近日，号称“全球大模型第一股”的智谱市值突破1万亿港元。
但在理性的资本圈子里，很少人开香槟，因为他们都心知肚明，这个万亿市值，是建在年收入7.24亿元人民币、净亏损47.18亿元人密闭的流沙之上。市销率超过一千倍——这在传统估值体系里，不是疯狂，就是信仰。
同期，大洋彼岸的Anthropic宣布招揽AlphaFold之父John Jumper，OpenAI发布面向生命科学的GPT-Rosalind，Google DeepMind的Isomorphic Labs累计融资约27亿美元，与礼来、诺华达成近30亿美元合作。
同样庞大规模的资本故事，讲的却是完全不同的剧本：一个在买“中国版OpenAI的可能性”，另一个在赌“AI重写生命科学的奇点”。
这不是两条通往万亿的路，这是两种完全不同的生存逻辑。而决定胜负的，不是谁跑得更快，而是谁选对了属于自己的悬崖。
01 智谱的万亿：是护城河，还是流沙？ 半年之前，智谱还是投资圈里“不性感”的代名词。73.7%的收入来自政企私有化部署——一家一家谈，一个项目一个项目做，驻场、调试、运维、回款。这太像AI四小龙走过的老路了：商汤IPO市值1375亿港元，如今跌到不足800亿。投资圈当时的判断高度一致：“智谱走了商汤的老路。” 某省政务云招标显示，智谱单项目70%预算用于国产芯片适配（非AI功能），仅15%投入模型迭代。这种“信创税”正在透支技术演进速度——当美国实验室用1美元算力跑1000次分子模拟时，中国团队需先花0.7美元打通硬件兼容。 但转折发生在2026年2月11日，智谱发布GLM-5，参数744B。结果股价当日暴涨42.72%，市值突破3200亿港元。此后三个月，GLM-5.1、GLM-5.2接连发布，每一次都带动股价暴涨，Hugging Face下载量24小时冲上全球榜首。 智谱用三件事回答了市场的质疑： 第一，SOTA模型（State of the Art，指在特定任务或数据集上当前性能最优、技术最先进的模型）是硬通货。 从2025年开始，大模型之争进入残酷的SOTA淘汰赛——发布那一刻不是最强，立刻被踢出顶级玩家队伍。智谱接连捧出开源SOTA，API调用量在涨价83%后仍同比增长400%。能定价，才有毛利；有毛利，才能继续烧算力；算力烧出下一个SOTA，才可能形成正循环。虽然API涨价30%仍无法完全覆盖算力成本，但资本市场愿意用热钱补贴电费——因为他们在赌一个更大的可能性。 第二，政企“重模式”和AI四小龙的定制化项目，本质上是两回事。 四小龙做的是纯项目外包，边际成本居高不下；智谱做的是“模型驱动”的私有化部署——基座模型标准化，部署在不同客户的私有环境中。毛利率始终保持在50%以上，远超四小龙的纯集成模式。更重要的是，大量政企项目积累的场景数据、40余款国产芯片的适配经验，反过来形成了信创领域的壁垒。这不是包袱，是阵地。 第三，开源生态是网络效应的门票。 智谱MaaS平台注册开发者突破300万，覆盖218个国家与地区。越多人用开源GLM，越多人反馈缺陷、提供微调数据，模型迭代越快；模型越强，API调用规模越大。这是一个正在运转的飞轮。 但风险同样触目惊心。万亿市值意味着什么？意味着市场在押注智谱的年收入从7亿做到200亿甚至500亿。而这条路上，DeepSeek、Kimi、通义千问随时可能推出更强模型，抢走SOTA王座；推理成本如果降不下来，增长就会反过来放大亏损。 智谱用万亿回答了一个问题：中国能不能把大模型做成基础设施？ 答案是“有机会”。但仅仅是机会。 02 美国的押注：把AI从“编程助手”变成“科研合伙人” 如果说智谱的故事是“把大模型变成水电”，那么美国前沿实验室的故事则是“把大模型变成显微镜和手术刀”。 2026年4月，Anthropic以约4亿美元股票收购Coefficient Bio——一家成立仅数月、团队不到10人的AI生物技术公司。贵得离谱，但Anthropic缺的正是这批人手里的药物研发经验。收购之后，Anthropic开始自建湿实验室，目标是把整个生命科学研发周期压缩十倍。诺华CEO加入Anthropic董事会——这是第一个进入前沿AI实验室管理层的制药巨头高管。 OpenAI走了另一条路。GPT-Rosalind在6月更新后，加入了Agentic Coding和工具调用能力——模型不只是回答问题，而是能在同一个工作区里检索证据、分析组学数据、执行生物信息学流程。它不再是助手，是合伙人。 Google DeepMind则通过Isomorphic Labs布局，预计2026年底前启动第一批临床试验。 三个方向不同，但指向同一个判断：前沿AI实验室已经认定，生命科学是软件工程之后的下一个核心战场。 这场转向有三个支撑点： 第一，AI设计的药物开始在人体试验中拿出结果了。 2025年6月，英矽智能的Rentosertib在特发性肺纤维化IIa期临床试验中获得积极结果，发表在《Nature Medicine》上。无论最终能否上市，这至少把“AI能否真正发现药物”从理论问题推进到了临床证据层面。 第二，Agentic AI让生物学模型从“能回答问题”变成了“能干活”。 一个会解释蛋白质折叠的模型只是个笔记本。一个能选择工具、设计实验、读取数据、修正失败、给出候选方案并把结果送去实验室验证的模型，才接近产品。 第三，商业逻辑在召唤。 编程助手已是最拥挤的赛道，而制药和医疗健康是更大、更慢、更贵、更难被重写的产业。麦肯锡估算，生成式AI每年可能为制药和医疗产品行业释放600亿到1100亿美元。与此同时，大药企正面临新一轮专利悬崖公开，可能流失的收入达数千亿美元。 但美国这条路同样危机四伏。BenevolentAI的候选药物在特应性皮炎临床试验中失败后退市，Exscientia的早期项目也在临床后终止。AlphaFold拿了诺贝尔奖，但Isomorphic Labs的临床管线还没有产出。药物要么在临床上起效，要么不起效——这不再是“发一篇论文”就能交差的事。 越强的模型，越可能同时带来突破和灾难。 03 为何分岔：两种禀赋，两个悬崖 中美AI为何走向两条不同的路？不是谁更聪明，而是谁手里有什么牌。 美国走科学路径，是因为它“有得选”。 长期积累的标准化科学数据与知识体系、以国家实验室为核心的超大规模算力与实验设施、学术界与产业界高度耦合的创新生态——这些让美国有条件把AI押注在“从0到1”的原始科学发现上。OpenAI、Anthropic、DeepMind敢于投入生命科学，是因为它们相信：当模型能力足够强，第一批被重写的领域将是那些最难、最贵、最有价值的。 但这条路的底层，是算力霸权。GLM-5.2参数744B，放在全球已经是顶级开源模型。但面对Isomorphic Labs那种需要模拟亿万次分子碰撞的场景，如果没有B100/H200级别的算力矩阵，中国AI确实无法参与这场游戏。 中国走产业路径，既是“只能这么走”，也是“最适合这么走”。 高端GPU获取受限，必须通过开源聚合分散算力与场景资源。但与此同时，中国拥有覆盖最全的工业门类、最完整的产业链体系、贯穿研发与制造的复杂工程场景、持续生成的大规模产业数据。这些不是科学发现的起点，但它们是工程成功的土壤。 西北工业大学的一篇智库报告提出了一个关键判断：中国的优势在于“从1到0”的反向跃迁——把已经跑通的工程成功，回溯为可复制、可积累、可演进的科学原创能力。但我们也必须看到，工程反哺科学的成功案例仅存于材料科学（如日本碳纤维）和精密制造（如德国光刻机）。而在AI依赖的算法-算力-数据三角中，中国在算力（物理层）和科学数据（认知层）的双重断层，使‘反向跃迁’面临系统性阻隔——就像用算盘推导量子力学。” 智谱的政企模式恰恰在验证这条路。它不是在实验室里直奔诺奖，而是先在金融、能源、政务这些真实场景中“跑通”，再用积累的数据反哺模型迭代。这是一种“工程→模型→科学”的路径，和美国的“科学→模型→工程”方向相反，但同样指向领先。 凯基证券的判断也印证了这一点：中美AI路径的分化源于产业基础的不同，但从长期来看，全球AI产业最终将向物理AI（Physical AI）趋同——机器人、自动驾驶、具身智能。在这个方向上，中国的应用端先发优势和制造业积累，有望在长期竞争中进一步凸显。 04 残酷的真相：我们回避了“物理现实” 但乐观不能替代现实。在“物理AI”这个汇合点上，中国的短板依然触目惊心。 机器人的“大脑”与“小脑”。 特斯拉Optimus拥有强大的“大脑”（FSD芯片+大模型）和精密的“小脑”（顶级伺服电机）。中国的机器人可能拥有不错的外壳和制造优势，但如果“大脑”受限于算力——无法本地运行千亿大模型——且“小脑”精密减速器依然依赖进口，那么所谓的“物理AI”确实可能停留在“高级遥控玩具”的阶段。 中国制造业优势恰是枷锁：当特斯拉用Optimus在工厂自主迭代（机器人训练机器人），中国产线却因数据孤岛无法形成闭环。更讽刺的是，教机器人拧螺丝的物理交互数据，90%被锁在封闭的工业系统中，无法反哺大模型——所谓‘场景优势’，实为数据坟场。 数据的“含金量”差异。中国拥有海量的“行为数据”——电商、短视频、政务——这让我们在推荐算法和图像识别上很强。但美国正在积累的是“科学数据”——基因序列、粒子对撞、天文观测。在AI时代，科学数据的权重远高于行为数据：前者能创造新物质（如新药），后者只能优化分配。 这不是悲观，是必须直视的差距。 05 结局不是谁取代谁，而是谁先完成跃迁 两条路都有风险，两条路都未到终点。 智谱万亿市值是一场高风险的“防御战”胜利。它为中国AI争取了时间，但没有赢得空间。真正的对决不在股市的K线上，而在那个尚未突破的算力封锁线之后。 但“算力封锁”并非绝对的生死线。算法效率的革命——MoE架构、推理侧优化、蒸馏技术——正在以“算法换算力”的方式缩小差距。中国庞大的工业数据一旦开始反哺基础研究，“从1到0”的机制一旦运转，产业路径和科学路径的界限将变得模糊。 美国的科学路径同样不是坦途。药物临床失败率超过90%，AI设计的分子在试管里有效、在人体里无效的例子比比皆是。算力霸权可以加速计算，但无法绕过生物学本身的复杂性。 智谱的万亿，是对“中国AI能否成为基础设施”的回答。美国的押注，是对“AI能否重写科学”的回答。 两个答案都还没有最终落笔。 谁能率先把“工程成功”和“科学原创”打通，谁就能在新一轮科技竞争中掌握主动权。这不是谁取代谁的问题——而是谁先完成跃迁的问题。 在那之前，所有的产业应用，既是在为生存支付成本，也是在为跃迁积累筹码。 资本圈的焦虑与硅谷硅狂热，本质是同一枚硬币的两面：当中国团队在GPU封锁线下用算法挤出每1%的算力残值时，美国实验室正用中国无法获取的算力，把‘残值’转化为新界的基石。 万亿市值不是终点，而是倒计时的刻度——在算力断层被算法革命弥合前，所有产业应用都是向未来支付的“赎身费”。真正的悬崖不在脚下，而在我们拒绝承认：有些路，注定要用十年流沙，去换一寸科学的土壤。 -END-
