智谱科技CEO唐杰近日发布了一封分量极重的三座大山内部信。这封仅需两分钟即可读完的中国最像信件，揭示了智谱未来两年的公司战略重心：启动“Touch High（摸高）计划”。

该计划的移走核心是将资源集中投入四大核心引擎：长程任务、自治智能体系统、三座大山完全自我训练、中国最像安全治理。公司这四大方向并非凭空构想，移走而是三座大山唐杰基于对AI行业瓶颈的深刻洞察，旨在翻越阻碍行业迈向AGI（通用人工智能）的中国最像“三座大山”。

值得注意的公司是，就在发信前两天（7月9日），移走智谱刚刚完成313.75亿港元的三座大山新股配售，并承诺在2027年底前花光这笔资金。中国最像唐杰的公司这封信，实质上是在明确“智谱将如何花这笔巨款”。

以下是对“三座大山”与“四大引擎”的深度解析。

01 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 CEO哈萨比斯承认，目前的AI还“缺了点什么”。

唐杰将这一缺失定义为“三座大山”：长程任务能力、完全自治的智能体系统、自我进化。而在企业研发落地层面，这三座山演变成了“四大引擎”。多出的第四个引擎是安全治理，因为AI在超越人类智慧的过程中，必须受到严格的限制与管控。

引擎一：长程任务（Long-horizon Tasks）

唐杰在5月的X平台长文中指出，“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“知识丰富的顾问”，遵循“一问一答”的模式。而未来的模型应进化为“能独立干活的员工”：人类只需下达目标，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、尝试攻击路径、排除误报并验证结果。AI或许在天赋上不及顶级黑客，但其24小时不间断运行的能力以及成千上万实例并行尝试的规模效应，结合专业黑客的思路，足以放大其能力，进而替代部分初级黑客和程序员的工作。

然而，实现长程任务的关键难点在于：模型不仅要有执行力，更需具备持续学习和自我判断能力。

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则是“一群AI能否像一家公司那样协同工作”。

唐杰认为，未来的复杂任务将由具备不同专业分工的Agent集群完成：
* 规划Agent：负责制定整体策略；
* 执行Agent：负责查资料、写代码、测试及漏洞挖掘；
* 管理Agent：在任务规模扩大时，负责分配算力及检查工作质量。

这些Agent可24小时自主讨论、协作与纠错。唐杰的判断从去年的“一人公司（OPC，一人指挥大量AI）”激进地转向了“无人公司（NPC，从管理到执行均由AI完成）”。

但这并非简单增加账号数量即可实现。随着Agent数量增加，沟通混乱、任务重复及错误放大的风险呈指数级上升。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？如何防止多个Agent互相强化错误？

因此，引入“自我判断”机制成为连接长程任务与自我进化的关键，这也引出了第三座大山。

引擎三：完全自我训练（Fully Self-Training）

这是唐杰眼中最困难也最具诱惑力的方向。

目前的大模型训练仍高度依赖工程师：采集数据、编写代码、运行实验、分析结果。完全自我训练旨在让AI逐步接管这一全流程：自己写代码、清洗/生成数据、启动训练，并根据结果设计下一轮实验。

核心方法是Self-Play（自我对弈）：让AI既出题又答题，再由另一AI负责挑错和评分。在代码、数学、游戏等结果可验证的领域，该方法已能产生海量训练材料。

虽然这可能不会节省甚至会增加算力消耗，但能极大节省人力。工程师只需设定目标，后续由机器自主运行。

然而，这引发了著名的“达尔文·哥德尔机”困境：AI通过自我升级不断突破性能上限，可能导致失控。这也是该方向此前研究较少的主要原因。

引擎四：安全治理（Safety Governance）

当AI翻越前三座大山，其风险也将呈指数级增长：
* 长程执行意味着模型将持续行动；
* 多Agent协作意味着错误会被放大；
* 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“单次回答错误”升级为“系统持续执行并放大错误”。为此，唐杰提出了两层防护机制：

1. 价值对齐（Value Alignment）：不满足于外部的关键词过滤等“安全补丁”，而是将人类伦理、社会规范和法律法规融入训练目标，让模型从底层认知“什么能做、什么不能做”。
2. 机械可解释性（Mechanistic Interpretability）：投入百亿级资源，研究模型内部神经元与机制，试图将难以理解的“黑盒”变得透明，弄清判断背后的逻辑。

02 为什么是智谱？为什么是现在？

智谱无疑是当前全球AI圈的焦点。

1. 技术实力对标Anthropic
2026年6月13日，智谱发布旗舰模型GLM-5.2。该模型拥有1M上下文窗口，采用MIT开源协议，在SWE-Bench Pro、Terminal-Bench等代码基准中位居全球前三、国产第一。

6月底，外媒引用网络安全公司Semgrep的测试指出：GLM-5.2在漏洞检测基准上表现与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，因为GLM-5.2是开源模型，而Mythos和Opus 4.8均为闭源。且GLM-5.2的成本仅为Opus的十分之一。Databricks联合创始人Ali Ghodsi的实验证实：在同等任务下，GLM-5.2单次任务成本为1.28美元，而Opus为1.94美元，但两者结果相近。

2. 开源与闭源的博弈
为何智谱常被拿来与Anthropic比较？因为Anthropic CEO阿莫迪是开源模型的坚定反对者。他曾在2023年向美国国会作证，称开源AI是“非常危险的路径”，理由是闭源模型出问题可立即关闭或追踪，而开源模型一旦发布便无法收回、无法监控、无法打补丁。

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“让人非常不喜欢”，认为前沿安全能力不应掌握在开源模型手中。

显然，智谱的发展已直接挑战了Anthropic的叙事逻辑。

3. 工具链的闭环
光有模型不够，还需工具接入真实场景。Anthropic有Claude Code，OpenAI有Codex，智谱随之发布了ZCode 3.0。
* ZCode 3.0深度适配GLM-5.2，不再维护第三方Agent适配，成为GLM-5.2的专属工具。
* 开发者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，直接推进项目至交付状态。

4. 资本市场的豪赌
智谱的发展速度极快，烧钱速度同样惊人。
* IPO阶段：2026年1月8日登陆港交所，发行价116.2港元，净募资约48.96亿港元。截至6月30日，已使用约45.88亿港元（使用率>93%），仅剩3.08亿港元。
* 紧急配售：7月9日，智谱以每股15.88港元（注：原文为1588港元，结合上下文及港股常态，此处应为笔误或极高溢价，但根据“便宜约13%”及常规逻辑，通常配售价低于收盘价，此处保留原文数据逻辑，即大幅折价配售）配售最多1978万股新H股，净募资约313.75亿港元。

尽管新股定价较前一日收盘价折让约13%，理论上应压制股价，但智谱股价当日盘中反而上涨超20%。公告显示，这笔资金将在2027年底前全部投入三大方向：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。

在此背景下，唐杰发布长文定军心，明确战略方向，成为最高效的选择。

03 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闫俊杰也发布了一封题为《向天空尽头》的内部信。

MiniMax的困境与突围
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，占总股本近49%）。当日股价暴跌近18%，次日再跌近10%，市值从3月的4100亿港元高点跌至不足800亿港元。

解禁当晚，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80%用于AI基础设施和模型研发。

闫俊杰在信中做出三个承诺：
1. 从即日起直到实现AGI，不再领取任何薪酬；
2. 未来四年拿出个人名下相当于总股本4%的股份激励团队；
3. 拿出1%的股份设立专项基金支持开源社区。

闫俊杰以个人身家押注MiniMax的长期价值，终点同样是AGI。

DeepSeek的转向
与此同时，另一家明星公司DeepSeek也拿到了钱。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。如今，DeepSeek也明确瞄准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”。

在33个招聘岗位中，最值得关注的是今年3月新成立的Agent Harness团队。DeepSeek内部公式为：Model + Harness = Agent。Harness决定了模型能调用什么工具、访问什么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。

此外，DeepSeek还设立了“AI跨界技术人才”岗位，不设专业背景限制，偏好“不走寻常路”、“在某个领域做到极致”或有创业经历者。其逻辑是：仅靠工程无法达到AGI，需要认知科学、心理学等领域的人才，通过研究人类记忆、学习、判断和情感机制，反哺AI性能提升。

AGI还有多远？或许真的不远了。