4月30日-5月4日，Google Scholar评分计算机领域最高的人工智能顶级国际会议ICLR 2023 (International Conference on Learning Representations)在卢旺达火热召开。同期互联网领域顶级国际会议TheWebConf (原WWW) 2023也在美国奥斯丁召开。智谱AI和清华KEG联合研究预训练大模型以及图神经网络，多篇文章在大会上发表，同时智谱AI也是ICLR的DEI Action赞助商和WWW 2023的学生旅行奖赞助商。
智谱AI联合清华在ICLR 2023上发表的文章主要介绍了千亿基座模型 GLM-130B。它是不同于 BERT、GPT-3 以及 T5 的架构，是一个包含多目标函数的自回归预训练模型。该模型有一些独特的优势：
- 双语： 同时支持中文和英文。
- 高精度（英文）： 在公开的英文自然语言榜单 LAMBADA、MMLU 和 Big-bench-lite 上优于 GPT-3 175B（API: davinci，基座模型）、OPT-175B 和 BLOOM-176B。
- 高精度（中文）： 在7个零样本 CLUE 数据集和5个零样本 FewCLUE 数据集上明显优于 ERNIE TITAN 3.0 260B 和 YUAN 1.0-245B。
- 快速推理： 首个实现 INT4 量化的千亿模型，支持用一台 4 卡 3090 或 8 卡 2080Ti 服务器进行快速且基本无损推理。
- 可复现性： 所有结果（超过 30 个任务）均可通过我们的开源代码和模型参数复现。
- 跨平台： 支持在国产的海光 DCU、华为昇腾 910 和申威处理器及美国的英伟达芯片上进行训练与推理。
去年11月，斯坦福大学大模型中心对全球30个主流大模型进行了全方位的评测，GLM-130B 是亚洲唯一入选的大模型。在与 OpenAI、谷歌大脑、微软、英伟达、脸书的各大模型对比中，评测报告显示 GLM-130B 在准确性和恶意性指标上与 GPT-3 175B (davinci) 接近或持平，鲁棒性和校准误差在所有千亿规模的基座大模型（作为公平对比，只对比无指令提示微调模型）中表现不错。目前，该模型收到69个国家1000多个研究机构（截至2023年5月1日）的下载使用需求，包括谷歌、微软、脸书、AI2、华为、阿里巴巴、百度、腾讯、头条、小冰、小度、小米以及斯坦福、麻省理工、伯克利、卡耐基梅隆、哈佛、剑桥、牛津、北大、浙大、上交、复旦、中科大、国科大等国内外人工智能研究机构和高校。
今年来，智谱AI在千亿基座模型 GLM-130B中注入了代码预训练，通过有监督微调（Supervised Fine-Tuning）等技术实现人类意图对齐，发布了ChatGLM。类似ChatGPT，这是一个具有问答和对话功能的千亿中英语言模型， 并针对中文进行了优化。与此同时，智谱AI还开源了最新的中英双语对话 GLM 模型： ChatGLM-6B，结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。经过约 1T 标识符的中英双语训练，辅以监督微调、 反馈自助、人类反馈强化学习等技术的加持，62 亿参数的 ChatGLM-6B 虽然规模不及千亿模型，但大大降低了用户部署的门槛，并且已经能生成相当符合人类偏好的回答。 ChatGLM-6B 模型全球下载超过100万，持续两周位列 Huggingface 全球模型趋势榜榜首。
在WWW 2023上，智谱AI联合清华发表了关于图神经网络GNN工具平台的论文CogDL。CogDL 是一个广泛的图神经网络工具包，它为现实世界的问题，尤其是那些涉及大规模数据的问题提供了许多有效和高效的解决方案。该工具包通过整合多种不同的下游任务，同时搭配合适的评估方式，使得研究者和使用者可以方便、快速地运行出各种基线模型的结果，进而将更多精力投入研发新模型的工作之中。
CogDL 最特别的一点在于它以任务（task）为导向来集成所有算法，将每一个算法分配在一个或多个任务下，从而构建了 “数据处理-模型搭建-模型训练和验证” 一条龙的实现。CogDL的图表示学习算法可以分为两类：一类是基于图神经网络的算法，另一类是基于 Skip-gram 或矩阵分解的算法。前者包括 GCN、GAT、GraphSAGE 和 DiffPool 等，以及适用于异构图的 RGCN、GATNE 等；后者则包括 Deepwalk、Node2Vec、HOPE 和 NetMF 等，以及用于图分类的 DGK、graph2vec 等算法。大体上，CogDL 将已有图表示学习算法划分为以下 6 项任务：
- 有监督节点分类任务（node classification）：包括 GCN、GAT、GraphSAGE、MixHop 和 GRAND 等；
- 无监督节点分类任务（unsupervised node classification）：包括 DGI、GraphSAGE（无监督实现），以及 Deepwalk、Node2vec、ProNE 等；
- 有监督图分类任务（graph classification）：包括 GIN、DiffPool、SortPool 等；
- 无监督图分类任务（unsupervised graph classification）：包括 InfoGraph、DGK、Graph2Vec 等；
- 链接预测任务（link prediction）：包括 RGCN、CompGCN、GATNE 等；
- 异构节点分类（multiplex node classification）：包括 GTN、HAN、Metapath2vec 等。
CogDL 还包括图上的预训练模型 GCC，GCC 主要利用图的结构信息来预训练图神经网络，从而使得该网络可以迁移到其他数据集上，来取得较好的节点分类和图分类的效果。
那么，研究者和使用者可以利用 CogDL 做些什么？主要有三点：跟进 SOTA、复现实验，以及自定义模型和数据。
跟进 SOTA。CogDL 跟进最新发布的算法，包含不同任务下 SOTA 的实现，同时建立了不同任务下所有模型的 leaderboard（排行榜），研究人员和开发人员可以通过 leaderboard 比较不同算法的效果。
复现实验。论文模型的可复现性是非常重要的。CogDL 通过实现不同论文的模型也是对模型可复现性的一个检验。
自定义模型和数据。“数据-模型-训练”三部分在 CogDL 中是独立的，研究者和使用者可以自定义其中任何一部分，并复用其他部分，从而提高开发效率。
CogDL非常简单易用，下面给出了一个调用CogDL的例子，可以看出CogDL的代码比如PyG和DGL简单很多。
推动产学研深度融合，打造人工智能普惠生态
一直以来，智谱AI积极地推动学术生态建设，除了赞助学术会议，也积极举办、发起多项利于学术生态发展的赛事与活动。同时。智谱AI还持续向研究机构、开发者、技术公司和传统企业开放人工智能模型接口，推进人工智能技术研发和应用的创新落地。
2022年8月，智谱AI联合研发的大规模中英文预训练语言模型GLM-130B正式发布，并以开源开放的形式供研究机构或个人免费下载使用，获得了国内外研究者及业界的广泛关注。2023年3月，智谱AI又开源了中英双语对话模型ChatGLM-6B，支持在单张消费级显卡上进行推理使用，真正实现大模型技术“人人可用”。
2022年10月，智谱AI与CCF联合发起“CCF-智谱大模型基金”，围绕预训练大模型理论、算法、模型、应用等相关研究提供百万级的科研经费资助，具体研究内容包括但不限于基于大模型的AIGC、文图/图文模型、自动代码模型、人机对话模型等，致力于让每一个计算机领域科研工作者均有机会参与大模型的研究。
2022年3月，智谱AI承办了IEEE P2807.6《Guide for K-12 Educational Knowledge Graphs》国际标准启动会议。开展基础教育知识图谱构建与应用对于提升学生自适应学习能力、减轻老师工作负担、打破教育资源不平衡等方面具有重要意义。
未来，智谱AI将继续推动产学研的深度融合，在引领大模型技术研究与应用落地的同时，进一步降低人工智能的使用门槛，打造人工智能的普惠生态，为行业良性发展做出持续贡献。
Aohan Zeng, Xiao Liu, Zhengxiao Du, Zihan Wang, Hanyu Lai, Ming Ding, Zhuoyi Yang, Yifan Xu, Wendi Zheng, Xiao Xia, Weng Lam Tam, Zixuan Ma, Yufei Xue, Jidong Zhai, Wenguang Chen, Zhiyuan Liu, Peng Zhang, Yuxiao Dong, and Jie Tang. GLM-130B: An Open Bilingual Pre-trained Model. In Proceedings of the 11th International Conference on Learning Representations ( ICLR23). [ *Code&Model*] [ *Blog*] [ *Demo*] Yukuo Cen, Zhenyu Hou, Yan Wang, Qibin Chen, Yizhen Luo, Zhongming Yu, Hengrui Zhang, Xingcheng Yao, Aohan Zeng, Shiguang Guo, Yuxiao Dong, Yang Yang, Peng Zhang, Guohao Dai, Yu Wang, Chang Zhou, Hongxia Yang, and Jie Tang. CogDL: A Comprehensive Library for Graph Deep Learning. In Proceedings of the Web Conference 2023 ( WWW23) (accepted). [ *Code&Data*]