专访智谱董事长刘德兵：IPO热潮意味着市场开始用一个更严格的尺度来检验AI企业

大模型行业正站在一个拐点。

过去数年间由技术突破点燃的狂热，正在2025年遭遇一场商业化大考。随着智谱等头部独角兽相继启动IPO（首次公开募股）流程，市场叙事正从模型能力的“军备竞赛”转向落地应用的审视。

资本市场开始用更严苛的尺度，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上尤为激烈。

在行业普遍认知中，开源意味着共享，商业化则意味着独占。作为中国大模型赛道的关键玩家，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（人工智能）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进行了一场深度对话。在他看来，基础模型的进步对应用落地有巨大的促进作用，但技术摸高绝不能做“空的、虚的”东西，必须能转化成商业优势。

""

智谱董事长刘德兵 图片来源：企业供图

谈模型：大参数模型是技术锚点

NBD：行业普遍认为开源和商业化存在冲突，但你判断两者并不冲突。这个判断的逻辑是什么？

刘德兵：如果只看短期利益，比如现在闭源能直接卖更多钱，短期内双方肯定有冲突。但从长远发展角度看，开源和商业化其实不冲突。

核心在于开源其实是有助于培养这个行业。AI化是未来100年的事，在这个阶段，如果不开源，很多人其实接触不到这个东西，也没有经济实力去买一个模型，很多事就做不了。

从产业发展角度来看，需要更多人贡献进来，不只是做研发，也包括做应用。开源帮我们把整个产业生态做起来，中间有少部分能转化成商业收益，对商业来说也是很好的增长。

NBD：从事实上看，开源真的给智谱带来了商业增长吗？

刘德兵：我们做了大量的开源以后，商业收入是在快速增加的，并没有因为开源就收不到钱了。而且如果技术有更进一步的进展、应用规模化扩展，还会增长得更快。

一个很典型的逻辑是，以前我们去跟大企业老板讲这个东西（指模型）多好用，他们其实不太认可。现在有了开源，很多人已经对技术有比较深的了解，这极大地减少了我们前期沟通的成本，合作推进会快很多。

NBD：此前智谱发布了GLM-4.1V-Thinking 10B级小参数模型，这是否意味着产业正在从过去的“堆”参数，转向性价比竞争？

刘德兵：性价比这个事其实一直都存在。只不过之前随着参数增加，大模型性能提升非常快，大家就更愿意朝那个方向走。现在模型提升的速度在放缓，就出现了两极分化，有些人觉得提升参数带来的增益不大了，就不做了，有的人觉得增益还比较大，还可以继续做。

NBD：智谱为什么还要坚持做大参数模型？

刘德兵：在我们看来，通过提升参数和训练数据，把模型的性能“摸高”，这样我们就有一个锚点，知道这个模型最高的技术水平能达到哪里。

比如我现在做了一个小模型，它跑出来一个90分的水平。我其实不知道这个90分到底是好是坏。如果我现在用一个万亿参数的模型，跑出来也是91分、92分的水平，那么我们就会觉得这个小模型的90分其实就挺好的。但是，如果那个万亿参数的模型跑出了98分、99分的成绩，那我们可能还是要考虑用那个更高参数量的模型去做应用。

大参数的锚点非常重要，有了这个基础，我们再去优化小模型，把参数量降低，同时还能朝着原有那个（高）性能指标去努力，这是一个很好的技术路线。

谈应用：技术摸高要能转化成应用落地

NBD：模型能力听起来已经很强了，但为什么在外界感知上，大规模的应用落地似乎没有想象中那么快？

刘德兵：首先可以肯定，现在很多应用已经很“实”了。比如在语言类、图像处理、内容生成方面，这样的应用已经很成熟。

但是，大家感觉AI这么强，对它的期待会更高，希望它在产业里，比如能源、制造领域，能产生更深度的应用，能影响生产过程。大家抱有期待，但还没有完全体现出来。

突破这个瓶颈需要在两个方向上努力。

第一，需要模型企业与行业企业深度结合，如果通过深度结合，能达到双方想要的结果，那么对整个AI的应用、对现实世界的影响就会更大一些。

第二，模型本身的能力还需要进一步提升，让应用更高效。现在还是要求对模型有理解、知道怎么用它，未来随着模型智力水平提升，普通用户也能用好它，那个时候更多“一人公司”才可能产生。

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长？

刘德兵：从期待上讲，肯定都是希望越快越好。但我感觉行业里大部分企业，尤其是龙头企业，对这个事还是保持比较理性的态度。它们知道这个事不是一蹴而就的。更愿意大家一起共创，用一些比较成熟的场景作为切入口，逐步实现AI应用的加深，慢慢让AI融入自己的产业，变成行业的基础设施。

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：超级入口是挺重要的方向，大家都期待能有更多的用户来使用。短期来讲，它是更快实现更大影响力的方式。但同时，另一个方向也非常关键，就是模型基础能力提升后，与行业的深度结合。这个方向要花的力气可能更大，前期看起来有点“点对点”，会慢一点。但这个东西做深以后，很可能也代表了一种未来。

NBD：基础模型研究和行业应用都非常“烧钱”。智谱在发展过程中是怎么平衡的？

刘德兵：公司成立之初，我们就立了一个愿景——让机器像人一样思考。我们对做基础模型有足够的热情，在技术“摸高”上，愿意足够投入。这里边其实也隐含着商业收益，因为基础模型的进步，对于应用的落地有非常大的促进作用。但同时，我们也特别强调，这个技术“摸高”不能做一个“空的、虚的”东西。一定是在技术摸高的过程中，有部分东西可以转化成应用落地，并且能够产生出竞争优势。

谈技术跨越：模型能够调整自身的参数是核心

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L4，一个关键特征是模型必须能够自学习。现在主流大模型公司都在做的，包括智能体（Agent）能力、调用工具，都只是在拓展能力边界。我们也在尝试用SFT（Supervised Fine-Tuning）方式，让模型存储一些与用户交互中产生的东西。

但这些都不是真正的自学习。最核心、也最难的标志性进步，是模型能够调整自身的参数。这非常难，因为一旦调整参数，很有可能导致模型崩溃。就像人一样，在成长中形成的世界观和判断逻辑，如果受到重大冲击、逻辑发生变化，人也可能会崩溃。如果这个点能实现，模型才能在应用中自己成长，那应用的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，比如千亿参数，这些参数在预训练完成后，数值就固定下来了。这些固定的数值定义了模型的判断逻辑。

模型在应用中，你问它一个问题，它答错了，你纠正它“你这个错了”，模型可以改。但这种改，只是在当前场景记住了这个问题，模型本身的参数并没有做调整。第二天再问同一个问题，它还是会犯同样的错误。

但如果能把模型参数的数值改了，那么模型的判断逻辑在这个点上就永久改变了。当你第二天再去问，这个模型已经不是昨天的模型，它会给你正确的回答。当然，也极有可能它会产生崩溃，也就是为了改这个点，导致原来能答对的很多问题，产生了连带反应，变为错的了。这就是它的难度所在。

NBD：这是否意味着，L3到L4是一个关键的瓶颈阶段？一旦突破，后续的进程会极大加速？

刘德兵：这一点我认为是确定的。我个人一直认可文明是加速度发展的。L3到L4就是这样的一个关键点。如果模型真的能实现完整的自学习，那它的迭代速度毫无疑问可以继续加快。但即便进入L4，也还是会有大量的技术空白需要研究。并不是说模型有了自学习能力，我们就可以放手不管了。它仍然需要人去参与、去矫正。

谈未来：明年AI应用会带来更强的收益

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是冷静下来了，你觉得这个格局发生变化的原因是什么？

刘德兵：刚开始的时候行业不够清晰，大家很有可能会凭着自己的兴趣一拥而上，就显得比较混乱。但是随着行业的发展，肯定会逐渐分化，这很正常，大家各自都应该能找到自己的位置。

智谱立了让机器像人一样思考的愿景，我们希望真的把AI的智力水平提升，这是我们的一个长期主义。我们会清晰地选择一种技术方向，坚持去做，而不是左右摇摆。现在做AI基础模型的公司会越来越少，因为它确实投入比较大。但这是我们公司一直坚持的方向，我们也希望在这个方面更长期地投入，并保持在国际前列。

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：与其说是一个技术成熟的信号，还不如说是整个行业开始由技术探索期进入了一个规模化商业应用期的关键里程碑。它意味着市场开始用一个更严格的尺度来检验AI企业，不只是看技术先进性，更是包括商业模式的可持续性、盈利能力与长期价值。

NBD：你对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。我认为在2026年，技术很有可能还会有一个比较大的突破。同时更确定的是，在AI应用上应该会做得更实、更广。2025年很多人参与进来，到2026年，会有更多人在AI应用上取得更高的收益。因为大家也都更明白AI应该怎么去用，怎么与场景结合，做出来的效果就应该更好。

NBD：技术层面“大的突破”，具体可能指什么方向？

刘德兵：比如智能体（Agent）的应用。我们现在用智能体去调用工具、与环境交互，这个事实现了0到1的突破，但在精准性或效率上还不是那么高。到2026年，这方面毫无疑问会有突破。