全球大模型第一股的上市访谈，和智谱CEO张鹏聊：敢问路在何方？

2026年1月8日，智谱在港交所挂牌，成为中国第一家上市的大模型公司，也是全球大模型第一股。几天前张小珺见到张鹏时，他拄着一副拐杖，出差途中摔断了跟腱。张鹏提了一句西方俚语 Break a leg，意思是祝你好运。

这场访谈在上市结果落定之前进行，聊了三个小时。张鹏讲了很多此前没展开的细节：2019年注册公司前，他花了一年半跟清华谈科技成果转化，成为全校第一个吃螃蟹的人；训练 GLM-130B 花了约一千万人民币，同期 OpenAI 训练 GPT-3 是两千万美元，十四分之一；2023年百模大战最热闹时，他一边兴奋一边焦虑，怕市场从烈火烹油走向一片狼藉。

上市当天回看这些讲述，很多判断更有分量。张鹏说智谱的本愿是探索 AGI，单纯成立公司挣钱并非初衷。他也说，如果一百年后智谱出现在人工智能历史书里，希望被写下的身份是「AGI 的先行者」，一个开路的人。

从清华实验室走出来的第一个吃螃蟹的人 0:02:22

张鹏的履历简单。1998年进清华，之后没离开，毕业留校在计算机系实验室，做人工智能相关的工程转化。他形容自己的角色：教授和博士生做研究、发论文、写 prototype，他带一帮工程师把这些变成能交付给客户的系统和产品。

清华实验室有个传统叫 P2P，paper to product。导师从建立实验室起就强调，论文成果一定要转换成实际能用的东西。这个基因影响了智谱的做事方式。张鹏说，他们那会儿是少有的能拿技术挣美金的团队，谷歌、IBM 都是客户，有一年实验室横向科研经费接近两千万。

2016年前后，实验室内部开始讨论下一代人工智能。旷视等上一代 AI 公司已经跑出来，但大家判断 CV、早期 NLP 和机器学习的天花板就在那里，人脸识别超过人之后没有更多意义。张钹院士带着团队反复聊，结论逐渐清晰：下一代是认知智能。这个词 2016 年就提出来，比「通用人工智能」更具体，是迈向 AGI 的下一个台阶。

认知智能和感知智能的区别，张鹏用张钹院士画过的象限解释。感知智能解决「我知道我知道」范围内的问题，比如识别图片、理解语音，本质是单项技能，没有脑子。认知智能要解决「我知道我不知道」甚至「我不知道我不知道」的部分，需要理解、推理、演绎，从旧知识里长出新的东西。

为什么选科技情报作为第一个应用场景？情报学的本质是认知能力的密集应用。原来要靠顶级专家读大量文献、做调研、写报告，才能得出「未来三到五年哪些技术会成为热点」的预测。智谱用机器学习算法和模型做这件事，效率和处理数据速度都不一样。谷歌当年就是客户之一，问的问题很直接：帮我预测某个领域未来几年的技术热点。

2017年团队开始相对独立运转，公司注册卡在体制上。高校在职人员开公司没有正式通道，悄悄做总会留下首尾。2018年1月，教育部等部委联合出台意见，允许科研院所在职人员用已有成果做科技转化。文件开了，细则全是空白。张鹏说，学校也不知道怎么操作，你们是第一个来聊的，那就一起聊。这一聊就是一年多，核心是成果怎么评估、值多少钱、学校拿多少、团队拿多少。2019年6月公司注册，智谱成为清华计算机系第一家走通这条路的公司。

我们是首先吃螃蟹的人。

张鹏说起这段语气很平。他反复强调幸运：很多事恰好在那时发生，团队正好踩在点上。但往回看，2017到2019那两年，他们主动在铺路，等政策、谈细节、把实验室团队一点点转出来。并非被动等来的。

认知智能的赌注，和 GPT-3 带来的分水岭 0:20:29

公司成立后，智谱一边做情报平台商业化，一边盯着预训练模型。GPT-1 在2018年发布，GPT-2 在2019年，学术界已经有讨论。真正的分水岭是2020年5月底 GPT-3 发布，正好赶上智谱公司一周年。张鹏请张钹院士来座谈，内部讨论时他专门提了 GPT-3，问院士怎么看。

张钹给了很高评价，说这是机器学习里程碑式的进步，一种新方式。但他也指出一个根本问题：GPT-3 不知道自己不知道。你问它任何问题它都会编一段答案，一本正经地胡说八道，因为它没有「知道自己不知道」的能力。这个判断张鹏记了很多年，后来智谱在认知智能路径上的很多选择，都跟这个缺口有关。

GPT-3 之后，智谱开始研究自回归预训练和 BERT 的区别。BERT 是双向注意力，像填空机器人，把中间抠掉让模型预测；GPT 是单向的，像蹦词器，从前往后一个一个预测。张鹏团队做了一个巧妙的事：把双向预测中间这件事，通过调整词序变成单向预测，把两种范式统一起来。这就是 GLM 算法的起点。

GLM 在2021年成型，有几个意外的好处。一部分双向注意力的引入让大规模训练稳定性更好；训练出来的参数矩阵分布更集中，做量化时精度损失更小。张鹏用了一个生活类比：分布宽，量化分八等份每份都很宽，精度掉得多；分布窄，同样分八等份，每份的阈值小，精度就更准。这个算法后来被学术界和产业界认可为独树一帜的流派。

2021年底，团队做了一个关键决策：要不要用 GLM 算法训练一个千亿参数模型。当时 GPT-3 训练成本约两千多万美元，智谱自己估算也要千万级人民币以上。张鹏说，账上有没有这么多钱他不太清楚，因为不管财务，但风险确实大，决策很慎重。最后拍板要做，而且必须自己做。科学家团队起了很大作用，之前的算法研究给了他们信心，性能不会差，钱不会打水漂。

从2021年12月底到2022年七八月，九个月把模型训练完。八月开源，九月斯坦福李飞飞的报告里，GLM-130B 是唯一参与评估且排名靠前的中国模型，跟 GPT-3 互有胜负。张鹏说那时候国内做这件事的公司很少，百度有 ERNIE，阿里有红霞，研究机构里唐杰带着团队在做，公司层面主要就是智谱。

开源之后紧接着去融资，投资人完全听不懂。张鹏记得特别清楚，有个投资人在线上聊，问这东西能变成钱吗，大环境这么差，要不把估值降一半。他没降。那段时间融资挺艰难，但正好卡在 ChatGPT 发布前的小半年。

投资人听不懂，完全听不懂这是什么东西，你们怎么挣钱啊？

ChatGPT 来了：既兴奋又焦虑的 2023 年 0:40:46

2022年11月30日 ChatGPT 上线。张鹏当时在深圳，回不了北京。他并不意外，因为一直关注 OpenAI，知道他们持续在 GPT-3 之上做东西，也知道产品要发布。但市场反应还是超出预期。他的第一反应是兴奋：赌对了，这条路走下去有很光明的前景。

更直接的好处是融资。ChatGPT 火起来之后，投资人不再问「这东西到底是什么」，改问「你们什么时候能把 ChatGPT 做出来」。张鹏说，ChatGPT 帮了一个大忙，他们自己也争气，很快把对标的模型做出来上线，中文效果很好。同时开源了一个60亿参数的小版本，一张家用 GPU 就能跑，在开源社区爆火，下载量非常大。

2023年春节，研究团队和工程团队没有休息，趁着版本推上线，小范围让大家使用。张鹏形容那段时间的状态：之前两三年一直在努力，但市场认知非常浅，大家觉得 AI 1.0 四小龙已经去魅了，你做第二代又怎么样。技术上的本质差别，在市场看来离得很远，他们不相信研究和产业、钱、用户之间会这么短。

然后百模大战来了。张鹏说印象最深刻的就是这几个字。之前智谱做这事很低调，无人问津，2023年突然变成市场名牌。身边很多人纷纷跳进来：王小川是师兄，杨植麟是从智谱出去的，王慧文发英雄帖，袁进辉也认识很多年。张鹏的感受分两层。第一层是兴奋，浪潮来了，不用再教育市场。第二层是焦虑，他担心的是整个市场塌掉之后很难回来，智谱能不能留下反倒不在焦虑中心。大量资本和人涌进来，各种声音掺杂，大家分辨不出谁说的是对的、谁在吹泡泡。今天回头看，他认为还没有完全分清，但越来越收敛到真实性问题上了。

如果这个市场都没有了，你做的再好也没用。

2023年还有一个被反复讨论的话题：通用模型还是垂直模型。张鹏说当时参加什么会都被问这个问题，但今天看它是个伪命题，垂直模型在市面上已经没有什么声音了。他当时跟王小川通过一个电话，在机场摆渡车上，聊华为提出的 L0、L1、L2 概念。王小川想把 L0 基座、L1 专业化、L2 应用层这个框架推广成行业共识。张鹏认可垂直模型可以做，但补了一句：一定要基于一个足够好的 L0。

为什么智谱选择 To B，没有像 OpenAI 那样积极做 To C？张鹏说中美差异太大。美国 SaaS 活得很好，ChatGPT 能收每月二十美金订阅费，大把的人交。中国 C 端付费意愿和 B 端 SaaS 订阅付费意愿都很差。直接照搬 OpenAI 模式，除非抢到巨大的首发优势，否则必然陷入倒贴引流、补贴、用户白薅羊毛的状态。智谱也做过 To C，智谱清言有 VIP 会员，收了一点钱，但用户使用曲线跟上班上学时间重叠，早上八点到十二点，下午一点到五六点，晚上很少，八九点有个小高峰是家长辅导孩子作业。ROI 算下来很不合算。

张鹏对 To B 的确定性看得很重。中国 To B 市场也有低价竞争，但大家有个底线，因为要交付、要收住成本，甲方也不欢迎低价抢单，怕你交付不了。To B 的故事听起来没有那么 sexy，账也不好算，但相对 stable。

2024 年的新主角，和 Scaling Law 的范式演变 1:09:06

2024年，市场讨论的主角换成了 Kimi 和 MiniMax。张鹏对此很平静，认为全新行业里出现更年轻、更新锐、更有想法的人，是必然现象，也是历史趋势。他评价杨植麟非常聪明，属于学霸型，在 CMU 念完博士回来，研究成果在圈内影响力很大，最早创办循环智能，后来做 Kimi。张鹏说觉得他应该能成。同门师兄弟在商业环境竞争，张鹏说清华人比较工科男、比较理性，在一起聊得开心，在商言商，各自有规则和沟通方式。

对闫俊杰，张鹏的印象是找对了方向、找对了市场，非常明白自己想要什么，直接奔着商业化去，做的东西朝着消费娱乐、情绪价值的方向。张鹏说自己和闫俊杰在2024年世界人工智能大会开幕式上坐一块，聊得比较多的是算力、训练成本怎么控制。

话题转到 Scaling Law。唐杰在2025年12月23日发过一条长微博，把人工智能当下的范式和阶段描述得很清晰：从预训练 Scaling，到微调和后训练 Scaling，再到智能体阶段。张鹏往前追溯，说智谱提出过 AGI 实现的 L1 到 L5 五个阶梯。L1 是预训练，解决从已有数据里学习世界知识和常识，本质是记下来。L2 是对齐和推理，关键是 SFT，记下知识之后要会用、正确用、能组合。L3 是自学习，关键是强化学习，在试错中学习正确和错误的经验，获取强化信号往正确方向走。L4 是自我认知，知道哪些是自己不知道的。L5 是类似人类意识的东西，定义还不太清晰。

Scaling Law 在每个阶段的核心变量不一样。L1 是参数量、数据量、算力；L2 是推理计算，test time scaling；L3 是强化学习 Scaling。张鹏说 Scaling Law 本身提出来的时候是非常不严谨的说法，只是对现象的描述：参数量增长，智能水平指数级爆发。它没有科学依据。2023年大家都相信暴力美学，简单粗暴堆算力。但科学家最想探究的是现象背后的原因，掌握了本质才能真正利用好。

什么时候算力不起作用了？张鹏说没有特别明确的时间点，但到一定程度之后成本先受不了。算力涨价从2023年就开始，涨得很可怕。成本受不了，大家就不敢继续这么堆。这时候有两条路：融更多钱讲更大的故事，或者开始优化。OpenAI 坚决走第一条，智谱两条都做。

张鹏给了一个很硬的数据：训练 GLM-130B 花了四百万人民币，算上人工和七七八八大约一千万人民币，同期 GPT-3 是两千万美元，十四分之一。这是中国团队的优势，大家都会抠细节、要效益。后来在消费级卡上做模型推理，也是智谱先干的，成本从一百大几十万降到二三十万。2025年更新的 GLM-4.7 表现很好，参数量还是三万多亿，好是因为训练效率更高、数据利用率更高、模型架构设计时就考虑了推理成本控制，单机八卡就够。

降成本一直是智谱的主线。张鹏说他们对 Scaling Law 这种现象描述并不特别迷信。2023年市场上都在说暴力美学，智谱该做的做，但一直很克制。模型参数量从千亿到2024年 GLM-4 才扩到两千亿，没有像很多友商上来就奔着万亿去。张鹏说关键看最后效果，更小的模型可以有类似或更好的效果。数据工程上有很多事可以做：同样参数量，不同数据训练效果不一样；数据量减百分之二十性能维持，剩下的计算量加百分之二十别的数据，让别的能力提升。不同数据加进去可能互相干扰，怎么让它不下降，像做菜一样，各种佐料佐一点，放进去怎么让味道更好而不是更糟，有很多讲究。

DeepSeek 的冲击，与开源和免费的混淆 1:29:56

2025年，DeepSeek 成了主旋律。张鹏说冲击很大，不管研究层面、工程层面还是市场层面，内部都仔仔细细研讨过。二月份正月一回来就在密集讨论。结论是应该更开放地看待大模型的研究和市场，很多因素搅在一起很难理清楚，需要各方协同，同时自己的研究方向应该更坚定。

DeepSeek 给智谱的提醒很具体。GLM-4 Plus 是两万多亿参数的模型，当时感觉做不上去了，成本也很高。DeepSeek 出来之后提醒他们，强化学习这一块下的力气不够。DeepSeek 的主要贡献就在强化学习，有新策略和新方法。工程优化上还可以做得更极致，底层更极致。下一个范式的探索应该更大胆一些。

DeepSeek 技术报告里提到尝试跳过 SFT 直接在基座做强化，张鹏说智谱做了一些尝试，结论是暂时没办法完全把 SFT 扔掉，还是会用一些 SFT 阶段。但后训练尤其是强化学习要加强是肯定的。GLM-4.7 发布时，智谱介绍了强化学习框架 SLAM，把不同强化学习任务融合在一个框架底下有机整合，一个框架解决所有问题。张鹏说这是基础工作做得更扎实之后，4.5、4.6、4.7 一步一个台阶上去的体现。

有没有想过为什么不是智谱先做的？张鹏说工科男不太会想这种问题，因为尊重事实。事实是这个事情不是你做的，那就想人家做对了什么、为什么我没做，想清楚原因下次注意就行。

DeepSeek 非常坚定彻底地开源，张鹏说智谱一直在做开源，从2022年 GLM-130B 开始，到目前为止有将近六七十个开源项目，下载量六千多万次，在开源社区算是比较知名的系列。开源是刻在记忆里的事，从学校出来，回馈研究、回馈创新探索是必须做的。但作为公司做开源，美国公司慢慢放弃，更多考虑商业化利益，因为闭源有技术溢价。张鹏强调一个被混淆的概念：开源和免费不能划等号。但在中国话语体系下，这两件事被混在一起，DeepSeek 彻底开源又加强了「开源就是免费」的印象。

开源和免费之间是不划等号的，是不能直接划等号的。

这个混淆给智谱带来实际影响。很多客户脑子里把开源和免费划等号，问既然都开源不要钱了，为什么还要收我钱。有些客户预算批了本来要签，看到开源模型觉得不比智谱差，甚至有些地方更好，就不买了。张鹏说只能用时间证明。很多客户自己去部署 DeepSeek 一体机，有的没能力找外部团队帮忙，过一段时间大部分都掉头回来。因为 DeepSeek 不提供商业化服务，部署了顶多当聊天机器人问一问，没办法跟内部系统整合，这需要专业服务和人士。原厂不提供这个服务，客户想通了商业本身的核心要点，自然而然会回来。

智谱在开源闭源之间没有摇摆过。关键模型的更迭都有开源版本或项目，2023、2024年很明确把开源和商业化分开：开源是把核心技术放出去，让大家用得上、了解细节、做自己的创新；商业化面向客户提供基于模型的一系列产品工具和服务。客户买的并非几十个 G 的参数文件，重点是把模型用起来、转换成生产力和商业收益的服务。

梁文锋为什么这么彻底开源？张鹏猜他大概率不想做 To B 服务，市场也不缺钱，没想靠这个挣太多钱，同时有很执着的技术理想，不想因为商业化分心，集中精力做技术探索。朱啸虎说 DeepSeek 对世界的影响被低估，尤其在开源上。张鹏说不知道未来会演化成什么样，不应该低估也不应该高估。开源过程中很多人都有贡献，DeepSeek 自己也承认技术上有来自开源社区的养分。即使不是 DeepSeek，也会有别人来做这件事。开源在赢得开发者和社区情感认同上更好，没有显著商业利益时是个好选择。

开源对全球治理分配有没有系统性影响？张鹏认为开源加速了智力平权的过程。黄仁勋讲主权 AI，技术没有国界，但应用和人、利益有国界，技术不可能只掌握在极少数公司或个人手里。中国公司大量开源，给世界提供了第二、第三甚至更多选择。即使没有开源，最终结局可能也是美国走商业公司闭源模型推动资本积累的路，全球其他玩家努力寻找第二、第三选择。中国战略不会放弃这个路径，会做技术输出，帮助大家做自己的主权 AI。

IPO：全球大模型第一股，和一场马拉松的补给站 1:48:33

访谈时智谱上市日期还没完全明朗，与 MiniMax 围绕「全球大模型第一股」的竞争仍在继续。张小珺问张鹏想对 MiniMax CEO 说什么，张鹏说跟闫俊杰最近碰面机会少，祝大家好运。怎么看 OpenAI 上市？张鹏说 OpenAI 是另一个故事，美国大环境是高风险、高投入、高回报的三高逻辑。智谱更符合中国情况，在高科技领域追求稳定性、可控性、可预期的模式。

为什么 AGI 还没实现，大模型公司纷纷上市？张鹏用马拉松来比喻。AGI 是长跑，距离非常长，一定要坚持下去。不同阶段用不同方式度过：起步时为了摆脱拥挤需要加点速跑到第一集团；中间大家坚持不住时要去补给站拿补给，保持体力，平衡消耗和摄入。上市在智谱这里显得自然而然。公司成立第一天规划里，大概六年、七年就要面临 IPO。他们自己做过模型，每年增长百分之一百到一百五，倒推三年业绩期，2022、2023年就开始规划营收增长、商业化、成本控制、团队发展。