Краткое содержание отчета за первое полугодие 2026 года
Компания Zhipu показала результаты, характеризующиеся высоким ростом, сокращением убытков и оптимизацией бизнес-структуры: доходы увеличились по сравнению с прошлым годом почти в 4 раза (более, чем за весь прошлый год), однако компания по-прежнему работает в убыточном режиме (хотя убытки меньше, чем в прошлом году). Структура доходов изменилась с продажи моделей для развертывания на продажу API-сервисов, и теперь API-бизнес начал приносить прибыль. Компания ответила на критику по поводу небольшого количества параметров моделей, подчеркнув, что эффективность моделей зависит от множества факторов. В области вычислительных ресурсов достигнут прогресс в использовании отечественных чипов для масштабированного выполнения вычислений; основное внимание уделяется эффективности использования вычислительных мощностей. Конкуренция в отрасли не сводится к краткосрочным рейтингам, а к способности постоянно предоставлять высокоинтеллектуальные решения по низким затратам.
I. Доходы растут стремительно, но убытки остаются: важнее изменение структуры бизнеса, чем темпы роста
Доходы Zhipu за первое полугодие составили 954 миллиона юаней, что на 399,7% больше, чем в прошлом году (что равно более чем удвоенному годовому объему доходов прошлого года), однако убытки составили 207,2 миллиона юаней (на 12% меньше, чем в прошлом году). Почему, несмотря на рост доходов, компания все еще несет убытки? Ключевой момент заключается в источниках доходов:
Ранее основной доход приходился на услуги по локальному развертыванию моделей (установка моделей на серверы клиентов с единовременным взиманием платы); теперь 86,5% доходов приходится на услуги открытой платформы и API-сервисов (продажа моделей в виде интерфейсов с оплатой за каждый вызов).
Валовая прибыль от API-бизнеса увеличилась с -0,4% в прошлом году до 24,6% в этом году, что свидетельствует о его успешном функционировании. Секретарь совета директоров отметил, что изменение структуры доходов особенно важно, поскольку API-сервисы обеспечивают стабильный постоянный доход, что в долгосрочной перспективе усилит финансовую устойчивость компании.
II. Количество параметров моделей — не единственный критерий эффективности: как Zhipu отвечает на критику?
Некоторые утверждают, что модели Zhipu характеризуются небольшим количеством параметров. Основатель компании Тан Цзе ответил на это так:
Эффективность модели не определяется только количеством параметров (например, количеством миллиардов параметров в больших моделях); важны также объем обучающих данных, этапы использования вычислительных ресурсов (предварительное/промежуточное/последующее обучение) и способ использования модели клиентами.
Например, модели GLM-5.3 и GLM-5.2 имеют одинаковое количество параметров, но после месяца работы над сложными задачами и использования алгоритмов усиленного обучения результаты оказались лучше. Он сравнил оптимизацию моделей с настройкой различных параметров и подчеркнул, что последующее обучение на основе существующих моделей также важно; в будущем будут внесены дополнительные изменения.
В настоящее время объем обучающих данных в Китае составляет около 30–50 триллионов токенов, и при ограниченных вычислительных ресурсах дополнительное увеличение количества параметров приносит незначительный эффект (например, удвоение количества параметров может улучшить результаты всего на 5%). Лучше инвестировать средства в более эффективные решения.
III. Вычислительные ресурсы: необходимо не просто использовать отечественные чипы, но и обеспечить их эффективное использование
Ранее Zhipu заявила о масштабированном использовании отечественных чипов для выполнения вычислений; в этом отчете добавлены два важных момента:
Источники вычислительных ресурсов разнообразны: собственные кластеры, аренда и покупка чипов, что покрывает весь процесс от обучения до выполнения вычислений.
Изменились и требования рынка: раньше вопрос заключался в возможности использования отечественных чипов для моделей; теперь важнее спросить, выгодно ли это с экономической точки зрения.
Особое внимание уделяется эффективности использования вычислительных ресурсов: не важно количество приобретенных чипов, а их надежность, стабильность работы и способность к реальному обработке данных (например, количеству генерируемых токенов). Простое увеличение количества чипов не приводит к повышению эффективности; важна их реальная ценность для выполнения конкретных задач.
IV. В чем суть конкуренции в отрасли? Не в краткосрочных рейтингах, а в постоянном соотношении цены и качества и способности решать новые задачи
Председатель совета директоров Лю Дэбинг отметил, что модели обновляются быстро, и сегодняшний лидер может завтра быть догнан конкурентами. Настоящая конкурентоспособность заключается в способности постоянно предоставлять высокоинтеллектуальные решения по низким затратам: например, при одинаковых интеллектуальных возможностях быть более доступным для клиентов или при одинаковых затратах обеспечивать лучшие результаты.
В будущем цены на обычные задачи (например, простые вопросы-ответы) будут снижаться, в то время как модели, способные решать сложные задачи (например, научные исследования, промышленный дизайн), будут продаваться по более высоким ценам.
Право на установление цен не связано с количеством генерируемых токенов, а с тем, какие задачи могут быть решены с помощью моделей; если модель способна решать проблемы, с которыми не справляются другие системы, клиенты готовы платить больше.
Выводы
Отчет за первое полугодие показывает, что рост AI-компаний не зависит только от темпов роста доходов или количества параметров моделей, но и от здоровья бизнес-структуры, практичности используемых технологий и эффективности использования вычислительных ресурсов, а также от способности постоянно создавать ценные решения. Для обычных пользователей это означает, что AI-сервисы станут более доступными, но наиболее эффективные AI-решения по-прежнему будут иметь высокую ценность.