本文来自微信公众号： 青萍见 ，作者：shushuhn

数据说明：截至发稿，DeepSeek 本轮融资交易条款（含具体出资方、金额、股权比例）未获官方确认。文中融资数据引自 The Information、《金融时报》、36 氪、晚点 LatePost 等多家媒体 2025 — 2026 年公开报道，不同信源在金额、投资方名单、股权比例上存在差异，实缴金额与意向金额可能存在偏差。本文分析基于上述公开报道交叉验证，具体数据以工商登记及官方披露为准。

" 我们一开始来做这个公司，初衷没有想到说我最后要赚多少钱，要到资本市场上去，要上市，要怎么样的。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。"

这场交流会前后，DeepSeek 完成了首轮超 500 亿元融资——据多家媒体报道，腾讯 100 亿元，宁德时代 50 亿元，京东、网易各 30 亿元，国家人工智能产业投资基金 10 亿元，梁文锋个人出资 200 亿元跟投。另有部分投资方未披露。

一组自相矛盾的信号：一个不想上市、不想赚钱的公司，正在以前所未有的速度吸纳巨额资本。

一、愿景驱动不是口号，是技术自信

梁文锋反复强调一个叙事：DeepSeek 的成功靠的不是天才。

" 我们就是一群非常平凡的人。没有比别人有钱，没有卡，没有知名度。"

那为什么能做成？" 一个公司最重要的是它的愿景。" 在 DeepSeek，这个愿景具体到近乎 " 反管理 " ——没有 KPI，没有考核，没有成文的规章制度。

但真正支撑这种反管理能够运转的，是一套高度工程化的技术方法论——通过 PTX 指令集接近 GPU 底层进行优化，突破硬件内存带宽限制；通过 MoE 架构和稀疏激活策略降低计算负担；通过流水线并行减少 GPU 间通信延迟，有效应对芯片互连技术的出口管制。

这套方法论既带来了优势，也付出了代价：MoE 稀疏模型推理延迟更高；PTX 底层定制仅适配英伟达高端卡。据运营商财经网行业报道，同等参数量下 MoE 架构集群的 3 年综合运维成本（含硬件折旧、电力、互联带宽）约为稠密模型的 1.3 至 1.5 倍，推理成本约为传统稠密模型的 3 倍。这套方法论的成本，最终会以现金流的形式传导到资本关系上。

不是口号驱动机器，是技术自信支撑了方向选择。

二、融资的真正逻辑：反向约束资本

DeepSeek 本轮融资最值得关注的不是金额，是交易结构。

据 The Information 报道，除国家人工智能产业投资基金外，其他外部投资者不获得投票权、不设董事会席位，仅能按出资比例分享财务收益，同时接受五年锁定期约束。梁文锋在本轮融资前已通过工商增资将个人直接持股比例提升至 34%，叠加间接持股后最终受益股份达 84.29%，手握 100% 表决权。

国家人工智能产业投资基金直投 10 亿元是唯一的例外——该基金保留投票权且不受五年锁定期约束。这折射出算力主权的优先级：DeepSeek 在商业逻辑上拒绝了所有机构的控制权，却在算力层面给国家队留了一扇门。

这一交易结构颠覆了科技创业融资的常规剧本。有行业网友如此直观概括这套失衡的投融资权利关系：" 腾讯和京东拿出了数十亿美元，却没有投票权，而且 5 年内不能退出。这足以说明梁文锋现在拥有多大的谈判筹码。"

三、资本为什么愿意接受 " 不平等条约 "？

大模型行业正在加速分化。2025 年，AI 模型层公司全年仅完成 22 笔融资（统计口径：仅包含通用大模型底座企业，剔除算力基建、垂直 AI 应用项目），单轮融资规模在 10 亿元以上的大模型公司仅有 MiniMax、智谱和 Kimi 三家。钱没有消失，而是在快速向头部集中。

DeepSeek 是当下唯一坚持纯开源路线的中国头部大模型公司，多项基准测试显示其性能超越了主流开源模型。但这种技术影响力构成筹码的同时，各投资方的诉求截然不同：

投资方	诉求	商业化容忍度	未来行为预判
国家 AI 产业基金	算力自主，政策导向	极高，不计短期回报	长期持有，支持整合
腾讯、宁德时代	AI 能力战略卡位	高，可接受 5-10 年持有	若业务协同兑现，持续增持
京东、网易	通用 API 需求	中等，需 3-5 年见成效	视业务落地进度而定
财务 VC 类	中期退出、回报	低，需 5 年可见退出路径	若上市不及预期，施压回购

这种诉求差异，决定了 5 年后不同资本的博弈态势，而非简单的逐利资本与理想创始人的二元对立。

四、人才流失：被简化的真相

据《金融时报》报道，融资的核心目的之一是 " 为员工股票期权定出更清晰的价值，避免被竞争对手挖走 "。

过去几个月，DeepSeek 确实有多位研究人员离职—— R1 论文主要作者之一郭达雅加入字节跳动，训练团队老将王秉轩转投腾讯。但流失人员中有部分从事多模态、视频生成方向，恰好匹配梁文锋不做视频生成的战略取舍。人员的去留本身就是战略选择的结果。

更深层的问题在于：长期放弃多模态赛道，会持续流失多模态方向优质人才，制约通用多模态 AGI 迭代。当然，" 多模态 = 通用智能必要条件 " 是当前 AI 领域存在争议的判断，并非学术定论——但 DeepSeek 的战略取舍本身值得审视。

五、技术短板：幻觉与过度思考的独特危害

开发者社区实测反馈显示：DeepSeek-R1 在简单问题上存在过度思考——把简单问题复杂化后出错；抽取类任务容易出现幻觉；一些回答看似有道理，但在业务视角下可能是正确的废话。

用户案例同样值得警惕：有用户向 DeepSeek 咨询如何挽回前男友，模型给出的措施包括 " 向公安备案情感骚扰记录 "、" 报名南极科考志愿者 " 以及 " 攻读清华大学脑机接口与情感神经学硕士 " ——这种看似荒诞的过度联想，恰恰被包裹在极其严密、分点清晰的逻辑推理外壳下，使得用户在第一眼看去甚至难以察觉其荒谬性。有用户要求推荐旅游地附近十家口碑外卖店，结果十家店铺全部是模型虚构的。

当然，上述案例属于极端场景，不构成系统性对比测试——但它揭示了一个方向性的问题：幻觉是所有大模型的共性缺陷，目前没有公开对比数据证明 DeepSeek 的幻觉率显著高于竞品。DeepSeek 幻觉的独特之处在于其逻辑自洽性和专业伪装——传统模型的错误容易被识别，而 DeepSeek 的错误因为表达流畅、推理严密，反而更具迷惑性。这种伪装能力在 B 端严谨场景（如法律文书审查、医疗建议、财务分析）中破坏力更大，直接限制企业付费客户规模。

六、开源商业模式的裂痕与护城河

梁文锋认为开源不影响商业化：" 只赚六倍利润——按十个月回本对应约六倍利润——在这个前提下，开源对商业模式没有任何影响。"

开源模式的双刃性在于：客户可自主本地化部署，长期锁定能力弱；免费模型分流付费 API 用户；第三方低质应用引发信任危机而 DeepSeek 缺乏管控。

但 DeepSeek 也建立了独有的护城河：模型权重开源，但底层 PTX 优化、MoE 训练方案未完全开源，中小企业复刻成本极高；10 个月回本的定价体系击穿行业利润空间，第三方本地化部署无利可图；全球千万级开发者社区持续提供场景数据，缩小与闭源巨头的数据差距。

仅从算力硬件摊销与 API 调用费的直接毛利来看，理论回报率极高。但前提是规模化——需要足够的付费流量分摊固定硬件投入。以当前 DeepSeek 的 API 调用量级，能否覆盖每年百亿级算力投入？这个问题的答案，决定了现金流承压是真实风险还是过渡状态。

DeepSeek 所言的持续学习，指模型在不遗忘旧知识的前提下，通过增量数据（如用户反馈、新 API 文档、行业数据库）实现自我纠错和知识更新的能力框架。公开论文显示，DeepSeek 团队在该方向的核心探索是：通过优化灾难性遗忘阈值，将单次增量学习的算力消耗从全量预训练大幅降低。如该路线实现工程化落地，意味着每年百亿级的重复预训练成本可显著压缩——这才是解决持续学习就能变轻松的技术注脚。这一能力若打通，同时支撑三个现实场景：①减少海量人工标注投入，适配无 KPI 研发组织；②解决幻觉和过度思考等模型缺陷，解锁 B 端商业付费场景；③为通用 Agent 铺路，补齐纯文本模型商业化短板。

七、真正的裂缝在哪里？

将第一部分的组织设计（无 KPI、不追逐短期现金流）作为底层放大器，三条负循环链共享同一个起点：愿景驱动型组织本身的特性——不追求短期商业回报，会在客观上延长融资依赖周期，放大技术与资本之间的传导压力。当然，这一传导路径的每一环都受到市场竞争、宏观经济、客户认知等多重因素调节。

链一（技术→资本）：技术短板（幻觉 / 推理冗余）往往限制企业付费客户规模→ API 收入可能难以覆盖硬件成本→持续依赖外部融资→ 5 年后财务资本集中要求退出→加剧创始人与资本的博弈。

链二（路线→技术→资本）：放弃多模态 / 视频→可能丢失高现金流场景和多模态数据→长期或制约通用智能迭代速度→技术代差缩小→缺乏技术溢价→商业化更难。

链三（组织→商业→资本）：无 KPI、无短期商业回报压力的组织设计→可能放大前两条负循环→不追逐短期现金流→商业化滞后→融资需求延长→期权留人效用递减。

三条链共同汇入一个节点：5 年后，当财务资本锁定期到期、员工期权集中解禁，如果 AGI 尚未兑现为可验证的商业成果，DeepSeek 将面临资本退出、人才流失和估值压力的三重叠加。

八、外部变量：算力地缘政治

上述三条链都是内部闭环，外部变量同样致命。据晚点 LatePost 2025 年 12 月报道《DeepSeek 的算力账》，DeepSeek 目前约 2 万张 H800 等效 GPU；一位接近 DeepSeek 算力采购的人士则表示，实际可用训练算力远低于公开宣称的规模。无论哪种说法准确，一个共识是：DeepSeek 的算力规模仅为国内头部云厂商一个零头。如果遭遇极端算力封锁，国产算力适配不及预期，研发进度可能停滞。

更完整的负循环应插入这个外部节点：

API 收入难以覆盖算力投入→持续依赖外部融资→（若遭遇算力封锁或国产替代不及预期）→研发进度停滞→ 5 年后财务资本集中退出→创始人控制权与资本压力正面冲突。

算力地缘政治不是背景板，而是这条因果链的加速器。

九、终局：三种可能性

DeepSeek 这套 " 愿景驱动 + 约束资本 " 的模式，长期存在三种终局可能：

乐观终局（高度依赖持续学习技术突破性落地这一核心前置条件）：持续学习等技术目标取得突破，AGI 实现路径被验证。DeepSeek 成为下一代 AI 基础设施的底层供应商，所有投资方获得超额回报。

悲观终局（在算力供给、竞品追赶双重压力下具备现实发生可能）：AGI 落地周期远超预期，技术优势被竞品追平。持续亏损导致多轮融资稀释股权，财务资本集中施压，创始人控制权被架空或被迫接受商业化转型。

中性终局（基于现有公开信息，最贴合公司当下发展路径的演化方向）：持续学习取得阶段性突破，但完整 AGI 落地周期拉长至 8-10 年。公司开放垂直行业有限商业化，创造稳定现金流但不追求利润最大化。产业资本持续跟投，财务资本通过老股转让分批退出，创始人控制权完整保留。

需要指出的是，A 股科创板允许同股不同权的制度安排，为 DeepSeek 提供了制度缓冲空间——即便未来启动 IPO，创始人依托 84.29% 受益股权可设置高倍数表决权架构，公众股东仅享有分红权而无经营决策权，上市仅作为财务退出通道，不必然动摇愿景驱动的路线。

第三种状态，可能才是 DeepSeek 最真实的未来。

十、行业启示

DeepSeek 的案例指向几个超越个案的结构性问题：

第一，控制权设计是 AI 创业的生存前提。本轮融资最值得复制的不是 "500 亿 " 这个数字，而是 " 无投票权资本 + 五年锁定期 " 这套模板。国内头部大模型公司应借鉴此模式，用制度隔离资本的短期压力。

第二，开源路线大模型需要找到自己的半开源护城河。权重开源但核心优化保留、定价体系击穿对手利润空间、开发者社区反哺数据——这三条防线缺一不可。

第三，无 KPI 管理模式的天花板约 300-500 人。超过此规模需分阶段引入轻量化管理工具，愿景驱动需要 " 组织收缩 " 的勇气。

第四，多模态不是做不做的选择题，而是何时做的时机题。放弃多模态的代价，3 年内是现金流，5 年以上是数据规模壁垒。但如果资源只够押注一条路线，专注本身也是一种战略——风险在于，错过窗口期后补课成本可能远超预期。

第五，技术短板必须被财务模型量化。幻觉、推理冗余等技术问题，不能停留在 " 用户吐槽 " 层面，需要转化为 " 客户流失率 "" 付费转化率 ""API 调用量增速 " 等可量化指标，才能纳入融资路演模型。

第六，地缘政治不是背景板，是 AI 创业的第一性约束。DeepSeek 的融资条款给国家队留了 " 一扇门 "，这与其说是主动设计，不如说是现实倒逼。未来任何中国 AI 公司的融资框架，都必须把算力自主与资本结构绑定。

第七，区分哪些经验可复制、哪些不可复制。DeepSeek 本轮融资条款的核心——无投票权资本 + 五年锁定期——具有普遍借鉴意义，任何具备技术稀缺性的 AI 公司均可尝试复制。但梁文锋个人出资 200 亿跟投（占融资额 40%）、最终受益股份 84.29%，建立在其个人财富积累基础上，是极少数创始人才具备的条件。同样，国家人工智能产业投资基金的例外条款属于特定时期政策资源，不具有行业普适性。对大多数 AI 创业者而言，可复制的是条款设计的逻辑，而非条款本身。