智谱投入五十亿美元技术账本以在AI囤积潮中锁定算力容量与硬件储备。
人工智能行业的竞争焦点已从“我们能否构建它？”转变为“我们能否持续迭代并不断突破边界？”前者可能源于灵光一现，而后者则取决于组织成熟度、产品战略、资本储备和长期愿景的积累。其中，资本作为支撑所有其他生产要素的 essential “弹药库和粮仓”，其重要性不言而喻。这一现实也印证了智谱、字节跳动、阿里巴巴和腾讯等头部厂商近期融资背后的逻辑。9月13日晚，智谱宣布完成约50亿美元的融资，其中包括约20亿美元的股权配售和30亿美元的可转债。资金主要用于模型研发和算力基础设施。公告发布后，资本市场和AI社区涌现出诸多紧迫问题：智谱为何需要这笔资金？它将投向何处？又将确立怎样的战略优势？
在这场持续的AI马拉松中，获胜因素已发生根本性变化。在第一阶段，模型能力主要归因于算法突破；而在第二阶段，真正的差异化在于能够稳定地反复复现这些突破的能力。这需要一套精密的工程体系：包括实验调度、数据与算力的比例以及底层基础设施集群的编排。这些运营细节很少出现在基准测试排行榜上，但对于维持模型迭代至关重要。虽然持续迭代已成为行业共识，但鲜有公司能长期一致地执行。因此，节奏本身已成为衡量能力的标准。今年早些时候，谷歌在I/O大会上预览了其旗舰级Gemini 3.5 Pro即将发布，却面临多次延期。据多家海外媒体报道，推迟原因归结为编码能力和Agent（智能体）能力的不足。迭代节奏的暂时落后使谷歌在下半年成为行业辩论的焦点。相比之下，几家国内AI公司保持了更稳定的节奏。例如，智谱在2月至8月间相继发布了GLM-5、GLM-5.1、GLM-5.2和GLM-5.3，平均每两个月进行一次重大升级。此前的GLM-4.6和GLM-4.7也遵循相同的节奏。根据第三方分析公司Artificial Analysis的数据，在过去11个月里，智谱旗舰模型在综合智能指数上的得分从32分上升至60分，稳固跻身全球前沿梯队。多位AI研究人员向《AI科技评论》指出，这种快速的迭代和能力跃升在行业内并不常见。他们强调，虽然孤立的基准高分可能源于幸运的超参数调整，但持续的代际改进需要强大的研发能力、组织效率和工程系统。“目前，大模型迭代的瓶颈很少是‘能否构思出一个想法’，而是‘能否按时将想法转化为可复现的结果’，”一位研究人员告诉《AI科技评论》。“智谱一贯的准时交付表明，其生产规划和工程能力已 firmly established（牢固建立）。”至少基于公开信息，智谱的研发链条保持连贯。公司的下一步举措是利用充裕的资金维持这一势头，保持并可能在大型语言模型的演进轨迹中占据领先地位。
补充资本储备不仅是智谱的首要任务。9月初，据报道字节跳动获得了一笔约296亿美元的银团贷款，用于数据中心和AI基础设施。8月，阿里巴巴完成了价值800亿港元的新股配售，主要分配给全球计算资源和AI数据中心。腾讯在6月发行了近47亿美元的债券，而百度、美团和快手等其他主要科技公司也被报道排队进入债券市场。海外玩家同样活跃。软银在3月完成了400亿美元的过桥融资，以支持OpenAI超级生态系统的扩张。此外，多家研究机构预测，到2026年，全球前九大云服务提供商的资本支出总额将超过8867亿美元。然而，仅筹集资金是不够的。市场密切关注这些资金的分配方式，因为部署策略将决定谁能在下一波技术代差中抢占先机。根据智谱的融资公告，股权配售和可转债的净收益总计约393亿港元。其中约60%，即235亿港元，将用于下一代GLM架构、全自训练系统以及大规模训练、推理和计算基础设施。“溢价可转债的主导地位表明了对长期资本的偏好，”一位跟踪AI领域的证券分析师告诉《AI科技评论》。“零息意味着公司避免了即期利息支付，而转换价值被递延，非常适合研发周期较长的企业。”这清晰地表明了智谱的长周期导向。这种信心很大程度上根植于已验证的商业化闭环。最近的 interim financial reports（中期财务报告）显示，上半年收入达到9.54亿元人民币，同比增长399.7%。开放平台和API收入为8.25亿元人民币，同比激增2,736%，其在总收入中的占比从2025年底的26.3%跃升至86.5%。基于云的计费服务已成为收入支柱，减少了对项目制交付的依赖。基础夯实后，重点转向推进前沿研发。根据公告，下一代GLM开发的预算针对几个关键技术挑战：扩大基础模型的有效规模，推进超长上下文和本生多模态的端到端统一建模；在不显著增加推理成本的情况下增加推理的有效计算深度，从而加强长链推理和自我修正；提升预训练、中训练和后训练的规模，同时扩大长程强化学习的探索空间；以及构建高度模拟复杂真实工程环境的任务沙盒。从研发角度来看，这些举措归纳为三个核心方向。首先是训练规模。缩放定律仍是顶级AI公司的主要防线。缩放迭代不仅涉及扩大基础参数，还涉及深化训练计算、推理计算和环境复杂度。智谱8月发布的GLM-5.3证明了这一点：通过扩展长程任务环境和后训练规模，其端到端任务完成率增加了50%以上，证明当前的规模红利尚未见顶。其次是实验连续性。大模型训练对中断高度敏感。历史上，GPU稀缺迫使实验串行调度，延长了反馈周期。充足的算力消除了这一瓶颈，使迭代节奏从双月里程碑演变为更密集、敏捷的周期。速度本身就是壁垒；能力差距往往反映了一个团队每年完成多少个高质量的“假设-验证-修正”闭环。第三是面向流水线的研发系统。资金涵盖训练数据生成与过滤、任务环境构建、长程推理和底层计算优化。总体而言，这些投资针对整个训练流水线，创造了远超单一模型的价值。更换基础模型是周期性动作；而流水线是每日积累和优化工程资产。这是将大量资本投入基础设施的核心价值。“任务环境构建是流水线中最被低估的部分，”一位大模型算法专家此前指出。“它不会直接反映在单点基准测试中，但它决定了长程复杂能力的上限。为了让模型掌握多天的真实业务逻辑，训练侧必须首先将任务分解为可执行、可验证和可复现的环境，这需要集群、存储、文档和代码库的综合系统。”在顶级行业团队中，流水线建设在今年显而易见，差异主要体现在投资强度和执行速度上。综合这些方向，智谱旨在显著拓宽其在训练规模、实验频率和工程系统方面的探索空间。
如果扩展算力和流水线解决了迫切需求，那么本轮融资中最具前瞻性的技术信号是智谱明确追求下一代架构的“全自训练”。在相对固定的框架和计算约束下，大模型训练围绕三大支柱展开：数据、环境和基础设施调优。这三者正日益由AI实现自动化。在数据方面，“自产自训”的直接催化剂是可获取数据集接近天花板。行业共识认为，人工标注的高质量数据和公开可用的语料库均已接近饱和。下一代前沿模型需要数万亿高精度增量token，使得模型驱动的生成和过滤成为最受讨论的路径。智谱声明的方法涉及交叉验证：一个模型生成内容，另一个模型进行审查和验证。只有通过对抗性检查的数据才能进入训练集，从而将流水线从采购转变为自产。然而，风险依然存在。“让模型训练模型的挑战在于验证其输出的正确性，”一位接近智谱研发团队的人士解释道。“生成和审查必须同步校准；否则，双方都有共同漂移的风险。”关于合成数据的行业争论仍在继续，对于过度依赖模型生成数据是否导致性能下降尚无定论。在任务环境中，AI驱动的建设动机在于高昂的设置成本。模型需要模拟真实专家工作流的环境，对齐程度越高，产生的训练信号价值越大。允许模型在真实环境中提取、生成、验证和完善流程是降低这些成本的一种方法。基础设施优化面临不同的障碍：经验稀缺。如系统调度、推理路径设计和算子效率等任务曾依赖资深人员的直觉，但现在正被AI渗透。公开数据显示，由GLM-5.3驱动的基础设施代理已开始协助工程师优化算子、诊断性能瓶颈并改进部署堆栈。利用上一代模型训练下一代模型代表了智谱在7月公布的“Touch High”战略之后的关键技术路线。这种做法并非孤立存在。全年以来，领先实验室增加了分配给后训练和强化学习的计算份额，探索模型生成数据和自动训练系统。海外讨论通常将此框定为自动化研究工作流本身。智谱紧密契合这些趋势，但通过在其公开战略叙事中明确嵌入“全自训练”而与众不同。然而，自训练极其耗费资本。自产数据、新建环境和迭代基础设施调优都需要巨大的计算量、高密度的人才和广泛的工程开销。资本只是其中一个变量。时间窗口和竞争对手的迭代速度可能会改变结果。“这条道路是否成功，很可能在两三年内就会明朗，”该研发专家警告道。“现在下结论还为时过早。”
在业内，此次融资被视为智谱后续能力飞跃的发射台。关键的观察窗口仍是接下来的十二个月。有三个关键发展值得密切监控。第一，下一代GLM的发布节奏和能力提升幅度。虽然GLM-5.3展示了后训练规模化的效果，但基础模型的任何架构变化所携带的信息权重都将高于单纯的基准分数。第二，全自训练的实质性进展。数据生产是否实现自主扩展、任务环境是否系统化、基础设施调优是否由模型主导，这些不会立即从一个产品发布中显现，而是嵌入在执行工程中。第三，算力动态。在GLM-5.3-Flash的匿名测试阶段，所有流量均通过国产芯片路由，由10万台国产加速器集群处理每日超过十万亿token的量。随后国产算力采购和合作的步伐将直接决定实验规模可以激进扩展的程度。归根结底，大模型竞争归结为公司可持续训练越来越强大模型的能力。充足的资本确保引擎以更高容量运行。下一章如何展开，拭目以待。