背景
DeepSeek完成成立以来首轮外部融资，募资总额超500亿元人民币（约74亿美元），投前估值约3675亿元（约543亿美元）。投资方包括：梁文锋个人出资200亿、腾讯100亿、宁德时代50亿、网易/京东/IDG各30亿、国家人工智能产业投资基金10亿。此前梁文锋曾提出"不融资、不上市、不商业化"原则，此次融资标志着DeepSeek正式走向资本市场。
以下为梁文锋在投资者交流会上近4小时发言的要点总结，共11个主题、118条发言。
01 愿景与克制
- 初心非商业：最初几十人来做这家公司，没有想着赚钱、上市、到资本市场，如果这么想就不会来。
- 善意驱动：怀着对这个世界非常大的善意来做这件事，觉得这对人类有用，是金钱以外的事情。
- 愿景即管理：管理大公司靠的不是规章制度，而是愿景。愿景不是挂在墙上的标语，而是你怎么做、怎么实际运行。
- 无KPI组织：没有组织架构，靠愿景驱动，没有KPI和考核。
- 愿景不成文：甚至没有写成文字，体现在做事方法和对世界的态度里。
- 克制是战略：越克制越容易做成，AI利益太大，只要做成利益就非常大，根本不用考虑拿哪部分利益。
- 克制增加成功概率：优先考虑怎么增加做成AGI的概率，而不是怎么多拿份额。
- 不与互联网大厂为敌：希望赋能和协助别人，而非竞争。
- 克制反而加分：开源和善意并未导致少拿任何东西，反而可能有加分。
02 AGI路线图
- 当前能力：如果能把问题描述清楚、给完整上下文和指令，AI已经超过人类。但前提是要给它完整上下文。
- 关键差距：AI不能替代员工，因为缺少持续学习能力。如果AI能像人一样持续学习两个月，就能替代天下的人。
- 阶梯式发展：
- 去年阶梯：思维链（CoT）——通过思维链让智能达到更高水平
- 今年阶梯：Agent——能力范围更大、智能上限更高
- 下一步：持续学习——让模型像人一样长时间持续学习
- 再下一步：智能奇点——模型能自我迭代、开发自己的下一版本
- 最终：具身智能——走进现实世界
- 只做AGI主线：3D、视频生成等与智能主线无关的不会做，即便在商业上是好生意。
- AI加速AI：AI可以加速AI的研究，到后面可能是非线性的。
- 下一代模型核心：必须具备持续学习能力才算下一代。在此之前只能降成本、提效果、加速度。
- 语言模型Scaling未见上限：无论中国还是美国的智力水平，都没看到语言模型Scaling的上限。
03 团队与人才
- 最大核心利益是团队稳定性：只要保持团队稳定，一定能做成AGI。
- 钱和资源不是问题：唯一的不可退让是保持团队稳定。
- 融资缓解风险：近期融资让员工拿到较多期权，团队稳定性得到较大保障。
- 与美国的差距：人才上几乎没差距（同一批中国人），真正的差距在资源（算力）。
- 人才瓶颈是阶段性的：AI人不缺，培养人很快。
- 国内做模型公司太多：美国可能就三家做基模，中国太多了，最终一定会收敛。
- 管理双线：从上到下（共识驱动）+ 从下到上（自驱探索，一半时间不被安排）。
- 不加班：做研究需要松驰环境；非常聚焦意味着要做的事很少，不需要加班。
- 决策基于共识：梁文锋的权威建立在共识基础上，不是一个人决定所有事情。
04 算力与资源
- 卡越多越好：在合理价格内能买多少就买多少。
- 花钱很难：买不到那么多卡，价格很高，今年能花掉两百亿就属于采购部门业绩超级好。
- 中美最大差距在资源：算力资源国内买不到+资本投入比美国少。大头是算力而非人才薪资。
- 落后美国1-2年：用美国1/20的算力做出同等成果。目标是用几分之一的算力把时间缩到6个月甚至3个月。
- 信Scaling：规模越大效果越好，阻止Scaling的是算力不足。
- 模型大小由资源决定：训练这么大模型不是觉得够用，而是刚好有这么多资源。
- 硅谷说Scaling到头是对硅谷而言：中国离那个程度还很远。
05 国产芯片与生态
- 英伟达CUDA护城河正在瓦解：AI可以写代码，建立生态比以前容易很多。
- 专用芯片趋势：计算卡市场已大于游戏卡，未来不再耦合，专用芯片是方向。
- 国产AI芯片替代有历史性机会：未来一年内能看到国产芯片生态完全没问题。
- 硬件和生态都没问题，唯一问题是产能不够：国产卡适配无障碍，英伟达挡不住。
- V3已脱离英伟达生态：用英伟达的卡但不用英伟达生态，自研高级编译器TileLang。
- 华为950超节点可平替英伟达GB200/GB300：四张华为卡顶一张英伟达卡。
- 芯片差距：生态以后不会再有差距，但芯片上落后四倍加两年。
- 产能问题：今年、明年、后年可能还卡在产能，但五年后不一定，比较乐观。
06 竞争格局与行业判断
- 模型效果比较：要在相同成本上比较才有意义。
- Anthropic超过OpenAI是阶段性的：OpenAI和Google未来大概率交替上升。
- 中国角色：在全球AI分工中，中国公司很可能是产量最大——产能最大、电力最多。
- 中国AI价格更便宜：系统性低成本，跟其他行业一样。
- 最终差距三方面：成本、时间、用户体验，此外没有差距。
- OpenAI无法垄断：会面临很多挑战者，包括中国的挑战。
- 拿得多的会被拿得少的打败：愿景是拿得多的人就先输了。
- 大模型不会有暴利：成本控制好的多赚一点，成本控制差的少赚一点，仅此而已。
07 模型研发与技术
- OpenAI/Google/Anthropic三家最厉害：效率最高，烧的钱最少。
- 多模态是组件不是主线：对C端产品重要，但对智能上限而言只是组件。V4会支持原生多模态。
- 模型首先对自己有用：第一目标是自用，自用好意味着开发下一版模型更快。
- "摸奖"机制：门槛很低谁都可以去摸，但谁能摸出什么来看天赋，不需要分配资源。
08 商业化与定价
- API定价逻辑：十个月收回设备成本（约六倍利润），这是合理利润。
- 利润最大化应定更高价：当前价格区间需求无弹性，价格翻倍token消耗量区别不大。
- 降价的快乐：把价格降到四分之一，公司内部欢呼，这是愿景的体现。
- To B上限受需求限制：不是算力限制，而是需求有限。
- 最坏情况卖API也能支撑上市公司。
- 优先做通用Agent，尤其是Coding Agent：现阶段最重要的应该是Coding Agent。
- 低成本是结果也是手段：成本越低越能训练更大模型。
09 开源策略
- 最强模型也会开源：看不到闭源有什么好处，字节闭源有什么好处？
- 开源门槛仍然很高：别人要用起来很难，成本做得低也很难。
- 开源不影响收入：六倍利润下开源和商业化没有冲突。
- 不担心别人部署竞争：还希望他们能部署起来，市场足够大。
- 开源模型和自用模型完全一样：不会开源差一点的模型。
- 愿意协助竞争对手：包括阿里、智谱、月之暗面，因为不损失什么。
10 数据与后训练
- 数据等于模型的一半：数据标注成本很高，资本投入支撑不起那么多高质量标注。
- 中国标注无成本优势：尤其标高端数据上并没有成本优势。
- 两条腿走路：先标成本低的，高成本数据标注是瓶颈。
- 一半核心研究员在标数据：解决AI现阶段靠的就是标数据。
- 高质量数据瓶颈是时间：OpenAI/Anthropic更早、资本更多、卡更多。
- 幻觉问题：可通过更好的Post-training解决，是能改善的长命題。
11 组织与公司定位
- 没有模仿对象：每一步从实际出发，实事求是，是时代的产物。
- 明确要商业化：本质是公司，政府不会给一分钱，必须活下去。
- 利润以外有追求的公司反而商业化更好：很多伟大公司都有利润以外的追求。
- 融资精心挑选：选择利益最一致、最希望DeepSeek做成的合作伙伴。
- AI不缺品位和直觉，缺持续学习能力。
- 只做一块：AI时代会产生很多家万亿级公司，DeepSeek是其中一家。
- 希望合作共赢：有意愿扶持更多人，没有利益冲突。
核心观点总结
| 维度 | 核心观点 |
|---|---|
| 愿景 | 善意驱动、克制是战略、不与人为敌 |
| 技术路线 | CoT → Agent → 持续学习 → 自我迭代 → 具身智能 |
| 团队 | 稳定性是唯一核心利益，愿景驱动无KPI |
| 算力 | 中美差距在资源不在人才，1/20算力做同等成果 |
| 芯片 | 国产替代历史性机会，华为950可平替GB200 |
| 竞争 | 不追求暴利，成本和时间是唯一差距 |
| 开源 | 最强模型也开源，六倍利润下开源与商业化无冲突 |
| 商业化 | 十个月回本定价，Coding Agent是当前重点 |
"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——这跟我们的克制、跟我们的愿景是一脉相承的。" —— 梁文锋
