核心观点 - 港股AI板块因智谱巨额融资引发资金担忧，叠加OpenAI与Anthropic发出“减速”信号，导致市场情绪承压，板块集体调整 [3][5][11] 智谱融资与资金消耗 - 智谱9月13日发布约50亿美元新融资公告，以每股714港元配售最多2196.5万股新H股，较前收盘价折让约9.96%，同时发行本金总额人民币201.4亿元的零息可转换债券，合计筹资净额约392.74亿港元 [3][6] - 资金约60%用于下一代GLM基础模型及完全自训练体系研发、算力基础设施部署，完全自训练涵盖数据自产、环境自造、基础设施自我优化三个维度 [7] - 智谱上市前完成多轮私募融资约83.44亿元人民币，2026年1月IPO募资约48.96亿港元，8个月内耗尽，7月配售313.75亿港元，50天动用109.55亿港元，日均消耗约2.2亿港元，9月再融392.74亿港元，上市后累计融资约755亿港元 [8] - 资金消耗速度从IPO阶段月均约6.12亿港元加速至7月后月均65.7亿港元，两个月内加速近10倍 [8] - 智谱上半年营收9.54亿元，同比增长399.7%，但整体毛利率从去年同期的50.0%降至26.4%，研发投入仍是同期收入的2.2倍 [8] MiniMax财务压力 - MiniMax面临资金压力，1月以165港元发行价上市后，7月发布约160亿港元配售与可转债融资方案 [8] - 公司上半年收入1.17亿美元，同比增长283.1%，研发开支2.97亿美元，约为收入的2.5倍，整体毛利率17.9%，同比提升但仍偏低，经调整净亏损2.93亿美元 [8] 行业结构性问题 - 两家公司财报指向同一结构性问题：大模型研发资本密集度快速上升，商业化造血能力尚未同步跟上 [8] 资本市场考核趋严 - Anthropic今年二季度收入超115亿美元，经调整经营利润首次转正，预计三季度连续第二个季度为正，已进入IPO实质推进阶段，目标今年10月在纳斯达克上市，潜在估值近2万亿美元 [10] - 一边是即将上市且利润改善，一边是资金消耗加速与商业化能力不明，资本市场对港股模型企业的宽容度正被消解 [10] 行业“降速”共识冲击估值 - Anthropic CEO达里奥·阿莫迪呼吁放慢模型能力提升速度，OpenAI CEO山姆·奥尔特曼跟进表态，宣布今年不会推进IPO，马斯克亦表态支持 [10] - 阿莫迪承认递归式自我改进已在全行业发生，预测6到12个月内失控的AI Agent集群可能接管整个互联网 [10] - 过去AI概念股估值核心建立在高额资金推动模型性能持续高速增长基础上，头部公司公开表示放慢速度，投资者需重新审视预期 [11] 浙商证券分析 - 浙商证券认为，“减速”呼吁短期使AI硬件公司、大模型公司承压，中长期利好AI应用、AI终端公司 [12] - 中长期AI算力建设尤其是国产算力趋势不变，全球Token使用量将继续爆发式增长，推理算力需求快速提升 [12] - 前沿模型竞赛节奏可能阶段性收敛，依赖“能力叙事”支撑估值的大模型公司面临重新定价 [12] - 当底层模型不再以季度为单位快速迭代时，深耕垂直领域的中小AI应用企业生存空间改善，因2B领域对模型稳定性、准确率要求远高于对“最先进”的追求 [12] 市场连锁反应 - 港股AI板块集体走弱并非孤立现象，日韩股市AI芯片概念股同步重挫，存储半导体股、光通信概念股、PCB概念股齐跌 [12] - 当Anthropic财务表现与AI安全叙事打破传统逻辑，资本市场对模型厂商考核将愈发严格，考验token调用量能否沉淀为稳定收入、整体毛利和正向现金流 [12]

文章核心观点 AI训练数据服务正从传统低门槛的现金流生意，转变为由年轻高学历创业者主导、资本追捧的高估值赛道，但单纯的数据生意天花板明显，行业正探索向SaaS化、RSI等更深层服务模式转型 行业现状与融资热度 - 一家由阿里通义、月之暗面等大厂实习生创立的AI数据公司，不到一年拿下千万美元级订单，完成约三轮融资，即将完成3亿美元融资，估值达25亿美元，投资方包括红杉、阿里和腾讯[3] - 国内AI训练数据公司约二十多家，传统数据服务模式（人工标注、专家外包、数据交付）难以讲出增长故事，但95后、00后创业者凭借模型训练经验带来新想象空间，搅动融资热度[4] - 海外数据公司Surge AI成立于2020年，2025年收入超10亿美元，市场估值超150亿美元[6] - 海外数据公司Mercor早期为AI招聘平台，后组织专业人士成为训练数据供应网络，2025年以100亿美元估值融资，2026年计划按200亿美元估值筹集约5亿美元[7] 数据需求变化 - 大模型智力水平提升后，数据质量要求提高，名校背景高学历从业者加入，法律、医生、记者等资深人士入驻数据服务平台，数据标注收入每小时500-1000元[3] - 医疗、法律、金融等专业领域及需要主观判断的复杂任务中，对资深人才标注需求快速增长，大型AI公司愿支付高额溢价[7] - 今年Agent全面爆发，所需数据类型从简单专家数据转向更接近环境的数据，需要可闭环、可验证的训练环境，模型在其中反复行动、获得反馈[10] - 美国创业公司AfterQuery专门做强化学习环境，为前沿大模型输出专家推理数据集、强化学习仿真环境、模型评测服务[10] - Anthropic管理层讨论未来一年内拿出10亿美元投入强化学习环境，OpenAI 2025年全年数据开销约10亿美元，内部预测到2030年将涨到80亿美元[11] - 国内从今年5、6月份开始，市场上出现一批提供高质量数据的新团队，模型厂对新领域数据需求上涨[11] 创业者特征 - 国内数据初创公司创始人多为头部模型大厂实习生，兼具business sense和researcher属性，参与过模型训练工作并发表论文[14] - 模型训练一线工作由名校PhD承担，他们从实习开始承担具体执行工作，随后从模型厂或外包团队中走出成立数据创业公司[14] - 投资人判断创业者画像要求团队至少达到T0或T1级别，最好是95后、98后到00后这一代真正参与过一线模型训练的人[14] - 工程能力同样关键，从数据pipeline搭建到Query设计、数据清洗和质量控制，背后有复杂工程链路，并非简单人工标注[15] - 数据业务可成为模型厂之外的候选人团队，甚至小型预训练、后训练组织，投资人可在早期以较小代价获得研究员密度较高的团队[15] 数据生意天花板 - 单纯数据生意难以支撑持续发展，Mercor年化收入1亿美元，但60%到70%总收入需支付给承包商，留给公司空间有限[17] - Scale AI超过一半营收用于直接业务成本，包括承包商薪资，国内数据标注员时薪200至500元，专业性更强的人可达上千元[17] - 数据业务订单并非完全确定，客户签下1亿美元订单并不意味着半年、一年或两年后一定能实现对应规模收入，连续交付不达标可能缩减或取消订单[17][18] - 海外大厂分工成熟，外部数据公司年度预算到2027年、2028年仍在增长，有被并购的退出机会，但中国市场逻辑不同，数据外包公司被并购或上市空间有限[18] 行业转型方向 - 未来数据生意可能不再是“一条数据卖多少钱”的模式，数据创业公司开始试图站到SaaS位置，进入传统企业工作流帮助完成AI化改造[18] - 数据公司可进入企业工作流，积累真实任务轨迹和交互反馈，沉淀到自身模型和训练体系中，数据从一次性交付商品变为连接客户工作流、模型训练和长期服务的基础设施[19] - 大厂付费方式将从按数据条数付费，变为为一套能持续产生高质量数据、完成任务执行和模型反馈的系统付费[19] - 海外Turing、Scale、Invisible等公司发展咨询或更深度的企业服务业务，从单纯提供数据和人力，进一步介入客户AI工作流[19] - 数据越深入客户核心业务风险越高，Mercor今年遭遇数据泄露后，Meta暂停合作，OpenAI也展开调查[19] RSI与未来叙事 - 2026年以来头部模型厂商发版节奏压缩到月度级，背后关键变量可能是RSI（递归式自我改进），即AI参与甚至改进自身研发流程[21][22] - 由Meta前FAIR研究总监田渊栋等8位顶级AI研究员联合创办的RSI实验室完成6.5亿美元融资，投后估值约46.5亿美元[22] - 一些数据初创公司开始把RSI作为融资叙事，在新区搭建“半RSI”系统，某些环节可能做到接近一半甚至70%到80%[23] - RSI创业门槛极高，同时需要前沿模型、巨额算力、顶尖研究人才、训练基础设施、大规模实验能力及足够强的模型评估系统，当前能尝试闭合完整循环的仍主要是OpenAI、Anthropic、Google DeepMind及极少数新Lab[23] - 市场上不同团队讲的RSI并非同一件事，有的对标大模型公司做下一代模型研发，有的只发生在产品自动化层面，有的指数据管线自净化自迭代，层次、方向和scope不同，短中期内可能存在明显差距[24]

核心观点 - 智谱在上市不到九个月内完成三轮融资，累计净募约755亿港元（约646亿元人民币），资金主要投向下一代GLM基础模型和“完全自训练”体系的研发及算力基础设施 [1][19] 融资与资金分配 - 2026年9月12日，智谱公告配售新H股及发行201.4亿元人民币零息可转债，合计预计净募约393亿港元 [2] - 约60%的所得款项净额（约235亿港元）投入下一代GLM基础模型和“完全自训练”体系研发，以及大规模训练、推理和算力基础设施部署与升级 [7] - 约15%（约59亿港元）用于业务拓展、战略投资和潜在并购，筛选标准包括业务与AI技术密切相关、稳定经营不少于两年、具备成熟产品或技术平台 [13] - 约25%（约98亿港元）用于优化资本结构和补充运营资金 [15] - 全部所得款项预计在2028年6月30日前悉数动用 [16] 融资时间线 - 2026年1月8日，智谱以每股116.20港元完成H股全球发售，净募约48.96亿港元，截至2026年8月31日已全部花完 [17] - 2026年7月9日，以每股1,588港元完成首次配售，净募约313.75亿港元，每股价格较IPO翻了约13.7倍，截至8月底已动用约34.92%（约109.55亿港元） [17] - 2026年9月12日，H股收盘价回落至793港元，配售价从1,588港元降至714港元，公告解释因业务进展加快及算力部署周期需要提前融资 [18] - 公告透露A+H计划，可转债条款明确不会因预期在科创板上市而对换股价作出调整 [19] “完全自训练”技术体系 - 智谱下一代GLM-6.0瞄准自进化，在半年报业绩沟通会上已回应“只会后训练”质疑 [4] - “完全自训练”是智谱对递归式自我改进（RSI）的具体技术表述，涵盖数据自产、环境自造、基础设施自我优化三个维度 [3][8] - 数据自产：通过模型间自我对弈、规则校验、执行验证、模型评审和人工抽检等方式，自动生成、筛选和积累高质量训练数据，持续回流到预训练、中训练和后训练各阶段 [9] - 环境自造：让智能体采集和转化真实世界任务，自行试做、生成验证器、检查任务可解性，扩充训练环境的数量、类型和复杂度，使任务环境成为“可规模化生产及复用的训练资源” [10] - 基础设施自我优化：利用模型编码和系统工程能力，协助开发和优化训练及推理系统的算子、内核、调度、缓存和服务栈，使模型参与支撑自身迭代的基础设施升级 [11] 下一代模型能力方向 - 提升基础模型的有效规模和原生多模态统一建模能力，在不过度增加推理成本前提下加深有效计算深度，支持更长链条的推理、规划和自我校验 [12] - 长程任务强化学习是重点，建设贴近真实专业工作的任务环境，训练模型拆解任务、调用工具、与环境交互、从错误中恢复、验证最终结果 [12] - 算力方面，当前市场“优质算力资源的供给及交付条件较为有利”，将综合推进采购与租赁，投入芯片适配、算子开发、集群互联和性能调优，建立来源多元且可灵活调配的算力供给体系 [12] - 自研推理引擎和服务栈覆盖多模态编码、提示词预填充、逐Token解码、量化、缓存、通信及弹性扩缩容等环节，目标在同等硬件条件下提升推理吞吐和成本效率 [12] 业务拓展与运营 - 业务层面支持MaaS平台、API、Coding Plan以及Agent和Co-work相关产品与服务的市场拓展 [15]