智谱CEO张鹏：模型仍是核心，工程化只是权宜之计

3月31日，智谱宣布发布最新Agent产品AutoGLM沉思。AutoGLM沉思能一边进行复杂思考，一边执行操作，像人类一样打开并浏览网页，完成从数据检索、分析到生成报告。

此前，Manus开放给部分用户内测，把通用Agent概念推向高潮，甚至有超百万人排队等待。近日，Manus上线了海外版APP，并公布了两种收费方案：每月39美元/199美元。

而智谱AutoGLM沉思上线后，免费不限量。智谱CEO张鹏在接受媒体采访时，谈到Agent应用形态的未来表示，最终还是会回归到模型上，"我们一直倡导模型即场景的概念，未来很多应用以模型为核心，包上一个很浅或者很薄的产品化或应用性的壳，就会变成一个产品。"

同日，金沙江创投管理合伙人朱啸虎在一场投资论坛上直指，所有的AI应用都是套壳应用，并建议创业公司不要浪费一分钱去训练底层模型，全力拥抱开源模型。

在业内类似的说法此消彼长，零一万物CEO李开复也公开表明放弃超大参数基础模型的竞争。预训练大模型的声量，正逐渐下降，但是张鹏提了一个反共识的观点：预训练仍然很重要，且会继续投入。

在他看来，RL（强化学习）或者其他各种方法，本质上还是依赖预训练所带来的基座模型天花板，"包括Manus这种产品化、工程化的方法，它只是权宜之计，我们折中式的解决方案，永远是模型进，工程退。"

除了技术发展路线备受关注外，近一月来，智谱连续获得三轮融资并完成股改，引发"IPO"猜想。对此张鹏表示，股改肯定是朝着IPO目标前进的，在这个过程中仍会继续去推进融资工作。

他强调相比1到10的复制，0到1的试错成本完全不可同日而语，"不管融了多少钱，拿了多少收益，其实都是AGI道路上盘缠。"

以下为主要对话内容：

模型进、工程退

预训练仍然很重要

Q：现在大家很少提预训练大模型的能力，您怎么看预训练大模型基础的能力？另外推理模型能力逐渐提升，而且提升的性价比从用户端感知可能是比较好的，您觉得推理模型的天花板在哪里？主要使用场景在哪里？

张鹏：对于预训练这件事情，大家反共识的点在于什么呢？预训练仍然很重要。为什么仍然很重要？预训练虽然现在关注度不那么高，但是后面的RL或者各种方法，本质上还是依赖预训练所带来的基座模型天花板，都是在深度的、更大程度挖掘、逼近这个天花板。

当然预训练里面的问题非常多，或者待研究的点非常多，预训练的架构、数据使用效率甚至是训练计划怎么去优化？就像我们说的智能体学习一样，是不是需要由易到难的过程，还是无序地进行预训练？这里面还有很多问题需要去研究。

目前来看，推理模型或者推理能力在更多的泛用性任务上表现上并不及预期，也是随着我们研究进展改变的。最早的推理模型只能解数学、物理这种明确标准答案的一些任务。后来RL也证明，当你RL的奖励方式或者优化策略有一定调整之后，它也可以在其他的开放问题上，表现非常不错。

所以每一个技术上的改进，在原来的路径上会产生新的可能性。我们就是在不断地探索这个可能性，不断地在原有的数据上长出新的枝叶去完成演进的过程。当然作为基座模型厂商，预训练是我们一定会坚持的事情。

Q：Pleias联合创始人Alexander Doria前段时间说未来AI智能体的发展方向还得是模型本身，而不是工作流。他还举了Munas的例子，说是它的效果不好，提示驱动无法完成复杂的任务，您怎么理解？

张鹏：我非常同意Alexander Doria的总结。确实未来的新应用形态，尤其是智能体的应用形态，还是会回归到模型上。我们一直倡导模型即场景的概念，未来很多应用会以模型为核心，包上一个很浅的或者很薄的产品化、应用性的壳就会变成一个产品。

当然非常简单，模型能力一旦提升，产品能力就得到提升，这是很典型的新应用范式的变化。但是也不可否认的是，当下AGI之路刚刚开始，模型的能力还无法达到完全类比人的水平。当下我们怎么把这些能力落到实际的应用当中去，这是工程上要解决的问题，因为技术研究需要时间，还要遵循研究的规律。

我理解中间的所有方法，包括Munas这种产品化、工程化的方法，只是权宜之计，我们折中式的解决方案，永远是模型进，工程退。你的技术越先进，需要工程化的事情越简单，永远是这样。

所以终极的目标是当我造出一个像人一样聪明的脑子之后，工程上的事情就比较少，我只需要给它装上手和眼睛就像人一样可以完成很多工作，这是AGI的终极目标。

Q：Agent的底座一定是大语言模型？

对于Agent来讲它的底座模型是什么呢？你可以理解为就是类比人的大脑，但是脑子的能力是很多样化的，除了思考和推理的能力以外，还会有感知、视觉、听觉和其他能力，这些能力都具备一定水平线以上它才会完成一些基本的任务。

所以未来的底座是什么？我们看到AutoGLM是一个产品，背后的模型，今天我们强调的是推理模型。但实际上已经包含了智能体的模型，包含了视觉理解。所有的这些东西都已经在这里了。

反过头来讲，这是我们智谱的优势，不需要东拉西借各种能力，再把它缝合起来。我们本身的体系就是完备的，而且都在水平线以上，这是我们比较早地把Agent能力爆发出来的原因。

Agent要有价值，不能有明显短板

Q：智谱在处理搜集、整理、纯文本的任务还比较好用，但是带有复杂的浏览器操作的时候会卡住。是不是因为国内网页网站可能设计得并不够好，限制了AI的能力增长？

张鹏：首先第一个并不是因为网页本身设计不好，我们叫点儿背不能怪社会。大部分人都可以用，为什么Agent不能用呢？我们更多思考的是这个问题。大家仔细体会可以体会到一个问题，当前通用Agent的产品，想要落地，有一个"木桶原理"不能有明显的缺项。

为什么（Agent）会找不到输入框？有几个可能，第一个可能视觉理解能力不如人，如果有弹窗遮住这些问题，可能是处理意外情况的这种能力不够，再深度推理的话，泛化能力不够，最终归结为它基础能力上的某一个缺项。

Agent真正产生实用价值，文本处理、思考、操作、环境感知和理解、应用工具和调用工具、反复尝试等能力，不能有明显的短板。有明显的短板存在，就会导致应用成功率急剧下降。所以我们一直坚持所有的模型都会做，包括语言、多模态的Agent。

Q：在专业的工作场景中，Agent要达到可用有一个问题是需要打通一些公域和私域之间的数据壁垒，以及不同平台之间的壁垒，否则就像Munas一样，登录网盘会被系统拦截，智谱在这个方面有什么好的解决方法？

张鹏：针对专业领域或者企业用户，或者有一些限制条件的用户，其实有一套功能化的解决方案。这一套方案会更多地把它沉淀在未来的maas平台或者智能体的开发平台上，这是工程上的事情，不是模型层面的问题。

接入更多的数据源，这个是工程技术问题，我们应该把这两个问题分开来看，但是就像第一个问题回答的一样，模型能力进，工程能力退，有这样一个平衡的过程，它是动态变化的。

Q：现在大多数的Agent都是在桌面端调用，未来会不会有更多的入口？如果要调用其他入口的话有哪些挑战？

张鹏：其实这个事情我们已经在做了，只不过今天这个场合突出重点，我们拿了通用场景来说。AutoGLM更早是手机端，今天只不过是把它移到PC上。其他智能上的硬件，眼镜、车上、平板上等等的端侧都类似，都可以接。

但是里面确实有一些问题，不同类型的设备，最终的交互方式不一样，比如说眼镜不可能有键盘，就得用语音交互，语音就引入了全新的模态。如果说产品里面有明显的短板，这个事情就成不了，链条上缺了一环你就做不了，好在整体的能力是齐的，包括硬件本身也要适配新的技术。

因为是一种全新的交互方式，整个体系的技术架构完全是不一样的，是要重新做整合的。所以，大家也不能忽视这个问题，接入Agent并不是很简单地插入芯片、接入现成的SDK就可以了，这是未来的事情，现在做不到。

Q：下一代Agent的核心能力是什么？

张鹏：关于Agent的核心能力无非是两种，第一个还是模型本身能力，这个能力包括底层的语言能力、多模态能力和推理能力。

第二点就是感知环境和环境智能交互，也就是Agent强调的沟通交流的能力。这两点我认为是智能体能够在应用层面爆发，能够落地产生实际效果的两个核心价值。

融资、收益都是AGI道路上的盘缠

Q：年初的时候智谱融了很多钱，继续拿钱主要投在哪个方向？

张鹏：融资问题和AGI目标也有关系，我们判断实现AGI这个路程还有点长，过程当中需要很多技术探索和研究的投入，成本是非常可观的。到了今天，我们发布的Agent等等这些技术是一直走在前面，大家知道0到1的开拓和1到10的复制，这两个之间的成本完全不可同日而语。

要做越来越多的0到1的开拓和创新的探索，试错成本相对会增高，这是不可避免的。我们现在已经走在前面，走在前面的这部分需要加大投入。

我们对外一直有一句话，不管融了多少钱，拿了多少收益，其实都是AGI道路上盘缠。盘缠是为什么？是为了前进，这个钱不是说我们拿到手里要干什么，是为了我们的目标要花的，这一点我们认识很清楚，未来的路上还需要更多的盘缠。

Q：年内还有没有什么投融资的计划？

张鹏：投融资我们比较少对外介绍相关的信息，但是其实大家有心的话也可以观察到，最近顺利完成了公司的股改，其实目的肯定是朝着我们的IPO目标去的。

具体的进程我觉得可能并不完全取决于我们自己的一些设计，跟外部大环境有关，所以在这个过程当中，我们还是持续地去推进我们的融资工作，这个是在持续有效的进展过程当中。

Q：现阶段公司从战略层面来讲，技术和商业化战略层次和人员、资源的分配大概是什么样的情况？

张鹏：我们把自己的定位成技术驱动的公司，另外一条腿是我们的商业化路径。这两条腿并不是互相矛盾的，也不是互相争抢资源，我们是动态调整的过程。

我们觉得技术的推进和演进，到了一个必须深入到产业和应用当中去，吸取营养回馈我们技术研发，才会从去年开始大力推进产业化、商业化落地这件事情。从整体的核心任务和资源投入角度来讲，我们更多的资源还是投入在技术研发、创新这一块更高一些。

Q：DeepSeek今年好像在生态上改变挺大的，下一步我们在争夺生态方面有一些什么动作呢？

张鹏：开源是必须做的一件事情，而且是我们一直坚持做的事情。它可能还有其他的一些影响，DeepSeek主要是在商业化市场上有一些影响，比如说市场可能认为开源免费的模型就可以节省投入。

但是过去历史的经验表明，包括像MySQL也好还有RedHat，其实已经证明了开源并不等于完全免费，还有自己后期技术人员的投入、维护的成本，包括探索怎么把DeepSeek做内部的本地化等等，你要找专业的团队帮助你来解决这些问题，这些成本一点不低。

Q：出海方面有没有比较重点关注的领域还有应用场景？

确实我们从去年开始布局出海业务，现在我们在海外具体的某一个领域或者重点某个行业落地，暂时还没有。因为我们观察到全球范围之内，除了中美之外，海外对于大模型新一轮AI技术的接受、落地、研究、应用等等方面还是处于非常早的阶段。

大家的需求还是在国内大约两年前的状态，希望构建自己AI的所有技术能力，包括基础设施。在这方面，我们把一些成功经验，走过的一些路向大家进行技术和产品的输出，帮助他们去构建自己的能力，这个是我们全球战略上和竞争对手不太一样的地方。