智谱市值突破万亿港元,中国大模型产业估值争议与商业化之路待解

智谱市值突破万亿,引发产业估值争议

近日,一家中国基模公司刷新了市值纪录。智谱盘中市值突破1万亿港元,年内涨幅超过1900%。截至收盘,总市值来到1.1万亿港元,约相当于阿里巴巴一半,接近美团两倍、京东三倍。上市不到半年,智谱从500亿港元级别公司,冲进港股万亿市值区间。

在港股“万亿俱乐部”门槛之上,是像腾讯、阿里、中国移动、工商银行这样的产业巨头,背后都有经过验证的用户入口、现金流或基础设施属性。智谱进入这个坐标系,意味着公开市场对中国大模型公司的定价正在不断膨胀。不过,过山车一般的增长速度,背后是一场神话还是泡沫的争论。

智谱上市的第一份财报,披露了2025年全年的营收数据:收入7.24亿元,净亏损47.18亿元,研发开支31.8亿元。一家上一年收入7亿元的公司,市值却先到了万亿级。看多者把它视作中国AI产业的估值突破;而看空者认为,当前股价的泡沫属性较强,已经跑在基本面前面太远。某种程度上来说,这场争论已经超出智谱,而是上升到中国大模型产业估值本身。

资本动作不断,估值曲线向上突破

最新消息显示,DeepSeek在新一轮融资后估值超过500亿美元,而阶跃星辰和月之暗面的资本化预期不断升温,双双瞄准港股市场。中国大模型公司的估值曲线,正在从一级市场抬到二级市场。伴随着智谱成为第一家万亿市值大模型企业,这条曲线正在不断向上突破新界限。

智谱这一轮市值攀升,直接催化剂是GLM - 5.2。去年以来,行业内的主流模型升级,关注点都集中在Coding、Agent、长程任务和复杂工程能力。在这些场景下,智谱GLM系列可以跻身第一梯队,而全球最强参照是Anthropic。

今年以来,Anthropic已完成650亿美元融资,投后估值9650亿美元。它被追捧的核心,主要来自Claude Code在开发者场景里跑出收入。官方披露数据显示,Claude Code年化收入已经超过25亿美元,较年初翻倍。这个样本给全球AI公司更换了估值锚。

近日,特斯拉首席执行官埃隆·马斯克和智谱创始人唐杰的隔空互动,放大了这层想象。马斯克判断,中国可能在2027年一季度出现接近Anthropic Fable级别的模型。唐杰回应称,不会等那么久。尽管这个回复本身简短得没什么信息,但是侧面凸显出,国产模型已经身处全球前沿模型追赶叙事里,就看谁能跟上头部竞争对手的脚步。

今年以来,除了智谱的股价攀升,国产模型圈资本动作不断。智谱在本月初通过A股发行议案,拟登陆科创板募资不超过150亿元,其中120亿元投向通用基座大模型研发,20亿元投向MaaS一站式服务平台。几乎同一时间,MiniMax与中信证券签署辅导协议,正式启动A股IPO进程,并评估发行人民币股份登陆科创板。两家港股大模型公司同时推进A股路径,说明中国AI估值曲线正在从港股弹性,延伸到A股产业融资。

与此同时,DeepSeek在一级市场疯狂吸纳融资。近期,DeepSeek完成超过74亿美元融资,估值超过500亿美元。这家来自杭州的AI巨头,依靠出色的模型效率、全球开发者声量和开源生态,把中国大模型一级市场价格推到新高度。而在二级市场,在智谱和MiniMax相继登陆后,港股市场也在转向拥抱AI产业。

今年以来,港股已有65家公司上市,合计募资超过1765亿港元。硬科技和高端制造企业贡献近1293亿港元,占比超过七成。半导体、电气设备、AI公司成为发行主线,资金正在把港股当作中国硬科技资产的再定价市场。

换言之,智谱的万亿市值,不只来自GLM - 5.2的出色表现,也来自几个条件同时出现:全球AI资产估值上扬,中国大模型公司资本化提速,港股缺少纯正大模型标的,硬科技资金重新聚集。所以,市场真正买入的,是中国AI估值边界仍能继续拓宽。只是,这条边界拓得越宽,关于产业泡沫的争论就会持续下去。

泡沫警告与估值上调并存,AI产业面临考验

看到智谱的万亿市值,大部分投资者直觉上判断,这里面必然有泡沫的成分在。一家年收入7亿多元的公司,盘中市值超过万亿港元,任何估值模型都会感到紧张。更何况,智谱股价此前已出现大幅波动。5月末,它盘中市值曾突破8800亿港元,随后快速回落;今日再度冲上万亿的过程中,盘中震荡依旧剧烈,短短十几分钟时间从高点回落,蒸发了上千亿市值。

不过,这也正是AI行情最特殊的地方。市场一边承认价格昂贵,一边继续追逐头部标的。泡沫警告和估值上调同时发生,构成这一轮AI资本周期的底色。

与此同时,港股新股市场已经出现分化。今年一季度,香港IPO破发率升至44.74%,明显高于去年。传统行业和认购不足的公司承压,硬科技、AI、新能源企业仍被资金追逐。资金没有无差别买入新股,它只在少数赛道集中冒险。显然,以智谱为代表的AI产业,属于被集中冒险的资产。突破万亿,靠的是市场对中国AI基础设施公司的稀缺预期。

只是,资本不会无止境投入。7月上旬,智谱和MiniMax将迎来上市后首轮限售股解禁。智谱的解禁时间是7月8日,规模约2568.16万股,占总股本约5.76%,按近期股价测算,对应解禁市值约269亿港元。解禁前,智谱流通股约1735.08万股。换句话说,即便总股本占比不高,新增可交易筹码也会明显改变此前低流通盘结构。MiniMax压力更大。它将在7月9日解禁约1.07亿股,占总股本约34.25%。其中,财务型投资者持有比例超过三分之一。两家公司的股价较上市时都经历了大幅上涨,市场自然会提前担心减持压力。

事实上,不只是国产大模型,全球市场也在经历同样的估值冲突。马斯克和唐杰隔空对话前两周,SpaceX上市后市值迅速突破2万亿美元,股价也攀升至210美元区间。这家航天和卫星互联网公司,上市前夕就大量整合资源,强化其在AI基础设施、xAI协同、星链网络和未来算力的叙事中的行业地位。针对这家公司,纽约大学斯特恩商学院教授达莫达兰给出的估值低于市场定价,并提醒SpaceX高估值已包含大量未来假设。而在过去几个交易日中,SpaceX股价经历了大幅回调,股价来到了170美元区间。6月初,Scion Asset Management创始人、电影《大空头》原型投资人迈克尔·伯里(Michael Burry)也把质疑指向Anthropic。他认为,Claude背后的大模型研发成本过高,近万亿美元估值很难只靠当前商业模型支撑。

行业内如此大的认知分歧,其实看似对立的观点并不矛盾,在产业高速增长周期,泡沫已经天然成为AI估值的一部分。决定这部分“泡沫”是否是长期溢价的关键因素,就取决于AI企业的商业化能力。

智谱面临收入增长难题,商业化成果是关键

突破万亿市值后,智谱眼前真正的问题,是收入的增长速度。2025年,智谱收入7.24亿元,同比增长131.9%。其中,本地化部署收入5.34亿元,同比增长102.3%;云端部署收入1.90亿元,同比增长292.6%;企业级智能体业务收入1.66亿元,同比增长248.8%。其中,智谱MaaS API平台ARR约17亿元,过去12个月提升60倍,平台毛利率提升至18.9%。这意味着MaaS的收入占比正在不断增加。

2026年一季度,面对模型调用的旺盛需求,智谱直接选择了——涨价。今年2月以来,智谱对GLM Coding Plan套餐价格进行结构性调整,整体涨幅30%起,理由是用户规模和调用量快速提升,需要保障高负载下的稳定性和服务质量。只是,这部分营收究竟对应着多少收入增长,就要到智谱的下一份财报中揭晓了。

与此同时,作为一家独立模型公司,智谱的成本压力巨大。2025年,智谱净亏损47.18亿元,经调整净亏损31.82亿元,研发开支31.8亿元。研发投入相当于收入的4倍多。模型公司可以烧钱,但是必须让资本市场看到长期盈利的预期。

好在,整个中国市场的调用量基础正在不断抬升。IDC数据显示,2024年中国企业级MaaS市场调用量为114万亿Tokens,2025年跃升至1944万亿Tokens,预计2026年达到40000万亿Tokens。Token正在从技术指标变成商业结算单位。国产模型体量最头部的字节,旗下豆包大模型日均Token调用量已突破120万亿,三个月翻倍,较2024年5月发布时增长1000倍。累计调用量超过一万亿Token的企业,从去年底100家增至140家。

与此同时,C端场景也在扩容。QuestMobile数据显示,2026年3月,中国AI原生App月活用户规模达到4.4亿。豆包、千问、DeepSeek位列前三。AI应用已经从小圈层工具变成大众产品。

只是,用户规模并不代表利润水平,行业内的泡沫担忧,本质上是对AI无底线烧钱、看不到盈利预期的无力感。在这个问题上,Anthropic仍然是那个最强参照。今年二季度,Anthropic预计收入109亿美元,并实现约5.59亿美元经营利润。如果这一预期兑现,它将成为全球AI公司商业化转折样本。市场会因此相信,大模型公司不一定长期停留在“烧钱换规模”的阶段。

这也是中国AI公司被重估的原因。如果Anthropic能靠代码、Agent和企业API接近盈利,国内市场会自然寻找中国对应标的。智谱、DeepSeek、MiniMax、月之暗面,以及几家头部AI大厂,都将被放进这条商业化曲线里比较。随着智谱率先突破万亿,这也成为了中国AI产业接下来的共同命题。估值边界已经打开,关于泡沫的争议不会停息,市场的波动和不确定性依然存在。要巩固这条估值边界,大模型厂商首先要把模型能力稳定转成收入,把收入继续推向毛利和现金流;同时,也需要更多国产厂商在追赶Anthropic的路上跑出有效样本。智谱今天站上万亿市值,是中国AI产业重估的第一个高点。这个高点能不能守住,能不能变成一条行业曲线,最终要由国产大模型厂商的商业化成果来回答。

内容概要:本文详细介绍了“电动汽车聚合可行域的内-外结合近似方法”的Matlab代码实现,旨在通过数值仿真手段对大规模电动汽车集群作为灵活资源参电网调度的能力边界进行建模逼近。该方法融合内部凸包构造外部约束逼近策略,精确刻画电动汽车在充电状态、功率调节、时间维度等方面的聚合可调能力范围,形成紧致的可行域表示,为高比例电动车接入下的电力系统优化调度、需求响应、车网互动(V2G)等关键应用提供可靠的建模基础。文中强调科研应兼顾严谨逻辑创新思维,并倡导借助YALMIP等成熟优化工具提升研究效率。完整的代码、工具包及相关案例可通过指定网盘链接和微信公众号“荔枝科研社”获取。; 适合人群:具备电力系统分析、优化理论基础及Matlab编程能力的科研人员,尤其适用于从事新能源并网、电动汽车调度、智能电网、综合能源系统等方向的研究生工程技术人员。; 使用场景及目标:①研究大规模电动汽车集群的聚合建模灵活性量化方法;②实现电动汽车聚合可行域的内-外近似算法;③支撑含高渗透率电动汽车的电力系统日前-实时协同优化调度;④学习并应用YALMIP工具进行数学规划建模求解;⑤为需求响应、市场机制设计及V2G运营提供技术支撑。; 阅读建议:建议读者按照文档指引循序渐进学习,结合网盘提供的完整资源(包括YALMIP工具包示例代码)进行实践调试,重点掌握内-外近似方法的数学建模逻辑、约束处理技巧及优化求解流程,并参考团队发布的其他相关案例,深化对优化算法仿真技术在能源系统中应用的理解。
下载代码方式:https://pan.quark.cn/s/93e47adaae45 医学研究人员近期识别了若干新型病毒,经由对这些病毒的解析,揭示出它们的遗传物质序列均呈现环状形态。当前,研究人员已汇集了丰沛的病毒遗传物质人类遗传物质样本数据,期望能迅速辨识个体是否感染了相关病毒。为便于探究,研究人员将人类遗传物质病毒遗传物质均表述为由若干字母构成的字符串序列。继而,检测某种病毒遗传物质序列是否在患者遗传物质序列中有所显现,倘若出现,则表明该个体感染了对应病毒,反之则未感染。《病毒感染检测实验报告》是在医学研究背景下,依托软件技术基础中的编程知识完成的一个课程设计任务,其目的在于评估人体是否感染特定病毒。在此实验中,病毒遗传物质人类遗传物质被表现为字母序列,通过比对病毒遗传物质序列是否存在于人的遗传物质序列中,从而判定感染状态。在程序构建方面,该实验所涉及的核心知识要点包括: 1. **字符串操作**:程序需处理病毒遗传物质人类遗传物质的序列,这些序列以字符串形式呈现。字符串操作涵盖输入、输出、比较及匹配等操作,是C/C++编程的基础。 2. **线性表**:遗传物质序列可视为线性数据结构,可通过数组来表示。程序运用全局变量数组`V`和`D`存储病毒人的遗传物质序列。 3. **栈**:在循环展开病毒遗传物质时,可能需借助栈数据结构来保存某个阶段遗传物质序列的状态,以便进行所有可能的匹配尝试。 4. **BF算法**(Brute Force,暴力搜索算法):BF算法是一种基础性的字符串匹配方法,用于在文本中搜寻模式。在此,BF算法用于在人的遗传物质序列中探寻病毒遗传物质序列的所有展开形态。 5. **文件处理**:程序需从文件《病毒感染检测输入数据...
内容概要:本文系统研究了基于粒子群PSO、灰狼GWO、鲸鱼WOA、哈里斯鹰HHO、蜣螂DBO、麻雀SSA六种智能优化算法的无人机三维路径规划方法,并通过Matlab代码实现了在复杂三维环境下的路径搜索优化对比。研究构建了包含障碍物、威胁区域等实际地形特征的空间模型,综合考虑路径长度、飞行时间、能耗及安全性等多维度成本函数,对各算法的寻优能力、收敛速度、稳定性和全局搜索性能进行了量化评估深入分析。通过大量仿真实验,全面比较了不同算法在多样化环境条件下的路径规划表现差异,揭示了各类算法的优势局限性,为无人机在实际任务中的自主导航决策提供了可靠的算法选型依据和技术支撑。; 适合人群:具备一定Matlab编程基础,从事无人机路径规划、智能优化算法研究或相关方向的研究生、科研人员及工程技术人员。; 使用场景及目标:① 掌握主流群智能优化算法在三维路径规划中的建模实现方法;② 对比分析不同算法在复杂环境下的性能优劣,服务于算法选型改进;③ 为无人机自主导航、无人系统协同控制等应用场景提供算法验证平台。; 阅读建议:此资源以Matlab代码为核心,建议读者结合代码算法原理进行同步学习,通过调整环境参数成本函数权重开展仿真实验,深入理解算法行为特征,并可根据自身研究需求进行二次开发拓展。
本项目是一套基于知识图谱 LLM 大模型的电影智能问答推荐系统完整 Python 源码,为计算机相关专业高分毕业设计项目(评审得分 98 分),经导师全程指导专业审定,全量源码均通过本地编译多场景调试,确保可稳定运行,兼具学习参考二次开发价值。 项目以电影领域知识为核心,通过构建结构化电影知识图谱,结合大语言模型(LLM)作为智能 AI 助手,实现了自然语言驱动的电影知识问答个性化推荐能力,解决了传统系统语义理解能力弱、交互形式单一的痛点。 核心技术栈:基于 Python 开发,采用 Neo4j 图数据库存储管理电影知识图谱,融合 LLM 大模型实现自然语言意图解析、答案生成推荐理由输出,配套完整的前后端交互界面。 核心功能: 智能问答功能:支持用户以自然语言提问电影详情、演员作品、导演履历、影片类型、上映信息等各类问题,LLM 负责精准识别用户意图,调用知识图谱数据推理并生成通顺自然的回答; 个性化推荐:基于知识图谱的实体关联关系,结合用户偏好输出电影推荐结果,同时由 LLM 生成贴合用户需求的个性化推荐理由; 知识图谱可视化:支持电影、演员、导演等实体及其关联关系的图形化展示,直观呈现知识网络结构; 多轮对话交互:依托 LLM 的对话能力,支持上下文关联的多轮追问,交互体验更贴近真人对话。 项目代码结构清晰、注释完整,覆盖数据预处理、知识图谱构建、LLM 接口封装、后端服务、前端页面全流程,难度适中,非常适合计算机、软件工程、人工智能等专业学生用于毕业设计、课程设计、期末大作业,也可作为 Python 项目实战、知识图谱 LLM 落地应用学习的练手项目,可直接基于现有框架进行功能扩展场景创新。
内容概要:本文围绕基于去噪概率扩散模型(DDPM)的光伏场景生成展开研究,提出了一种利用扩散模型对光伏发电功率时间序列进行高保真建模生成的方法。该方法充分挖掘DDPM在处理不确定性复杂分布方面的优势,通过前向扩散逐步引入噪声、反向去噪逐步恢复数据的机制,实现了对光伏出力波动性和随机性的精准刻画。研究详细阐述了模型架构设计、训练流程、噪声调度策略及神经网络结构选择,并结合实际光伏数据进行了实验验证,生成的场景不仅具有良好的统计一致性,还能为新能源系统提供多样化、可靠的输入条件,有效支撑后续的规划、调度风险评估任务。; 适合人群:具备一定机器学习、深度学习及时间序列分析基础的研究人员和技术工程师,特别适用于从事新能源发电预测、电力系统优化、能源场景模拟等相关领域的硕博研究生和科研工作者;熟悉Python编程并对生成模型感兴趣的技术人员亦可从中获益。; 使用场景及目标:①解决传统方法难以捕捉光伏出力复杂时空特性的难题,生成高质量、多样化的光伏功率场景;②服务于微电网、综合能源系统等在不确定环境下的优化调度、可靠性评估韧性提升;③为电力市场仿真、储能配置、需求响应等应用提供稳健的输入数据支撑;④深入理解扩散模型在能源数据生成任务中的具体实现路径关键技术细节。; 阅读建议:建议读者结合所提供的Python代码逐模块分析模型实现过程,重点掌握数据标准化、扩散过程建模、U-Net网络设计以及采样推理逻辑,并尝试在不同地区、不同时间分辨率的光伏数据集上进行迁移调优,以深化对模型泛化能力和超参数敏感性的认识。
内容概要:本文围绕基于灰狼优化算法(GWO)优化改进的自适应完备集合经验模态分解(CEEMDAN)方法,提出了一种用于混合储能系统中风电功率分解平抑风电波动的技术方案。研究通过Matlab代码实现了GWO-CEEMDAN联合算法,旨在有效应对风电输出功率强波动性和随机性带来的挑战。该方法首先利用CEEMDAN对原始风电功率信号进行多尺度自适应分解,获得一系列不同频率特性的本征模态函数(IMF),随后引入灰狼优化算法(GWO)对CEEMDAN的关键参数(如噪声标准差和集成次数)进行智能寻优,以提升分解精度并抑制模态混叠现象。在此基础上,依据各IMF分量的频率特征,制定合理的功率分配策略,将高频分量分配给响应速度快的储能单元(如超级电容),低频分量分配给能量密度高的储能单元(如蓄电池),从而实现混合储能系统内部的协同工作,显著降低风电功率波动对电网的冲击,延长储能设备使用寿命,提高系统运行的稳定性、经济性可靠性。文中提供了完整的仿真流程、详细的算法设计、参数设置及实验验证结果,体现了信号处理智能优化算法在新能源电力系统中的深度融合,属于电力系统自动化可再生能源集成领域的高水平科研实践。; 适合人群:具备电力系统分析、可再生能源技术或信号处理等相关专业知识背景,熟悉Matlab/Simulink编程环境,正在从事风电并网、储能控制、智能优化算法应用等方向研究的研发工程师、高校教师及在读硕士、博士研究生(尤其适合工作1-3年或处于课题攻关阶段的研究人员)。; 使用场景及目标:①应用于风电场配套混合储能系统的实时功率平抑能量管理,实现对风电波动的有效缓冲;②服务于高校、科研院所开展关于“风电功率预测平滑”、“混合储能协调控制”、“智能优化算法在电力系统中的应用”等课题的理论研究、仿真验证学术论文复现;③为工程技术人员提供一套成熟的GWOCEEMDAN融合算法的Matlab实现代码框架系统设计思路,作为开发更高级控制策略的技术参考。; 阅读建议:建议读者结合所提供的Matlab代码技术文档进行逐行调试运行,重点理解CEEMDAN的信号分解机制、GWO算法的寻优过程以及两者耦合的实现逻辑,深入掌握功率分频分配策略的设计原理。在学习过程中,应注重算法参数敏感性分析,并可尝试将GWO替换为其他智能算法(如PSO、WOA、HHO等)进行对比实验,以全面评估不同优化器的性能差异,从而深化对混合储能系统先进控制策略的理解自主创新能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值