与「唐杰」相关的搜索结果

🔥最新！智谱ZCode 推出新版本 3.18.0 ！语音输入 + Worktree 并行开发拉满效率 ！灰度中，未收到可等全量！ 42 项变更（23 新功能 + 19 修复），核心就是说出来就能写和多任务并行不打架。 🔹语音输入：输入框直接说话，实时转文字，解放双手 🔹Worktree 并行开发：多任务同时推进，互不干扰 🔹Design 能力：支持设计系统检查，前端更顺手 🔹内置浏览器大升级：点选页面元素直接改保存、设备尺寸预设、导出 PNG/PDF、改完自动刷新 🔹交互体验拉满：逐词渐显、选中批注引用、可编辑已发送/排队消息、工具执行自动分组汇总（降 Token 噪音） 🔹权限记忆：授权时直接选「完全访问」并记住，少弹窗打断 🔹多语言：新增日/俄/韩界面 🔹安全 & 稳定：修复工作流沙箱绕出问题、更新不再中断下载、额度核销加确认等 开发者日常用起来会明显顺滑很多。 #ZCode# #智谱# #Harness# #AI编程# #效率工具# #唐杰#

🚨重磅！GLM 5.5最快将于本周发布！将掀起开源模型全新高度！ 智谱Zai创始人唐杰清华早已暗示两大飞轮RSI、后训练将铸就 GLM-5.5 成为无敌的存在！ 🔹飞轮已跑通：500M代码仓库→千万级Issue-PR合成→GLM-5 Agentic Engineering；合成沙盒→GLM-5.1自主执行；Agent自己造动态环境→GLM-5.2长程任务；网络安全环境，漏洞+PoC+Exploit→GLM-5.3。每一步都在用上一代模型生产下一代的训练数据。 🔹数据墙被击穿：Chinchilla定律明确，固定数据无法消除数据依赖损失。精选Web数据（RefinedWeb）远超原始语料，为飞轮提供高质量燃料。 🔹GLM 5.5是闭环产物：GLM-5.3已驱动Infra Agent在10万国产卡上自己优化推理系统，两周吞吐提升3倍+。飞轮继续转，5.5的后训练+自我进化环境只会更硬核，量化金融、代码沙盒、长程Agent全线拉满。 从Vibe Coding到Agentic Engineering，再到数据飞轮自我强化，5.5不是简单迭代，是这套系统第一次真正闭环后的产物。 #GLM55# #智谱# #唐杰# #数据飞轮# #RSI# #AgenticAI# #开源大模型# #清华# #AI# #Zai#

🐎月之暗面/Kimi 创始人杨植麟 2014清华特奖答辩 2014年，清华本科生特等奖学金答辩现场，唐杰站在台上推荐杨植麟：“他是我这几年见过最优秀、最有天赋的学生。” 当时，唐杰是杨植麟的科研导师。如今，他已成为智谱的创立发起人、首席科学家；当年那个说要“用数据改变世界”的本科生，也创办了月之暗面。 视频里的杨植麟，90%的专业课成绩在95分以上，所有程序设计课程均为满分，成绩位列年级第一。一年时间里，他以第一作者身份在KDD、WSDM、CIKM发表三篇论文，算法被腾讯、新浪、华为等公司采用，还带队击败斯坦福、哥伦比亚等研究机构，拿下全球癌症预测大赛冠军。 科研之外，他还创办了校园乐队Splay，既是鼓手，也是主要的词曲作者。答辩时，他说：“这是计算机科学最好的时代。” 12年后，Kimi K3火爆全球AI圈。再回看这段珍贵视频，会发现许多故事早已写下伏笔：唐杰与杨植麟后来分别站在智谱和月之暗面的技术前线，两家公司也已进入全球大模型竞争的核心牌桌。 那个想用数据改变世界的年轻人，仍在沿着当年的方向向前走

智谱 CEO 唐杰 公开信全文： 前天智谱创始人唐杰发布了主题为《巨浪已来》的内部信（公开信）。唐杰阐述了他和智谱对 AGI 的理解，以及，为什么上市之后，依然要把资源押注在最不确定的地方。全文很长，我放墨问了： 巨浪已来——致每一位智谱人和关心人工智能未来的伙 巨浪、摸高、AGI，都是信里的关键词，不过这些更多是情绪和概念，唐杰并没有一直停留在云端，他谈了三件事儿，也就是公开信里的三座山峰。 长程任务、自治智能体、自我进化。翻译成工程语言，就是让模型从回答问题，走向复杂长任务，还能自我检查，进而参与训练自己的下一代。 长程任务要求模型记住上下文，理解目标变化，并把宏大任务拆成数千个步骤；自治 Agent 要求多个模型像一个团队一样分工、审查和调度；自我进化则把问题推向更深处：能不能让 AI 参与数据生成、代码修改和模型训练。 最后这个问题我理解是 RSI（Recursive Self-Improvement，递归自进化），海外这块最重要的进展来自 OpenAI、Anthropic，以及一些新公司比如 Recursive、Mirendil、Core Automation，这些公司都在向这个方向探索。 公开信里，智谱的判断带有鲜明的实验室气质。它相信商业机会会跟随智能的上限移动，所以短期产品和收入要让位于基础能力。 “摸高”计划里有四个方向：让模型完成长任务，让 Agent 进入真实工作，让 AI 参与训练自己，同时把安全治理放在底层。模型越强，越需要解释它为什么这样判断、如何被约束，以及出现错误时谁来负责。 关于开源，唐杰也给出了方向，智谱希望一只手向上摸高，挑战模型能力极限；另一只手向下铺路，把前沿能力交给开发者。开源并不天然等于安全，也不等于商业成功，但它能带来更多使用者、反馈和外部监督。 显然，国内 GLM 5.2 已经是 Agent 顶配了。我觉得智谱要回答的，是下一代智能由谁来定义、以及如何被使用。是的没错，智谱市值高了，雄心也大了。至于“触达 AGI”能否按计划发生，现在没有人能给出答案。我们能确定的是，大模型公司的下一阶段，除了比拼模型，还得看长期主义、工程纪律和承担不确定性的能力。 上市之后选择继续投入，意味着智谱愿意放弃一部分短期确定性，换取一次更大的技术下注。它最终能否摸到那个高度，还要看模型效果、成本控制、人才组织和安全治理能否同时成立。 如唐杰所言，巨浪已来，会波及每一个人。最后要看的是，潮水退去之后，谁能建成坚固的堡垒和开放的生态。

智谱创始人唐杰预言：AI不仅能自我重构代码、彻底解决记忆和长周期任务。 甚至会理解什么是“自我”并触碰人类情感。 AI正在疯狂的递归自我改进！

黄光裕当首富那会儿，有一张喝茶的照片，最近在社交平台上被众人模仿。 当时的黄光裕英姿勃发，眼神中透露出睥睨天下的锐利。 为什么大家会模仿黄光裕，我觉得可能大家有点怀念那个草根能当首富的时代，那个经济欣欣向荣的时代。 那个时候赚大钱，不需要什么学历，用王健林的话说：清大北大，不如胆子大。 很多富豪都是出生于草莽，没上过什么好大学，甚至没上过大学。 比如黄光裕、碧桂园杨国强、美的何享健，还有一大堆煤老板。 为什么那个时候没读什么书，也能赚到大钱？ 因为很多赚钱的行业，对学历没什么门槛，特别是像煤这种大宗商品，像房地产开发，真的只要胆子大，能搞到资源就行。 这种时代一去不复返了，现在赚大钱的门槛越来越高，互联网、移动互联网，相比房地产，对人学历的要求变得更高了。再往后，就不AI时代，那学历的作用更加凸显。 看看现在的AI新贵，清一色都是高才生，Deepseek的梁文锋、智谱的唐杰、KIMI的杨植麟，已经没有草根的身影了。 未来草根没有机会了，普通人的机会也越来越少，学历不是没有用，而是更加有用了。

还是亲历者来说说历史吧。中国最早的大模型研究基本上与智源研究院有关。第一个正式发布的大模型是智源研究院支持清华刘知远团队的清源CPM（2020年11月，26亿参数） ，后来演变为OpenBMB，现在还是最好的端侧模型之一。然后就是智源研究院牵头，唐杰老师挂帅的悟道1.0模型系列（2021年3月），其中就包括GLM的最早期版本（GLM论文通信作者是唐杰和杨植麟）。 其他比较早期的工作，百度是Ernie 3.0（2021年7月）；阿里M6（2021年3月）是与唐杰团队合作的（林俊旸是第一作者，唐和当时在阿里的杨红霞是通信作者），后来演变为Qwen。华为盘古有两个版本，一个是华为云田奇与杨植麟团队合作，一个出自诺亚方舟实验室，但都没有持续。 可能有遗漏的，大家可以补充。

1月10日，北京有一场"AGI-Next 前沿峰会"，由清华大学主办。 中国顶尖的 AI 大模型领导者，很多都出席了。 - 唐杰：智谱创始人 - 杨植麟：Kimi 创始人 - 林俊旸：Qwen 技术负责人 - 姚顺雨：腾讯 AI 新部门负责人 网上有发言实录，下面是我的摘录。

唐杰 @jietang 是清华大学教授、智谱（GLM 系列模型出自他们家）AI 首席科学家，也是国内最懂大模型的人之一。他刚发了长微博（见评论），谈 2025 年对大模型的感悟。 有意思的是，唐杰和 Andrej Karpathy 的观察有不少共鸣，但也有一些不同的侧重点。两个顶级专家的视角放在一起看，能看出更完整的图景。 内容比较长，但有句话我要特别放在前面高亮一下： > AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键 如果你是在做 AI 应用开发，应该反复思考一下这句话：AI 应用的第一性原理不是创造新产品，而是替代人类工作。想清楚这一点，很多事情的优先级就清楚了。 唐杰的核心观点有七层逻辑。 --- 第一层：预训练没死，只是不再是唯一主角 预训练仍然是让模型掌握世界知识和基础推理能力的根基。 更多的数据、更大的参数、更饱和的计算，依然是提升模型智商最高效的办法。这就像还在长身体的孩子，饭量（算力）和营养（数据）必须管够，这是物理规律，没法绕弯。 但光有智商不行，现在的模型有个毛病：容易“偏科”。为了刷榜单（Benchmark），很多模型都在针对性地做题，导致在真实复杂的场景下反而不好用。这好比孩子上完九年义务教育（预训练）后，必须把他扔到真实的职场里去实习，去处理那些书本上没有的烂摊子，这才是真本事。 所以接下来的重点是“中后训练”（Mid and Post training）。中后训练这两个阶段负责「激活」模型的能力，尤其是长尾场景的对齐能力。 什么是长尾场景？就是那些不常见但真实存在的需求。比如帮律师整理某类特殊合同、帮医生分析某种罕见病的影像。这些场景在通用测试集里占比很小，但在真实应用中至关重要。 通用 benchmark 一方面评测了模型效果，但也可能让很多模型过拟合。这和 Karpathy 说的「训练在测试集上是一门新艺术」观点一致。大家都在刷榜，但榜单刷了高分不等于能解决真实问题。 --- 第二层：Agent 是从「学生」到「打工人」的跨越 唐杰用了个形象的比喻： > 如果没有 Agent 能力，大模型就是个“理论博士”。一个人书读得再多，读到了博士后，如果不能动手解决问题，那也只是知识的容器，产生不了生产力。 这个比喻精准。预训练是上课，强化学习是刷题，但这些都还在「学习阶段」。Agent 是让模型真正「干活」的关键，是进入真实世界、产生实际价值的门槛。 不同 Agent 环境的泛化和迁移并不容易。你在一个代码环境里训出来的能力，换到浏览器环境就不一定好使。现在最简单的办法，还是不断堆更多环境的数据，针对不同环境做强化学习。 以前我们做 Agent，是给模型外挂各种工具。现在的趋势是，直接把使用工具的数据写进模型的“DNA”里去训练。 这听起来有点笨，但确实是当下最有效的路径。 Karpathy 也把 Agent 列为今年最重要的变化之一，他以 Claude Code 为例，强调 Agent 要能「住在你电脑里」，调用工具、循环执行、解决复杂问题。 --- 第三层：记忆是刚需，但怎么做还没想清楚 唐杰花了不少篇幅讲记忆。他认为，模型要在真实环境中落地，记忆能力是必须的。 他把人类记忆分成四层： - 短期记忆，对应前额叶 - 中期记忆，对应海马体 - 长期记忆，分布在大脑皮层 - 人类历史记忆，对应维基百科和史书 AI 也要模仿这个机制，大模型对应的可能是： - Context 窗口 → 短期记忆 - RAG 检索 → 中期记忆 - 模型参数 → 长期记忆 一个思路是「压缩记忆」，把重要信息精简后存在 context 里。目前的“超长上下文”只是解决了短期记忆，相当于把它能用的“便签纸”变长了。如果未来 context 窗口足够长，短中长期记忆都有可能实现。 但有个更难的问题：怎么更新模型自身的知识？怎么改参数？这还是个未解难题。 --- 第四层：在线学习和自我评估，可能是下一个 Scaling 范式 这一段是唐杰观点里最前瞻的部分。 现在的模型是“离线”的，训练好就不变了。这有几个问题：模型不能真正自我迭代，重新训练浪费资源，还会丢掉很多交互数据。 理想情况是什么？模型能在线学习，边用边学，越用越聪明。 但要实现这一点，有个前置条件：模型要知道自己对不对。这就是「自我评估」。如果模型能判断自己的输出质量，哪怕是概率性地判断，它就知道了优化目标，就能自我改进。 唐杰认为，构建模型的自我评价机制是个难题，但也可能是下一个 scaling 范式的方向。他用了几个词：continual learning、real time learning、online learning。 这和 Karpathy 提到的 RLVR 有一定呼应。RLVR 之所以有效，正是因为有「可验证的奖励」，模型能知道自己对不对。如果这个机制能泛化到更多场景，在线学习就有可能实现。 --- 第五层：AI 应用的第一性原理是「替代工种」 这是对我启发最大的一句话： > AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键 AI 的本质不是创造新的 App，而是替代人类工作。 两条路： 1. 把以前需要人参与的软件 AI 化。 2. 创造对齐人类某个工种的 AI 软件，直接替代人类工作。 Chat 已经部分替代了搜索，同时还融合了情感交互，下一步就是替代客服、替代初级程序员、替代数据分析师。 所以，明年 2026 年的爆发点在于“AI 替代不同工种”。 创业者要思考的不是“我要开发个什么软件给用户用”，而是“我要造一个什么样的 AI 员工，去帮老板把某个岗位的人力成本砍掉”。 换句话说，别老想着做一个「AI+X」的新产品，先想想哪些人类工作可以被替代，再倒推产品形态。 这和 Karpathy 关于「Cursor for X」的观察遥相呼应。Cursor 本质上是「程序员这个工种的 AI 化」，那么各行各业都会出现类似的东西。 --- 第六层：领域大模型是个「伪命题」 这个观点可能会让一些人不舒服，但唐杰说得很直接：领域大模型就是个伪命题。都 AGI 了，哪有什么“领域专用（domain-specific）AGI”？ 之所以有领域大模型存在，是因为应用企业不愿意在 AI 模型公司面前认输，希望用领域 know-how 构建护城河，把 AI 驯化为工具。 但 AI 的本质是「海啸」，走到哪里都会把一切卷进去。一定会有领域公司主动走出护城河，被卷进 AGI 的世界。领域的数据、流程、Agent 数据，慢慢都会进入主模型。 当然 AGI 还没实现之前，领域模型会长时间存在。但这个时间窗口有多长？不好说，AI 发展实在太快了。 --- 第七层：多模态和具身智能，前景光明但道路艰难 多模态肯定是未来。但当下的问题是：它对提升 AGI 的智能上限帮助有限。 文本、多模态、多模态生成，可能还是分开发展更高效。当然，探索三者结合需要勇气和钱。 具身智能（机器人）更难。难点和 Agent 一样：通用性。你教会机器人在 A 场景干活，换个场景又不行了。怎么办？采数据、合成数据，都不容易，还贵。 怎么办？采数据，或者合成数据。都不容易，都贵。但反过来，一旦数据规模上去了，通用能力出来了，自然就形成门槛。 还有个问题往往被忽略：机器人本身也是个问题。不稳定、故障频繁，这些硬件问题也在限制具身智能的发展。 唐杰预判 2026 年这些都将取得长足进步。 --- 把唐杰这篇文章串起来，其实是一张相当清晰的路线图： 当下，预训练 scaling 依然有效，但要更重视对齐和长尾能力。 近期，Agent 是关键突破口，让模型从"会说"进化到"会做"。 中期，记忆系统和在线学习是必修课，模型要学会自我评估和迭代。 长期，工种替代是应用的本质，领域护城河会被 AGI 冲垮。 远景，多模态和具身各自发展，等待技术和数据的成熟。 --- 把唐杰和 Karpathy 的观点放在一起看，能看出几个共识： 第一，2025 年的核心变化是训练范式的升级，从「预训练为主」变成「多阶段协同」。 第二，Agent 是里程碑，是模型从学习走向干活的关键跨越。 第三，benchmark 刷分和真实能力之间有鸿沟，这个问题越来越被重视。 第四，AI 应用的本质是替代或增强人类工种，不是为了做 App 而做 App。 不同的侧重点也有意思。Karpathy 更关注「AI 是什么形状的智能」这个哲学问题，唐杰更关注「怎么让模型在真实场景落地」的工程问题。一个偏「理解」，一个偏「实现」。 两个视角都需要。理解清楚了，才知道方向对不对；工程跟上了，才能把想法变成现实。 2026 年，会很精彩。