一口气了解智谱：GLM怎样从客户机房走进编程工具

2026年9月13日，智谱披露了一份约50亿美元的融资安排。按公告的折算关系，约20亿美元来自发行新股，约30亿美元来自可以换成股票的债券。债券约占60%，这笔融资也带着后续偿还或转股的安排。协议已经签署，资金仍待交割。交割就是双方按约完成付款和证券交付，两部分融资还各有需要满足的条件。

智谱是一家训练AI大模型、向企业和开发者提供模型服务的中国公司，GLM是它的模型系列。在海外，你更容易看到Z.AI这个名字。2019年，清华的研究团队成立智谱时，手里已经有技术、客户和收入，早期客户主要需要从大量科技资料中找到有用信息。

智谱后来把GLM送进企业自己的机房，按项目收钱，如今又把增长重点转向在线调用和编程服务。2025年，本地部署贡献了公司73.7%的收入；2026年上半年，开放平台及API的收入占比已经达到86.5%，这类云端服务包含API调用和编程套餐。API是软件之间传递请求和结果的接口，用它连接模型，客户不用每次都打开聊天网页。

同一家公司的收入来源，在很短的时间里换了主次。研究团队为什么走向创业，企业为什么愿意付费，模型开放出来以后又怎样赚钱，都和这次转向有关。把这些关系讲清楚，才能判断新一轮融资究竟要支持怎样的一门生意。

30秒看懂

• 这家公司是谁：

智谱来自清华研究团队，开发GLM模型，也提供聊天、编程和自动执行任务的工具。

• 最近的大新闻：

2026年9月13日披露约50亿美元融资安排，包含新股配售和可转债，截至写作时仍待按条件交割。

• 钱怎么赚：

早期主要向企业交付本地模型项目，现在更多依靠API调用和编程订阅收费。

• 最值得注意的变化：

2026年上半年收入已超过2025年全年，但研发开支仍远高于当期毛利。

• 本文只回答一个问题：

智谱怎样把模型能力做成客户持续愿意付钱的服务？

开始之前，先解释几个关键名词，后面看不懂了随时翻回来查。

2019年，清华团队带着客户出来创业

下面我们来从头介绍这家公司。智谱的早期故事，要从清华的知识工程研究说起。知识工程关心一个具体问题：怎样让计算机整理资料、识别关系，并把信息用到实际任务里。

最早的客户要解决什么问题？
学术机构和科技企业经常需要查论文、找专家、了解某个研究方向。只搜一个关键词，很容易同时找到同名作者、重复收录的论文，以及内容相近却关系不同的资料。要把这些信息整理成能用的结果，系统还要识别作者与机构，处理同名实体，连接论文、研究者和研究主题。

清华团队长期做的AMiner，就是学术信息挖掘与分析系统。知识图谱是这类工作里的一种组织方式，把人物、机构、论文等对象及其关系记录下来，方便进一步检索和分析。例如，识别两位同名作者时，系统需要结合所属机构、论文主题等信息，判断两组资料是否指向同一个人。

张鹏在早期专访里回忆，团队成立公司时，研究和工程已经结合了很长时间，也有科技情报领域的客户和收入。因此，智谱早期就要处理客户需求，考虑系统能不能稳定运行。科研成果走进公司以后，还要有人负责交付、维护，以及客户愿不愿意继续买。

谁创办了智谱？
刘德兵、李涓子、唐杰、许斌、张鹏和王绍兰，都是招股书列出的创始团队成员。公司于2019年6月注册成立。团队把研究、工程和经营经验带进了智谱。

唐杰长期从事知识挖掘和人工智能研究，外界熟悉他的技术判断。刘德兵担任董事长，张鹏担任首席执行官（CEO），负责公司经营的工作。刘德兵有产业研发和清华工程经历，张鹏也在清华长期从事研究与工程工作，团队把不同的经验带进了公司。

人物分工也能从早期投资人的观察里看出来。《中国企业家》的采访记录了启明创投投资人周志峰与团队交流的经历，张鹏会具体谈高并发查询的延迟和工程实现。高并发，就是很多人同时向系统发出请求。模型回答得对，还要在很多客户同时使用时及时给出结果，商业服务从这里就开始增加要求了。

为什么后来改做通用大模型？
2020年，GPT-3让团队重新考虑语言模型能够覆盖的任务范围。过去，一个系统可能主要负责找论文、抽取关系，新的大模型则显示出在多种语言任务之间迁移的可能。智谱开始投入GLM，希望同一个基础模型经过适配后，能够服务更多场景。

通用模型要先从大量资料中学习，再根据指令完成不同任务。客户仍然会提出行业里的具体要求，但底下的模型能力有机会复用。对一家原本就做企业服务的公司来说，可复用的模型有很直接的商业意义：接到新需求时，可以少从头开发一套专用系统。

早期投资人也有过犹豫。中科创星创始合伙人米磊在上市时的采访中回忆，投资委员会曾讨论过投入金额和应用场景，最终完成了4000万元天使投资。对一家刚起步的研究型公司，这笔钱支持的是把技术继续做下去的机会，付费客户能否扩大还要逐步证明。

决定投入更大的模型，还要面对训练能否顺利完成的问题。《人物》对团队成员的采访记录了2021年底讨论千亿模型的过程，研究者和工程师需要一起承担更大的投入。后来GLM-130B项目的公开记录里，既有模型方法，也有硬件故障、内存、网络和训练恢复等具体问题。

一次大规模训练中断，团队需要找出原因，恢复合适的状态，再继续运行。数据也要有人抓取、清洗、标注，研究人员无法只靠修改一个公式就完成全部工作。智谱的工程团队与研究团队共同参与了这些环节，早年的工程积累逐渐成为模型研发的一部分。

开放模型之后，客户还会付钱吗？
张鹏在2023年已经解释过这个问题：企业先试用开放模型，随后可能需要更稳定的服务、持续维护和专业支持。下载并运行一次模型，与把模型接进一家公司的日常业务，要求相差很大。企业要考虑谁维护系统、出错后谁处理，以及下一次模型升级怎样衔接。

智谱因此同时推进研究、开放模型和企业服务。开发者可以先试能力，企业可以根据自己的数据和业务决定怎样使用，公司则通过部署和服务收费。开放模型扩大了接触机会，商业合同仍然需要单独谈成，下载量本身不会变成营业收入。

创业初期已有客户，给了团队了解需求的机会，也带来了新的负担。每家客户的数据、系统和交付要求都不同，项目越多，工程团队需要处理的差异也越多。到2024年的采访中，张鹏已经希望减少定制，让客户更多采用标准化产品。

智谱后来把重点转向API和编程服务，前面有这一段企业交付经验。客户需要模型持续升级，公司也希望同一套能力能服务更多人。商业模式的变化，要从客户究竟买了什么讲起。

2026年上半年，开放平台及API带来8.25亿元收入

智谱卖的到底是什么？
客户买的是模型能力，以及让这种能力稳定发挥作用的服务。有人需要把模型放在自己的环境里，有人只想通过网络调用，也有人希望直接订阅一个能帮自己写代码的套餐。三种需求，都可能使用GLM，但交付方式和收费方法不同。

先看本地部署。企业把模型放进自己控制的设备和网络环境，再接入内部资料和业务系统。智谱提供的软件、适配、集成和维护工作，要围绕这家企业的条件展开，双方约定交付内容与验收要求。

本地部署的吸引力很好理解。企业可能希望自己控制数据放在哪里、哪些员工可以调用，以及模型与内部系统怎样连接。与此同时，企业也要安排设备、运行环境、升级和内部管理，这些工作需要持续投入人员。

智谱早期的合同，通常还包含交付后的保修和支持。企业买下项目，后面仍会遇到版本兼容、业务规则调整和使用问题。公司因此能收取比一次普通调用更复杂的服务费用，也要为这些承诺投入工程人员。

为什么项目做多了，还想改变收费方式？
同一款模型面对不同企业，可能需要反复做数据接入、权限配置、系统集成和验收。项目金额可以较大，交付周期和人力投入也会随需求变化。团队如果不断接新的定制项目，就要判断哪些工作可以复用，哪些工作每次都需要重新做。

API改变了交付的重点。客户的软件把请求发送给智谱，智谱在服务端运行模型，再返回结果。模型升级、计算资源安排和服务运行，更多集中在模型厂商这一侧，客户则负责自己的产品逻辑、数据授权和结果使用。

举个使用方式的例子：一个开发者可以让软件把报错信息和相关代码发给模型，再把修改建议显示出来。开发者不必先把整套大模型部署到自己的电脑上，但仍要决定发送哪些文件、怎样运行测试，以及是否接受修改。API把模型接入软件的过程变得方便，产品质量仍取决于整个工作流程。

智谱把向客户提供模型能力的业务概括为MaaS，即模型即服务。本地部署和云端调用，都是交付模型服务的方式。API按用量收费，编程套餐则把支持工具中的调用打包出售，客户按自己的接入方式选择。

按调用收费，账单怎么算？
模型处理输入和生成输出，通常分别计费。你发过去的要求、代码和对话记录属于输入，模型生成的内容属于输出，重复内容如果符合缓存规则，还可能采用另一档价格。一段文字会转换成一定数量的Token，具体数量受语言和内容影响，同样一次提问，附带资料越多，用量也可能越大。

下面用2026年9月15日查看到的Z.AI国际版官方价格举例。以下价格的单位都是美元，适用于国际版API。读价格时，要把输入和输出分开看。

假设某个任务在GLM-5.3上累计产生100万输入Token和100万输出Token，单看这两项就是5.8美元。这个算例不包含缓存优惠、额外工具或其他服务费用，也不代表一个普通用户每月会用这么多。实际费用取决于任务发了多少资料、模型生成多长内容，以及中途重试了多少次。

编程尤其容易把这个区别放大。模型可能先读文件，再修改代码、运行测试，失败后继续查看错误并重试，一项任务会形成多次往返。单次价格便宜，却反复做不完，最后的支出未必更少，用户还要加上自己检查和返工的时间。

编程订阅又卖什么？
GLM Coding Plan把编程调用打包成套餐，可以用于支持的编程工具。2026年9月15日，国际版官方页面列出的起价是每月18美元，同时设有5小时和每周的使用额度。订阅适合需要经常使用的人，具体额度、支持模型和适用入口仍要按当前规则看。

编程套餐使用独立的接入入口，适用于官方支持的工具。自己搭建网站、机器人等应用，需要查看标准API的计费规则，套餐用完也不会自动扣除普通API余额。购买前看清支持工具和额度，才知道这份套餐是否适合自己的任务。

对智谱来说，API与编程服务让同一套模型有机会持续服务大量用户。每个客户不必先经历完整的本地项目交付，公司也能在统一环境中持续调整模型和运行系统。公司仍要承担计算成本，只是客户购买和交付服务的方式发生了变化。

转向有多明显？
2025年，智谱收入约7.24亿元，其中本地部署约5.34亿元，云端部署约1.90亿元。2026年上半年，公司收入约9.54亿元，已经超过上一年全年，其中开放平台及API约8.25亿元，本地部署约1.29亿元。前后分别是全年和半年的数据，单看收入来源，主次已经清楚地换了位置。

同样比较上半年，2026年的本地部署收入还低于2025年同期。公司在中期业绩公告里明确说明，主动压缩了本地软件授权业务，把重心转向API和编码服务。本地部署仍然有收入，公司选择把更多资源投入另一种服务方式。

在线服务开始贡献更多收入，也带来新的考题。客户每天都能比较模型的速度、价格和完成任务的效果，公司需要让他们持续使用。智谱选择开放模型、兼容编程工具，并发展自己的产品，都是围绕如何让模型进入实际工作展开的。

开放GLM，再把服务卖给程序员

模型开放出来，智谱还剩下什么可以卖？
先要分清模型权重和在线服务。权重开放后，符合许可条件的人可以自行部署，智谱提供的在线服务则包含运行模型所需的计算资源、维护和产品能力。两者对应不同需求，自己拿到模型的人，也可能选择付费使用托管服务。

把模型部署好，需要合适的设备和软件环境。用户数量增加以后，还要处理请求排队、故障恢复和持续升级，维护人员必须为结果负责。部分客户愿意自己承担这些工作，另一些客户更愿意把模型运行交给厂商，集中精力做自己的应用。

智谱很早就尝试让开发者接触模型。2022年的GLM-130B提供了开放研究和部署材料，2023年的ChatGLM-6B进一步降低了部分本地使用场景的设备门槛。型号不同，能力和运行条件也不同，开发者可以按自己的条件选择模型，再用实际任务检验效果。

编程为什么成了重点？
智谱在2022年就参与了CodeGeeX代码模型，提供过编程工具插件。插件可以进入程序员原本使用的开发环境，辅助生成和补全代码。后来面向更多步骤任务的GLM，以及Coding Plan套餐，延续了进入开发者日常工作的方向。

写代码还有一个适合训练的特点：不少结果可以通过运行程序和测试来检验。一个函数是否返回正确结果，一次修改有没有破坏原有功能，往往能获得比「这段文案写得好不好」更明确的反馈。这些反馈能帮助研究者训练模型发现错误、调整做法，并继续完成任务。

唐杰在2026年8月底的沟通中，也解释了公司围绕编程和长任务继续训练的原因。公司希望模型学会使用工具、处理错误，并把这些能力迁移到更多任务中。研究路线能解释投入方向，实际效果仍要看不同任务的验证结果。

模型怎样从聊天走到做事？
聊天模型通常给出文字回答，编程智能体还要读取文件、修改内容、运行命令，再根据结果决定下一步。智能体是把模型和这些工具组织起来的软件。模型负责判断下一步做什么，工具负责真正执行动作，执行结果再返回给模型。

因此，一个模型在聊天框里的表现，与它接入完整编程环境后的表现可能不同。模型能不能读到足够的文件、有没有运行测试的机会、错误信息是否完整，都可能影响最后的结果。开发者比较服务时，需要连同工具、任务和完成结果一起看。

智谱同时选择了接入外部工具和建设自己的工具。Coding Plan支持部分已有编程工具，用户可以在熟悉的环境中尝试GLM；智谱自己的ZCode则把任务、文件、终端和修改审查放进一个桌面工作区。终端是向计算机发送命令的工具，模型通过它运行程序和查看执行结果。

外部工具帮助模型接触已有用户，自己的工具则让智谱能够进一步安排使用流程。比如模型准备修改文件时怎样提示用户，修改后怎样检查，用户到哪里查看完成情况，都属于工具产品需要处理的问题。GLM、Coding Plan和ZCode分别对应模型、套餐和工具，用户可以按自己的工作方式选择组合。

可以把智谱争取客户的过程整理成一条路径。每往后走一步，用户都需要得到新的理由，才会继续投入时间或付钱。开放模型与商业服务之间，需要实际使用把它们连接起来。

怎样判断模型真的有进步？
雷峰网在2026年9月的一次实测中，让GLM-5.2和GLM-5.3根据同一需求制作驾驶游戏原型。测试者还记录了一次中断：GLM-5.3接入Claude Code后，在判断操作能否继续的环节出现拒绝。测试者另外记录了在ZCode中的完成结果，两款模型都交出了可运行的游戏。这个例子提醒开发者，比较模型时还要一起检查它与编程工具怎样配合。

海外开发者的评价同样有分歧。在2026年9月中旬的一则公开讨论中，有用户让GLM-5.3-Flash为控制灯光的小芯片编写代码，对效果不满意；回复中也有用户觉得GLM-5.3适合审查电子设计。两个人用的型号、任务和操作环境不同，使用体验也各有差异。

比较模型时，可以先保留同一组任务、材料和检查要求。让两个方案完成相同任务，再看完成结果、耗时、使用费用与人工返工。测试里的对照型号和评测时间，也需要一起确认。

开放模型会不会反而方便竞争者？
会增加别人使用和研究模型的机会，具体可以做什么取决于许可。智谱的GLM-5模型权重采用MIT许可，GLM-5.3采用自己的许可文本，同一家公司不同型号的条款也会变化。MIT许可允许在遵守条款的前提下使用、修改和分发相应材料，使用者需要保留指定的声明。准备部署或开展商业服务时，要查看对应版本的完整条款，再确定自己的使用方式。

智谱也一直面对其他模型的竞争。它的公开模型材料会拿DeepSeek、Qwen、Claude和GPT等产品作比较，开发者则会根据任务选择服务。第三方工具能够接入不同模型时，用户有更多比较和切换的机会，公司要持续证明自己的服务值得留下。

所以，智谱可以积累的优势，包括研发团队、训练经验、工程适配、服务运行和开发者使用习惯。某个模型版本表现好，只能说明这一阶段做出了一些成果。公司还要让后续升级、费用和实际体验接得上，才能把一次试用变成持续的收入。

智谱的产品探索也不只围绕代码。AutoGLM尝试通过观察屏幕、规划步骤和点击操作完成任务，语音与视频模型则对应其他使用方式。中期业绩公告也说明，部分面向更广业务任务的探索还处于早期，尚未形成规模收入。

手机智能体还牵涉一个值得单独讲的问题：模型能点击一个App，和平台是否允许它长期代替用户操作，是两回事。这里还涉及用户授权和敏感动作确认，今天先不展开，以后找机会专门聊一期。回到智谱眼下的经营，模型走进更多任务之后，运行它们需要的投入也在增加。

50亿美元融资安排，仍要面对亏损和采购限制

收入涨了，为什么还要继续融资？
智谱收取的服务费，还没有覆盖研发和经营所需的全部开支。新模型要训练，现有服务要持续运行，业务扩张也要安排资金。讨论融资之前，先把需要观察的几件事放在一起。

先看已经发生的经营。2025年，智谱收入约7.24亿元，扣除直接提供服务的成本后，毛利约2.97亿元。同期研发开支约31.80亿元，是毛利的10倍多，此外还有销售和管理等费用。

2026年上半年，收入升到约9.54亿元，毛利约2.52亿元，研发开支约21.31亿元。拿毛利和研发放在一起，已经能看出差距仍然很大。收入增长代表有更多服务卖出去，公司距离覆盖全部开支还有一段路。

为什么收入大涨，毛利比例却下降？
智谱的业务组合发生了变化。2025年，整体毛利率为41.0%；2026年上半年，降到26.4%，也就是每100元收入扣除直接成本后，约留下26.4元，尚未扣研发、销售和管理等开支。收入里云端服务占得更多，也会改变整体的毛利水平。

单看云端服务，情况又有所改善。2026年上半年，云端毛利率为24.6%，高于2025年同期略低于零的水平。云端自身改善和整体比例下降可以同时发生，因为本地部署的毛利比例仍然更高，而公司主动减少了这部分业务。

调整结构以后，智谱要进一步扩大在线服务的收入。在线模型服务有机会覆盖更多客户，也便于统一升级，但要经过实际经营，才能知道增加的使用量能带来多少利润。模型运行更有效率，服务价格、客户用量和不同产品的收入比例，也会一起影响最后的结果。

2025年亏了47亿多，是否就花掉了47亿多现金？
不能这样算。智谱2025年的账面亏损约47.18亿元，其中包含以股份形式给员工的报酬，以及部分融资工具账面价值变化等项目。现金流量表显示，经营活动净流出的现金约22.46亿元，两者衡量的事情不同。

以股份形式支付报酬，会影响利润，但不等于公司当期付出了同样数额的现金。某些投资者持有的融资工具需要按会计规则重新计量，账面价值变化也可能计入公司的利润或亏损。判断公司还能支持多久经营，需要把现金余额、后续融资、债务和未来投入放在一起。

2026年上半年还有一个容易混淆的地方。报表列出的净亏损约20.72亿元，比上年同期减少；公司剔除部分会计项目后列出的调整后亏损约19.64亿元，却比上年同期增加。调整后数字帮助读者观察部分会计项目以外的经营情况，现金收支则要另外查看。

因此，我会同时看收入、毛利、研发开支和现金流，确认改善发生在哪一层。一个非现金项目减少，可能让净亏损变小，却不代表日常服务已经能够支持下一轮模型训练。研发与运行服务需要的现金，仍然要有实际来源。

融资又走到了哪一步？
智谱在2026年1月于香港上市，7月完成了一轮新股配售，9月又公布新安排。公司一边筹措新资金，一边继续使用此前的融资所得。特别是9月公告，既披露了计划，也披露了此前资金的使用情况。

7月配售的净款约313.75亿港元，9月公告披露，截至8月底已使用约109.55亿港元，仍有约204.20亿港元未使用。已经使用的部分约占这轮净款的35%，其余部分仍待后续安排。公司另外披露，首次公开发行及超额配股所得净款截至同一时点已用完，两笔资金要分别看。

资金尚有余额，公司仍可能为后续模型研发和基础设施提前筹资。9月安排中，约60%的预计净款计划用于模型研发、训练和模型运行等相关投入，其他部分用于业务扩张、投资和日常运营。我会继续看后续报告里的资金使用情况，确认实际支出的时间和规模。

新股配售有什么代价？
公司发行更多股票，新的投资者出钱成为股东，原有股东持有的股份数量可以不变，但占总股数的比例会下降。9月这轮拟以每股714港元配售新股，相比9月11日收盘价793港元，价格约低10%。公司获得资本，原有股东则要面对股份比例和未来每股收益分配的变化。

零息可转债是否等于免费拿钱？
零息指约定不支付利息，债券仍有偿还或转股的安排。这轮债券的初始转股价是每股892.50港元，高于配售价，投资者可以在约定期间内选择转换成股票。公告写明，到期日为2027年9月16日。届时如果债券没有按条款提前赎回、转股，或由公司购回并注销，智谱就要以美元支付相当于债券本金的金额。

配售预定于2026年9月16日完成，债券发行日定义为2026年9月18日，两部分融资并不以对方完成为前提。截至2026年9月15日写作时，公告所列的交割日期尚未到来。签署协议确定了融资条款，结算完成后公司才能使用相应款项。

筹到钱，就一定能买到想用的计算资源吗？
智谱还要面对出口限制和供应安排。2025年1月，美国将智谱及相关实体列入出口管制名单，受相关规则管辖的物项交易需要许可，审核政策通常不予批准。这类限制首先影响的是相关受管制物项的供给，智谱需要据此安排采购和服务。

智谱在2025年招股书中说明，当时主要从中国供应商采购计算服务，并介绍了自身的出口合规安排。公司对近期经营影响的判断，以限制和名单范围不扩大为前提；如果前提变化，此前的采购安排能否继续，也要重新评估。供应商能够继续提供服务，与公司长期完全不受外部限制，是不同的问题。

2026年的中期业绩公告，又写到增加基础设施投入，并使用国产芯片开展大规模推理。推理就是已经训练好的模型处理用户任务的过程，客户每调用一次服务，都需要相应的计算。公司用更多国产资源提供服务，是其扩大运行能力的一项实际选择，具体效果还要结合后续经营观察。

国产算力合作在智谱的历史里也有前例。2022年CodeGeeX的原始技术资料已经记载使用昇腾芯片训练，以及与软件团队共同优化运行过程。当年的项目团队还需要改动和调优软件，让模型训练适应具体硬件，硬件与软件的配合有很长的工程过程。

采购计算服务与自己购建设备，在财报里会出现不同的表现。资本开支通常反映取得长期使用资产的投入，智谱2025年这项开支下降，公司解释更多使用计算服务采购。2026年上半年，这项统计增加，其中又包含收购北京红钻带来的固定资产，需要结合资产取得方式来理解。

公司买下或并入一家拥有设备的企业，取得资产的方式和直接下单买芯片不同。若只看资本开支升降，就容易把资产进入报表与日常计算服务开支混为一谈。我更关心后续文件怎样说明新增资源的用途、使用情况，以及对服务毛利的影响。

用户越来越多，服务质量会自动变好吗？
用户增加，也会给计算资源和运行团队带来压力。中文开发者社区出现过套餐响应变慢、请求过多等反馈，回复中也有人觉得自己的使用仍然正常。这些反馈的时间、账户和任务各不相同，客户仍会根据自己遇到的速度和稳定性决定是否续费。

任务能力提升以后，权限管理也需要跟上。AutoGLM相关开放项目明确设计了敏感动作确认，以及登录和验证码时由人接管的环节。产品越深入文件、账号和业务系统，用户越需要知道哪些动作可以自动执行，哪些动作仍要自己确认。

从外部看，智谱的产品和资本动作都很快。对使用者和客户而言，最值得持续检查的仍是具体结果：任务能否完成、账单是否可接受、资料怎样使用，以及错误发生后能否及时处理。公司的长期生意，要在这些日常细节上继续兑现。

它到底做对了什么：把定制经验用到编程服务

从智谱身上，最值得学什么？
我会先看它怎样改变产品和收费方式。早期科技情报客户让团队接触真实需求，本地部署又让公司接触企业的系统、数据和交付要求。后来转向API与编程服务，前面的经验可以帮助团队判断，哪些需求值得做成可复用的能力。

张鹏在2024年的采访里提到，一位客户的软件积累了7000多个业务和功能入口，员工需要培训才能使用。客户想让AI听懂一句话，再找到对应的入口。张鹏反过来讨论，能不能重新设计使用方式，减少员工面对这么多入口的负担。

中国做AI产品的团队，可以借鉴哪一步？
先把重复交付的工作找出来。比如每次接客户都要重新做权限配置、文档接入和结果验收，就可以判断其中有没有稳定的共同需求。能够复用的部分做成产品，必须逐家处理的部分则如实计算成本和收费。

客户愿意为什么付钱，也要具体区分。有人买的是模型调用，有人买的是数据接入、部署和维护，有人买的是一项能验收的业务结果。收费单位不同，团队要承担的责任就不同，报价时还要计入集成、维护和交付的成本。

开放模型给小团队什么机会？
可以先验证场景，再决定怎样提供服务。团队能够用真实但已获授权的材料测试，比较自行部署与托管调用的工作量，明确哪些结果需要人来检查。省去从头训练模型的一部分投入后，时间可以更多放在业务理解、数据处理和交付上。

与此同时，小团队很难仅靠转售同一个模型，长期获得稳定优势。用户可以找到其他入口，也会比较价格，团队需要解释自己额外解决了什么问题。对流程的理解、合法取得的数据、可靠的集成和持续服务，才是客户能够具体感受到的差别。

智谱选择兼容已有编程工具，也值得注意。开发者已经熟悉自己的文件、终端和测试流程，让GLM进入这些环境，比要求所有人先换一种工作方式更容易开始。智谱再提供ZCode，把自己的使用流程做得更完整，两条路径可以同时服务不同用户。

产品团队可以把这件事缩小到自己的场景。客户已经在哪个系统里工作，就优先考虑怎样接入；客户怎样判断结果正确，就把相应检查做到流程中。模型能力、产品入口和客户验收能够接上，付费理由才会更清楚。

真心话：先让GLM完成一件你能验收的事

如果你只是想让AI帮自己做点事，不必先把所有模型型号背下来。挑一件经常发生、结果能够检查的小任务，比同时订阅一堆工具更容易开始。比如让模型解释一段你正在维护的代码，补一组测试，或者从已经获准使用的文档里整理一张能够逐项核对的信息表。

任务最好有一个清楚的结束条件。代码需要能运行，测试需要检查真正关心的行为，信息表需要能够回到原文找到依据。模型已经生成一大段内容，与事情已经做好之间，还需要你能看懂的检查过程。

完全不懂编程，也能开始吗？
可以从自己熟悉的业务内容入手，先让工具整理或解释材料。涉及运行代码、修改系统和处理敏感资料时，再根据自己的能力安排人工检查或请有经验的人协助。第一项任务选得小一些，有助于发现自己真正需要哪种支持。

费用也可以按一个完整任务来观察。记录服务费用、花了多久、自己改了哪些地方，再判断是否值得继续使用。下一次换模型时，保留相同材料和检查要求，比较才有意义，单看套餐便宜几美元不够。

对正在做AI产品的团队，我更希望你们从智谱这段转向里看到具体选择。企业定制可以帮助理解需求，标准化可以减少重复劳动，开放模型可以加快验证，但每条路都需要与自己的客户、资金和交付能力匹配。先把一个场景做成客户愿意继续使用的产品，本身就是很扎实的进步。

也别因为模型厂商持续更新，就觉得应用团队没有事情可做。客户资料不完整、同名对象容易混淆、内部权限复杂、结果需要留痕，这些问题都需要具体处理。谁更理解客户的工作，谁更有机会把工具用在合适的位置。

智谱从科技情报走到GLM，从客户机房走到程序员的工作台，已经经历了多次选择。2026年9月的新融资安排，可以为下一阶段投入提供条件，持续付费的客户则要靠产品继续争取。能把技术做出来很难，能让技术长期服务别人、支持公司的经营，同样需要耐心。

希望你能先找到一件值得交给AI的事，把它做完，再慢慢扩大范围。模型价格和能力还会变化，自己判断结果、理解业务和检查错误的能力，会继续有用。GLM带来的收入增长，最终能不能覆盖智谱持续投入的成本，成为一门更稳的生意？我会一直盯着。

参考资料

1. 新股配售及拟发行可转债的融资安排，智谱／香港交易所披露易，2026-09-13。
2. 截至2026年6月30日止六个月中期业绩公告，智谱／香港交易所披露易，2026-08-31。
3. 2025年年度报告，智谱／香港交易所披露易，2026-04-19。
4. 全球发售招股书，智谱／香港交易所披露易，2025-12-30。
5. 首次公开发售配发结果，智谱／香港交易所披露易，2026-01-07。
6. 超额配股权行使及稳定价格行动结束，智谱／香港交易所披露易，2026-02-04。
7. 完成2026年7月新股配售，智谱／香港交易所披露易，2026-07-13。
8. Addition of Entities to and Revision of Entry on the Entity List，美国商务部工业与安全局／Federal Register，2025-01-16。
9. 张鹏谈智谱的创业起点与商业服务，36氪，2023-09-05。
10. 追OpenAI的人，人物，2024-10-21。
11. 刘德兵谈智谱的经营与模型路线，中国企业家，2026-01-08。
12. 早期投资人回顾智谱的成长，21财经，2026-01-08。
13. 智谱早期模型工程与数据工作，中国科学报，2022-12-12。
14. Jie Tang’s Homepage：Biography and Research，Tsinghua University / Jie Tang，访问2026-09-15。
15. GLM: General Language Model Pretraining with Autoregressive Blank Infilling，ACL 2022 / Zhengxiao Du, Yujie Qian et al.，2022-05。
16. GLM-130B的模型发布与训练工程记录，GLM-130B研发团队，2022-08-04。
17. CodeGeeX: A Multilingual Code Generation Model，THUDM / CodeGeeX authors，持续更新，访问2026-09-15。
18. ChatGLM-6B：README，THUDM / ChatGLM authors，持续更新，访问2026-09-15。
19. 智谱商业团队、客户与标准化产品，雷峰网／AI科技评论，2024-03-15。
20. 张鹏谈共性需求与模型商业化，36氪，2024-07-26。
21. GLMs搭建智能体的产品实测，36氪，2024-01-17。
22. 张鹏谈开发者门槛与企业需求，经济观察网，2024-01-16。
23. 张帆谈医药场景的模型落地，中新经纬，2024-08-13。
24. 张鹏谈模型能力与API商业模式，澎湃新闻，2026-04-01。
25. 智谱2026年上半年收入与转型分析，第一财经，2026-09-01。
26. 智谱谈后训练取舍与下一代基座，每日经济新闻，2026-09-01。
27. 上海融资现场与MaaS服务布局，虎嗅，2025-07-02。
28. 张鹏谈预训练、后训练与MaaS，虎嗅，2025-03-31。
29. 张鹏谈AutoGLM与智能体产品，澎湃新闻，2025-03-31。
30. AutoGLM沉思版的真实任务测试，APPSO／爱范儿，2025-03-31。
31. 北京超算CTO谈算力服务与运行特征，极客公园，2024-09-30。
32. GLM-4.5之后的团队与商业化调整，雷峰网／AI科技评论，2025-08-05。
33. 智谱商业团队调整的采访与公司回应，职场Bonus／36氪，2025-06-04。
34. Zhipu AI ramps up overseas expansion strategy ahead of IPO，Reuters via Investing.com，2025-04-23。
35. China's Zhipu AI takes initial steps to an IPO，Reuters / Liam Mo, Brenda Goh via MarketScreener，2025-04-15。
36. Aramco-owned Saudi fund joins $400 million financing for China AI firm Zhipu，Bloomberg via Gulf News，2024-05-31。
37. China’s tech titans invest in Zhipu，TechCrunch / Rita Liao，2023-10-20。
38. GLM-4.5：Overview，Z.AI Developer Document，持续更新，访问2026-09-15。
39. GLM-5: From Vibe Coding to Agentic Engineering，Z.AI Blog，访问2026-09-15。
40. GLM-5.3：Model Card and LICENSE，Z.AI / Hugging Face zai-org，持续更新，访问2026-09-15。
41. GLM-5.3-Flash：Model Card and LICENSE，Z.AI / Hugging Face zai-org，持续更新，访问2026-09-15。
42. Pricing，Z.AI Developer Document，持续更新，访问2026-09-15。
43. GLM Coding Plan：Overview及FAQ，Z.AI Developer Document，持续更新，访问2026-09-15。
44. GLM Coding Plan常见问题，智谱开放文档，持续更新，访问2026-09-15。
45. ZCode Agent; Install，Z.AI / ZCode Docs，持续更新，访问2026-09-15。
46. Open-AutoGLM：README，Z.AI / Open-AutoGLM authors，持续更新，访问2026-09-15。
47. CogVideo and CogVideoX：README，THUDM / CogVideo authors，持续更新，访问2026-09-15。
48. GLM-4-Voice：README，THUDM / GLM-4-Voice authors，持续更新，访问2026-09-15。
49. CAISI Assessment of Z.ai’s GLM-5.2，NIST / CAISI，2026-07-17。
50. GLM-5.2 Risk Evaluation Report，SaferAI / Chinmayi Dixit et al.，2026-08-02。
51. Vending-Bench 2，Andon Labs，持续更新，访问2026-09-15。
52. GLM-4.6: A Data-Driven Look at China’s Rising AI Model，Kilo Blog / Brendan O’Leary，2025-10-13。
53. GLM-5: From Vibe Coding to Agentic Engineering：Link Blog，Simon Willison，2026-02-11。
54. GLM-5.3与5.2制作同一驾驶游戏的实测，雷峰网，2026-09-01。
55. GLM-5.3多维能力测评，LINUX DO／scp，2026-09-09。
56. 有人感觉GLM-5.2又慢又降智吗，LINUX DO／coffetea，2026-07-14。
57. GLM-5.2体感，LINUX DO／chuam37，2026-06-18。
58. GLM-4.5编程测试的步骤预算与修正，Reddit／BKite，访问2026-09-15。
59. GLM-4.7与MiniMax会话配置及账单讨论，Reddit／Psychological_Box406，访问2026-09-15。
60. GLM在嵌入式代码和电子设计任务中的用户讨论，Reddit／Mountain_Pea_6810及讨论者，访问2026-09-15。

AI重度使用者｜每天拆一家前沿公司｜imluna.ai免费订阅｜Learn in Public