研究侧
认知智能被定义为有限样本下的泛化、推理、自我纠错与经验积累，而非单纯记忆更多事实。
核心判断：所谓“第一股”首先是一份持续兑现的技术承诺
把这期理解成 IPO 访谈会低估它。张鹏反复把资本市场事件放回更长的 AGI 工程：公司从高校研究出发，是为了让认知智能进入现实，而不是为了把一次模型发布包装成终点。上市的意义在他的叙述里是补足长期研发、算力、产品与交付的现金流，使“开路”从个人信念变成组织可持续性。
工程侧
模型只是底座，训练、后训练、工具、部署、硬件和 ToB 交付共同决定可用性。
组织侧
规模变大后，创始人的注意力必须从亲自做题迁移到机制、序列与责任。
本文的中心推论“开源”“闭源”“IPO”“Scaling”不是互相排斥的身份标签，而是同一家公司在不同约束下配置传播、效率、控制权和现金流的工具。真正的路线判断，应该看这些工具能否共同提高长期可验证的交付能力。
2:26:40 内容地图：从认知智能到开路的人
| 时间 | 章节 | 本章要回答的问题 |
|---|---|---|
| 00:00–02:22 | 智谱：AGI 的开路者 | 为什么一家模型公司要把自己放在 AGI 的长期叙事里？ |
| 02:22–20:29 | 吃螃蟹的人 | 高校研究如何越过论文，变成企业与产品？ |
| 20:29–29:25 | 感知智能到认知智能 | “认知”究竟多了哪一层能力？ |
| 29:25–1:09:06 | GPT-3 来了 | 为什么 GLM-130B 选择开源，早期商业化却很难？ |
| 1:09:06–1:17:58 | 2024 年新的主角 | ChatGPT 冲击后，2C 与 2B 的机会如何重排？ |
| 1:17:58–1:29:56 | Scaling Law 的范式演变 | 参数、数据和算力之外，模型如何进入推理、RL 与自我学习？ |
| 1:29:56–1:38:40 | 向 DeepSeek 学习 | 开源、效率和研究勇气怎样改变竞争规则？ |
| 1:38:40–1:48:33 | 开源 vs 闭源 | 开放权重、免费和商业交付为什么不是一回事？ |
| 1:48:33–2:01:40 | IPO：全球大模型第一股 | 资本如何服务一条长期研发路线？ |
| 2:01:40–2:26:40 | 开路的人 | 公司变大后，创始人、组织与社会责任如何重构？ |
一、从“Paper to Project”到“认知智能”：企业是研究反馈回路
张鹏回忆，早期团队从清华的认知智能研究出发，把“Paper to Project / Paper to Product”当作工作方式：论文不是终点，必须经历工程化、产品化和真实用户反馈。2018 年政策环境为高校科研人员技术转移打开窗口，创业因此同时具备两个动机：把研究带出实验室，以及获得持续探索 AGI 的组织载体。
这段历史的重要性不在于时间线本身，而在于它给出了一个研究—产业接口。大学能提出问题、验证想法，却很难独立承担数据、算力、交付、合规和客户责任；企业则能提供反馈，但容易把研究压缩成短期功能。智谱的早期选择是把两者绑在一起，让产品失败成为研究的反例，让研究突破成为下一轮工程投入。
研究问题
工程原型
真实数据
客户反馈
模型更新
新的研究问题
这是一种从访谈口述抽出的机制图，不是智谱官方组织结构图。
二、GLM-130B 的开源选择：影响力先于即时收入
访谈中，张鹏把 GPT-3 时代的 GLM-130B 描述为一次艰难的工程长跑：训练周期很长、算力有限，却成为当时中国大模型研究进入国际评测视野的代表。团队选择公开模型，不是因为免费可以直接换来商业收入，而是因为开放权重能让开发者看见、试用、反馈并形成技术信任。
早期投资人不容易理解模型，也很难把一个通用模型直接装进业务。这里的“商业化失败”并不等于模型无价值，而是说明模型价值与交付价值之间还隔着一整套系统：私有数据、部署形态、工具连接、业务流程、售后与责任。这个断层后来解释了张鹏为什么把 ToB 交付看成长期能力，而不是短期的退而求其次。
开源的交换
得到开发者、研究者与生态反馈，牺牲一部分控制权与直接稀缺性。
服务的交换
把模型接入客户的私有环境，换取现金流、上下文与可复用的行业经验。
证据边界训练时长、评测名次、早期用户规模和商业收入均来自访谈口述或节目语境；它们不应被当作独立审计后的财务或技术指标。智谱招股书可用于核对公司公开历史和业务表述，但不能替代对早期故事细节的验证。
三、ChatGPT 冲击之后：2C 的想象与 2B 的现金流
张鹏对中国 2C 大模型的判断很克制：普通用户愿意尝试，却未必愿意持续付费；企业客户的需求更具体，能把“模型很聪明”翻译成降本、增收、风险控制或交付效率。ToB 不是把一个聊天框卖给公司，而是把模型放进组织的真实约束里。
他把商业化想成更宽的 MAS（Model-as-a-Service / Model + Application + Service）组合：云 API、私有化模型、行业组件、硬件和实施服务都可能成为收入层。由此产生一个重要判断：开放模型与商业服务完全可以并存。客户买的不是一组权重，而是一个在自己数据边界内可运行、可维护、可负责的系统。
模型层
预训练、后训练、推理与安全对齐，决定能力上限。
环境层
企业数据、工具、权限、流程和部署位置，决定能力能否被调用。
交付层
咨询、集成、运营和结果验收，决定能力是否形成现金流。
这也解释了访谈里“垂直模型”的谨慎：垂直不是把模型训练得只会一个领域，而是在一个足够强的通用底座上，通过领域数据、工具和评价器减少规划难度。没有好的 L0，垂直只能变成更窄的记忆；没有领域环境，好的 L0 也无法稳定交付。
四、认知智能：从有限样本泛化到自我纠错
张鹏把“认知智能”与早期感知智能区分开：感知可以回答“看到了什么”，认知还要回答“在不完整信息下如何推断、行动、检查并修正”。他反复提到有限样本、泛化、推理、自我错误修正和经验累积，说明他关心的是模型如何从一次行动中产生下一次行动的更好起点。
可以把访谈口径拆成四个层次：
压缩
把海量数据压成可调用的表征和先验。
推理
在新问题上组合已有表征，而不是检索原句。
纠错
发现结果与目标不一致，主动改变策略或请求更多信息。
积累
把成功、失败与边界写回训练或记忆系统。
这一定义有一个现实含义：错误不是纯粹的噪声。错误发生的环境、错误类型、修正路径和最终结果，都可能成为比静态答案更有价值的训练信号。但要成为信号，系统必须知道什么叫错；这又把问题推回任务规格和验证器。
五、Scaling 的下一步：从参数曲线走向多层自我改进
访谈把 Scaling Law 视为有效的经验规律，而不是完整的智能科学。张鹏提出一个从低到高的概念阶梯：L1 是参数、数据和算力扩张；L2 是 SFT、测试时推理与推理预算；L3 是 RL 与自我学习；再往上才涉及自我模型、意识和人类意识。后两层属于嘉宾的理论推演，不是已经被证明的工程路线。
| 层次 | 主要增量 | 瓶颈 | 可验证问题 |
|---|---|---|---|
| L1 预训练 | 参数、数据、计算 | 数据质量、算力成本、架构效率 | 等预算下是否真的提升跨任务能力？ |
| L2 推理 | SFT、CoT、测试时搜索 | 延迟、上下文、奖励错配 | 推理预算是否改善真实任务而非只改善考试？ |
| L3 自我改进 | RL、反馈、经验回写 | 奖励黑客、评价器污染、闭环稳定 | 错误修正是否跨环境迁移？ |
| L4/L5 自我与意识 | 自我模型、意识假设 | 概念不可操作、证据不足 | 能否提出可重复、可反驳的测试？ |
DeepSeek 的出现令这条曲线受到现实压力：当算力不占优势时，工程效率、数据筛选、RL 设计、模型稀疏化与系统协同可以改变成本—能力前沿。张鹏的启发不是“规模没用了”，而是规模必须与效率和新范式一起被优化。
六、向 DeepSeek 学习：开源不等于免费，研究勇气也不等于忽视工程
张鹏把 DeepSeek 的影响分成研究、工程与市场三层。研究层，它迫使行业重新思考 RL、数据与推理的关系；工程层，它展示了在资源受限时如何把系统做得更高效；市场层，它让开发者对开源权重、模型可控性和国产替代有了更强期待。
但他也明确区分“开源”和“免费”：开源可以带来生态、信任、主权和反馈，商业服务仍然需要稳定 API、私有部署、集成与运维。免费如果没有商业闭环，只会把推理成本转移给提供者。真正可持续的开放策略，是让权重、工具、服务、数据边界和责任边界各自清楚。
Insight：开放的价值是降低协作摩擦模型被更多人使用，错误更容易暴露、工具更容易接入、人才更容易聚集；但开放不会自动产生收入，也不会自动解决安全、版权、数据和滥用问题。
七、从 50 到 500 人：创始人的工作变成“排队与对齐”
张鹏把组织规模的跃迁描述成控制方式的变化：小团队靠个人判断，人数上升后必须依靠流程、分工、治理、合规和跨团队协作。并行做太多事情会稀释注意力，真正稀缺的是序列化能力——知道现在只做哪几件事，以及哪些事情暂时不做。
这是一种经常被忽视的 AI 公司约束。模型进步很快，组织却需要慢慢建立安全、销售、交付、财务和法务的基础设施。如果 CEO 只追逐下一次模型发布，公司的“认知”会在组织层面分裂；如果只做交付，又可能失去研究前沿。创始人更像一个翻译器：把研究方向翻成产品优先级，把客户反馈翻成训练问题，把资本预算翻成可验证里程碑。
早期
速度来自创始人的直接控制与强记忆。
中期
速度来自接口、节奏、评价和复用机制。
更大规模
速度来自治理、资源排序和跨团队的共同目标。
进一步推演：从这期访谈得到的八条 Insight
- IPO 不是路线选择，而是路线的时间预算。 如果资本没有转成算力、人才、产品与交付能力，上市只会扩大叙事，不会扩大技术闭环。
- 开源降低的是生态摩擦，不是交付复杂度。 权重越容易获得，私有数据、工具、权限、运维和责任越重要。
- “认知智能”最可操作的定义是错误修正。 只要不能发现并修正自己的失败，泛化仍可能只是更大的记忆。
- Scaling 的新单位将是反馈回写速度。 预训练决定先验，推理决定搜索，RL 决定经验是否真的改变下一次行动。
- 垂直模型的护城河是环境，不是行业名词。 领域知识只有进入工具、数据和评价器，才会降低任务规划难度。
- ToB 的“慢交付”可能是优势。 交付周期越长，越有机会捕获隐性 context；前提是公司能把一次项目经验抽象成可复用产品。
- 组织规模会反向决定模型路线。 算力、人才、合规与客户反馈的分布，会决定公司适合做通用底座、专业模型还是系统集成。
- “开路的人”需要同时拥有理想主义和水泥般的无聊。 AGI 叙事提供方向，稳定工程、财务纪律和可审计交付提供生存。
怎样推翻或修正这套判断
- 若开放权重本身就能带来足够的持续现金流，且私有化与交付的边际价值很低，本文对 ToB 系统层的强调会过强。
- 若更大的预训练规模长期解释几乎全部真实任务提升，L2/L3 反馈回写的相对重要性需要下调。
- 若垂直模型在没有领域环境和工具的情况下也能稳定完成高后果任务，环境壁垒的判断需要修正。
- 若 IPO 后研发投入、模型能力、客户交付和现金流没有同步改善，“资本提供时间预算”的推论就不成立。
证据边界与资料索引
正文以 #129 的完整逐句材料为主，保留嘉宾/主持人说话人映射；章节时间来自公开节目大纲。训练规模、早期评测、客户反馈、公司组织和未来 AGI 阶梯，多数是张鹏在访谈中的口述或推演，不应当作审计事实。外部资料只用于核对公开公司历史与技术术语，不能替代访谈语境。
- Zhang Xiaojun Podcast #129：张鹏访谈：原始视频与章节入口。
- 智谱招股书（香港交易所公开文件）：公开公司历史、产品与业务风险，适合与访谈口径对读。
- 智谱 BigModel 开放平台：模型与 API 的公开产品入口。
- GLM-130B 论文：早期模型技术背景；论文结果不等于访谈中的全部商业叙事。
- DeepSeek 官方入口：开源模型和产品信息入口；访谈中的比较与评价仍属嘉宾口径。
证据顺序：节目原始材料 → 公司/论文一手资料 → 本文分析。本文提供结构化深读，不复刻整期逐字稿。