使用智浦AI的“GPT”，我只花了30秒就构建了一个Agent。

使用智浦AI的“GPT”，我只花了30秒就构建了一个Agent。

文字| 周新宇

编辑｜唐艳

春节前，智普AI给开发者们送上了一个小年夜礼。

2024年1月16日，中国模型层独角兽智普AI举办首届AI技术开放日Dev Day。 自2023年10月发布大语言模型以来，智浦AI在3个月内将基础模型GLM的能力提升了60%。

随着模型能力的提升和AI应用生态的建立，模型层厂商建立OS（操作系统）是水到渠成的事。 智普AICEO张鹏向36氪直言，打造操作系统并不是什么野心，“而是模型能力达到一定程度后自然而然要做的事情”。

智普AI Dev Day的发布围绕迭代模型、建立AI应用生态、打造AI OS等三大重点：

对于许多开发人员来说，这些更新听起来很熟悉。 2023年11月16日，定制模型生成工具GPTs和应用商店在Dev Day上线，这也被视为打造AI OS的标志。

对于智普AI来说，是最强的对手，也是技术能力的试金石。 为了对标，智普AI建立了从通用模型库到多模态模型的产品线。

智普AI对标建立的产品线

经过摸索过河，张鹏认为GLM-4的能力已经接近GPT-4，达到了构建AI应用生态、构建AI OS的门槛。 他还预测，模型能力的下一次飞跃将发生在具身智能的突破上。

一次处理300页小说，模型能力达到GPT-4的90%

从模型能力上来说，是智浦AI一直在追赶的对手。

Dev Day最新发布的GLM-4目前在基础英语能力上与GPT-4不相上下，均达到了对手90%的能力； 就中文能力表现而言，除了逻辑推理和中文推理两项能力逊色于GPT-4外，其他维度都互相超越。

在指挥跟随能力维度上，GLM-4还有一定的提升空间。 所谓命令跟随能力，就是模型解释输入和命令的能力，是理解用户意图的重要维度。 在英语理解方面，GLM-4的能力略弱于GPT-4，是后者的85%。

来源：智普AI

随着模型开发阶段从疯狂的参数规模进展到应用的实现，现在，通过扩展上下文窗口来提高模型的“记忆”已经成为许多厂商努力的方向。

GLM-4也不例外。 它将上下文窗口从32K扩展到128K，这意味着一次可以处理大约20万字的文本，相当于一本300页的小说。

当然，可处理的文本越长，模型就越容易“失去记忆”。 据智普AI介绍，GLM-4目前可以实现几乎100%准确的记忆回忆。

作者将马伯庸的九万字小说《长安荔枝》全文上传后，可以看出，GLM-4不仅准确测定了李善德运送荔枝所需的天数，还总结了他成功运送荔枝的方法。保存荔枝，还找到了刺杀李善德的​​人。 真正的凶手。

作者试用

定价方面，128K系列机型采取“增量不加价”的策略。 与32K-Turbo相比，128K GLM-3-Turbo的价格没有上涨，仍然是0.005元/千； 128K GLM-4售价为0.1元/千，约为GPT-4价格的1/2。

来源：智普AI

在Dev Day上，智普AI还披露了其在多模态研究方面的进展。

据智普AI介绍，新推出的图模型能力已经超越最强开源模型XL，接近DALLE·3。 这得益于采用了自主研发的非自回归技术“中继扩散模型”，提高了生成图像的分辨率，解决了模型生成质量不稳定的问题。

，是智浦AI近期的研究方向，就是探索如何从多模态模型走向智能助理。 张鹏告诉36氪，人类对世界的感知仍然离不开视觉和听觉，多模态与Agent的结合是必然趋势。

推出0代码Agent定制工具GLMs，并推出模型应用商店

对比GPT，智普AI在Dev Day发布了GLM。

在这款国产定制Agent生成器中，用户只需用自然语言输入Agent函数，GLM就会自动生成应用名称、配置名称、模型能力调用等配置文件信息。 用户还可以上传外部知识库供GLM学习。

例如，当我们希望GLM自动生成菜谱生成器时，我们可以输入“您是菜谱生成器，用户输入食材，即可生成三菜一汤”。

作者试用

点击“发布”按钮后，名为“识图指南”的GLM就可以在智浦AI的对话机器人“智浦轻言”上使用。

作者试用

然而，GLM 的目标用户并不是企业和高级开发人员。 据现场工作人员介绍，这是一款面向普通用户的Agent生成器。 目前，用户只能在“智浦轻言”的手机端和网页端发布Agent，无法发布独立的App版本。

为了建立基于GLM的AI应用生态，在Dev Day当天，智普AI发布了GLMs模型应用商店，并计划同时公布开发者共享计划。

来源：智普AI

目前，名为“Agent ”的应用商店中已经聚集了数百款基于GLM开发的AI应用。

来源：智普AI

例如，一款名为“‘对茅台有利’分析师”的应用专注于提取对茅台品牌有利的信息。 即使你提出对茅台不利的问题，它也能回来。

作者试用

智浦AI版GPT允许大型模型使用原生应用

用手机或者电脑查询近​​三年的春运数据并绘制折线图需要几步？

1.打开中国政府网站搜索数据； 2、汇总成Excel表格； 3. 调用图表生成工具。

至少需要三个步骤。

在模型时代，这一步被简化为输入自然语言指令：

作者试用

“这将是AI时代OS（操作系统）的特点。移动时代的iOS和不懂应用程序，但大模型OS可以理解构建在其上的AI原生应用程序。” 张鹏告诉36氪。

此前，GPT已被用来打造AI时代的新版本操作系统：开发者利用GPT基础的低门槛，快速开发定制模型并应用GPT。 集成了这些GPT的GPT自然就成为了最理解这些应用的操作系统。

在Dev Day，智普AI已经对大型模型OS的运行模式进行了初步实践：启动All Tools，让GLM-4作为OS根据模型自动选择和调用图、代码解释器、网页浏览等。用户意图。 模型能力。

All Tools可调用的连续图像和文本创建能力源自智浦AI的图模型。 它的优点是可以根据上下文持续与用户交互。

例如，当我们遇到难缠的甲方最终选择了第一个版本的方案时，我们可以通过以下方式快速找到第一个方案：

作者试用

All Tools可调用的网页浏览能力的特点是模型自行规划检索任务、自行选择信息源、自行与信息源交互、向用户显示检索次数。

例如，仅根据“CES 2024（2024年国际消费电子展）上展位面积最大的中国厂商”信息，网页浏览功能就可以通过两次搜索来搜索TCL并回答与产品发布相关的问题。

作者试用

除了连续的图像和文本创建功能以及网页浏览功能外，All Tools目前还可以调用代码解释器（支持复杂的计算，以及文件处理、数据分析、图表绘制等复杂任务）、调用（自动基于根据用户提供的描述）选择需要的参数并生成，并根据返回值生成响应）。 根据具体任务，All Tools还支持自动调用多个工具。

使用更了解您及其应用程序的操作系统有多棒？

其中一个案例是利用网页浏览和图表绘制功能生成春运数据折线图。

36氪再次尝试让All Tools按照同一个命令使用文字创作和图像设计两种能力。

例如，如果你想为电视剧《繁花似锦》设计公告和海报，只需将这两个要求包含在自然语言命令中，All Tools就可以自动调用其语言理解能力和图像生成能力。

作者试用

张鹏告诉36氪，未来All Tools还将支持调用GLMs模型应用商店上传的各种模型应用。

以下为与智普AI CEO张鹏的对话（内容经36氪略有编辑）：

36氪：此前Dev Day发布了GPT和App Store，被视为AI时代的OS（操作系统）。 既然智浦AI已经推出了GLM和应用商店，那么智浦AI是否也有做操作系统的野心呢？

张鹏：我觉得这不叫“野心”，而是模型能力达到一定程度后自然而然的东西。

36氪：什么是“一定程度”？

张鹏：可以理解为模型能力超过人类能力的平均线。 去年（2023年）3月发布的一份解读GPT-4能力的报告得出的结论是，GPT-4在大多数任务上的平均表现已经超过了人类的平均水平。 如果赶上GPT-4，就意味着我们也能超越人类平均水平。

36氪：AI时代的OS和移动时代的OS（比如iOS、）会有本质的区别吗？

张鹏：当然。

信息科学或者说上一代IT技术解决的是数据信息的处理问题。 计算机将所有数据数字化，将其表示为0和1，然后设计一套逻辑来计算它。 然而，上一代IT技术只是一个工具，并不知道它在处理什么，它的意义是什么。 无论iOS还是，他们都不明白自己处理应用程序的意义。

这一代人工智能想要解决的问题是让机器理解自己行为的意义。 所以，这一代OS实际上并不是一个操作系统，而是一个思维系统。 你只需要大致告诉它你想做什么，它就会帮助你思考并完成应用程序的操作。

36氪：未来AI OS与、iOS会是什么关系？

张鹏：如果AI OS要取代传统OS，我认为需要很长时间，也许最终它们会共存。

你还记得《流浪地球》里的这样一个情节吗？ 当量子计算机MOSS连接到空间站主控时，它做的第一件事就是：重写所有底层操作系统。

为什么使用重写而不是完全覆盖？ 因为底层很多东西只需要机械动作，不需要思考。 和iOS已经很强大了，至少现在它们非常有效，可以控制现有的应用程序。 很难预测操作系统未来会发生什么。

36氪：我们说点比较现实的吧。 国内外许多模型厂商现在都在建设自己的应用商店。 智浦AI如何应对竞争，将更多应用聚集到自己的生态系统中？

张鹏：其实我们想在2021年做一个操作系统，并命名为“MOS”。 与“MOSS”相比，少了一个“S”。 当时我们甚至画了产品设计图，但最终没有做，因为模型不够强大。 我认为聚集更多应用的前提是提高模型能力。

36氪：模型能力迭代到GLM-4目前的能力最关键的节点是什么？

张鹏：首先是（扩大参数规模）。 增加参数数量是提高模型能力的基础。

第二件事是我们做了很多与人类看齐的工作，让模型遵循人类的价值观。

第三件事是开源。 开源的意义并不是让我们的技术更加先进，而是因为单纯依靠我们自己的力量很难追赶上来。 我们需要通过开源的方式引入更多的人进入生态系统，让模型的价值最大化。

智普AI成立大型模型开源基金，向开源社区投资1000块GPU、1000万元、1000亿代币。

第四件事是多模态。 因为语言是人类创造的，所以从语言入手是最容易的，语言模型可以是第一步。 但我们理解和感知世界的方式需要其他感官，因此开​​始整合多模态非常重要。

最后一个是代理。 多模态允许模型生长面部特征，但模型仍然生活在缸里。 Agent让模型能够长出四肢并真正与真实或数字环境交互，赋予模型自主计划和行动的能力。

所以我们现在看到的GLM-4其实就是我们对这些东西长期探索的结果。

36氪：模型能力的下一个飞跃会在哪里？

张鹏：我认为是体现智能。 正如一个哲学命题所讨论的：身体和灵魂能分开吗？ 我倾向于认为，智力离不开物质世界，智力的诞生与身体的物理条件有关。

36氪：Dev Day大家都提到大模型无法大规模商用，C端通用应用发展缓慢的一个重要原因是成本太高。 例如，一般的C端应用一天可能会消耗数亿个Token。 从模型厂家的角度来看，如何解决这个问题呢？

张鹏：这个问题在生态之外是无法解决的。 例如，对于硬件制造商来说，他们需要生产更高效的芯片； 对于我们这样的模型厂商来说，我们需要不断降低模型的推理成本； 对于应用厂商来说，我们需要想办法让用户承担更多的成本，提高支付意愿。

成本问题无法回避，整个产业链都需要挤水。

36氪：今天智浦AI分享了很多客户案例。 但模式在中国商业化的难点是什么？

张鹏：中国市场有自己的特点。 比如SaaS在国外可以生存得很好，但在国内却很难。 MaaS（模型服务）本质上是SaaS，但我们很难自己改变环境。 我们只能想想如何打破这种局面。

所以我们很早就把商业化计划考虑的非常清楚。 比如跟前期做知识工程的基因有关，我们觉得可能更容易把模型商业化，做To B。

但中国B端客户的需求其实非常多样化，而且非常不一致。 如何满足客户需求而不陷入工程泥潭？ 我认为有必要放大泛中国能力强、通用性高的AI模型的优势。

这里有很多需要注意的地方。 首先，部署策略要多元化。 比如我们有三种解决方案：API、云私有化、本地私有化。 基本上每个感兴趣的客户都可以找到对应的部署方案。 其次，我们会慢慢教育用户，说服他们慢慢从最重、最麻烦的定制方式转向更标准化、平台化的产品购买方式。

从去年来看，我们MaaS的整体效果应该说还是不错的。 我们有超过 2,000 名客户。 从纯粹数量角度来看，分布较为健康，呈现金字塔结构（少数高支付能力、高忠诚度的客户位于塔顶）。

智普AI部分客户

36氪：智浦AI会出海吗？

张鹏：这个问题我们内部也在讨论。 我们从来没有把自己局限于国内市场，但我不知道如何定义出海。 赚了美元算出国吗，还是在国外开公司算出国？ 所以对于出国的定义和形式，我们争论了很长时间。

事实上，就学术全球知名度而言，我们已经“出海”了，但这和商业出海不一样。 我认为我们应该一步一步地去做。 当前最重要的两件事是：一是核心技术的突破；二是核心技术的突破。 其次，在业务路径上探索更长远、更有规划的MaaS实施路径。

目前的商业化情况已经初步证明我们可以在MaaS上取得成功，但是如何引导这条道路向更健康或更长远的方向发展呢？ 今天有人提到平台化，有人提到操作系统，但还没有定论。

扫描二维码加入“智用AI交流群”

欢迎交流

欢迎交流

欢迎交流