2026年智谱公司研究报告：中国AGI的领先探索者

智谱：AGI 路上的领先探索者

智谱以 AGI 为目标推进安全通用大模型商业化。智谱成立于 2019 年，围绕追求通用人工 智能创新的理念，持续投入通用大型模型研发，并强调模型安全性与智能能力的协同提升。 其在 AI 研究的全谱系中推进技术落地，同时稳步扩展商业应用场景，实现收入较快增长。 随着能够自主思考、学习与创造的智能 Agent 逐步成熟，相关应用有望对工作方式、生活 形态及社会组织方式带来结构性影响。根据 Frost & Sullivan 预测，到 2030 年，AI 将赋能 全球至少 20%的日常商业决策，并赋能全球至少 80%的消费者主流智能设备，形成超过 20 万亿美元的 AI 影响经济。

押注 Level 1-5 五级 AGI 路线图

智谱将 AGI 视为 AI 持续演进的必然方向，并以“智能公共设施化”为愿景。公司认为，随 着模型能力不断提升，智能将被工业化规模制造并像水电一样融入社会体系，实现随时可 用、无处不在的服务供给，从而推动生产力释放与创造力放大，并在更广时空范围加速科 学发现与技术突破。能够自主思考、学习并创造的智能体将推动人机协作范式变化，并对 工作方式、生活形态及文明演进路径产生深层影响，我们认为该愿景为公司技术与商业布 局提供了长期叙事框架。 智谱提出 AGI 五级路线图，并聚焦 Level 1 至 Level 3 阶段的系统性推进。Level 1 对应预 训练阶段，核心在于让机器具备理解、书写与表达自然语言的能力；Level 2 对应对齐与推 理阶段，强调使机器与人类意图对齐并具备推理与规划能力，通过提升安全性、减少幻觉 （hallucination），并实现与图像、视频、音频及动作的多模态对齐；Level 3 对应自主学 习阶段，强调机器通过自我批判、自我反思与深度沉思（rumination），从自身思考与行为 中持续学习。Level 4 与 Level 5 进一步指向自我感知与意识等更高阶能力。我们认为，其 分级框架有助于明确技术迭代里程碑，并控制 AGI 可能带来的风险。

智谱以 GLM 体系为核心推进自主可控大模型生态，并形成平台化商业落地路径。公司率先 推出中国首个自主可控的预训练大模型框架 GLM，并逐步发展为国内通用大模型独立开发 商的重要参与者：2021 年发布 GLM 框架并推出模型即服务（Model-as-a-Service，MaaS） 产品开发与商业化平台；2022 年开源首个千亿级模型 GLM-130B。截至 2025 年 6 月 30 日，模型已赋能超过 12,000 家机构客户、约 8000 万台设备。据 Frost & Sullivan 数据，按 2024 年收入计算，智谱是中国最大的通用大模型独立开发商。

商业模式：一体化 MaaS 平台，支持云端/本地部署

智谱以 MaaS 平台为核心构建产品与服务交付体系，较早实现规模化商业化落地。智谱 MaaS 平台于 2021 年开始商业化，根据 Frost & Sullivan 数据，其时间点较中国通用大模 型规模化商业化早两年。依托 MaaS 平台，智谱以合适、合理且可扩展的方式向客户交付 智能能力，形成从模型供给到应用开发的标准化路径，为后续行业复制与客户拓展奠定基 础。我们认为，这一“平台先行”的策略有助于提升商业化效率与交付一致性。 智谱的一体化 MaaS 平台建立在先进模型能力之上，提供完整模型矩阵与配套智能体工具 链。MaaS 平台覆盖智能体开发平台与模型微调平台等能力组件，并支持灵活部署选项，使 不同 AI 能力基础的机构客户均可高效、成本效益高地使用与微调模型、开发应用，并在多 样化行业场景中释放智能体能力。通过工具化与流程化能力封装，平台降低了模型使用门 槛，同时增强了规模化交付的可管理性与可扩展性。 智谱围绕应用场景丰富、覆盖面较广的行业进行重点布局，并同步拓展公共部门合作。公 司聚焦科技、金融服务、智能设备、零售、医疗健康等领域，面向高频业务流程与数据密 集型场景推动模型与智能体应用落地。同时，公司积极与公共部门合作，参与建设并推动 国家级与城市级大模型生态体系发展。我们认为，行业纵深与公共生态的“双线推进”有 助于形成更广的应用触达与生态协同空间。

智谱客户数快速增长，侧面验证 MaaS 平台的可扩展交付能力。伴随品牌知名度持续提升， 公司客户基础保持较快扩张。截至 2022 年/2023 年/2024 年 12 月 31 日，公司机构客户分 别为 48 家/2,873 家/5,580 家；截至 2025 年 6 月 30 日，公司机构客户为 3,156 家。客户 数量在不同统计时点存在阶段性波动，但整体呈现由早期导入向规模化渗透演进的特征， 我们认为，其背后反映的是平台化产品形态在多行业场景中的复制效率与交付承载力。 智谱 MaaS 平台以“模型矩阵+性能安全+闭环飞轮”为核心特征，推动生态与模型协同迭 代。平台构建先进 AI 模型的完整产品矩阵，并通过 MaaS 商业模式赋能企业与个人用户， 实现多样化场景下便捷的定制化模型部署；在能力交付层面，平台强调全球领先的性能表 现，同时兼顾安全性与可靠性，以满足机构级应用对稳定性与合规风险控制的要求；在持 续演进机制上，平台通过“闭环 MaaS”（MaaS in the loop）形成正向飞轮效应，促进模 型能力、工具链与生态体系的持续强化与迭代升级。我们认为，该机制有助于增强平台的 长期竞争力与客户黏性。

智谱的 MaaS 平台包含以下三个层次： 1）智谱 MaaS 以模型矩阵为底座。MaaS 平台强调“全面的模型组合”，覆盖语言、多模 态、智能体与代码生成等能力，形成较为完整的先进 AI 模型体系。通过提供广泛且能力较 强的模型库，客户与开发者可在不同任务需求下进行匹配选择，从而在同一平台内获得面 向多类业务的模型供给，降低从模型评估到落地应用的选择成本与迁移成本。 2）智谱 MaaS 以应用层扩展承接场景落地。MaaS 平台侧重“可扩展的应用”，相关模型 与智能体围绕跨硬件、跨应用场景、跨业务流程的协同设计，面向复杂任务支持 AI 原生、 多模态、整体式对话，并提供一定的深度推理能力。具体而言，智谱的 MaaS 平台提供智 能体工作空间，配置多种智能体模板与场景化方案，并通过简化的模型微调、增量模型训 练与提示工程，帮助客户在较短周期内完成智能体的定制化部署。 3）智谱 MaaS 以基础设施适配保障规模化部署。MaaS 平台在“易适配的基础设施”层面， 联合基础设施业务伙伴设计算力架构，强化计算、网络、训练通信与推理加速等能力的协 同，以提升集成效率与部署可用性。合作还强调模型的适配性，支持从 1.5B 到 230B 参数 规模的模型部署，覆盖云端与大规模芯片组等形态，并进一步具备向海量消费级设备（如 手机、个人电脑、智能设备）扩展的条件，从而触达更广泛的终端使用场景。

智谱以云端部署满足快速落地与弹性扩展需求。对于基于云的部署形态，模型托管在可扩 展且可靠的云基础设施上，更适配追求敏捷交付与便捷接入的企业需求。通过云端交付， 客户可减少对本地算力与运维体系的前置投入，进而以较低的实施门槛实现 AI 能力上线， 并在业务增长过程中按需扩展资源配置，支持以相对经济的方式推进人工智能解决方案的 规模化应用。 智谱以本地部署强化数据可控与场景深度定制能力。对于本地部署形态，模型部署在客户 自有基础设施中，使组织能够基于专有或敏感数据进行领域化定制，以提升模型对特定业 务的适配度。本地部署同时带来对性能优化与基础设施配置更高的可控性，便于围绕算力、 网络、存储与安全策略进行体系化调整，因此在复杂度较高或专业化程度较强的应用场景 中具备更强的适用性。

股权结构

智谱成立于 2019 年 6 月，团队源自清华。公司由具有深厚清华大学学术背景的团队创立， 核心成员包括刘博士、李博士、唐博士、许博士、张博士以及王先生。发展过程中，公司 强调延续创始团队的严谨学术精神与创新追求，并围绕人工智能前沿技术持续投入与迭代。 在能力建设路径上，公司力求在模型能力、工程化落地与产业应用等方向形成可复用的方 法论与产品化路径，进而支撑不同业务场景的智能化升级需求。截至 2025 年 5 月，智谱已 完成八轮融资，累计融资金额超过 83.6 亿元人民币。据招股说明书，本次发售公司估计获 得约 41.7 亿港元的所得款项净额。 公司控制权安排与员工持股结构较为清晰且具备制度约束。根据公司招股说明书披露，截 至全球发售完成后，通过《一致行动协议》共同控制公司的控股股东包括北京链湃、刘博 士、唐博士、李博士、许博士、张博士、慧惠及智登等，合计持有公司约 33.03%的股份。 此外，截至全球发售完成后，员工持股平台合计持有 6,667,904 股底层股份，占公司已发 行股份的约 16.55%。我们认为，控股股东一致行动与员工持股平台并存的安排，有助于在 控制权稳定与团队激励之间形成相对平衡的治理机制。

董事及高级管理层

核心高管团队具备扎实技术底色与长期从业积累。刘博士在计算技术行业拥有近 18 年的丰 富经验，2007 年 9 月至 2012 年 12 月就职于北京汤姆逊（中国）科技有限公司，任职至研 究员；随后在清华大学担任高级工程师。张博士在计算机科学领域拥有近 20年的从业经验， 2005 年 8 月至 2020 年 12 月在清华大学工作。整体来看，公司管理层在产业研发与高校科 研体系均有长期沉淀，为技术路线选择与工程化推进提供支撑。 核心技术领导团队兼具大厂工程化能力与国际化研发视野，能很好的支撑技术持续迭代。 据公司招股说明书披露，公司核心技术团队汇集知名学者和行业专家，在学术研究上贡献 卓著，拥有众多全球专利，并在谷歌、卡内基梅隆大学、清华大学、伊利诺伊大学等顶尖 机构和高校积累了深厚的研究与实践经验，覆盖从基础研究到工程落地的多个环节。我们 认为，该类复合型人才结构有助于提升模型研发效率与场景交付的稳定性。

智谱发起人唐杰教授是兼具学术深度与产业牵引力的核心技术旗帜。据清华大学个人主页 信息，唐杰现任清华大学计算机系教授，是 ACM Fellow、AAAI Fellow、IEEE Fellow，研 究方向覆盖 AGI、数据挖掘、社交网络、机器学习和知识图谱。若从公司竞争力角度观察， 其价值并不止于学术头衔，而在于能够同时提供技术路线判断、人才吸引力与行业公信力。 据 Google Scholar 页面显示，唐杰当前论文累计引用约 70,746 次，h-index 为 121；据 IEEE ICDM 2023 Research Contributions Award 相关介绍，其因在 data mining systems、 network science、foundation models 等方向的持续贡献获奖，体现出其并非单篇论文驱动 型学者，而是在多个技术代际中均保持影响力的系统型研究者。 唐杰对智谱的意义在于把研究影响力进一步转化为平台与产业能力。据唐杰个人主页信息， 其代表性成果可概括为三类：1）学术网络挖掘方向，其 KDD 2008 论文《ArnetMiner: Extraction and Mining of Academic Social Networks》获 2020 SIGKDD Test of Time Award， 显示相关工作具有长期影响；2）图表示学习方向，其参与的《LINE: Large-scale Information Network Embedding》被广泛引用，体现方法层贡献的持续渗透；3）学术知识图谱与数据 基础设施方向，唐杰团队围绕 AMiner 与 Open Academic Graph 构建了覆盖 2.7 亿论文、 1.3 亿学者、1.2 亿专利的科技知识图谱，并形成面向全球用户的平台化应用。我们认为， 唐杰老师对于智谱的意义，不只是提供技术背书，更在于其能够在基础模型路线判断、核 心人才集聚、学术资源整合和产业公信力建立方面形成持续牵引。

强技术基因并未削弱商业化，智谱已形成较清晰的收入与交付体系。据招股说明书数据， 公司 2024 年实现收入 3.12 亿元，同比增长 151%；2025 年上半年实现收入 1.91 亿元，同 比增长 325%。截至 2025 年 6 月 30 日，公司已组建 145 人的专业销售和营销团队，并通 过一体化 MaaS 平台，以云端 API、本地化部署和端侧预装等多种方式，为各行业客户提 供模型与智能体解决方案。这表明公司已不再停留于研究导向阶段，而是逐步建立起覆盖 产品、销售与交付的一体化商业化体系。 本地化部署收入占比提升，进一步验证智谱商业化落地具备企业级支撑。进一步看，智谱 当前商业化更具说服力的，并非低价云调用放量，而是更贴近政企真实采购流程与交付逻 辑的本地化部署业务。据招股说明书数据，公司 2024 年本地化部署收入为 2.64 亿元，2025 年上半年为 1.62 亿元；对应毛利率分别为 66.0%和 59.1%，均高于云端部署业务。换言之， 智谱的商业化并非“只有技术、缺少变现”，而是已在高价值、可交付、可验收的企业级 场景中形成收入与毛利支撑。我们认为，智谱的技术基因并非商业化的对立面，反而是其 在政企及行业客户市场建立可信度与产品壁垒的重要前提。

基于大语言模型的 AI：第四次工业革命的拐点

AI 能力扩散正重塑全球经济增长与产业运行范式。AI 作为计算机科学的重要分支，主要指 模拟和扩展人类智能的技术体系，使机器具备感知、理解、推理、学习并做出自主决策的 能力，从而在较少人工干预的情况下执行复杂任务。AI 发展正持续影响经济增长方式、企 业运营流程与个人生活场景。根据 Frost & Sullivan 预测，到 2030 年，AI 将赋能全球至少 20%的日常商业决策，并启用全球至少 80%的消费者主流智能设备，创造超过 20 万亿美元 的 AI 影响经济。 中国 AI 市场规模呈现较快扩容趋势并具备增长空间。据 Frost & Sullivan 数据，中国 AI 市 场规模从 2022 年的人民币 937 亿增长至 2024 年的 1607 亿，2022 年至 2024 年的复合年 增长率为 31.0%。根据 Frost & Sullivan 预测，到 2030 年中国 AI 市场规模将进一步增加至 9930 亿，2024 年至 2030 年的复合年增长率为 35.5%。我们认为，在应用渗透率提升与产 业链协同完善的背景下，市场扩容有望为模型服务、算力基础设施与行业解决方案带来持 续需求。 算力、算法与数据共同构成 AI 增长的关键驱动。计算能力是模型训练与推理的基础，也是 扩展与商业化 AI 技术的必需品，随着模型复杂度提升及参数规模增长，对计算资源的需求 持续上升。算法是支撑 AI 模仿并提升智能表现的核心构件，其优化影响学习效率、通用能 力与适应性，从决策树、支持向量机到深度神经网络与基于 Transformer 的架构演进，推动 多模态交互与基于 Agent 的任务执行等突破，并有助于减少对算力的依赖、提升应用可行 性与成本效益。数据是训练与持续优化模型的基本元素，AI 能力改善依赖大量高质量数据 输入，数据规模、质量与多样性将直接影响模型在感知、理解与决策任务中的学习效果与 智能水平。

大语言模型演变或不会重蹈判别式 AI 价值量被压缩的覆辙

大语言模型（LLM）被视为 AI 迈向 AGI 的关键底座。当前 AI 正由人工狭义智能 ANI（Artificial Narrow Intelligence）向人工通用智能 AGI 演进：ANI 通常聚焦特定任务，而 AGI 指向更高 复杂度的智能水平，能够在更广泛的认知任务中实现类人水平的理解、推理与迁移。LLM 作为该阶段的重要驱动力，伴随参数规模扩展、语义理解增强、多模态融合与自演化能力 迭代，逐步突破传统碎片化判别式 AI 应用的能力边界，并在通用任务覆盖与交互式问题求 解方面体现出更强的技术延展性。

AI 范式正由传统判别式 AI 加速转向通用基础模型驱动体系。判别式 AI 主要面向识别与判 断类任务，如分类、回归与物体检测，其核心是学习输入与标注输出之间的映射关系，以 提升在单一任务上的决策准确性；但在复杂应用需求下，其局限性较为突出：1）语义理解 与多模态处理能力相对有限，往往难以稳定支持深层语义把握、多轮对话与多模态信息融 合；2）泛化能力偏弱，模型多为特定任务定制，对新任务适配与跨场景迁移的灵活性不足； 3）自主决策与交互能力相对欠缺，运行方式更偏被动与反应式。相比之下，LLM 作为预训 练于海量数据的大型深度学习模型，基于包含数十亿乃至数千亿参数的神经网络构建，能 够理解并生成自然语言及其他类型内容，从而覆盖更广泛的任务集合。我们认为，上述能 力差异是产业侧持续向 LLM 底座与智能体应用倾斜的重要原因。

判别式价值易下沉，基础模型通过多层定价对冲渠道挤压。判别式能力往往被模块化为可 替换组件，一旦数据与场景标准化，模型差距收敛后价格更易向“工程交付+硬件打包”靠 拢，终端厂商凭摄像头、芯片、SDK 与系统入口将其固化为默认功能，价值捕获更可能迁 移至硬件、渠道与集成商。基础模型公司则更侧重通用能力在工作流的渗透，同一底座可 沿多路径变现：1）开发者侧 API 调用。2）企业侧订阅与席位。3）行业侧私有化部署与定 制。4）平台侧模型托管与推理服务，并叠加评测、微调、知识库、Agent 编排等工具链价 值；5）未来可能出现的新的商业化路径，如“按结果付费”等。我们认为，一方面通用 LLM 的能力有更宽阔的商业化路径，另一方面基础模型厂商也持续把“模型”推进为“系统”， 以可交付的工作流结果叠加安全合规、权限控制、审计留痕与企业系统连接能力，因此更 不易被终端厂商压缩价值。

我们认为，基础模型厂商的 2B、2C 业务更多是能力外溢下的“沿途下蛋”。在通往更强 通用智能的过程中，阶段性产品化往往用于验证能力边界、获取真实任务反馈并支撑算力 与研发投入，但其形态未必对应终局商业模式。随着模型进入企业与生产真实流程，商业 化可能从单点应用收入迁移至平台化调用、代理系统托管、行业工作流嵌入、生态分成与 基础设施绑定等更高层级的计费结构。我们认为，市场定价的重点在于基础模型能力的可 持续迭代与稀缺份额，而非某一条 2B 或 2C 产品线的阶段性表现。 大模型成长逻辑更接近“训练迭代曲线”而非移动互联网用户飞轮。据 MiniMax CEO 闫俊 杰与晚点的访谈，移动互联网的用户规模与反馈能直接反哺推荐算法，使其更懂用户，但 这些数据并不能直接让模型变得更聪明；现阶段提升大模型性能的核心方法仍是训练与迭 代新模型。由此，基础模型厂商的竞争要点更偏向算力组织、数据工程、训练方法与后训 练体系等供给侧能力，而非单纯依赖用户量带来的数据回流。我们认为，这使得“领先模 型能力+持续迭代节奏”更容易形成价值量的非线性放大。 测评体系正向“生产力落地”偏移以对齐经济贡献。据 OpenAI 于 2025 年 9 月发布 GDPval， 提出“把能力和 GDP/职业任务对齐”，从对美国 GDP 贡献较高的行业中选取职业，覆盖 44 个职业、1320 个任务，并要求输出真实工作产物如法律文书、工程图、客服对话、护理 计划等；同时，据 Andon Labs 的 Vending-Bench，其用模拟环境让 agent 经营自动售货机， 关注“长周期一致性”和“持续经营”；据 Anthropic 的 Project Vend，其进一步以真实办 公室小店实验验证AI进入经济系统后的行为。此外，海外头部模型厂商也开始将 AI4Science 纳入远期的模型迭代规划。我们认为，测评从学术题走向职业任务与自主经营，未来大模 型的“终极”价值或在于对全球生产力/GDP 的贡献。

利用自上而下估值框架，我们测算理论上到 2030 年国内基础模型厂商可达到 70 亿美金的 收入规模。该框架以 GDP 为起点，用 Gartner 的全球 AI 支出作为锚点，并逐层拆解可计 费空间：1）用软件+服务+IaaS+模型合并得到可计费池，并以可计费池占 AI 支出的比重刻 画“可收费部分”；2）再用模型层占可计费池的比重得到模型收入池，即 2030 模型收入 池=GDP×（AI 支出/GDP）×（可计费池/AI 支出）×（模型层/可计费池）；3）为了简单 起见，在不讨论折现的情况下，以目标收入=收入池×份额进行分配，全球口径由海外主要 厂商与国内多家厂商共同分全球池。

Transformer 架构依然主流，Diffusion 生成文本值得关注

当前全球大模型仍以 Transformer 的 decoder-only 架构为核心主流。尽管近年来陆续出 现如 Mamba、KAN 等新型网络结构，但尚未在工程实践中形成主导地位，Transformer 体 系依旧占据核心位置。我们认为，在可预见阶段内，Transformer 仍将是大模型研发与优化 的基础框架，其生态与工具链优势将继续巩固主导地位。

我们认为，未来仍可能出现替代 Transformer 的新型架构。尽管 Transformer 自 2017 年 提出以来已成为主导范式，但其真正获得全球关注与验证是在 2023 年底 ChatGPT 问世之 后。回顾这一历程可以发现，技术范式的更替往往具有滞后性，新的架构或已在研究阶段 出现，只是尚未进入广泛应用周期。我们认为，随着模型规模、算力利用和推理方式的进 一步演进，未来在特定时间点上，或将出现性能与效率兼备、并能超越 Transformer 的新一 代主流架构。 Diffusion 架构正被重新审视，其在生成领域的应用边界正逐步扩展到文本领域。Diffusion 架构本身并非全新技术，主要用于图像与视频生成。2024 年初 Sora 的发布，展现了 Diffusion 与 Transformer 结合的潜力，显著提升了视频生成的一致性、分辨率及时长表现。25 年 5 月，Google 首次尝试将 Diffusion 算法用于文本生成，发布 Gemini Diffusion 预览版，字节 随后也推出 Seed Diffusion 以跟进相关方向。Diffusion 的优势在于 Token 生成速度快（字 节 Seed Diffusion 专门用于代码生成，其推理速度达到 2,146 token/s，比同等规模的自回 归模型快 5.4 倍），且生成后可进行精细化修改，而 Transformer 基于 Next Token Prediction 的生成方式则缺乏这种可回溯调整能力。我们认为，尽管 Diffusion 能否取代 Transformer 成为主流尚待验证，但其在头部厂商中的探索已具前瞻意义，值得持续关注。

编辑：火腿肠