近两天，DeepSeek创始人梁文锋与投资人的闭门交流实录在网上刷屏，并引发广泛关注。
7月23日，《每日经济新闻》记者（以下简称每经记者）获取了上述投资者交流会的实录，经参与投资DeepSeek的机构核实，闭门会于今年5月召开，其内容真实可信。
每经记者梳理发现，整场交流长达3小时44分钟，前两个半小时为梁文锋的专题讲解，围绕公司愿景、开源逻辑与AGI（通用人工智能）技术路线展开；后续约1个小时的问答环节中，梁文锋就中美算力差距、团队稳定性及国产芯片生态等问题与投资人进行了深入交流。
梁文锋 图片来源：视觉中国（资料图）
完整的实录有3.4万字，为便于抓取核心要点，每经记者特将梁文锋的专题讲解精炼为“十大核心主题”，涵盖克制战略、10个月回本的定价法则、AGI不是突变是阶梯等；同时，将其与投资人的问答互动浓缩成“六大焦点对谈”，涉及数据标注瓶颈、与OpenAI的差距时间表等直击市场最关切的议题。一次性完整呈现了梁文锋关于经营底层逻辑、算力博弈、组织增长的独家判断。
针对上述闭门会的交流内容等，《每日经济新闻》记者向DeepSeek发去采访函，截至发稿，暂未收到回应。以下为每经记者根据实录梳理的核心干货。
梁文锋专题讲解“十大核心主题”
1. “克制”是核心战略，后面会有更大的“西瓜”
我们从⼀开始就觉得需要克制。你越克制，越有可能做成这件事。这是⼀个商业上的考量，当然这是⼀个宏观的考虑。
这跟之前开源做⼀个软件可能是不⼀样的，因为那个软件的市场就没那么⼤。但是AI这个事情实在太⼤了。如果说我们想独占这个利益，那么⼀定是要被历史抛弃的。我觉得这是⼀个客观的规律。
这种克制，我理解从长远上来讲，能够增加我们做成AGI的概率。
去年我们没有在C端去发⼒，可能是对的。 因为能看到后⾯真的是有更大的“西瓜”，前⾯真的只是一些小“芝麻”。
更⼤的机会应该还在后⾯， 前⾯的机会包括去年的C端、今年的B端，我觉得这事要做，要把它做好，但这不是我们的⽬标。
我们离彻底转向商业化的时间点，应该是很遥远的。在过去3年，任何一个时候你来跟我说商业化路径、产品线，都是浪费时间，因为你并不能预见未来。
2. 开源就是“我们的本意”，对商业模式没有任何影响
在开源这个事情上⾯，我们⼀开始就想得⾮常清楚。⾸先，第⼀个就是愿景；第⼆个，我们认为要把AI这个事情在商业上做成，开源是有好处的。
智谱也开源，但是智谱的开源跟我们的开源不完全一样。对我们来讲，这就是我们的本意。
开源，我觉得对我们的商业模式是没有任何影响的。前提是我们只赚6倍的利润，10个⽉收回成本。在我们只赚6倍利润的情况下，开源是不会有什么影响的。但如果说你要赚100倍利润，那么开源确实会产生影响，因为第三⽅会部署，他可能是20倍，就⽐你低了。
我按10个⽉回本来评估，就能够让独⽴部署的第三⽅⽆利可图，因为第三⽅他做不到这个成本，所以开源并不会影响我的收⼊。而10个⽉收回成本，我觉得这是⼀个合理的利润。
我们的V3.2 Flash跟其他的，都是10个⽉收回设备的成本，这就是我们的标准。它其实不是利润最⼤化的，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，就是我价格再提升⼀半，甚至说再抬⾼⼀倍，Token（词元）的消耗量区别不⼤。
我们为什么不继续降价，是因为它没有弹性。就是我再降价，需求不会更多了；或者我再降价，需求增加得很少了。因为这个价格所有⼈都⽤得起了，⼤家对这个价格是满意的，不会因为这个价格贵⽽不⽤了。
3. 只做AGI主线，3D、视频⽣成不在这个主线上
在对外⾯打交道的时候，我们的态度是：只做AGI的主线。这就是我刚刚说的这个GPT（生成式预训练变换器）、CoT（思维链）、Agent（智能体）等等，就只做主线。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。
C端和B端，都是我们做AGI道路上的副产物，都是⼀个中间的产出，跟我做AGI没有冲突。我并不是为了做C端，或者为了做B端⽽去做它，⽽是我们做AGI是为了做AGI，刚好能产出这个东西，我就把它拿来做商业化了。
你站在⼀个技术的⾼位上来做相对低⼀级别的技术，是有这样降维打击的。⾄少在去年的C端，我们看到确实是这样。我们没有在C端上花很多⼒⽓，甚⾄⼀度我们都不想维护那些⽤户了，但是⽤户“赶都赶不⾛”。
4. AI的发展是⼀个阶梯
AI的发展，我们可以理解成它是⼀个阶梯。去年⾛的阶梯是CoT，就是思维链。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。通过它⾃⼰思考，可以让AI能做更多的事情。
今年的阶梯就是Agent，因为我们发现，⽤Agent的⽅式，即便有更多的事情也可以做，它的能⼒范围会更⼤，它的智能上限会更⾼。
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。
持续学习之后，可能我们就会来到⼀个奇点——当这个模型能够持续学习之后，已经能够做⼈类几乎所有能做的事情了，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，开发更前卫的⼈⼯智能模型。所以它就会到⼀个奇点，能够实现⾃⼰的迭代。
这是我们的推测，我们觉得这个时间表应该是：先解决学习，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，它就可以⾛进现实世界，可以给你做家务，可以给你养⽼。
5. 中美大模型竞争差距主要在算力资源
（大模型竞争）最终的差距应该是三⽅⾯：⼀⽅⾯是成本，⼀⽅⾯是时间，⼀⽅⾯是⽤户体验。除此以外，可能没有什么其他的差距。
对于现在最⼤的模型来说，我们其实是“训”不起的。我们哪怕把500亿元全花掉，其实也训不起。哪怕能堆起来也⽤不起。现在全球最⼤的模型，它的激活⼤概是800B（Billion，10亿参数）；国内最⼤的模型可能就⼏⼗B激活，还差着⼀个数量级。
如果我要训练跟AI同样⼤的模型，应该需要5万张GB300，或者华为950，20万卡。这只是训练，还没有考虑做研究。所以我们跟美国之间最⼤的差距是在资源上⾯。
所以我们跟美国的区别，我认为就是资源上的区别。我们可能会认为，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，都可以认为是因为算⼒资源上的区别。
在全球AI主导分⼯的时候，中国公司很有可能扮演产量最⼤的那个角色。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。
中国⼈会把一件产品做到最便宜，然后在效果上，现在很多中国产的商品跟美国产的其实可能并没有太⼤的区别。未来AI可能也是这样，中国产的AI价格会更便宜。这个便宜应该是系统性的低，就跟其他⾏业中国提供的服务更便宜是⼀样的。
OpenAI和Google，未来⼤概率还是会交替上升，应该是会交替上升。其实现在Anthropic在Code Agent上的优势没有那么⼤，并没有说它可以碾压OpenAI。
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。
国产卡现在有⼀个历史性的机遇。因为之前国产卡适配有⼀个难题，叫⽣态不好。就买了卡之后⽤不起来，它没有英伟达那个⽣态。但是这个事情正在发⽣变化。英伟达CUDA的护城河在快速⽡解。现在有了AI之后，要建⽴起一个⽣态⽐以前容易很多了，因为AI可以写代码。
6. To B的需求会快速增⻓，但最终受制于需求
未来我们会不会⾃建⼤型的集群？我觉得⾃建⼤型的集群是肯定要的，我们⾃⼰⼀直在做这个事情，我们所有的集群都是⾃⼰建的。
但是未来要不要⾃研芯⽚，我觉得取决于这⾥的收益有多⼤。我希望不⽤去做芯⽚。我希望能够以合理的价格买到芯⽚。
我觉得AI这个事情很⼤，我们希望只做⼀块。我认为这⾥的⽣意利益已经⾜够⼤，AI时代可能会产⽣很多家万亿级别的公司，我觉得如果我们是其中⼀家就非常不错了，这就是我们的态度。
譬如说，⾄少在To B（面向企业）、To C（面向个人消费者）这两个业务上，⽬前能看到的，真的想做To C闭环的，反⽽我们做得好；真的想做To B闭环的，说不定也没有我们做得好。
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。它会快速增⻓，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。 在当前技术的条件下，收⼊有多⼤，最终还是取决于需求。
7. 我们还没有机会碰到Scaling的墙，但会不遗余⼒去推进它的上限
我们相信Scaling Law（规模化法则），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，是我们没有那么多算⼒去做这个Scaling。
我们没有触摸到这个上限在哪⾥。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，⽽是我刚好只有这么多资源。我们还没有机会碰到Scaling的墙，这离我们还很远。硅⾕在说Scaling到头的时候，那是对硅⾕来说；对中国来讲，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。我们离探索这个Scaling 的上限还⽐较远，就是没有那么多算⼒。但我们也会不遗余⼒地去推进这个Scaling的上限。
8. 下⼀代模型的核⼼能⼒是必须要有持续学习的能⼒
下⼀代模型的核⼼能⼒，我觉得它必须要有持续学习的能⼒，这样才能叫下⼀代模型。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能力的。
现在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。
9. 商业化公司很难有动力追求模型效率，但我们会优先考虑成本效率
我们发现，不是所有⼈都很在乎这个模型的效率。对于⼀个商业化公司来讲，没有动⼒去追求模型效率要⾮常⾼。都低成本了，商业化公司还赚什么钱？那样可能就收不到什么钱了。
相反，这却是我们愿景的⼀部分。我们的同学在乎这个成本，因为我们的同学都是普通⼈，他知道⽤这个都是要花钱的。他能够有这个同理⼼：别⼈要花钱来⽤，那么如果便宜⼀点，别⼈接受的程度会更⾼。所以我们有很多同学还是希望我们能把成本做到更低。
我希望它是⼀个负担得起的，特别是在中国算⼒紧缺的背景下，是可以负担得起的，能在国产卡上⽤的。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，就越能训练更⼤的模型，就越能承担起更⼤的模型。在同样算⼒上，如果算⼒有限，那么计算效率越⾼就越能够承担起更⼤的模型。对⼤公司来讲，他不⼀定会这么考虑，但我们会优先考虑成本效率。
10. 国内⽬前最合理的做法应该是全⼒做通⽤Agent
未来我们国内的商业模式是怎样的，或者说最顺利的路径是怎样的，我们还没有到那个阶段。国内和国外的情况不完全⼀样，以⽬前的情况来看，我觉得最合理的做法应该是全⼒做通⽤的Agent，其他Agent的优先级应该更低，包括⾦融、医⽣这些 Agent。要先做Coding（编程），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。
如何在纯粹科研、纯粹做AGI的⽅向和资本市场之间找到平衡，我觉得应该是能够做到的。假如说我今年能够有⼏亿美元的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。如果明年我们B端的需求还可以再增⼤的话，公司离实现净利润就已经不远了，可能就不再是⼀个纯烧钱的阶段了。所以我感觉后⾯能做的的动作应该还是⽐较⼤的。
或者说，最坏情况卖API（应用程序编程接口），可能都能够⽀撑⼀个上市公司。如果说后面技术没有取得新的进步，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，我觉得也是足够的。
所以我觉得还是有信⼼的，确实没有那么难。因为确实是在⼀个杠杆⾼的地⽅，⼜在⼀个发展⾮常快的领域，它可能就是没有那么难。只能讲，我们希望有更⼤的梦想，但是我们也有保底可以拿出来的业绩。
“六大焦点”对话梁文锋：AI人才短缺是短期现象，很快将大幅缓解
焦点一
问：能否分享持续学习在什么时候能带来突破的时间线？如果实现持续学习，还需要哪些架构、算法的创新，以及其他关键要素？
梁文锋：现在全世界都在研究这个问题。或者说，对投资⼈来讲，现在投资⼈看到最多的是Agent；但对于研究人员来讲，现在看到更多的是学习，以及怎么解决学习这个问题。
其实学习可能不是⼀项技术，而是⼀个问题。怎么解决这个问题，可能有很多种技术，不是⼀项技术。或者说，AGI是由很多东⻄组成的，需要模型，然后还需要很多其他东⻄。其实这也是⼀个⼯程和算法问题。这个问题⽐较专业，但有很多⽅法，也有很多研究。
焦点二
问：现在开源之后，这个⾏业⾥有多少伙伴、⼈才、团队，能够⽐较好地复现开源⽬前的⼀些模型和成果？未来在⽣态进⼀步发展时，您感觉在哪⼏个⽅⾯，需要更多⾼质量的⼈才来衔接到我们的模型？还是说现在GPU（图形处理器）的算⼒相对有⼀些稀缺？未来您感觉会⻓成⼀个什么样的⽣态？
梁文锋：第⼀个问题是⽣态的问题。我们觉得，可能每个企业⾯临的问题都是⼈才不够。但我觉得这个⼈才短缺会是阶段性的。在每个⾏业发展的初期，⼈才都是不够的。包括以前做⽹站、互联网、做服务端等，刚开始⼈才也都是很缺的。但是这种⼈才短缺都会很快得到解决，也就两三年就会培养出⼤量的⼈才。
AI⼈才的短缺也是阶段性的，是一个短期现象，我们已经看到，实际上现在已经⼤幅度缓解了。每个公司都会很快把⼈培养出来。历史上也很少出现⻓期缺某⼀类⼈的情况。我还记得⼗⼏年前说飞行员很缺，培养周期很⻓，但这个问题也很快得到解决了。
所以⼤家不⽤担⼼，国内现在做基础模型的公司很多，资源也⽐较分散，某种程度上也带来一定的浪费。最终应该不需要那么多⼈去做基模，⼀定会收敛。现在可能⼤家觉得做这个事情的利润率⾮常⾼，所以都想要⾃⼰做。但当他发现这个利润可能没有那么⾼的时候，可能就不做了。
这意味着我们正处在这样⼀个阶段：如果有⼀个⾮常⾼的利润率，这⼀定不符合客观规律。最后如果有个三四家公司参与竞争，竞争就很充分了，绝对够打价格战了。⼤模型可能两家⼤公司、两家⼩公司，可能就已经⽐较够了。
我不认为⼤模型公司可以拿⾛⼤部分利润，这个不太可能。这么多家⼤模型公司，差距最主要就体现在两点：⼀个是时间，⼀个是成本。所以不⾄于哪⼀家会产生暴利，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。
焦点三
问：AGI理想的状态是模型可以⾃我迭代、⾃我学习，就是⾃⼰训练⾃⼰。⽬前，您感觉仿真数据是不是可以⽤起来，还是说真实数据的质量最⾼？通过模拟数据、仿真数据、创造数据等⽅式，能否让这个模型能⼒去超越⼈类过往的所有真实？
梁文锋：我觉得是能超越的。我觉得有两点可以超越，⽐如说围棋，AlphaGo（谷歌旗下DeepMind公司开发的人工智能）下了⼀⼿⼈类从来没有⻅到过的棋，也就是说，他在⼀定的范围内肯定是可以超越⼈类的。
但是他可能也有上限，也有局限性。但是这个局限性我们现在看不到。所以笼统地认为，AGI是可以基于⼈类已经有的、我们已经能说出来的知识上，予以超越的。
焦点四
问：对于 AI Infra（人工智能基础设施）这⼀块，尤其是算⼒领域，现在⼤家都是千亿美元级别地在投⼊，但在实践的过程当中，会不会现在去建了万卡集群，但过了两三年，它就变成了⼀个陈旧器件？
梁文锋：英伟达的卡基本上可以按照5年折旧。国内的卡，⽣命周期会短⼀点，但差距也没那么⼤。
我们算⼒落后是⼀个事实，但可以通过一些方法来消解。我们跟美国的差距可能是落后美国12个月~18 个⽉，但是假如我们能够只⽤美国几分之⼀的算⼒把这个事情做出来，那么未来我们也能改写这个叙事改写。
我觉得这是⼀个⽬标，我们甚⾄可以在某⼀些⽅⾯超越美国。在总体算⼒还是有数量级差距的情况下，全⾯超越是不现实的；但是在某⼀些重点、有取舍的地⽅，我们实现超越是有可能的。
焦点五
问：刚才提到我们这⼀阶段要解决的核⼼问题是持续学习，也是⽬前国外研究的热点，叫Recursive Improvement（持续学习）。⽬前来看，技术上最⼤的难点是什么？这个什么时候可以解决？
梁文锋：它的难点在于，全世界都还没有找到好的⽅法，⼤家都还在摸索阶段，就是不知道谁能摸到下⼀个解决这个问题的⽅法。现在还在探索阶段，虽然我们有很多思路，有一些想法看起来非常有前途，但到目前为止都还没有做通。
现在我们内部⽐较看重这样⼀个叙事：训练我们的下⼀版模型，我们希望它能够帮助我们⾃⼰实现开发。我们的模型⾸先是要提⾼DeepSeek⾃⼰的⼯作效率，让我们开发下⼀版模型的时候，它能够提供更多的帮助。
我们做的模型，第⼀⽬标不是⼤家⽤起来好⽤，⽽是我们⾃⼰⽤起来好⽤，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。这是实现AGI最快的⽅法。
虽然这个叙事有点奇怪，但确实有很多⼈就是这么想的。现在⾮常确定，我们确实需要⼈⼯智能来帮助我们实现AGI。虽然说它还不是⾃主地⼯作，它还只是跟⼈搭配，但是已经很有⽤了。
焦点六
问：您刚才提到先解决持续学习，然后再去做智能。这背后的技术根源是什么？是不是意味着解决完持续学习问题以后，DeepSeek后续也会做通⽤智能？
梁文锋：先解决持续学习这个问题，就可以⼤⼤加快我们的研发进度，通⽤智能这个问题就不在话下了。在有AI辅助的情况下，如果AI能够持续学习，它的能⼒应该是⾮常强的。
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。如果说能先把持续学习做完，AI就能够提升我们⾃⼰研究的效率，通⽤智能可能就很容易了，这是我们希望看到的结果。否则现在要去⼈⼯做通⽤智能，它是⼀个⽐较累、⽐较苦的活儿，是⼀个数据密集、⼈⼒密集的事情，性价⽐不⾼。
每日经济新闻
道正网提示：文章来自网络，不代表本站观点。
