首页
>
资讯
>
在 AI「囤粮潮」里，拆解智谱 50 亿美元的「技术账本」
在 AI「囤粮潮」里，拆解智谱 50 亿美元的「技术账本」
眼下，AI行业的竞争重心，已经从“能不能做出来”变成“能不能持续迭代、不断摸高”。前者可能是一次灵感迸发，但后者更多取决于组织、产品、资金、战略等一系列综合实力的沉淀。
尤其资金，是支撑其他生产力要素的“弹药与粮仓”。这也是今年以来，智谱、字节、阿里、腾讯等头部厂商相继融资的核心原因。
9月13日晚间，智谱发布公告，完成约 50 亿美元融资，包含约20亿美元股份配售及约30亿美元可转债发行，所得款项主要投向模型研发与算力基础设施这条主线。
公告发布后，一些追问开始在资本市场和AI圈里发酵：智谱为何要融这笔钱，这笔钱会重点用到哪些地方，将为智谱“换回什么”？
在上半场，模型能力常被归到算法突破上，但到了下半场，真正拉开差距的，是把一次突破稳定复现、再复现的能力。
这背后比拼的是一整套复杂的工程系统：实验怎么排期，数据与算力怎么配比，Infra底层集群怎么调度……这些细节不出现在跑分榜上，却是决定模型迭代能不能持续跑下去的关键。
尽管“持续迭代”已是大模型行业当下公认的方向，但能把它长期稳定跑出来的厂商却不多，也正因如此，节奏本身就成了实力的一部分。
今年 5 月，谷歌在 I/O 大会上预告说旗舰模型 Gemini 3.5 Pro 会在几周内上线，但不料随后一再推迟。据多家海外媒体爆料，延期的原因与编程与 Agent 能力短板有关。模型迭代节奏没有跟上，让谷歌一度成为今年下半年AI行业里，受到争议的对象。
以智谱为例，从今年 2 月到 8 月，GLM-5、GLM-5.1、GLM-5.2、GLM-5.3 接连落地，平均两个月就有一次重要升级。再往前看，GLM-4.6、GLM-4.7 也维持在这一节奏里。
据第三方机构 Artificial Analysis显示，如果把最近 11 个月连起来看，智谱旗舰模型在综合智能指数上的得分，已经从 32 攀升到了 60，一举进入了全球前沿模型的能力区间。
多位AI行业研究员都曾告诉过AI科技评论，智谱最近一年的迭代速度和能力攀升曲线，在行业里也并不多见。
在他们看来，单点跑分高，有时候来自于一次漂亮的调参，但能做到连续多代模型都有抬升，背后离不开研发能力、组织效率、工程系统等一系列支撑。
“眼下，大模型迭代的难点很少落在‘想不想得到’，多数卡在‘能不能按计划把想法变成可复现的结果’。”其中一位研究员对AI科技评论说，“智谱能连续几代按计划交出来，说明排产和工程能力已经立住了。”
确实，至少从公开信息看，智谱这条链子还没被打断过。
而它接下来要做的事，就是用充足的资金弹药把这种能力延续住，保持、甚至引领AI大模型进化的势头。
事实上，把“充足资金弹药”这件事当成头等大事的公司，不止智谱一家。
今年9月初，字节被曝敲定一笔约 296 亿美元的银团贷款，将投向数据中心与 AI 基础设施；阿里则在 8 月完成一项 800 亿港元的新股配售，主要用于全球算力与 AI 数据中心；而腾讯也在 6 月发行了近 47 亿美元债，其他如百度、美团、快手等大厂也被传在债市排队。
海外玩家也不例外，软银在今年 3 月敲定了一笔 400 亿美元的过桥融资以支持OpenAI在AI上的超级生态布局；另据多家调研机构预计，2026 年全球九大云服务商的资本支出合计将突破 8867 亿美元。
但光融钱还不够，市场更关心的是：厂商融到钱后会如何花，重点用到哪些地方？因为这将决定谁能在下一轮技术代差中拿到主动权。
按智谱此次融资公告口径，股份配售与可转债发行两项合计筹资净额约 393 亿港元，而其中约六成、也就是约 235 亿港元，将投向下一代 GLM 与完全自训练体系，以及大规模训练、推理和算力基础设施。
“可转债占大头、还带溢价，说明这轮更偏向长钱。”一位长期跟踪 AI 板块的券商分析师对AI科技评论说，“零息意味着公司即期不用付票息，转股价值被放到后面兑现，适合研发周期长的公司。”
而智谱的这种底气，很大程度来自已经跑通的商业化正循环。
据不久前发布的中期财报显示，上半年智谱收入 9.54 亿元，同比增长 399.7%；其中开放平台及 API 收入 8.25 亿元，同比增长 2736%，在总收入中的占比从 2025 年末的 26.3% 升到 86.5%。按调用计费的云端业务成为收入主体，收入结构不必再依赖项目制交付。
地基打实之后，接下来的重点就落在了把前沿研发继续往前推。
AI科技评论从智谱此次公告中梳理出，下一代 GLM 的研发预算主要投向的几个关键硬仗：
在基座上，提升有效规模，推进超长上下文与原生多模态的端到端统一建模；
在推理深度上，在不显著抬高推理成本的前提下，拉高有效计算深度，强化模型长链条推理与自我纠错能力；
在训练演进方面，继续加码预训练、中训练与后训练，将长程强化学习（RL）的探索空间做大；
在真实场景上，搭建更贴近现实复杂工程环境的任务沙盒。
在AI科技评论看来，这些说法翻成研发语言，主要对应三个方向：
事实上，国内目前多家头部AI大厂，都在暗中训练超大规模模型，Scaling Law 依然是头部AI公司最核心的防线。
所谓 Scaling 迭代，不仅是持续做大基座参数，更包含强化训练深度、推理计算深度以及交互环境复杂度。
在这点上，智谱今年8月发布的 GLM-5.3 便是佐证：通过扩大长程任务环境和后训练规模，其端到端任务完成率提升超过 50%。用实际表现证明了，当前阶段的规模红利仍未撞墙。
众所周知，大模型训练对中断很敏感。过去，由于卡资源紧张，实验往往只能串行排期，项目排队拉长了反馈周期。只有算力充裕、不再充当“节流阀”，迭代节奏才有机会从“两月一跳”走向更密集的敏捷演进。
要知道，节奏快慢本身就是壁垒，模型能力的差距，很多时候体现在一年里能完成多少轮“提出假设、验证、修正”的高质量闭环飞轮里。
公告中提到，本轮募集资金投入的覆盖范围包含训练数据生成与筛选、任务环境建设、长程推理以及底层算力优化。这几项合在一起，落点其实是整条训练管线，而这一价值超出了单一模型的训练。
换基座是周期性动作，管线却是每天都在沉淀和优化的工程资产，这也是大资金沉淀在管线上的核心价值。
“整条管线里，任务环境建设最容易被低估。”一位大模型算法专家对AI科技评论曾分析过，“它不直接体现在单点跑分上，却决定了长程复杂能力的天花板。”要让模型掌握持续数天的真实业务逻辑，训练侧就需要先把工作拆解为可执行、可验证、可复现的环境，涉及集群、存储、文档、代码库的一整套系统对接。
事实上，这类管线建设，今年在几家头部团队身上均有所体现，差别更多在于投入强度和推进速度。
综合以上三个方向，可以看出智谱是想把训练规模、实验频次和工程体系的探索空间都向外拓宽一大圈。
如果说扩充算力与管线是解当下之渴，那么智谱在这笔融资中释放的更前瞻的技术信号，莫过于直指下一代架构的“完全自训练”（Fully Self-Training）。
AI科技评论了解到，目前，在框架和算力相对固定的前提下，大模型训练的核心无外乎三大块：数据、环境、Infra 调优。而这三个环节，目前均出现了由 AI 接管的苗头。
首先，在数据端，让模型“自产自训”的直接诱因是存量见顶。
眼下的一个行业共识是，人工标注的高质量数据和公域可挖掘的数据都接近天花板，而下一代顶级模型需要的是万亿级、高精度的增量数据，于是让模型自己生成、自己筛选，是行业里被讨论得最多的一条路径。
从智谱此前发布的公开信息看，它的解法是让模型交叉校验：一个负责生成内容，另一个负责评审校验，只有通过对抗检验的数据才进入训练集。让数据管线从“采买”转向“自产”。
不过这套方法并非没有风险。“让模型参与训练模型，难点在于怎么证明它产出的东西是对的。”一位接近智谱研发团队的专家向AI科技评论解释，“生成和评审要一起校准，否则两边容易一起跑偏。”行业里对合成数据的争议也一直存在，模型生成的数据用多了会不会带来退化，目前还没有定论。
其次，在任务环境端，交由 AI 构建的动力来自于高昂的搭建成本。
模型需要接近真实专家工作流程的任务环境，越贴近真实，训练信号越贵。让模型自己在真实环境中提取、生成、检验、沉淀，是降低这笔成本的方法之一。
系统调度、推理路径、算子效率，这些过去依赖“老师傅手感”的工作，如今正在被AI“渗透”。据公开资料，GLM-5.3 驱动的 infra agent 已经在协助工程师优化算子、诊断性能瓶颈、改进部署服务栈。
在数据、环境和Infra上，让上一代模型参与下一代模型的训练，这是智谱在今年7月提出“摸高”（Touch High）战略之后，备受关注的一个技术路线。
今年以来，几家头部实验室都在提高后训练与强化学习的算力占比，也在探索用模型生成训练数据、优化训练系统，海外的讨论里会把这种思路称作把研究流程本身自动化。
在AI科技评论看来，智谱与这些方向有明显重合，差别在于它把“完全自训练”写进了公开的战略表述，态度算是比较明确的。
不过，自训练有一个问题是，它很贵：数据要自产，环境要新建，Infra 的自我调优要反复试错，三块都需要算力消耗、人才密度、工程堆叠，都需要钱。
当然，钱只是其中一个变量。时间窗口、对手的迭代速度，任何一个都可能改变结果。“这条路能不能走通，两三年内大概会分出结果。”上述研发专家认为，“现在下结论都太早。”
在不少业内人看来，此次融资，可以看做是智谱后续能力跃迁的起跳点，但最终能不能够到下一代，未来 12 个月是关键观察窗。
一是下一代 GLM 的发布节奏与能力跃迁幅度。GLM-5.3 已经展示过后训练 Scaling 的效果，下一代是否在基座上也有变化，比分数更有信息量。
二是完全自训练的公开信号。数据是否规模自产、任务环境是否成体系、Infra 调优是否由模型主导，这些不易从一次发布里看出来，却会留在工程细节里。
三是算力动向。GLM-5.3-Flash 的匿名测试期流量全部跑在国产芯片上，10 万级国产芯片承载了每日百万亿 Token 的量级。后续国产算力的采购与合作进展，直接决定实验规模能放开到多大。
大模型竞争到最后，比的是一家公司持续训练更强模型的能力。钱到位，至少让这台机器的发动机有了更大的功率。未来竞争如何，让我们拭目以待。雷峰网雷峰网
