唐杰踏浪，智譜摸高，中國版Claude

文/墨言 ｜「小芳俠」工作室

GLM-5.2發布不到一個月，智譜創始人唐杰發出了一封題為《巨浪已來》的內部信。

幾乎沒有介紹新產品，沒有強調商業化成績，也沒有圍繞Agent應用展開，而是唐杰的內部信提出了一項全新的長期研發戰略——Touch High（摸高計劃）

在這份內部信中，唐杰提出未來兩年重點攻關的四個方向：長程能力（Long Horizon）、自治智能體系統（Autonomous Agent System）、完全自我訓練（Full Self-training）以及極致安全（Extreme Safety）

如果把這四個方向放在一起，就會發現一個共同特點：智譜登高望遠，不是為了眼前的產品競爭，而是在回答一個更底層的問題——下一代AI的能力邊界在哪里？

當整個行業還在圍繞Agent、企業應用和商業化展開競爭時，智譜顯然已經把目光重新投向了更長期的技術演進路徑。

Agent之后，競爭開始重新回到智能本身

過去一年，大模型行業最熱門的關鍵詞幾乎都圍繞著應用展開：Agent、Coding、辦公助手、企業服務……幾乎所有公司都在尋找產品落地和商業閉環。

這種競爭并沒有錯，它代表著行業正在進入產業化階段。但與此同時，一個新的問題也越來越明顯：如果基礎模型能力不再持續提升，再復雜的Agent最終也會遇到天花板。

Agent本質上是在組織模型能力，而不是創造模型能力。無論是自動編程、科研助手還是企業流程自動化，真正決定能力上限的，仍然是模型自身是否能夠理解更復雜的問題、執行更長期的任務，并持續積累新的能力。

因此，唐杰這封內部信釋放出的信號，與過去一年行業普遍關注的方向形成了鮮明對比。相比討論"如何把模型做成產品"，他更關心的是如何讓智能本身繼續增長

某種意義上，大模型行業正在進入第四階段。

第一階段比拼參數規模；第二階段比拼推理能力；第三階段比拼Agent和應用生態；而第四階段，競爭的重點很可能將轉向持續智能（Continuous Intelligence）——誰能夠讓AI不斷成長，而不是停留在發布當天的能力水平。

第一座高峰：長程能力，真正限制AI的不再是上下文，而是時間

很多人看到"長程能力"時，第一反應往往是更大的上下文窗口。

事實上，GLM-5.2已經支持100萬Token上下文，因此唐杰所說的"長程能力"，顯然不是簡單增加Context長度。

真正的長程能力，指的是模型能夠圍繞同一個目標持續工作數周、數月，甚至更長時間，并始終保持任務目標、知識記憶和執行邏輯的一致性。

這是今天幾乎所有AI系統共同面臨的短板。

當前的大模型已經能夠幫助科研人員閱讀論文、編寫代碼、分析實驗數據，也能夠完成復雜的軟件開發任務。但一旦任務跨度拉長，它們就容易出現目標漂移、遺忘歷史決策、重復勞動甚至推翻此前結論等問題。

然而現實世界中的絕大多數高價值工作，本身就是長期任務。

無論是新藥研發、芯片設計、材料科學、基礎科研，還是大型軟件工程，它們都不是幾小時能夠完成的，而是需要持續數月甚至數年的迭代。科研人員真正寶貴的能力，并不是一次推導，而是在長期實驗過程中不斷修正假設、吸收新知識、調整研究方向。

因此，長程能力對于科研的重要性，遠遠超過今天大家討論的聊天能力。

可以想象，一個真正具備長程能力的AI研究助手，第一天提出實驗假設，第二天根據實驗結果調整方案，第三天自動檢索最新論文，第四天重新設計實驗，第五天繼續驗證結果……經過一個月，它可能已經完成幾十輪迭代，并且始終記住整個項目的發展脈絡。

這時，它已經不再是一個回答問題的助手，而更接近一位能夠長期參與科研工作的數字研究員。

第二座高峰：完全自我訓練，AI自進化能力

如果說長程能力解決的是AI能夠持續工作多久，那么完全自我訓練解決的則是另一個更根本的問題：AI能夠持續成長多久。

這也是整個"摸高計劃"中最值得關注的方向。

過去的大模型成長方式基本相同：訓練、停止、發布，然后等待下一代重新訓練。模型每一次能力躍遷，都依賴于人類重新準備數據、重新組織訓練流程。

而唐杰提出的方向，則是希望模型能夠持續從環境中學習，不斷生成新的訓練數據，通過任務執行和結果反饋修正自己的推理方式，并把新的經驗沉淀為新的能力。

如果這一目標最終實現，那么AI的成長方式將發生根本變化。

它不再只是一個靜態模型，而會變成一個不斷學習的新智能體。

事實上，這也是當前國際大模型研究的重要趨勢。從OpenAI越來越強調強化學習，到Anthropic持續探索Agent訓練，再到DeepSeek在強化學習路線上的突破，一個越來越明顯的共識正在形成：未來模型之間真正拉開差距的，不一定是誰擁有更多數據，而是誰擁有更快的學習速度。

過去，人們更多關注模型發布時有多聰明；未來，人們更可能關注的是模型發布之后還能成長多快。

從這個角度來看，完全自我訓練的重要意義甚至超過一次模型升級。因為一旦模型具備持續學習能力，它的能力增長將從"版本更新"變成"持續演化"。

當然，需要說明的是，目前公開信息并沒有顯示智譜已經實現類似在線持續學習的能力。"完全自我訓練"仍然屬于其公開提出的研發目標，而非已經落地的產品特性。

第三座高峰：自治智能體，未來的AI將不再是一個助手，而是一整個團隊

今天談到Agent，大多數人的理解仍然是一個能夠調用工具的智能助手。

但從唐杰提出的"自治智能體系統"來看，智譜設想的顯然不是單個Agent，而是一個由大量專業智能體組成的自治系統。

未來，不同Agent可能分別負責文獻檢索、實驗設計、數據分析、代碼開發、論文寫作、同行評審等不同職責，它們之間能夠彼此協作、互相驗證，并持續推進一個共同目標。

這種變化意味著，未來AI系統更像一家數字公司，或者一所數字研究院，而不再只是一個聊天機器人。

對于科研來說，這種價值尤為突出。

今天，一個重大科研成果往往需要多個研究方向、多種專業能力共同完成。而未來，這些工作完全可能由不同專業Agent分別承擔，再由更高層的協調Agent完成整體規劃與資源調度。

真正改變科研效率的，或許不是一個越來越聰明的大模型，而是一整個能夠持續協作的數字科研團隊。

第四座高峰：安全，智能時代的基礎設施

內部信把安全列為四大方向之一，并提出要持續投入機械可解釋性等基礎研究。

這一點同樣值得關注。

隨著AI逐漸具備長期執行、自主學習和自治協作能力，安全問題已經不只是內容審核或拒答機制，而是如何保證一個能夠持續進化的系統始終朝著正確目標運行。

未來的AI越聰明、工作周期越長，就越需要具備透明、可解釋和可驗證的決策機制。

對于下一代智能系統來說，安全不是約束創新，而是保證創新能夠長期持續的重要基礎設施。

小芳俠 用智譜 ZCode 自主研發了一套媒體公關 CRM 系統，上圖為測試數據。

真正摸高的，不是模型高度，而是智能增長速度

很多人會把"摸高計劃"理解成下一代GLM模型的研發計劃。

但從整個內部信來看，它更像是一份面向未來五年的技術路線圖。

長程能力解決的是AI能否長期工作；自治智能體解決的是AI能否形成協作系統；完全自我訓練解決的是AI能否持續成長；安全則決定這種成長是否可信、可控。

四個方向共同指向同一個目標：讓AI不只是回答問題，而是能夠持續工作、持續學習、持續進化。

過去，大模型行業比拼的是"一次訓練能把模型做得多強"；未來，真正決定領先者的，很可能是另一項指標——模型離開訓練場之后，還能以多快的速度繼續成長。

如果說Scaling Law時代追求的是參數和算力帶來的能力增長，那么"摸高計劃"真正試圖探索的，則是另一條更長期的路線：讓智能擁有自己的增長曲線。

這或許也是唐杰內部信最值得關注的地方。它討論的并不是下一款產品，而是一個更大的問題——未來AI的競爭，不再只是制造一個更聰明的模型，而是培養一個能夠不斷變得更聰明的智能系統。

如果這一判斷成立，那么未來行業真正的分水嶺，可能不再是某一次模型發布，而是誰率先讓AI進入持續進化的新階段。