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?；瘮U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?，F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?，F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?，F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?，F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?；虡I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。