2026.10.11 | AC | China AI | GLM Expert: Compute Plans & AI Coding

摘要

本文核心要点包括：1， GLM国内外算力部署规划，以及相应对模型迭代影响2， 国产AI芯片推理效果表现3， AI Coding商业化增长潜力估计及竞争格局变化

正文

以下为专家观点：

1，当前智谱模型训练和推理分别使用了哪些类型的算力卡？

训练和推理所使用的算力卡有所不同。训练主要使用英伟达的GPU，具体型号包括H100、H800、A100、A800，以及B200和B300系列。此外，也使用了一些昇腾训练小参数模型。推理端则主要采用昇腾950 PR，并辅以一些海光、摩尔线程等国产算力卡。

2，对于英伟达B系列等高端算力卡，主要是通过何种渠道获取？

英伟达B系列实体卡主要通过云服务商租赁来满足。在部署策略上，国内是算力部署的重点区域。海外业务则主要采用本地化部署模式，即直接使用客户在当地（如美国或马来西亚）的算力资源。此前曾尝试过在海外进行大规模算力租赁，但在遇到一些问题后已停止，目前仅限于利用客户的本地部署算力。

3，目前公司在国内外算力的总体部署规模如何，自持与租赁的比例是怎样的？

算力部署以国内为主，海外占比较少。从算力构成来看，自持与租赁的比例大致为50:50。公司建设了一个包含10万张算力卡的数据中心，其中大部分为自持的昇腾950 PR等国产实体卡，同时也包含一部分自持的英伟达GPU。

未来的策略是，由于无法直接采购到如B200、B300等最先进的英伟达实体卡，这部分高端算力将主要通过租赁方式获得。同时，采购的重点将转向国产算力卡。目前正在尝试将用于推理的国产算力卡，例如昇腾950 PR，应用于后训练环节，相关工作尚处于探索和尝试阶段。

4，考虑到英伟达高端卡的获取受限，这对未来模型参数规模的规划（如从当前的5系列到下一代6系列1.6T）有何影响？以及为何当前没有规划参数量达到3T或5T规模的更大基础模型？

模型参数规模的扩展，即Scaling Law，其核心在于预训练阶段。公司认可参数规模越大、模型智能能力越强的观点，但目前的战略选择是优先发展后训练技术，而非预训练，这是未追求极大参数规模基础模型的首要战略原因。其次，预训练阶段对算力要求极高，国产卡（如摩尔线程、地平线、昇腾等）在性能上与英伟达高端卡存在差距，同时国产卡产能和可获得的英伟达卡数量均有限，这构成了进行超大规模预训练的客观限制。

公司的核心竞争力押注于后训练环节，主要通过两大手段构建优势：一是引入大量高质量的专家数据，对标Anthropic，通过核心专家网络、权威专家及外部众包等方式获取；二是在后训练阶段进行深度的工程优化和异步agent等方法创新。这一战略旨在极致地提升和利用基础模型的效率，通过后训练技术拉开与竞争对手的差距，并已率先在coding和agent两个方向发力，以期实现一个季度领先行业半年的效果。相较之下，OpenAI、Anthropic、字节跳动和KIMI等公司则主要在基础模型的总参数规模上进行竞争。

5，专家数据的具体构成是怎样的？

专家数据主要由三部分构成。第一部分来自内部的专家团队，该团队由各行业的顶尖专家组成，例如在编程领域，有获得过ACM金银奖的成员。他们通过在模型的Chain-of-Thought过程中识别并标注错误，特别是找出一些极端问题，然后制作成掩码形式的数据，用于模型再训练，从而让模型理解其推理错误的原因。这个过程需要极强的业务认知能力。第二部分是外部众包的数据，主要积累了法律、金融和编程等领域的专家能力和权威知识，形成了大量的标注数据。第三部分来自供应商合作，其主要提供评测数据和失败轨迹，帮助智谱生成相关的模型数据，然后通过回溯机制发现问题并持续生成数据，以增强模型数据的质量和全面性。

6，以5系列模型为例，当前模型训练所使用的数据结构是怎样的，各类数据占比如何？

如果按照数据对模型的价值量来衡量，专家数据大约占50%至60%；但如果从数据量的角度看，专家数据占比约为20%至30%。合成数据占比约为30%至40%。此外，还有一部分是环境驱动的数据，而通过API蒸馏的数据占比大约在5%左右。

但未来通过API进行蒸馏的数据会减少至零。智谱主要采用环境驱动的深度学习方法，因此这部分数据占比较大，这也意味着类似Anthropic融资事件对智谱的影响最多只涉及5%的数据量。

7，如何看待智谱AI当前的商业化进展？未来的商业化方向将如何发展，是否会严重依赖于模型能力，尤其是在编程领域的能力提升？

今年（2026年），公司在商业化方面完成了一次结构性切换。MaaS开发平台和API的收入占比显著提升，API的平均售价较年初提升了一倍，同时推理成本下降了80%，在相同硬件上的性能提升了约3倍，这使得API业务的毛利率转正。模型调用量增长了100倍，前十大用户的日均调用量也增长了100倍。这些进展主要归功于智谱的Agent和编程相关解决方案的成功切换，其中编程能力的提升是关键的爆发点。

8，在编程这个赛道上，预计还有多大的增长空间？除了编程领域，未来是否看到了其他新的商业化机会？

智谱预估在编程领域至少还有三到四倍的增长空间。目前，虽然国内许多公司已经应用了AI编程工具，但尚未实现真正替代人工，例如替代工作经验在五年以内的初级程序员。如果能实现这一点，公司的营收和利润将迎来质的飞跃。

9，鉴于国内大型科技公司正加强其AI编程能力，这对后续Coding领域的竞争格局、用户群体以及智谱AI的先发优势会产生哪些潜在影响？

首先，在Coding领域智谱具备先发优势，这体现在智谱拥有庞大的付费客户基础、稳固的客户关系以及在数据和模型方面的积累。智谱将持续深耕这一领域，寻求下一个技术突破点，以巩固智谱在业务、数据和技术上的领先地位。智谱判断，由于市场本身是增量而非存量，即使各大厂商都进入，智谱作为领跑者仍将占据更大的市场份额并实现更快的增长。

其次，大型科技公司进入此领域更多是采取一种防御性策略，而非进攻策略。相较之下，其他后发竞争者（如Kimi）在技术、数据和客户关系方面并不如智谱全面，竞争优势差距仍在拉大。因此，智谱对未来的增长保持乐观，竞争的核心在于谁的增速更快，而非此消彼长的存量博弈。

10，智谱AI中短期的战略重点是什么？在核心业务的基本盘之上，公司对Agent和开源小模型等新市场有何布局和进展？

智谱的核心基本盘是Coding和Agent两大领域，战略目标是继续深化技术，维持在国内的技术领先优势。智谱预计这一基本盘的增长空间至少还有三到四倍，并将依托技术、数据、模型及商业化的先发优势来维持高增速，持续扩大收入。

在基本盘之外，智谱希望通过Coding和Agent Research打开新的市场。具体进展如下：

在Agent场景方面，智谱发布了智能体手机和AutoGLM的DeepSearch等产品。智谱还提供了云端智能体形态，用户可通过一条指令在云端异步执行任务，不占用本地设备资源。商业化方面，智谱的编程订阅产品（Coding Plan）在2026年2月提价超过30%；企业级智能体业务2026年上半年同比增长了三倍，包括政企私有化部署在内的业务也在进一步稳固。

在开源小模型方面，智谱的GLM-5系列已全部开放，GLM 5.3 Flash版本采用MIT协议，GLM 5.3权重下载量已达9.4万次，旨在覆盖长尾的端侧应用场景。智谱与硬件厂商进行了深度绑定，例如GLM-4V系列视觉大模型已深度适配高通骁龙8至尊版处理器；三星S25系列的AI视频通话功能也由智谱的GLM模型提供技术支持，其预装的搜索智能体使用的是“智谱清言”智能体。此外，智谱还与荣耀成立了大模型联合实验室，基于AutoGLM进行深度合作，智谱提供“发动机”，他们负责“造整车”。智谱判断，到2027年，AI手机和AI PC的渗透率及增速将显著提升，端侧业务的主要价值并非直接收入，而是作为数据和场景的入口，实现“小模型在端，旗舰在云”的端云协同。

11，与荣耀等B端客户在端侧小模型上的合作，其商业模式是怎样的？

与荣耀这类B端客户的合作采用项目制，具体为私有化部署项目。由B端客户（如荣耀）提出需求，智谱为其提供相应的服务并收取项目费用。对于端侧业务，当前阶段的主要目标并非直接的收入，而是获取关键的数据、场景以及用户入口。

12，对于MaaS或API形态的业务，核心客户主要集中在哪些行业类型？

核心客户群体主要集中在金融行业，这是智谱的一个核心优势领域。此外，能源电力和政企客户也占有较高的比例。

其中金融客户通常不会只依赖单一供应商。智谱的核心优势在于，智谱为金融客户提供的服务更深入、更完善。具体差异体现在以下三点：第一，智谱不仅模型本身性能优越，还提供非常齐全的工具链；第二，智谱的模型能力覆盖前端、后端以及金融领域涉及的多种编程语言，而竞争对手可能仅在前端表现较好；第三，智谱积累了大量金融行业特有的专业代码和数据，形成了专家知识库，结合更多的客户反馈和用户数据，使得模型在实际应用中更精准、更好用。基于这些因素，加上智谱的先发优势和已积累的客户基础，智谱建立了较深的技术和客户壁垒。

13，在金融等垂直领域，客户的持续使用是否会形成数据壁垒，从而增强模型能力并构建商业闭环？

是的，这个逻辑是成立的。智谱能够获取用户的轨迹数据，随着客户数量和用户规模的增长，智谱收集到的反馈数据会更多样、更准确。这些数据，特别是对于智谱采用的环境驱动合成数据技术而言，能够持续优化和提升模型的预测精准度。模型能力的增强会吸引更多客户，扩大市场规模，从而形成一个正向的商业闭环。这个闭环不仅体现在模型和数据层面，也体现在品牌影响力的深化上。智谱的开源生态策略也是这个闭环的一部分，旨在通过开源引流、建立生态标准，再通过分层变现（如旗舰闭源模型主攻高价值企业服务，开源模型走量）来实现商业化。

14，如何看待当前算力供需关系的变化？未来的产品价格是否会持续提升？

未来价格会提升，因为作为上市公司，智谱需要呈现更好的财务数据。在提升价格的同时，智谱的模型调用量预计也会翻倍增长，并且智谱会持续优化自身成本，以实现更高的毛利率。未来两年，智谱将维持“闭源旗舰、开源中大、免费小模型”的三层产品架构。在算力方面，智谱会采购更多芯片以支持后续发展。推理成本预计将以每年20%至30%的速度下降，这主要得益于国产芯片的应用。

15，目前算力消耗结构有何变化趋势？国产芯片的进展如何？

算力消耗结构正逐渐从训练主导转向推理主导。例如，Agent单轮对话的token消耗量是普通对话的几十到上百倍，这使得成本和芯片供给成为商业化的主要制约因素。在国产芯片方面，推理环节已基本可用，而训练能力正在跨越关键阶段。为了应对外部挑战，智谱已将全部流量切换至国产芯片上进行推理。