4小时、11个话题、118次回答，梁文锋内部交流回应一切

DeepSeek近期完成了成立以来的首轮外部融资，总金额超过500亿元软妹币（约合74亿美元），投前估值约3675亿元（约543亿美元）。投资方阵容颇为豪华：创始人梁文锋个人出资200亿元，腾讯出资100亿元，宁德时代出资50亿元，网易、京东和IDG资本分别出资30亿元，国家人工智能产业投资基金也投入了10亿元。 此前，梁文锋曾多次对外强调“不融资、不上市、不商业化”的原则。这次大规模融资，标志着DeepSeek正式踏入资本市场，也引发了业界对其商业化路径和技术愿景的广泛关注。 在近期的一场投资者交流会上，梁文锋用了近4小时，详细阐述了DeepSeek的组织文化、开源逻辑、技术路线图，以及对行业竞争格局的看法。以下内容整理自腾讯科技获得的交流会实录，按主题分类，共计118条，基本保留原意，仅做必要编辑。

01 愿景与克制

一开始做这家公司，并没有想过要赚多少钱、去资本市场、上市。最初的几十个人，如果抱着这种想法，根本不会来。我们是怀着一种对世界的善意来做这件事的，觉得它是对人类有用的，是金钱以外的东西。出发的初衷、愿景，以及一直保持到现在的状态，都不是按照商业利益最大化来设计的。 管理一个大公司，靠的不是规章制度，而是愿景。愿景不是墙上的标语，而是你怎么做，不是怎么说。我们是没有组织的，被愿景驱动，靠一个愿景来组织。不是以“实现KPI、没有考核”的方式，只有愿景。这个愿景甚至不是成文的，没有写出来过任何东西，它体现在我们做事的方法、对待这个世界的态度里。 我们没什么特别的优势——没有比别人有钱，没有比别人更好的人员。两年前成立时，钱不多，卡不多，没有知名度，没有号召力，只是一群平凡的人。但越克制，可能就越容易做成。到目前为止，这个逻辑是说得通的：没有武器，起点低，资源少，人也是随机的一群平凡的人，为什么能做成？只有克制能解释。 AI这个事太大了，利益太大了。我们非常克制，只要做成，最后利益都会非常大。随便分一点，就足够大了，所以根本不用考虑拿哪一部分、怎么拿。去年春节用户突然多起来，我们没去追求留用户、变&现、抢商业利益，而是努力把用户服务好。没有想过要成为下一个超级App，跟谁竞争，做成下一个字节、下一个腾讯。后面的AGI机会非常大，永远都大。 克制是一种战略：有时候舍弃一些，换来更多其他的东西。比如不开源这件事，也可以看作是压力，或者说是让利。这种克制，长远来看，能增加做成AGI的概率。考虑一件事时，我毫不怀疑AGI有非常大的商业价值，但优先考虑的不是怎么多加份额，而是怎么增加做成的概率。我们一直非常克制，不愿意跟任何互联网大厂或小厂成为对手，希望能赋能、协助大家。 之前秉持这种态度，并没有因此少拿任何东西。开源，善意，对他人提供帮助，反而可能还有加分。这看起来违反直觉，但确实如此。以AGI为目标，一直在做商业化，所以才有C端用户和B端收入。从历史经验看，这个策略是成功的。

02 AGI路线图

如果能把一个问题描述清楚，给它完整的上下文和指令，它已经超过人类了。但前提是：给它完整的上下文和指令。AI并不能替代你的员工，但如果AI具有持续学习的能力，像员工一样到公司学习两个月，就可以替代天下的人了。所以下一步还差一个持续学习。 AI的发展可以理解成一个阶梯。去年走的阶梯是思维链，通过思维链，能让智能达到更高水平。今年的阶梯是Agent，用Agent的方式，即便多些事情也能做，能力范围更大，智能上限更高。Agent要用到CoT，CoT要用到前面的阶梯——语言模型，没有一步是白走的。 Agent之后，应该解决持续学习：怎么让模型可以持续学习，而不是给它一个很强的训练，应该像人一样做比较长时间的持续学习。持续学习之后，可能就来到一个奇点：当模型能持续学习，它已经能做人类能做的所有事情，能自己开发自己的版本，研究，开发下一个版本，开发更好的人工智能模型。这个奇点不是突变，而是一个渐进的渐变过程，但习惯上叫它奇点。 我们的推测是：先解决学习去学习，再到智能奇点（能自我迭代），再之后是具身智能。具身智能之后，走进现实世界，做家务、养老。如果先解决持续学习，再解决自我迭代奇点，再解决具身智能，路上就很轻松，因为后面的技术可以用来帮助开发前面的技术。 我们只做AGI的主线。AI领域很广泛，但很多东西不在主线上，比如3D、视频生成，跟智能的主线没有太大关系。视频生成一开始很火，似乎不做就不是AI公司，但仔细想一下，它跟智能路线图没什么关系。商业上它是好生意，但跟智能无关。我们不会因为它好商业就去做，只因为它是在智能路线图上的东西。 世界模型和智能，现在还不是最重要的。最重要的还是AI训练，以及训练后怎么解决持续学习。我们相信一个叙事：AI可以加速AI的研究，不是线性的，因为可以用AI加速自己的研究，后面可能是非线性的。具身肯定要进入，因为对一个正常人来说，需求不是电脑，而是吃喝玩乐、衣食住行，需要具身智能解决具体人力需求。希望AGI能迭代下一版模型，具身之后，让它迭代下一版机器人。 下一代模型的核心能力，必须要有持续学习的能力，才能叫下一代模型。在那之前，能做的是成本、效果更好、速度更快。但要有大突破，它应该具备持续学习。现在的Agent能力受限，是因为不能持续学习。如果能把持续学习先做完，AI能力会非常强，能极大提升研究效率。持续学习先做出来，通用智能可能就很容易了，用起来就省力，否则现在做通用智能，是数据密集、人力密集的事，性价比不高。

03 团队与人才

前面的经历启示是，AGI这个愿景很强大。人才优势不是比别人更聪明，而是怎么组织、激励、合作。把聪明人聚在一起，他不会自然而然就能合作、有激情地奔一个目标，所以需要一个愿景。 最大的核心利益是保持团队的稳定性。这是唯一的核心利益。只要团队稳定，一定能做成AGI。钱不是问题，资源不是问题，其他要素都容易获得。只有一个核心利益，没法退让：必须保持团队稳定。这也是最大的挑战和风险。随着这次融资，这个风险得到了比较大的解除，因为大家拿到的期权都比较多，金额比较大。 从团队稳定性看，只要最重要、最老的员工稳定，其他人不太会走。哪怕期权少一点、收入少一点，也不会走，因为不是全奔着钱来的，大家都希望在一个能做成AGI的环境里做事。其他都是时间问题，最多导致晚半年、晚一年，但不会做不出来。 跟美国的差距主要在资源上，人上的差距不大。人几乎没有差距，因为就是同一批人——中国人出去时，有些人留在国内，有些人留在国外，并没有说聪明的人去国外。人才不是瓶颈，资源是最大的瓶颈。资源影响人才培养，因为算力少，能做的实验机会少，所以整体上人才比美国有差距。但AI人才的短缺是阶段性的，已经大幅度缓解，每个公司很快能培养出来。 国内做模型的公司有点太多了，美国可能就三家，中国做基模的太多了，最终一定会收敛。管理是两条线：一条从上到下，一条从下到上。从下而上，每个人自己想做什么，自己做，没人管，没有KPI。希望员工有一半时间是不被安排的，想做什么就做什么，让他自己去探索。一般不太加班。做研究需要松弛的环境，逼太紧没法做研究；而且非常聚焦，要做的事很少，自然不需要加班。这跟前面的克制一脉相承。 公司整体建立在共识基础上，不是一个人决定所有事情，而是寻求共识。权威和影响力建立在共识基础上。决策机制是寻求共识，不是推动一个事情，一定是共识才推得下去。随着人员增加，会做调整，因为很多部门应该有组织架构。

04 算力与资源

需要多少卡？现在肯定是越多越好。在能承受的范围内，卡越多越好，毫无疑问。策略是，在合理价格里，能买到多少卡就买多少卡。实际上，要把这么多钱花完非常不容易，买不到那么多卡，很难买，价格也高。如果今年能花掉两百亿，属于采购部门业绩超级好了。 跟美国之间最大的差距在资源上。算力资源一方面是国内卡买不到，另一方面是资本投入比美国少。资本投入上少了很多，人才工资占比重很低，大头还是算力。看到的所有区别——人才、模型能力、应用——都可以认为是算力资源上的区别。 落后美国12个月，或者12到18个月，6到12个月。简单说，落后两年，但只用美国二十分之一的算力把事情做出来。未来要改写这个叙事：用几分之一的算力，把时间缩得更短，缩到6个月、3个月。Scaling是信的，规模越大，效果越好，能解锁更多功能。阻止Scaling的就是算力，不是不想Scaling，是没有那么多算力。训练这么大模型，不是因为觉得够大，而是刚好有这么多资源，按资源算能训练多大。 硅谷说Scaling到头了，那是对他们来说；对中国人，离那个还很远，根本没有Scaling到那个程度，包括数据的Scaling、模型规模的Scaling、训练成本。

05 国产芯片与生态

英伟达CUDA的护城河在快速瓦解。有了AI之后，建立生态比以前容易很多，因为AI可以写代码。现在计算卡的市场比游戏卡更大，没有理由这两个还需要耦合。以后趋势是不再耦合，专用芯片——不管是华&为还是英伟达自己——都是专用芯片。 国产AI芯片替代有个历史性机会。未来一年之内，能看到一个事情被验证：国产芯片的生态完全没有问题。之前认为有问题，用不起来、不好用，但未来一年应该能扭转认知。国产AI芯片的硬件和生态都没有问题，唯一有问题的是产能不够。国产卡适配没有障碍，英伟达挡不住。在正常商业环境里，能买到英伟达卡，国产替代比较难；但买不到的情况下，所有人都迫不得已去做国产芯片。 V3训练时，用的是英伟达的卡，但没再用英伟达的生态。先写一个高级编译器叫TileLang，基于TileLang的生态完成其他所有事情，几乎不依赖英伟达的生态。对国产算力比较乐观，觉得英伟达在掘自己的坟墓。华&为的超节点、950超节点，在性能和价格上可以完全平替英伟达的GB200、GB300。四张华&为卡顶一张英伟达卡。跟美国在芯片上的差距，生态上以后不会再有差距，但芯片上是四倍加两年。 现在主要跟华&为有合作，会深入参与华&为的生态。华&为的问题还是产能不足。不太相信未来五年后还卡在产能问题上，但今年、明年、后年可能都还卡着，五年后不一定，还是比较乐观的。

06 竞争格局与行业判断

各家模型最终效果拉开差距，应该是综合性的。比较模型效果，得在相同成本上比较才有意义，就像比较两辆车，也得是同价位的车。Anthropic现在超过OpenAI，这不会是长期的，是阶段性的。OpenAI和Google，未来大概率会交替上升。 在全球AI主导分工中，中国公司很可能扮演的角色还是产量最大。产能最大，包括芯片、电力。中国人会把这产品做到最便宜，再在效果上做到和国外没有太大区别。未来AI可能也是这样，中国产的AI价格更便宜，可能是系统性的低，跟其他行业中国提供的服务更便宜一样。 最终差距应该是三方面：成本、时间、用户体验。成本肯定排第一，第二个是时间，什么时候做到。OpenAI一开始觉得能垄断世界，但实际上会遇到很多挑战者。美国会遇到挑战，未来可能还会遇到中国的挑战，因为中国人愿意拿得更少，就能提供这个服务。拿得多的人会被拿得少的人打败。愿景如果是拿得多，就先输了，会面临更大困难。 我们不是利润要拿最多钱，也不是算收益最大化的定价，而是只赚一个合理的收益。在很多体验方面，有可能比美国做得好。产品能力上不一定比美国差，成本应该也更低，所以中国还是有竞争力的。成本这个很好理解，因为别人不做，所以不发展这个能力，我们可以把它当非常重要的事，但对别人来说不重要。 大模型可能不说两家大公司、两家小公司，就已经比较够了。差距只有两个东西：时间和成本。不至于哪一家有暴利，成本控制得好的人多赚一点，差的人少赚一点。

07 模型研发与技术

公司可能有一半的人，平时觉得OpenAI是更好的。Anthropic有先发优势，但很快会没了，不是长期占得住的优势。大家这三家都很厉害，但效率最高的、花的成本最少的，还是我们。多模态布局一直在做，对产品很重要，对C端用户产品很重要，但对智能的上限，它是一个组件，不是主线本身。V4、V4的后续版本会支持原生的多模态。 语言模型的Scaling，现在没有看到上限。我们内部的智力水平，或造成美国的智力水平，都没有看到上限。内部很多人的想法是：首先对自己有用，给自己用，这是实现AGI最快的方法。自己好用，意味着别人可能也好用，但首先得保证自己好用。做的模型，第一目标不是大家用得好用，而是自己用得好用。对自己有用后，开发下一版模型就会更快。 这个过程叫“摸奖”。门槛很低，谁都可以去摸，但能摸出什么来，可能看天赋。不需要分配资源，跟其他公司不一样的地方，是会花时间去讨论这个问题，把它当做一个重要的事情。

08 商业化与定价

API定价是合理的利润：到市场买一批设备回来，十个月收回成本，算合理。如果利润最大化，应该把价格设得更高，因为在这个价格区间，用户需求没有弹性，价格再翻一倍，token消耗量区别不大。我们有一个模型，一开始担心需求太多，把价格定得比较高，团队里大家不是很高兴；后来把价格降下来，降到四分之一，大家就很开心。 To B业务的上限还是需求。在现在这一代AGI、AI技术的背景下，To B需求应该是有限的，会快速增长，但并不是无穷大，最终受制于需求，不是算力。现在觉得应该能做到就都要。假如今年有几个亿美金B端收入，加上C端用户，就已经有一定的商业基础。明年B端有收入，如果需求再增大，公司离净利润不远了。 最坏情况卖API，可能都能支撑一个上市公司。如果技术后面没有新进步，技术冻结在这里，全力卖API，把服务做好，也够。现阶段最合理的做法，应该是全力做通用的Agent，其他Agent优先级应该更低，包括金融、医生这些Agent。要先做Coding，因为Coding Agent能做到很多，还有垂直的Agent。 低成本首先是结果。模型一直在往更低成本的方向走，跟愿景有关系。还有很多算法方法，成本还可以往下走。成本越低，越能训练更大的模型，越能承担更大的模型。在算力有限的情况下，计算效率更高，就能承担更大的模型。

09 开源策略

我们会开源，最强的模型可能也会开源。因为看不到闭源有什么好处，见不到必然的好处。字节的模型是闭源的，有什么好处？看不到。哪怕模型开源，把所有东西都告诉别人，这个门槛也非常高。别人要用起来很难，用起来还要成本做得很低，也很难很难，没那么容易。 开源不会影响收入，对商业模式没有任何影响。也不担心别人部署我们的模型来竞争，一点都不担心，还希望他们能部署起来。尽可能给开源社区提供帮助，协助大家把模型部署起来。对外打交道时，态度是：只做AGI的主线，很愿意协助任何人，包括竞争对手——阿里、智谱、月之暗面——去做得更好，因为不损失什么，本来也是开源的。 给的开源模型，跟自己部署的模型是一样的，不会开源一个差点的模型，自己用更好的。

10 数据与后训练

数据几乎就等于模型的一半。前面还有标数据的问题。在数据标注方面，跟资本投入有关。以我们的资本投入结构，支撑不起那么多高质量数据标注的成本，成本很高。美国数据标注的成本跟中国没有区别，中国标数据并没有成本优势，尤其是标高端数据，很难投入像美国那样标数据。这条路在中国很难，因为标数据实在太贵了，不管是外标还是自己标，都很难受。 现在是两条腿走路。不是完全不能标，而是标数据有一些成本低，有一些成本高。先标成本低的。也可以认为，现在公司有一半的人在标数据。有一半的核心研究员，最重要的人，有一半在标数据。解决AI这个问题，在现在这个阶段靠的就是标数据。 高质量数据标注的瓶颈，是时间。因为对OpenAI、对国外、对Anthropic来说，都更早，资本更多，卡也更多。大模型的幻觉问题比较影响用户体验，有一个方法可以解决，但这是一个长命题。幻觉问题可以认为是一个通过更好的Post-training能改善的问题。

11 组织与公司定位

没有模仿的对象。每一步都是根据实际情况，实事求是，找到应该怎么做。它是一个时代的产物，或者说是现实情况的反映，不是模仿的结果。明确要有商业化，最终要能活下去，毕竟是一个公司，政府不会给一分钱。本质上还是一个公司，只是在考虑赚哪些钱、什么时候赚钱、赚多少钱、靠什么赚钱时，有取舍。很多公司做得伟大，因为有利润以外的追求，那个追求最后不但没影响商业化，反而让商业化得更好。 融资是精心挑选的。首先利益比较一致，对我们最没有敌意，最希望我们能做成功。不是所有人都希望我们成功，因为还是损害了很多其他人的利益。AI现在不缺品位和直觉，缺的是持续学习的能力。AI的品位和直觉没有问题，让它写个文章，品位和直觉没什么问题。 希望只做一块。AI这个事很大，不需要做太多。如果聚焦，并且认为这里的生意利益已经足够大，AI时代会产生很多家万亿级别的公司，我们是其中一家。希望能够扶持更多人，但没有那么多精力。有这个意愿，不会有利益冲突，但有没有去做是另外一回事。至少没有利益冲突，希望合作共赢。 本文来自“腾讯科技”，整理：顾翎羽，编辑：徐青阳 苏扬，经授权发布。