大扩军之后，DeepSeek怎么走

融资到账之后，DeepSeek第一个大动作就是招人。这信号很明确。

6月25日，DeepSeek发布了一张大规模招聘海报，核心意思就是：

所有部门，扩大至少一倍。这不是小打小闹。

研发、算力、产品、运维，乃至整个职能体系——

海报上写得很浪漫：当今人类正处于AGI的前夜，加入DeepSeek，可以亲历AGI的发展进程，坐在时代前排，见证一个新纪元的诞生。

但浪漫归浪漫，浪漫背后是非常具体的现实问题。

以前，当一家公司提到AGI，外界关注的是研究员、论文、模型架构，看谁离“智能涌现”更近。但“智能涌现”和工程落地之间，隔着的距离其实相当远。AGI要想真正进入现实世界、进入产品和企业，它迟早会变成工程问题、算力问题、产品问题，最后也会变成组织问题。

一家公司想坐在“时代前排”，光有写论文和训练模型的人远远不够。还得有人把集群跑稳、把推理成本压下来、把产品交到用户手里，把那些看起来不够AGI的交付能力稳稳当当地撑起来。

DeepSeek这次扩招，本质上就是一次拿到融资之后的组织补课。它要补的，正是AGI下半场的那些基础设施能力。

融资之后

DeepSeek正在进入一个和早期完全不同的成本结构。

据多家媒体报道，DeepSeek最新一轮融资规模超过了70亿美元，折合软妹币超过500亿元。这轮融资的用途包括增强算力能力和改善员工福利。

过去，DeepSeek改写了大模型行业的成本叙事。当OpenAI、Anthropic、Google这些海外AI大厂不断堆砌算力、堆资本、堆数据中心的时候，DeepSeek用更低的训练成本、更高的工程效率和开源策略，证明了一件事情：前沿模型不一定只能由最有钱的公司做出来。

但

前者考验的是研究判断、工程效率和模型训练能力；后者则考验算力供给、系统稳定性、产品交付，以及组织层面的协同能力。

DeepSeek之前靠高效率证明了自己有能力做出强模型。但到了V4之后，它的位置发生了变化——与华&为昇腾等国产AI芯片的适配，已经不只是技术上的工程实现，更让DeepSeek变成了国产AI算力生态里一个关键的应用方。

但必须强调的是，模型能跑在国产算力上只是第一步。真正困难的，是在大规模用户和开发者调用中，依然能保持稳定可用。

一方面，高端算力的容量会直接影响模型服务的成本和吞吐能力。DeepSeek此前提到，V4-Pro的价格下降与昇腾950超节点的规模出货直接相关。这意味着DeepSeek的商业化供给，不仅取决于模型能力本身，也取决于底层算力能不能持续扩容。

另一方面，V4发布前后，DeepSeek用户侧仍时常出现“服务器繁忙”、响应失败、对话中断等反馈。这些暴露出了DeepSeek走向平台化之后必然承受的压力。

到了这个位置，单靠研究和工程小队的突击，已经走不通了。

融资补的是消耗能力，它让DeepSeek有了继续高强度竞赛的资本。但资本只能解决资源供给的一部分，并不能替代组织建设本身。

对一家已经拥有大规模用户关注、开发者调用需求和明确产业链位置的AI公司来说，下一阶段的关键不只是继续训练更强的模型，还包括推理服务、系统稳定性、产品化、数据工程，以及后台职能的同步扩张。

这次扩招，正是DeepSeek走向平台公司的组织补全。

具体来看，DeepSeek此次招聘涉及27类技术和支持岗位，覆盖了一家公司从模型实验室走向平台型组织时必须补齐的整套能力：从全栈开发、算法研发，到AI核心系统、运维、产品、模型数据策略，再到HR、行政、法务、财务等职能体系。

值得特别留意的是，DeepSeek开始大规模招聘那些看起来“不够AGI”的岗位。

运维不负责定义智能，但负责让服务不中断；产品经理不训练模型，但负责把模型能力变成用户愿意持续使用的产品；数据策略团队不一定写出最漂亮的论文，但决定模型能否在真实反馈中继续迭代；HR、法务、财务、行政不会出现在模型排行榜上，但一家进入高强度竞争的AI公司，不可能永远只靠创始人意志和小团队的惯性来运转。

不过，走到这一步，DeepSeek又得面对下一个问题：

一个靠小队突击跑出来的AI公司，能不能在长大之后，仍然保持住原来的速度和那股子锋利劲儿？

小队之后

DeepSeek早期的优势，不只是模型能力本身，更包括它背后的组织形态：

这种短链路的组织形态，特别适合模型早期的突破阶段。在这个阶段，最重要的不是部门多齐全，而是判断要够快。

新想法能不能马上试、工程优化能不能立刻进训练流程、模型要不要继续开源、技术路线要不要继续押注……这些问题如果都要经过漫长的管理链条，机会早就溜走了。

小团队有时能在前沿技术竞赛里打出大公司的效果，核心就在于决策链条足够短。反过来看，大公司拥有更多人才、更多算力、更多资金，但这些资源并不会自动转化成速度。

否则就会出现一个悖论：人才越多，会议越多；部门越全，审批越长。一旦安全、产品、商业、品牌、法务都开始介入，一个原本应该快速判断的技术问题，很可能就会变成一场漫长的组织协调。

Google就是一个非常值得对照的反例。

Transformer诞生于Google，AlphaGo、AlphaFold、Gemini也都来自Google体系。论研究积累、基础设施和人才厚度，Google几乎是全世界最强的AI公司之一。

但过去几年，Google在生成式AI上的表现，不断提醒外界：人才多并不等同于组织有效。

一家公司可以拥有最好的研究员、最强的基础设施、最多的产品入口，却仍然可能在一系列关键时刻慢半拍。原因并不一定是技术不够，而是技术从实验室走到产品、从产品走到用户、从用户反馈再回到模型迭代，中间要穿过的组织层级实在太多了。

这种慢半拍，在AI编程这个战场表现得尤其明显。

Pichai Sundararajan此前承认了Google在agentic coding上“有点落后”，Google联合创始人Sergey Brin最近也在内部备忘录中要求团队“紧急弥合”AI编程能力上的差距，目标是让模型变成能产出最终代码的“主力开发者”。

等到Google意识到AI编程已经变成一个独立战场时，Claude Code、Cursor和Codex们早已先一步占领了开发者的心智。可以说是非常后知后觉了。

在搜索、广告、云计算或者社交产品里，大公司还可以依靠规模、渠道和既有用户基础慢慢推进。但在大模型竞赛里，模型能力、产品体验、开发者心智和市场预期都在快速变化，窗口期被压缩到了极短的时间。

决策链越长，方向就越容易被稀释。

就在最近，短时间内，Google连续失去了多名核心AI人才：Transformer论文作者之一、Gemini联合负责人Noam Shazeer去了OpenAI；AlphaFold核心人物、2024年诺贝尔化学奖得主John Jumper去了Anthropic；Gemini核心研究员Jonas Adler和AlphaFold 2/3核心作者Alexander Pritzel，也被曝将转投Anthropic。

未上市AI公司的股权激励是OpenAI、Anthropic吸引顶级人才的重要筹码，但外界讨论这些离职时，提到的不只是薪酬和股权，还包括大公司流程、技术自主权和决策效率。尤其是Noam Shazeer——早在2021年，他就曾因Google决策链条过长选择离开，后来被Google以27亿美元的高价请回。如今，他又一次离开了。

更集中的目标、更大的技术自主权、更少的官僚流程，会让研究员觉得自己能更快做出东西来。

DeepSeek接下来要避免的，恰恰就是Google暴露出来的那种“大公司病”。

它必须长大，因为平台公司不能只靠小队突击；但它又不能长成一套迟钝的大厂机器，否则早期最宝贵的速度和判断力，会被流程慢慢吞掉。

二者之间的平衡，还需要谨慎把握。如何做到“大而不钝”，是DeepSeek下一阶段必须认真思考的问题。

平台化之后

模型竞争正在变成系统竞争。

早期，外界衡量一家AI公司的核心标准，是模型的强度，以及它能不能在训练效率、模型架构和开源策略上打出突破。

而现在，模型能力已经不再单独决定一家公司能走多远。算力、工程、产品和交付能力，都会反过来决定模型能不能被真正用起来。

当DeepSeek从实验室走向平台公司，外界对它的衡量标准就会发生变化。

组织能力只是其中的一个方面。高峰期的响应速度、API调用的稳定性、产品功能的一致性、企业客户接入后的可用性，以及国产算力适配之后能否真正带来更低成本的服务——这些都会成为DeepSeek绕不开的问题。

对免费用户来说，服务器繁忙可能只是一次体验上的波动；但对付费用户、开发者和未来的企业客户来说，响应失败、对话中断、API限流和功能降级，都会直接影响他们是否愿意把DeepSeek接入自己的真实工作流和业务系统。

平台化之后，模型能力决定用户愿不愿意来，稳定性决定用户敢不敢留下。

DeepSeek过去遇到的那些工程和服务问题，并不会随着模型能力的变强而自动消失。相反，随着它进入付费端、开发者生态和企业场景，这些问题将面临更严格的检验。

从国产算力适配、融资，到这次大规模招聘，DeepSeek正在经历走向平台化的关键阶段。

把模型突破变成稳定的平台能力并不容易。它需要继续保持研究小队时代的那股锋利劲儿，又得补上平台公司必须有的交付能力和组织厚度；它要继续做出强模型，也要让强模型真正变成用户、开发者和企业客户可以依赖的服务。

过去，DeepSeek用一次次模型突破让世界看见了中国AI公司的效率和野心。接下来，它需要证明的是，这种效率和野心，能不能被做成一个长期稳定运转的平台。

说到底，大家都希望DeepSeek能把这些事做成。在大模型竞赛越来越被资本、算力和巨头格局所主导的今天，DeepSeek曾经证明过，前沿模型的突破不只有一种路径。现在，它正在走向更复杂、也更真实的下一阶段。