以下文章來源于智能涌現(xiàn) ，作者周鑫雨
編者按：啟明創(chuàng)投投資企業(yè)智譜AI近日推出新一代視頻生成模型CogVideoX，用戶可通過智譜清言的AI視頻生成功能清影（Ying），體驗AI文本生成視頻和圖像生成視頻的服務。發(fā)布僅6天，清影生成視頻數(shù)突破百萬量級。智譜AI日前宣布將開源CogVideoX，讓每一位開發(fā)者、每一家企業(yè)都能自由開發(fā)屬于自己的視頻生成模型。
智譜AI首席執(zhí)行官張鵬在與36氪的對話中，介紹了智譜AI在視頻生成領(lǐng)域的布局，并指出視頻生成相較圖像、語言生成還需考慮數(shù)據(jù)、算力。張鵬分析了模型研發(fā)中先發(fā)者和后發(fā)者的優(yōu)劣勢；圍繞多模態(tài)技術(shù)路線，他分享了智譜AI“由下至上，再從抽象層面往下去解”的路徑。他還強調(diào)了預測是每位智譜AI員工的必備技能，“一流的公司滿足需求，偉大的公司創(chuàng)造需求”。
啟明創(chuàng)投微信公眾號經(jīng)授權(quán)轉(zhuǎn)載。
智譜AI首席執(zhí)行官張鵬
“GPT-4之前的產(chǎn)品，大家基本能人手一個拿出來；但GPT-4以后的產(chǎn)品，誰都不敢隨便拍胸脯保證一定能成了?！?/span>
在智譜AI首席執(zhí)行官張鵬看來，2024年，中國國內(nèi)的AI企業(yè)來到了一個必須自力更生、打開技術(shù)“黑盒”的拐點：“OpenAI公布的技術(shù)細節(jié)越來越少，但好處是，我們不可能永遠跟在OpenAI后面，總有一天要用自己的路徑跑到前面。”
在拐點中，從底座到產(chǎn)品完全自研的視頻生成模型，是這家大模型獨角獸交出的階段性答卷。
2024年7月26日，智譜AI的產(chǎn)品版圖中，增加了對標OpenAI視頻生成模型Sora的一員：支持文生和圖生的視頻生成產(chǎn)品“智譜清影”。
在國內(nèi)外廠商競相發(fā)布視頻生成模型的當下，張鵬并不認為智譜AI姍姍來遲。支持“智譜清影”的模型底座，來源于智譜AI自研的CogVideoX模型——這個名為“CogVideo”的視頻生成模型系列，是智譜AI在2021年就布局的多模態(tài)研究的一角。
如今，CogVideoX的推理速度已經(jīng)提升了6倍，“智譜清影”生成6秒視頻的時間，理論上只要30秒左右。
在“智譜清影”中輸入文字Prompt
在“智譜清影”中輸入圖片Prompt
再輸入文字Prompt“男孩拿出一顆心形的紅色毛線球在手掌心”
即便Sora的發(fā)布，為企業(yè)的追趕指了一條明路，在張鵬對36氪的描述中，“苦干”依然貫穿了視頻生成技術(shù)研究的全程：沒有OpenAI那樣優(yōu)渥的資源，那就尋找更高效、更經(jīng)濟的解決辦法；沒有足夠的原生視頻數(shù)據(jù)，那就找合作廠商，再從定義質(zhì)量標準、清洗、標注的臟活做起。
技術(shù)研究要苦干，技術(shù)落地也少不了苦干。對AI技術(shù)在B端和C端的落地成果，張鵬都認為還不夠好，在他看來，PMF（產(chǎn)品市場匹配度），M（Market）中的新場景、新市場，F(xiàn)（Fit）所代表的技術(shù)和產(chǎn)品的性價比，都沒做到極致。
這讓他給智譜AI的所有員工提出了更高的要求：學會預測技術(shù)的發(fā)展和行業(yè)的走向——“一流的公司滿足需求，偉大的公司創(chuàng)造需求”。
以下系經(jīng)精編整理的對話實錄。
01/
跑出增量的下一步
36氪：這一年時間，AI行業(yè)To C和To B的成果，哪個讓你比較滿意甚至驚喜？
張鵬：嚴格說，撇開我的身份，我個人覺得都不如我的預期，至少國內(nèi)是這樣。前段時間參加WAIC（世界人工智能大會），我覺得情況有所改變，但還沒真正達到大家期待的爆發(fā)狀態(tài)。
36氪：那智譜AI在To C和To B的成果，你滿意嗎？
張鵬：公司的運營或者說目標的設(shè)定有一定的戰(zhàn)略，也在按照計劃去推進，有得有失，有成有敗，這個都很正常。
我們最近，可能大家看到的動作比較多，做了一些發(fā)布。過去我們主要在B端市場做了一些事情，取得了一些成績，但你要說完全滿意，當然還談不上。畢竟大家都知道，這個市場很“卷”，競爭很激烈。
至少我們的競爭對手，在大家心目當中已經(jīng)是大廠的級別，我們已經(jīng)躋身到這樣一個級別了。我覺得這一點也側(cè)面證明了我們的進步。當然從我個人來講還遠遠不夠，還要繼續(xù)努力。
36氪：一年多來，大模型的B端落地成果，會讓你對AGI的信仰有改變嗎？
張鵬：會，我覺得To B是一個很重要的環(huán)節(jié)。
像一些很細分的行業(yè)，比如客服、營銷，AI的滲透應該是非常明顯的，而且改善的效果也非常好。現(xiàn)在無非就是性價比的問題，這也是為什么OpenAI會發(fā)GPT-4o mini這個小規(guī)?；蛘咧械纫?guī)模的模型，去降低成本、提高速度。
小模型的出現(xiàn)意味著模型落地已經(jīng)找到了PMF里面的“M”（市場），現(xiàn)在需要解決“F”（匹配度）的問題。在更大范圍之內(nèi)，其實“M”到底是什么，也還在想辦法解答。比如能解決人機對話的模型，能不能同時解答天氣預報的問題？你要不要把它們做成同一個東西？有沒有可能做成同一個東西？
36氪：現(xiàn)在還處于找M的階段嗎？還沒有到找F、擴大M份額的階段？
張鵬：不，這首先是一個尋找M的過程，所有細分的M不可能一次性都能解決，總有容易解決的和難解決的。先找到的M就先落地，落地就要解決F的問題。
36氪：有一點像在B端找Killer App（殺手級應用）。
張鵬：是的，其中技術(shù)和場景雙方往中間靠，去磨合。
一種是在有些場景，原來的技術(shù)解決得不太好，我能不能用技術(shù)把質(zhì)量再提高一點，也就是增效。另一種是說，我能不能用技術(shù)解決原來解決不了的問題，這個就是新的M、新的問題、新的場景。
36氪：現(xiàn)階段哪種情況花的時間更多？在舊市場里解決問題，還是找新市場？
張鵬：兩個肯定是同時來做。解決舊問題和提效是最直接，因為企業(yè)是很現(xiàn)實的，看到效益才會投入。但我相信AI技術(shù)本身是突破性和創(chuàng)新革命性的，它理應會有一些新的應用方式和市場空間出現(xiàn)。
36氪：現(xiàn)在能看到新行業(yè)或者新場景的苗頭了嗎？
張鵬：其實各行業(yè)已經(jīng)跑出來了一些增量，一些常見的問題解決效果已經(jīng)非常好了，后續(xù)要解決的無非就是F的問題，比如怎么把性價比做得更高。
還有一些全新的，以前方法完全解決不了的問題，現(xiàn)在逐漸有了一些方法。比如去比較智能、動態(tài)、全面地生成一篇報告，傳統(tǒng)的AI搞不定，你只能讓人先定好一些模板，剩下的事情不過就是用規(guī)則，用一大堆提取、數(shù)據(jù)、結(jié)構(gòu)化的東西往里填，其實談不上有太多的人工智能，它只是個IT系統(tǒng)。
但現(xiàn)在的技術(shù)具備了一定的像人一樣的分析能力，你可以讓它學習完后自己按照套路去寫、去發(fā)揮。
02/
后發(fā)者贏在少走彎路
但輸在建立認知
36氪：智譜AI是從什么時候開始布局視頻生成的？
張鵬：我們2021年左右，很早就在做這個事情，包括最早的CogView（智譜AI的文生圖模型）是和DALL·E差不多時間發(fā)布的。
迭代了兩版后，在2022年之后，我們開始做CogVideo，也就是視頻生成，因為大家直覺覺得，反正圖片連續(xù)起來就變成一個視頻了。當時因為比較早期，數(shù)據(jù)資源等各方面還處于剛開始的研究階段，所以CogVideo主要解決的還是怎么控制每一幀之間平滑過渡的問題，生成的視頻就沒有現(xiàn)在這么高清。
36氪：從圖像和語言模型，到視頻模型，需要補上什么資源？
張鵬：視頻和圖像的生成確實還隔了一道，比如數(shù)據(jù)的問題、算力的問題。
資源需要遵循循序漸進的技術(shù)路線。從自然語言開始，解決的是理解和生成正確指令的能力，實際上是從基礎(chǔ)的認知層面、高層次的抽象認知層面去解決這個問題，然后再把維度降下來，把理解和生成的能力具象化到圖片、視頻、聲音等模態(tài)上。
在降維的過程中就會受到數(shù)據(jù)的約束。圖像生成的數(shù)據(jù)可能會比較多，因為早期CV（計算視覺）有了大量的積累。但對視頻生成來說，全球范圍內(nèi)高質(zhì)量的數(shù)據(jù)積累只有兩三年的時間。
36氪：怎么解決視頻數(shù)據(jù)的獲取問題？
張鵬：我們手里沒有原生的一些資源，所以獲取視頻的主要方式還是通過公開的數(shù)據(jù)集，另外還有一些合作方。
當然這些視頻和所謂的高質(zhì)量視頻數(shù)據(jù)，還是不太一樣。比如視頻拍得很高清，濾鏡、分鏡都很不錯，但這個對于模型訓練來說還不夠。“高質(zhì)量”里面包含了原始數(shù)據(jù)，和你對原始數(shù)據(jù)的加工技術(shù)。條件都不具備的情況下，強行做視頻生成模型，是挺麻煩、挺累的。
不過原生數(shù)據(jù)的獲取是有解法的，比如與視頻平臺建立合作，現(xiàn)在不管哪個短視頻平臺，手里都積累了大量的視頻數(shù)據(jù)。但我覺得最大的問題是，即便互聯(lián)網(wǎng)充斥著大量的數(shù)據(jù)，但你不太清楚這些數(shù)據(jù)的質(zhì)量到底如何，另外還要確保合規(guī)。
36氪：定義視頻數(shù)據(jù)質(zhì)量的標準是什么？
張鵬：其實可以借用文本數(shù)據(jù)的標準。什么樣的文本數(shù)據(jù)質(zhì)量可以稱為“高”？首先內(nèi)容之間的邏輯結(jié)構(gòu)要是完整的，其次用詞、標點、符號等也要符合行文規(guī)范。按照更高的要求，文字還要包括各種知識。
視頻也是一樣的。首先要考慮視覺內(nèi)容的豐富性，文字要求的邏輯、內(nèi)容的連貫性，視頻數(shù)據(jù)同樣也要求。比如我們希望生產(chǎn)的視頻是一鏡到底還是包含若干個分鏡，這些放到訓練數(shù)據(jù)上都有講究。
36氪：你對現(xiàn)在積累的視頻訓練數(shù)據(jù)滿意嗎？
張鵬：視頻數(shù)據(jù)其實沒有像文字數(shù)據(jù)那么好，包括我們?nèi)カ@取的成本會更高一些。我覺得視頻數(shù)據(jù)的積累應該沒有一個明確的上限，或者說是滿分的狀態(tài)，大家沒有辦法制定滿分的評判標準。比如文本數(shù)據(jù)，大家只知道現(xiàn)階段需要怎樣的高質(zhì)量數(shù)據(jù)，然后拼命地想辦法去尋找或者挖掘、清洗，甚至去生成。
視頻數(shù)據(jù)也一樣，我們不斷有新的認知、新的發(fā)現(xiàn)，然后再增加新的數(shù)據(jù)，滾動往前發(fā)展。
36氪：現(xiàn)階段，能讓不同視頻生成模型的性能拉開差距的，會是數(shù)據(jù)嗎？
張鵬：我覺得可以類比語言模型發(fā)展的歷程，早期大家的數(shù)據(jù)基本來自公開數(shù)據(jù)庫，差別不大，可能里面有一小部分的差異在于怎么挑出符合我們自己需求的，大家過濾數(shù)據(jù)的Pipeline可能有些差異。
早期更大的差異來源于算法框架和訓練的經(jīng)驗，怎樣訓練精度更高、時間更短、質(zhì)量更高、數(shù)據(jù)的利用率更高。當發(fā)展到一定階段，算法相對穩(wěn)定，或者說收斂得差不多了，數(shù)據(jù)反過頭來又變成影響比較大的方面。
你會看到，很多新出來的模型反而能夠很快速地去爬性能的曲線，原因就在于它省掉了前期摸索的過程——算法上的摸索過程沒有了，采取的基本上就是相對比較穩(wěn)定的算法架構(gòu)。
數(shù)據(jù)前人也踩過一些坑了，也有一些怎么優(yōu)化數(shù)據(jù)集的經(jīng)驗告訴你了，所以它相對來說可以用更少的算力、更少的數(shù)據(jù)和更穩(wěn)定的訓練，得到一個相對更好的結(jié)果。
36氪：你的意思是模型的后發(fā)者反而有優(yōu)勢？
張鵬：后發(fā)有后發(fā)的優(yōu)勢，只能這么說。
36氪：那后發(fā)者的劣勢是什么？
張鵬：比如你站在別人肩膀上去做這些事情，其實對底層的很多東西沒有很深入的了解。當你碰到一些問題，需要技術(shù)內(nèi)核相關(guān)的更新迭代才能夠解決的時候，你可能就無能為力，只能跟在別人背后。等別人把那個問題解決了，你才能把技術(shù)拿過來用。
從天花板和長久發(fā)展的角度來看，應該還是做得越早、認知越深，自己掌握的東西越多，這樣會更有優(yōu)勢。
36氪：所以后發(fā)優(yōu)勢是階段性的優(yōu)勢？
張鵬：后發(fā)的優(yōu)勢不能說是階段性的優(yōu)勢，而是在技術(shù)探索的前期成本和發(fā)展速度上的優(yōu)勢。但優(yōu)勢也就在這兒，因為剩下面臨的無非就是兩件事：一件是技術(shù)本身的更新迭代，一件是技術(shù)到產(chǎn)品的PMF（產(chǎn)品-市場匹配度）?？茨阋劢乖谀募虑樯先プ?。
36氪：從文本到圖像，再到視頻，多模態(tài)的技術(shù)路線行業(yè)有共識嗎？
張鵬：我們剛才其實聊到一個先發(fā)、后發(fā)的優(yōu)勢、劣勢的問題，先發(fā)的優(yōu)勢你也可以理解為對這件事情套路的掌握程度。所以當碰到這個領(lǐng)域中的新問題，你是有一定的思考套路，潛移默化形成一種路徑。
比如視頻生成，我們可能會認為，自然語言作為抽象層面的智慧，如果能把對自然語言的理解、生成能力解決了，再把這里面的視覺、圖像等信息對齊，這樣就能幫助我們生成高質(zhì)量的、可控的內(nèi)容。再加上其他的一些方法，比如說怎么樣更高效地生成分辨率更高的、連續(xù)的東西。
這樣的話，出來的模型就相對會離我們的目標更近一些，而不是說先把生成這件事情解決了，反過來再去解決理解和對齊，路徑可能就不一定能夠搞得定。比如說像純粹的擴散模型，它能生成很高清的圖像，但是你純粹在這個模型上去讓它可控，就會很麻煩，要加很多其他的方法。
所以這就是思考路徑的問題。我們是由下至上，再從抽象層面往下去解。純粹地從下面單一的模態(tài)開始往上做，那是另外一個思路。
36氪：“從抽象層面往下去解”的路徑，有什么好處嗎？
張鵬：從直覺來講，如果你了解這個問題，再往下去解，看它統(tǒng)一的建模如何映射到各個模態(tài)，那就相對簡單了。如果我從下往上，從單一模態(tài)，比如視覺建模，一直往上做，那么當我想要往別的模態(tài)上跨的時候，可能不一定跨得過去，因為這個建模不一定最終能達到統(tǒng)一建模上。
當然這也是學術(shù)界現(xiàn)在在研究的一些問題，還沒有定論。前段時間有篇論文提到了“柏拉圖表示”的概念，主要內(nèi)容提到跨模態(tài)的建模，最終會統(tǒng)一到一個一致性的建模上，這可能能證明我們的思路是OK的。
03/
現(xiàn)在模型天花板不算太高
成本卻很高
36氪：外界會把智譜AI稱作“為數(shù)不多能夠跟OpenAI媲美的企業(yè)之一”。你喜歡這個標簽嗎？
張鵬：談不上喜歡或者不喜歡，我覺得這是很中肯的評價。因為我們對AGI有相同的認知、相同的目標，以及目標的內(nèi)涵和外延基本上一樣。
在探索的路徑上，他們確實走得比較靠前，很多時候我們要借鑒他們的經(jīng)驗。但是到一定程度以后，也得靠自己摸索，他們也不再公開了。
36氪：你覺得OpenAI哪個層面借鑒后是非常有用的？
張鵬：我覺得從之前Ilya（前OpenAI首席科學家）整個研究路線和研發(fā)節(jié)奏來看，能看出他對統(tǒng)一建模這件事是有信仰的，所以在這件事上，我們和OpenAI是有共識的。
具體到借鑒的部分，我覺得有兩個層面。一個層面是宏觀上怎么接近AGI，其次，OpenAI每一次領(lǐng)先我們的新發(fā)布，都可以給我們很多的啟發(fā)，至少能告訴我們哪些方向是有可能的，你沿這個方向走它可能是沒錯的。但其他的方向到底錯沒錯？不知道。
天下通向真理的道路不一定只有一條。所以這個時候就看我們研發(fā)的進展、擅長的事情，還有資源稟賦，去選擇我們是要沿著類似的道路去走，還是說走我們自己的一條路。
36氪：但現(xiàn)在Ilya離開OpenAI了，智譜AI還會像之前一樣“產(chǎn)品全線對標OpenAI”嗎？
張鵬：這取決于共識還在不在。
36氪：你覺得智譜AI現(xiàn)在走的路，跟OpenAI不同的地方在哪？
張鵬：我覺得不同的地方其實還挺多的。最簡單的一點，他們從來不愁錢、不愁資源，他們可以非常投入、非常全身心地去做新技術(shù)的探索和研發(fā)。
對于我們來講，很多時候可能就不得不受這些東西的約束。挑戰(zhàn)更多來自于怎么來把每一份資源、每一份人力、每一份時間都花在刀刃上，效率要提到足夠高。
因為我們是一個追趕的角色，你的效率如果趕不上前者的話，其實這件事挺痛苦的，你永遠落在后面，還可能會落得越來越遠。剛才說后發(fā)也有后發(fā)的優(yōu)勢，但是后發(fā)也有后發(fā)麻煩的地方。
36氪：之前Sora的負責人說要給人才足夠的GPU，這在資源緊缺的情況下就很難做到了。
張鵬：這就要盡量滿足。對于一家AI創(chuàng)業(yè)公司來講，可能主要的成本和壓力都來自資源的壓力。但我們還算挺舍得，給人才的資源投入占比很大。
36氪：智譜AI“產(chǎn)品全線對標OpenAI”，這個對標相較于OpenAI發(fā)布產(chǎn)品的時間，是前置還是后置？
張鵬：大部分情況下，我們大概能想象到他們會往哪個方向走，但是具體產(chǎn)品的形態(tài)就沒法預測得很明白。比如年初Sora和GPT-4o的發(fā)布，從大方向上我們知道要發(fā)多模態(tài)了，但是具體產(chǎn)品形態(tài)很難去精準預測。
36氪：去年和你聊的時候，你提到智譜AI不會做小模型，只做通用底座。最近OpenAI又發(fā)了GPT-4o mini，這是一個小模型，你對小模型的看法會改變嗎？
張鵬：我覺得這沒有什么矛盾的地方。第一，外部大家對GPT-4o mini的認知還是比較統(tǒng)一的，它是用來代替GPT-3.5的。第二，他們要降低使用成本、降低市場的門檻，讓更多人來用。GPT-4o mini從能力上講并不是最高的版本，不是頂天花板的事。
我對小模型的思考在于，它可能是在應對一些特定問題、特定場景時更有性價比的模型。但它對于我們將解決人類現(xiàn)實世界問題的幫助，比如把解決問題的比例從15%，提升到16%，提升到25%，其實沒有太大的幫助。
現(xiàn)在的問題不是模型天花板足夠高，而是成本高到大家受不了，天花板也不算太高。兩個問題同時存在。
04/
預測，是每個員工的必備技能
36氪：以現(xiàn)在的技術(shù)儲備，應對B端客戶的產(chǎn)業(yè)落地需求足夠嗎？
張鵬：其實不分To B、To C，兩者沒有太大的差距。
To C的好處在于你不用去面對每個人，只要想好了大概率或者共性的需求是什么，把這個解決了，剩下的那部分無非是通過營銷手段、市場手段。
但是To B沒辦法，你必須得面對面地去溝通。一旦面對面溝通，對方的需求又特別容易差異化。
36氪：怎么面對B端的差異化需求？
張鵬：前兩天我和產(chǎn)品團隊就說，一流的公司是去找到用戶的所謂的共性需求，挖掘紛紛擾擾表述后面的痛點部分，用你的技術(shù)去解決，再找到最好的性價比。
這說的是一流的公司，但真正牛的公司是引領(lǐng)和創(chuàng)造需求，像蘋果在智能手機時代把所有按鍵取消掉一樣。你想C端的公眾也好，B端的企業(yè)也好，他們會比你更了解技術(shù)的本質(zhì)嗎？不會。所以了解技術(shù)本質(zhì)之后，技術(shù)先給你提出了創(chuàng)造全新價值的可能。
36氪：這就不是一個技術(shù)問題了，是Go to market的問題。
張鵬：是的，甚至Go to market的方式和邏輯都有一些變化。我覺得這是有一些套路的，比如蘋果怎么去發(fā)掘需求，怎么去預判未來的趨勢。
36氪：現(xiàn)在會加一些蘋果的工作流到產(chǎn)品團隊體系里面？
張鵬：至少大家有這樣的一個想法和這樣的一種覺悟和認知，就是說你要保留一部分你的想法和精力去預測，預測是很重要的。
36氪：員工都要來預測？
張鵬：我們所有人都必須要有這個覺悟。
36氪：不管對你，還是中層和一線員工來說，預測的難度有多大？
張鵬：是挺有挑戰(zhàn)的一件事，不會容易的，容易的事情早被人做了。
36氪：你覺得今天模型公司的產(chǎn)品和技術(shù)會有些同質(zhì)化嗎？
張鵬：關(guān)鍵不是在于是不是同質(zhì)化，也不在于橫向比較，而是往前看未來會發(fā)生什么，或者說現(xiàn)在的第一性原理、最本質(zhì)的需求是什么。
舉個例子，比如有一個客戶和我們說，他們一套給員工用的軟件系統(tǒng)迭代了很多年，有7000多個業(yè)務和功能菜單的入口，員工上崗前如果不經(jīng)過一段時間的培訓，是搞不定的；就算培訓了，工作的時候也會很痛苦。客戶說想要一個技術(shù)方案，比如用自然語言表達需求，讓AI幫忙找到入口。
我就問他，你不覺得7000多個入口本身就不合理嗎？還不如想一想我們怎么設(shè)計一個方案，把7000多個入口解決掉。還不如換一個角度看這個客戶的問題，其實這個問題是個偽命題，那你解決那個問題就好了。
36氪：一線銷售可能會覺得客戶要什么，我就給他什么。
張鵬：對，這就是會有困難的地方，他需要一種價值觀上的認同。
36氪：清華系在大模型圈子里還是很顯眼的，你覺得清華為什么能在AI風口很快成為重要的一股推動力？
張鵬：前兩天我們幾個校友和老師一起吃飯，也聊到這個話題：清華在過去的時間里到底做對了哪一件事情，讓清華的計算機和人工智能踩上了臺階？
最后其實沒有定論。但我個人認為，過去幾十年里，清華培養(yǎng)了一大批非常踏實、勤奮肯干的聰明人，只要給他們一個合適的時機和舞臺，我覺得他們就會取得非常好的成績。
你看這一次的爆發(fā)，除了學術(shù)和研究上的層面，其實還有很多地方實際上來自工程，來自團隊的協(xié)作。在這個層面上，不是說只要一批學術(shù)做得很好或?qū)懻撐牡娜嗽谝黄鹁湍芨愣ǖ模€要有很多價值觀一樣的工程人員，團結(jié)起來做這件事情。
36氪：說到資源協(xié)調(diào)，智譜AI也投了很多清華的AI公司。是從什么時候開始有投資的想法的？
張鵬：大概在2022年底就開始考慮了，投一些合作伙伴或者生態(tài)企業(yè)。因為我們認為AGI的路沒那么容易走，在中國也很難單獨把這件事搞定。我們本身也是一個創(chuàng)業(yè)企業(yè)，所以一定要靠生態(tài)，把生態(tài)拉上一起前進。投資是其中的一種方法。
36氪：現(xiàn)在智譜AI投的企業(yè)，有芯片層的，Infra的，也有模型和應用層的。其中一些企業(yè)還沒有PMF，甚至沒有完整的產(chǎn)品。你怎么判斷他們所做的事的價值？
張鵬：首先，我覺得生態(tài)非常重要——我們到底怎么來看待生態(tài)，以及怎么培養(yǎng)生態(tài)？我個人的觀點，你看硅谷為什么有國際上最領(lǐng)先的科技創(chuàng)新的環(huán)境，就在于有大量的科技創(chuàng)新者前赴后繼。第二，那里有大量的人愿意支持他們做這件事，用創(chuàng)業(yè)投資的方式，很多時候他們甚至不求收益。
所以這兩種人、兩種力量是相輔相成的，這樣才能把生態(tài)養(yǎng)得非常肥沃，土壤里面可以長出OpenAI、OpenBI、OpenCI。這是美國創(chuàng)新生態(tài)特別好的一個點，有體系，比如我投了企業(yè)，就要考慮和它的下游企業(yè)互相之間是什么樣一個關(guān)系，上下游怎么去銜接。
當然從企業(yè)來講，肯定是希望他們能夠很快地成長，跟我們一塊成長，能給我們正向的收益。但是誰能保證他們就一定會成功？沒有人能拍胸脯保證這件事情。
來源 | 36氪
作者 | 周鑫雨
編輯｜蘇建勛
