智谱披露完成约50亿美元融资，资金将用于下一代GLM基础模型、完全自训练体系、训练与推理算力，以及国产芯片适配等基础设施建设。这一安排显示，模型研发正在同时关注能力提升和算力效率，企业也需要重新思考模型选型、部署方式与合规治理。
今日技术观察 IT之家 9 月 13 日消息，智谱今日宣布完成约 50 亿美元（IT之家注：现汇率约合 336.54 亿元人民币）融资，包括约 20 亿美元（约 156.8 亿港币）股份配售及约 30 亿美元（约 201.4 亿人民币）可转债发行。此次融资主要将用于下一代 GLM 基础模型及完全自训练（Fully Self Training）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及升级。在公告中，智谱将完全自训练描述为 01 背景速览 据公开信息，智谱此次融资包括股份配售和可转债发行，合计规模约为50亿美元。公司披露，资金将重点投入下一代GLM基础模型和完全自训练体系的研发，同时用于大规模训练、生产推理、算力资源及相关技术基础设施的部署和升级。其所描述的完全自训练，是让新一代模型在上一代模型构建的环境中继续训练，尝试形成持续改进的研发循环。 02 趋势影响 从技术趋势看，模型竞争的关注点可能不再只集中于参数规模或单次评测成绩。自动生成与筛选训练数据、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，分别对应数据、训练方法、模型能力和运行效率等环节。智谱将模型能力与算力效率同步纳入投入范围，也为行业观察模型迭代方式和基础设施协同演进提供了一个案例。 03 企业应用启发 对企业而言，相关进展的启发在于，人工智能应用落地需要同时评估模型效果和使用成本。企业在建设智能客服、知识管理、研发辅助或流程自动化系统时，除了比较模型的任务表现，还应关注私有化或云端部署条件、推理响应、国产芯片兼容性、数据处理流程及后续运维能力。对于软件开发和企业数字化团队，可以先围绕明确业务任务建立评测集，再据此判断模型是否真正带来效率改善。 04 合规观察 完全自训练和自动化数据生成也带来治理要求。企业需要核查训练数据与业务数据的来源、授权范围、敏感信息处理方式和输出可追溯性，并对模型参与构建训练资源后可能出现的错误积累、偏差放大和内容安全问题设置人工复核与审计机制。在网络安全场景中，还应关注模型服务接口、算力环境、供应链组件及推理日志的访问控制，不能仅凭模型能力宣传或单项测试结果作出采购判断。 05 开放讨论 这次融资安排会如何影响国内基础模型的研发节奏和算力基础设施投入？完全自训练在真实业务中最适合哪些任务，企业又应采用什么指标评估它的实际收益？国产芯片适配与推理优化能否在不同部署环境中稳定降低成本，仍需要更多公开的技术数据和应用案例验证。 公开来源参考 智谱宣布完成约 50 亿美元融资，用于下一代 GLM 基础模型研发等