9月13日，智谱宣布完成约50亿美元融资，按当前汇率约合336.54亿元人民币。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两部分构成。智谱方面表示，此次募集资金将主要用于下一代GLM基础模型及完全自训练体系的研发，以及大规模训练、生产推理、算力资源及相关技术基础设施的部署与升级。
根据公告披露的信息，完全自训练是指下一代GLM在上一代GLM所构建的环境中完成训练，从而形成递归式自我改进循环。这一研发路径的具体投入方向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。智谱将这套安排描述为同时瞄准模型能力与算力效率两个关键变量。
在模型能力一侧，完全自训练的核心思路是让模型参与构建训练资源。传统基础模型训练依赖人工标注或外部数据源，训练数据的规模与质量构成迭代速度的重要约束。智谱提出的递归式自我改进循环，试图让上一代模型生成任务环境与训练数据，供下一代模型在其中有针对性地学习，从而在数据和任务环境两个维度上拓展后续迭代的空间。长程推理能力的提升也被纳入这一框架，意味着模型需要处理更长的上下文依赖和更复杂的多步推理任务。
在算力效率一侧，智谱将国产芯片适配、算子开发和推理优化列为重点投入方向。当前大模型训练与推理对高端算力资源的需求持续增长，而供应链约束使国产芯片适配成为国内模型厂商必须面对的工程课题。算子开发直接影响芯片在实际训练任务中的利用率，推理优化则关系到模型部署阶段的单位算力产出。智谱表示，芯片适配与推理优化着眼于提高同等硬件条件下的有效产出。
约50亿美元的融资规模在国内大模型创业公司中处于高位。股份配售与可转债的组合结构，一方面引入股权资金，另一方面通过可转债为后续资本运作保留弹性。资金用途明确指向基础模型研发与算力基础设施，而非单一应用层产品的市场推广，反映出智谱在当前阶段的战略重心仍集中在模型能力本身和底层工程能力建设上。
从行业视角看，国内大模型竞争已从早期的参数规模竞赛转向训练效率、推理成本和自主可控算力的综合比拼。智谱此次将完全自训练体系与国产芯片适配并列为核心投入方向，与这一趋势一致。递归式自我改进循环若能在工程上跑通，可能改变基础模型迭代对人工数据构建的依赖程度；国产芯片适配的推进进度，则直接影响训练规模扩张的可持续性。两条路径的投入效果，将在下一代GLM的发布节奏和性能表现中得到检验。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
