梁文锋投资者交流会：愿景、开源、AGI 与中国算力
资料说明：本文依据 PDF《梁文锋投资者交流会-文字稿（庞通整理）》编辑。原文件标注全文约 3.5 万字、由庞通使用 AI 整理；未注明会议日期、主办方与完整参会人信息，也不是经公司确认的正式逐字稿。本文删去了口语重复、转写错漏以及现场明确提示不要外传的卡量、采购金额和未发布模型参数等敏感数字。文中的公司状况、技术判断与时间预期均来自这份材料，未作独立核验，不应视为 DeepSeek 的正式披露或承诺。
先给结论：这不是一场产品发布会，而是一套关于“怎样做成 AGI”的自我解释
这场近四小时的交流，表面上谈到了 API 定价、开源模型、To B 收入、国产芯片、数据标注和下一代模型，真正贯穿始终的却是三个词：愿景、克制、持续学习。
梁文锋试图解释，DeepSeek 为什么选择开源、为什么不急于扩张产品线、为什么把团队稳定看得高于短期收入，以及为什么认为当前大模型距离 AGI 的关键缺口不是再做一个聊天产品，而是让模型能够在真实环境中长期学习。
如果把全文压缩成十条判断，大致是：
- 公司不是靠 KPI 组织起来的，愿景必须体现在真实取舍中，而不是写在墙上。
- “克制”既是价值观，也是战略：少拿一部分短期利益，可能提高长期做成 AGI 的概率。
- 在 AI 这样足够大的市场里，开源与商业化并不必然冲突，真正的壁垒仍包括训练、部署和成本工程。
- C 端产品与 API 业务不是终点，而是通往 AGI 过程中自然产生的阶段性成果。
- 当前模型在上下文完整、任务明确时已经很强，但不能像员工一样通过几个月工作形成持续记忆，这是它难以真正进入组织的根本限制。
- 他设想的技术阶梯是：语言模型、思维链、Agent、持续学习、自我迭代，最后才是具身智能。
- 公司最不能退让的“核心利益”不是某一块市场，而是核心团队的稳定。
- 组织同时保留自上而下的协作和自下而上的自由探索；正式任务不应占满研究人员的全部时间。
- 中国与美国前沿模型的主要差距被归因于算力资源，人才、模型能力和应用差距在很大程度上都是它的后果。
- 大模型长期竞争的差别主要落在成本、时间和用户体验，基础模型公司也会从当前的分散状态逐渐收敛。
一、愿景不是标语，而是公司愿意放弃什么
交流一开始，梁文锋没有先讲收入和模型，而是花了很长时间解释公司的出发点。他反复强调，早期团队并不是因为上市、资本市场或个人财富而聚在一起，而是相信人工智能是一件对社会有用、值得长期投入的事。
他对“愿景”的定义很具体：
愿景不是挂在墙上的标语，愿景是你怎么做，不是怎么说。
换句话说，愿景要由日常决策反向证明。如果公司声称推动技术普及，却把模型能力封闭起来、把价格定在利润最高点；如果公司声称追求 AGI，却把主要资源投入短期流量和广告，那么真正起作用的愿景就不是前者。
由此引出交流中出现频率最高的另一个词：克制。它至少包含四层意思：
- 不把利润最大化当作每一次定价的出发点，只获取足以维持长期研发的合理回报；
- 不因为已经有了 C 端用户，就立刻转向流量、广告、电商或超级 App；
- 不把产业链上下游都纳入自己的边界，给合作伙伴保留应用和商业化空间；
- 不把开源视为获客手段，而把它作为公司愿景和长期技术路线的一部分。
这并不是说商业无关紧要。梁文锋也明确承认，公司不是研究机构，最终必须依靠收入活下去；API、To B 和 C 端业务都要做好。区别在于，商业化首先承担的是维持研发和组织运转的任务，而不是反过来决定研究方向。
这套逻辑可以概括为：公司要赚钱，但不需要在每一个阶段、每一个环节赚最多的钱。
二、为什么他认为开源和商业化可以共存
传统软件的复制成本很低，一旦核心代码开源，授权收入往往会直接承压。但在梁文锋看来，大模型并不完全遵循这套逻辑。模型权重只是整个系统的一部分，把同一模型稳定、低成本地部署成服务，仍然需要大量工程优化、基础设施和组织能力。
交流中，他表示开源模型与自营服务会保持一致，不打算通过“开源较弱版本、自己保留更强版本”来制造差异。其商业判断是：只要 API 定价维持合理利润，并把推理成本做得足够低，第三方即使拿到模型，也未必能以同样成本提供同等质量的服务。
因此，开源在这里同时承担三种角色：
- 人才与组织机制。清晰的开放立场可以凝聚愿意做长期技术的人，也让内部成员感到工作成果真正被社会使用。
- 产业协作方式。基础模型团队不可能独自完成所有行业应用，开源让更多伙伴能够把模型带进生产环境。
- 商业竞争策略。开放权重降低了模型被垄断的可能，却不自动抹平训练效率、部署成本、产品体验和迭代时间的差距。
他并不担心合作伙伴或竞争者部署 DeepSeek，甚至愿意帮助对方复现；真正担心的是部署错误导致效果下降，或生态没有建立起来。
这也解释了为什么他把 C 端和 B 端称为 AGI 路上的“副产品”。模型研发原本就要经过一个个能力台阶，已经形成的阶段性能力可以顺手提供给用户，并产生现金流；团队不必为了某个商业场景重新定义公司的技术目标。
这种做法当然存在张力。开源是否持续、定价中的“合理利润”如何定义、收入规模能否覆盖越来越昂贵的前沿研究，都需要在现实经营中反复验证。文字稿给出的更多是一套原则，而不是完整财务模型。
三、从语言模型到具身智能：持续学习为什么是关键台阶
全文最重要的技术判断，是把持续学习放在 Agent 之后、具身智能之前。
梁文锋认为，今天的模型有一个常被忽略的前提：只要问题描述清楚，并获得完整上下文，它在许多局部任务中已经可以超过人类。但现实组织不可能每次都把全部背景重新写进提示词。一个新员工工作两个月后，会自然知道“小王”是谁、团队如何协作、哪些惯例没有写进制度；当前模型却没有同等稳定的长期学习过程。
因此，能力演进不是简单地把上下文窗口做得更长，而是一系列彼此依赖的台阶：
- 语言模型提供基本的知识表达和生成能力；
- 思维链（CoT）让模型能够在一次任务内部展开推理；
- Agent让模型调用工具、分解步骤并完成更长的任务；
- 持续学习让模型在长期环境中积累经验、更新自身，而不是每次从近似静态的状态重新开始；
- 自我迭代让 AI 参与下一代 AI 的研究和开发，使进步从线性变成非线性；
- 具身智能再把已经成熟的智能带入现实世界，处理家务、照护和其他具体人力需求。
这是一条带有鲜明工程偏好的路线：先解决能够放大研发效率的问题，再让前一阶段的 AI 帮助完成后一阶段，从而减少数据和人力密集的工作。
他也明确承认，持续学习目前还没有公认、成熟的方法。它不是一个可以按计划交付的单项功能，而是一组仍在探索中的算法与工程问题。公司可以让很多研究者低成本尝试想法，却不能保证谁、在什么时候“摸到”真正有效的方法。
由此看，“下一代模型”的分界线也不应只是版本号、参数量或榜单分数。在这套叙事里，成本更低、速度更快、效果更好仍然只是连续改进；只有获得有效的持续学习能力，才算跨上新的技术台阶。
四、哪些是主线，哪些只是组件
交流中另一个反复出现的区分，是提高智能上限的主线与改善产品能力的组件。
多模态、搜索都被归入组件：它们对产品很重要，也会做，但不是当前研究主线本身。视频生成被视为可能成立的商业方向，却未必直接提高通用智能上限；“世界模型”概念过于宽泛，在现阶段也没有被放在持续学习之前。
这并不是否定多模态或具身智能，而是研究顺序的选择：先把训练和学习机制做好，再让已有智能进入更多模态和现实环境。梁文锋认为，如果顺序反过来，团队会过早承担大量工程和数据工作，研发会变得更重。
他仍然相信 Scaling。按照文字稿中的表述，团队尚未在自己的资源尺度上看到模型规模和数据规模的明确上限；限制继续扩展的首先是算力，而不是已经证明 Scaling 失效。模型规模也不是由“够不够聪明”倒推出来的，而是由现有资源能负担多大规模决定的。
关于其他常见问题，交流中还给出了几个较简洁的判断：
- 幻觉可以通过更好的后训练继续改善，但目前更接近产品问题，不是技术主线的最高优先级；
- 数据的作用接近模型的一半，高质量标注既昂贵又需要时间，不能只靠一次增加资本投入解决；
- 让新模型首先帮助 DeepSeek 自己开发下一代模型，比单纯追求外部评测更接近 AGI 目标；
- 当前更值得优先做的是通用 Agent，尤其是 Coding Agent，而不是立即铺开金融、法律、医疗等所有垂直产品。
这些判断都应当理解为团队的路线选择，而不是行业共识。尤其是持续学习、世界模型、具身智能之间的先后关系，仍是全球研究者争论最激烈的问题之一。
五、“没有组织”的背后，其实是一套双轨组织
梁文锋说公司“没有组织”“没有 KPI”，但全文给出的实际情况并不是完全自由放任，而是一种双轨结构。
第一条轨道是自上而下的正式协作。当公司要训练或发布一个大版本时，必须统一目标、明确分工，由不同成员完成系统中的一部分。
第二条轨道是自下而上的自主研究。研究人员保留相当一部分不被安排的时间，可以根据自己的判断探索问题；如果所需资源很少，甚至不必经过复杂协调。
他给出的理想边界是，正式任务不要占满研究人员的时间，最好只占一部分，其余时间留给自由探索。较少加班也不只是福利政策，而是两种选择的结果：研究需要松弛环境，公司足够聚焦，需要同时推进的事情就比较少。
决策方式同样强调共识。梁文锋把自己的内部权威描述为共识的结果，而不是可以绕过共识直接推动任何事情的职位权力。愿景的作用，是让聪明人愿意长期合作，而不只是把人才招进同一栋楼。
在这套组织观里，唯一不能轻易让步的核心利益是团队稳定。资金、算力和其他资源都可以继续获取，某次技术挫折也只会让进度延后；如果核心团队能够保持稳定，失败后还可以继续尝试。反过来，一旦组织失去共同目标，即使资源充足也未必能把研究做成。
不过，梁文锋也承认这种结构会遇到规模边界。随着人员增加，一些需要稳定交付和跨团队协调的部门必须建立更严谨的层级，另一些研究部门则继续保持扁平。未来的组织不太可能简单复制早期几十人的状态，而会变成不同管理方式并存。
六、中美差距：先是算力差距，然后扩散为其他差距
对于中国与美国前沿 AI 的差距，梁文锋给出了一个非常集中的解释：主要瓶颈是资源。
人才并非天然缺失，但算力少意味着研究者能够做的实验更少，能承受的模型规模更小，人才培养和工程经验也会随之落后。因此，最终看到的人才差距、模型差距和应用差距，很多都是算力资源差距向下游传导的结果。
在全面算力仍有数量级差距时，他不认为中国团队可以在所有方向上同时超过美国。更现实的策略是：
- 接受模型规模更小或时间暂时落后；
- 用更高的训练与推理效率减少单位能力所需算力；
- 在少数重点方向集中资源，争取局部领先；
- 等待国产硬件生态和产能逐步成熟，再扩大可研究的模型尺度。
这也是 DeepSeek 为什么格外重视成本。低成本不仅让用户更容易使用，也让团队在相同算力下训练更大的模型、做更多实验。对资源有限的团队而言，效率不是商业包装，而是研究能力的一部分。
七、国产芯片的机会：生态问题可能先解决，产能问题更慢
文字稿对国产 AI 芯片的判断总体乐观，但把问题拆成了两层。
第一层是软件生态。过去国产卡难用，往往不只因为硬件性能，还因为 CUDA 已经积累了庞大的算子、工具链和开发习惯。梁文锋认为，AI 辅助编程和 TileLang 一类更高层的编程工具，使重建算子和迁移生态的成本显著下降。团队已经在尝试弱化对 CUDA 生态的依赖，再把同一套方法迁移到其他硬件。
第二层是硬件产能与代际差距。即使软件适配完成，能够获得多少先进芯片、以什么成本形成大规模稳定集群，仍然需要更长时间解决。生态建立可以靠集中工程投入加速，晶圆、封装、内存、互联和整机产能却不能同样快地复制。
因此，更准确的结论不是“国产卡已经不存在问题”，而是：生态障碍正在变得更可解，产能可能成为更长期、更硬的约束。
交流中还表达了一个不愿轻易纵向整合的态度。DeepSeek 会自建集群，但是否自研芯片要看收益；如果能以合理价格买到合适硬件，就没有必要为了“全栈”而造芯片。基础模型、芯片、行业应用和终端产品都可能诞生大型公司，不需要由同一家公司全部完成。
八、大模型终局：成本、时间与体验
梁文锋认为，当基础能力逐渐收敛后，模型公司的长期差距主要会落在三件事上：
- 成本：以多低的训练和推理成本提供同等质量服务；
- 时间：同一代能力能提前多久做出来、迭代有多快；
- 体验：产品细节、响应速度和用户习惯形成的有限壁垒。
其中前两项更加本质。只比较模型效果而忽略成本，就像拿不同价位的汽车直接比较；只有在相近服务成本下，能力对比才具有商业意义。
这也决定了他对行业结构的判断。当前中国做基础模型的团队很多，资金和算力分散在重复工作上；随着利润率回到合理区间，市场会逐步收敛到少数几家。基础模型公司不会拿走 AI 产业的大部分利润，更多价值会由使用模型解决具体问题的企业分享。
中国公司的结构性机会，可能首先出现在成本和产品：通过工程与供应链把能力做得更便宜，再依靠成熟的互联网产品经验改善用户体验。在全球分工中，中国 AI 未必需要复制美国公司的全部路线，也可能扮演高效率、大规模供给者。
九、如何读这份文字稿：观点比数字更重要
这份材料信息量很大，却不适合当作一份精确的公司公告来读。
首先，原稿是录音转写后的 AI 整理版，存在明显断句、同音词和英文缩写识别问题，个别问答也有缺句。其次，交流中的模型进度、硬件判断和行业预测具有很强时点性，今天的主观判断不等于未来承诺。再次，主持人在现场明确提醒不要传播部分具体数字，因此这些内容不应因为出现在转写 PDF 中就被当成可公开披露的信息。
真正值得保留的是一套相互咬合的逻辑：
- 战略上克制，不急于吃下所有短期商业机会；
- 技术上激进，继续相信 Scaling，并把持续学习当作下一个关键突破；
- 组织上松弛，用愿景、共识和自由研究时间维持长期创造力；
- 工程上务实，承认算力差距，通过成本效率和国产生态寻找可行路径；
- 商业上留有底线，公司必须能活下去，但收入服务于长期目标，而不是替代长期目标。
这套路线能否一直成立，最终要看几个尚未解决的问题：持续学习能否真正突破；开放权重与低价服务能否长期覆盖前沿研发成本；团队扩大后，共识驱动是否还能保持效率；国产算力的产能能否赶上模型规模增长。
交流会没有给出这些问题的答案。它更像是在说明，DeepSeek 选择用什么次序寻找答案。
十、如果只记住三句话
技术上：当前模型不只缺更长的上下文，更缺在真实环境中长期积累经验的能力；持续学习是这套 AGI 路线的下一道门。
组织上：核心团队的稳定比某一块短期市场更重要，愿景的作用是让人才愿意一起穿过失败和波动。
战略上：克制不是放弃商业，而是决定哪些钱现在赚、哪些能力自己做、哪些机会留给生态，以此换取更长的技术时间。
评论