对话智谱 AI CEO 张鹏：技术革命已经够快了，别只盯着「超级应用」的结果

在 2024 世界人工智能大会的现场，张鹏接受了 APPSO 等媒体的采访，谈论了对大模型落地、超级应用和技术未来曲线等话题，涵盖了从大模型研究到商业化的部分关键问题。

智谱 AI CEO 张鹏认为，当下因大模型而掀起的AI热潮和之前有所不同，在过去，AI 技术解决了一些实际问题，但如今的大模型发展带来了更重要的类人认知能力。

智谱 AI 如今已经有超过 30 万个智能体活跃在清言 APP 可供使用。智谱 AI 大模型开放平台目前已有超过 40 万注册用户，日均调用量达到 600 亿 Tokens。

以下为对话实录：

问：关于大模型的 TPF（Technology-Problem Fit），智谱是怎么将技术与产品结合，再去落地的？业界对此还没有达成共识。

张鹏：我从来不觉得这件事需要争议，任何一项新的技术的落地，都需要一个周期，这是自然规律，但这个周期有长有短，而且在大模型这样的革命性技术落地过程，肯定会有更大的挑战，有更多需要我们解决的问题。

从客观历史来讲，这次技术革命的落地已经够快了，但正是由于它太快了，所以大家对它的认知水平还是有参差，分布的方差比较大。

技术还需要快速地去迭代和更新，但是在应用上我们也不能等它完全成熟再去落地。

问: 能分享一些大模型落地的经验吗？

张鹏：首先你要深刻理解认知这个模型的能力。要尝试去把握它的优势，去避免利用它的短板。

比如，你让模型去算很精确的物理模型或者是数学公式，它就像人的大脑一样，它不擅长，所以对此就不要苛责。再比如，用它来代替原来你用得很习惯的计算器，就不太合适，所以你要找到合适的角度发挥它的优势，不要背道而驰或者挡住它发展路径的空间，否则，可能随时会被模型能力的迭代和碾压。

问：最近大家讨论的 AI 超级应用，离我们还有多远？其实现在超过千万级日活的 AI 应用都很少。

张鹏：大家对超级应用的定义非常模糊，每个人都有自己的一套想法，ChatGPT 算不算超级应用呢？

问：看它跟什么类比。

张鹏：对，你总要有个类比。ChatGPT 已经是历史上月活破亿最快的产品了，如果这都不能称之为超级应用的话，什么可以称为“超级应用”？

不要过早地只看这个结论，观察发生的过程，你就会发现它已经发展得非常快了，所以保持一点耐心，超级应用的出现不完全是技术驱动的事，还要考虑很多因素，比如市场和用户是否准备好了。

我再举个简单的例子，Google 搜索引擎的用户量够大了，它从成为世界第一的搜索引擎，到它探索出成功的商业落地的路径，你猜它花了多长时间？6 年，就现在的 META，原来的 Facebook，同样也花了6年。

问：从移动互联网出现到微信抖音也花了更长时间。

张鹏：所以大家为什么不能再等一等呢？不如多尝试一下它。就像我们小时候玩打砖块的游戏一样，你想要瞄准缝隙把它很精准地打到一个缝隙里去。首先你得找到缝隙在哪儿？路径在哪儿？

很多事情要前赴后继地去探索，这个过程就很重要，不要只看到最终的结果，更重要的是我们采取行动，我觉得这才是目前大家更应该关注的事情。

问：行业里有人认为提到未来几年可能会落地创新应用，他给了一个很明确的时间是 3 年左右，您怎么看？

张鹏：也许明天就有，我刚才说了，这件事需要综合考量不同因素，一是技术本身的成熟度；二是市场和用户本身是否准备好；三是需求的发掘，甚至还加上一点点运气。总之，变量太多，很难用我的大脑这样一个简单的神经网络去预测它。

问：最近有一个热议的观点说，没有应用的基础模型一文不值。

张鹏：本身这件事情也分两个层面：

首先技术创新本身就有意义，因为我们有这么多的科研人员，也在不断探索人的智能到底是因为什么产生的，我们怎么样让机器去接近人类的智能，它的意义本就非常重大。

第二，如果说这件事情探索的结果，是我们能够把它工程化、产品化，把它变成一个更有价值的生产力，它的意义就会更大。

这件事情它不是二选一，是一个串联的问题。应用当然很重要，我们确实是希望在当下把技术能转化成更多新的生产力，但并不代表说我们追求技术的创新和本质上的探索就没价值。不要走向任何一个极端，它们是互相促进的关系。

问：还有一种观点认为，开源模型并不合适大多数的应用场景，商业化的闭源模型是最能打的。前段时间智谱也发布了 GLM-4开源版本，您怎么看模型开源和闭源的问题？

张鹏：我们一直认为开源和闭源本质的目标和意义是不一样的。闭源更多是从商业化的角度来考虑，它是一个商业路径，然后提供更好的服务和更安全的产品。而在大模型开源这件事上，它的目的主要是为了丰富生态，促进技术的创新。

任何一项技术如果单纯走向一个封闭且垄断的发展路径，要么就是活力不够，要么就是会变成一个对整个生态不太友好的一种状态。就像生物圈一样，必须要保持一定的多样性，开源更多的是为了保持技术的创新和技术多样性，让开源社区也能够投入到技术的核心里来。

问：您此前提过智谱的商业化重心在 ToB 上，ToB 客户现在主要聚焦哪些行业？你们具体帮助客户做什么方面的应用？

张鹏：只是说我们现在目前主要的收入来源还是在 ToB 端，但并不代表说我们商业化路径只有 ToB 这件事。

目前我们在服务的 B 端客户大概覆盖了 10 多个行业，包括像金融、教育、互联网，然后零售、汽车、能源、传统制造业等。

我们目前帮助行业性客户落地，我主要还是通过几种路径。

首先我们有自己的开放平台，可以帮助客户快速接入模型的能力，成本也比较低，快速地去尝试创新，然后去更新自己，迭代自己的产品和 AI 赋能。

此外，对于对数据安全、私有化要求比较高的需求，我们会提供云端的私有化的方案和本地的私有化的方案，再针对一些场景特别明确及中小型企业落地的场景，我们会提供如软硬件一体的解决方案。

目前我们的开放平台，现在已经有超过 40 万的企业用户，其实也包括一部分小的开发者团队，在我们平台上注册和使用我们的模型 API 的、现在每天的服务量也超过了600亿token，增长非常快速。

问：最近 OpenAI 停止了对中国开发者提供 API 服务，智谱很快推出了搬家服务，目前用户迁移过来的情况怎么样？

张鹏：从我们的观察来看是有增量的，但是整个的市场的响应有一个过程，我也问了一下友商的情况，其实大家都观察到了增量。

问：接下来有没有“出海”打算？

张鹏：我们已经在布局国际业务线，现在正在已经有一些业务在洽谈。

问：GPT-5 一直跳票，业界认为大模型的迭代曲线在放缓，Scaling Law 到底是不是走到尽头了？

张鹏：早期的 Scaling Law 非常简单，单纯只关注模型的参数量，但是后来大家发现 Scaling Law 里面的内涵。参数量的大小，只是其中一个因素和变量，它还包括了训练用的数据量、token 的数量、计算量等，所以 Scaling Law 本身的内涵也在不断变化。

更接近 Scaling Law 真相的可能是计算量，计算量融合了算力和数据，还有参数规模，最终得到的可能是一个综合性变量，这样更能代表 Scaling Law。从计算量的角度来看，我们认为 Scaling Law 还是有效的。

有一个侧面的例子来证明这件事情：美国现在限制 AI技术的出口，限制标准不再是芯片的算力或者模型的参数量、数据量，而是计算量，就 10 的 24 次方画一条线，如果这个模型的计算量超过这条线，就不允许，所以你看，他们也是在往更贴近真相的方向在走。

但它的本质是什么？我们还在探索，因为 Scaling Law 本身就是一个观察到的现象，得到的一个规律。

问: 接下来智谱 AI 更倾向于端侧还是云端大模型？

张鹏：我们相信目前大模型的路径是迈向通用人工智能，甚至是超越人的这种超级智能，这是目前看起来比较可靠的路径，但我们并不会局限在云端或者是端侧这样的选择上。

我们相信大模型技术的发展有自己的阶段性。在某个阶段，比如，现在云端可能因为算力等原因，它的智能水平是最高的，如果我们想要向下一个阶段的通用人工智能或者超级人工智能前进，可能还是集中在云端。

但是在某些特定的场景下，比如，在端侧手机上、在汽车上、在机器人上，可能就需要端侧的算力和端侧的模型去配合云端，它可能是一个端云结合的这种模式，可能未来我们在手机上就能实现像现在云端这么聪明的智能，但是这涉及很多综合因素，芯片、算力能源等等一系列的问题。

任何技术都是有阶段性的，在这个阶段方案是这样，但是从更长的时间尺度来看，它（端侧和云端）是不是终极答案？肯定不是，未来一定还会往前再发展。

问：您觉得大模型下一步的发展在哪里？

张鹏：目前大模型在语言和文字能力上已经接近甚至略微超过人类的平均水平了。下一步，我们对它希望可以用一个词来形容：“脱虚向实”，就是不再局限于成为一个缸中大脑，让它能够走入到实际的生活和工作中去创造实际的生产力。

想要实现这个目标，除了语言能力，还需要很多其他的能力。比如，视觉能力、听觉能力，还有“长出手脚”的执行能力。我们希望它会变成一个多模态的模型，这个模型能够理解人的意图，把人的意图拆解成一些逻辑性的执行步骤，并且能够使用工具，连通物理世界去完成这些工作。

既然我们希望它具备更强的干涉物理世界的能力，那么安全就变得更重要，要防止它在现实的物理世界中去做危害性的事情，这在数字世界也是一样。我们需要在“安全性”和“对齐技术”上去做更多事情，我们把这样的大模型叫做“超级智能”和“超级对齐”。

*文章来源：APPSO

责编｜许加林

本文 zblog模板 原创，转载保留链接！网址：http://fsxxzx.com/post/4532.html