鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

大模型挣钱有多难,看看智谱亏掉的 62 亿

编程导航
编程导航
2025-12-21 12:30
阅读 178
编程导航
2025-12-21 12:30
阅读 178

文 | 山上,作者 I 薛星星,编辑 I 蒋浇

和 AI 行业一天一榜首的模型性能迭代类似,大模型创业公司们的资本化进程也要比其他行业都要迅猛得多。大模型投资热潮的兴起才不过两年时间,“全球大模型第一股”就要来了。

从这个角度上来说,中国 AI 的落地速度确实要比北美快上不少。OpenAI 不过刚刚传出筹划上市消息,中国大模型公司们已经排排站到了敲钟的门口。

12 月 17 日,大模型创业公司的一北一南代表智谱与 MiniMax 双双通过港交所上市聆讯。两天后,智谱抢在 MiniMax 之前率先披露招股书,被不少媒体解读为在“全球大模型第一股”争夺战中占得先机。有媒体报道称,智谱同时也是内地企业赴港上市“报备制”落地以来,最快通过聆讯的公司之一。

相比于其他还在等待估值窗口的 AI 公司们,智谱们之所以加速上市,很大程度上来自于大模型赛道日益沉重资金压力。在全球科技大厂纷纷加码人才和算力投入的背景下,创业公司面对的研发成本几乎是同步上涨的,而一级市场的融资热度已明显降温,加快 IPO 进程是必然选择。

根据招股书数据,智谱过去三年收入年复合增长率虽然超过 130%,但亏损扩大速度也几乎同步,且增幅比收入更加显著。

从 2022 年至 2025 年上半年,三年半智谱累计收入不过 6.85 亿元,同期累计亏损则超 62 亿元。亏损占收入比重从 2022 年的 250.2% 一路走高至今年上半年的 1235.3%。

智谱招股书

大部分亏损都来自于高额的研发投入。过去三年,智谱累计研发开支达 28.09 亿元,2025 年上半年进一步攀升至 15.95 亿元,三年半合计研发投入已超过 44 亿元。

销售及营销开支同样快速放大,从 2022 年的 0.15 亿元增至 2025 年上半年的 2.09 亿元,三年半累计营销开支约 7.12 亿元,比智谱同期累计收入还要多。

智谱成立于 2019 年,核心创始团队都来自于清华,包括董事长刘德兵、首席科学家唐杰、公司 CEO 张鹏等,被业内称之为“清华帮”。

招股书显示,创始团队通过一致行动协议合计持有智谱 33.03% 的股权。成立 6 年以来,智谱融资 8 轮,累计筹资超 83 亿元人民币,IPO 前的最新投后估值超 240 亿元。

截至今年 6 月 30 日,智谱期末现金及现金等价物约为 25.52 亿元,但同期流动负债净额为 70.89 亿元,较去年底大幅上涨,其中新增的 28.88 亿元都来自于面向投资者发行的金融工具。今年上半年,智谱密集获得多个地方国资的战略投资。

独立大模型第一,年收不过 3 亿元

作为首个公开招股书的大模型创业公司,智谱为市场提供了一个观察大模型商业化落地最直观的切口。

在招股书中,智谱引用弗若斯特沙利文报告,称按 2024 年收入计算,智谱位列中国独立通用大模型开发商第一,在所有通用大模型开发商中位列第二,市场份额约为 6.6%。

按照智谱的定义,独立大模型可以简要概括为大模型创业公司,智谱、MiniMax、月之暗面等所谓“AI 六小虎”都属此类,非独立大模型则通指科技巨头公司,比如阿里、腾讯、百度及字节。

智谱在招股书中专门列出了 2024 年中国头部大模型厂商排名,除位居第二的智谱是独立大模型开发商外,其余均为科技巨头公司,如科大讯飞、阿里、商汤及百度。

智谱招股书

但这个排名或许与人们实际感知有所出入,部分原因在于中国大模型市场商业化落地局限于 B 端政企客户,C 端付费意愿不强。

弗若斯特沙利文数据显示,以收入计算,2024 年中国大语言模型 53 亿元的市场规模中,机构客户贡献 47 亿元,个人客户收入仅为 6 亿元。

事实上,智谱过去几年收入也多来自于 B 端客户,头部政企客户的本地化部署是其主要收入来源,过去三年本地化部署收入长期占据智谱总收入的约 85% 及以上。

即便近两年智谱大力推动 MaaS 平台的云端 API 调用服务,今年上半年本地化部署收入占比仍达 84.8%,云端部署仅为 15.2%。作为对比,OpenAI 约七成收入都来自于 C 端消费者的付费订阅。

按照招股书数据,智谱服务机构客户超 8000 家,但前五大客户收入长期占据公司营收近五成左右。过去三年,智谱前五大客户占收入比重分别为 55.4%、61.5%及 45.5%,直至今年上半年才降至 40%。

这或许可以解释为什么智谱已经位列中国通用大模型开发商的年收入第二、独立通用大模型开发商收入第一,但其去年营收不过 3.12 亿元水平。按照智谱今年上半年的历史现金消耗率来看,3.12 亿元还不够智谱一个月的花销。

稍有安慰的是,虽然智谱此前收入过度依赖 B 端大客户的本地化部署,但公司毛利率始终保持在 50% 以上。

其中,本地化部署的毛利率更高,去年毛利率达 66%,云端部署仅为 3.4%。今年上半年,本地化部署毛利率达 59.1%,云端部署为负 0.4%。

智谱在招股书中用大篇幅描绘了其推出的 MaaS 平台,同时强调云端业务的增长空间。《科创板日报》引述智谱方面口吻称,智谱云端 MaaS 和订阅业务呈现“指数级增长”,“付费流量收入超所有国产模型之和。”智谱 CEO 张鹏称,面向全球开发者的模型服务业务年度经常性收入已突破 1 亿元人民币。

智谱同时也在积极开拓海外市场,目前更多集中在东南亚地区。自 2024 年开始,智谱的大模型本地化部署服务开始向海外落地并产生收入,2025 年前半年本地化部署的海外收入占比达 11.6%。

七成研发开支被算力消耗

当前的大模型行业仍处在高投入、低产出的发展初期,即便强如 OpenAI 也不得不面临订阅收入趋缓的压力,试图通过多元化方式扩展收入来源。过去几年,大模型行业赚得更多的往往不是那些大模型厂商,而是诸如英伟达这样的 GPU 厂商以及一大批云服务商。

科技巨头们有着更充足的资金和时间来等待行业成熟,它们可以不考虑当前亏损,继续推高算力和人才投入,相应地往往也能获得性能更强的模型,而模型性能仍然是决定 AI 竞赛的关键。

过去几个月来,Google 先后通过 Nano Banana 和 Gemini 3 Pro 的超强性能,一度压着 OpenAI 喘不过气来,使得 Sam Altman 不得不在内部拉响红色警报,要求加强模型性能研发。

国内诸如阿里、腾讯、字节等也都在算力投资之外,加强 AI 人才的争夺。年初,阿里巴巴 CEO 吴泳铭宣布了史无前例的三年 3800 亿 AI 投资计划,年底又称不排除继续扩大投资。腾讯刚刚招揽了被称作“天才少年”的 OpenAI 前研究员姚顺雨,字节则挖来了 DeepMind 研究副总裁吴永辉。

与之对比,即便智谱过去三年半累计研发投资已达 44 亿元之多,但在这场大模型竞赛中也并不算是最烧钱的那个。

为了彰显自身在模型竞争中的科研实力,智谱在招股书中特意强调已组建了一支 657 人的研发团队,占到公司员工总数的 74.4%。

但人才成本并不是智谱研发开支的大头。事实上,智谱的大多数研发开支都用在了算力消耗上,去年工资成本仅占研发开支的 14.8%。2024 年及 2025 年上半年,超 7 成研发开支都用于算力服务费。

智谱招股书

招股书显示,2022 年、2023 年、2024 年及今年上半年,智谱自前五大供应商的采购额分别占到公司采购总额的 54.5%、53.6%、47.3% 及 50.2%。

今年 7 月,智谱发布了旗舰模型 GLM-4.5,9 月发布升级了编码能力的 GLM-4.6 模型。招股书中,智谱引用了包括基准测试、全球排行榜及 token 消耗量等诸多数据来佐证模型性能的领先。但考虑到当前模型换代按月乃至天来更新的频率,上半年的模型领先也很难延续到下半年。

智谱必须要向投资者证明的是,它的护城河并不是一张榜单或者一段时间窗口内的领先。这并不容易,尤其是对于资金和人力都处于弱势的创业公司来说。

在招股书中,智谱尤其强调他们的模型兼容性更强,已经适配 40 多款全球主流芯片平台。他们也花了不少篇幅强调他们作为独立模型开发商的优势,比如金山办公的 WPS AI、智联招聘的 AI 招聘助手乃至蒙牛乳业等都采用智谱的服务。

这些都算是智谱身段更灵活、也更能帮助 B 端客户落地大模型的优势。但它很难成为大模型公司的核心竞争壁垒,模型性能的领先仍然是关键。

10 月,智谱传出裁员消息。有媒体称减员人数近百人,涉及 Aminer、BigModel、商业化及智谱清言等多个业务团队。智谱对外回应称,目前公司涉及产品和研发相关部门运转正常,组织调整涉及人员十余人。

招股书显示,截至今年 6 月 30 日,智谱共有员工 883 名。晚点此前报道称智谱高峰期有 1000 多人,今年一度缩减上百人。

无论智谱如何在招股书中强调高达 130% 的收入年复合增长率,大模型的高研发投入带来的亏损幅度也同样等比例扩大。今年上半年,智谱营收不过 1.90 亿元,但净亏损却达 23.58 亿元。

考虑到当前智谱的可用现金余额与研发投入需求,上市几乎已成为智谱的必然选择。好在凭借地方产业基金的支持和深厚的政企背景,智谱已经戴上了“全球大模型第一股”的光环。

除了已经通过港交所聆讯的智谱、MiniMax 之外,国产大模型创业公司如月之暗面也传出计划明年 IPO 的消息。

原文链接: 大模型挣钱有多难,看看智谱亏掉的 62 亿
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手