智谱“摸高”，把AGI的底牌全亮了。
智谱创始人唐杰发了一封内部信。信不长，两分钟左右就能读完，但分量着实不轻。
简单来说，智谱接下来两年要启动一项名为“Touch High（摸高）”的计划，核心是把资源集中投向四个引擎：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臆想。唐杰的观察是，当前AI行业面前矗立着三座大山，阻碍了通往AGI的路。翻过这三座山，AGI才可能真正到来。而想要移山，就得从这四个方向发力——于是，四座山变成了四个驱动引擎。更准确地说，这四个引擎同根同源、彼此交织，你中有我，我中有你。
就在内部信发出的两天前——7月9日——智谱刚刚完成了一笔313.75亿港元的新股配售。公告明确表示，这笔钱计划在2027年底前全部花完。所以唐杰的这封信，本质上就是回答一个问题：钱究竟要往哪儿投。
下面就来拆解一下，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》，里面提出了一个很有意思的设问：“如果把爱因斯坦时代的所有信息都给一个AI，它能不能独立推导出广义相对论？”
DeepMind首席执行官哈萨比斯对此的回答很坦诚：“显然，今天还做不到，还缺了点什么。”
唐杰把“缺的那些东西”归结为三座大山：长程任务能力、完全自治的智能体系统、自我进化。
有趣的是，三大山对应到公司研发层面，却衍生出了四个引擎。三座山各对应一个引擎，第四个则是安全治理。为什么多出一个？道理很简单：当AI翻越三座大山、超越人类智慧时，必须给它的发展套上缰绳。
第一个引擎，长程任务。
今年5月，唐杰在X上发表长文，第一句话就是：“今年最可能突破的方向，就是长程任务。”
他给出的判断是：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。但未来的模型应该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，连续工作数小时、数周甚至更久，最终交付成果。
唐杰用网络安全打了个比方。黑客去找一个软件漏洞，不仅要读代码，还要搭环境、尝试不同攻击路径、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，同时复制无数个实例不断尝试。只要学会了专业黑客的思路，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。
问题是，模型不是你想让它干长程任务它就能立刻干成的。唐杰在长文里特别强调，模型除了执行能力，还必须具备持续学习和自我判断的能力——这正是第二座大山的由来。
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能否独立把一件复杂工作做完”，那么自治智能体系统解决的就是“一群AI能否像一家公司那样协同工作”。
唐杰认为，自治智能体系统由一群拥有不同专业能力和分工的Agent组成。面对一个极其复杂的任务，需要有一个Agent专门负责制定计划，有的负责查资料、写代码、测试结果、寻找漏洞。当任务复杂到一定程度，就需要专门的Agent来分配算力，甚至检查其他智能体的工作质量。
这些Agent可以24小时运行，自主讨论、协作和纠错。去年唐杰还在谈“一人公司”，也就是一个人指挥大量AI；到了今天，他的判断更激进：未来可能出现“无人公司”——从管理到执行，全部由AI完成。
当然，这不是多开几个账号就能实现的。智能体越多，沟通混乱、任务重复、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。谁来拆解目标？谁来分配权限？谁来检查结果？多个Agent之间怎么防止互相强化错误？这些问题不解决，规模就是灾难。
因此，唐杰认为，AI发展需要一个“自我判断”的机制——让AI能够自我进化。这正是第三座大山。
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，仍然需要工程师全程参与——采集数据、写代码、运行实验、分析结果。完全自我训练想做的，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。
其中一条重要路径是Self-Play。简单说，就是让AI既出题又答题，再让另一个AI负责挑错和评分。在代码、数学、游戏这类结果易于验证的领域，这种方法已经可以产生大量训练材料。
完全自我训练未必能节省多少算力——甚至可能更费算力。但它能节省人力。工程师不再需要每个环节都盯着AI，只需要设定一个目标，接下来就让机器自己跑就行了。
不过，这很容易引出新问题：AI可能超出人类的管控。学术界有一个设想叫“达尔文·哥德尔机”，核心思想就是通过AI自己升级自己的办法，让模型性能不断增强。这个方向后来很少有人继续研究，最主要的原因就是对AI不可控的担忧。
最后一个引擎，安全治理。
如果一个AI翻过了前面三座大山，它的性能确实更强了，但风险也会更大。长程执行意味着模型会持续采取行动；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连开发者都可能看不懂。一旦这个AI出错，性质就从“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方案。
第一层：训练阶段的价值对齐。它不满足于在模型外面添加关键词过滤这类“安全补丁”，而是希望把人类伦理、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：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导致了某个判断，把难以理解的“黑盒”变得透明。
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，外媒发布一篇报道，引用了网络安全公司Semgrep的测试结果：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圈引发了巨大争议。要知道，GLM-5.2是开源模型，而Mythos和Opus 4.8全是闭源模型。更关键的是，GLM-5.2的价格大约只有Opus的十分之一。
Databricks联合创始人阿里·戈德西还特地拿自己的员工做了个实验。他让公司3000多名工程师分别用GLM-5.2和Opus 4.8干同样的活。结果两个模型的结果相近，但成本差异巨大：GLM-5.2每完成一个任务花1.28美元，Opus需要1.94美元。
为什么很多人喜欢拿智谱和Anthropic对比？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”。他的逻辑是：闭源模型出了问题，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——没法监控谁在用、没法撤销访问、也没法给已经开源的模型打安全补丁。
到了2026年6月，GLM-5.2发布后，阿莫迪再次公开警告，说中国开源AI的发布“让人非常不喜欢”，前沿安全能力不应该掌握在开源模型手里。
很显然，智谱已经影响到Anthropic的叙事了。但光有模型还不够，还需要工具把它接入真实的开发场景——就像Anthropic有Claude Code，OpenAI有Codex一样。智谱在GLM-5.2发布的当天，也发布了自己的工具ZCode 3.0。它深度适配GLM-5.2，并且不再维护第三方Agent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。
智谱技术发展速度很快，烧钱速度也同样惊人。
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。到6月30日，这笔钱已经用掉了约45.88亿港元，使用率超过93%，只剩3.08亿港元。这才有了7月9日的配售：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。
值得注意的是，智谱这次不是发债，而是增发新股融资。新股定价比前一天收盘价便宜约13%。理论上，这种做法会给股价带来压力，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%。
智谱在公告中表示，这笔钱计划在2027年底前全部使用，主要投入三大方向：核心研发与算力基建；商业化扩张与产业并购；补充运营资金与优化资本结构。所以就在这个节骨眼上，唐杰必须做点什么来稳定军心。发一篇长文，让外界和企业内部都清楚智谱接下来要做什么，成了最直接、也最高效的选择。
行业进入AGI决战前夜
Touch High，直译是“摸高”。那高处是什么？是天空。
有意思的是，就在唐杰发内部信之前，MiniMax的CEO闫俊杰也写了一封内部信，标题叫《向天空尽头》。
7月9日，MiniMax迎来上市后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。
在这个背景下，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——虽然闫俊杰的写法没有唐杰那封内部信具体，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，最近还有一家超级明星公司拿到了融资——DeepSeek。6月份，这家公司完成了500亿元软妹币的首轮融资，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。
但从现在开始，DeepSeek也瞄准了AGI。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个岗位中，最值得关注的是今年3月新成立的Agent Harness团队。DeepSeek内部有一个公式：Model + Harness = Agent。这和唐杰提到的长程任务与自治智能体是同一个方向。Harness决定了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本质上是在模仿人类的思考过程，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提升性能。
AGI还有多远？很难说，但感觉真的不远了。
