CNCC 落幕：国产大模型已经进化到能在横店给我们点咖啡

今年到 CNCC 现场参会的朋友，想必都对 CNCC 2024 举办所在地——超过 6200 亩的横店圆明新园印象深刻！

虽然园内建筑身临其境，并且薅了主办方一把羊毛，免门票游览了圆明新园与横店多个著名旅游景点，但园子实在是太大了。参会人数超过 1 万 2，园内车辆、美食供不应求，小编表示腿已经走断。

也是急中生智，我们想到：是否能用 AI 帮我们在横店点一杯咖啡？

结果，智谱真的做到了！

在今年的 CNCC 上，智谱发布了一个新功能：自主智能体 AutoGLM，智谱将其称为是一个可模拟用户点击屏幕的手机操作助手，以及点击网页的浏览器助手。

我们现场实测，整体操作非常丝滑：可以通过一句话下达任务指令，AI根据我的指令，打开了美团，按照我的要求点了咖啡，过程中除了付款环节不需要人的任何参与。

智谱这次发布的 GLM-4-Voice 情感语音模型「活人感」简直溢出屏幕，不仅能「呼吸」，撒娇也信手拈来，时不时有种「 AI 林志玲」的哎呀调调，话语间自带波浪号「哎～呀～」……

并且，我们真的成功在 CNCC 会场喝上了AI点的咖啡！

目前 Web 能力已经通过「智谱清言」插件对外公开使用，不过手机端仅开放了安卓用户体验：https://chatglm.cn/main/gdetail/6715f75ec8d0a702dff1e4e6?lang=zh

从文本到文生图、文生视频，再到语音，事实上智谱本次的新技术成果发布反映了在通往 AGI 追梦之路上的重新思考。

在 CNCC 大会第二天上午的主题圆桌论坛中，香港大学马毅教授提到，人类智能在大自然的进化过程中有两个「原生大模型」，一个是 DNA，另一个是语言；而之所以称这两个特征为大模型，是因为其本质上都具备自我学习的能力。 

尽管今年的大模型已经发展到了一个新高度（如 o1 的复杂推理），但现在大模型知识丰富、智能不足的短板仍是行业共识。如圆桌论坛中唐杰所言，我们距离 AGI 的实现还很遥远，这中间的研究趋势至少包含三步：多模态、推理与自我学习。

在 AI 能够自我推理、自我学习之前，多模态是必须跨过的一步，因为人类的智能学习规律就是文本、图像、语音乃至触觉、嗅觉等更多五官共同学习、相辅相成。

（智谱发了一个AGI进程图）

而 AutoGLM，其实是智谱在工具能力上的新研究，也是智谱所思考的 AGI 实现路径之一。

「活人感」满满的 AI 助手

在进一步分析理解智谱的 AGI 技术路径之前，我们先来看一下智谱在语音模态上所取得的最新突破——

当前，智谱清言情感语音助手在响应和打断速度、情绪感知、情感共鸣、语音可控表达、多语言多方言等方面均实现了突破。

AI 科技评论对于这一系列功能革新进行了一番实测：

首先，我们给小智进行了一个比较常规的英语陪练测试，在纠正发音方面她确实表现良好，甚至日语练习的切换也相当丝滑。

随之，听说「小智」还精通北京腔、台湾腔、东北腔和粤语，作为广东人，可不能放过这个为难她的机会，于是，我们测试了「各个国家有各个国家的国歌」这段入门级粤语绕口令。 

实测发现，小智的粤语发音其实不算非常地道，甚至有一股泰国味。不过，在这之中，值得表扬得是，她能在领悟到我们的诉求是需要粤语回答时，自动将「旁白」部分也切换为粤语。 

之后，她又加赠了一段「吃葡萄不吐葡萄皮，不吃葡萄倒吐葡萄皮」的粤语绕口令展示，还想让我们也试试看。

而面对我们刻意为难提出的「加快语速」要求，小智也一宠到底，随着倍速居然能明显体会到她的情绪愈发激动，甚至伴随有呼吸声。

整体上看来，可谓是「活人感」十足。

同时，本届 CNCC 落地横店也给了小智些许施展拳脚的机会，我们带着小智一同游览了知名景点「秦王宫」，并让她化身李白澎湃激昂作诗一首。

小智写的诗是这样的：

「秦王宫中念群臣，壮志凌云绘风云。金戈铁马尽奔腾，万古英雄气不容。」

还挺有鼻子有眼的。

之后我们也尝试上了难度，想要前述古诗的东北腔读法，不过，小智貌似没有完全理会，她「哎呀妈呀」一声张口就来，随性发挥了一篇东北腔版秦王宫夸夸小作文。

小智还时常戏瘾大作，我们也让她即兴给我们讲了一段鬼故事，并模仿了故事中的女鬼笑声：

读到这里，小智所呈现的形象可能带有一丝幽默，甚至有些调皮。但值得关注的是，她其实也能给出非常多建设性的建议，并且在安慰人这方面也很走心。

我们扮演了一个疲惫打工人的角色和她半夜诉苦，小智也给足了情绪价值，甚至能代入闺蜜视角给到积极正向的安慰。

实际上，在对话开头，我们还告诉小智，在下班路上因为看到了彩虹而感到开心。

她不仅共情，还把这个内容默默记下了，下轮对话开启时，其第一句招呼语便是「希望彩虹带来的好心情能持续陪伴你，工作再忙也要记得照顾自己的情绪哟！」

这种每次开启新一轮对话时 Call Back 的细节处理，确实让人眼前一亮。

不过，我们也找到了 AI 无法替代人类智慧的证明，我们尝试和小智玩海龟汤游戏，汤面是「妈妈买回来一个大西瓜，我吃了，第二天我死了。」 

小智推理出的答案是，西瓜可能有致命的细菌或者农药残留，不能否认其中有一定道理，但之后她似乎开始逐渐忘记海龟汤的游戏规则，居然反问我们还有什么具体细节，这个测试到此戛然而止。

「人情味」背后的技术支撑

据智谱在 CNCC 现场的发布介绍，AutoGLM 是基于智谱 GLM 大模型家族的新成员——GLM-4-Voice 情感语音模型。

熟悉智谱的朋友知道，今年初智谱推出第四代基座大模型 GLM-4 后，在 8 月的 KDD 2024 上又快速迭代升级了基座大模型 GLM-4-Plus，至此，大模型开始有了「眼睛」和「嘴巴」。

在语音上，8 月的智谱清言就已经可以实时视频通话。但 CNCC 发布的新成果 GLM-4-Voice 无论在底层技术还是语音输出效果上都更上一层楼。

作为端到端的语音模型，GLM-4-Voice 避免了传统的 「语音转文字再转语音」 级联方案过程中带来的信息损失和误差积累，拥有理论上更高的建模上限。

与传统的 ASR + LLM + TTS 的级联方案相比，端到端模型以音频 token 的形式直接建模语音，在一个模型里面同时完成语音的理解和生成。

具体来看，智谱基于语音识别（ASR）模型以有监督方式训练了音频 Tokenizer，能够在 12.5Hz（12.5 个音频 token）单码表的超低码率下准确保留语义信息，并包含语速，情感等副语言信息。

语音合成方面，则采用了 Flow Matching 模型流式从音频 token 合成音频，最低只需要 10 个 token 合成语音，最大限度降低对话延迟。 

而在预训练方面，为了攻克模型在语音模态下的智商和合成表现力两个难关，智谱将 Speech2Speech 任务解耦合为 Speech2Text（根据用户音频做出文本回复） 和 Text2Speech（根据文本回复和用户语音合成回复语音）两个任务，并设计两种预训练目标适配这两种任务形式：

图｜GLM-4-Voice 预训练数据构造 

能实现富有情感的对话背后，也离不开  GLM-4-9B 在深入对话理解上的支持。

智谱 GLM-4-9B  模型的上下文从  128K  扩展到了 1M tokens，使得模型能同时处理 200 万字的输入，大概相当于  2  本红楼梦或者  125  篇论文的长度。

此次新发布的 GLM-4-Voice 则在 GLM-4-9B 的基座模型基础之上，经过了数百万小时音频和数千亿 token 的音频文本交错数据预训练，拥有了很强的音频理解和建模能力。

智谱对 AGI 的探索与思考

在大模型还没火起来之前，智谱团队就尝试过将其能掌握的所有中英文语料、图像、视频、语音等数据一起输入，参数规模甚至过万，但却发现：相较团队早期训练过的文本模型 GLM-10B 来说，万亿参数规模的多模态大模型反而在文本能力上有所下降。 

从人类智能的角度来看，五官是我们认识视觉最直接的介质，并且视觉、听觉与语言能力之间往往能相互增强。但在对 AI 多模态模型的探索中，结果却是相反：文本模态的智能水平并没有因为图像模态而增强，反而削弱。这个「非共识」的发现也影响了行业对 AGI 路径的思考。 

多模态是实现 AGI 的必经之路是业界共识。但是，多模态的研究要怎么展开？这其实是一个尚未形成共识的开放性问题，也是未来国产大模型需要继续思考的问题。

尽管 OpenAI 发布的 GPT-4V 与 GPT-4o、谷歌发布的 Gemini 让业内人员认为，多模态的发展应该朝着像海外 OpenAI 与 谷歌的技术路线去发展。但科学的怀疑、验证精神在多模态研究中仍不可或缺。

比如，目前文生图、文生视频或图生视频等多模态的研究，就没有与主流的基础文本推理大模型结合起来，不同模态之间的 Gap 还很远。如何将不同模态结合起来，也是一个亟待解决的问题。

根据 AI 科技评论对智谱过去三年的观察，智谱的 AGI 路径事实上是：先聚焦文本大模型的能力提升，但在 GLM-3、GLM-4 等基座大模型发布后，智谱很快就将图像、视觉、语音等提升了日程，并同时不忘迭代代码模型、视频生成模型等。

智谱不仅聚焦单一模态的单点能力提升（如 ChatGLM3），也注重双模态、多模态的结合——但无论从哪个角度来看，智谱版的「Her」都具备了比现有国产大模型公司更全面的模态能力。

根据智谱 CEO 张鹏的介绍，在智谱看来，人工智能的分级从大语言-多模态-使用工具-自学习，也可以分为 L1 到 L5 这五个等级。除了 L1 到 L3 这三块为大家共识的分级外，L4、L5 就体现了前文所说的「AI 自我学习」能力： 

从这个维度来看，智谱本次在 CNCC 发布的手机助手能帮我们现场点咖啡，已经是达到 L3 的工具使用阶段。

而且 CNCC 现场独家据悉，智谱在本月底将推出生成视频模型 CogVideoX 的升级版本 CogVideoX-Plus，张鹏透露的升级亮点是：60帧帧率、4K画质、10s时长、任意比例图生视频、运动稳定性大幅提升。 

智谱内部认为，目前我们距离 AGI 的道路只走了 42%。

他们根据大脑的能力，将 AGI 的技术维度分为了视觉、听觉、语言等多模态感知与理解能力；此外，还有 AI 模型的长短期记忆能力、深度思考与推理能力、情感与想象力等。

此外，作为人的身体指挥器官，大脑还能调动身体的各个部分协同运转，使用各种工具——而这个方向，就是目前具身智能、具身大脑所探讨追求的方向。

如果将大脑的能力区域划分为 AGI 的技术路线图，如下图所示，事实上目前的 AGI 科技树还有绝大部分没有被点亮。也就是说，在 42% 以外，智谱与当前包括 OpenAI 在内的其他大模型公司还有很长的路要走。

同时，当 AGI 参考人类大脑的能力画出如上技术路线分布图后，智谱的 AGI 研究也超越了追赶 OpenAI 的阶段。这也是一份技术指南，能够告诉大家：除了 GPT-o1 的推理能力，智谱还会发力其他的方向，如自我学习，模型指挥「肢体」执行工作任务等。

GPT-o1 体现的思维链从 2022 年开始，经历过从一两步推理到一致性推理、再到复杂多步推理的提升。从研究趋势上来看，多模态与推理都是实现 AGI 的必经之路，但无论是智谱 GLM 多模态家族、还是 GPT-o1，都体现出综合系统单点突破、循序渐进的第一研究原理。 

在追赶 AGI 的路上，我们应该乐观，但也要清楚认知目前所处的位置，不断追赶。雷峰网雷峰网(公众号：雷峰网)

雷峰网原创文章，未经授权禁止转载。详情见转载须知。