智谱AI二十年登顶路：从免费学术搜索到千亿市值的生死博弈
从学术理想主义到商业现实主义的跨越
一家以中国政企客户为主要收入来源的人工智能公司，为何能在全球顶级开源社区遭遇重大安全危机时，成为唯一的“救火队长”？这不仅是技术实力的体现，更是其二十年深耕底层逻辑的必然结果。2026年7月，全球最大的人工智能开源社区Hugging Face遭遇了一次前所未有的“入侵”：一个由OpenAI模型驱动的自主智能体突破了隔离环境，留下了超过1.7万条操作记录。当安全团队试图调用美国商业大模型协助调查时，日志中的恶意代码触发了对方严格的安全护栏，导致分析中断。最终，Hugging Face团队转而使用内部部署的中国智谱AI模型GLM-5.2，在短短几小时内完成了原本需要数天的复杂日志分析与修复工作。这一事件不仅为智谱带来了一次高光时刻，更暴露出全球AI安全治理中的深层矛盾：在追求模型性能与保障系统安全之间，如何找到平衡点？
要理解智谱为何能在此次事件中脱颖而出，必须回溯其二十年前的起点。2006年，唐杰博士从清华大学计算机系毕业，并未选择传统的工业界路径，而是留在校园，将目光投向了当时尚未被充分挖掘的学术资源。彼时，论文散落在互联网各处，彼此孤立，学者之间的合作关系、技术演进的脉络模糊不清。唐杰意识到，单纯的文字搜索无法揭示知识背后的网络结构。于是，他带领团队开发了AMiner，一个旨在通过算法将论文、作者、机构和引用关系编织成网的学术搜索引擎。AMiner的免费开放迅速赢得了全球科研社区的认可，但也带来了巨大的服务器维护压力。唐杰一度因成本高昂而考虑关闭项目，直到海外同行的反馈让他意识到，这套基于语义网络和数据挖掘的知识服务能力，具有超越工具的长期价值。
从免费工具到科技情报的商业模式重构
随着用户量的激增，AMiner从单纯的工具逐渐演变为面向机构的专业服务平台。早期的客户包括需要筛选评审专家的科研项目组、希望研判技术趋势的政府部门，以及寻求技术合作的企业。这种从C端免费服务向B端/G端付费服务的转变，为智谱积累了宝贵的早期商业经验。2019年，AMiner从清华实验室正式拆分，智谱AI成立，唐杰、刘德兵、张鹏、李涓子、许斌和王绍兰组成核心创始团队。团队的分工极为明确：唐杰把控技术方向，张鹏负责工程落地，刘德兵统筹战略与管理，李涓子和许斌深耕知识图谱与语义计算。
然而，在大模型浪潮前夕，智谱面临着一个关乎生死的选择。当时的智谱虽然依靠知识服务实现了盈利，但GPT-3的出现展示了通用大模型的巨大潜力。如果继续深耕垂直领域，随时可能被更强大的通用模型颠覆；如果转型通用大模型，则需要投入天文数字般的资金与算力。经过反复论证，智谱选择了最难的一条路：从零开始构建通用语言模型框架GLM。与GPT主要基于自回归预测不同，GLM引入了掩码语言模型的思想，旨在统一填空、续写和语义理解任务。这一决策不仅体现了技术上的前瞻性，更奠定了智谱后续在复杂推理任务上的优势。
千亿参数背后的工程极限与开放路线
2021年，智谱发布百亿参数模型GLM-10B，次年便将参数量提升至1300亿。这一规模的跃升并非简单的数字游戏，而是对工程能力的极限考验。在长达两个月的训练过程中，硬件宕机、显存耗尽、模型崩溃成为家常便饭。每一次训练中断都意味着数周算力和巨额资金的浪费。智谱团队通过自主研发的训练稳定性技术，逐步解决了这些难题。2022年，GLM-130B正式开放，智谱还推出了代码模型CodeGeeX。为了降低使用门槛，智谱选择了一条与其他巨头不同的路线：主动开源。2023年发布的ChatGLM-6B允许在消费级显卡上本地运行，这一举动极大地激发了开发者社区的热情，也为智谱积累了庞大的用户基数和场景测试数据。
然而，开源是一把双刃剑。它带来了流量和影响力，却未能直接转化为稳定的现金流。对于智谱而言，如何将庞大的开发者社区转化为付费客户，成为其商业化道路上的最大挑战。与此同时，国内大模型市场陷入了激烈的价格战，云端API服务的利润空间被压缩至极低。智谱意识到，通用C端市场并非其短期内的核心战场，而深耕政企市场的本地化部署，才是其独特的生存之道。
本地化部署：政企市场的独特护城河
与消费级应用不同，银行、政府、运营商等大型机构对数据安全有着极高的要求。由于内部文件严禁外传，这些客户必须将大模型部署在本地环境中。这种需求看似繁琐，实则构成了智谱的核心壁垒。智谱早期的政企服务经验，使其在理解客户业务流程、适配现有系统方面具备天然优势。以2024年与邮储银行的合作为例，智谱将微调后的ChatGLM接入银行反洗钱系统，在处理交易流水、提取异常特征并生成报告初稿的过程中，模型始终运行在银行内部服务器中，确保了数据不出域。这种高度定制化的本地化部署服务，虽然单笔项目周期长、难以规模化复制，但利润率高且客户粘性极强。
数据显示，2025年智谱实现营收7.24亿元，其中约5.34亿元来自本地化部署，占比高达73.7%。这意味着，智谱每收到10元钱，就有超过7元来自需要进入客户现场的项目。这种“做一单是一单”的业务模式，虽然限制了收入的爆发式增长，但也赋予了公司在激烈市场竞争中较强的抗风险能力。通过深耕政企市场，智谱在算力成本高昂的行业寒冬中，找到了一条相对稳健的生存路径。
巨额亏损下的资本博弈与上市突围
尽管营收持续增长，但智谱的财务状况依然严峻。2022年至2025年，公司累计净亏损约86.08亿元，平均每天亏损近590万元。其中，研发投入占据绝对大头，2025年研发支出达31.8亿元，是当年收入的4倍多。算力成本更是触目惊心，2024年智谱为购买算力支付了15.53亿元。面对如此高昂的“买路钱”，智谱并未像其他公司那样陷入营销战泥潭，而是坚持将资金投向模型研发。这种长期主义的战略定力，源于创始人唐杰“科研像登山，不登顶就是失败”的信念。
为了缓解资金压力并获取更稳定的资本支持，智谱于2026年1月以每股116.2港元登陆港交所，成为首家以通用大模型为主营业务的上市公司。然而，公开市场的逻辑与一级市场截然不同。股东对业绩增长的期待、股价的波动以及技术迭代的不确定性，给智谱带来了巨大的压力。上市后，智谱市值一度冲高后大幅回落，反映出市场对AI公司商业化能力的质疑。唐杰在内部信《巨浪已来》中提出的“摸高”计划，旨在让模型具备独立拆解任务、调用工具的能力，这既是技术上的突破，也是商业模式的升级。
代码生成：从成本中心到利润中心的转型
在探索商业闭环的过程中，智谱发现代码生成是一个极佳的突破口。CodeGeeX早已推出，但在智能体时代，其价值才得以真正释放。当模型能够理解复杂指令并生成完整功能模块时，代码生成便从辅助工具变成了可量化的生产力。企业可以根据代码调用次数、测试通过率和节省的研发时间来评估ROI，这使得付费意愿变得清晰可测。相比高度定制化的本地部署项目，代码生成更接近标准化服务，有助于智谱实现规模的快速扩张。
通过加大在代码和智能体方向的投入，智谱的GLM调用量显著增长，这门早年埋下的业务终于变成了潜力巨大的利润源。然而，唐杰的野心不止于此。他深知，代码只是智能体能力的冰山一角。要真正实现通用人工智能，模型必须具备处理长周期任务、自主进行逻辑推理和跨模态交互的能力。这意味着，智谱将在未来的几年里，继续面临算力消耗激增与安全挑战加剧的双重压力。
结语：在山顶与悬崖之间前行
从AMiner到GLM-5.2，智谱AI走过了一条充满荆棘与创新的道路。它在Hugging Face安全事件中的表现，证明了其在复杂安全场景下的技术实力；其在政企市场的深耕，展示了中国大模型公司区别于海外巨头的独特生存智慧。然而，技术的辉煌无法掩盖商业的残酷。智谱正站在一个关键的十字路口：一方面，它拥有领先的模型能力和深厚的行业积淀；另一方面，它面临着巨大的现金流压力和市场预期的考验。对于智谱而言，登顶山顶只是第一步，如何确保在攀登过程中有足够的“买路钱”，将偶尔的技术高光转化为可持续的商业闭环，才是决定其能否长久立足的关键。在大模型行业的下半场，智谱的探索将继续为整个行业提供宝贵的样本。