最開始的出發點，就影響到后續很多工作。

方三文：1973年出了一個萊特希爾報告，提出AI的局限性，導致AI投資下降。當時AI局限性主要指什么？

張鵬：萊特希爾報告里舉出的AI局限性有幾個方面。首先最明顯的是當時整個AI研究界樂觀情緒占上風，在那個年代就喊出口號說未來20年要實現通用人工智能。大家的理想很好，目標遠大，但路徑中困難太大。那時計算機的計算能力很差。第二，當時對數據也沒有很好的整理。第三，早期的人工智能方法基本上都基于符號學派，它能解決的問題非常局限，比如數學物理這種能用完備符號系統表達的，稍微擴大到知識、常識就不行了。所以導致大家重新冷靜審視AI的投入，引起第一次AI寒冬。

方三文：是不是任何科學的終極目標或愿望，和現在可用的資源、路徑總是存在著較大差距？

張鵬：這是一個行業或技術往前發展的源動力。就像物理化學里的滲透壓，兩邊濃度不同會產生滲透動力，來自于不均衡。當你遠大目標和當下擁有的資源、技術能達到的效果之間有差距時，這個差距會刺激大家不斷研究、找到新方法、投入新資源。這很正常，只是看差距有多大。

方三文：這個滲透壓達成的平衡是不是一個相對動態的平衡？

張鵬：是，肯定是動態平衡。就像AI的發展起起落落，為什么第一次寒冬后會有第二波？因為大家重新看到了動態平衡的可能性，有新資源加入，滲透壓變化，好像能克服或利用這個差距，于是投入新方法、新資源去做。所以它永遠是動態變化的。

方三文：1981年產生了第一臺帶GPU的電腦。GPU是什么？它今天很熱，跟AI是什么關系？

張鵬：GPU跟CPU相對。CPU是計算機的核心處理單元，中央處理器。GPU叫圖形處理器，當時專門設計出來幫CPU分擔圖形處理能力。GPU和AI的關系挺有意思。因為它做圖像處理時更偏重浮點計算，CPU偏重整數計算。GPU專門加強了浮點數計算的能力。這一點恰恰跟AI或科學計算類似，科學計算里有大量浮點計算。有些科學家就說，能不能用硬件加速的方法來加速科學計算的算法程序？英偉達敏銳捕捉到這點，黃仁勛當時給很多科學家送GPU卡，唯一要求是把算法在上面跑，收集效果來宣傳。

方三文：1980年代末1990年代初，AI又進入第二次寒冬。這個中間發生了什么？和第一次有什么區別？

張鵬：第二次AI起來是因為大家找到了一個新方法——專家系統。在第一代感知機等方法基礎上，通過結構化知識表示，讓計算機具備像專家一樣的專業知識來解答問題。這是第二代人工智能成功的點。但到一定程度后發現，雖然理論上比第一代好，有完備方法論，可以把人類規則用if/else方式寫下來交給機器用。但這種方式到一定規模后，知識能不能窮舉？比如醫療領域所有病癥和治療方案能不能窮舉？把所有知識寫出來，可能是天文數字。這是實現成本和周期的問題。第二，雖然計算能力增加了，但巨大量的專家知識輸入后，計算量是指數級爆炸增長，仍然不能滿足需求。水位永遠是動態的，看到計算能力提升投入新方法，加了很多東西后計算能力又不夠了。所以是動態互相促進的過程。

方三文：1997年深藍擊敗國際象棋世界冠軍，有什么意義？

張鵬：這是非常標志性的事件。大家會覺得聊天簡單，下棋比聊天復雜，智能水平高很多。如果機器在下棋上勝過人類，說明智力水平到一定程度了。深藍戰勝卡斯帕羅夫的意義就在這。

方三文：后來過了將近20年，2016年AlphaGo擊敗李世石。AlphaGo和深藍在技術上不同？

張鵬：實現路徑上不一樣。深藍主要是搜索式的方法，在已知棋譜或當前棋盤狀態中搜索下一步，可能往前搜索幾步，用蒙特卡洛樹搜索剪枝，不搜索所有空間，只搜索一部分，預測有限步數，在有限時間內找到最接近最好的解法。AlphaGo也沿著這個路徑，但實現方式不同，用了神經網絡，用大量數據訓練來逼近搜索和預測算法。目標都是搜索空間預測最好方法，但預測方式不同。可以理解為AlphaGo是端到端的方法，深藍更多是基于規則、一環套一環的工作流水線。

方三文：簡單說說深度學習是什么？

張鵬：深度學習指有比較深的算法層次。比如一層神經元或基本計算單元，能解決非常簡單的問題。復雜問題就疊很多層，一層一層往上疊，層數越多能模擬的情況越多，計算越復雜。

方三文：就是函數套函數？

張鵬：對，一層套一層，不斷壘起來。

方三文：從終端角度看，1995年前后PC普及，2000年前后互聯網普及，把機器和數據連起來。這對深度學習發展有關系嗎？

張鵬：深度學習需要非常大的計算能力。剛才講GPU就是因為它浮點計算能力強，所以火起來。計算設備能力的提升是深度學習快速發展的前提條件，算力相當于發動機，越強大輸出馬力越大。數據相當于燃料，要有優良、大量的燃料才能讓發動機跑更長時間，輸出更大功率。PC和互聯網提供了大量數據。

方三文：Google 2016年發表了Transformer論文，論文發表后短時間內OpenAI發布了ChatGPT，這兩個事情有聯系嗎？

張鵬：肯定有聯系。OpenAI真正轉做大模型就在這篇論文發布之后。OpenAI 2015年成立，到2018年左右一直不是走這條路，而是走強化學習路線。Transformer論文后不久，2018年開始，以伊利亞為首的科學家果斷轉向，基于它做GPT相關研究。

方三文：第一個版本ChatGPT出來時你關注了嗎？

張鵬：分兩個階段。2018年他們開始做GPT，沒引起太大關注，效果不太好。從GPT-2開始有一定關注，學界有討論，褒貶不一，有人說它只是大力出奇跡，不是算法革新，也有人說是好范式。那時關注到討論，在國外比較多，國內相對少。得益清華環境，接觸國外學術圈方便。真正讓大家覺得很牛是2020年GPT-3發布。從GPT-3發布我們就關注到，并且認知到它可能就是未來的范式變化轉折點。

方三文：為什么做出這種判斷？當時出現什么現象或重要突破？

張鵬：之前我們用傳統機器學習方法做NLP任務，包括對話、QA等，一直沒做到讓人滿意。傳統NLP方法需要很長算法流水線處理句子，找到結構、名詞、動詞，理解句子。但GPT出現后，發現不用這么做，只要把句子扔進去，它就能答，而且答得很好。這就是端到端解決，不需要復雜拆解。效果很多時候碾壓傳統流水線方法。所以大家看到這個方法有優勢，覺得這可能就是下個階段的技術范式。

方三文：DeepSeek-R1的發布，好像顛覆了大家認知。你認為從原理和效果上它有什么突破？

張鵬：DeepSeek引起行業內重大關注，但它還是沿著這條路走，沒有像GPT相對于傳統機器學習有那樣迥異的方法論。它不是方法論級別的，更多是在怎么降低成本、怎么把工程優化，把原來“力大磚飛”簡單堆參數量或數據量的邏輯拉回來，告訴大家不用堆那么多，可以在算法上優化，把成本壓下來，效果同時提升。更重要的原因是，它在那個時間點用開源方式把技術全部交給社區、研究界、工業界，讓大家無償免費使用最新技術，對當時的市場沖擊很大。

方三文：AI發展涉及算力、數據、算法。現在這三個因素哪個最卡住AI發展？哪個突破可能帶來進一步發展？

張鵬：不同時間段認知不一樣。最早大家覺得算法重要，可以直達AGI。過一段時間模型參數量大，又覺得互聯網上能拿到的數據不夠了，擔心數據用盡、預訓練撞墻。然后大家琢磨解決數據問題，到現在數據問題也能解決掉，又擔心算力不夠。后來技術進步，英偉達拼命生產，算力也能搞到。大家又會覺得算法本身有問題，效率不高，災難性遺忘等問題解不了，很多人預測Transformer也要被革新。所以它是個動態循環、螺旋式上升的過程。

方三文：你覺得AGI是抽象目標還是具體目標？是最終可以實現還是只能無限接近？

張鵬：AGI定義不像AI那么清晰，它的內涵外延從沒有非常明確權威的定義。但AGI能不能實現？只要我們能把這個目標定義好，不太離譜的定義，大概率能實現，時間長短問題。智譜從成立第一天目標就是AGI，我們有自己定義。

方三文：對普羅大眾來說，AGI是不是有點像科學中的終極真理，不容易具體化？

張鵬：終極真理很難描繪，因為誰也不知道。但科學界有多種方法描繪，比如圖靈測試用行為學定義智能。AGI很多時候大家也用行為學定義，比如有一派說，AI取得人各項能力的平均水平就叫AGI。有了行為定義，倒推技術要做到哪些事情，匹配人的水平。所以跟定義方式有關，實現路徑參照這個一步步走上去。

方三文：今天大眾對AI爭論，有沒有超出圖靈提出的那九個反問？

張鵬：基本上沒有超出那個范圍。AI行業70多年，起起伏伏好幾次，但問題回到原點，哲學上的思考很早就有了，不是新鮮東西。我們不斷演進的是用什么路徑、方法去接近當初定義的最高目標。

AI應用的邊界

方三文：大模型具體是什么東西？

張鵬：首先“模型”大家可能容易理解，是一種算法的載體。傳統機器學習里也有模型，不稀奇。關鍵是前面加了“大”字。為什么叫大模型？回到深度神經網絡，你可以想象它是一個非常大的計算矩陣，矩陣里每個元素是一個參數，輸入數據經過矩陣乘加得到結果。中間這個矩陣就是模型核心。大模型的矩陣規模非常大，體現在參數量非常大。傳統感知機可能只有兩三個參數，大模型可能有幾千萬、幾億、幾十億、上千億參數，所以叫大模型。

方三文： 業余人士也大概知道大模型有分類：一種通用大模型，類似ChatGPT、Grok、Gemini、智譜GLM；還有一些在特定領域的特定場景模型。是不是可以分成這兩大類？

張鵬： ChatGPT火起來后國內爭論過，有沒有通用模型和專業/垂直模型這個分類？我們回到第一性原理，為什么要分這兩類？原因是什么？我們是通用模型派。當時有人說通用模型拿通用數據訓練，參數量大成本高，但不能解決專業問題。另一派說訓練參數量小點的，用專用數據訓練，解決專業問題。這叫垂直或專業模型。但后來發現有個悖論：如果你能拿到專業數據，為什么不把它加到通用模型里訓練？它是不是也能解決專業問題？為什么要單獨弄專業模型？第二個問題，專業小模型用少量數據訓練，能力就一定會比通用模型強嗎？通用模型加專業數據后能力超過專業模型。所以專業模型存在的兩個根本起點塌了，從實踐中大家看到這是個偽命題。

方三文：那導向一個可怕結論：所有大模型公司都在通用大模型業務模式下競爭。最后競爭格局會是怎樣？會始終存在很多通用大模型，還是會越來越少？

張鵬：收斂是肯定的。首先做這個事情成本挺高，算力、數據、人力需求非常高。如果大家都從零開始做，是資源重復投入。從資源最優化角度，一定會收斂到頭部那幾家，其他家做別的事。這是大勢。現在越來越細分，不一定是應用，還有模型的基礎設施、平臺、具體細分場景的應用、服務等，形成大的生態。但大模型本身的參與門檻不是一般公司能參與的。

方三文：世界上通用大模型主要玩家大概四五家，主要在中美兩國，歐洲有Mistral。你覺得會不會最后只剩一家？

張鵬：我直覺上認為不會只剩一家。因為技術發展需要多樣性，尤其在早中期，技術革新可能性多，研究方向多，大家會有差異，各自有生存空間。加上市場很大，蓬勃發展，空間足夠大，不會快速收斂。早中期會有多樣化生態，不會因為一家取得優勢就一家通吃。只剩下一家的情況只會出現在技術相對穩定的狀態，技術革新不快速時，會有馬太效應。現在階段暫時不會出現一家通吃，目前也看不到一家通吃的前景。

方三文：造成各家大模型差異的主要是算力、數據還是算法？

張鵬：我覺得都有。算力是資源投入，能獲取什么樣的算力、多大量、什么成本，決定了后續投入效率、速度、創新比例。數據也一樣，能獲取什么樣的高質量數據，在細分方面就有優勢。算法更根本，誰算法創新更快更持續，行業排位就更靠前。

方三文：有人認為，對普通人來說AI除了方便信息獲取整理，沒引起生活太大變化。你認為這個變化會不會發生？

張鵬：它一定會發生，而且正在發生。日常辦公、工作、生活場景中，AI已經能幫我們做很多事。我不太喜歡逛商場，很多事情希望AI幫我一鍵做完。我們發布AutoGLM產品就是這個目的。手機上有電商平臺，我要買東西，可能有個想法，讓AI幫我挑幾樣東西扔到購物籃，要求挑最便宜或性價比最好的，我只要最后確認付款。類似這樣的事已經在生活中慢慢發生。

方三文：能否舉一些AI已經改變行業的案例？

張鵬：有些大家看不到的地方，比如工業界、醫藥行業。原來發明一款藥周期非常長，要篩選很多化合物，做實驗，成本高。現在可以用AI幫助藥物設計，篩選分子。比如蛋白質結構要找小分子契合，大量篩選工作通過AI做。還有AlphaFold，人體內蛋白質結構原來靠實驗一點點拼湊，現在AlphaFold可以根據歷史數據快速預測，用計算方法找出候選方案，再實驗確定。這些領域發生很大變化，最終會給普通人帶來很大變化，以后藥可能沒那么貴。

方三文：醫生環節，AI有幫助或替代作用嗎？

張鵬：肯定有。國內外都有。國外有大量研究文獻、臨床數據，用AI分析研判，幫助醫生解決疑難雜癥，或給醫學研究提供知識支持。國內也有醫療機構和商業化公司在做類似產品，幫助基層醫生提供知識輔助、培訓等。

方三文：輔助駕駛或自動駕駛是不是AI的應用方向？

張鵬：自動駕駛做了十幾年，替代人駕駛有可能做到，但跟AGI類似，首先得定義我們希望達到的完全自動駕駛的本質是什么，要解決什么問題。描繪清楚才知道現有方法能做到什么程度，缺陷是什么，下一步方法是什么。取決于定義。只能不斷逼近已知認知的部分，從行為學定義上越來越像它。但本質沒拆解開，不知道智能怎么形成的，所以沒法確保100%做到。

方三文：如果一個東西是模仿游戲，它就是不斷接近？

張鵬： 對，不斷逼近。

方三文：如果完全破解了它，知道演繹過程，就可以無限制復制？

張鵬：就是黑盒、白盒的區別。AI演化過程，第一、二代都是白盒，但發現白盒走得很累。到第三代深度學習出現，慢慢向黑盒轉換，因為白盒解決問題太多不知道怎么弄。有人說不用管里面原理，人的大腦也是黑盒，用黑盒對黑盒，從輸入輸出結果看，效果出奇的好，大家就轉到端到端。

方三文：黑盒雖然無限接近，但要說它能無限制準確復制不一定？

張鵬：有兩個事情。第一，如果把黑盒模型無限接近人，那它是可復制的，就是一坨數據，復制就好。但不可復制的是你沒辦法把它拆解開，說它為什么能做到，它某部分能力能不能單獨拆出來，用白盒方式復現。所以問題分兩面。

方三文：人和AI到底是什么關系？很多人說AI越能干，我失業了。你怎么看？

張鵬：挺復雜的，這是所有人都要面對的問題。這一代AI跟之前不一樣，它終于有能力跟人平等對話，知識水平可能超出一般人。這就帶來很大問題，人只跟人打過交道，沒跟AI打過交道，不知道怎么和諧相處。 但我不覺得人類智能會停滯，人類適應和進化能力非常強。歷史上技術變革、社會變革，都討論過人類面臨巨大危機，會被取代，但都挺過來了，過得越來越好。人本身也在進步進化。所以AI未必是絕對危機，可能刺激人類進化加速。

方三文：人這種生物或智能，跟計算機智能最大的區別可能是什么？

張鵬：我們曾把AGI路徑分為L1到L5：知識學習壓縮、推理、自我學習、初步意識、完整意識。現在大模型大概發展到自我學習這個中間階段。差別在于后面兩個階段：人有自我意識，知道自己是我，AI目前顯然做不到。

方三文：全球AI行業最大競爭體是美國和中國。你覺得它們在競爭什么？

張鵬：個人感覺是兩種AI發展路徑或思路的競爭。

方三文：美國思路是什么？中國思路是什么？

張鵬：美國在AI發展上求極致創新，追求高度，通過頭部玩家、資本聚集，在小范圍內大量投入，不斷追求極限創新。中國不一樣，中國很難像美國那樣集中巨大資源在少數玩家砸出來。中國很多事情要求確定性和普惠。所以中國路徑是穩扎穩打，首先技術創新要跟上，不能太落后；其次過程中追求現有成果不斷轉化成生產力、經濟價值，改善生活。政策制定者強調AI+千行百業，AI賦能，改善民生經濟。中國不是一味脫開，而是沿途下蛋，每個階段結果在各行各業落地。這個過程效率驅動、ROI驅動，更強調成本效益收益核算。

方三文：跟過去很多行業一樣，中國更側重落地、應用、產業化、商業化，講究用戶體驗和商業效率。之后很長一段時間AI競爭都會這樣分工？

張鵬：可能會這樣，至少我們國家還會這樣做下去，歷史文化決定的。美國頭部公司在搞0到1，中國在搞10到100，更看重1到10和10到100，因為這畢竟是普惠的，更大范圍的。

智譜的商業模式與護城河

方三文：智譜是AI落地、產業化、商業化的一個案例。簡單說說智譜的商業模式？

張鵬：智譜思考得比較清晰。2020、2021年左右我們在琢磨這件事。技術不起源于我們，但我們追得很快。那時我們想這個技術怎么變成一門生意，商業化路徑是什么。我們提出MaaS，Model as a Service，把模型本身變成一種服務，讓大家能理解、使用，嵌入到產品、系統、生活中。這就是我們的商業模式。

方三文：這個模式是創立時定的還是慢慢摸索的？

張鵬：慢慢摸索的。2019年公司成立早期做學術運用，探索一些服務。后來有一個體外獨立團隊探索MaaS商業化，服務更多類型客戶。到一定階段，我們認為模式是正確的，就合并進來一起做。現在做得很大，增長很好，也證明了這種模式是當下大模型商業化比較靠譜的路徑。

方三文：現在這種模式是階段性最優解，還是長期穩定形態？

張鵬：目前MaaS模式在相當長一段時間會比較穩定，但絕不是終局。終局變數多，有待驗證。大模型未來有個確定性方向是越來越向基礎設施演進，像水電燃氣，成為社會運轉所需的智能基礎設施。基礎設施必須標準化、便宜、易于獲取的。MaaS符合這種形態。另一個方向是模型作為基礎設施以外，從應用角度會有不同形態，加上硬件，在手機或終端里，形成不同產品。就像電和電器，兩端都有大市場前景。

方三文：一邊是基礎大模型，一邊是基于大模型的應用。你們比較確定做后面這個？

張鵬：也不是后面，兩件事同時做。更主要的是MaaS這個基礎模型部分。上面的應用我們也有一些。

方三文：請舉一個具體例子，你們為你們的客戶MaaS提供什么服務，解決什么問題？

張鵬：挺多例子。主要客戶像中國前十互聯網公司，九個是我們的客戶。有一個客戶，去年發生國際事件，某海外社交平臺大批用戶遷移到國內一個社交平臺，但語言不通，外國人看不懂中文，國內用戶看不懂外文。我們就用模型輔助解決大量內容翻譯工作。第二個例子，我們跟三星合作，把模型能力植入手機終端，在端側可以用，解決數據隱私問題，聊天記錄、圖片不用傳到云上，本地可搜索、編輯。這些都是解決現實世界的問題。

方三文：你覺得AI應用市場規模多大？

張鵬：Gartner預計在萬億美金級別，有報告說到2033年全球AI市場規模4.8萬億美金。國內至少萬億以上。

方三文：你們目前業務主要競爭對手是什么人？

張鵬：我們是獨立通用大模型廠商，這類玩家國內不多。但大廠也在做同樣的事，做基礎模型和AI相關業務，他們是我們的友商、競爭對手、合作伙伴。

方三文：相對這些競爭對手，你們公司長期持續的優勢是什么？

張鵬：我們足夠聚焦。第一，對AI的認知從第一天就領先市場平均水平。第二，我們把自己定位成通用大模型廠商，目標AGI，其他事可以選擇不做，聚焦在這。這是最大優勢。依靠這種定位和專注，在技術創新、產品迭代上創造市場，創造更多商業化機會。通用模型能力不是虛的，不同階段有切實的落地。最近我們聚焦在編程能力上，這是個通用能力，聚焦后產生的技術、產品、商業化價值很大。來源于我們對這事認知夠早、夠準，技術能力能達到最頂尖水平。

方三文：優勢在模型本身還是落地應用？

張鵬：這兩件事分不開。這次AI革命，從算法研究到工程實現、產品化、應用反饋整個閉環壓縮得非常緊密。不像以前實驗室發論文，幾年后才做成Demo、產品、迭代。大模型這波從算法創新到類似ChatGPT上線只用了五年，用戶一下過幾億。時間周期和閉環壓縮得很厲害。你說把算法研究到頂尖再考慮交付，做不到。這是一體化的。我們一邊研究一邊輸出，讓大家用反饋，往好用方向加深。

方三文：通用大模型廠商會越來越少，但把大模型能力放到具體企業應用場景的玩家會不會越來越多？

張鵬：把模型能力變成客戶需求、產品特性，最后這一公里。這個肯定會越來越多，因為市場需求大。這就是生態趨勢。

方三文：如果很多玩家進來，會不會把市場利潤率玩得很低？比如圖像識別能力應用到不同場景，很多廠商做，利潤率很低。

張鵬：那種情況是在技術接近天花板時發生，比如人臉識別到97%、98%，再往上沒意義，技術穩定，大家蜂擁而上壓成本，導致價格越來越低。但大模型還在技術快速增長階段，技術溢價高，創新活躍，不太會出現低價競爭模式。我們要做的就是在曲線增長階段保持技術創新領先，用創新速度創造市場空間，獲得創新的技術溢價。

方三文：研發投入主要目的是在大模型方面保持持續領先優勢，還是在產品化、商業化方面有更好體驗和效率？

張鵬：一定是前者。基礎模型能力上限是我們的根本，所有商業化都基于這一點。

方三文：這個行業有國際國內巨頭，你要保持優勢難不難？

張鵬：有挑戰，但正是有挑戰，團隊覺得必須去做，必須做成。我們有這個自信和信心。

方三文：大廠可投入資金比你大得多，算力方面很難有優勢；數據方面，大廠有存量互聯網內容優勢。你們是否是在算法方面有優勢？

張鵬：三要素不是分裂看的。算力投入我們跟大廠沒法比，人家投得起。數據方面，我也不覺得他們能把那些數據無償合法地拿來做訓練，這中間涉及法律問題。算法、研發能力是我們的強項。三要素單獨看有勝有劣，但怎么粘合起來產生化學反應，考驗團隊能力。還有更本質的是對AGI、AI第一性原理的理解和認知程度。舉個例子，某個大廠也是比較早就開始做大模型，做了一段時間之后，它們內部也不是無限制投入，投入完之后被問怎么商業化，團隊被逼商業化，結果失敗了，團隊被替換。大廠投入也不是無上限，有考核要求。所以不用過于夸大所謂大廠的能力。

方三文：聽起來是需要勇氣才能參與的市場競爭。你是有勇氣的人？

張鵬：我們這個團隊很有勇氣。

方三文：你們商業模式建立在B端市場，你們C端市場是做什么的？

張鵬：我們很早思考過這個問題。為什么要把B和C分開？分的原理是什么？沒人能講明白。很多人從商業層面說ToB/ToC的產品形態、付費模式不一樣。但從產品和技術層面來看，回歸第一性原理，這兩者沒有差別。因為不管服務企業還是互聯網客戶，最終都是服務人。只有人認可價值，利用技術和產品獲得價值增益，才愿意付費。只是B端和C端付費邏輯、決策邏輯不同。但AI是生產力級別的，付費取決于生產力轉換的價值增益。沒有這個就不會付費。所以C端不是我們現在的重點。就像電，為電付費，個人或企業有什么差別？沒差別，都是因為用了有價值。

方三文：目前商業化主要在B端，是嗎？

張鵬：未來很多事情都是不確定性的，所以為什么我一直在說，現在這個時代最大的挑戰來源于人。人對于新鮮事物的線性外推，只能基于過去認知預測未來，永遠預測不到認知之外的東西。很多問題根源在此。智譜應該堅持AGI理想往前走，當市場需要什么類型時它就是什么類型。我們認為在這個階段這種模式是好的，對我們來講是合適的。我們就會沿著這個路去走。太遠的我們預測不了，也沒必要給自己設限。

全文原視頻：