智谱完成约 50 亿美元融资：投向下一代 GLM 与“完全自训练”体系

据 IT之家 9 月 13 日消息，智谱今日宣布完成约 50 亿美元融资，资金将主要用于下一代 GLM 基础模型研发、完全自训练（Fully Self Training）体系建设，以及大规模训练、生产推理、算力资源和相关技术基础设施的部署升级。来源显示，本轮融资由约 20 亿美元股份配售及约 30 亿美元可转债发行构成。对于正在进入高投入阶段的大模型产业而言，这笔融资的核心看点不只是金额本身，更在于智谱把资金明确投向了模型能力迭代与算力效率提升两条主线。

融资重点：下一代 GLM 与基础设施同步推进

按照公告描述，智谱此次融资将支持下一代 GLM 基础模型的研发，并覆盖训练、推理和算力底座等环节。与早期大模型竞争更强调参数规模和训练数据不同，当前头部模型公司的投入方向已经明显扩展：一方面要继续提升模型在复杂任务、长上下文和推理场景中的表现，另一方面也必须控制训练和线上推理成本。

来源摘要提到，具体投入包括自动化生成和筛选训练数据、构建任务环境、提升长程推理能力，以及国产芯片适配、算子开发和推理优化。这意味着智谱并非只把资金用于单次大规模训练，而是在搭建一套从数据、任务环境、模型训练到部署推理的完整工程体系。对基础模型公司来说，模型能力能否持续提升，越来越依赖底层基础设施和工程优化能力。

• 模型研发：面向下一代 GLM 基础模型，强化训练数据、任务环境和长程推理能力。
• 训练体系：探索完全自训练，让模型参与构建后续迭代所需资源。
• 算力适配：推进国产芯片适配、算子开发和推理优化。
• 生产部署：升级大规模训练与生产推理相关基础设施，提高实际可用产出。

“完全自训练”是什么：让模型参与下一轮模型构建

公告中，智谱将完全自训练描述为下一代 GLM 在上一代 GLM 构建的环境中训练，由此形成递归式自我改进循环。换句话说，上一代模型不仅是对外提供能力的产品，也会成为下一代模型训练过程中的“工具”和“环境构建者”。

这一方向的关键价值在于，模型迭代不再完全依赖人工整理训练资源。通过自动化生成、筛选训练数据，以及构建更复杂的任务环境，模型公司有机会扩大训练样本与任务覆盖范围，并在推理、规划、代码、工具调用等场景中形成更密集的训练反馈。不过，这类路线同样考验数据质量控制、评估体系和安全边界。如果模型生成的数据和任务环境缺乏有效筛选，可能会把错误模式放大到下一轮训练中。

影响解读：大模型竞争进入“能力 × 效率”阶段

从产业角度看，智谱此次融资释放了一个明确信号：大模型公司正在把竞争重心从单点模型发布，转向长期研发体系和算力效率体系的建设。随着模型进入生产环境，推理成本、响应速度、硬件兼容性和稳定性，都会直接影响企业客户的使用意愿。

尤其值得关注的是国产芯片适配和算子开发。大模型训练与推理高度依赖算力基础设施，如果能在国产硬件上获得更好的训练和推理效率，将有助于降低供应链约束，并提高同等硬件条件下的有效产出。对于中文 AI 生态而言，这类投入不仅关乎单家公司模型表现，也关系到国产算力、大模型框架、应用开发平台之间能否形成更紧密的协同。

总体来看，智谱本轮融资指向的是一条更“重工程”的大模型路线：通过完全自训练探索更高效的能力迭代方式，同时通过芯片适配、推理优化和基础设施升级压缩成本。若相关研发安排顺利推进，下一代 GLM 的竞争力将不仅体现在基准测试分数上，也会体现在企业级部署、复杂任务处理和算力利用效率等更实际的维度。