|
文 | 字母AI 唐杰发布了一封分量极重的三座大山内部信。篇幅虽短，中国最像两分钟即可读完，公司但其战略指向性极为明确。移走 智谱未来两年将启动“Touch High（摸高）计划”，三座大山将核心资源集中投入四大关键引擎：长程任务、中国最像自治智能体系统、公司完全自我训练、移走安全治理。三座大山 这四大方向并非凭空构想，中国最像而是公司唐杰基于对AI发展瓶颈的深刻洞察，针对阻碍行业迈向AGI的移走“三座大山”所提出的解决方案。翻过这三座山，三座大山即是中国最像AGI；而跨越它们的唯一路径，便是公司这四个驱动智谱前行的引擎。 尽管分为四个引擎，但其底层逻辑同根同源，相互交织。 值得注意的是，就在信发出两天前（7月9日），智谱完成了313.75亿港元的新股配售。公告明确，这笔资金必须在2027年底前全部消耗完毕。 因此，唐杰的这封信，本质上是在回答一个核心问题：智谱将如何高效地花掉这300多亿港元？ 以下是对“三座大山”与“四大引擎”的深度解析。 从“三座大山”到“四大引擎”谷歌今年6月发布的57页报告《From AGI to ASI》中提出了一个经典问题：“如果给AI爱因斯坦时代的所有信息，它能否独立推导出广义相对论？” DeepMind首席执行官哈萨比斯坦言：“显然不行，目前还缺了点什么。” 唐杰将这一缺失要素定义为“三座大山”： 而在企业研发层面，这三座大山具体化为“四大引擎”。前三座大山各对应一个技术引擎，第四个引擎则是安全治理。 增加“安全治理”引擎的原因在于：当AI试图翻越这三座大山、超越人类智慧时，必须建立相应的限制与管控机制，以防失控。 引擎一：长程任务（Long-horizon Tasks）唐杰今年5月在X平台发文指出：“今年最可能突破的方向，就是长程任务。” 当前的大模型更像是一个“知识渊博的顾问”，遵循“一问一答”的模式。而未来的模型应进化为“能独立工作的员工”：人类只需设定目标，AI即可自主拆解步骤、调用工具、反复试错，持续工作数小时甚至数周，最终交付结果。 以网络安全为例，寻找软件漏洞不仅需要阅读代码，还需搭建环境、尝试多种攻击路径、排除误报并验证结果。顶级黑客或许天赋更高，但AI具备24小时不间断运行及大规模复制实例的能力。一旦掌握专业黑客的逻辑，AI的耐力与规模优势将极大放大其能力，从而替代部分程序员与黑客的工作。 然而，让模型执行长程任务并非易事。唐杰强调，模型除具备执行能力外，还需拥有持续学习与自我判断能力，这直接引出了第二座大山。 引擎二：自治智能体系统（Autonomous Agent Systems）如果说长程任务解决的是“单个AI能否独立完成复杂工作”，那么自治智能体系统解决的是“多个AI能否像公司一样协同工作”。 唐杰认为，该系统由具备不同专业能力和分工的Agent组成。面对复杂任务，需有Agent负责制定计划，其他Agent分别负责查资料、写代码、测试及漏洞挖掘。当任务规模扩大时，还需专门的Agent分配算力并监督其他智能体的工作。 这些Agent可24小时自主运行、讨论、协作并纠错。唐杰去年提出“一人公司（OPC）”概念，如今其判断更为激进：未来可能出现“无人公司（NPC）”，从管理到执行均由AI主导。 但这并非简单增加账号数量即可实现。Agent数量激增会导致沟通混乱、任务重复及错误放大。真正的瓶颈在于组织机制：谁拆解目标？谁分配权限？谁检查结果？如何防止Agent间互相强化错误？ 因此，唐杰提出AI发展需要“自我判断”机制，以实现自我进化，这便是第三座大山。 引擎三：完全自我训练（Fully Self-Training）唐杰将“完全自我训练”视为最困难也最具诱惑力的方向。 目前大模型训练仍需大量人力：工程师采集数据、编写代码、运行实验并分析结果。完全自我训练旨在让AI逐步接管这一流程：自行写代码、清洗生成数据、启动训练，并根据结果设计下一轮实验。 核心方法之一是Self-Play（自我对弈）：让AI出题并答题，再由另一AI负责挑错评分。在代码、数学、游戏等结果可验证的领域，该方法已能生成大量训练材料。 虽然该方法未必节省算力（甚至可能增加），但能大幅节省人力。工程师只需设定目标，后续由机器自主运行。 然而，这引发了新的风险：AI可能脱离人类管控。学术界曾设想“达尔文·哥德尔机”，即通过AI自我升级实现性能无限增强，但因担心失控而鲜少研究。 这就引出了最后一个引擎：安全治理。 引擎四：安全治理（Safety Governance）若AI翻越前三座大山，其性能虽强，风险亦呈指数级增长。长程执行意味着持续行动，多Agent协作意味着错误放大，自我训练意味着决策逻辑可能连开发者都无法理解。 一旦出错，性质将从“模型偶尔回答错误”升级为“系统持续执行并放大错误”。 唐杰提出了两层防护体系： 为什么是智谱？为什么是现在？智谱无疑是中国乃至全球AI圈的焦点。 1. 技术实力对标Anthropic 6月底，外媒引用网络安全公司Semgrep的测试指出：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，甚至在特定任务上超越了Claude Opus 4.8。 这一对比引发了巨大争议。GLM-5.2是开源模型，而Mythos和Opus 4.8均为闭源。且GLM-5.2的价格仅为Opus的十分之一。 Databricks联合创始人Ali Ghodsi曾进行实测：其公司3000多名工程师使用两个模型完成相同任务，结果相近，但GLM-5.2单任务成本为1.28美元，Opus为1.94美元。 2. 开源与闭源的叙事冲突 2023年7月，阿莫迪在美国国会作证称开源AI是“非常危险的路径”。他认为闭源模型出问题可立即关闭、修复并追踪滥用者；而开源模型一旦发布便无法收回，无法监控使用者、无法撤销访问、也无法打安全补丁。 2026年6月GLM-5.2发布后，阿莫迪再次警告，称中国开源AI的扩散“令人不安”，前沿安全能力不应掌握在开源模型手中。 智谱的崛起直接挑战了Anthropic的叙事逻辑。 3. 工具链的闭环 ZCode 3.0深度适配GLM-5.2，且不再维护第三方Agent适配，成为GLM-5.2的专属工具。开发者只需通过自然语言提出需求，ZCode即可读取整个代码项目，调用终端和浏览器，修改文件、运行测试、检查Git变更，直接将项目推进至交付状态。 烧钱速度与资本信心智谱技术迭代迅速，资金消耗也极快。
此次为增发新股，定价较前一日收盘价折让约13%。理论上此举应压制股价，但市场反应截然相反：消息公布当日，智谱股价盘中一度上涨超20%。 智谱公告显示，这笔资金将在2027年底前全部投入三大方向： 在此背景下，唐杰发布长文旨在稳定军心，明确资金用途，向外界及内部传递清晰战略信号。 行业进入AGI决战前夜“Touch High”直译为“摸高”，而高处即是天空。 巧合的是，在唐杰发信前，MiniMax CEO闫俊杰也发布了题为《向天空尽头》的内部信。 7月9日，MiniMax迎来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%）。当日股价暴跌近18%，次日再跌近10%，市值从3月高点4100亿港元跌至不足800亿港元。 解禁暴跌当晚，MiniMax启动了上市以来最大规模再融资：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94.91亿港元来自配售，64.66亿港元来自可转债。资金用途为：80%用于AI基础设施和模型研发，10%用于Harness产品全球商业化，10%用于运营资金。 在此背景下，闫俊杰在信中做出三项承诺： 闫俊杰虽未如唐杰般列出具体技术细节，但其气势更盛，以个人身家押注MiniMax的长期价值，终点同样指向AGI。 上市不是终点，而是获得长期投入能力的开始。 此外，超级明星公司DeepSeek也获得了巨额资金。 今年6月，DeepSeek完成500亿元人民币首轮融资，并于6月25日启动全员扩招。此前，DeepSeek坚持不融资、不商业化、不路演，由梁文锋通过幻方量化利润供养团队，成立近三年拒绝外部投资。 如今，DeepSeek也瞄准了AGI。其招聘口号为“探索未至之境”，公告直言“人类正处于AGI的前夜”，邀请应聘者“亲历AGI发展进程，见证新纪元诞生”。 在33个招聘岗位中，最受关注的是今年3月新成立的Agent Harness团队。 DeepSeek内部公式为：Model + Harness = Agent。Harness决定模型能调用何种工具、访问何种资源以及如何交付任务。这与唐杰强调的长程任务和自治智能体理念不谋而合。 更有趣的是“AI跨界技术人才”这一特殊岗位。该岗位不设专业背景限制，面向“希望参与创造和构建AGI的候选人”。加分项包括“不走寻常路”、“在某个领域做到极致”、“有创业经历”。 DeepSeek的逻辑是：仅靠工程无法达到AGI，需要更多“参与者”。例如，认知科学或心理学人才的研究，可能通过模拟人类记忆、学习、判断和情感产生过程，帮助AI提升性能。 AGI还有多远？难以断言。但感觉，AGI真的不远了。 |