一场发生在数百亿元融资期间的投资者交流，最先谈到的通常是增长、收入和回报。
梁文锋开场谈的，是善意。
“我们是怀着一个对这个世界非常大的善意来做这个事情。”
这句话听起来离商业很远，却能解释DeepSeek后来许多反常识的选择。
过去几年，AI行业谈论最多的是规模：更大的模型、更多的卡、更高的估值、更快的用户增长。钱、人才和注意力一起涌进来，每家公司都想在下一轮竞争中抢先一步。
梁文锋却用了近四个小时，反复谈克制。
他谈开源，谈怎样让所有人用得起；谈公司为什么不去抢超级App；谈AI的利益太大，一家公司无法独占；也谈DeepSeek最重要的资产，是那群愿意一起做AGI的人。
梁文锋反复强调同一条边界：技术可以走得很远，利益要知道边界。
这场交流发生在DeepSeek首轮外部融资期间。公开资料显示，这轮融资规模约500亿元，完成后投后估值超过3500亿元。
面对500亿元级融资，收入和业务计划当然重要。但这场交流更值得看的，是梁文锋想把DeepSeek带成一家什么样的公司，以及一家站在AI最前沿的公司，怎样面对金钱、资本和越来越强大的技术。
我重新读了一遍完整文字稿，删去提问、明显重复和转写噪音，再按11个主题重新整理。
下面不是逐字实录。原始文字稿没有区分说话人，以下内容根据上下文判断，以梁文锋的第一人称呈现；个别归属仍应以原录音为准。我尽量保留原来的说法、语气和信息量，只清理口头重复、病句和明显的转写错误。涉及模型参数、芯片数量和时间表的内容，也应以录音及官方资料为准。
01｜出发：愿景写在选择里
我们一开始做这个公司时，没有想过最后要赚多少钱，也没想过走向资本市场、上市之类的事。最开始的几十个人完全没有这么想；如果这么想，他也不会来。我们怀着对这个世界很大的善意来做这件事，觉得它对人类有用，是一件金钱以外的事情。从出发到现在，我们都没有按照商业利益最大化的方式运行。
**管理一个大公司，靠的不是规章制度，而是愿景。**愿景不是挂在墙上的标语。你实际怎么做、公司怎么运行，才是真正的愿景。
我们当时几乎没有正式组织，靠愿景驱动。不是靠KPI和考核，真正把大家组织起来的是愿景。这个愿景没有成文，我们也从来没有专门写出过一套东西。它就在我们做事情的方法、对待这个世界的态度里。
我们没有多少额外优势：不比别人有钱，人员也不见得比别人更好。两年前成立公司时，我们没有很多钱，没有很多卡，也没有知名度和号召力，就是一群很平凡的人。**你越克制，越容易把事情做成。**至少到目前为止，这是能解释得通的。否则很难解释我们为什么能走到这里：起点低、资源少，也没有什么特殊武器。AI这件事太大，利益也太大。只要能做成，最后哪怕只分到很小一部分，利益也已经足够，所以现在不用急着考虑拿哪一部分、怎么拿。
去年春节，用户突然多了起来，但我们没有急着留住这些用户、拿他们变现，或者去抢这部分商业利益。我们没有抢用户，也没有急着赚钱，但一直在想办法把用户服务好。我们从没想过要做下一个超级App，或者做下一个字节、下一个腾讯，再去跟谁竞争。AGI后面的机会足够大，而且一直都会很大。有时候舍弃一些，反而能换来更多，所以克制也是一种战略。开源也是一样，它可以看成我们的让利。从长期看，这种克制能增加我们做成AGI的概率。我毫不怀疑AGI会有巨大的商业价值，所以我优先考虑的不是多拿一点份额，而是提高把事情做成的概率。
我们一直很克制，不愿把任何一家互联网公司变成对手。更希望帮助他们，和大家一起把事情做好。此前坚持这种态度，并没有让我们少拿到什么。开源、善意和帮助别人，反而可能给我们加分。它看起来违反直觉，但事实就是这样。我们以AGI为目标，同时一直在做商业化，所以才有C端用户和B端收入。从历史经验看，这个策略是成功的。
02｜路线图：Agent之后，是持续学习
只要把一个问题描述清楚，给AI完整的上下文和指令，它在不少任务上已经超过人类。关键前提就是：上下文和指令必须完整。但这样的AI还不能直接替代一名员工。员工进公司两个月，会在工作中不断学习；AI还做不到。所以我们离下一步，差的是持续学习。
如果把AI的发展理解成一个阶梯，2025年跨过的是思维链。我们发现，让模型自己思考，可以把智能推到更高的水平。2026年的阶梯是Agent。用Agent的方式，模型能做更多事情，能力范围和智能上限都会提高。Agent建立在思维链之上，思维链又建立在语言模型之上，前面的每一步都没有白走。
Agent之后要解决的是持续学习：让模型不再依赖一次强训练，而是能够像人一样，在更长时间里不断学习。解决这个问题之后，可能就会来到所谓的奇点：模型能做人类能做的大部分事情，也能参与研究和开发自己的下一个版本。
所谓奇点并不是瞬间突变，它仍然会是一个渐进、甚至相当漫长的过程；只是习惯上，我们把它叫作奇点。我们的推测路线图是：先解决持续学习，再走到模型能够自我迭代的阶段，之后才是具身智能。到了具身阶段，它才能进入现实世界，帮你做家务、养老。按照这个顺序，前一阶段的技术可以帮助开发后一阶段，路会轻松很多。
**我们只做AGI主线。**AI领域很广，3D、视频生成等方向和智能主线关系不大，我们不会投入去做。视频生成刚出来时很火，好像不做就不算AI公司。但仔细想，它和智能路线图并没有直接关系。商业上是好生意，也不意味着我们必须做；只有它在智能路线图上，我们才会做。
按我们的判断，世界模型并不是现阶段最重要的事情。最重要的仍然是把AI训练做好，以及训练之后怎样解决持续学习。当然，每家公司会有不同判断。我们更相信一种非线性叙事：AI可以加速AI研究。你能用AI加快自己的研究，后面的进展就不再只是线性增长。
最终还是要进入具身智能。普通人的核心需求不是电脑，而是衣食住行和现实生活中的具体劳动，所以最终需要具身智能来解决真实的人力需求。没有具身时，我们希望AGI能帮助迭代下一版模型；有了具身之后，也希望它能参与迭代下一代机器人。
下一代模型必须具备持续学习能力。在那之前，我们能做的是把成本降下来、效果做得更好、速度做得更快；**真正的大突破，仍然是持续学习。**现在Agent受限，根本原因也是它不能有效地持续学习。如果先把这个问题解决，AI会大幅提升我们的研究效率，也能反过来帮助我们继续研究。否则完全靠人工推进通用智能，会很辛苦：数据密集、人力密集，性价比也不高。
03｜核心利益：团队稳定
前面的经历让我看到，AGI这个愿景非常强大。人才优势不在于我的人比别人更聪明，而在于怎样把这些人组织起来、激励起来，让他们真正合作。把聪明的人聚在一起，不代表他们自然就会合作，也不代表他们会自发奔向同一个目标，所以需要愿景。
**我们最大的核心利益，是保持团队稳定，甚至可以认为这是唯一的核心利益。**只要团队稳定，我相信一定能做成AGI。钱、资源和其他要素都更容易获得，只有团队稳定没法退让。
团队稳定曾是我们最大的风险。随着这轮融资推进，大家拿到的期权数量和金额都比较可观，这个风险已经明显缓解。只要最重要、最早的一批员工稳定，其他人就不太会走。哪怕期权或收入少一些，很多人也不是只为钱而来；大家更看重一个有机会做成AGI的环境。
其他问题最多让我们晚半年、晚一年，不至于让事情做不出来。钱和资源最终都能获得，差别主要是时间。
我们和美国的差距主要在资源，人才本身差距不大。两边很多人原本就来自同一批中国学生：有人留在国内，有人去了国外，并不是更聪明的人都去了国外。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人才短缺是阶段性的，而且已经在明显缓解。人才可以很快培养出来，各家公司都会逐渐补上。国内做基础模型的公司还是太多。美国可能集中在三家左右，中国的资源却分得很散；最终不需要这么多公司做基础模型，一定会收敛。
我们的管理有两条线：一条从上到下，一条从下到上。从下到上，就是每个人自己判断什么重要、自己去做，没有KPI。我们希望正式安排的工作不要超过一半，让员工至少还有一半时间不被安排。他可以按照自己的判断去探索，没有前置要求。我们一般不太加班。首先，研究需要一个相对松弛的环境；逼得太紧，人就很难真正思考和探索。其次，我们非常聚焦，意味着要做的事情很少。事情少，就不需要靠加班来填满时间。这和前面说的克制是一脉相承的。
公司整体建立在共识之上，不是我一个人决定所有事情。我在公司里的权威和影响力，也来自大家形成的共识。我们的决策机制就是寻找共识。只有一件事形成共识，我才推得动，也才会去推。随着人员增加，组织必须调整，而且我们已经在做。再不调整，很多事情就推进不下去；确实有些部门需要更明确的组织架构。
04｜算力：追赶速度的边界
我们需要多少卡？现在肯定越多越好。在能够承受的范围内，合理价格下能买到多少就买多少。实际上，要把这么多钱花出去并不容易：卡很难买，价格也高，我们又不能不计价格。如果今年能花掉两百亿元，采购部门的业绩就已经非常好了。我们和美国最大的差距仍然是资源：国内本来就买不到足够的卡，资本投入也比美国少得多。即使有人才拿到上亿美元薪酬，人力成本在总投入中的占比仍然很低，大头还是算力。我们看到的区别，包括人才、模型能力和应用上的区别，很大程度上都来自算力资源。
**我们和美国大致落后一到两年，但只用了对方约二十分之一的算力。**更细地说，不同阶段可能是6到18个月，不能把它理解成一个固定数字。过去的叙事是：落后一到两年，但只用二十分之一的算力。以后我们希望用更多一些、但仍远少于对方的算力，把时间差缩短到6个月甚至3个月。
我们相信Scaling：规模越大，效果越好，也能解锁更多能力。**限制我们继续Scaling的不是意愿，而是算力。**我们训练现在这个规模的模型，不是因为它已经够大，而是手头资源只允许训练到这里。模型规模是按可承受的算力倒推出来的。硅谷说Scaling到头，是对硅谷而言；中国离那个上限还很远。这里既包括数据规模、模型规模，也包括训练投入。
05｜国产芯片：生态与产能
英伟达CUDA的护城河正在被削弱。一个原因是有了AI之后，重建和迁移软件生态比过去容易得多，因为AI可以帮助写代码。另一个变化是，计算卡市场已经比游戏卡更大，二者没有必要继续深度耦合。未来无论华为还是英伟达，都会越来越多地走向专用AI芯片。
**国产AI芯片替代正处在一个历史性机会里。**我们的判断是，未来一年内，行业会用事实证明国产芯片生态可以用起来，从而扭转“难用、不好用”的旧认知。**真正的问题不是能不能适配，而是产能不够。**在英伟达卡买不到的环境里，所有人都会投入国产芯片生态，这会加快问题的解决。
V3训练仍然使用英伟达硬件，但我们已经在减少对CUDA生态的依赖。我们围绕TileLang完善高级编译器和算子生态，再把这套能力迁移到其他芯片上。
按我们当时的判断，昇腾950超节点在任务能力上可以替代GB200、GB300，价格即使更贵一些，也仍有商业可行性。按会上的粗略估算，四张昇腾950卡大致顶一张GB300。这个比较针对特定代际和系统配置，不能泛化成“四张国产卡顶一张英伟达卡”。**我们当时把芯片差距概括成“四倍加两年”。**单卡等效能力大约差四倍，产品节奏大约落后两年；生态差距则有机会逐渐消失。
我们现在主要和华为合作。华为会做自己的适配，我们也会深入参与这个生态。华为的问题还是产能不足。未来一两年，国产算力仍会受制于产能；但我不相信五年后还会卡在这里，对长期产能仍然比较乐观。
06｜竞争终局：成本、时间、体验
模型之间的差距是综合性的。比较效果，必须放在相同成本下才有意义，就像比较汽车，也要比较同价位产品。在当时的Coding Agent表现上，Anthropic超过OpenAI是不是长期现象？我认为是阶段性的。OpenAI和Google未来大概率还会交替上升，Anthropic的先发优势也未必能长期保持。
在全球AI分工里，中国公司很可能扮演“最大产量提供者”的角色。我们的芯片产能潜力大，电力供给也多。中国公司会把产品做到更便宜，同时把效果追上来。很多中国制造和美国制造的商品，实际差距已经不大；未来AI也可能如此，但中国AI的价格会系统性更低。**最终的差距主要有三方面：成本、时间和用户体验。**除此之外，未必还有本质差距。
成本可能排在第一位，第二位是时间。早几个月做到和晚几个月做到，商业结果会完全不同。OpenAI一开始可能认为自己能够垄断这个世界，但它一定会遇到很多挑战者。美国公司会遇到彼此的挑战，未来也会遇到中国公司的挑战，因为中国人愿意拿得更少，以更低价格提供服务。
**拿得多的人会被拿得少的人打败。**甚至还没真正赚到钱，只要愿景是“我要拿得更多”，就已经会比愿意少拿的人更难做成。对我们来说，定价目标不是利润最大化，而是获得合理收益。我是真的相信这件事，并不是事后为自己的选择找理由。
在很多体验上，我们有可能比美国做得更好。产品能力不一定比美国差，成本也应该更低，所以中国AI仍然会有竞争力。成本优势很好理解：美国公司没有同样强的降本约束，就不会把它放在同样高的优先级；我们会把成本当成一个核心问题。
基础模型行业不需要太多玩家。比如两家大公司、两家小公司，可能就足以形成充分竞争。最终差距主要是时间和成本，不至于长期出现一家暴利。
07｜研发：先让模型服务研究
我们内部也有不少人认为OpenAI更好。Anthropic有先发优势，但未必能长期保持；三家都很强。如果比较投入效率，Anthropic可能是三家里最高的，烧掉的钱也最少。多模态布局我们一直在做，对产品、尤其是C端产品很重要。但对智能上限来说，它只是一个组件，不是主线。我们在会上给出的计划是，让V4系列的后续版本逐步支持原生多模态。至少对语言模型的Scaling，我还没有看到上限。无论是我们现在的水平，还是美国当前的水平，都没有触及上限。
我们内部首先考虑的是模型对自己有没有用，因为这是实现AGI最快的路径。自己先用得好，才意味着别人也可能用得好。模型的第一目标，是先帮助我们更快地开发下一版模型。
对于持续学习这类开放研究问题，我们内部叫“摸奖”：门槛低，谁都可以试，但谁能摸出结果，可能取决于想法和天赋。它不需要专门分配很多资源，重要的是大家愿意持续讨论和思考。
08｜商业化：只赚合理利润
我们的API定价追求合理利润：**买一批设备回来，大约十个月收回成本，我们认为就够了。**如果追求利润最大化，价格完全可以更高。因为在这个区间里，需求对价格并不敏感；价格再提高一半甚至一倍，Token消耗量未必会明显变化。
我们有一个模型，刚开始担心需求太大，所以价格定得比较高，团队并不高兴。后来我把价格降到原来的四分之一，大家反而很开心。
To B业务的上限仍然取决于需求。在这一代AI技术下，需求会快速增长，但不是无穷大；最终限制它的不是算力，而是有多少真实需求。如果今年能有几亿美元B端收入，再加上C端用户，公司就已经有一定的商业基础。明年如果B端需求继续增长，公司离实现净利润就不远了，甚至可能已经盈利。最坏的情况，即使技术暂时没有新的进步，只靠卖API、把服务做好，也可能支撑起一家上市公司。
以目前的情况看，最合理的做法是全力做通用Agent，金融、医生等垂直Agent优先级更低。现阶段最重要的还是Coding Agent，因为它能覆盖很多任务。
低成本首先是一个结果。我们的模型架构一直在往更低成本的方向走，这和愿景有关；算法上也还有很多继续降本的空间。成本越低，在同样算力下就越能训练更大的模型。算力有限时，提高计算效率，本身就是扩大模型能力的一种方式。
09｜开源：克制也是战略
我们会继续开源，最强模型也很可能开源，因为我看不到闭源必然带来什么好处。即使把模型和技术细节都开源，真正用起来的门槛仍然很高；要把部署成本也做到很低，更难。没有那么容易复制。
**在我们只赚合理利润、按十个月回收设备成本的前提下，开源不会影响收入和商业模式。**如果目标是赚取极高利润，开源当然会形成约束。
我不担心别人部署我们的模型再来竞争，反而希望他们能部署起来。我们会尽可能帮助开源社区把模型真正用起来。我们只做AGI主线，但愿意协助任何人，甚至包括阿里、智谱、月之暗面这些潜在竞争者做得更好。因为我们本来就开源，并不会因此失去什么。
对外开源的模型和我们自己部署的是同一个，不会开源一个弱版本、内部再留一个更强版本。
10｜数据：模型的另一半
**数据几乎决定模型的一半。**数据标注需要大量资本，而我们过去的投入结构，支撑不起那么多高质量标注，因为成本实在太高。高端数据标注上，中国并没有明显成本优势。无论外包还是自己标，都很贵，所以很难像美国公司那样大规模投入。
现在基本是两条腿走路：先做成本较低的标注，再逐步解决成本更高的部分。从工作投入看，公司有相当一部分人都在做数据标注，核心研究员也会亲自参与。现阶段解决AI问题，很大一部分工作就是把数据做好。
高质量数据标注的瓶颈主要是时间。OpenAI、Anthropic等公司起步更早，资本和算力也更多。幻觉确实影响用户体验，但并非无解。更好的Post-training可以持续改善它，只是这是一个长期问题。
11｜利润之外的追求
我们没有模仿的对象。每一步都从实际情况出发，实事求是地判断该怎么做。DeepSeek是这个时代和现实条件的产物，不是模仿谁的结果。我们明确要商业化，因为公司最终要活下去，政府不会给我一分钱。我们仍然在做取舍：赚哪些钱、什么时候赚、赚多少、靠什么赚。**很多公司做得很伟大，因为它有一种利润以外的追求。那个追求不但没有影响商业化，反而能让商业化做得更好。**这轮融资的合作伙伴是精心挑选的。我们更愿意选择利益一致、没有敌意、真心希望我们成功的人。并不是所有人都希望DeepSeek成功，因为我们确实会影响一些人的既有利益。
AI现在不缺品位和直觉，缺的是持续学习。你让它写一篇文章，它的品位和直觉并没有太大问题。AI这件事足够大，我们只需要把其中一块做好。只要足够聚焦，这一块的商业利益就已经很大；如果AI时代会出现很多家万亿级公司，我们希望成为其中一家。
我们愿意扶持更多人，也希望合作共赢，只是精力有限。有没有能力把这件事做起来是另一回事，但至少在利益上，我们并不冲突。
尾声：公司群里的欢呼
这近四个小时里，梁文锋谈了很多技术：持续学习、中美算力差距、TileLang，以及昇腾950。
我记住的却是一个很小的细节。
DeepSeek有个模型，一开始因为担心需求太大，价格定得比较高。后来梁文锋把价格降到原来的四分之一，公司群里很多人都在欢呼。
这种反应很难装出来。
对大多数公司来说，降价意味着收入下降，团队很难为此高兴。DeepSeek的人在欢呼，因为他们花了那么多时间做出来的模型，终于可以让更多人用得起。
这件小事，比任何文化口号都更能说明DeepSeek。
它也解释了开源、低价，以及梁文锋为什么一直说要“少拿一点”。
500亿元融资以后，这种心态会不会变化，现在没人知道。钱多了，选择也多了。以前因资源有限而搁置的一些事情，现在有机会推进；但梁文锋也明确说，DeepSeek与美国在算力上仍有数量级差距。与此同时，外界对收入、增长和回报的要求，也会越来越具体。
下一次DeepSeek给模型降价时，我会先去看公司群里还有没有人欢呼。