大数跨境
首页
>
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」

在 AI「囤粮潮」里，拆解智谱 50 亿美元的「技术账本」 AI科技评论
2026-09-15
6
导读：AI下半场，谁能用钱换来“技术代差”？
AI 下半场，谁能用钱换来“技术代差”？

    作者丨徐晓飞

    编辑丨刘   伟

当前，AI 行业竞争重心已从“能否做出模型”转向“能否持续迭代与突破”。前者依赖灵感，后者则考验组织、产品、资金及战略的综合沉淀。其中，资金作为核心生产要素的“弹药”，成为智谱、字节、阿里、腾讯等头部厂商近期密集融资的关键动因。
9 月 13 日晚，智谱宣布完成约 50 亿美元融资，包含 20 亿美元股份配售及 30 亿美元可转债，所得款项将重点投向模型研发与算力基础设施。此举引发市场关注：智谱为何此时大额融资？资金将如何分配？又将换取怎样的技术壁垒？

两月一次的迭代，是方向也是门槛

AI 长跑的胜负手已变。上半场比拼算法突破，下半场则较量将突破稳定复现的工程能力。这涉及实验排期、数据算力配比及底层集群调度等细节，虽不直接体现于跑分榜，却是决定迭代可持续性的关键。
尽管“持续迭代”已成共识，但能长期稳定执行的厂商寥寥，节奏本身已成为实力的一部分。今年 5 月，谷歌因 Gemini 3.5 Pro 延期陷入争议，暴露了其在编程与 Agent 能力上的短板及迭代节奏的失控。反观国内，智谱自今年 2 月至 8 月，GLM-5 至 GLM-5.3 接连落地，维持平均两个月一次的重要升级节奏。
据 Artificial Analysis 数据，过去 11 个月智谱旗舰模型综合智能指数从 32 攀升至 60，进入全球前沿区间。行业研究员指出，单点高分或源于调参，但连续多代模型的抬升，离不开研发能力、组织效率及工程系统的强力支撑。智谱能按计划连续交付，证明其排产与工程能力已构筑起坚实壁垒。

全行业都在补弹药，智谱这笔怎么花？

储备充足资金已成行业共识。近期，字节敲定约 296 亿美元银团贷款，阿里完成 800 亿港元新股配售，腾讯发行近 47 亿美元债，海外软银亦为 OpenAI 提供 400 亿美元过桥融资。然而，资金用途才是决定下一轮技术代差主动权的关键。
智谱此次筹资净额约 393 亿港元，其中约六成（235 亿港元）将投向下一代 GLM 完全自训练体系及大规模算力基础设施。分析师认为，高比例可转债意味着更偏向长周期研发投入。
智谱的底气源自已跑通的商业化正循环。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 收入占比升至 86.5%，云端业务成为主体，不再依赖项目制交付。
基于稳固的商业地基，智谱将资金聚焦于三大研发硬仗：
1. 基座规模：提升有效规模，推进超长上下文与原生多模态端到端统一建模；
2. 推理深度：在不显著增加成本前提下，拉高有效计算深度，强化长链条推理与自我纠错能力；
3. 训练演进：加码预训练、中训练与后训练，拓展长程强化学习（RL）探索空间；
4. 场景落地：搭建贴近现实复杂工程环境的任务沙盒。
第一，训练规模。Scaling Law 仍是核心防线。智谱 GLM-5.3 通过扩大长程任务环境和后训练规模，使端到端任务完成率提升超 50%，证明规模红利尚未见顶。
第二，实验连续性。充足的算力资源将解除“节流阀”限制，使迭代节奏从“两月一跳”迈向更密集的敏捷演进，通过高频次的“假设 - 验证 - 修正”闭环构建壁垒。
第三，研发体系管线化。资金投入覆盖数据生成筛选、任务环境建设及底层算力优化，旨在打造每日沉淀优化的工程资产。特别是任务环境建设，虽不直接体现于跑分，却决定了模型掌握长程复杂业务逻辑的天花板。

为什么下一站是“完全自训练”？

除扩充算力与管线外，智谱此次融资释放的最前瞻信号是直指下一代架构的“完全自训练”（Fully Self-Training）。在框架与算力相对固定下，数据、环境、Infra 调优三大核心环节正逐步由 AI 接管。
数据端：自产自训应对存量见顶。面对高质量标注数据与公域数据的天花板，智谱采用模型交叉校验机制：一模型生成内容，另一模型评审校验，仅通过对抗检验的数据进入训练集，实现数据管线从“采买”向“自产”转型。
任务环境端：AI 构建降低高昂成本。为获取贴近真实专家工作流程的训练信号，让模型在真实环境中自主提取、生成与沉淀，是降低成本的有效路径。
Infra 端：AI 弥补经验稀缺。系统调度、推理路径及算子效率等以往依赖人工经验的工作，正被 AI 渗透。GLM-5.3 驱动的 Infra Agent 已协助工程师优化算子与诊断瓶颈。
这一“上一代模型参与下一代训练”的路线，与海外实验室自动化研究流程的思路重合，但智谱将其明确写入战略表述。尽管自训练面临高昂的算力、人才及试错成本，且成效需两三年验证，但这已是通往下一代技术的必争之地。

结语

此次融资是智谱能力跃迁的起跳点，未来 12 个月将是关键观察窗，重点关注三个维度：
一是下一代 GLM 的发布节奏与基座变化，这比单纯分数更具信息量；二是完全自训练的公开信号，包括数据自产规模、任务环境体系化及 Infra 调优的模型主导程度；三是算力动向，特别是国产芯片承载百万亿 Token 量级后的采购与合作进展。
大模型竞争终局，比拼的是公司持续训练更强模型的能力。资金到位赋予了引擎更大功率，而最终能否抵达下一代技术高地，时间将给出答案。

未经「AI 科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI 科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。

【声明】内容源于网络
0
0
AI科技评论
聚焦AI前沿研究，关注AI工程落地。
内容 8955
粉丝 0
AI科技评论 聚焦AI前沿研究，关注AI工程落地。
总阅读246.2k
粉丝0
内容9.0k