内容来源：本文内容根据网传PDF文字稿整理。

责编 | 柒 

第 9750篇深度好文：16667字 | 35分钟阅读

AI天演论

笔记君说：

在一场3个多小时的投资者交流会上，DeepSeek创始人梁文锋系统讲透了这家公司的全部逻辑。

从愿景与克制，到组织与团队；从持续学习、奇点到具身智能的AGI路线图，再到"成本、时间、体验"的终局判断，梁文锋的话里，没有公关话术，没有概念包装，只有一位技术理想主义者的深度思考。

读完这篇文章，你会理解DeepSeek为什么能做成，也会重新思考：在一个追逐快钱的时代，"慢"与"克制"，为什么反而成了最锋利的竞争力。

本文内容根据网传PDF文字稿整理，未经梁文锋本人及DeepSeek方面确认，笔记侠未获原始录音核验。原稿由语音识别转写并经人工整理，在不改变原录音文字稿的基础上略做行文修改及增加备注；专有名词、数字及表述可能有误，请谨慎参考。

一、公司的底层哲学

1. 怀着善意做事，而非商业利益最大化

我们一开始做（DeepSeek）这个公司，初衷是没有想到说最后要赚多少钱、要到资本市场上去、要上市。最开始的几十个人完全没有这么想过，如果他这么想，他就不会来。

我们是怀着一个对这个世界非常大的善意来做这个事情，我们觉得这是对人类有用的，这是一个金钱以外的事情。

当然到了后面，这个事情发现利益非常大之后，又有其他的诱惑，这是另外的事情。

但是我们出发的初衷、我们的愿景，以及我们保持到现在的这个愿景，不是按照一个商业利益最大化的方式来做的。

2. 愿景驱动，而非组织驱动

我大概二十年前的时候，在管理上最崇拜的是杰克·韦尔奇（笔记侠注：通用电气集团原董事长兼首席执行官，被誉为"美国当代最成功最伟大的企业家"）。

现在回来看，他说的大部分东西可能都已经不对了，但他最重要的一点说对了：一个公司最重要的是它的愿景。

管理一个大公司，靠的不是规章制度，靠的是愿景。愿景不是挂在墙上的标语，愿景是你怎么做，不是怎么说，就是你怎么实际运行。

我们是怎么管理这么多人、怎么组织起来的？其实我们没有组织，就是愿景驱动的，靠一个愿景来组织。这有好处，也有坏处，未来我们会想办法扬长避短。

我们并不是以一个"我要实现什么 KPI、没有考核"的方式来做，只有愿景。这个愿景甚至不是成文的，它在我们做事情的方法、我们对待这个世界的态度里。

可能公司每个人对这个愿景的理解不一样，每一个人的愿景也有差别，但在大的方向上是一致的。这个愿景是真的，不是编出来的，我们是真的这么想、真的这么做的，否则你没法解释我们的很多事情。

3. 平凡的人做不平凡的事

我们并没有非常多的其他优势，我们没有什么本事，并没有比别人有钱，也没有说我们人员比其他公司更好。

两年前成立这个公司的时候，我们又没有很多钱，又没有很多卡，又没有什么知名度，又没有什么号召力，我们就是一群非常平凡的人。

如果说（我）喜欢的一个叙事，是一群平凡的人做出了不平凡的事情，而不是一群天才做出了不平凡的事情，这个跟我们的克制、跟我们的愿景是一脉相承的。我自己也就是一个大学毕业的学生，也不是最顶级的那个学校毕业的。

4. 克制是一种战略

AI 这个事情足够大，最终它可能得占掉人类社会 GDP 的百分之十，那其实是一个非常大的数字。一个人不可能独占这个事情，你一定得跟别人分享，否则你肯定活不下来。

这跟之前开源做一个软件是不一样的，因为那个软件的市场就没那么大。

如果说我们想独占这个利益，那么一定是要被历史抛弃的。这是一个客观的规律，是一个历史观——并不是我不开源，我就能够独占这个市场，这在理论上就不符合客观事实。

在这种情况下，不一定要按照传统的商业思维。你需要有一套机制来确保你自己能够获得的利益是有限的，那么你才有可能做成。需要克制。你越想"人类 GDP 的百分之多少都归我了"，越做不成；你越克制，越有可能能够做成。

这是一个商业上的宏观考量，至少到目前为止是印证的、能解释得通的，否则没有办法解释为什么我们能够做成：我们并没有什么武器，起点又非常低，资源又非常少。

克制也是一种战略，就在于有时候你可以舍弃一些，来换更多其他的东西。

AI 这个事情太大了，利益太大了，只要能做成，最后利益都会非常大，你随便分一点就已经很足够，所以现在根本不用考虑拿这里面的哪一部分利益、怎么拿。所以我们之前说，我们只赚取一个合理的利润。

我毫不怀疑 AGI（通用人工智能，下同）会有非常大的商业价值。在这个基础上，我优先考虑的不是我怎么多拿一些份额，而是我怎么增加我能够做成的概率。

这种克制，从长远上来讲，能够增加我们做成 AGI 的概率，让我们更从容——我们根本都不用加班，因为就没那么难。

外面可能看起来我们选了一个很难的模式，要做研究、做最难的事情，好像是个 hard（困难）模式，但其实我们在其他地方舍弃了很多，使得我们还是做得非常轻松的。

二、开源战略

1. 开源的两个原因

在开源这个事情上面，我们一开始就想得非常清楚。

第一个是愿景，这个愿景本身就要求开源，你没有这个愿景，就没法把人组织起来。比如说，智谱也开源，但智谱的开源跟我们的开源不一样。智谱的开源有一种被迫的感觉，他们觉得这不是本意；但对我们来讲，这就是我们的本意。

第二个，我们认为要把 AI 这个事情在商业上做成，开源是有好处的。这听起来有点矛盾、违反直觉，因为在历史上开源跟商业化都是有冲突的，但 AI 跟以前不一样。

2. 开源不影响收入

开源跟商业化会不会有冲突？我觉得在 AI 这个事情上面，你克制，你就不起冲突。开源是属于克制的一部分，我们的克制还表现在很多方面上。

具体到商业模式：我们是会开源的，我们最强的模型可能也是会开源的，因为我看不到闭源什么必然的好处。字节的模型是闭源的，它有什么好处？我看不到有什么好处。

哪怕是模型开源，你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；其次要用起来还要成本做得很低，也很难。并不是我开源了，他就能轻易做到跟我一样的部署成本，这里边还是有很多工作要做的。

虽然说工作原理都明白，但不是每一家公司都有这个意愿和能力来组织人力达到这个目标——它可能不擅长做这个事情，阻力太大，有很多管理上以及物理上的制约。这也是创业公司的优势：如果太小，你没有这个力量来做；

如果是大公司，你很难组织。

这是属于我们这个规模的公司的一个甜区（笔记侠注：sweet point，最开始是个体育术语，后常用来指代能够最大化发挥优势、产生最高价值的某个点）。

我们按十个月回本定价，就已经能够让独立部署的第三方无利可图，他们做不到这个成本，所以开源并不会影响我的收入。

当然，前提是我们只赚六倍的利润：十个月收回成本，大概对应六倍的利润。如果说你要赚一百倍利润，那么开源确实会影响你，因为第三方部署可能是二十倍成本，就比你低了。

这个模式在我们这个愿景下是长期可以持续的，你可以认为，有克制，也有让你比较长利。

六倍利润看起来很高，但其实不高。现在 AI 的效率这么高，一个合理利润可能就是这么多。未来它可能会降到四倍、三倍，但到底它还是会有很大的利润。

3. 不担心竞争，反而帮助部署

我也不担心别人部署我们的模型然后跟我们来竞争，一点都不担心，我们还希望他们能够部署起来。我们尽可能给开源社区提供帮助，协助大家能够把我们的模型部署起来。

我不担心他会跟我抢这个生意，因为这个市场足够大；我只担心他部署不起来，有些细节没做对，效果变得比较差，或者成本比较高。

去年有 To B 生意的时候会，我被问得比较多的是：开源的话，C 端是不是跟我自己的 C 端冲突了？

我没有流量的优势，腾讯自己流量很多，他部署我们的开源模型，就把所有 C 端用户都接过去了，把我的 C 端用户都抢走了。但其实并不会，这个还是有很多原因的。

我们给的开源模型，跟我们自己部署的模型是一样的。我们不会说开源一个差点的模型，自己部署的时候用一个更好的模型，是不会的。

我们去年一整年在 C 端基本就是开源了，C 端的服务没有看到冲突，真的没有看到冲突。

三、定价逻辑与 C 端、B 端的定位

1. 十个月收回成本的定价标准

我们 API 定价的逻辑是：一个合理的利润，大概是我们到市场上买一批设备回来，十个月收回成本。

在当前情况下，考虑到风险、前期的投入等，一个服务器我们在财务上按三年或者五年摊销，但商业上大概十个月收回成本，我们觉得够了。

我们的 V3.2 Flash 跟其他的，都是十个月收回设备的成本，这就是我们的标准。这个成本我们能做到，其他家做不到，比如阿里或者腾讯，他没有我们的优化，成本应该要比这个高好几倍。

它其实不是利润最大化的。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，用户的需求是没有弹性的：价格再抬高一倍，token（词元）的消耗量区别不大，我的总收入就接近一倍。

我们不继续降价，也是因为它没有弹性，再降价需求不会更多了，因为这个价格所有人都用得起了，不会因为这个价格贵而不用了。

降价公司不会有更多的收入，对社会来讲也没有更多的价值。当然，确实还有降价空间，模型的优化上也还有空间，整体降价空间还是比较大的。

2. 降价的文化

我跟你们讲个故事：我们一开始担心需求太多，所以一开始把价格定得比较高，团队里大家不是很高兴。后来我把价格降到四分之一，大家就很开心。我觉得这个才是我们真实的想法：我们还是让这个东西对人是有用的，而不是我们赚最多的钱；是在能够赚到合理利润的情况下，大家都用得起。

那时候降价的时候，公司群里面很多人是欢呼的。因为这是我们花了这么多精力、这么用心把这个模型做好的目的——能够非常便宜、效果非常好，让大家都能够充分地用。

这是我们的动力，是我们的愿景，是公司内部凝聚到一起做这个事情的共识。

这点应该是比较特殊的。降价对我们其他的竞争对手来讲肯定不是个好事，他们一定不是欢呼的。你的收入、你的 ARR（年度经常性收入，下同），降一半就掉一半。这是一个我们不一样的地方。

3. 克制：不抢用户，芝麻与西瓜

我们的克制还体现在很多其他的方面。比如说去年春节用户突然很多，但我们并没有去追求留住这些用户、拿这些用户来变现、去抢商业利益。我们没有去抢用户，没有去赚钱，但我们很努力想办法把用户服务好。

我们并不会有"我要做成下一个超级 App、下一个字节、下一个腾讯"这样的想法，完全没有。当然，我们是可以这么做的，如果去年我们用了大笔钱去跟字节抢用户，也是一种打法，在商业上是行得通的。

但我们选择了一种非常克制的做法：我不跟你去争这个东西，因为后面还有西瓜，前面的可能都是芝麻。我不应该什么芝麻都抢。现在来看，去年我们没有在 C 端去发力，可能是对的，因为能看到后面真的是有更大的西瓜，前面真的只是一些小芝麻。

我觉得后面的 AGI 机会永远是非常大的，我甚至不用考虑我到时候在里面占一个位置、商业模式是什么。只要有那么大的商业机会，你一定是有办法的。

前面的芝麻我们也会捡，但只是随手捡一点，并不会停下来把它当成重要事情来做。

去年的 C 端日活就是个小事，但我们也捡了，用一个比较低的成本维持了用户的使用，因为有可能以后是有用的，虽然现在不知道有什么用，现在它是一个纯成本的支出。

今年来看，我们在 API（应用程序接口）或者 AI 方面的 ARR 收入也是有一个机会的：如果需求可以继续扩大、显卡可以买到更多，ARR 做到几个亿美金是很有可能的。

如果 AI 能做到十亿美金，基本上公司的现金流就能够回正，能够覆盖研发费用、覆盖所有费用。

这些我们会做也会做好，但不是我们第一优先考虑的，更大的机会应该还在后面。

4. AGI 路上的副产品

这里边有一个战略上的优势：我们心里面想着 AGI，做的也是 AGI。站在一个技术的高位上来做相对低一级别的技术，是有降维打击的。

通往 AGI 的路上，这些台阶是我必须走的，我把这些技术都通过 API 给大家服务，没有干额外的事情。

这是一个副产品，我只要搞几个人维护这个 API 就可以了，甚至客服都没有，也不用销售，用户自己就会来。

至少在去年的 C 端，我们看到确实是这样。我们没有在 C 端上花很多力气，甚至一度我们都不想维护那些用户了，但是用户赶都赶不走。去年春节我们突然火的时候，那不在我们的剧本里面。

那时候 C 端大家都抢得头破血流，结果被一个没有去抢的人牵走了。今年 B 端的收入增长看起来也比较乐观，跟同行比应该也是比较好的，但我们并没有花很大的精力去做。

这跟其他公司不一样，其他公司是为了服务 C 端用户或 B 端用户而去做这个模型；但对我们来讲，初衷还是去追求 AGI，刚好能产出这个东西，就把它拿来做商业化了。

AGI 是更大的愿景，这个愿景能够凝聚起更多优秀的人，它有更强的凝聚力。但如果你是一个商业公司，愿景就是服务好 C 端用户，那么他在产品上、用户服务上、流量上会有优势，但在技术上没有优势。现在比较有利的形势是，模型技术是最重要的。

5. 不急于丰富产品线，不做垂直整合

长期商业化路径和产品线进一步丰富后怎么定价？我们觉得现在最值得花精力的还是做 AGI，把智能的下限往上推。这个在现阶段比做更多的产品线、考虑更多商业化路径更划算。

在过去三年，任何一个时候你来跟我说商业化路径、产品线，都是浪费时间。半年前讨论出来的商业化，一定是要做广告、做电商、跟本地生活一体，肯定没用的，因为变化太快了，产品生命周期很短。

我们离彻底转向商业化的时间点应该是很遥远的。

我们会不会向上游进行垂直整合？我希望不要。我不希望把所有东西都吃了，我只要吃我最擅长、最核心、跟用户直接相关的那一块。

我觉得 AI 这个事情很大，如果 AI 时代会产生很多家万亿级别的公司，我们就是其中一家，一直做其中一小块已经没有什么问题了。

至少在 To B、To C 这两个业务上，目前能看到的，真的想做 To C 闭环的，反而我们做得好；真的想做 To B 闭环的，说不定也没有我们做得好。

To B 业务的上限应该还是需求，在现在这一代 AI 技术的背景下，To B 的需求会快速增长，但并不是无穷大的，最终还是受制于需求，不是算力。

对于合作伙伴，我们这次融资是精心挑选的：跟我们利益最一致的、对我们最没有敌意的、最希望我们能够做成功的。不是所有人都希望我们能做成功的，因为我们还是损害了很多其他人的利益的。

四、阶梯、瓶颈与终点

1. 智能发展的阶梯

公司的长期目标应该是 AGI。每个人对 AI 定义不一定一样，但不妨碍我们把 AGI 当做我们的目标。从技术路线上看，AGI 这条路线图是比较清晰的：如果你能够把一个问题描述得很清楚，给它完整的上下文和指令，它已经超过人类了。

但这个前提很难达到，比如我们今天开会，前面有很长很强的上下文，可能大家有几十年的上下文，这是 AI 不具备的。现在 AI 能具备的是在一个局限的上下文里面做得比人更好，但它还是替代不了人类。

AI 的发展可以理解成一个阶梯：去年走的阶梯是 CoT（思维链，下同），通过思维链可以让智能达到一个更高的水平。

今年的阶梯是 Agent（智能体，下同），用 Agent 的方式，它的能力范围会更大、智能上限会更高。

为什么是阶梯？因为后面的每一步都基于前面的基础：Agent 要用到 CoT，CoT 也要用到前面的语言模型这个前面的阶梯，所以没有一步是白走的。

但每个阶梯也是会走完的：就像 CoT 到上限之后，在做奥数题、写程序上已经超过最顶尖的人类，但还是停在那个地方，没有到达 AGI。

2. 下一个瓶颈：持续学习

现在 AI 跟人类之间还差一个地方，是持续学习。你招一个员工，他可能花两个月熟悉公司环境、熟悉工作，然后就能做很多事情，能听懂你说的话。你说"叫那个小王来"，他就知道小王是谁。

但对 AI 来说，因为它前面没有这两个月的学习，你得告诉它小王是谁、什么职务、在哪里、怎么去找、注意什么，你得给它所有的上下文。

在这种情况下 AI 是能做的，但你不可能给它所有的上下文，这不现实。所以 AI 并不能替代你的员工。但如果说 AI 具有持续学习的能力，它跟你的员工一样到公司学习两个月，那就可以替代天下的人了。

在 Agent 之后，我们觉得应该要解决的问题是持续学习：怎么让模型可以持续地学习，而不是要给它一个很强的训练，它应该能够像人一样做一个比较长时间的持续学习。

我们现在站在 Agent 这个地方，能看到的下一个瓶颈就是持续学习。这是卡在前面的障碍，必须要跨过去，而且一定是有办法能跨过去的，但需要时间。

3. 奇点与具身智能

持续学习之后，可能我们就会来到一个奇点：当这个模型能够持续学习之后，它已经能够做人类能做的所有事情了，能够自己开发自己的版本、自己再研究、开发更前的人工智能模型，实现自己的迭代。

但这个奇点并不是一个突变，它也是一个渐进的、连续的过程。这一步走完之后才是具身智能——到具身智能之后，它就走进现实世界，可以给你做家务、养老。

因为对一个正常人来讲，他的需求是吃喝玩乐、衣食住行，还是需要具身智能来解决具体人力的需求，所以具身是绕不过去的。

我们的时间表应该是：先解决持续学习，再到能自我迭代的奇点，然后才是具身智能。这个路线图是最轻松的，每一步要做的新的东西很少，可以不用加班，到后面可以用前面的技术来帮助开发后面的技术，奇点之后再做具身智能，那个模型自己就可以出来了。

如果路线图反过来，先实现具身智能，那就是一个很苦的活。

4. 只做主线，不做视频生成与世界模型

我们只做 AGI 的主线，就是语言模型、CoT、Agent 等等。AI 领域很广泛，很多东西不在这个主线上面：比如说 3D、视频生成，跟智能的主线没有太大关系，我们不会去做；

比如说世界模型，现在跟智能的上限也没有太大关系，我们也不会去做。但其他人做，我们也很乐意帮忙，利益上是没有冲突的。

视频生成一开始出来就很火，好像你不做就不是一个 AI 公司一样。其实只要仔细想一下，它跟智能的路线图没有什么关系。Sora 出来之后所有人都做，大公司、小公司都做，但小公司后来都把它砍掉了。

它跟智能的上限没有关系，在商业上是个好生意，但我们不会因为它是一个好商业而去做，只会因为它是智能路线图上的东西才去做。

世界模型含义没那么清楚，很多东西都可以说是世界模型，但从我们的判断，它和智能还不是现阶段最重要的事情——最重要的是 AI 训练，以及训练之后怎么解决持续学习。

这是我们的 AI 路线图，不是唯一的路线图，每个公司的判断不一样。

5. 多模态、Scaling 与幻觉

多模态我们一直在做，它对产品、对 C 端用户产品来讲它很重要，但对智能的上限，它是一个组件，不是主线本身。这跟搜索一样，搜索也是一个组件。我们的 V4 及后续版本会支持原生的多模态。

我们是信 Scaling（规模化，下同）的，规模越大效果越好，能够解锁更多的功能。阻止我们 Scaling 的就是算力，并不是我们不想 Scaling。

我们没有触摸到上限在哪里：我们训练这么大的模型，不是因为觉得这么大的模型就够了，而是刚好有这么多资源。

目前模型收益还是非常明显的，我们还没有机会碰到 Scaling 的墙。硅谷在说 Scaling 到头的时候，那是对硅谷来说的；对中国人来讲，我们离那个还很远。

Scaling 包括数据的 Scaling、模型规模的 Scaling、训练成本，我们会不遗余力地去推进这个上限，融资完之后有更多的算力，可能训练更大的模型。

我觉得下一代模型必须要有持续学习的能力，才能叫下一代模型。在那之前，我们能做的就是成本更低、效果更好、速度更快。

大模型的幻觉问题是有方法可以解决的，可以认为是一个能通过更好的 Post-training（后训练）解决的、能解、能够改善的问题，只是大家没有花很大的力气去做。

对我来讲，幻觉是一个问题，但我们归结可能是产品问题，我们会去解决它，但不是重点的问题。

6. 计算效率

为什么好像我们特别在乎模型的计算效率？这不是所有人都很在乎。一个商业化公司没有动力去追求模型的效率。低成本了，你还赚什么钱？你没有听到他们说低成本是他们追求的东西，因为那不符合他们的利益。

相反，这是我们愿景的一部分，我们的同学在乎这个成本，因为大家都是普通人，知道用这个都是要花钱的：别人如果便宜一点，能够接受的程度会更高。

我们希望它是负担得起的，特别是在中国算力紧缺的背景下，能在国产卡上用的。

低成本首先是一个结果，我们的模型一直在模型架构上往更低成本的方向走，还有很多算法上的方法可以让成本继续往下走。

成本越低，我就越能训练更大的模型，在算力有限的情况下，计算效率更高，就能够承担起更大的模型。对大公司来讲，资源是可以加的，可以通过加资源来解决；但我们会优先考虑成本效率。

五、组织与团队：唯一的核心利益

1. 团队稳定性是唯一核心利益

我们在很多方面都要非常克制，但我们的核心利益只有一点：保持团队的稳定性。这是最大的核心利益，甚至可以认为是唯一的核心利益。

只要我能够保持团队的稳定性，我一定能做成 AGI，就这么简单。只要大家都不走，我们能够继续做，基本上没有什么风险；如果遇到挫折，大家都不走，那么又可以继续。

钱肯定不是问题，资源不是问题，其他要素都是容易获得的，最多导致我们晚半年、晚一年，但不会说做不出来。

这也是我们面临的最大挑战和风险。这个风险随着近期的这一次融资得到了比较大的解除，因为大家拿到的期权都还是比较多的。

只要最重要的一些员工、最老的员工能够稳定，其他人是不太会走的——哪怕期权少一点、收入少一点也不会走，因为他不是全奔着钱来的，大家都希望在一个能够做成 AGI 的环境里面去做这个事情。

从历史上来看，我们的人才流动跟同行比永远是比较少的。所以我们现在做的很多事情，都是为了保持团队的稳定性，除了这一点以外，其他都是可以克制的。

2. 两条线的管理与不加班文化

我们公司的管理其实是两条线：一条是从上到下，一条是从下到上。从下而上，就是每个人自己想做什么自己做，没有人管他，没有 KPI；

从上到下，是正式的、要集体做一个什么事情，需要全公司的人一起来配合，比如我们要发 V4，就得分工，每个人做一部分。

一般我们希望正式的不要占用员工所有时间的一半，他还有一半的时间不被安排，按照他觉得什么重要去探索什么，没有前置的要求。只要公司算力能够支持他做，或者他不需要算力，那根本就不用来协调。有些人觉得我们是从上而下的，有些人觉得是从下而上的，我觉得两个都对。

我们一般也不太加班。加班有两个原因：

第一，做研究需要一个比较松弛的环境，你如果逼得很紧就没法做研究，得在一个比较松弛的环境里才有可能探索，这是出于研究文化的需要。

第二，我们非常聚焦，聚焦就意味着要做的事情很少，每个人分到的工作就少了，就不需要加班。这个跟前面的克制是一脉相承的——因为我克制，所以很多时候我就不做了。

你看到我们的产品很多都不完善的，我们也没有去补它。这也是我们的一种文化。

3. 共识决策机制

公司重大战略、技术业务决定的流程和决策机制：我们公司整体上是建立在共识的基础上的。我并不是一个人决定所有事情，而是我要寻求共识，我在公司内的权威和影响力是建立在共识的基础上的。

比如我要做一个事情，肯定是先看大家的共识是什么、大家想不想做，然后可能我会有一些引导或者倾向，但引导的作用是非常有限的。这个决策机制是一种寻求共识的机制，一定是共识，我才能够推得下去，然后我才会去推。

4. 组织架构的演进与"无模仿对象"

我们之前的组织架构是非常分散的，因为没有组织架构。但人进一步扩大之后，肯定是需要做出一些改变的。

最后应该还是要分不同的部门：有些部门需要建立起比较严谨的层级结构，另外一些部门可能还是会维持比较松散、比较扁平的结构。我已经在做这个调整，不做这个调整的话，很多事情是没法推进下去的。

至于有没有好的学习对象，比如 Bell Labs（贝尔实验室）可能在一个新的时期，只能靠我们自己来做探索。我们没有模仿的对象，每一步都是从实际情况出发、实事求是做决策。

它是一个时代的产物，是现实情况的反映，并不是一个模仿的结果。

我们跟 Bell Labs 还是不一样的：它明确不需要商业化，但我们明确是要有商业化的——我们最终还是要能活下去，毕竟是一个公司，政府不会给我一分钱。

所以 B 端对我们肯定是重要的，可能以后得靠它活着，只是说现在不重要，因为它现在是个成本线。

历史上也有很多公司有利润以外的追求，那个追求最后不但没有影响到它的商业化，反而能让它商业化得更好。我们本质上还是一个公司，只是说我们在考虑赚哪些钱、什么时候赚钱、赚多少钱、靠什么赚钱，我们有取舍。

六、算力与中美差距

1. 差距只有一点：资源

我们跟美国的差距是什么？其实差距只有一点，就是资源——我们没有那么多卡。我们现在大概是两万张 H 等效算力，这其中大部分是最近一两个月刚到，可能还有很多机器还没有来。

今年我们在非常激进地扩充算力，接下来几个月还会有大批量的机器买过来，基本上都是英伟达。

我们需要多少卡？在能够承受的范围内肯定是越多越好。策略是：在合理的价格里面，能买到多少卡就买多少卡；这笔融资用完之后，能买多少卡就买多少卡。花钱的速度不在计划里面，只要价格合理，有多少都买。如果说半年之内就把钱花完了，我觉得是个好事——把钱变成英伟达卡，肯定比放在银行里面好，银行存款两个点的利息，而买卡十个月收回成本。实际上要把这么多钱花完非常不容易，买不到那么多卡，价格也很高，还得确保价格合理。

我们是愿意付一定溢价去把钱变成卡的，但哪怕付完溢价也很难实现这个目标。客观上讲，如果今年能够花掉两百亿，那就属于采购部门业绩超级好了。

买了卡之后我有很多空间，通过提供服务总是能够有现金流的，有现金流我就可以活，就不需要在账上放很多钱。

2. 人才差距的本质也是算力差距

人才上面差距不是很大，几乎没有差距，因为就是同一批中国人——出去的时候有一些人留在国内，有些人去国外，是比较随机的。国内人才是不缺的，而且基数大，每年有那么多人的补充。

人才不是瓶颈，资源是最大的瓶颈。算力少，我们能做的实验机会比较少，所以人才整体上比美国有差距。人才的差距，本质上也是因为算力的差距。

算力资源一方面是国内卡买不到，另一方面是我们的资本投入比美国少很多。人才工资在里面占的比重是很低的——你看他们开一个亿美金的薪水，但算起来占比还是很少，大头还是算力。

3. 模型规模的差距

现在最大的模型激活大概是800B（8000 亿参数），国内我们还在几十B的规模，差一个数量级。我们哪怕把五百亿全花掉，其实也训不起最大的模型，哪怕能堆起来也用不起。

如果要训练跟美国同样大的模型，应该需要五万张 GB300，或者20万张华为950卡，这只是训练，还没有考虑做研究。这个问题目前基本上无解，因为华为的产量也是有限的。

所以，我们现在根本不会考虑到这么大的规模上去跟美国竞争，而是在我们能够训练得起、用得起的几十 B 激活的规模上先把它做好，还有很多实验要做、很多事情需要搞清楚。

再等下一步有更多资源的时候，做到 150B、156B 或者 250B 激活的规模。你要硬训那么大模型也是能训，但是没法做充分的研究。

4. 落后一两年，用二十分之一的算力

我们算力落后，这是一个事实，这个事实通过几方面来消解：我们承受一定的模型落后、模型的尺寸更小；落后也意味着你有更多时间、有一定的技术，可以用巧妙的方法。

所以我们跟美国的差距可能是落后 12 个月，12 到 18 个月，或者说 6 到 12 个月——简单说就是落后一到两年，然后只用美国二十分之一的算力把这个事情做出来。

未来我们要把这个叙事改写：用它几分之一的算力，但把时间缩到 6 个月、3 个月。

甚至我们可以在某一些方面超越他们——但在总体算力有数量级差距的情况下，全面超越是不现实的，在某一些重点、有取舍的地方超越是可能的。

5. 终局差距：成本、时间、体验

所有大模型竞争，终局的差距会体现在什么地方？我觉得最终可能是没有太大差距的。最终的差距应该是三方面：成本、时间、用户体验。

成本比较好理解：提供同样质量的服务，你能以什么成本来提供——比如比亚迪的电池，在同等技术量的情况下，其他家能不能按这个价格来提供，这是个较难的事情，肯定是壁垒。成本可能排在第一位。

第二个是时间：你什么时候能够做到，早几个月、晚几个月就不一样了。

第三个是体验：用户中间会有一些粘性和壁垒，但可能不本质。各家模型最终效果拉开差距，应该是综合上的、整体上的，不是在具体某个环节。

比较模型效果，肯定得在相同的成本上来比较才有意义，就像比较两辆车要同价位来比。

我们跟美国比，在很多体验方面有可能能做得更好，产品能力上不一定会比美国差，成本应该也会比美国低。如果说有结构性的优势，可能就是成本和产品这两方面。

成本很好理解：他们都不用做（低成本优化），所以就不发展这个能力，我们可以把它当做一个非常重要的事情。产品也是，中国很多公司产品能力还是可以的。

6. 行业格局：收敛与"三体之一"

国内现在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，最终一定是不需要那么多人去做基模的，一定会收敛。现在资源分得很散，每一家拿到的资源就更少，某种程度上也比较浪费。

现在大家觉得做这个事情利润率非常高，所以一定要自己做，但当他发现没有那么高利润的时候，可能就不做了——我不相信有那么高利润，因为这不符合客观规律，我们应该是一个合理的利润。

中国最后有个三四家竞争就很充分了，价格绝对已经够打价格战了。

我绝对不认为大模型公司可以拿走大部分利润：这么多家，差距只有时间和成本两个东西，不至于哪一家有暴利，成本控制得好的人就多赚一点，成本控制得差的人就少赚一点。

Anthropic 现在超过 OpenAI，这不是长期的，是阶段性的。OpenAI 和 Google 未来大概率还是会交替上升。

Anthropic 在 Code Agent 上有先发优势，但这先发优势应该很快就没了，并不是它能够长期占得住的优势。这三家都很厉害，其中 Anthropic 效率是最高的，烧掉的钱应该是最少的。

在全球 AI 主导分工的时候，中国公司很有可能扮演的角色还是产量最大。常理来讲，我们产能最大——芯片产能最大、电力最多，所以我们的 AI 很有可能是三体之一。

中国人会把产品做到最便宜：现在很多商品中国产跟美国产没有太大区别，未来 AI 可能也是这样，中国产的 AI 价格会更便宜，这个便宜可能是系统性的低。

七、国产芯片的历史机遇

1. CUDA 的护城河正在被填平

国产卡现在有一个历史性的机遇。之前国产卡适配的难题叫生态不好：买了卡之后用不起来，没有英伟达那个生态，所以英伟达的护城河很强。但这个事情在发生变化，CUDA 的护城河在快速地被瓦解，原因可能有三方面：

第一，因为有了 AI，AI 可以写代码，建立起生态比以前容易很多。

第二，有一些新的技术。

比如我们家出了一个技术叫 TileLang（专为AI算子开发设计的高性能编程语言），是一种高级语言，用它来重写 CUDA 的算子，可以很快地把英伟达的整套生态全部写一遍，再结合 AI，这个看起来没有什么

障碍，虽然现在还没有做完。

第三，CUDA 是从游戏卡演变出来的，兼容游戏卡的设计一脉相承。以前 AI 计算比游戏卡市场小，这样耦合是合理的；但现在计算卡的市场已经比游戏卡更大了，没有理由再耦合，以后的趋势是专用芯片。

对于专用芯片来讲，跟 CUDA 不绑定，芯片在设计的时候就已经考虑到怎么建立生态了。

2. 华为合作：四倍算力、落后两年

我们现在主要是跟华为合作。华为他们自己适配，但我们自己会参与、会深入参与到这个生态里面去。华为给我们的大概是一万六千张卡的产能。我们买华为 950 的目的，还是希望帮华为把这个生态做好。

一万六千卡的华为 950 只相当于四千卡的 B 系列，不是一个很大的量，只够训我们现在这一代模型，不够训下一代模型，但明年、后年说不定是有机会的。

华为 950 超节点在性能和价格上可以完全平替英伟达的 GB200、GB300：所有 GB300 能做的任务，华为超节点都能做，延时什么都一样。

价格肯定要贵，但贵得有限——贵百分之五十、百分之一百都可以认为在价格上替了，贵百分之两百都无所谓。

唯一的代价是，四张华为卡顶一张英伟达的卡，同时落后两年：华为 950 超节点是今年 Q3 还是 Q4 的货，英伟达 GB200 是两年前 Q3 的货。

所以我们跟美国在芯片上的差距，我认为生态上以后不会再有差距，但在芯片上是四倍加两年。我对国产算力是比较乐观的，我觉得在这一点上，英伟达是在掘自己的坟墓。

3. 一年内扭转"生态不好"的认知

我们认为，未来一年之内能够看到有一个事情被验证：国产芯片的生态完全没有问题。之前认为是有问题的、用不起来、不好用，但未来一年之内能够用事实扭转这个认知。

如果是在一个正常的商业环境里面能买到英伟达的卡，那么国产替代是比较难的；但在英伟达的卡买不到的情况下，所有人都迫不得已要去做国产芯片，这个背景下国产卡的适配没有任何障碍，建立起跟英伟达一样、甚至比英伟达还好的生态没有障碍，但还需要时间。现在天时地利基本上都全了，就差时间。  

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。今年、明年、后年可能都还是卡在产能问题上，但我不太相信五年之后还卡在产能问题上，我还是比较乐观的。

至于未来会不会自研芯片，我觉得取决于收益有多大。假如你是运营发电厂的，并不一定需要去造发电机，发电设备可以是别人造的，只要价格合理。我希望能以合理的价格买到芯片，这样就不用去做芯片。

但自建大型集群是肯定要的，我们所有的集群都是自己建的。

八、问答要点精选

1. 持续学习何时突破？

现在全世界都在研究这个问题。投资人看到的最多的是 Agent，但对于我们这些研究的人来讲，看到更多的是学习、怎么解决学习这个问题。

学习可能不是一项技术，它是一个问题，解决这个问题可能有很多种技术，它不是一个东西，会是很多东西。它的难点在于，我们现在还没有找到非常有效的方法，全世界都在摸索，现在还在探索阶段。

我们有很多思路、有很多现在看起来有前途的想法，但是都还没有做通。它也是一个工程和算法问题。

2. 模型首先服务 DeepSeek 自己

我们内部比较看重这样一个叙事：训练下一版模型，我们希望它能够帮助我们自己的开发，提升 DeepSeek 的效率，让我们开发下一版模型的时候它能提供更多帮助。简单一点说，我们做的模型第一目标不是大家用得好用，而是我们自己用得好用。

我们自己好用之后，开发下一版模型就会更快，这是实现 AGI 最快的方法。我们现在非常确定，确实需要人工智能来帮助我们实现 AGI，虽然说它还不是自主地工作，只是跟人搭配，但已经很有用了。

为什么先解决持续学习、再进入通用智能？因为解决持续学习可以大大加快研发进度。现在的 Agent 能力受限，是因为它不能有效地持续学习。

如果先把持续学习做完，AI 的能力是非常强的，用它来做通用智能就很容易了，我们就比较省力。否则现在人工去做通用智能，是一个比较累、比较苦、数据密集、人力密集的事情，性价比也不高。

3. 研究资源如何分配？

对于一个还没解决的持续学习研究目标和一个比较确定的 Scaling（规模化） 目标，怎么分配研究资源？

其实持续学习不占资源：做研究不消耗卡，只需要很少的卡，需要的是想法；也不消耗人才资源，因为不需要有人一直在那里做，它不是一个项目，而是需要有很多人都在那里想这个问题。

你要训模型、做模型、发模型，做模型的效率实验才需要资源。

所以我们叫这个叫"摸奖"：门槛很低，谁都可以去摸，但谁能摸出什么来，可能看天赋。我们跟其他公司不一样的地方是，我们会花时间去讨论这个问题、把它当做一个重要的事情来思考，但并不需要花很多资源去做。

4. 真实数据还是仿真数据？能超越人类吗？

AI 能不能超越人类过往的真实数据？我觉得是能超越的。比如说围棋，AlphaGo（笔记侠注：谷歌DeepMind研究的围棋智能体） 下了一手人类从来没有见到过的棋，它肯定是在一定范围内超越人类的。

它可能也有上限、有局限性，但这个局限性我们现在看不到。所以我们笼统地认为，它是可以基于人类已有的、我们已经能说出来的知识上予以超越的。至于是靠真实数据还是仿真数据，会有很多方法。

5. 瓶颈是时间，不是钱

数据几乎等于模型的一半。在数据标注方面，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。

美国数据标注的成本跟中国没有什么区别，中国标数据并没有成本优势，尤其是标高端数据，所以很难像美国这样投入去标数据。

现在基本上是两条腿走路：标数据有一些成本低、有一些成本高，我们先标成本低的。现在我们公司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。

这次融资后会不会在后训练方面加大投入？肯定会加大投入，但高质量数据标注的瓶颈不是资本投入，而是时间。

OpenAI、Anthropic 都更早、资本更多、卡也更多；我们国内可以认为是最近半年才开始做，所以需要更多时间。原来的资本也够它以最快的速度在扩张，这个速度的瓶颈不卡在钱上，也不卡在卡上。

我们觉得一年之内，高质量数据这个问题做得比较好，国内应该是可以预期的。

6. AGI 还需要多久？国内硬件能追上吗？

在 AI 这个事情上，就现在的范式，国内一两年是能够做到跟国外差不多的，可能今年就能做到平替国外的模型——这不是很难的事情。但它还不是 AGI，AGI 至少得能够持续学习。

国产硬件追上需要一个几年的时间：首先得解决生态的问题，生态是一个信心的问题，然后再解决产能的问题，应该是能够逐步解决的。

7. AGI 的实现是渐进还是突变？

它没有临界点，但它是非线性的。我们现在比较相信一个叙事：AI 可以加速 AI 的研究。它不是线性的，因为你可以用 AI 来加速你自己的研究，所以到后面可能是非线性的。

语言模型的 Scaling 我现在没有看到有上限，我们现在的智力水平、美国的智力水平，都没有看到上限。

AI 现在不缺品位和直觉，它缺的是持续学习的能力。

8. 下一代模型的规划

我们的发版节奏，比较舒适的大概是两三个月发一版。上次发版可能是四月底，下次可能是六月底，如果没有意外，应该还是会一版比一版好。线上发的这个 V4 版本还是比较粗糙的，能力方面很多都需要时间。

在 50B 激活的这个尺度上面，最终我们跟现在的这波开源不会有太大差别，推理速度跟效果上可能就不会有太大差别。

但跟那个大尺寸、没公开的模型，差距还是比较大的，我们这个激活参数是做不到的，那得是一个更大尺寸的模型，比如 150B。按照我们现在训练的进度，乐观的话今年年底可以开始训练，至少是明年。

9. 纯粹科研与资本市场如何平衡？

我现在觉得应该是能够做到的，就都要。假如说今年能够有几个亿美金的 B 端收入，再加上 C 端有用户，这本身就已经有一定的商业基础。

明年 B 端有收入，如果需求可以再增大，公司离净利润已经不远了，可能就不是一个纯烧钱的阶段了，后面能操作的动作应该还是比较大的。

最坏情况卖 API，可能都能够支撑一个上市公司：如果技术后面没有新的进步、冻结在这里了，那就全力卖 API，把服务做好，我觉得也够的。

所以还是有信心的，确实没有那么难，因为确实是在一个杠杆高的地方，又在一个发展非常快的领域。我们希望有更大的梦想，但也有保底可以拿出来的业绩。

*文章为作者独立观点，不代表笔记侠立场。

读完全文，你会明白：真正强大的组织，不靠 KPI 驱动，而靠信念凝聚；真正长久的竞争力，不在于抢下眼前的芝麻，而在于看清远方的西瓜。

风物长宜放眼量——中美 AI 竞争现在已经到了深水区，算力可以追赶，生态可以重建，人才可以培养，唯有技术理想主义与商业理性的统一，才是中国 AI 走向世界的真正底气，也是这个时代最值得被书写的商业精神。

读懂这场世纪较量最好的方式，是亲身走到风暴的中心。

笔记侠PPE书院美国站26级「创新英雄・AI+出海专题」课程，将于2026年9月26日正式启程。 这一次，我们不是去美国打卡，也不是简单参观几家公司，而是带着一个更具体的问题出发：AI进入下半场之后，企业家到底应该怎样理解技术、组织和全球市场的变化？如何抓住美国市场的机会？ 

10天时间里，我们将带你走进美国硅谷与西雅图，深度参访英伟达、谷歌、微软、亚马逊等全球顶尖公司。 

我们还将邀请斯坦福名师、硅谷行业实战派、华人科技与出海领域专家，围绕AI产业趋势、企业AI落地、组织重构、全球市场规则和中国企业出海机会，做一手分享和深度交流。 

这趟行程会帮你建立一套判断框架：未来三年，你的企业该如何使用AI，哪些流程必须被重写，哪些能力必须保留，哪些出海机会值得下注，哪些风险必须提前看见。 

如果你正在思考AI转型、企业出海、组织升级和下一轮增长，这一次美国站，值得你带着问题亲自去看一次。 

欢迎了解课程详情，提交报名信息。

分享、点赞、在看，3连3连！