一家主要依靠中国政企客户盈利的AI公司，为何能在全球AI安全事件中扮演“救火队长”的角色？2026年7月，全球最大的人工智能开源社区Hugging Face突然发布安全通告，称遭遇了一次特殊的“入侵”。令Hugging Face感到尴尬的是，这次闯入生产系统的并非传统意义上的黑客，而是一个由OpenAI模型驱动的自主智能体。这个智能体原本执行内部网络安全测试，却突破隔离环境进入互联网，在Hugging Face留下了超过1.7万条操作记录。Hugging Face曾试图调用美国商业大模型协助调查，但日志中的恶意代码和攻击指令触发了对方的安全护栏，分析被迫中断。最终，安全团队转而使用内部部署的中国智谱AI的GLM-5.2模型，才得以在几小时内完成原本需要数天的日志分析工作。
这件事的源头，要追溯到二十年前清华校园里的一个免费学术搜索工具。2006年，唐杰从清华大学计算机系博士毕业后选择留校。他本科读的是自动化，后因热爱编程转入计算机，读博期间又深入语义网络与数据挖掘。正是这种跨领域的积累，让他始终在思考一个问题：能否顺着论文、作者和学术关系这张网，挖掘出科研活动背后的规律？彼时，论文多散落在网上，普通搜索引擎无法展现学者间的合作关系或技术兴起脉络。唐杰带着助手开始系统收集论文、作者、机构、专利和引用关系，通过算法将碎片拼接成知识网络，在清华实验室研发出了AMiner。表面上AMiner只是一个搜索框，但用户输入研究方向后，看到的不仅是论文列表，而是顺着作者、机构和引用链条发现谁在研究、谁长期合作、技术热点从何兴起。这种将散落关系搜寻并关联起来的能力，成为了智谱最早的技术底子。
AMiner上线后实行免费开放，几年内传遍国内外高校，但服务器成本飙升。唐杰一度想关闭平台，直到海外同行告诉他，AMiner帮他们省下了大量寻找论文的时间，这让他深受鼓舞。随着用户激增，资金问题随之而来。最早的合作来自需要筛选评审专家的研究者、想判断技术趋势的地方政府，以及寻找合作伙伴的企业。唐杰于是开发出免费版和收费版，前者服务普通用户，后者面向政府、科研机构和科技公司提供深度科技情报。数年间，这套免费工具成长为一门面向机构客户的生意。2019年6月，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、许斌和王绍兰六人成为核心创始团队。分工很快明确：张鹏负责系统研发与工程落地，李涓子和许斌深耕知识图谱与语义计算，刘德兵与王绍兰负责融资、资源与经营决策。
虽然智谱已开始盈利，但本质上仍是一款学术搜索引擎。GPT-3的出现让团队开始思考：能否将过去十多年的积累压缩成通用大模型？但改换赛道意味着高成本、高不确定性。当时GPT、BERT等框架掌握在海外团队手中，沿用现成方案成本低，但另起炉灶可能追不上对手。经过讨论，智谱选择了后一条路：整合不同预训练方法优势，开发通用语言模型框架GLM。通俗来说，GPT主要学前文续写，而GLM还要理解被遮住的上下文，在续写、填空和语义理解间找到统一方案。2021年发布百亿参数模型GLM-10B，次年参数量拉至1300亿。规模扩大十几倍，训练难度却远不止翻倍。整整两个月的训练里，硬件随机宕机、模型崩溃、显存耗尽，反复调试后问题仍难以解决。团队甚至因训练中断无法恢复检查点而只能从头再来。2022年，GLM-130B正式完成训练并向全球开放。为了降低部署门槛，团队想方设法让其在配置受限的GPU服务器上跑通了推理。同年推出的代码模型CodeGeeX，效果可直接验证，很早被纳入产品矩阵。
真正让GLM走进普通人电脑的，是2023年3月发布的ChatGLM-6B。这是一个经过压缩的开源模型，一张消费级显卡即可本地运行。对于当时接触大模型的中国开发者来说，无需等待海外接口或租用昂贵服务器，大大降低了门槛。大量中文垂直模型、个人实验和企业原型如雨后春笋般涌现。但免费开源带来了庞大的开发者群体，也带来了新的问题：模型虽可免费下载，但训练消耗的芯片、电力和工程师时间成本巨大。于是，转型后的智谱又遇到新问题：如何用一套开放模型养活一家大模型公司。对于银行、运营商、政府部门和大型制造企业来说，出于安全和数据不出机房的考虑，通常不会随意打开公共网页。这种体制内的需求与消费级产品完全不同。这意味着，智谱早年服务于科研机构和大企业的政务客户经验，在大模型时代成为了独家优势。主动找上门的企事业单位络绎不绝。以2024年与邮储银行的合作为例，智谱将经过微调的ChatGLM接入银行反洗钱系统，读取交易流水、客户身份和账户信息，提取异常特征并生成报告初稿。整个过程模型既嵌入风控流程，又始终留在客户自己的环境里。本地化部署由此成为智谱最重要的收入来源。2025年，公司实现营收7.24亿元，其中约5.34亿元来自本地化部署，占比高达73.7%。
可对智谱来说，来自体制内的合同虽然单笔金额大、利润高，但做一单是一单，难以批量复制。每个客户都需要单独接待和服务，收入增长基本取决于能同时接多少个项目。相比之下，面向大众的云端模型服务看起来更容易做大，但国内厂商一直在打价格战，单次调用利润极薄。2022年至2025年，智谱四年累计净亏损约86.08亿元，平均一天接近590万元。仅2025年，研发投入就达到31.8亿元，而当年收入只有7.24亿元。这意味着，公司每进账1元，对应的研发支出就超过4元。其中最大的一块支出是算力，2024年为了买算力花了15.53亿元，接近当年收入的五倍。没办法，服务器一旦开始训练就得连续跑数周，中途出故障，已经烧掉的芯片时间和工程师工时都收不回来。这也解释了智谱为何没有参与2024年大模型行业最激烈的投流大战。面对耗费巨大的研发和算力成本，智谱只能靠融资和正在增长的模型收入勉强维持运营。为了继续留在牌桌上，智谱向港交所正式递交了上市申请。
2026年1月8日，智谱以每股116.2港元登陆港交所，成为全球首家以通用大模型为主营业务的上市公司。公开市场给出的价格为43.5亿港元，折合人民币约38.6亿元。钱看着不少，可实际还不到智谱过去四年累计亏损的一半。按照公司目前的研发强度，这笔资金更像下一段路的“盘缠”，还远不到可以停下来数钱的时候。上市也给智谱抛出了新的考题。在一级市场，投资人可以用五年甚至十年等待技术兑现。可到了公开市场，股东每天都能看到股价，每个财报季都要重新计算收入、毛利、亏损和现金消耗。大模型行业技术迭代极快，模型榜单上一次领先能推高估值，竞争对手发布一个更强的模型，都会迅速改变市场预期。这也是为何智谱上市后的半年里，股价一度冲到万亿港元市值附近，随后又在股份解禁、配售以及Kimi K3发布等多重因素作用下大幅回落的原因。截至最近时点，智谱公司的市值为4560亿人民币，不足高峰时期的5成。市场用脚投票，本质是在问同一个问题：技术还在进步，但何时能变成稳定的收入？智谱给出的阶段性答案是：代码。
CodeGeeX早在2022年就已推出，可直到智能体开始执行复杂任务阶段，它的商业价值才真正显现。当模型能够理解更长、更复杂的指令时，代码生成就不再只是补全一行代码，而是可以独立完成一整块功能的开发模块。一旦模型的产出变得可量化、可验收，企业就能把代码生成的效果折算成具体数字，比如调用了多少次、通过了几次测试、省下了多少开发和返工时间。只有算得清账，企业才愿意真金白银地为其付费。而相比每个客户都要重新部署交付的项目，代码调用更接近可以重复出售的标准服务。因此，当智谱把更多研发力量转向代码和智能体后，GLM的调用量随之增长，这门早年埋下的业务终于变成了潜力巨大的生意。可唐杰对智谱的规划，并没有停在代码生成上。2026年7月11日，他在内部信《巨浪已来》中明确提出了为期两年的“摸高”计划，希望未来的模型接下持续数周甚至数月的任务后，能自己拆解步骤、调用工具、检查结果，并在更少人工干预的情况下完成工作。在这个设想里，代码只是智能体可以调用的一件工具，但智谱想做的，仍然是能够独立处理更长任务的通用模型。可任务越长，消耗的算力越多，对数据安全和系统稳定性的要求也越高。这意味着，代码生成刚刚让商业化变得清晰一些，智谱又把自己拽回了投入更重的技术路线。事实上，唐杰这种“看不到山顶就停不下来”的状态，早在做AMiner时就出现过。他将自己这种研究态度概括为：科研像登山，不登顶就是失败。但成为上市公司以后，智谱每向上一步，都得有人替算力、工程师和下一轮训练买单。山顶还没看见，“买路钱”却不能断。之前Hugging Face的安全事件，不仅给智谱的GLM-5.2带来了一场现实检验，也顺带成了一次极有说服力的公开背书。这背后，是AMiner时代的信息处理能力、GLM时代的开放路线，以及政企市场磨出来的工程经验，在这一刻汇到了一起。但仅仅一次的漂亮任务，还不足以构成壁垒。在技术日趋成熟的今天，任何模型能力都可能在几个月内被追平，客户也会转向更便宜、更好用的产品。对于智谱来说，只有把这些偶尔出现的技术高光变成能够重复收费的产品，才能维持继续登顶的“买路钱”。从AMiner到GLM-5.2，智谱走了二十年。团队从处理学术论文起步，一路走进大模型竞争，并在Hugging Face的安全事件里，完成了一项商业闭源模型没能接下的任务。接下来，智谱还会继续向AGI推进。但想继续登顶，依然得先过客户和现金流这关。