从免费学术搜索工具到顶尖大模型公司，智谱公司瞄准山顶

2026年7月，全球最大的人工智能开源社区


Hugging Face




（国内网友戏称为






“






抱抱脸






”






）突然发布了一则安全通告，称自己遭遇了一次特殊的






“






入侵






”






。

令





Hugging Face尴尬的是，这次闯进生产系统的不是传统意义上的黑客，而是一个由OpenAI模型驱动的自主智能体。

这个智能体原本在执行内部网络安全测试，却突破隔离环境，进入互联网，直接在





Hugging Face留下了超过1.7万条操作记录。

Hugging Face曾试图调用美国商业大模型协助调查，但日志里的恶意代码和攻击指令触发了对方的安全护栏，分析被迫中断。

最终，安全团队转而使用内部部署的


中国智谱







A





I







的






模型





GLM-5.2，才得以在几小时内完成原本需要数天的日志分析工作。

一家以中国政企客户为主要收入来源的





AI公司，为什么能在这样一场全球AI安全事件中成为





“






救火队长






”






？

这事，得从二十年前清华校园里一个免费的学术搜索工具讲起。

1

一套免费学术搜索，如何成长为一门大生意

2006年，唐杰从清华大学计算机系博士毕业





后






，选择留校。

他本科读的是自动化，后来因为喜欢编程转到了计算机，读博期间又扎进了语义网络和数据挖掘。

正是






跨领域的积累






，






让他






始终在思考






一个问题：


能不能顺着论文、作者和学术关系这张网，挖出






相关






科研活动背后的规律？

彼时，






论文大多是散落在网上的一份份孤立文档。某位学者和谁合作过、一项技术从哪里兴起、哪些人






又






在影响这个领域






，通过






普通搜索引擎根本看不出来






，使得很多研究既重复，又缺乏相关的理论和实践支撑。

于是，唐杰带着助手开始系统性地收集论文、作者、机构、专利和引用关系，再通过算法把这些碎片拼接成一张知识网络，最终在清华实验室研发出了





Aminer







。

表面上看





AMiner只是一个搜索框，





可






用户输入研究方向后，看到的就不只是论文列表






，而是可以






顺着作者、机构和引用链条






，






发现谁在研究、谁和谁长期合作、某个技术热点最早是从哪冒出来的。

这正是唐杰真正想做的事，通过算法将那些在普通搜索看不见的关系搜寻并关联起来。而这套后来被称为






“






科技情报






”






的能力，也成了智谱最早的技术底子，支撑着他们从海量材料里找出关系，再把结果变成






人人可以直接






用的答案。

由于





AMiner上线后





实行






免费开放，几年内就传遍






国内






各大高校和研究机构，甚至延伸到了海外。但访问量暴涨的同时，服务器和维护成本也跟着水涨船高。

这也使得






很长一段时间里，唐杰每天泡在代码里修修补补，






甚至还






专门雇了一名工程师维持系统运转。

可随着






免费用户源源不断地涌进来






，看着不断上涨的






开支，唐杰






一度想将





AMiner





关闭得了。

转机来自一次海外交流。国外同行告诉唐杰，





AMiner帮他们省下了大量寻找论文和同行的时间。这些话让他





深受鼓舞，觉得






这事值得继续做下去。

用户






虽然离不开





AMiner，但





运营依然离不开资金。

好在






，






很快就有人






来谈合作了。






最早找上门的是






带着






科研项目






的研究者






，






需






要从海量论文作者中筛出合适的评审专家






；紧接着是一些






地方政府，想






借助





AMiner判断技术趋势





；还有企业，想通过






着论文和专利去






找合作伙伴。

于是，






唐杰






将





AMiner





开发出了免费版和收费版，前者继续服务普通用户，后者则针对






政府、科研机构和科技公司






，提供更为深度和专业的信息情报。

数年间，






一套服务学者的免费工具，






逐渐成长为






一门面向机构客户的生意






，并组建出更为成熟的团队。

张鹏就是在这段时间加入





AMiner团队的。他1998年考入清华计算机系，从本科、硕士一路读到博士，毕业后留校工作。

与他同期汇集而来的还有其他几位创始人。李涓子和许斌长期深耕知识图谱、语义计算与科技情报；刘德兵从中科院计算所博士毕业后，曾在





Technicolor中国研究院任职，随后进入清华；王绍兰则带着多年的科技企业经营经验加入。

2019年6月，AMiner从清华实验室正式拆分，智谱





A





I成立。


唐杰、刘德兵、张鹏、李涓子、许斌和王绍兰六人成为核心创始团队。

公司成立后，分工很快明确下来。张鹏负责系统研发和工程落地，把实验室里的算法变成客户能长期使用的产品；李涓子和许斌将知识图谱研究补进技术底座；融资、资源分配和经营决策则由刘德兵与王绍兰担起来。

此时智谱虽然已经开始盈利，但本质上仍然是一款学术搜索引擎，跟当时刚刚崭露头角的大模型还不是同一个物种。

但





GPT-3的出现





，还是






让团队开始认真思考一个问题：


能不能把过去






十多年的






积累压缩成一套通用






大






模型，






将






分散在搜索、问答、翻译和代码里的能力全部收拢进来？

但问题是，相比那条已经在赚钱的赛道，大模型在当时充满了不确定性。






是否






改换方向，去赌一件成本极高、结果未知的事






，成为






公司成立后的第一道大题。

2

为什么偏偏选择最难的路

经过几次讨论，智谱还是






选择了改变方






向。

而






促使他们下定决心的






是，





ChatGPT带来的





巨大






冲击。团队意识到，那种每换一个行业就重做一遍算法的旧生意，






随时都可能被某个






通用






大






模型彻底终结。

在过去模式下，






人脸识别装进安防系统是一套算法，知识图谱嵌入政务软件又是另一套，场景一换，产品和算法全得重来。

而






大模型






则






展示了另一种可能。只要模型足够大、训练数据足够多，一套系统就可能同时处理问答、写作、翻译和代码等不同任务。






这意味着，






过去需要为每个场景训练一套模型的做法，第一次可能被通用模型替代。

对刚成立一年的智谱来说，这是一个既诱人又危险的方向。

由于





AMiner已经能够产生收入，继续做知识服务，技术与客户都在熟悉范围内。





而






训练通用大模型则要重新搭建算法、购买算力、招募人才，投入远远超过一家初创公司的承受能力。

更麻烦的是，





GPT、BERT和T5等主流框架全都捏在海外团队手里。沿用现成的，成本低、见效快；





如果选择






从底层另起炉灶，可能花上几年，最后还是追不上对手。

最终，智谱选择了后一条路。

根据讨论，团队






把不同预训练方法的优势整合起来，开发






出






自己的通用语言模型框架






——GLM。通俗点说，GPT主要学的是根据前文续写，而GLM还要理解被遮住的上下文，在续写、填空和语义理解之间找到一套统一的方案。

这个决定也重新划分了创始团队的角色。

六人中，






唐杰把控技术方向，张鹏






负责将






研究成果变成能训练、能部署、能交付的工程系统，刘德兵担任董事长，统筹战略、资源和整体管理。

可以说，






智谱






的决策






从一开始就不是由某个创始人发布，而是






由这群长期磨合的研究者和工程人员共同推动。

2021年，





智谱






发布了百亿参数模型





GLM-10B。第二年，团队决定把参数量拉到1300亿。

规模扩大了十几倍，训练难度却远不止翻十几倍。

整整两个月的训练里，硬件






不仅






随机宕机，模型






也会毫无征兆地崩溃，






显存






也总是在






意想不到的地方被耗尽






，






反复调试






后问题也难以得到解决。

甚至很多时候，由于






训练突然






中断，团队连上一次保存的检查点都恢复不了，只能排查数据和代码后从头再来。

这些故障永远不会出现在发布会的大屏幕上，但






却考验出一家






公司是否真的具备训练大模型的能力。

2022年，GLM-130B正式完成训练并向全球开发者开放。为了让这个千亿参数模型真正能被用起来，团队还想方设法让它在配置受限的GPU服务器上跑通了推理。

开放权重、降低部署门槛，也从这一刻起成为了智谱技术路线的一部分。

同年，






智谱






又推出了代码模型






CodeGeeX




。和其他应用场景不同，代码生成的效果可以直接跑出来验证，






不仅效率高还能精准






衡量






，






很早就被






公司






纳入






到了






产品矩阵。

但那时的





CodeGeeX还只是一款开发辅助工具，远谈不上公司的商业解法。真正让GLM走出科研圈、走进普通人电脑的，是2023年3月发布的ChatGLM-6B。

这是一个经过压缩的






开源模型，






参数量不算最大，一张消费级显卡






即可






在本地运行。对于当时刚刚接触大模型的中国开发者来说，不需要等海外接口，也不必租昂贵服务器，一台装着





3090或4090的电脑就能





调用。

使用






门槛一降，大量中文垂直模型、个人实验和企业原型如雨后春笋般涌现。






可免费






开源给智谱带来了庞大的开发者群体，也把





GLM送进了更多企业的测试环境





，






问题也随之而来。模型可以免费下载，可






每次






训练消耗的芯片、电力和工程师的时间






都是巨大成本。

于是，转型后的智谱又遇到新的问题：如何用






一套开放模型






，来






养活一家大模型公司






。

3

四年亏掉86亿元，智谱怎么留在牌桌上

对智谱来说，免费依然是屡试不爽的策略






——先让模型开源，开发者用起来，再把其中需要本地部署的机构客户转化为付费项目。

这其实也藏着当初智谱坚持从头开发模型的重要原因。

对于






银行、运营商、政府部门和大型制造企业






来说，平时使






用大模型






，出于安全考虑，通常不会随意






打开一个公共网页。

而且，由于






内部文件不能随意传出，数据






也






不能离开机房，






所有






模型必须部署在






本地，再






接进已有的业务系统。

这种体制的需求和消费级产品完全不同。

这意味着，






智谱早年服务






于






科研机构和大企业






的政务客户经验，恰恰在大模型时代成为了独家优势。

因此，






主动找上门的企事业单位络绎不绝。和其他大模型公司相比，智谱






A





I在处理这类需求时





，格外清楚如何服务这些需求独特的机构。

最直接的例子是





2024年与邮储银行的合作。智谱将经过微调的ChatGLM接入银行反洗钱系统，读取交易流水、客户身份和账户信息，提取异常特征并生成报告初稿，再交由甄别人员复核。整个过程中，模型既嵌入了银行原有的风控流程，又始终留在客户自己的环境里。

而






本地化部署






也






由此成为智谱最重要的收入来源。





2025年，公司实现营收7.24亿元，其中约5.34亿元来自本地化部署，占比73.7%。

这意味着，






智谱每收到





10元钱，超过7元来自需要进入客户现场的项目。

可对智谱来说，来自体制内的合同虽然单笔金额大、利润高，但做一单是一单，很难批量复制。因为其中的每个客户都得单独接待和服务，收入增长基本取决于能同时接多少个项目。

相比之下，面向大众的云端模型服务看起来更容易做大






——客户按次付费，用量越多收入越多。可问题在于，这条路赚的是“






薄利多销






”的






钱，而国内厂商一直在打价格战，单次调用的利润已经被压到了极薄。

更麻烦的是，






收入






虽然一直在






增长，






需要支付的成本也在直线飙升。

2022年至2025年，智谱四年累计净亏损约86.08亿元，平均一天接近590万元。仅2025年，研发投入就达到31.8亿元，而当年收入只有7.24亿元





。这意味着，公司






每进账





1元，对应的研发支出





就






超过





4元。

整个






研发费用里最大的一块






，依然是






算力






。





2024年，智谱





为了






买算力花了





15.53亿元，接近当年3.12亿元收入的五倍。

没办法，






服务器一旦开始训练就得连续跑数周，中途若出故障，已经烧掉的芯片时间和工程师工时都收不回来。

这也解释了智谱为什么没有参与





2024年大模型行业最激烈的投流大战





。

当时，多家公司投入大量营销费用争夺聊天机器人用户。智谱






内部






也讨论过是否跟进，最后






还是将






有限






的






资金继续投向模型。

刘德兵后来承认






，也是因为资金不足，智谱虽然也






较早看到了手机智能体和







“


芯算一体




”的方向







，但也只能忍痛放弃。

这






其实也映射出国内很多独立






大模型公司的






尴尬处境。

面对耗费巨大的研发和算力成本，互






联网巨头






还可以






用广告、电商、云计算等业务






来






补贴，






而






智谱






这样的企业只能






靠融资和正在增长的模型收入






勉强维持运营。

想






要继续留在牌桌上，智谱比过去任何时候






都需要资本。而随着






大模型烧钱的速度越来越快，一级市场已经很难独自






撑住






。

于是，






智谱向港交所






正式






递交了上市申请。

4

山顶还没看见，“买路钱”却不能断

2026年1月8日，智谱以每股116.2港元登陆港交所，成为全球首家以通用大模型为主营业务的上市公司。

公开市场给出的价格为





43.5亿港元





，






折合人民币约





38.6亿元





。

钱看着不少，可实际






还不到智谱过去四年累计亏损的一半。按照公司目前的研发强度，这笔






资金






更像下一段路的






“






盘缠






”






，还远不到可以停下来数钱的时候。

上市






也给






智谱






抛出了新的






考题。

在一级市场，投资人可以用五年甚至十年等待技术兑现。可到了公开市场，股东每天都能看到股价，每个财报季都要重新计算收入、毛利、亏损和现金消耗。

而大模型行业技术迭代极快，模型榜单上一次领先能推高估值，竞争对手发布一个更强的模型，都会迅速改变市场预期。

这也是为何






智谱上市后的半年里，股价一度冲到万亿港元市值附近，随后又在股份解禁、配售以及





Kimi K3发布等多重因素作用下大幅回落





的原因。截至最近时点，智谱公司的市值为4560亿人民币，不足高峰时期的5成。

而






市场用脚投票，本质是在问同一个问题：技术还在进步，但






何时






能变成稳定






的






收入？

智谱给出的阶段性答案是






：






代码。

CodeGeeX早在2022年就已推出，





可






直到智能体开始执行复杂任务阶段，它的商业价值才真正显现。

原因在于，当模型能够理解更长、更复杂的指令时，代码生成就不再只是补全一行代码，而是可以独立完成一整块功能的开发模块。

一旦模型的产出变得可量化、可验收，企业就能把代码生成的效果折算成具体数字，比如调用了多少次、通过了几次测试、省下了多少开发和返工时间。只有算得清账，企业才愿意真金白银地为其付费。

而相比每个客户都要重新部署交付的项目，代码调用更接近可以重复出售的标准服务，也更能发挥智谱在本地化部署和工程落地上的积累。

因此，当






智谱把更多研发力量转向代码和智能体后，





GLM的调用量随之增长，这门





早年埋下的






业务终于变成了






潜力巨大的生意






。

可唐杰






对智谱的规划，






并没有停在代码生成上。

2026年7月11日，他在内部信《巨浪已来》中





明确






提出了为期两年的






“






摸高






”






计划






，希望未来的模型接下持续数周甚至数月的任务后，能自己拆解步骤、调用工具、检查结果，并在更少人工干预的情况下完成工作。

在这个设想里，代码只是智能体可以调用的一件工具，






但






智谱想做的，仍然是能够独立处理更长任务的通用模型。

可任务越长，消耗的算力越多，对数据安全和系统稳定性的要求也越高。这意味着，代码生成刚刚让商业化变得清晰一些，智谱又把自己拽回了投入更重的技术路线。

事






实上，唐杰这种






“






看不到山顶就停不下来






”的






状态，早在做





AMiner时就出现过。当时平台的主要算法在2007年前后已经能够运行，他却持续打磨了8年，直到2015年才认为取得阶段性成果。

他






自己也将这种






研究态度概括为：科研像登山，不登顶就是失败。

但实验室里的登山，研究者可以自己决定往哪走、走多快。成为上市公司以后，智谱每向上一步，都得有人替算力、工程师和下一轮训练买单。山顶还没看见，






“






买路钱






”






却不能断。

之前





Hugging Face的安全事件，





不仅






给智谱






的





GLM-5.2带来了一场现实检验，也顺带成了一次极有说服力的公开背书。

这背后，是





AMiner时代的信息处理能力、GLM时代的开放路线





，以及






政企市场磨出来的工程经验，在这一刻汇到了一起。

但仅仅一次的漂亮任务，还不足以构成壁垒。在技术日趋成熟的今天，任何模型能力都可能在几个月内被追平，客户也会转向更便宜、更好用的产品。

对于智谱来说，只有把这些偶尔出现的技术高光变成能够重复收费的产品，才能维持继续登顶的






“






买路钱






”






。

从





AMiner到GLM-5.2，智谱走了二十年。团队从处理学术论文起步，一路走进大模型竞争，并在Hugging Face的安全事件里，完成了一项商业闭源模型没能接下的任务。

接下来，智谱还会继续向





AGI推进。但想继续登顶，依然得先过客户和现金流这关。

（转载自：砺石商业评论）