在黃浦江邊舉辦的 2024 世界人工智能大會裡，創業者、開發者、科技愛好者們釋放了比上海 38 度高溫更火爆的熱情，關于大模型的革命性和落地應用不相稱的觀點也碰撞出新的火花。
大模型的算力怎麼轉換成生産力？
當大模型、晶片、雲計算、具身智能、自動駕駛等廠商将最新的成果聚集到一起，形成了一個中國 AI 版圖的微縮景觀，來到這裡的人都希望從中找到一些通往 AGI 的草蛇灰線。
「這是那家很像 OpenAI 的公司」。我在智譜 AI 的展台前，聽到一個參展的觀衆這樣跟同伴介紹，這大概也是不少從業者的觀感。
這家中國 AI 獨角獸有着各種尺寸的通用大模型，最近釋出 GLM-4-9B 模型，超越了 Llama 3 8b 模型。多模态模型 GLM-4V-9B 以 13B 的參數量做到了比肩 GPT-4V 的能力。 昨天智譜 AI 也在 WAIC 釋出了第 4 代 CodeGeeX 代碼大模型 CodeGeeX4-ALL-9B。
智譜 AI 商業化節奏也跑在大多對手前面，如今已經有超過 30 萬個智能體活躍在清言 APP 可供使用。智譜 AI 大模型開放平台目前已經有超過 40 萬注冊使用者，日均調用量達到 600 億 Tokens。
智譜 AI CEO 張鵬認為，當下因大模型而掀起的 AI 熱潮和之前有所不同，在過去，AI 技術解決了一些實際問題，但如今的大模型發展帶來了更重要的類人認知能力。
大模型能夠在一個模型上提供泛化能力，解決一系列場景和應用的多樣需求，進而解決成本和收益的平衡的問題，這是它的本質特點。
張鵬也在現場接受了 APPSO 等媒體的采訪，談論了對大模型落地、超級應用和技術未來曲線等話題，涵蓋了從大模型研究到商業化的部分關鍵問題。
以下是對話實錄，中國 AI 公司是怎麼将大模型落地的，可以從中看到一些側寫。
大模型落地，别隻盯着超級應用
Q：關于大模型的 TPF（Technology-Problem Fit），智譜是怎麼将技術跟産品結合，然後去落地的？業界對此還沒有達成共識。
張鵬：我從來不覺得這個事情需要争議，任何一項新的技術的落地，它都需要一個周期，這是自然規律，但這個周期有長有短，而且在大模型這樣的革命性技術落地過程，肯定會有更大的挑戰，有更多需要我們解決的問題。
從客觀曆史來講，這次技術革命的落地已經夠快了，但正是由于它太快了，是以大家對這個事情的認知水準還是有一些參差的，分布的方差比較大。
技術還需要快速地去疊代和更新，但是在應用上我們也不能等它完全成熟再去落地。
Q:能分享一些大模型落地的經驗嗎？
張鵬：首先你要深刻了解認知這個模型的能力。要嘗試去把握它的優勢，去避免利用它的短闆，比如說你讓模型去算很精确的實體模型或者是數學公式，它就像人的大腦一樣，它不擅長，是以你就不要去苛責。
比如用它來代替原來你用得很習慣的電腦，就不太合适，是以你要找到合适的角度發揮它的優勢，不要去背道而馳，或者擋住它發展路徑的空間，可能随時會被模型能力的疊代碾壓掉。
Q：最近大家讨論的 AI 超級應用，離我們還有多遠？其實作在超過千萬級日活的 AI 應用都很少。
張鵬：大家對超級應用的定義非常模糊，每個人都有自己的一套想法，ChatGPT 算不算超級應用呢？
Q：看它跟什麼類比。
張鵬：對，你總要有個類比。ChatGPT 已經是曆史上月活破億最快的産品了，如果這都不能稱之為超級應用的話，什麼可以稱為超級應用？
不要過早地隻看這個結論，觀察發生的過程你就會發現它已經發展得非常快了，是以保持一點耐心，超級應用的出現不完全是一個技術驅動的事情，還要考慮很多因素比如市場和使用者是否準備好。
我再舉一個簡單的例子，Google 搜尋引擎的使用者量夠大了，它從成為世界第一的搜尋引擎，到它探索出成功的商業落地的路徑，你猜它花了多長時間？6 年，就現在的 Meta，原來的 Facebook，同樣也花了 6 年。
Q：從移動網際網路出現到微信抖音也花了更長時間。
張鵬：是以大家為什麼不能再等一等呢？不如多嘗試一下它。就像我們小時候玩打磚塊的遊戲一樣，你想要瞄準縫隙把它打到一個很精準地打到一個縫隙裡去，這件事情首先你得找到縫隙在哪兒？路徑在哪兒？
很多事情要前赴後繼地去探索，這個過程就很重要，不要隻看到最終的結果，更重要的是我們采取行動，我覺得這才是目前大家更應該關注的事情。
Q：行業裡有人認為提到未來幾年可能會落地創新應用，他給了一個很明确的時間是 3 年左右，您怎麼看？
張鵬：也許明天就有，我剛才說了這個事情它需要綜合考量不同因素，一個是技術本身的成熟度，第二個是市場和使用者本身是否準備好。第三個是需求的發掘，然後甚至還加上有一點點運氣，變量太多，很難用我的大腦這麼簡單的一個神經網絡去預測這種事情。
Q：最近有一個熱議觀點，說沒有應用的基礎模型一文不值。
張鵬：本身這件事情也分兩個層面，首先技術的創新這件事情它本身就有意義，因為我們有這麼多的科研人員，也在不斷探索人的智能到底是因為什麼産生的，我們怎麼樣讓機器去接近人類的智能，它的意義本就非常重大。
第二個層面。如果說這件事情探索的結果，是我們能夠把它工程化、産品化，把它變成一個更有價值的生産力，它的意義就會更大。
這件事情它不是二選一，是一個串聯的問題。應用當然很重要，我們确實是希望在當下把技術能轉化成更多新的生産力，但并不代表說我們去追求技術的創新和本質上的探索就沒價值。不要走向任何一個極端，它們是互相促進的關系。
Q：還有一種觀點認為開源模型并不合适大多數的應用場景，商業化的閉源模型是最能打的。前段時間智譜也釋出了 GLM-4 開源版本，您怎麼看模型開源和閉源的問題？
張鵬：我們一直認為開源和閉源它們本質的目标和意義是不一樣的。閉源更多是從商業化的角度來考慮，它是一個商業路徑，然後提供更好的服務更安全的産品。而在大模型開源這件事情上，它的目的主要是為了豐富生态，促進技術的創新。
任何一項技術如果單純走向一個封閉而且壟斷的發展路徑，要麼就是活力不夠，要麼就是會變成一個對整個生态不太友好的一種狀态。就像生物圈一樣，必須要保持一定的多樣性，開源更多的是為了保持技術的創新和技術多樣性，讓開源社群也能夠投入到技術的核心裡來。
Q：您此前提過智譜的商業化重心在 ToB 上，ToB 客戶現在主要聚焦哪些行業？你們具體幫助客戶做什麼方面的應用？
張鵬：隻是說我們現在目前主要的收入來源還是在 ToB 端，但并不代表說我們商業化路徑隻有 ToB 這件事。
目前我們在服務的 B 端客戶大概覆寫了 10 多個行業，包括像金融、教育、網際網路，然後零售、汽車、能源、傳統制造業等。
我們目前幫助行業性客戶落地，我主要還是通過幾種路徑。
首先我們有自己的開放平台，可以幫助我們的客戶快速接入模型的能力，成本也比較低，快速地去嘗試創新，然後去更新自己，疊代自己的産品和 AI 賦能。
第二種對于針對一些大型的對資料安全和要求、私有化要求比較高的，我們會提供雲端的私有化的方案和本地的私有化的方案，然後再針對一些場景特别明确，然後還有中小型的這種企業落地的場景，我們會提供比如軟硬體一體的解決方案。
目前我們的開放平台，現在已經有超過 40 萬的企業使用者，其實也包括一部分小的開發者團隊，在我們平台上注冊和使用我們的模型 API 的，現在每天的服務量也超過了 600 億 token 的服務量，增長非常快速。
Q：最近 OpenAI 停止了對中國開發者提供 API 服務，智譜很快推出了搬家服務，目前使用者遷移過來的情況怎麼樣？
張鵬：從我們的觀察來看是有增量的，但是整個的市場的響應有一個過程，我也問了一下友商的情況，其實大家都觀察到了增量。
Q：接下來有沒有出海打算？
張鵬：我們已經在布局國際業務線，現在正在已經有一些業務在洽談。
大模型下一步的發展在哪裡？
Q：GPT-5 一直跳票，業界認為大模型的疊代曲線在放緩，Scaling Law 到底是不是走到盡頭了？
張鵬：早期的 Scaling Law 非常的簡單，單純隻關注模型的參數量，但是後來大家發現 Scaling Law 裡面的内涵，它參數量的大小隻是其中一個因素和變量，它還包括了後來又包括了比如說訓練用的資料量，token 的數量，然後再後來又發現跟計算量也有關系，是以 Scaling Law 本身的内涵也在不斷的變化。
更接近 Scaling Law 真相的可能是計算量，計算量融合了算力和資料，還有參數規模，最終得到的可能一個綜合性變量，這樣更能代表 Scaling Law。從計算量的角度來看，我們認為 Scaling Law 還是有效的。
有一個側面的例子來證明這件事情，就是美國現在限制 AI 技術的出口，他的限制标準不再是比如說晶片的算力，或者模型的參數量、資料量，而用的是計算量，就 10 的 24 次方畫一條線，如果這個模型的計算量超過這條線，就不允許，是以你看他也是在往更貼近真相的這個方向在走。
但它的本質是什麼？我們還在探索，因為 Scaling Law 本身就是一個觀察到的現象，得到的一個規律，它并不是一個真理的内涵是什麼。
Q: 接下來智譜 AI 更傾向于端側還是雲端大模型？
張鵬：我們相信目前大模型的路徑是邁向通用人工智能，甚至是超越人的這種超級智能，這是目前看起來比較可靠的路徑，但是我們并不會局限在雲端或者是端側這樣的選擇上。
我們相信這個技術的發展它有自己的階段性，在某個階段，比如說現在雲端可能因為算力等原因，它的智能水準是最高的，如果我們想要向下一個階段的通用人工智能或者超級人工智能前進。可能還是集中在雲端的提供這種更強的能力。
WAIC 上的人形機器人.
但是在某些特定的場景下，比如說在端側手機上、在汽車上、在機器人上，可能就需要端側的算力和端側的模型去配合雲端，它可能是一個端雲結合的這種模式，可能未來我們在手機上就能實作像現在雲端這麼聰明的智能，但是這涉及很多綜合因素，晶片、算力能源等等一系列的問題。
任何技術都是有階段性的，在這個階段方案是這樣，但是從更長的時間尺度來看，它（端側和雲端）是不是終極答案？肯定不是，未來一定還會往前再發展。
Q：您覺得大模型下一步的發展在哪裡？
張鵬：目前大模型在語言和文字能力上已經接近甚至略微超過人類的平均水準了。下一步，我們對它希望可以用一個詞來形容，「脫虛向實」，就是不再局限于成為一個缸中大腦，讓它能夠走入到實際的生活和工作中去創造實際的生産力。
要實作這個目标其實除了語言能力，還要需要很多其他的能力，比如說視覺能力，聽覺的能力，還有這種動手動腳的長出手腳的執行能力，我們希望它會變成一個多模态的模型，這個模型它能夠了解人的意圖，把人的意圖拆解成一些邏輯性的執行步驟，并且能夠使用工具連通實體世界去完成這些工作。
既然我們希望它具備更強的幹涉實體世界的能力，那麼安全就變得更重要，防止它去在現實的實體世界當中做一些危害性的東西，這在數字世界也是一樣，我們需要在安全性和對齊上做更多事情，我們把它叫做超級智能和超級對齊。
#歡迎關注愛範兒官方微信公衆号：愛範兒（微信号：ifanr），更多精彩内容第一時間為您奉上。
愛範兒|原文連結· ·新浪微網誌