Contents
DeepSeek 首轮融资：梁文锋投资人会议实录与解读
阅读说明：与本站既有分析（Kimi K3 与开放权重升级、《对华为半导体首席科学家廖恒的 5 小时访谈》核查）互补：本文是中国实验室的战略与融资侧；前者是其能力扩散的外部评估；后者覆盖同一产业链的算力与工程侧。
核心结论
这份材料最适合被理解为：梁文锋在DeepSeek完成首轮外部融资后，对投资人系统阐释公司“目标函数”的战略说明书。
它的核心并不是预测某个模型何时发布，也不是单纯宣传国产芯片，而是在回答三个问题：
- DeepSeek为什么不按传统互联网公司方式经营；
- DeepSeek认为AGI下一阶段真正的技术瓶颈是什么；
- DeepSeek接受资本后，如何避免被资本改变方向。
我的综合判断是：
- 会议及主要观点真实性：中高可信；
- 文字逐字准确性：中等可信；
- 融资规模及主要投资方：基本获得外部证据支持；
- 芯片、CUDA、AGI时间表等技术判断：不能直接视为已验证事实；
- 最值得重视的内容：持续学习、Coding Agent、成本优势、团队稳定和开源战略；
- 最应谨慎的内容：持续学习解决后“AGI就很容易”、国产生态“完全没问题”、华为系统“完全平替”英伟达等绝对化表述。
一、材料的可信度判断
这份文字自称由腾讯科技获得并整理，共118条，按11个主题重新分类，“尽可能保留原意，仅略作编辑”。但目前没有公开完整录音、视频、问题清单、原始时间顺序或DeepSeek官方确认，因此它不是严格意义上的官方逐字稿。
不过，它并不像普通网传伪造材料，原因有三点。
第一，融资背景基本得到外部证据支持。路透社根据上市公司披露测算，相关基金以29亿元获得DeepSeek约0.8265%的间接权益，对应交易隐含估值约3508.8亿元；相关投资在2026年6月已完成。路透社也曾报道DeepSeek计划募集约500亿元，投资方包括腾讯、宁德时代等。(Reuters)
第二，材料中的主要思想与梁文锋2024年的公开访谈高度一致，例如：
- AGI优先于应用和短期商业化；
- 不追求暴利，按照成本合理定价；
- 开源不会摧毁真正的技术护城河；
- 护城河是持续创新的团队和组织；
- 中国AI真正需要的是原创，而不只是应用层跟随。
这些不是此次会议才突然出现的新叙事。(36Kr)
第三，部分新技术内容与DeepSeek后续公开行动一致。DeepSeek官网已将V4 Preview定位为强化Agent能力的模型；公开报道也显示V4强化了Agentic Coding，并针对华为昇腾基础设施进行了适配。(DeepSeek)
但仍有一个明显的数据问题：材料称“投前估值约3675亿元”，如果再加500亿元融资，投后估值约4175亿元；而上市公司披露所隐含的交易估值约3509亿元。由于不同投资工具、权益口径和股东权利可能不同，两者不能简单断言冲突，但至少说明3675亿元这个数字不宜当作已经审计确认的统一估值。(Reuters)
因此，合理评级是：
| 维度 | 判断 |
|---|---|
| 会议存在及主要观点 | 中高可信 |
| 文字逐句准确性 | 中等可信 |
| 融资方向与主要参与者 | 较高可信 |
| 精确估值与出资金额 | 尚需正式披露 |
| 技术路线 | 代表DeepSeek战略判断 |
| 性能和产业预测 | 需要独立验证 |
二、全文真正的“总纲”：最大化做成AGI的概率
表面上，梁文锋反复谈“善意”“克制”“不赚最多的钱”，容易被理解为理想主义。
但从战略角度看，它并不是简单的道德表达，而是一个非常明确的目标函数：
DeepSeek要最大化的不是当前利润、用户数量或市场份额，而是最终参与并做成AGI的概率。
因此，很多看似反商业的行为，实际上都有商业和竞争逻辑：
- 不做大量垂直应用，是为了减少组织复杂度；
- 不追求超级App，是为了避免与腾讯、字节、阿里全面竞争；
- 低价API，是为了建立开发者生态和使用规模；
- 开源，是为了获得技术声誉、人才吸引力和外部生态；
- 不做视频生成、3D等热门方向，是为了集中研发资源；
- 融资不是改变目标，而是解决算力和人才稳定问题。
这形成了一个战略飞轮：
聚焦AGI主线 → 减少非核心业务 → 研究人员拥有更多自主空间 → 提高人才吸引力和稳定性 → 产生架构及工程创新 → 降低训练和推理成本 → 通过开源和低价扩大生态 → 进一步吸引人才、资本和合作伙伴。
这套逻辑在DeepSeek仍是小型高密度研究组织时非常有效。其风险在于：随着融资、产品、API、基础设施和可能的资本市场安排扩大，原来的“愿景代替管理”模式未必能够继续扩展。
材料本身也承认这一点：前面说“没有组织、没有KPI”，后面又说人员增加后，很多部门必须建立组织架构。
三、AGI路线图：最重要的是“持续学习”，但结论被说得过满
梁文锋提出的路线是：
语言模型 → 思维链 → Agent → 持续学习 → AI自我迭代 → 具身智能。
这套路线有很强的内部逻辑。
语言模型提供知识和基础生成能力； 思维链提高复杂推理能力； Agent让模型能够调用工具、分解任务和跨时间执行； 持续学习让Agent从过去经验中积累组织和环境知识； 自我迭代意味着AI开始帮助开发下一代AI； 具身智能最终把智能能力扩展到现实世界。
其中最有价值的判断是：
当前Agent的主要短板，不只是上下文不够长，而是不能安全、稳定地把长期经验转化为后续能力。
这是一个相当准确的问题定义。现有研究表明，无论通过参数更新还是外部记忆实现持续学习，都面临稳定性—可塑性矛盾、灾难性遗忘、检索竞争、错误积累和负迁移。外部记忆没有消灭持续学习问题，只是把问题从“参数如何更新”转移成“写入什么、如何组织、何时检索和何时遗忘”。(arXiv)
但是，“解决持续学习之后，就能够替代天下的人”“通用智能就很容易”属于战略信念，不是当前科学结论。
持续学习只是必要能力之一，仍需同时解决：
- 长周期规划的可靠性；
- 错误识别和自我纠正；
- 因果理解和环境建模；
- 工具调用及权限控制；
- 不确定性校准；
- 目标稳定和价值对齐；
- 新知识与旧知识冲突；
- 对恶意输入和错误经验的抵抗。
更准确的说法应当是：
持续学习可能是从“通用工具型模型”走向“长期自主Agent”的关键门槛，但不是AGI的充分条件。
四、为什么首先做Coding Agent
材料认为现阶段应优先发展通用Agent和Coding Agent，而不是金融、医疗等垂直Agent。
背后的技术逻辑不是“程序员市场最大”，而是代码环境具有四个优势：
- 反馈相对客观：代码能否编译、测试是否通过，可以自动判断；
- 行动闭环完整：读取代码、修改、运行、诊断、再次修改；
- 训练数据丰富：代码、提交记录、错误日志和测试用例天然结构化；
- 能够反哺AI研发：Coding Agent可以直接帮助研究团队构建训练、评估和基础设施。
所以DeepSeek不是把Coding Agent仅视为一项产品，而是视为实现：
AI帮助开发AI
的第一条现实路径。
这也解释了为什么梁文锋反复强调“模型首先要对DeepSeek自己有用”。如果模型能够提高内部研究、数据处理、实验编排、内核优化和评估效率，其价值不只体现在API收入，而会反映在下一代模型的研发速度上。
但这里也有风险：代码拥有自动测试，并不意味着研发假设、数据质量、模型安全和架构创新都能自动验证。AI可以加速实验，也可能加速错误假设、基准过拟合和技术债务。
五、持续学习对你的多智能体研究尤其重要
对你的CT-1多智能体污染传播研究，这份材料最关键的不是“AGI什么时候实现”，而是它实际上确认了一个趋势：
下一代Agent会从静态推理系统，转向拥有可写入、可积累、可跨会话传播经验的动态系统。
一旦持续学习依赖长期记忆，系统就会新增三个攻击面：
- 写入面：攻击者诱导Agent把错误或恶意内容写入长期记忆；
- 检索面：污染记忆在特定任务中被高频召回；
- 传播面：污染内容通过Agent通信、共享记忆或任务交接传播到其他Agent。
研究已经指出，记忆型Agent的持续学习瓶颈会转移到记忆表示和检索设计；受限记忆还会导致新旧经验竞争、负迁移和遗忘。(arXiv)
因此，持续学习系统不能只有“记忆能力”，还必须具备：
- 来源和写入者溯源；
- 记忆可信度及隔离区；
- 写入前验证；
- 跨Agent传播边界；
- 冲突检测；
- 生命周期和自动过期；
- 回滚与删除；
- 被污染后的爆炸半径测量。
换言之，这份会议材料在战略层面强化了你的研究前提：未来 Agent 风险的核心会逐渐从单次 Prompt 攻击，转向长期记忆和跨 Agent 传播控制。但会议本身不是该结论的实验证据。
六、“团队稳定是唯一核心利益”的真实含义
梁文锋反复说钱和资源都可以获得，唯一不能退让的是核心团队稳定。
这与其开源战略是一体两面：
- 如果代码、论文和模型权重可以公开，静态知识本身很难成为永久护城河；
- 真正不能复制的是产生下一次创新的组织；
- 因此，公司价值不主要储存在某个模型版本，而储存在团队的协作方式、技术直觉和隐性经验中。
这与他2024年所说的“把价值沉淀在团队上”高度一致。(36Kr)
融资的第一作用因此可能不是商业扩张，而是：
- 用期权和流动性稳定关键人员；
- 降低美国实验室及国内大厂挖人的风险；
- 为更大规模训练提供资本；
- 在不失去创始人控制权的情况下引入产业资源。
但“愿景驱动、没有KPI、寻求共识”存在明显扩展风险：
- 决策可能过度依赖创始人的技术判断；
- “共识”可能掩盖非正式权力结构；
- 非研究部门不能完全依靠研究文化管理；
- 在安全、合规、财务和大型基础设施领域，必须有明确责任人和控制流程；
- 人员从几十人扩大到数百人后，自由探索的边际效率会下降。
所以DeepSeek未来真正的组织挑战不是“是否官僚化”，而是：
如何建立必要的管理和控制，同时不摧毁原有的研究自主性。
七、开源不是公益，而是一种非对称竞争战略
梁文锋的开源逻辑可以归纳为：
开源降低了模型本身的排他性，但提高了DeepSeek在人才、生态、标准和行业影响力上的竞争力。
这是因为模型权重并不等于完整生产能力。真正部署大型模型还需要：
- 高性能推理框架；
- 集群调度；
- 量化和内核优化；
- 服务稳定性；
- 并发管理；
- 安全控制；
- 模型更新和运营能力。
因此，即使权重开放，大部分企业仍可能购买官方API或专业托管服务。
但“开源对收入完全没有影响”说得过于绝对。开源会产生两个直接影响：
- 云厂商和第三方可以自行部署并压低API价格；
- 企业可以用开源权重进行微调，降低对官方服务的依赖。
DeepSeek能够接受这一点，是因为它押注自己的迭代速度和成本优势始终领先。
还需要区分：
- 相同模型权重；
- 相同在线服务系统。
即便官方开放的模型权重和自身使用的权重相同，在线服务仍可能有不同的系统提示、路由、工具、检索、安全过滤、量化方式和推理预算。因此，“开源模型与官方服务完全一样”只能理解为核心checkpoint相同，不能理解为最终产品行为完全一致。
八、成本才是DeepSeek最现实的护城河
梁文锋认为模型竞争最终主要比较三个变量：
成本、时间、用户体验。
其中成本排第一。
这是DeepSeek整个商业模型中最现实的部分。DeepSeek-V3公开技术报告显示，其训练使用2048张NVIDIA H800，完整预训练消耗约278.8万H800 GPU小时；其核心创新包括MLA、MoE、FP8训练和通信优化，本质上都是在有限算力下提升有效计算产出。(arXiv)
低成本有两重作用：
- 商业层面：能够低价销售API；
- 研发层面：在相同算力预算下训练更大的模型、做更多实验。
因此，DeepSeek的成本优势不是单纯“薄利多销”，而是：
更高计算效率 → 更强模型 → 更多使用 → 更多资源 → 再投入计算效率。
不过，“设备十个月收回成本”只是简化的设备回收模型，不等于完整公司盈利模型。真正的API成本还包括：
- 电力与冷却；
- 网络及存储；
- 机房和基础设施；
- 冗余及空闲算力；
- 研发和数据成本；
- 运维、安全及客户支持；
- 模型训练和更新；
- 折旧及融资成本。
所以这句话更可能表示DeepSeek的推理设备目标回收期，而不是公司全部资本投入的回报周期。
九、CUDA和国产芯片部分需要重点降温
这是全文中最容易被市场过度解读的部分。
材料称：
- CUDA护城河正在快速瓦解；
- DeepSeek-V3虽然使用英伟达芯片，但“几乎不依赖英伟达生态”；
- 华为950超节点能够完全平替GB200、GB300；
- 四张华为卡约等于一张英伟达卡。
其中既有正确方向，也有明显的口径问题。
1. CUDA护城河确实可能被削弱，但还没有被消灭
AI编译器、Triton、TileLang、自定义内核和模型—硬件协同设计，会逐步降低开发者直接编写CUDA代码的需要。
但DeepSeek公开的TileKernels项目目前仍明确要求：
- NVIDIA SM90或SM100 GPU；
- CUDA Toolkit 13.1或以上；
- PyTorch及TileLang。
这意味着TileLang能够降低对CUDA编程接口和手写内核的依赖，但当前实现并没有脱离NVIDIA硬件和CUDA工具链。(GitHub)
所以“几乎不依赖英伟达生态”比较合理的解释是：
DeepSeek正在把关键软件能力上移到自有编译器、内核和模型架构层，以提高跨硬件迁移能力。
不能解释为V3训练已经完全摆脱CUDA和NVIDIA基础设施。
2. 华为“平替”是系统级而不是单芯片级
华为的路线并不是要求单张国产芯片立即达到NVIDIA最高端芯片性能，而是通过SuperPoD高速互连和大规模集群，用更多芯片弥补单芯片差距。华为公布的Atlas 950 SuperPoD最高可连接8192张昇腾芯片，属于系统架构竞争。(Reuters)
因此，“四张华为卡顶一张英伟达卡”和“超节点平替GB200/GB300”必须明确比较口径：
- 是训练还是推理；
- 是FP8、FP4还是其他精度；
- 是单芯片还是整个集群；
- 是理论峰值还是有效吞吐；
- 是否包含电力、机柜、网络和软件迁移成本；
- 比较的是购买价格还是总拥有成本。
缺乏这些条件，数字本身没有严格投资分析价值。
3. 国产生态的主要问题不只是产能
产能确实是重要约束，但实际部署还涉及算子覆盖、编译稳定性、并行通信、调试工具、性能可观测性、框架兼容和工程人才。近期关于昇腾部署的实证研究仍报告了算子支持、数值稳定、并行扩展和工具链成熟度等问题。(arXiv)
因此，材料中的“唯一问题是产能”更像是战略鼓励或对未来的判断，而不是对当前工程状态的完整描述。
十、谁会真正吃到AI红利
按照这份会议的逻辑，价值不会平均分布。
第一层：算力、能源和数据中心
如果DeepSeek对Scaling的判断正确，算力仍将持续增加。芯片、互连、存储、电力、冷却和数据中心是最直接的资本开支受益方。
但国产芯片的机会主要来自：
- 外部限制迫使客户迁移；
- 国内模型主动适配；
- 编译层降低迁移成本；
- 大规模系统弥补单芯片性能不足。
这不等于英伟达全球护城河突然消失，而是意味着其在中国市场的生态控制力可能逐步下降。
第二层：基础模型公司
基础模型需求会很大，但利润率未必很高，因为：
- 模型趋于开放；
- 技术传播速度快；
- API价格持续下降；
- 用户切换模型的成本可能降低；
- 竞争最终落在成本和迭代速度。
DeepSeek可能成为大型平台，但未必形成传统软件那样的高毛利垄断。
第三层：拥有工作流、数据和分发的应用公司
如果模型逐渐成为低成本基础设施，最持久的应用层价值可能来自：
- 客户关系；
- 专有数据；
- 行业流程；
- 权限和系统集成；
- 合规能力；
- 人机责任分配；
- 嵌入现有工作方式的分发渠道。
这也是为什么腾讯、京东、网易等产业投资者具有战略意义：DeepSeek提供模型层，它们拥有用户、云、应用和业务场景。融资规模和主要投资方目前已有媒体及企业披露的部分交叉验证。(Reuters)
十一、全文最重要的三个矛盾
矛盾一：不做超级App，但要做通用Agent
一个真正通用、长期学习、能够调用各种工具的Agent，本身很可能演变为AI时代的操作入口，最终具备“超级App”特征。
所以DeepSeek未来需要决定：它只提供Agent模型，还是控制Agent的用户入口和执行环境。
矛盾二：不要商业利益最大化，但融资超过500亿元
这并不一定是价值观冲突。更准确的解释是：
- 不最大化短期利润；
- 但需要最大化长期AGI成功概率；
- 算力和人才已使外部资本成为必要条件。
真正需要观察的是投资者是否接受长期低价、开源和高研发支出，而不是会议上是否口头支持。
矛盾三：愿景驱动、没有组织，但要经营巨型基础设施公司
研究团队可以依靠高度信任和共识运行，但数据中心、财务、安全、产品和大规模客户服务不能只靠愿景。
融资之后，DeepSeek必须从“研究实验室”升级为“研究机构＋基础设施平台”，这是其未来两年的核心执行风险。
最终判断
这份材料不能被当作一份精确的技术预测或投资说明书，更适合视为：
DeepSeek从自筹资金研究组织进入大规模资本化阶段时，对外解释其战略连续性的一份宣言。
其中最可信、最有价值的判断是：
- 基础模型竞争将越来越关注单位成本；
- Coding Agent是AI自我加速的现实入口；
- 持续学习是长期Agent的重要瓶颈；
- 开源模型的护城河不在静态权重，而在组织和迭代速度；
- 中国AI的核心约束之一仍是算力；
- 团队稳定是DeepSeek最重要的无形资产。
最需要保留怀疑的判断是：
- 持续学习解决后AGI自然出现；
- 所有中美差距都来自算力；
- 国产AI芯片生态已不存在实质问题；
- CUDA护城河正在迅速消失；
- 华为系统可以无条件平替GB200/GB300；
- 开源完全不会影响收入；
- 基础模型竞争只剩成本和时间。
一句话概括：
梁文锋的战略不是“少赚钱”，而是用低利润、开源、组织文化和成本创新，换取更高的长期AGI成功概率；其最大优势是目标高度一致，最大风险也是过度依赖这一单一技术信念。
附录 · 梁文锋四小时投资人会议实录：4小时、118个回答，谁将吃到AI红利？
来源：腾讯科技 · 11:07 整理：顾翎羽 编辑：徐青阳、苏扬 相关标的：NVDA
+2.30%｜GOOGL-1.46%
DeepSeek 近日完成成立以来的首轮外部融资。本轮募资总额超 500 亿元人民币（约合 74 亿美元），投前估值约 3675 亿元（约 543 亿美元）。在投资方阵容中：
- DeepSeek 创始人梁文锋个人出资 200 亿元
- 腾讯出资 100 亿元
- 宁德时代（03750.HK）出资 50 亿元
- 网易（NTES.US）、京东（JD.US）、IDG 资本分别出资 30 亿元
- 国家人工智能产业投资基金出资 10 亿元
在此之前，梁文锋曾提出“不融资、不上市、不商业化”的原则。此次大规模融资标志着 DeepSeek 正式走向资本市场，也引发了业界对其商业化路径与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。
以下为腾讯科技获得的近 4 小时交流会中梁文锋发言实录整理，按主题分类，共计 118 条，文本尽可能保留原意，仅略作编辑。
01 · 愿景与克制
- 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。
- 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。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。
- 管理一个大公司，靠的不是你的规章制度，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。
- 我们是没有组织的，就是愿景驱动的，靠一个愿景来组织。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。
- 这个愿景甚至也不是成文的，并不是写出来的，没有写出来过任何东西。这个愿景是在我们做事情的方法、我们对待这个世界的态度里。
- 我们并没有非常多的其他优势，我们没有什么本事，我们并没有比别人有钱，也没有说我们人员比其他公司更好，其实没有的。我们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。
- 你越克制，可能就越容易做成，或者说至少到目前为止是印证的，到目前为止是能解释得通的。否则没有办法能够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，我们的人其实也就是随机的一群平凡的人。
- AI这个事情太大了，利益太大了。我们非常克制，只要能够做成，最后利益都会非常大。你随便分一点，利益就非常大，所以现在根本不用考虑拿这里面的哪一部分利益、怎么拿，我觉得根本不用考虑这件事情，因为这个利益足够大了。
- 我们去年春节用户突然很多，但是我们并没有去追求我要留这些用户，或者说拿这些用户来变现，或者说我要去抢这些商业利益，在用户上面兑现。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。
- 我们并不会有这样的想法，说我要做成下一个超级App，然后我要去跟谁竞争，我要做成下一个字节、做成下一个腾讯，完全没有这样的想法。我觉得后面的AGI机会应该是非常大的，后面的AGI机会永远是非常大的。
- 克制是一种战略。就在于有时候你可以舍弃一些，来换更多其他的东西。不开源这个事，其实也是一样的，也可以认为是我们的压力，也可以认为是我们的让利。
- 这种克制，我理解是这种克制从长远上来讲，能够增加我们做成AGI的概率。在考虑一件事的时候，我是毫不怀疑AGI会有非常大的商业价值。那么在这个基础上，我优先考虑的不是我怎么多加一点份额，我怎么多拿一些份额，我优先考虑的是我怎么增加我能够做成的概率。
- 我们一直非常克制，不愿意跟任何一家互联网大厂或者小厂成为对手。我希望我能够给他赋能，或者希望我能够协助大家去做这个事情，希望能够帮助大家做这个事情。
- 我觉得我们之前秉持这种态度，其实我们并没有因此而少拿到任何东西，并没有因为我开源，并没有因为我们的善意或者说我对其他人提供帮助，而导致我们少拿了任何东西。反而可能还有加分。这个看起来违反直觉，但它确实是这样的。
- 我们是以AGI为目标，但是我们一直在做商业化，所以我们才有C端的用户，才有B端的收入。从历史经验来看，这个策略是成功的。
02 · AGI 路线图
- 如果说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。但这里有个定义，有个前提是：你给它完整的上下文，给它完整的指令。
- AI并不能够替代你的员工。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，那么就可以替代天下的人了，所以我们离下一步还差一个持续学习。
- AI的发展，我们可以理解成它是一个阶梯。去年走的阶梯是思维链。因为我们发现，通过思维链的方式，可以让智能达到一个更高的水平。
- 今年的阶梯就是Agent，因为我们发现，用Agent的方式，即便多些事情也可以做，它的能力范围会更大，它的智能上限会更高。Agent要用到CoT，然后CoT也要用到前面的阶梯，前面的阶梯就是语言模型，所以它并没有一步是白走的。
- 在Agent之后，我们觉得应该要解决的问题是持续学习，就是怎么让模型可以持续地学习，而不是说你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。
- 持续学习之后，可能我们就会来到一个奇点。这个奇点就是，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。它就能够自己开发自己的版本，能够自己再研究，然后开发自己的下一个版本，开发更前的人工智能模型。
- 这个奇点，它并不是一个奇点，它也是一个渐进的过程。这个过程可能也是一个比较长的渐变，它不是个突变。但是习惯性地，我们都认为它可能是个奇点。
- 这是我们的推测，这是我们觉得这个时间表应该是：先解决学习去学习，然后再到那个智能的奇点，能自我迭代的奇点，然后才是具身智能。到具身智能之后，它就走进现实世界，可以给你做家务，可以给你养老。
- 如果说我们先解决持续学习，再解决那个自我迭代的奇点，再解决具身智能，这个路上就很轻松。因为到后面之后，你可以用前面的技术来帮助开发后面的技术。
- 我们只做AGI的主线。AI领域很广泛，有很多东西我们觉得它不在这个主线上面，比如说3D、视频生成，我觉得可能跟智能的主线没有太大的关系，我们不会去做。
- 视频生成一开始出来的时候就很火，好像这是必须要做的，如果你不做，你就不是一个AI公司一样。所以我就很奇怪，这个其实你只要仔细去想一下，它跟智能的路线图是没有什么关系的。
- 在商业上，它是个好生意，在商业上是个好生意。但是这跟智能没有什么关系。我们不会因为它是一个好商业而去做它，我们只会因为它是智能路线图上的东西，才会去做。
- 从我们的判断，世界模型和智能还不是现在这个阶段最重要的事情。最重要的才是AI训练，以及AI训练之后怎么解决持续学习。这是我们公司的判断，当然每个公司它的判断是不一样的。
- 我们现在比较相信一个叙事是，AI可以加速AI的研究。就是说，它不是线性的，因为你可以用AI来加速你自己的研究，所以它到后面可能是非线性的。
- 我觉得具身肯定还是要进入，最终具身。因为对一个正常人来讲，他的需求并不是电脑，对不对？因为正常的人，他吃喝玩乐、衣食住行，他不需要电脑。他需要的是，所以他还是需要具身智能来解决具体人力的需求。
- 我们希望AGI能做什么呢？它能帮我迭代下一版模型，能帮我迭代下一版模型一样。如果有了具身之后，我们希望它做的也是，让它来迭代下一版的具身，它来做下一版机器人。
- 下一代模型的核心能力，必须要有持续学习的能力，它才能叫下一代模型。在那之前，我们能做的就是成本，然后效果做得更好，速度做得更快。但是要有大突破，它应该是具备持续学习的。
- 现在的Agent的能力受限，是因为它不能持续学习，它不能有效地持续学习。如果说能够先把持续学习做完，那AI的能力是非常强的，它能够非常大地提升我们自己研究的效率。
- 持续学习先做出来，通用智能可能就很容易了，用它来做就很容易。所以我说这是一个我们比较希望看到的结果，我们比较省力，我们就轻松。否则现在你要去人工做通用智能，它是一个比较累、比较苦，是一个数据密集、人力密集的事情，性价比也不高。
03 · 团队与人才
- 我们前面的经历给我的启示是，AGI这个愿景是很强大的。这个人才优势不是说我的人比他更聪明，而是这些人才我怎么组织起来，怎么激励他，然后怎么合作。
- 你把聪明的人聚在一起，并不是说他自然而然就能够合作，自然而然就能够非常有激情地去奔一个目标、去完成的，所以你需要一个愿景。
- 我们最大的核心利益是要保持团队的稳定性。这是我们最大的核心利益，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，一定能做成AGI，就这么简单。
- 钱肯定不是问题，资源不是问题，其他要素都是容易获得的。对我们来讲，只有一个核心利益，只有一个没法退让的：我们必须要保持团队的稳定性。
- 这也是我们面临的一个非常大的挑战，或者说，我觉得是最大的风险。当然，这个风险随着我们近期的这一次融资，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，金额还是比较大的。
- 从团队稳定性来讲，只要最重要的一些员工、最老的员工能够稳定，那么其他人是不太会走的。其他人哪怕期权少一点、收入少一点，他也不会走。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。
- 其他都是时间问题，其他最多导致我们晚半年、晚一年，但是不会说做不出来。肯定是不缺钱，肯定是不缺资源，其实这些都是不缺的。
- 我们跟美国的差距主要在资源上面，然后人上面差距不是很大的。人上面几乎没有差距，因为就是同一批人，可能是中国人。中国人出去的时候，有一些人留在国内，有些人留在国外，有些人去国外，他并没有说是聪明的人去国外，没有的。
- 人才不是瓶颈，资源是最大的瓶颈。资源首先影响到人才培养，因为算力少，我们能做的实验机会比较少，所以我们的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。
- AI人才的短缺也是阶段性的，并且我们已经看到，大幅度被缓解了。因为AI人真的不缺，每个公司很快会把人培养出来，培养人是很快的。
- 国内现在做模型的公司有点太多了，还是太多了。美国可能就三家，中国做基模的东西太多了。最终一定是不需要那么多人去做基模的，一定会收敛。
- 我们公司的管理其实是两条线：一条线是从上到下，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。
- 一般我们希望员工还有一半的时间，是不被安排的，他想做什么就做什么。这是一个研究的范围，让他可以自己去探索，按照他觉得什么重要，他去探索什么，没有前置的要求。
- 我们一般也不太加班。加班有两个原因。第一个是，做研究是需要一个比较松弛的环境。你如果逼得很紧，就没法做研究。因为既然就是要你自己有这个兴趣，你自己平时要去想这些问题，所以得是在一个比较松弛的环境里，才有可能能够探索。
- 第二个是，我们非常聚焦。我们非常聚焦，就意味着我们要做的事情很少。那我就没那么多事情要做，我就不需要加班。这个跟前面的克制是一脉相承的。
- 我们公司整体上是建立在共识的基础上的，我并不是说我一个人决定所有事情，而是我要寻求共识。我在公司内的权威以及在公司内的影响力，是建立在共识的基础上的。
- 这个决策机制其实是一种寻求共识的机制，这并不是说我能够推动一个什么事情，它一定是共识，我才能够推得下去，然后我才会去推。
- 随着人员的增加，我们会做这个调整。应该是我们马上就得做这个调整，因为我已经在做这个调整。已经不做这个调整的话，很多事情是没法推进下去的。确实有很多部门，是应该有组织架构的。
04 · 算力与资源
- 我们需要多少卡？现在肯定是越多越好。在我们能够承受的范围内，肯定是卡越多越好，这是毫无疑问的。所以我们现在策略是，在合理的价格里面，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，而且价格也很高，也不能说花非常高的价格去买，还得确保这个价格是合理的。如果今年能够花掉两百亿，那么就属于我们的采购部门业绩超级好了。
- 我们跟美国之间最大的差距是在资源上面。算力资源一方面是国内本身卡就买不到，另外一方面是我们的资本投入比美国要少。我们在资本投入层面上少了很多，基于人才的工资在这里面占的比重是很低的。你看他们开的薪水一个亿美金这种，但算起来，人才的薪水还是占比很少，大头还是算力。
- 我们看到的所有区别，包括人才的区别、模型能力的区别、应用的区别，可以认为都是因为算力资源上的区别。
- 我们跟美国的差距可能是落后美国12个月，落后美国可能12到18个月，或者说6到12个月。反正简单说，就是落后美国两年，然后只用美国二十分之一的算力把这个事情做出来。
- 这个叙事就是落后一到两年，但是只用它二十分之一的算力。那么未来我们要把这个叙事改写，就是我们用它几分之一的算力，但是把这个时间缩得更短，缩到6个月、3个月，我觉得这是一个目标。
- Scaling，我们是信Scaling，肯定是规模越大，效果越好，能够解锁更多的功能。阻止我们Scaling的其实就是算力，并不是我们不想Scaling，是我们没有那么多的算力去做这个Scaling。
- 我们训练这么大的模型，并不是因为我觉得这么大的模型就够了，而是我刚好有这么多资源。我是按照我的资源来算，我能够接受、能够训练的模型是多大，是这样算出来的，并不是这个模型就够了。
- 硅谷在说Scaling到头的时候，那是对硅谷来说；对中国人来讲，我们离那个还很远，我们根本就没有Scaling到那个程度。这个Scaling包括数据的Scaling、模型规模的Scaling，然后训练成本。
05 · 国产芯片与生态
- 英伟达（NVDA.US）CUDA的护城河在快速地被瓦解。一方面是现在有了AI，然后有了AI之后，我要建立起这个生态比以前容易很多了，因为AI可以写代码。
- 现在计算卡的市场已经比游戏卡更大了，就没有理由这两个还需要耦合起来。现在的趋势是，以后就不再耦合了。那么专用芯片，不管是华为还是英伟达自己，以后都是专用芯片，都不是之前的这些东西了。
- 国产AI芯片替代现在是有个历史性机会的。我们认为，未来一年之内，我们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，认为是用不起来、不好用，但是未来我觉得一年之内，我们能够扭转这个认知，或者会用事实来扭转这些。
- 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。国产卡适配这一点，没有障碍，英伟达挡不住。如果是在一个正常的商业环境里面，我能买到英伟达的卡，那么国产替代是比较难的；但是在英伟达的卡买不到的情况下，所有人都迫不得已，都要去做国产芯片。
- V3训练的时候，它用的还是英伟达的卡，但是已经不用英伟达的生态了。V3用英伟达的卡，但是没有用英伟达的生态，而是我们先写一个高级编译器叫TileLang，然后基于TileLang的生态来完成其他所有的事情，就已经几乎不依赖英伟达的生态了。
- 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。华为的超节点，华为的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的卡。
- 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，但是在芯片上是四倍加两年。
- 我们现在主要是跟华为有合作。华为他们自己适配，但我们自己会参与这个生态，会深入参与到华为这个里面去。华为的问题还是产能不足。
- 我不太相信未来五年之后，我们还卡在产能的问题上。现在肯定是卡在产能问题上，今年、明年、后年，我觉得可能都还是卡在产能问题上，但五年之后，我觉得可能不一定，我还是比较乐观的。
06 · 竞争格局与行业判断
- 各家模型最终效果拉开差距，应该是一个综合上的。比较模型效果，肯定是得在相同的成本上来比较，这个才是有意义的。因为你比较两辆车，也是同价位的车来比较。
- Anthropic跟现在超过OpenAI，这是不是长期的？我觉得这不是长期的，这肯定是阶段性的。OpenAI和Google，未来大概率还是会交替上升。
- 在全球AI中主导分工的时候，中国公司很有可能扮演的一个角色还是产量最大。常理来讲，我们的产能最大，包括芯片，芯片可能我们的产能最大，我们的电力最多。
- 中国人会把这产品做到最便宜，然后再在效果上，毕竟国外的商品，现在很多商品中国产跟美国产并没有太大的区别。未来可能AI也是这样，但是中国产的AI可能价格会更便宜。这个便宜可能是系统性的低，就跟其他行业中国提供的服务更便宜可能是一样的。
- 最终的差距应该是三方面：一方面成本，一方面时间，一方面用户体验。除此以外，可能是没有什么差距的。
- 成本肯定是一个差异，我觉得可能成本是排在第一位的区别。然后第二个就是时间，你什么时候能够做到。你早几个月、晚几个月，它就不一样了。
- OpenAI从一开始觉得他真的能够垄断这个世界，但是实际上他会遇到很多很多挑战者。他会遇到挑战，他就不会那么轻松。美国会遇到挑战，那么他在未来可能还会遇到中国的挑战，因为中国人愿意拿得更少，就可以给你提供这个服务。
- 拿得多的人会被拿得少的人打败。甚至你还不用真的拿得多，愿景如果是拿得多的话，你就会被愿景是拿得少的人给打败。其实大家都没有拿到钱，只是一个愿景。你愿景是拿得多，你就先输了，你就会面临着更大的困难。
- 对我们来讲，我们并不是利润要拿最多的钱，或者说算收益最大化的定价，而是只赚一个合理的收益。这是一个解释。我是相信这个事的，我并不是去为这个事情找理由，因为没必要找理由。
- 我觉得在很多体验方面，有可能我们是能比美国做得好的。在产品方面，产品能力上不一定会比美国差。成本应该也会比美国低，所以中国还是会有竞争力的。
- 成本这个很好理解，是因为他们都不用做，所以他们就不发展这个能力。他们肯定没有我们重视这个事情。我们可以把它当做一个非常重要的事情，但对于他们来讲，这个是不重要的。
- 大模型可能不说两家大公司、两家小公司，可能就已经比较够了。差距只有两个东西：一个是时间，一个是成本。所以不至于哪一家有暴利，我觉得不至于有暴利。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，仅仅此而已。
07 · 模型研发与技术
- 我们公司可能有一半的人，平时有一半的人觉得OpenAI是更好的。其实Anthropic它有先发优势，但这先发优势应该很快就没了，并不是一个它能够长期占得住的优势。大家这三家都很厉害，这三家里面的效率是最高的，它花的成本、它花掉的、它烧掉的钱应该是最少的。
- 多模态布局，我们一直在做。对产品来讲，它很重要；对C端用户产品来讲，它很重要。但是对智能的上限，它是一个组件，它不是主线本身。
- 我们应该会上相关的模型，就是我们V4、V4的后续版本会支持原生的多模态。但是我们对多模态、对智能来讲，它是个组件，我们不把它当作智能本身。
- 只能说语言模型的Scaling，我现在没有看到有上限。我们现在的智力水平，或造成美国的智力水平，都没有看到上限。
- 我们内部很多人的想法是这样的：首先要对我们自己有用，首先是给我们自己用。然后这是实现AGI最快的方法。当我们自己好用，那意味着可能别人也好用，但是首先得保证我们自己好用。
- 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。首先是对我们自己有用。对我们自己有用之后，我在开发下一版模型的时候就会更快。
- 我们叫这个叫“摸奖”。门槛很低，谁都可以去摸，但是谁能摸出什么来，这个可能我也不知道是看天赋还是看什么。所以这里并不需要我们去分配资源。只是说，我们跟其他公司不一样的地方，就是我们会花时间去讨论这个问题，会去想这个问题，然后把它当做一个重要的事情。
08 · 商业化与定价
- 我们的API定价是一个合理的利润，大概是我们到市场上买一批设备回来，十个月收回成本，我觉得这是一个合理的利润。
- 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，就是我价格再翻一半，或者说我价格再抬高一倍，token的消耗量区别不大的。
- 我们的一个模型，一开始我们担心需求太多，所以一开始把价格定得比较高，团队里大家不是很高兴。后来我把价格又降下来了，降到四分之一，大家就很开心。
- To B业务的上限应该还是需求，在现在这一代AGI、AI技术的背景下，To B的需求应该是有限的。它会快速增长，但并不是一个无穷大的事情，最终还是受制于需求，不是算力。
- 我现在觉得应该是能够做到的，就都要。假如说我今年能够有几个亿美金的B端收入，再加上我们C端有用户，那么这本身就已经有一定的商业基础。以明年我们B端有收入，如果这个需求可以再增大的话，公司离净利润已经不远了，可能就已经是净利润了。
- 最坏情况卖API，可能都能够支撑一个上市公司。就如果说技术后面没有新的进步了，我们的技术就冻结在这里了，那么最后我们就全力卖API，把这些服务做好，我觉得也够的。
- 我们现在以目前的情况来看的话，我觉得最合理的做法应该是全力做通用的Agent，其他的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能够做到很多，还有很多垂直的Agent。现阶段我们觉得最重要的，应该还是Coding Agent。
- 我觉得低成本首先是一个结果。我们的模型确实一直在模型架构上往一个更低成本的方向走，这跟我们的愿景有关系。我们还有很多在算法上的方法，成本还可以往下走。
- 成本往下走还有一个原因是，成本越低，我就越能训练更大的模型，我就越能承担起更大的模型。在同样算力上，在算力有限的情况下，如果我的计算效率更高，我就能够承担起更大的模型。
09 · 开源策略
- 我觉得我们是会开源的，然后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好处，看不到必然的好处。字节它的模型是闭源的，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，这个门槛也非常高。他要用起来，就很难；其次，他要用起来，还要成本做得很低，也很难很难，没有那么容易。
- 开源并不会影响收入。开源，我觉得对我们的商业模式是没有任何影响的。
- 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。
- 我们在对外面打交道的时候，我们的态度是：我们只做AGI的主线。在对外面打交道的时候，我们是很愿意协助、帮助任何人，甚至我们的竞争对手，包括阿里、智谱（02513.HK）、月之暗面，去做得更好。因为我们并不损失什么东西，我们本来也是开源的。
- 我们给的开源模型，跟我们自己部署的模型是不是一样？是一样的。我们不会说开源一个差点的模型，然后我们自己部署的时候用一个更好的模型，是不会的，是一样的。
10 · 数据与后训练
- 数据应该几乎就等于模型的一半。前面还有一个标数据的问题。我们在数据标注方面，这跟我们的资本投入有关。以我们这个资本投入的结构，支撑不起那么多高质量数据标注的成本，因为成本很高。
- 美国数据标注的成本跟中国数据标注成本没有什么区别。中国去标数据并没有成本优势，尤其是标高端数据上并不会有成本优势，使得我们很难投入去像美国这样标数据。这条路在中国是很难的，因为标数据实在太贵了，不管是我们外标还是我们自己标，都很难受。
- 现在基本上是两条腿走路。并不是说我们完全不能标，而是因为标数据有一些成本低，有一些成本高。我们先标成本低的。
- 你也可以认为，现在我们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。我们就集中在标数据。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，我觉得是时间，就是需要时间。因为对OpenAI来讲、对国外来讲、对Anthropic来讲，他们都更早，然后资本更多，卡也更多。
- 大模型的幻觉问题比较影响用户的体验。幻觉问题也是有一个方法可以解决的，但是这是一个长命题。幻觉问题可以认为是一个可以通过更好的Post-training解决的，是一个能解、能够改善的问题。
11 · 组织与公司定位
- 首先，我们没有模仿的对象。每一步都是我们从实际情况出发，实事求是，根据实际情况来做决策，找到我们应该怎么做。所以它是一个时代的产物，或者说是现实情况的一个反应，它并不是一个模仿的结果。
- 我们明确是要有商业化的。我们最终还是要能活下去，我们毕竟是一个公司，政府不会给我一分钱。
- 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。很多公司做得很伟大，因为它有一种利润以外的追求。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。
- 对于合作伙伴，其实我们这个融资是精心挑选的。首先我觉得，利益是比较一致的，就是跟我们利益最一致的、对我们最没有敌意的，或者说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。
- AI现在不缺品位和直觉，它缺的是持续学习的能力。AI的品位和直觉没有问题。你让它写个文章，它的品位和直觉，我觉得没有什么问题。
- 我们希望只做一块。我觉得AI这个事情很大，并不需要我……我只做一块。如果聚焦，并且我认为这里的生意利益已经足够大，就如果是AI时代会产生很多家万亿级别的公司，我觉得我们是其中一家。
- 我们希望能够扶持更多的人，但是我们并没有那么多的精力。我们是有这个意愿，并且不会有利益冲突，但是我们有没有去做是另外一回事。但至少这里边是没有利益冲突的，我们是希望合作共赢的。