文｜春妮 「思聪网」 TechGG.com
智谱又融资了。
但这一次，真正值得关注的不是它又拿到了多少钱，而是这335亿元准备拿去干什么。
9月12日，智谱公布新一轮融资计划，拟配售新H股，并发行201.4亿元人民币零息可转债，两项融资预计净募资约393亿港元，折合人民币超过330亿元。
对于一家今年1月才登陆港股的大模型公司来说，这已经是一笔相当惊人的融资。
更值得注意的是，智谱给出了非常明确的资金用途：约60%的钱，也就是235亿港元左右，将投向下一代GLM基础模型、“完全自训练”体系，以及训练、推理和算力基础设施。
看到这里，问题就来了。
GLM-6.0到底准备做什么，值得智谱砸下这么多钱？
答案藏在一个新词里：
完全自训练。
如果把这个词翻译成普通人能够听懂的话，就是一句话：
智谱想让AI开始参与训练AI。
这次，AI不只是被训练的对象
过去几年，大模型公司的竞争逻辑其实非常简单。
找更多数据，买更多算力，训练更大的模型，然后再通过后训练把模型能力往上推。
但这种模式正在碰到越来越明显的天花板。
算力当然可以买，但高质量数据越来越难找；人工标注可以扩大，但很难无限扩大；而当模型开始进入Agent阶段，训练任务本身也越来越复杂。
让一个AI回答一道数学题，并不算特别困难。
但如果让它真正完成一项工作，就完全不同了。
它可能需要先搜索资料，再写代码，再调用工具，再运行程序，发现错误后重新修改，最后还要验证结果。
这种任务如果全部靠人类设计、人工标注，成本会越来越高。
于是，AI行业开始出现一个非常诱人的想法：
既然模型已经会写代码、会解决问题、会判断结果，为什么不能让它自己制造训练自己的“教材”和“考题”？
智谱这次显然准备认真试一试。
按照公告披露的路线，下一代GLM会在上一代模型搭建的环境中继续训练。模型可以通过自我对弈、规则校验、执行验证、模型评审等方式产生和筛选训练数据，再把这些数据重新投入训练。
也就是说，以前是人类给模型准备数据，现在模型自己也开始参与生产数据。
更进一步，智谱还希望让智能体自己创造训练环境。
比如给AI设计一个复杂任务，让它自己尝试完成；完成过程中发现问题，就生成新的验证器；如果任务太简单，就提高难度；如果任务根本无法完成，就修改环境。
这样一来，训练环境本身也可以不断增加。
AI不仅自己做题，还开始自己出题。
这才是“完全自训练”真正有意思的地方。
但智谱显然还不满足于此。
公告里还有一个更大胆的方向：让模型参与优化训练和推理基础设施。
模型已经越来越会写代码，那么就让它帮助优化算子、内核、调度、缓存、通信和服务栈。
换句话说，过去是人类工程师负责建造“训练AI的机器”，以后可能让AI参与改进这台机器。
如果把这些事情串起来，就会出现一个非常有意思的循环：
AI生产数据，AI创造训练环境，AI帮助优化训练系统，然后这些东西再用来训练下一代AI。
这就是智谱所说的递归式自我改进。
而GLM-6.0，很可能就是这套思路第一次真正大规模落地的尝试。
所以，智谱为什么突然需要这么多钱？
现在再回头看这335亿元，逻辑就清楚了。
智谱并不是简单地想再训练一个更大的模型。
它想搭的是一套新的模型生产体系。
这套体系首先需要大量算力。
智谱在公告中明确提到，将继续采购和租赁算力资源，同时投入芯片适配、算子开发、集群互联和性能调优，并建设自研推理引擎和服务栈。
这里面有一个很容易被忽略的变化。
过去大模型公司买算力，主要是为了训练模型。
但如果模型本身开始参与生产数据、生成任务、运行验证，那么训练本身也会变成一个持续不断的过程。
模型越强，可以创造的任务越复杂；任务越多，需要的训练算力就越大；训练出来的新模型更强之后，又可以创造更多任务。
所以，智谱现在真正需要的，不只是一次训练所需要的算力，而是一套能够长期运转的算力和基础设施。
这也是为什么这轮融资规模会这么大。
实际上，智谱最近的融资速度本身就已经非常快。
今年1月上市时，智谱净募资约49亿港元；7月又完成一次配售，净募资约314亿港元；再加上这一次，上市不到9个月，累计净募资已经达到约755亿港元。
这已经不是一家创业公司在为下一款产品筹钱那么简单。
智谱正在用资本市场的钱，押注下一阶段大模型的发展方式。
但“AI训练AI”，最难的恰恰不是训练
当然，这件事情真正值得关注的地方，也不是智谱把概念说得多漂亮。
而是它能不能真的跑通。
因为“让AI自己生成数据”并不难，难的是怎么判断它生成的数据是不是好数据。
模型可以自己出题，但怎么证明题目有价值？
模型可以自己做题，但怎么证明它给出的答案不是错的？
模型可以自己写代码优化训练系统，但如果它犯了错误，会不会把错误进一步放大？
这才是递归式自我改进最大的风险。
如果一个模型不断使用自己生成的数据训练自己，却缺少可靠的外部验证机制，那么它可能不是越来越聪明，而是在不断强化自己的偏差。
所以智谱在公告中专门强调了规则校验、执行验证、模型评审以及人工抽检。
这几个词其实非常关键。
它说明现阶段所谓“完全自训练”，并不是人类彻底退出。
恰恰相反，人类可能正在从“亲自给AI喂数据”，变成设计规则、建立验证体系，然后监督AI自己跑起来。
如果这一套机制最终能够成立，那么大模型行业可能会出现一个很大的变化。
过去，模型能力增长依赖人类不断提供新的数据和算力。
未来，模型可能开始帮助自己获得下一轮训练所需要的数据、任务和工具。
这才是真正意义上的Scaling。
所以，335亿元真正押注的并不是一个GLM-6.0的参数规模，也不是一次Benchmark排名。
智谱赌的是另一件事情：
AI能不能从一个被人训练的对象，逐渐变成一个能够帮助人类训练下一代AI的“研发伙伴”。
如果能，这可能改变大模型的迭代速度。
如果不能，那么这335亿元，最终可能只是又一次昂贵的算力竞赛。
而这，才是GLM-6.0最值得看的地方。
它到底能不能让AI真正开始训练AI？
智谱已经把钱砸下去了。
现在，就等答案。
评论交流