本文来自微信公众号： 字母榜 ，作者：彦飞
又双叒拿到巨额融资后，智谱正朝着“完全自训练”猛踩油门。
9月13日晚，智谱发布公告宣布获50亿美元融资，包括约20亿美元股份配售，以及约30亿美元可转债发行。
其中，股份配售价为每股714港元，较公告前收盘价折让约9.96%，配售股份占扩大后已发行股本约4.50%。
可转债采用零息结构，发行价为本金的100.5%，到期按本金赎回；初始转股价为每股892.50港元，较配售价溢价25%，较公告前收盘价溢价约12.55%。
根据公告，智谱本轮融资所得款项净额约六成将用于下一代GLM模型、完全自训练体系及相关算力基础设施。
其中，“完全自训练”体系尤为引人关注。将其纳入资金用途，意味着智谱计划向这一前沿领域投入百亿级别的资金。
智谱此前多次谈及完全自训练。
十几天前，在2026年半年度业绩会上，智谱管理层解读了下一代旗舰模型的技术定位与研发方向，将其定义为完全自训练，核心特征是模型具备自进化能力，可覆盖从预训练、中期训练到后训练的全流程，实现完全自主训练与自我进化。
智谱认为，完全自训练的最大挑战是，模型能否实现自我判断，自主把控训练停止时机、自主完成错误修正。
自训练是当前最火热的AI概念之一，也是最有想象力的模型迭代范式。
智谱提出的完全自训练，以及其他模型公司的类似技术愿景，短时间内都离不开人类的频繁干预和引导。
但这套范式发展成熟后，有望在最关键的递归性上取得突破。届时，AI将不再仅仅是人类训练的被动产物，而是深度参与甚至接管模型的训练、评估与优化，形成“模型A训练更强的模型B，模型B继续迭代模型C”的递归闭环。
完全自训练被视为模型自我迭代的初级阶段和必由之路，也吸引了包括智谱在内的几乎所有主流模型公司深入探索。
在本次融资中，明确竖起完全自训练大旗的智谱，得到了全球资本的热情支持。但烈火烹油、鲜花似锦的盛景背后，人们难免会有疑问：热钱涌动的AI投融资，是否已经出现泡沫？
截至目前，AI行业对于模型完全自训练的探索颇为积极。但客观地说，AI行业距离真正实现这一目标还十分遥远，大都处于概念验证和半闭环的阶段。
比如，OpenAI曾披露，GPT-5.6 Sol已能在模糊指令下自主调度并完成小模型Luna的后训练全流程。Anthropic则发布了一份题为《当AI构筑自身》的报告。
在国内，字节、阿里、腾讯、DeepSeek等公司都在探索自动化训练，不少成果已经落地应用。
以智谱为例，它尝试通过模型自我对弈生成数据，交由其他模型评审验证，筛选后的数据再投入训练流程。
此外，GLM-5.3驱动的Infra Agent，能够自主修正国产芯片的推理优化方案，显著提升效果。这些技术都带有自训练的部分特征。
但对于“完全”自训练，尚无一家公司敢说已经达成。
国内外模型厂商愿意谈论自训练，具体措辞、技术路径和产品形态略有不同，但核心流程都是人类事先设定目标与约束，AI自动完成数据生成和筛选，再训练、评估和迭代新模型。
但这一流程的真正难点在于在于递归性，也就是AI不依靠人类指引，就能通过一轮又一轮的训练，做到“一代更比一代强”。
这也意味着，现阶段难以转动递归飞轮的自训练方案，无论模型公司冠以何种名词进行包装，终归只是借助自动化技术，对旧范式加以改进，而非迈入了新的领域。
此外，终极形态的自训练还有许多难点尚待攻克，比如自我美化、高估自身的模型自评估悖论，递归越多、性能越差的模型坍缩，以及多轮迭代下价值观和目标缓慢跑偏的对齐漂移等。这些问题都不是一朝一夕就能够取得突破，也不是某一两家公司担负得起的重任。
不过，现阶段仍需要人类辅助和指引的自训练，绝非毫无价值。
这就像“智能辅助驾驶”和真正的自动驾驶的关系：“有人”自训练是完全自训练的前置基础设施，也是一种值得验证的工程实现路径。
正因为如此，智谱才会在短短半个月内，分别在财报电话会和融资公告中，两度提及完全自训练，并为之安排专门的资金。
只不过，与其他AI公司的自训练方案类似，智谱构想中的完全自训练体系，并不能短时间内一蹴而就。在现有技术栈的基础上，进一步补齐自动化训练底座，才是更合理的目标。
这样做的好处是，短期可以降低模型基座迭代的人力成本，提升模型的数据质量和迭代速度。中长期则可以尝试搭建递归飞轮的基础软硬件环境，为未来突破打下基础。
尽管整条赛道颇为喧嚣，充满想象空间的自训练仍然没能真正走出实验室。智谱加大投入，本质是为日后的高阶探索打下工程底座，只能算是长跑的第一步。
智谱此次融资另一个值得关注的信息是，它把“算力基础设施”作为三大主要投入方向之一，与新模型和完全自训练体系并列。
今年以来，智谱在算力方面动作频频。这折射出模型公司的新趋势：深入算力层，而非停留在模型层和应用层。
7月有消息称，智谱已建成一座1GW数据中心，并部分投入运营，全部采用国产AI芯片，主要用于GLM系列模型研发。此外，公司同时运营多个万卡级计算集群。
除了构建算力集群，智谱还试图通过软件优化，提升芯片利用效率。
今年6月，智谱花费约3亿元，收购异构算力软件公司中科加禾60%股权。这家公司专攻编译器、虚拟指令集和推理引擎，可以统一适配不同架构的国产芯片。
此外，智谱还通过量化、PD分离、Layer Split、混合缓存等优化手段，让同一套国产硬件的端到端性能较初始基线提升约3倍。最新发布的GLM-5.3-Flash，借助线性加稀疏混合注意力，把长上下文的计算量压到原来的三分之一，KV Cache缩到四分之一多。
一番“软硬兼施”后，智谱所谓“算力乘数”（每投入1元算力对应的API收入）比去年上半年提升约14倍。
随着50亿美元新融资的到位，智谱计划继续推进和放大算力层的动作。而这部分持续投入，正在逐渐改变智谱的战略生态位。
以前，智谱是较为纯粹的模型公司，主要消耗算力、产出token。但现在，智谱正试图描绘新的未来图景：它不光消耗算力，也要自持算力，甚至输出算力。
原因在于，过去半年多，全球结构性算力紧缺并未得到真正缓解，反而愈演愈烈。
AI行业正在经历一场多维变局：agent时代的到来，AI coding成为主流场景，乃至视频生成等多模态应用的兴起，都让token消耗量猛增，进而传导至上游的算力供给方。
在此背景下，以MaaS形态卖API的模型公司，非常有必要从源头上牢牢掌握token供给。只有把token放在自己手中，才能更好地满足不断膨胀的用户需求，并制造足够丰厚的利润空间。
更何况，无论是超大规模参数模型的预训练，还是对模型性能影响与日俱增的后训练，都需要稳定而充裕的自有算力。对于完全自训练及其他未来愿景的追逐，同样需要算力作为后盾。
智谱既要做token生意，满足当下需求，又要做新一代基模、推进完全自训练，构筑未来的想象空间。拿到融资后，加速搭建自有算力底座，也就顺理成章。
再往下一层，智谱不仅要做算力，更要让算力、工程和模型研发咬合成一张网。
在算力层，智谱选择自建数据中心，还被传出探索评估自研定制芯片，目标都指向了长期、稳定、可自主调度的算力池。而在工程侧，智谱的一系列软硬件协同优化，都是为了让同样的卡能跑更多任务。
到了模型研发环节，智谱此次重点押注的完全自训练，可以让模型参与生成数据、构建任务环境、自我验证，逐渐迈向自动化改进闭环，从而间接提升算力利用效率。
在智谱的哲学里，算力是必要前提，但不是唯一决定项。真正有决定意义的，是算力供给、工程效率和训练方法三者的乘积。最新融资把算力基础设施作为投入重点，但这并不是孤立行动，而是嵌入整体策略，与软硬件技术迭代协同并进。
今年以来，国内外AI头部公司均连续获得大额融资。
OpenAI今年4月完成约1220亿美元融资，Anthropic一个月后完成650亿美元融资。智谱今年1月登陆港交所后，7月配售约40亿美元、9月再融约50亿美元；MiniMax上市后，7月完成约160亿港元再融资。
未上市的头部公司中，DeepSeek于6月完成首轮外部融资，募资超500亿元人民币。
资金正以前所未有的规模和速度涌向头部模型公司。但金额增长之外，更值得关注的是AI公司用钱方式的变化。
在移动互联网时代，乃至AI时代的“上半场”，一级和二级市场的资金，往往是创业公司“打仗”的弹药，烧钱成为普遍现象。
在AI行业，资金一度向C端集中，被用于为AI App做宣传、拉客户，俨然把移动互联网时代的玩法复刻到了AI赛道。
但在经过一段时间的激战后，越来越多的AI公司意识到，AI不相信烧钱——用户并不会因为补贴而留下来，而强行做上去的用户数据，也不会带来持久的竞争壁垒。
今年以来，AI公司纷纷调整花钱策略，重B端、轻C端是大势所趋。
一方面，多数公司仍保留C端产品作为流量与口碑入口，但不再是主要投入方向，更不会再主动挑起补贴大战。
那些亏损严重、看不到尽头的业务被放弃，尤其是多模态服务；OpenAI甚至舍弃了名噪一时的Sora。
另一方面，AI公司对于B端的投入大幅增加。
在模型和应用侧，AI coding、AI办公等成为重心，既有对模型的专门优化，也有落地产品矩阵的大幅调整。
而在算力侧，最突出的变化之一是，模型公司从单纯的算力使用者，逐渐变成算力基础设施建设者和拥有者。这其实也是加大B端投入的一种体现。
AI公司调整花钱结构的同时，资本放大了对整个行业的押注规模。两者的正相关，反映了资金对于这场全行业大调整的认可和期许。
甚至可以说，现在能够大笔拿钱的公司，并不是说当下业绩吸引了投资者，而是其技术方向、发展战略和长期愿景，打动了投资者，吸引了资金下注。
与此同时，头部公司在资金成本较低、比较容易获得大额融资时，大手笔吸纳资金，从而提前锁定算力、电力和人才，也是在为未来融资环境可能转冷做续航储备。
2026年之前，投资模型公司的关注点是，能否击败对手、成为C端赛道第一名。而在这套逻辑下，资本热钱总是会面临烧钱和泡沫的质疑。
如今，资本押注模型公司，资金体量更大，反而不太有“泡沫感”了。他们看得更长远，也愿意保持更大耐心，但也会以愈发严苛的眼光，检验模型公司的每一块钱能够换回多少有效迭代、付费收入和长期算力。
对于AI公司来说，中短期目标很重要，但长期愿景和实现路径更重要。能否跑通“高投入—新模型—更多收入—继续高投入”的长期循环，才是得到资本市场认可的黄金标准。