智譜要用50億美元織一張網

字母榜2026.09.14 19:29 · 來自北京全文4459字00:00 / 13:39熱錢湧入，大模型出現泡沫了嗎？文 | 字母榜又雙叒拿到鉅額融資後，智譜正朝著“完全自訓練”猛踩油門。9月13日晚，智譜發佈公告宣佈獲50億美元融資，包括約20億美元股份配售，以及約30億美元可轉債發行。其中，股份配售價為每股714港元，較公告前收盤價折讓約9.96%，配售股份佔擴大後已發行股本約4.50%。可轉債採用零息結構，發行價為本金的100.5%，到期按本金贖回；初始轉股價為每股892.50港元，較配售價溢價25%，較公告前收盤價溢價約12.55%。

根據公告，智譜本輪融資所得款項淨額約六成將用於下一代GLM模型、完全自訓練體系及相關算力基礎設施。其中，“完全自訓練”體系尤為引人關注。將其納入資金用途，意味著智譜計劃向這一前沿領域投入百億級別的資金。智譜此前多次談及完全自訓練。十幾天前，在2026年半年度業績會上，智譜管理層解讀了下一代旗艦模型的技術定位與研發方向，將其定義為完全自訓練，核心特徵是模型具備自進化能力，可覆蓋從預訓練、中期訓練到後訓練的全流程，實現完全自主訓練與自我進化。智譜認為，完全自訓練的最大挑戰是，模型能否實現自我判斷，自主把控訓練停止時機、自主完成錯誤修正。

自訓練是當前最火熱的AI概念之一，也是最有想象力的模型迭代範式。智譜提出的完全自訓練，以及其他模型公司的類似技術願景，短時間內都離不開人類的頻繁干預和引導。但這套範式發展成熟後，有望在最關鍵的遞歸性上取得突破。屆時，AI將不再僅僅是人類訓練的被動產物，而是深度參與甚至接管模型的訓練、評估與優化，形成“模型A訓練更強的模型B，模型B繼續迭代模型C”的遞歸閉環。完全自訓練被視為模型自我迭代的初級階段和必由之路，也吸引了包括智譜在內的幾乎所有主流模型公司深入探索。在本次融資中，明確豎起完全自訓練大旗的智譜，得到了全球資本的熱情支持。

但烈火烹油、鮮花似錦的盛景背後，人們難免會有疑問：熱錢湧動的AI投融資，是否已經出現泡沫？01截至目前，AI行業對於模型完全自訓練的探索頗為積極。但客觀地說，AI行業距離真正實現這一目標還十分遙遠，大都處於概念驗證和半閉環的階段。比如，OpenAI曾披露，GPT-5.6 Sol已能在模糊指令下自主調度並完成小模型Luna的後訓練全流程。Anthropic則發佈了一份題為《當AI構築自身》的報告。在國內，字節、阿里、騰訊、DeepSeek等公司都在探索自動化訓練，不少成果已經落地應用。以智譜為例，它嘗試通過模型自我對弈生成數據，交由其他模型評審驗證，篩選後的數據再投入訓練流程。此外，GLM-5.

3驅動的Infra Agent，能夠自主修正國產芯片的推理優化方案，顯著提升效果。這些技術都帶有自訓練的部分特徵。但對於“完全”自訓練，尚無一家公司敢說已經達成。國內外模型廠商願意談論自訓練，具體措辭、技術路徑和產品形態略有不同，但核心流程都是人類事先設定目標與約束，AI自動完成數據生成和篩選，再訓練、評估和迭代新模型。但這一流程的真正難點在於在於遞歸性，也就是AI不依靠人類指引，就能通過一輪又一輪的訓練，做到“一代更比一代強”。這也意味著，現階段難以轉動遞歸飛輪的自訓練方案，無論模型公司冠以何種名詞進行包裝，終歸只是藉助自動化技術，對舊範式加以改進，而非邁入了新的領域。

此外，終極形態的自訓練還有許多難點尚待攻克，比如自我美化、高估自身的模型自評估悖論，遞歸越多、性能越差的模型坍縮，以及多輪迭代下價值觀和目標緩慢跑偏的對齊漂移等。這些問題都不是一朝一夕就能夠取得突破，也不是某一兩家公司擔負得起的重任。不過，現階段仍需要人類輔助和指引的自訓練，絕非毫無價值。這就像“智能輔助駕駛”和真正的自動駕駛的關係：“有人”自訓練是完全自訓練的前置基礎設施，也是一種值得驗證的工程實現路徑。正因為如此，智譜才會在短短半個月內，分別在財報電話會和融資公告中，兩度提及完全自訓練，併為之安排專門的資金。

只不過，與其他AI公司的自訓練方案類似，智譜構想中的完全自訓練體系，並不能短時間內一蹴而就。在現有技術棧的基礎上，進一步補齊自動化訓練底座，才是更合理的目標。這樣做的好處是，短期可以降低模型基座迭代的人力成本，提升模型的數據質量和迭代速度。中長期則可以嘗試搭建遞歸飛輪的基礎軟硬件環境，為未來突破打下基礎。儘管整條賽道頗為喧囂，充滿想象空間的自訓練仍然沒能真正走出實驗室。智譜加大投入，本質是為日後的高階探索打下工程底座，只能算是長跑的第一步。02智譜此次融資另一個值得關注的信息是，它把“算力基礎設施”作為三大主要投入方向之一，與新模型和完全自訓練體系並列。今年以來，智譜在算力方面動作頻頻。

這折射出模型公司的新趨勢：深入算力層，而非停留在模型層和應用層。7月有消息稱，智譜已建成一座1GW數據中心，並部分投入運營，全部採用國產AI芯片，主要用於GLM系列模型研發。此外，公司同時運營多個萬卡級計算集群。除了構建算力集群，智譜還試圖通過軟件優化，提升芯片利用效率。今年6月，智譜花費約3億元，收購異構算力軟件公司中科加禾60%股權。這家公司專攻編譯器、虛擬指令集和推理引擎，可以統一適配不同架構的國產芯片。此外，智譜還通過量化、PD分離、Layer Split、混合緩存等優化手段，讓同一套國產硬件的端到端性能較初始基線提升約3倍。最新發布的GLM-5.

3-Flash，藉助線性加稀疏混合注意力，把長上下文的計算量壓到原來的三分之一，KV Cache 縮到四分之一多。一番“軟硬兼施”後，智譜所謂“算力乘數”（每投入1元算力對應的API收入）比去年上半年提升約14倍。隨著50億美元新融資的到位，智譜計劃繼續推進和放大算力層的動作。而這部分持續投入，正在逐漸改變智譜的戰略生態位。以前，智譜是較為純粹的模型公司，主要消耗算力、產出token。但現在，智譜正試圖描繪新的未來圖景：它不光消耗算力，也要自持算力，甚至輸出算力。原因在於，過去半年多，全球結構性算力緊缺並未得到真正緩解，反而愈演愈烈。

AI行業正在經歷一場多維變局：agent時代的到來，AI coding成為主流場景，乃至視頻生成等多模態應用的興起，都讓token消耗量猛增，進而傳導至上游的算力供給方。在此背景下，以MaaS形態賣API的模型公司，非常有必要從源頭上牢牢掌握token供給。只有把token放在自己手中，才能更好地滿足不斷膨脹的用戶需求，並製造足夠豐厚的利潤空間。更何況，無論是超大規模參數模型的預訓練，還是對模型性能影響與日俱增的後訓練，都需要穩定而充裕的自有算力。對於完全自訓練及其他未來願景的追逐，同樣需要算力作為後盾。

智譜既要做token生意，滿足當下需求，又要做新一代基模、推進完全自訓練，構築未來的想象空間。拿到融資後，加速搭建自有算力底座，也就順理成章。再往下一層，智譜不僅要做算力，更要讓算力、工程和模型研發咬合成一張網。在算力層，智譜選擇自建數據中心，還被傳出探索評估自研定製芯片，目標都指向了長期、穩定、可自主調度的算力池。而在工程側，智譜的一系列軟硬件協同優化，都是為了讓同樣的卡能跑更多任務。到了模型研發環節，智譜此次重點押注的完全自訓練，可以讓模型參與生成數據、構建任務環境、自我驗證，逐漸邁向自動化改進閉環，從而間接提升算力利用效率。在智譜的哲學裡，算力是必要前提，但不是唯一決定項。

真正有決定意義的，是算力供給、工程效率和訓練方法三者的乘積。最新融資把算力基礎設施作為投入重點，但這並不是孤立行動，而是嵌入整體策略，與軟硬件技術迭代協同並進。03今年以來，國內外AI頭部公司均連續獲得大額融資。OpenAI今年4月完成約1220億美元融資，Anthropic一個月後完成650億美元融資。智譜今年1月登陸港交所後，7月配售約40億美元、9 月再融約50億美元；MiniMax上市後，7 月完成約160億港元再融資。未上市的頭部公司中，DeepSeek於6月完成首輪外部融資，募資超500 億元人民幣。資金正以前所未有的規模和速度湧向頭部模型公司。

但金額增長之外，更值得關注的是AI公司用錢方式的變化。在移動互聯網時代，乃至AI時代的“上半場”，一級和二級市場的資金，往往是創業公司“打仗”的彈藥，燒錢成為普遍現象。在AI行業，資金一度向C端集中，被用於為AI App做宣傳、拉客戶，儼然把移動互聯網時代的玩法復刻到了AI賽道。但在經過一段時間的激戰後，越來越多的AI公司意識到，AI不相信燒錢——用戶並不會因為補貼而留下來，而強行做上去的用戶數據，也不會帶來持久的競爭壁壘。今年以來，AI公司紛紛調整花錢策略，重B端、輕C端是大勢所趨。一方面，多數公司仍保留C端產品作為流量與口碑入口，但不再是主要投入方向，更不會再主動挑起補貼大戰。

那些虧損嚴重、看不到盡頭的業務被放棄，尤其是多模態服務；OpenAI甚至捨棄了名噪一時的Sora。另一方面，AI公司對於B端的投入大幅增加。在模型和應用側，AI coding、AI辦公等成為重心，既有對模型的專門優化，也有落地產品矩陣的大幅調整。而在算力側，最突出的變化之一是，模型公司從單純的算力使用者，逐漸變成算力基礎設施建設者和擁有者。這其實也是加大B端投入的一種體現。AI公司調整花錢結構的同時，資本放大了對整個行業的押注規模。兩者的正相關，反映了資金對於這場全行業大調整的認可和期許。

甚至可以說，現在能夠大筆拿錢的公司，並不是說當下業績吸引了投資者，而是其技術方向、發展戰略和長期願景，打動了投資者，吸引了資金下注。與此同時，頭部公司在資金成本較低、比較容易獲得大額融資時，大手筆吸納資金，從而提前鎖定算力、電力和人才，也是在為未來融資環境可能轉冷做續航儲備。2026年之前，投資模型公司的關注點是，能否擊敗對手、成為C端賽道第一名。而在這套邏輯下，資本熱錢總是會面臨燒錢和泡沫的質疑。如今，資本押注模型公司，資金體量更大，反而不太有“泡沫感”了。他們看得更長遠，也願意保持更大耐心，但也會以愈發嚴苛的眼光，檢驗模型公司的每一塊錢能夠換回多少有效迭代、付費收入和長期算力。

對於AI公司來說，中短期目標很重要，但長期願景和實現路徑更重要。能否跑通“高投入—新模型—更多收入—繼續高投入”的長期循環，才是得到資本市場認可的黃金標準。