每经记者：可 杨 每经编辑：魏官红
大模型行业正站在一个关键拐点。过去数年由技术突破引发的狂热，在2025年迎来商业化大考。随着智谱等头部AI“独角兽”公司相继启动IPO（首次公开募股）流程，市场焦点正从模型能力的“军备竞赛”转向落地应用的深度审视。资本市场开始以更严苛的标准检验大模型企业，是否具备可持续的商业模式和长期价值，这一冲突在开源与闭源的路线之争中尤为凸显。
受访者供图
在行业普遍认知中，开源意味着技术共享，商业化则意味着技术独占。作为中国大模型赛道的关键参与者，智谱却始终坚持一个反直觉的判断：开源与商业化长远来看并不冲突。这一判断的底层逻辑是什么？在技术“摸高”与应用落地之间，企业应如何平衡资源？AI的“性价比”竞争是否已经到来？带着这些问题，11月17日，《每日经济新闻》记者（以下简称NBD）与智谱董事长刘德兵展开深度对话。在他看来，基础模型的进步对应用落地有巨大促进作用，但技术探索绝不能脱离商业价值，必须转化为可持续的竞争优势。
NBD：行业普遍认为开源和商业化存在冲突，但您判断两者并不冲突。这个判断的逻辑是什么？
刘德兵：如果仅看短期利益，闭源模式确实能直接带来更多收入，短期内双方存在冲突。但从长远发展角度看，开源与商业化并不矛盾。核心在于开源有助于培养整个行业生态。AI化是未来百年的长期进程，如果不开源，许多人将无法接触这项技术，也没有经济实力购买模型，许多创新应用将无法实现。从产业发展角度，需要更多人参与研发和应用，开源能推动产业生态繁荣，其中少部分能转化为商业收益，对商业增长也是良性循环。
NBD：从事实上看，开源真的给智谱带来了商业增长吗？
刘德兵：我们大量开源后，商业收入快速增加，并未因开源而影响收益。随着技术进一步突破和应用规模化扩展，增长速度还会更快。典型逻辑是，过去向大企业推广模型时，对方对技术效果存疑，沟通成本高。现在开源后，许多人已对技术有深入了解，前期沟通成本大幅降低，合作推进效率显著提升。
NBD：此前智谱发布了GLM-4.1V-Thinking 10B级小参数模型，是否意味着产业正在从“堆”参数转向性价比竞争？
刘德兵：性价比竞争一直存在，只是此前参数增加带来的性能提升非常快，大家更愿意追求大参数。现在模型性能提升速度放缓，出现两极分化：部分企业认为参数增益有限，选择转向小模型；另一部分企业仍认为增益显著，继续投入大参数。智谱坚持做大参数模型，是因为通过提升参数和训练数据，我们可以探索模型性能的“天花板”，为技术发展设定锚点。
例如，我们开发的小模型性能达到“90分”，但如果没有万亿参数模型的“98分”作为参考，我们无法判断“90分”是否足够优秀。大参数模型作为技术锚点，能帮助我们优化小模型，在降低参数量的同时保持高性能，这是重要的技术路线。
NBD：模型能力听起来已经很强了，但为什么在外界感知上，大规模应用落地似乎没有想象中那么快？
刘德兵：现在许多应用已经非常“实”了，例如语言类、图像处理和内容生成等领域的应用已很成熟。但大家对AI的期待更高，希望它在能源、制造等产业领域产生更深度的应用，影响生产过程。这种期待尚未完全实现，突破瓶颈需要两个方向的努力：
第一，模型企业与产业企业需深度结合，通过共创实现双赢，扩大AI对现实世界的影响；第二，模型本身的能力需进一步提升，让应用更高效。未来随着模型智力水平提升，普通用户也能轻松使用，届时更多“一人公司”将涌现。
NBD：深度结合需要时间，目前行业对这个时长的心理预期是多少？
刘德兵：行业普遍希望尽快实现深度结合，但龙头企业保持理性态度。它们知道这是一个渐进过程，更愿意通过成熟场景切入，逐步加深AI应用，让AI融入产业，成为基础设施。
NBD：C端产品目前似乎都在朝“超级入口”的方向收缩，这是当下的趋势吗？
刘德兵：超级入口是重要方向，能快速扩大用户规模和影响力。但另一个方向同样关键：模型基础能力提升后，与产业的深度结合。这一方向需要更多投入，前期进展较慢，但一旦做深，可能代表未来趋势。
NBD：基础模型研究与产业应用都非常“烧钱”。智谱在发展过程中怎么平衡？
刘德兵：公司成立之初，我们就立下“让机器像人一样思考”的愿景，对基础模型研究充满热情，愿意在技术“摸高”上投入资源。基础模型的进步对应用落地有巨大促进作用，但我们也强调，技术探索不能脱离商业价值，必须将部分成果转化为应用落地，形成竞争优势。
NBD：从智谱对AGI（通用人工智能）的分级来看，行业现在正处在L3（自我学习）向L4（自我认知）跨越的关键点。要实现这个跨越，技术上最难啃的骨头是什么？
刘德兵：从L3到L4，关键特征是模型必须具备自学习能力。目前主流大模型公司通过智能体（Agent）能力、调用工具等方式拓展能力边界，但这些并非真正的自学习。我们尝试用SFT（Supervised Fine-Tuning）方式让模型存储用户交互数据，但这仍非核心突破。真正的自学习标志是模型能够调整自身参数，这非常困难，因为参数调整可能导致模型崩溃，就像人受到重大冲击后世界观和判断逻辑发生变化，可能崩溃一样。如果实现这一点，模型才能在应用中自主成长，应用爆发才真正值得期待。
NBD：“调整模型参数”这个概念如何理解？是指模型在运行中，它的参数规模（比如从千亿变百亿）发生了变化吗？
刘德兵：不是参数数量的改变，而是参数数值（value）的改变。现在的大模型，例如千亿参数模型，其参数数值在预训练完成后固定下来，定义了模型的判断逻辑。模型在应用中答错问题时，用户纠正后，模型仅在当前场景记住问题，参数数值并未调整，第二天仍会犯同样错误。如果模型能调整参数数值，判断逻辑将永久改变，第二天回答将不同。但这也可能导致模型崩溃，因为调整一个参数可能影响其他问题的回答正确性。这就是其难度所在。
NBD：这是否意味着，L3到L4是一个关键的瓶颈阶段？一旦突破，后续进程会极大加速？
刘德兵：这一点我确定无疑。我一直认可文明是加速度发展的，L3到L4就是这样一个关键点。如果模型实现完整自学习，迭代速度将加快。但即便进入L4，仍有大量技术空白需要研究，模型仍需人类参与和矫正。
NBD：过去的“AI六小虎”格局已发生了很大改变，有人觉得这个行业现在冷静下来了，您觉得这个格局发生变化的原因是什么？
刘德兵：行业初期不够清晰，大家凭兴趣一拥而上，显得混乱。随着行业发展，分化是正常现象，大家逐渐找到自己的位置。智谱立下“让机器像人一样思考”的愿景，希望提升AI智力水平，坚持长期主义，选择清晰的技术方向并持续投入，而非左右摇摆。做AI基础模型的公司会越来越少，因为投入巨大，但这是我们坚持的方向，我们希望在国际前沿保持领先。
NBD：现在智谱正在走IPO流程，除了智谱，一批AI“独角兽”公司也在寻求IPO，资本市场迎来IPO热潮。这可以被视作一个技术成熟的信号吗？
刘德兵：与其说是技术成熟的信号，不如说是行业从技术探索期进入规模化商业应用期的关键里程碑。它意味着市场开始用更严格的尺度检验AI企业，不仅关注技术先进性，更关注商业模式的可持续性、盈利能力和长期价值。
NBD：您对2026年AI产业格局有什么判断？
刘德兵：我们对2026年的发展非常期待。技术上很可能会有较大突破，同时更确定的是，AI应用将更扎实、更广泛。2025年许多人参与进来，2026年将有更多人在AI应用上取得更高收益，因为大家更明白如何应用AI，如何与场景结合，效果将更好。
NBD：技术层面“大的突破”，具体可能指什么方向？
刘德兵：例如智能体（Agent）的应用。目前智能体调用工具、与环境交互已实现“0到1”的突破，但在精准性或效率上仍有提升空间。到2026年，这方面毫无疑问会有突破。
猜你喜欢
