智谱启动“Touch High 摸高计划”：继续押注 AGI 研究，淡化短期商业变现

据 IT之家 7 月 11 日消息，晚点 LastPost 报道称，智谱创始人唐杰今日发布内部信，系统阐述公司对下一阶段 AGI 竞争的判断，并宣布开启 “Touch High（摸高）计划”。按照内部信表述，智谱将延续其所谓“反直觉”路线，把资源继续集中在 AGI 基础研究与下一代模型能力突破上，而不是优先追求短期商业变现。

这封内部信的核心信息是：智谱认为当前 AI 竞争的关键不只是产品形态或商业模式，而是“智能上界”的持续抬升。唐杰在信中强调，通往 AGI 的道路上存在几座必须翻越的技术山峰，包括长程任务能力、完全自治智能体系统、自我训练以及极致安全治理。其中，极致安全治理被特别强调，智谱计划投入百亿级资源攻坚机械可解释性，试图厘清模型决策背后的神经元逻辑，推动大模型从黑盒系统走向透明可解释系统。

“反直觉”路线：从商业化窗口转向基础模型攻坚

从内部信内容看，唐杰将智谱的公司特质概括为“本质、反直觉、专注”。他回顾了智谱从实验室背景成长而来的路径，包括早期学术搜索系统、大模型 GLM-130B 等关键选择，并将这些选择归纳为不追逐短期风口、而围绕长期技术问题持续投入。

值得注意的是，内部信提到，在智谱 2026 年 1 月 8 日 H 股上市之后，公司将其视为新的起点，并选择“全面回归基础模型研究”，冲击下一代模型。对于一家已经进入资本市场视野的 AI 公司而言，这一表态释放出明确信号：智谱希望在 AGI 竞赛中优先争夺技术高度，而不是把资源重心放在眼前收入增长或行业项目扩张上。

唐杰在信中还提出，AGI 不应被理解为单个“天才”的智慧，而应接近全人类智慧水平的总和，并具备创造重大原创知识的能力。这一表述延续了当前前沿 AI 公司对通用智能的高标准定义，也意味着智谱对模型能力的目标不止于更强问答、更长上下文或更好工具调用，而是指向更深层的推理、创造与自主学习能力。

四座技术山峰：智能体、自训练与安全治理成为焦点

按照内部信描述，智谱认为 AGI 路线上的关键挑战集中在几个方向：

• 长程任务能力：模型需要从即时问答走向跨更长周期的规划、执行与反馈，例如持续完成复杂软件安全分析等任务。
• 完全自治智能体系统：在长程任务基础上，智能体可以自主驱动、协同工作并持续运转，形成新的自动化生产力形态。
• 自我训练：模型不只依赖人工标注和外部数据，还要具备更强的自我迭代、自我评判与持续学习能力。
• 极致安全治理：通过机械可解释性等研究，理解模型内部决策机制，降低黑盒系统在高风险场景中的不确定性。

其中，安全治理被放在非常突出的位置。大模型越接近通用智能，其行为越复杂，越需要可验证、可解释、可约束的机制。所谓机械可解释性，关注的是模型内部神经元、特征与决策链条之间的关系。如果这一方向取得突破，将有助于解释模型为什么给出某个答案、为何采取某种行动，也可能为金融、医疗、政务、科研等高可靠场景打开更大空间。

影响解读：AGI 公司正在从“应用竞争”回到“上界竞争”

对中文 AI 产业而言，智谱这封内部信的意义不只是一家公司的战略表态，也反映出大模型行业正在出现新的分化。一类公司把重点放在应用落地、行业解决方案、AI 办公与企业自动化；另一类公司则继续加码基础模型、智能体架构和安全对齐，试图在更底层的能力边界上获得优势。

这两条路线并不必然冲突，但资源分配逻辑不同。短期商业化更看重产品体验、交付效率和成本控制；AGI 研究则需要长期投入算力、人才和基础科学问题。智谱选择强调“摸高”，意味着其判断是：下一阶段 AI 的决定性机会仍来自模型能力跃迁，而非现有能力的包装和分发。

当然，长期研究路线也面临现实挑战。AGI 仍缺乏行业统一定义，长程任务、自治智能体和自我训练都处在快速演进阶段，安全可解释性更是全球范围内的前沿难题。智谱提出百亿级资源投入，显示其对该方向的重视，但最终能否转化为可验证的模型能力和产业优势，仍需后续产品、论文、评测与实际应用来证明。

总体来看，“Touch High 摸高计划”可以被视为智谱在上市后对自身定位的一次再确认：不把大模型只当作商业工具，而是继续围绕 AGI 的关键技术高地进行长期攻坚。对开发者、企业用户和产业观察者来说，接下来值得关注的是，智谱能否在智能体自治、模型自我训练以及可解释安全治理上拿出可复现、可落地的进展。