← 返回

已收录完整度 0%

唐

唐杰

Q43147100

清华大学、智谱AI

✨ AI贡献：他领导研发了超大规模预训练模型GLM-130B并创立智谱AI，推动了中国大模型的开源与产业化发展。来源：清华大学官网、智谱AI公开资料

AI 从业者

员工

Southern Medical University

2012 - 至今

哲学博士

Institute of Biophysics, Chinese Academy of Sciences

2003 - 2006

bachelor's degree

Central China Normal University

📰 新闻

清华大学计算机系教授，GLM团队负责人，ACM/AAAI/IEEE Fellow

唐杰是清华大学计算机系教授、博士生导师，清华大学知识工程实验室（KEG）负责人。他是ACM、AAAI、IEEE三大国际顶级计算机学会的会士（Fellow），也是国家自然科学基金杰出青年科学基金获得者。他领导开发了GLM、ChatGLM、CogView、CodeGeeX等一系列知名开源大模型。

清华大学学术头衔 GLM团队 AI科学家

唐杰的学术身份与成就

唐杰，清华大学计算机科学与技术系长聘教授、计算机系副主任、清华-工程院知识智能联合实验室主任，国家杰出青年科学基金获得者。他曾担任ACM TKDD执行主编、KDD 2018大会副主席等学术职务。其研究领域包括人工智能、社交网络、数据挖掘和知识图谱。他领导研发了学术情报挖掘平台AMiner，收录数亿文献和学者。曾获北京市科学技术奖一等奖、CCF青年科学家奖等荣誉。

清华大学教授人工智能学术成就 AMiner

学术影响力：高被引学者，h-index达102

根据Google Scholar数据，唐杰的论文总被引次数超过4万次，h-index高达102，i10-index为343。这表明其研究成果在学术界具有非常广泛和深远的影响力，是人工智能领域最具影响力的中国学者之一。

学术影响力引用 h-index 科研成果

🏆 成就

领域大模型是伪命题，通用基座模型是未来

唐杰认为，领域大模型是一个伪命题。他主张，通过持续扩展（scaling）通用基座模型（更多数据、更大参数、更饱和计算）是最高效的路径。AI的最终价值在于替代人类工作、创造增量价值，而通用模型通过Agent等形式进入环境后，能更好地形成生产力。这一观点挑战了为特定领域定制大模型的流行做法。

人工智能大模型 AGI 技术趋势

大模型发展七层逻辑：从学习走向实践

唐杰总结了大模型发展的七层核心逻辑：1.预训练与中后训练并重；2.Agent能力跨越；3.记忆系统构建；4.在线学习新范式；5.“替代工种”的应用本质；6.领域大模型的局限性；7.多模态与具身智能的挑战。这勾勒了AI从知识学习走向实践应用的路线图。

大模型发展七层逻辑 AI路线图预训练

AI发展的核心是替代工种、创造增量价值

唐杰指出，人工智能的终极目标并非仅仅是学习知识，而是要落到“替人完成工作、创造增量价值”上。Agent（智能体）的出现标志着模型开始进入环境、形成生产力，是从“理论学习”阶段迈向“实践应用”的关键跨越。

AI应用 Agent 生产力价值创造

大模型发展的七层逻辑与未来路线图

唐杰提出大模型发展的七层核心逻辑：1) 预训练与中后训练并重；2) Agent能力是模型进入真实世界的关键跨越；3) 构建类人记忆系统；4) 实现在线学习新范式；5) 应用本质是“替代工种”；6) 领域大模型存在局限性；7) 多模态与具身智能是未来挑战。这构成了2025-2026年AI从学习走向实践的重点路线图。

大模型发展逻辑 Agent 路线图

唐杰提出AI发展的八个关键感悟

唐杰在2025年底分享了关于AI发展的八个核心感悟：1. 基座模型扩展仍高效；2. 需对齐长尾能力与增强推理；3. Agent是模型进入环境形成生产力的关键；4. 持续交互下记忆与在线学习是核心；5. AI要创造价值；6. 领域大模型是伪命题；7. 更多数据与计算仍是基础；8. 记忆机制是实现应用的关键。这系统概括了当时AI技术演进与落地的核心挑战。

人工智能技术趋势 Agent 模型记忆

模型记忆是在线应用的核心工程挑战

唐杰指出，一旦模型进入持续交互的世界，记忆机制、在线学习和自我评估就会成为核心工程题，而不是可选项。他类比人类记忆分为短期、中期、长期和外部历史四个阶段，认为大模型如何实现不同阶段的记忆是应用到真实环境的关键能力。这指明了下一代AI系统必须解决的核心技术难题。

模型记忆在线学习 AI工程人机交互

📝 简介

领导研发GLM系列大模型对标GPT

为解密大模型并推动国产自研，唐杰及其团队推出了GLM系列大模型（如GLM-130B、ChatGLM）。该系列遵循“千亿基座模型、有监督指令微调、人类反馈强化学习”的三阶段发展路径，旨在建立以中文为核心的自研大模型体系，是国产大模型发展中的重要代表工作。

GLM模型国产大模型清华大学科研团队

提出2020年为“大模型元年”，对标GPT推出GLM系列

唐杰将2020年GPT-3的推出定义为“大模型元年”。为此，他带领清华大学团队推出了对标GPT的GLM系列模型，包括千亿参数的GLM-130B和后续的ChatGLM。这一行动体现了其“实现国产全自研、自主可控的人工智能基础模型迫在眉睫”的理念，是中国大模型研发的重要代表。

GLM ChatGLM 国产大模型研发故事

唐杰团队发布长文本生成模型LongWriter

针对大模型生成长度受限的问题，唐杰团队于2024年发布论文《LongWriter》，成功让大模型生成超过1万词（约2万字）的长文本。该研究突破了模型在监督微调中受样本限制的输出瓶颈，是其在长上下文处理领域的重要技术成果。

学术研究长文本生成论文技术突破

从GLM到ChatGLM：对标GPT的自研大模型之路

作为清华大学教授和智谱AI首席科学家，唐杰带领团队自主研发了GLM系列大模型，旨在对标OpenAI的GPT系列。他们经历了从千亿基座模型GLM-130B，到经过有监督指令微调和人类反馈强化学习的ChatGLM的完整过程。这条路径印证了他提出的大模型发展三阶段论：基座模型、指令微调、人类反馈强化学习。

GLM ChatGLM 自研模型智谱AI

团队推出LongWriter，解决大模型长文本生成难题

唐杰团队于2024年发表论文《LongWriter》，旨在解决当前长上下文大模型（能处理10万token输入）却难以生成超过2000词输出的问题。研究发现，模型的生成长度受限于其在监督微调过程中看到的样本。这项工作展示了团队在前沿工程难题上的探索。

长文本生成学术研究大模型能力

🚀 项目

大模型能力提升的三阶段路径

唐杰将GPT类模型的发展归纳为三阶段方法论：第一阶段是“千亿基座模型”预训练（饱读诗书）；第二阶段是“有监督指令微调”（教它考试）；第三阶段是“人类反馈强化学习”（对齐人类偏好）。这是构建强大对话模型的标准路径。

模型训练三阶段指令微调 RLHF

构建模型记忆系统的四层框架

唐杰借鉴人类记忆机制，提出大模型记忆系统应包含四个层次：短期记忆（类似前额叶）、中期记忆（类似海马体）、长期记忆（分布式存储，类似大脑皮层）以及外部历史记忆（如Wiki）。这是模型应用于真实持续交互环境的核心工程问题。

模型记忆在线学习工程架构认知科学

唐杰提出实现模型记忆的框架

唐杰认为，实现模型记忆是模型应用到真实环境的必备能力。他借鉴人类记忆系统，提出大模型记忆可分为四个阶段：短期（对应上下文Context）、中期（可能对应RAG检索增强）、长期（对应模型参数调整）和人类历史（外部知识库）。如何实现不同阶段的记忆是工程关键，一种方法是压缩信息。这为构建具有持续学习能力的AI系统提供了方法论思路。

人工智能模型记忆机器学习工程方法