A empresa chinesa que mais se parece com a Anthropic quer remover “as três grandes montanhas”

智谱华章的创始人兼首席科学家唐杰于7月11日发布了一封内部信。信并不长，约两分钟就能看完，但分量不轻。

简要概括：智谱接下来两年将启动“Touch High（摸高）计划”，把资源集中投入到四个引擎之中：“长程任务、自治智能体系统、完全自我训练、安全治理”。

这四个方向并非凭空而来。唐杰根据这些年AI的发展，观察到阻碍行业前进的三座大山。翻过山之后，就是传说中的AGI。但要翻过这三座大山，就必须朝着这四个方向发展。于是，这四个方向就变成了四个驱动智谱前进的引擎。

虽然称为四个引擎，但本质上同根同源——你中有我、我中有你。

而就在这封信发布前两天，即7月9日，智谱刚配售了31,375亿港元的新股。公告中写到，这次募来的钱要在2027年底前全部花完。

因此，唐杰的信，其实是在回答：“智谱要把这些钱花在什么地方？”

接下来，我就给你分析分析：这三座大山和四个引擎到底是什么。

从“三座大山”到“四大引擎”

今年6月，谷歌发布了一份57页的报告，标题叫《From AGI to ASI》，其中也提到了类似的说法。“如果给一个AI爱因斯坦时代所有的信息，它能否独立推导出广义相对论？”

DeepMind首席执行官哈萨比斯承认：“显然，今天还不行，还缺了点什么。”

唐杰具体点明，这缺的那部分“东西”叫做“三座山”。分别是长程任务能力、完全自治的智能体系统、自我进化。

正如四大天王有5个人一样，这三座大山落到公司的研发层面，就变成了“四大引擎”。三座山各对应一个引擎，第四个叫做安全治理。

之所以多出这样一个引擎，是因为当AI翻过三座大山、超越人类智慧时，必须对其发展进行限制。

第一个引擎：长程任务。

唐杰今年5月在X上发了一篇长文，第一句就是：“今年最可能突破的方向，就是长程任务。”

唐杰表示，今天的大模型更像一个知识丰富的顾问：你问一句，它答一句。而未来的模型则更像一名能独立干活的员工。人只需要交代目标，它就能自己拆解步骤、调用工具、反复试错、持续工作数小时、数周甚至更久，最终交付结果。

唐杰用网络安全举例说：让黑客去寻找一个软件漏洞。它不止要读代码，还要搭环境、尝试不同的攻击路径、排除误报并验证结果。

AI未必比顶级黑客更有天赋，但它可以24小时运行，并复制出成千上万个实例不断尝试。只要学会专业黑客的思路，机器的耐力和规模就可能把这种能力放大，最终替代一部分黑客和程序员的工作。

问题在于：不是你想让模型去做长程任务，它就一定能完成。唐杰在长文中写到，模型除了需要具备执行能力以外，还得拥有持续学习和自我判断能力——于是引出了第二座大山。

第二个引擎：自治智能体系统。

如果说长程任务解决的是：“一个AI能否独立完成一项复杂工作”，那么自治智能体系统解决的，就是：“一群AI能否像一家公司一样协同工作”。

唐杰认为，自治智能体系统由一群不同专业能力与分工的Agent组成。

比如面对一个非常复杂的任务，就需要有一个Agent负责制定计划；还有一个Agent负责查资料、写代码、测试结果、寻找漏洞。当任务复杂到一定规模，就需要专门的Agent来分配算力，并检查其他智能体的工作。

它们可以24小时运行，自主讨论、协作与纠错。唐杰去年还在谈“一人公司（OPC）”，即一个人指挥大量AI；如今他的判断更激进：未来可能出现“无人公司（NPC）”，从管理到执行都主要由AI完成。

这并不是说你多开几个账号就能实现。智能体越多，沟通混乱、任务重复和错误相互放大的风险也越高。

真正卡住自治智能体的，并非Agent的数量，而是组织机制：谁拆解目标？谁分配权限？谁检查结果？多个Agent之间如何防止互相强化错误？

因此，唐杰在长文中表示：AI的发展需要一个“自我判断”的机制，让AI能够自我进化，这便是第三座大山。

第三个引擎：完全自我训练。

唐杰把“完全自我训练”称为最困难、也最诱人的方向。

今天训练一个大模型，仍然需要准备工程师：采集数据、写代码、运行实验并分析结果。

完全自我训练想要做到的是：让AI逐步接管这套流程——自己写代码、清洗并生成数据、启动训练，再根据结果设计下一轮实验。

唐杰表示，其中一个重要方法是Self-Play。简单来说，就是让AI既出题又答题，并让另一个AI负责挑错和评分。在代码、数学、游戏等容易验证结果的领域，这种方法已经可以产生大量训练材料。

虽然它未必能节省多少算力，甚至可能更费算力，但它能节省人力：工程师不必盯着AI的每个环节，只需要给它设定一个目标，接下来让机器自己跑就行了。

但这也容易带来一个新问题：AI可能会超出人类的管控。学术界有个设想叫做“达尔文·哥德尔机”，即通过AI自己升级自身的方式，让模型性能不断增强。这个方向后来没什么人研究，主要原因就是担心AI失控。

这就到了最后一个引擎：安全治理。

如果一个AI翻过了前三座大山，它的性能确实会更强，但带来的风险也会更大。

长程执行意味着模型会持续行动；多Agent协作意味着错误会被放大；自我训练意味着模型的决策逻辑可能连开发者都看不懂。

一旦这个AI出错，性质就会从“模型偶尔给出一个错误回答”，升级为“系统持续执行并放大一个错误”。

唐杰提出了两层防护。

第一层是在训练阶段进行价值对齐。他不满足于在模型外面增加关键词过滤等“安全补丁”，而是希望把人类的伦理、社会规范和法律法规融入训练目标，让模型从底层就知道什么能做、什么不能做。

第二层是投入百亿级资源研究机械可解释性，尝试弄清模型内部哪些神经元和机制会导致某个判断，把难以理解的“黑盒”变得更透明。

为什么是智谱、为什么是现在

毫无疑问，智谱是全中国乃至全球AI圈的焦点之一。

2026年6月13日，智谱发布旗舰模型GLM-5.2。1M上下文窗口、MIT开源协议，在SWE-Bench Pro、Terminal-Bench等代码能力基准中位居全球前三、国产第一。

6月底，外媒发出一篇报道，引用了网络安全公司Semgrep的测试：在某些漏洞检测基准上，GLM-5.2的表现与Anthropic最强模型Mythos不相上下，在特定任务上甚至超过了Claude Opus 4.8。

这篇报道在AI圈引发了巨大的争议。

要知道，GLM-5.2可是一个开源模型，而Mythos和Opus 4.8全都是闭源模型。而且GLM-5.2的价格，大约只有Opus的十分之一。

Databricks联合创始人Ali Ghodsi为此还特地拿自己的员工做了实验。

他让自己公司的3000多名工程师，用GLM-5.2和Opus 4.8完成同样的任务。结果发现两个模型的表现相近，但GLM-5.2每完成一个任务花1.28美元，而Opus却需要1.94美元。

为什么大家都喜欢拿Anthropic来对比智谱？因为Anthropic的CEO阿莫迪一直是开源模型的坚定反对者。

早在2023年7月，他就跑到美国国会参议院作证，说开源AI是一条“非常危险的路径”。

他的判断逻辑是：闭源模型一旦出了问题，公司可以马上关掉、改掉、追踪谁在滥用；但开源模型一旦放出去，开发者再也收不回来了。

原因在于：你无法监控谁在使用开源模型、无法撤销访问权限，也无法对已经开源的模型打安全补丁。

到了2026年6月，GLM-5.2发布后，阿莫迪又一次公开警告：称中国开源AI的扩散（发布）“让人非常不喜欢”，前沿安全能力不应掌握在开源模型手里。

**很显然，智谱已经影响到Anthropic的叙事。**但仅有模型还不够，还需要工具把它接到真实的开发场景中。就像Anthropic有Claude Code，OpenAI有Codex一样。

智谱也在GLM-5.2发布当天，发布了自己的工具ZCode 3.0。它对GLM-5.2进行了深度适配，并且不再维护第三方Agent的适配。也就是说，ZCode就是GLM-5.2的专属工具，别人用不了。

开发者只需用自然语言提出需求，Zcode就能读取整个代码项目，调用终端和浏览器，修改文件、运行测试、检查Git变更，然后直接把项目推进到交付前的状态。

智谱技术发展的速度很快，烧钱的速度也很快。

2026年1月8日，智谱登陆港交所，发行价116.2港元，IPO净募资约48.96亿港元。截至6月30日，已使用约45.88亿港元，使用率超过93%，只剩3.08亿港元。

7月9日，智谱宣布以每股1588港元配售最多1978万股新H股，净募资约313.75亿港元。

智谱这次不是发债，而是增发新股融资。新股定价比前一天的收盘价便宜约13%，理论上应当会对股价带来压力，但结果截然相反：消息公布当天，智谱股价盘中一度上涨超过20%。

智谱公告里表示，这笔钱计划在2027年底前全部使用。一共投入三大方向：核心研发与算力基础设施；商业化扩张与产业并购；补充运营资金与优化资本结构。

所以，就在这么个关键时点上，唐杰必须做点什么以定军心。发篇长文，让外界以及企业内部都清楚智谱接下来要做什么，就成了最高效、最直接的选择。

行业进入AGI决战前夜

Touch high，直译过来是摸高。那我们的“高处”是什么？是天空。

巧的是，就在唐杰发内部信之前，MiniMax的CEO闫俊杰也写了一封内部信，名为《向天空尽头》。

7月9日，MiniMax迎来了上市后的首轮大规模限售股解禁。约1.46亿股解禁，占总股本近49%。

当天股价暴跌近18%，第二天又跌了近10%。市值从3月份4100亿港元的高点一路跌到不到800亿港元。

就在解禁暴跌的当晚，MiniMax启动了上市以来最大规模的再融资。配售新股加65亿港元零息可转债，合计募资约160亿港元。

其中配售净额约94.91亿，可转债净额约64.66亿。80%用于AI基础设施和模型研发，10%用于Harness产品的全球商业化，10%用于运营资金。

在这样的背景下，闫俊杰在信中做出了三个承诺。

第一，从即日起直到公司实现AGI，不再领取任何薪酬；第二，未来四年拿出个人名下相当于总股本4%的股份激励团队；第三，拿出1%的股份设立专项基金支持开源社区。5%的个人股份，加上零薪酬。

虽然闫俊杰写的没有唐杰内部信那么具体，但气势更足：他用个人身家押注在MiniMax的长期价值之上，终点同样是AGI。

上市不是终点，而是获得长期投入能力的开始。

说到钱，最近还有一个超级明星公司拿到钱了，它就是DeepSeek。

这家公司在6月完成了500亿元人民币的首轮融资，并在6月25日启动全员扩招。

此前的DeepSeek不融资、不商业化、不路演。梁文锋用幻方量化的利润养着整个团队，成立近三年拒绝外部投资。

不过从现在开始，DeepSeek也瞄准AGI。

它这次招聘的口号是“探索未至之境”，公告里直接写着“人类正处于AGI的前夜”，邀请应聘者“亲历AGI的发展进程，坐在时代前排，见证一个新纪元的诞生”。

33个岗位里，最值得关注的是今年3月新成立的Agent Harness团队。

DeepSeek内部有个公式：Model + Harness = Agent。这和唐杰说的长程任务、自治智能体是同一逻辑。Harness决定模型能调用什么工具、访问什么资源、如何交付任务。

但真正有意思的，是一个叫“AI跨界技术人才”的特别岗位。

这个岗位不设专业背景限制，面向的是“希望参与创造和构建AGI的候选人”。加分项写着“不走寻常路”“在某个领域做到极致”“有创业经历”。

DeepSeek的逻辑是：只有工程是无法达到AGI的，它需要更多的“参与者”。

比如研究认知科学或心理学的人才：因为AI本质上是模仿人类思考的过程，所以通过研究人类如何记忆、学习、判断和产生情感，说不定就能帮助AI提高性能。

AGI还有多远？我不好说，但我感觉，AGI真的不远了。