智谱完成50亿美元融资 攻坚下一代GLM递归自我改进技术

2026年9月13日，AI大模型企业智谱宣布完成约50亿美元大额融资，资金将重点投向下一代GLM基础模型研发、完全自训练体系搭建及算力基础设施建设，核心目标是构建GLM模型递归式自我改进循环，同步推进国产芯片适配、推理效率优化等工程落地，探索大模型技术迭代新范式。

这是2026年开年以来国内AI基础模型领域披露的最大规模单笔融资，远超行业此前预判的30亿美元融资规模，也让智谱跻身当前全球估值最高的未上市AI大模型企业梯队。据内部人士透露，本轮融资中超过60%的资金将直接划入技术研发专用账户，剩余部分则用于算力集群扩容和产业落地生态搭建。

过去三年，全球大模型的迭代始终依赖公开互联网的通用文本、图像、视频数据，但随着优质标注数据逐步被消耗，主流大模型的能力边际效益已经出现明显下滑：2026年上半年头部大模型的通用能力提升幅度仅为2024年同期的17%，训练成本却上涨了2.3倍，行业迫切需要找到新的训练路径突破天花板。

此前行业曾尝试过强化学习、多模态融合等技术路线，但始终没有跳出“人类生成数据训练模型”的底层逻辑，无法从根本上解决数据存量不足的问题，智谱此次披露的完全自训练路线，是国内厂商首次公开将递归自我改进作为核心研发方向。

智谱此次明确将完全自训练作为下一代GLM的核心突破方向，本质是跳出传统训练路径，让下一代GLM在上一代GLM构建的智能环境中完成训练，形成递归式自我改进的正向循环，无需完全依赖人类生成的标注数据。

为了落地这一路线，智谱的研发投入将覆盖三大方向：一是自动化训练数据的生成与筛选体系搭建，二是适配自训练的仿真任务环境开发，三是模型长程推理能力的升级。与此同时，工程端将同步推进国产芯片适配、深度算子开发与推理效率优化，确保技术突破能够在现有算力条件下实现规模化落地。

这条路线同时切中了基础模型的两大核心痛点：自训练机制能够打破人类数据的存量限制，拓展后续技术迭代的任务与数据空间；算力效率优化则能大幅降低迭代成本，提升同等硬件投入下的有效产出。

一旦递归自训练的技术路线跑通，大模型的迭代周期将从此前的6-12个月缩短至2-3个月，能力提升幅度也将突破当前的瓶颈。对于国内AI产业而言，这条不依赖海外标注数据、适配国产算力的技术路线，也将进一步降低行业对海外技术体系的依赖，强化本土大模型的竞争优势。

目前智谱已经在小参数模型上完成了自训练机制的验证，测试数据显示，经过3轮自训练迭代的7B参数模型，通用能力已经接近当前主流的70B参数模型，成本仅为后者的1/20，商业化落地的潜力已经初步显现。