每經記者｜可楊    每經編輯｜魏官紅    

大模型行業正站在一個拐點。

過去數年間由技術突破點燃的狂熱，正在2025年遭遇一場商業化大考。隨著智譜等頭部獨角獸相繼啟動IPO（首次公開募股）流程，市場敘事正從模型能力的“軍備競賽”轉向落地應用的審視。

資本市場開始用更嚴苛的尺度，檢驗大模型企業是否具備可持續的商業模式和長期價值。這一沖突，在開源與閉源的路線之爭上尤為激烈。

在行業普遍認知中，開源意味著共享，商業化則意味著獨占。作為中國大模型賽道的關鍵玩家，智譜卻始終堅持一個反直覺的判斷：開源與商業化長遠來看并不沖突。這一判斷的底層邏輯是什么？在技術摸高與應用落地之間，企業應如何平衡資源？AI（人工智能）的“性價比”競爭是否已經到來？

帶著這些問題，11月17日，《每日經濟新聞》記者（以下簡稱“NBD”）與智譜董事長劉德兵進行了一場深度對話。在他看來，基礎模型的進步對應用落地有巨大的促進作用，但技術摸高絕不能做“空的、虛的”東西，必須能轉化成商業優勢。

""

智譜董事長劉德兵 圖片來源：企業供圖

談模型：大參數模型是技術錨點

NBD：行業普遍認為開源和商業化存在沖突，但你判斷兩者并不沖突。這個判斷的邏輯是什么？

劉德兵：如果只看短期利益，比如現在閉源能直接賣更多錢，短期內雙方肯定有沖突。但從長遠發展角度看，開源和商業化其實不沖突。

核心在于開源其實是有助于培養這個行業。AI化是未來100年的事，在這個階段，如果不開源，很多人其實接觸不到這個東西，也沒有經濟實力去買一個模型，很多事就做不了。

從產業發展角度來看，需要更多人貢獻進來，不只是做研發，也包括做應用。開源幫我們把整個產業生態做起來，中間有少部分能轉化成商業收益，對商業來說也是很好的增長。

NBD：從事實上看，開源真的給智譜帶來了商業增長嗎？

劉德兵：我們做了大量的開源以后，商業收入是在快速增加的，并沒有因為開源就收不到錢了。而且如果技術有更進一步的進展、應用規模化擴展，還會增長得更快。

一個很典型的邏輯是，以前我們去跟大企業老板講這個東西（指模型）多好用，他們其實不太認可。現在有了開源，很多人已經對技術有比較深的了解，這極大地減少了我們前期溝通的成本，合作推進會快很多。

NBD：此前智譜發布了GLM-4.1V-Thinking 10B級小參數模型，這是否意味著產業正在從過去的“堆”參數，轉向性價比競爭？

劉德兵：性價比這個事其實一直都存在。只不過之前隨著參數增加，大模型性能提升非常快，大家就更愿意朝那個方向走。現在模型提升的速度在放緩，就出現了兩極分化，有些人覺得提升參數帶來的增益不大了，就不做了，有的人覺得增益還比較大，還可以繼續做。

NBD：智譜為什么還要堅持做大參數模型？

劉德兵：在我們看來，通過提升參數和訓練數據，把模型的性能“摸高”，這樣我們就有一個錨點，知道這個模型最高的技術水平能達到哪里。

比如我現在做了一個小模型，它跑出來一個90分的水平。我其實不知道這個90分到底是好是壞。如果我現在用一個萬億參數的模型，跑出來也是91分、92分的水平，那么我們就會覺得這個小模型的90分其實就挺好的。但是，如果那個萬億參數的模型跑出了98分、99分的成績，那我們可能還是要考慮用那個更高參數量的模型去做應用。

大參數的錨點非常重要，有了這個基礎，我們再去優化小模型，把參數量降低，同時還能朝著原有那個（高）性能指標去努力，這是一個很好的技術路線。

談應用：技術摸高要能轉化成應用落地

NBD：模型能力聽起來已經很強了，但為什么在外界感知上，大規模的應用落地似乎沒有想象中那么快？

劉德兵：首先可以肯定，現在很多應用已經很“實”了。比如在語言類、圖像處理、內容生成方面，這樣的應用已經很成熟。

但是，大家感覺AI這么強，對它的期待會更高，希望它在產業里，比如能源、制造領域，能產生更深度的應用，能影響生產過程。大家抱有期待，但還沒有完全體現出來。

突破這個瓶頸需要在兩個方向上努力。

第一，需要模型企業與行業企業深度結合，如果通過深度結合，能達到雙方想要的結果，那么對整個AI的應用、對現實世界的影響就會更大一些。

第二，模型本身的能力還需要進一步提升，讓應用更高效。現在還是要求對模型有理解、知道怎么用它，未來隨著模型智力水平提升，普通用戶也能用好它，那個時候更多“一人公司”才可能產生。

NBD：深度結合需要時間，目前行業對這個時長的心理預期是多長？

劉德兵：從期待上講，肯定都是希望越快越好。但我感覺行業里大部分企業，尤其是龍頭企業，對這個事還是保持比較理性的態度。它們知道這個事不是一蹴而就的。更愿意大家一起共創，用一些比較成熟的場景作為切入口，逐步實現AI應用的加深，慢慢讓AI融入自己的產業，變成行業的基礎設施。

NBD：C端產品目前似乎都在朝“超級入口”的方向收縮，這是當下的趨勢嗎？

劉德兵：超級入口是挺重要的方向，大家都期待能有更多的用戶來使用。短期來講，它是更快實現更大影響力的方式。但同時，另一個方向也非常關鍵，就是模型基礎能力提升后，與行業的深度結合。這個方向要花的力氣可能更大，前期看起來有點“點對點”，會慢一點。但這個東西做深以后，很可能也代表了一種未來。

NBD：基礎模型研究和行業應用都非常“燒錢”。智譜在發展過程中是怎么平衡的？

劉德兵：公司成立之初，我們就立了一個愿景——讓機器像人一樣思考。我們對做基礎模型有足夠的熱情，在技術“摸高”上，愿意足夠投入。這里邊其實也隱含著商業收益，因為基礎模型的進步，對于應用的落地有非常大的促進作用。但同時，我們也特別強調，這個技術“摸高”不能做一個“空的、虛的”東西。一定是在技術摸高的過程中，有部分東西可以轉化成應用落地，并且能夠產生出競爭優勢。

談技術跨越：模型能夠調整自身的參數是核心

NBD：從智譜對AGI（通用人工智能）的分級來看，行業現在正處在L3（自我學習）向L4（自我認知）跨越的關鍵點。要實現這個跨越，技術上最難啃的骨頭是什么？

劉德兵：從L3到L4，一個關鍵特征是模型必須能夠自學習。現在主流大模型公司都在做的，包括智能體（Agent）能力、調用工具，都只是在拓展能力邊界。我們也在嘗試用SFT（Supervised Fine-Tuning）方式，讓模型存儲一些與用戶交互中產生的東西。

但這些都不是真正的自學習。最核心、也最難的標志性進步，是模型能夠調整自身的參數。這非常難，因為一旦調整參數，很有可能導致模型崩潰。就像人一樣，在成長中形成的世界觀和判斷邏輯，如果受到重大沖擊、邏輯發生變化，人也可能會崩潰。如果這個點能實現，模型才能在應用中自己成長，那應用的爆發才真正值得期待。

NBD：“調整模型參數”這個概念如何理解？是指模型在運行中，它的參數規模（比如從千億變百億）發生了變化嗎？

劉德兵：不是參數數量的改變，而是參數數值（Value）的改變。現在的大模型，比如千億參數，這些參數在預訓練完成后，數值就固定下來了。這些固定的數值定義了模型的判斷邏輯。

模型在應用中，你問它一個問題，它答錯了，你糾正它“你這個錯了”，模型可以改。但這種改，只是在當前場景記住了這個問題，模型本身的參數并沒有做調整。第二天再問同一個問題，它還是會犯同樣的錯誤。

但如果能把模型參數的數值改了，那么模型的判斷邏輯在這個點上就永久改變了。當你第二天再去問，這個模型已經不是昨天的模型，它會給你正確的回答。當然，也極有可能它會產生崩潰，也就是為了改這個點，導致原來能答對的很多問題，產生了連帶反應，變為錯的了。這就是它的難度所在。

NBD：這是否意味著，L3到L4是一個關鍵的瓶頸階段？一旦突破，后續的進程會極大加速？

劉德兵：這一點我認為是確定的。我個人一直認可文明是加速度發展的。L3到L4就是這樣的一個關鍵點。如果模型真的能實現完整的自學習，那它的迭代速度毫無疑問可以繼續加快。但即便進入L4，也還是會有大量的技術空白需要研究。并不是說模型有了自學習能力，我們就可以放手不管了。它仍然需要人去參與、去矯正。

談未來：明年AI應用會帶來更強的收益

NBD：過去的“AI六小虎”格局已發生了很大改變，有人覺得這個行業現在是冷靜下來了，你覺得這個格局發生變化的原因是什么？

劉德兵：剛開始的時候行業不夠清晰，大家很有可能會憑著自己的興趣一擁而上，就顯得比較混亂。但是隨著行業的發展，肯定會逐漸分化，這很正常，大家各自都應該能找到自己的位置。

智譜立了讓機器像人一樣思考的愿景，我們希望真的把AI的智力水平提升，這是我們的一個長期主義。我們會清晰地選擇一種技術方向，堅持去做，而不是左右搖擺。現在做AI基礎模型的公司會越來越少，因為它確實投入比較大。但這是我們公司一直堅持的方向，我們也希望在這個方面更長期地投入，并保持在國際前列。

NBD：現在智譜正在走IPO流程，除了智譜，一批AI獨角獸公司也在尋求IPO，資本市場迎來IPO熱潮。這可以被視作一個技術成熟的信號嗎？

劉德兵：與其說是一個技術成熟的信號，還不如說是整個行業開始由技術探索期進入了一個規模化商業應用期的關鍵里程碑。它意味著市場開始用一個更嚴格的尺度來檢驗AI企業，不只是看技術先進性，更是包括商業模式的可持續性、盈利能力與長期價值。

NBD：你對2026年AI產業格局有什么判斷？

劉德兵：我們對2026年的發展非常期待。我認為在2026年，技術很有可能還會有一個比較大的突破。同時更確定的是，在AI應用上應該會做得更實、更廣。2025年很多人參與進來，到2026年，會有更多人在AI應用上取得更高的收益。因為大家也都更明白AI應該怎么去用，怎么與場景結合，做出來的效果就應該更好。

NBD：技術層面“大的突破”，具體可能指什么方向？

劉德兵：比如智能體（Agent）的應用。我們現在用智能體去調用工具、與環境交互，這個事實現了0到1的突破，但在精準性或效率上還不是那么高。到2026年，這方面毫無疑問會有突破。