行业趋势转变 - AI行业正经历从传统大模型向推理模型和Agent的转变 强调"巧"而非"大" [2][4] - 模型进化方向从死记硬背转向链式思考(CoT) 实现多步验证和精准输出 [5] - 应用范式从聊天机器人升级为能执行任务的Agent 覆盖客户服务 金融分析等场景 [7] 技术路径分化 - 两种发展情景：Chinchilla缩放持续有效则2028年模型达65万亿参数 或预训练停滞转向推理优化 [10][11] - 推理模型代表如OpenAI的o1/o3和DeepSeek R1 已展现更高基准测试成绩及成本优势 [5] - 算力需求结构变化：推理计算占比将超50% 2028年推理算力缺口达2500亿exaFLOPS [13] 产业链影响 - 芯片需求从通用训练芯片转向定制推理芯片 网络设备商持续受益 [9][18] - 开源模型(Llama/DeepSeek)发展迅速 但微调成本仅为大模型训练的小部分 [15][16] - 科技巨头自由现金流可能改善 因推理成本下降减少资本支出压力 [19] 投资逻辑重构 - 缩放定律有效时优先布局芯片/设备供应商 警惕高资本支出科技企业 [1][18] - 预训练停滞则关注科技巨头现金流回升及用户基数大的应用类公司 [1][19] - ChatGPT两月新增1亿用户显示Agent应用爆发潜力 [7]

阿里通义开源RL新模型 - 阿里通义开源了QwQ-32B RL新模型 性能比肩满血DeepSeek R1 在AIME24数学测试和LiveCodeBench代码评估中表现优异 [1] - 该模型采用创新训练方法 通过校验生成答案正确性提供反馈 相比传统奖励模型训练时间大幅缩短 [2] - 公司预告将在Qwen Chat平台发布QwQ-Max-Preview模型 并承诺持续开源更多RL模型 [3][4][5] 大模型本地化部署进展 - 高性能大模型本地部署门槛显著降低 仅需NVIDIA 4090显卡或24G内存以上Mac mini即可实现 成本控制在4位数人民币 [6] - 苹果Mac Studio搭载M3 Ultra芯片(32核CPU/80核GPU)可实现满血DeepSeek-R1本地化运行 速度达20token/s 价格从70万降至7万人民币 [8][9] - 512GB内存配置的Mac Studio可支持更强大本地AI运算能力 [11][12] AI行业发展趋势 - RL技术突破将显著提升智能硬件性能 推动应用需求爆发 利好Agent技术发展 [7] - Manus AI等Agent产品引发市场关注 提升应用端对AI能力的期待 将带动算力需求增长 [13][14] - 中国科技公司在RL大规模强化学习领域取得突破 行业估值逻辑面临重塑 [14]

融资与战略布局 - 公司完成超10亿元人民币战略融资，投资方包括杭州城投产业基金、上城资本等 [2] - 在杭州成立浙江智谱新篇科技有限公司，服务浙江省和长三角地区经济实体，推动数字产业转型升级 [2] - 2024年1月被美国商务部列入实体清单，但公司强调将继续提供世界一流的大模型技术并参与全球竞争 [2] 技术实力与产品 - 研发国产独立知识产权的GLM大模型预训练架构，最新基座模型GLM-4-Plus技术实力世界领先 [3] - 在Agentic LLM方向优势明显，先于OpenAI提出Phone Use概念并推出Agent产品AutoGLM及GLM-PC [3] - 构建开放平台bigmodel.cn，以Model as a Service(MaaS)理念推动AI生态繁荣 [3] - 2024年推出基座模型GLM-4-Plus、Agent模型AutoGLM、推理模型GLM-Zero等，技术对标GPT [5] - GLM预训练架构实现全栈自主创新，包括底层算子、训练框架等核心模块自主研发 [5] 开源与生态 - 2024年是公司的"开源年"，将发布全新大模型并开源 [3] - 适配国内40多种GPU芯片，推动进口替代 [5] - MaaS平台支撑70余万企业开发者，私有化部署服务金融、医疗等20多个行业，在万余家企事业单位应用 [5] Agent技术领先 - 2025年或将是Agent爆发年，公司在Agentic LLM领域具有领先优势 [7] - 与三星合作，将Agent体验带到Galaxy S25系列手机，支持实时语音、视频通话等功能 [9] - Agentic LLM将整合物理与数字世界资源，从被动应答转向主动执行，提升生产力 [10] AGI发展路径 - 公司将AGI分为五个层级：L1预训练大模型、L2对齐&推理、L3自我学习、L4自我认知、L5意识智能 [12] - 坚定朝着AGI方向努力，推动AI从学习知识到具备自我认知和探索能力 [17]

文章核心观点 - OpenAI推出第二个Agent Deep Research，可搜索多网站生成全面报告，团队分享构建技术细节、产品思路及使用场景，未来希望打造终极Agent整合多种功能，且Agent有望在2025年崭露头角 [1][11] 分组1：OpenAI的第二个Agent - Deep Research能搜索多在线网站生成全面报告，在ChatGPT中运行，回答时间5 - 30分钟，能深入研究并详细回答问题，是OpenAI第二个Agent，未来还会发布更多 [5] - 约一年前OpenAI采用reasoning范式训练模型，解锁长时任务处理能力，意识到完成任务需在线研究等能力，开发出对应模型训练方法，项目最初由Isa Fulford和Yash Patil合作原创demo，Josh Tobin 6个月前加入 [6] - Deep Research有澄清流程，在研究前向用户提问，确保用户提供模型所需细节，很多用户先与o1或o1 Pro互动完善prompt后再发给它 [9][10] - 过去几个月OpenAI推出三种不同的Deep Research，因模型构建方式等因素质量有差异，未来希望用户通过终极Agent自然融合多种功能 [11] 分组2：Agent能力来自模型端到端的训练 - Deep Research底层模型是O3微调版本，经复杂浏览和推理任务端到端训练，学会应对策略，能整合信息生成带引用报告 [13] - 端到端训练使Deep Research有创新的Agent能力，能对实时网页信息灵活反应，创造性搜索，与非端到端训练的AI搜索产品有差异 [14][15] - Josh Tobin曾尝试构建Agent，发现按常规方式构建在现实中会有问题，说明Deep Research强大源于端到端训练，还建议按需用人工编写逻辑，在模型整体基础上进行RL调优可能是构建强大Agent的关键 [16][18] - 高质量数据集是Deep Research模型成功的关键因素之一，Edward Sun会对所有数据集进行优化 [19] 分组3：Deep Research的优势 - 当用户需求详细时，Deep Research能通过阅读互联网内容提供最佳答案，问题模糊时也能理清信息，擅长收集冷门事实和综合信息，但提炼新见解和做出新科学发现效果不佳 [20] 分组4：Deep Research的使用场景 - 目标用户是从事知识性工作的人员，适合需大量收集信息、分析数据并决策的人，可应用于工作和个人生活场景 [21] - 商业和个人生活场景中，Deep Research能节省时间，赋予知识型工作者超能力，实现更多事情，访谈提及的场景包括医疗、投资、购物、旅行、编程和个性化教育等 [22][23] 分组5：Agent会在2025年崭露新头角 - OpenAI希望未来Deep Research在产品形态上嵌入图像和生成图表，扩展可访问数据源，提升浏览和分析能力，改进信息准确度，融入Agent路线图扩展应用场景 [30] - Deep Research能完成部分经济上可行的任务，为用户节省时间，OpenAI希望其和后续构建的Agent能根据用户工作类型节省1% - 25%的时间 [31] - Isa Fulford和Josh Tobin认为今年Agent会崭露头角，现在有强大预训练语言模型和监督微调方法，适合根据用户奖励函数调整模型用于各种用例 [32][34]

核心观点 - 公司认为AI行业的核心驱动力是技术迭代而非用户增长，智能水平的提升不依赖大量用户反馈[8][17][19] - 公司明确自身定位为技术驱动型企业，在技术路线与产品需求冲突时优先选择技术突破[22][23] - 行业存在方法论误区，多数企业仍用移动互联网推荐系统思维开发AI产品[12][20][97] - 开源是加速技术进化的有效路径，公司首个开源模型MiniMax-01采用创新线性注意力机制架构[9][14][15] 技术路线 - MiniMax-01系列模型突破性采用线性注意力机制新架构，可高效处理400万token长上下文[9][45] - 模型参数规模超4000亿，是全球首个在此量级实现线性注意力机制的大模型[76] - 技术目标聚焦Agent能力提升，重点突破长上下文记忆、多Agent协同等方向[40][44] - 明确不跟风o系列模型开发，认为蒸馏技术虽可行但非核心创新路径[53][54][58] 产品策略 - 旗下海螺视频生成模型月访问量已达全球第一梯队水平[77] - AI社区产品"星野"用户留存率优于字节等大厂竞品[7][92] - 放弃移动互联网式增长目标，2025年核心KPI转为技术研发指标[106][129] - 测试中的信息获取产品尝试重构推荐逻辑，实现精准学术内容推送[62][63] 行业认知 - 中美AI差距在于中国缺乏原创性技术benchmark，过度依赖对齐国外模型输出[72] - 大模型与推荐系统存在本质差异：前者依赖预设能力分级，后者依赖AB测试[21][66] - 行业已从"Scaling Law信仰"转向寻求算法、组织等层面的持续创新[33][34] - 竞争格局不应区分创业公司与大公司，关键在于技术进化速度[98][114] 组织管理 - 团队结构保持三级扁平化管理，强调客观技术评估文化[79][81] - 人才策略承认字节跳动的人才密度优势，但认为创业公司更利技术人才成长[82][130] - 决策机制建立在共同技术认知基座上，弱化明确分工边界[125][126] - 主动优化团队结构，淘汰非技术驱动型人员[115][116] 创始人反思 - 复盘早期失误包括过度关注用户指标、未及时开源、产品定位摇摆[13][15][24] - 认知升级关键点在于明确技术迭代优先于商业化目标[132][133] - 创业方法论强调简单专注，拒绝"天选之子"叙事[30][140] - 自我定位非技术天才型创始人，重视团队协作价值[96][136]

技术进展 - OpenAI训练GPT-5遇阻，已投入20个月和至少10亿美元算力成本，但性能提升未达预期，两次从头训练均未突破博士生水平目标[4] - 数据短缺迫使OpenAI采用人工生成数据（工程师/科学家每日5000字）和模型生成数据（o1模型）补充，但规模仍远低于GPT-4的10万亿字训练量[5] - o3模型在CodeForces编程竞赛得分比o1提升44%，数学测试EpochAI解决25.2%问题（其他模型<2%），但AGI评测得分因数据预训练存在争议[7][9] - 强化学习重要性提升，OpenAI推出RFT微调方法，LangChain报告显示人类反馈强化学习应用增长18倍[5][9] - 世界模型取得突破：DeepMind的Genie 2生成可交互虚拟场景，李飞飞团队实现AI图片转3D场景，CMU/英伟达开源机器人模拟系统Genesis[14] 行业竞争 - Google Gemini 2.0 Flash系列模型抢占Chatbot Arena前三，OpenAI首次失去榜首地位[18][21] - 中国开源模型崛起：DeepSeek-V3以578万美元训练成本逼近GPT-4o性能，Qwen2.5-plus超越Meta Llama 3.1[23][26] - 芯片领域博通市值破万亿美元，2024年AI收入增长220%至122亿美元，为Google/Meta等提供自研芯片方案[29] - 英伟达推出B300 GPU适配o系列模型，算力/显存提升50%，xAI计划将H100算力中心从10万张扩展至100万张[33][34] 应用与商业化 - OpenAI推出12项ChatGPT升级：订阅费最高2000美元/月，集成Sora视频生成、电话交互、生产力工具插件等功能[36] - Agent成为新趋势，Google Gemini 2.0专为Agent优化，YC预测其市场规模将比SaaS大10倍[12][13] - 大模型嵌入传统行业：Salesforce招聘2000人推广AI Agent，微软Phi-4模型（140亿参数）性能超越更大模型[38][12] - AI硬件进展：Meta计划为Ray-Ban眼镜增加屏幕，OpenAI重组机器人团队，中国预计2025年出现"百镜大战"[40] 投融资动态 - 21家AI公司获超5000万美元融资：中国智谱AI获30亿元（估值200亿元），阶跃星辰聚焦多模态模型，Liquid AI开发新型神经网络架构[42][43] - 基础设施领域Databricks融资86亿美元（估值620亿美元），Tenstorrent获7亿美元开发RISC-V架构AI芯片[44] - 应用层公司多成立于ChatGPT前：Zest AI（金融风控）、Tractian（工业设备监测）、Speak（语言学习）等获大额融资[46][47][48] 科学价值 - 大模型"幻觉"被科学家重新定义：加速抗生素研发（MIT）、生成全新蛋白质（诺奖得主Baker实验室获100项专利）[50][51]

AI市场发展回顾与展望 - 23年AI市场爆发初期，互联网从业者和美元基金迅速涌入，投资焦点集中在大模型公司，OpenAI背景人才备受追捧 [1] - 24年上半年一级市场跌至十年最低谷，大模型公司热度消退，Pre Training模式被质疑，具身智能成为新投资关键词 [2] - 24年9月后市场出现三大变化：融资复苏、多模态模型能力突破（图片/语音/视频生成达GPT-3水平）、AI创二代创始人涌现 [3] 技术演进趋势 - 大模型呈现四大趋势：基础设施化、开源快于闭源、多模型混合方案受青睐、产品价值高于技术 [2] - 多模态进展超预期，视频和3D模型发展速度显著快于语言模型，推理模型o1推动Agent落地 [3] - AI Native产品形态可能通过多模态实现突破，NotebookLM展示跨模态内容组织新范式 [13][14] 投资与创业格局 - 25年市场两极分化加剧：美元基金聚焦出海，人民币基金侧重硬科技/国产替代，初创公司首轮估值达3000-5000万美金 [4][5] - 应用落地成为共识方向，生产力工具类产品主导市场，20-30家应用公司估值超5000万美金，头部ARR达1000万美金 [2][6] - 创始人画像迭代：从互联网转型者变为AI创二代（大厂AI负责人/创业公司联创），认知水平和商业模式显著升级 [3] 商业模式变革 - Prosumer（小B大C）模式验证成功：兼具C端传播属性和B端付费能力，预计25年将出现千万美金ARR公司 [6] - Agent商业模式可能颠覆SaaS：按结果付费替代订阅制，销售体系重构，新创企业比现存SaaS公司更具转型优势 [7][8][9] - Perplexity案例显示搜索平台可能演变为任务完成型Agent，成为AI时代核心入口 [12] 未来重点方向 - Agent领域三大机会：2B场景落地、存量SaaS公司AI化、新商业模式创业公司反攻 [11] - 多模态潜在突破点：视频作为内容输出终局、用户从被动接收转向参与式消费、生产关系变革 [15] - 技术-商业协同效应：AI理解能力+多模态组织将重塑产品形态，如NotebookLM的交互式对话设计 [13][14]

市场趋势与行业动态 - 2023 年 AI 创业投资关键词是大模型，2024 年是具身智能，2025 年将是应用落地[2][4] - 2024 年 9 月后融资市场复苏，各种模态模型能力加强，创始人画像改变，市场进步将延续到 2025 年[4] - 2025 年市场环境将进一步变好，但会更加两极分化，资本方向上美元基金和人民币基金分化，创业融资更倾向背景好的人[4] 投资机会与潜在风险 - 2025 年看好应用落地方向，尤其是生产力工具类产品，预计会出现一批千万美金 ARR 的创业公司[4] - 2025 年看好 Agent 和多模态方向，Agent 主要在 2B 领域落地，新商业模式的 Agent 创业公司将冒头反攻现存 SaaS 企业[4][5] - 多模态可能藏着 AI Native 的答案，未来产品组织形态和使用逻辑可能彻底变化[7] 公司财务表现 - 当下市场约 20 - 30 家应用类公司估值超 5000 万美金，多数应用公司 ARR 年收入为 0，少数找到 PMF 的达 100 万美金 ARR，极少数头部项目达 1000 万美金 ARR[2] 技术发展趋势 - 大模型逐渐成为基础设施，开源进展速度超闭源，实际应用落地偏向多模型混合方案[3] - 推理模型能力提升解锁 Agent 可能性，未来各专业人群、垂直领域都有 Agent 机会[4] 商业模式分析 - Agent 若按结果付费，将对现有 SaaS 公司和模式产生颠覆式变化，销售人员管理和组织模式也会改变[5]

本文为IPO早知道原创 作者｜Stone Jin 微信公众号｜ipozaozhidao 据IPO早知道消息，作为最早探索 Agent 的大模型企业之一，智谱于11月29日带来了多个新进展： AutoGLM 可以自主执行超过50步的长步骤操作，也可以跨 A pp执行任务 ； AutoGLM开启「全 自动」上网新体验，支持等数十个网站的无人驾驶 ； 像人一样操作计算机的GLM-PC 启动内测， 基于视觉多模态模型实现通用Agent的技术探索 。 具体来讲，新升级的AutoGLM可以挑战完成复杂任务：1. 超长任务：理解超长指令，执行超长任 务。2. 跨App：AutoGLM 支持跨App来执行任务。3. 短口令：AutoGLM能够支持长任务的自定义 短语。4. 随便模式：AutoGLM可以主动帮你做出决策。 同时 AutoGLM启动大规模内测，并将尽快上线成为面向C端用户的产品。AutoGLM同时宣布启动 「10个亿级App免费Auto升级」的计划，邀请 App 伙伴联合探索自己的Auto新场景。 此外，智谱还带来基于PC的自主Agent——GLM-PC是GLM团队面向「无人驾驶」PC的一次技术 探索，基于智谱的 ...