智谱AI战略大转型：拆解“摸高计划”背后的三大挑战与四大引擎
战略转向：从“顾问”到“员工”的范式跃迁
在人工智能行业加速迈向通用人工智能（AGI）的关键节点，智谱科技近期的一封内部信引发了业界的高度关注。CEO唐杰提出的“Touch High（摸高）计划”，不仅明确了未来两年的资源投入方向，更揭示了行业从单纯提升模型参数规模，向解决复杂实际问题转变的战略深意。
这一计划的核心在于集中资源攻克四大技术引擎：长程任务能力、自治智能体系统、完全自我训练以及安全治理。这并非凭空构想的战术动作，而是智谱基于对当前AI发展瓶颈的深刻洞察，试图翻越阻碍行业前进的“三座大山”。这三大挑战分别是：AI缺乏独立执行长周期复杂任务的能力、多智能体协同中的组织机制缺失，以及模型自我进化带来的不可控风险。
值得注意的是，这一战略发布的时间点颇具深意。就在内部信发出前短短两天，智谱刚刚完成了一笔高达313.75亿港元的新股配售。公告明确指出，这笔巨资必须在2027年底前全部花完。唐杰的信件，实质上是在向市场、投资者以及内部团队清晰阐释资金的使用路径与战略重心。这种“定军心”式的沟通，既是对资本市场的回应，也是对未来技术路线图的公开承诺。
四大引擎：破解AGI落地难题的技术路径
长程任务：重新定义AI的能力边界
唐杰将“长程任务”列为第一个突破方向，并认为这是2026年最可能实现突破的领域。传统的大语言模型更像是一个知识渊博的顾问，遵循“一问一答”的交互模式。然而，AGI时代的模型需要具备“员工”的特质：能够独立拆解目标、调用工具、反复试错，并在长达数小时甚至数周的时间内持续工作，最终交付结果。
以网络安全领域为例，寻找软件漏洞不仅需要阅读代码，还涉及搭建环境、尝试攻击路径、排除误报及验证结果等一系列复杂操作。顶级黑客或许具备更高的天赋，但AI的优势在于耐力与规模。通过24小时不间断运行并复制成千上万个实例进行并行尝试，只要模型能掌握专业思路，其效率将远超人类个体。这要求模型不仅具备执行能力，更需拥有持续学习和自我判断的机制。
自治智能体：从“单人作战”到“无人公司”
如果说长程任务解决的是单体AI的独立工作能力，那么自治智能体系统解决的就是群体AI的协同效率。智谱提出的愿景是从“一人公司”（OPC）向“无人公司”（NPC）演进。
在复杂的任务场景中，单一的Agent难以胜任，需要由具备不同专业能力的多个智能体组成团队。例如，一个Agent负责制定计划，另一个负责查资料或写代码，还有一个负责分配算力和检查结果。这种协作机制看似美好，实则面临巨大的组织挑战。随着Agent数量增加，沟通混乱、任务重复以及错误相互放大的风险呈指数级上升。
真正的难点不在于Agent的数量，而在于如何建立有效的“组织机制”。谁拥有最终决策权？如何防止错误传播？这就需要引入“自我判断”机制，让AI能够在没有人类实时干预的情况下，自主纠错并优化协作流程。
完全自我训练：解放人类工程师的最后壁垒
“完全自我训练”被唐杰视为最困难也最具诱惑力的方向。目前的大模型训练仍严重依赖人类工程师进行数据清洗、代码编写、实验运行及结果分析。完全自我训练的目标，是让AI接管这一全流程：自己生成数据、启动训练、根据反馈设计下一轮实验。
Self-Play（自博弈）是实现这一目标的关键技术路径。在代码、数学和游戏等结果可验证的领域，AI可以通过既出题又答题，并由其他AI负责评判的方式，生成海量高质量训练数据。虽然这种方法可能不会显著节省算力，甚至可能因循环论证而增加计算成本，但它能极大节省人力成本，使工程师从繁琐的环节监督中解脱出来，专注于更高阶的目标设定。
安全治理：AGI时代的必答题
随着AI能力的跃升，安全风险也随之放大。长程执行可能导致错误被持续放大，多Agent协作可能引发系统性风险，而自我训练则可能使模型的决策逻辑变得连开发者都无法理解。一旦失控，后果将是灾难性的。
为此，智谱提出了双层安全防护体系。第一层是在训练阶段进行深度的价值对齐，不再满足于外挂式的关键词过滤，而是将人类伦理、社会规范和法律法规融入底层训练目标，让模型从根源上知晓行为边界。第二层则是投入巨资研究机械可解释性，试图通过解析神经元激活机制，揭开模型内部的“黑盒”，使AI的决策过程透明化、可追溯。
市场印证：智谱与Anthropic的镜像竞争
智谱之所以备受关注，不仅因为其技术突破，更因其市场表现被广泛视为Anthropic的“中国镜像”。2026年6月发布的旗舰模型GLM-5.2，凭借1M上下文窗口和MIT开源协议，在SWE-Bench Pro等代码基准测试中位居全球前三、国产第一。
更令人震惊的是其性价比与性能的平衡。外媒测试显示，GLM-5.2在漏洞检测等任务上表现可与Anthropic的闭源模型Mythos及Claude Opus 4.8不相上下，但成本仅为后者的十分之一。Databricks创始人Ali Ghodsi的内部实验也证实，GLM-5.2在完成任务质量相近的前提下，单任务成本仅为1.28美元，远低于Opus的1.94美元。
这种性价比优势直接挑战了AnthropicCEO阿莫迪长期持有的“开源AI危险论”。阿莫迪曾警告，开源模型一旦流出便无法收回，存在严重安全隐患。然而，智谱通过GLM-5.2及其专属工具ZCode 3.0，展示了开源模型在商业化落地中的巨大潜力。ZCode 3.0深度适配GLM-5.2，支持自然语言指令下的全栈代码修改、测试运行及Git管理，证明了开源生态在工程效率上的独特优势。
行业变局：资金涌入与人才争夺
智谱的大举融资并非孤例，而是整个中国AI行业进入AGI决战前夜的缩影。2026年初上市以来，智谱已动用IPO募资的93%，此次近314亿港元的增发旨在为核心研发、算力基建及商业化扩张输血。市场对其股价的积极反应，表明投资者认可其“把钱花在刀刃上”的战略逻辑。
与此同时，竞争对手MiniMax同样动作频频。其CEO闫俊杰在解禁日股价暴跌之际，发布了《向天空尽头》的内部信，承诺直到实现AGI前不领薪酬，并拿出个人股份激励团队及支持开源社区。这种“All-in”式的姿态，反映了头部企业对AGI长期价值的坚定押注。
另一家明星企业DeepSeek则展示了不同的路径。在完成500亿元人民币首轮融资后，DeepSeek不仅全员扩招，更提出了“Model+Harness=Agent”的新公式。其招聘岗位中特别增设了“AI跨界技术人才”，面向认知科学、心理学等非纯工程背景的人才。这暗示着，突破AGI的最后一块拼图，可能不仅仅来自算法优化，更来自对人类认知机制的模仿与融合。
结语
从智谱的“摸高计划”到MiniMax的“向天空尽头”，再到DeepSeek的跨界招聘，中国AI头部企业正呈现出一种共识：AGI的临界点正在临近。技术路径上，大家不约而同地指向了长程任务、自治协同与自我进化；战略心态上，从早期的技术探索转向了高强度的资源投入与生态构建。
在这一进程中，开源与闭源的争论并未停止，但商业价值的实现已成为更紧迫的目标。智谱通过极致性价比的开源模型抢占市场，Anthropic坚持闭源以确保安全与控制，两者将在不同的轨道上竞相角逐。对于行业而言，无论哪家胜出，AGI时代的到来已不可逆转。接下来的两年，将是决定谁能真正翻越“三座大山”，谁能在AGI竞赛中占据制高点的关键窗口期。