即刻App年轻人的同好社区
下载
置顶Build in public 13：AI Agent 的下半场以及Jump的新进展
在刚刚过去的周末，openAI 正式推出了 GPT5.6 系列模型，模型分三档，其中 GPT5.6 Sol作为最新旗舰模型对标 Fable5。
周末我也高强度试用了 5.6Sol，体感上代码质量与 ops4.8 不相上下，但和 Fable5 还是有一定的差距。使用过程中最令我震惊的其实不是代码质量，而是 token 消耗，即便没有使用最高档推理我也会很快消耗完 5 小时限额，几乎 2 次高强度问答就会消耗掉所有 token。以至于我不得不在周末两次重置用量，堪称吞金巨兽。
在 5.6 发布之前，奥特曼在 X 上暗示 5.6 Sol更高效，这会导致更少的 toekn消耗，显然这误导了我，事实上大部分用户都反馈 Sol消耗量巨大，我自己感觉消耗速度甚至比 Fable 更快。
好在 openAI 主打一个听劝，周六先帮用户重置了一次额度，周一又重置了一次。可能 OpenAI 也意识到了问题，所以在周一重置额度的时候把 5 小时限额一并干掉了，听劝的产品确实很棒。
再来说回 ChatGPT 客户端，上周最大的更新是合并 codex，现在用户可以在一个客户端使用这两个产品，既能工作也能写代码，很快 Atlas 的能力也会被整合进 ChatGPT，虽然目前产品交互上还有一些瑕疵，但整体而言这预示着超级 AI 平台的时代来了，AI Agent 的游戏正式进入了下半场。
再来说说我们自己，跃迁浏览器上周也做了一次小更新，V0.6.1 版本正式和大家见面了，这一次我们更新了 AI 导读功能，在阅读长文章时，可以使用 AI 导读生成概览和批注，可以帮你快速浏览核心要点。相较于一般的 AI 导读，批注功能会帮你「划重点」，也会为你解释一些晦涩难懂的句子。感兴趣的朋友可以来试试看，在页面点击鼠标右键就能唤出「AI 导读」功能。
在刚刚过去的周末，openAI 正式推出了 GPT5.6 系列模型，模型分三档，其中 GPT5.6 Sol作为最新旗舰模型对标 Fable5。
周末我也高强度试用了 5.6Sol，体感上代码质量与 ops4.8 不相上下，但和 Fable5 还是有一定的差距。使用过程中最令我震惊的其实不是代码质量，而是 token 消耗，即便没有使用最高档推理我也会很快消耗完 5 小时限额，几乎 2 次高强度问答就会消耗掉所有 token。以至于我不得不在周末两次重置用量，堪称吞金巨兽。
在 5.6 发布之前，奥特曼在 X 上暗示 5.6 Sol更高效，这会导致更少的 toekn消耗，显然这误导了我，事实上大部分用户都反馈 Sol消耗量巨大，我自己感觉消耗速度甚至比 Fable 更快。
好在 openAI 主打一个听劝，周六先帮用户重置了一次额度，周一又重置了一次。可能 OpenAI 也意识到了问题，所以在周一重置额度的时候把 5 小时限额一并干掉了，听劝的产品确实很棒。
再来说回 ChatGPT 客户端，上周最大的更新是合并 codex，现在用户可以在一个客户端使用这两个产品，既能工作也能写代码，很快 Atlas 的能力也会被整合进 ChatGPT，虽然目前产品交互上还有一些瑕疵，但整体而言这预示着超级 AI 平台的时代来了，AI Agent 的游戏正式进入了下半场。
再来说说我们自己，跃迁浏览器上周也做了一次小更新，V0.6.1 版本正式和大家见面了，这一次我们更新了 AI 导读功能，在阅读长文章时，可以使用 AI 导读生成概览和批注，可以帮你快速浏览核心要点。相较于一般的 AI 导读，批注功能会帮你「划重点」，也会为你解释一些晦涩难懂的句子。感兴趣的朋友可以来试试看，在页面点击鼠标右键就能唤出「AI 导读」功能。
0 10
梁文锋4个小时说了什么：DeepSeek 的愿景、开源、AGI 路线与商业化
这次交流中，梁文锋比较完整地解释了 DeepSeek 为什么坚持开源、如何看待商业化、公司靠什么组织起来，以及他对 AGI、持续学习、算力和国产芯片的判断。
全文信息量很大，核心可以归纳为以下几点。
1. DeepSeek 的起点不是上市，也不是利润最大化
梁文锋说，最早加入公司的几十个人，并没有想过公司最后要赚多少钱、要不要上市、要不要进入资本市场。
如果一个人一开始就是奔着这些目标来的，他可能也不会加入。
DeepSeek 最初的出发点，是认为这件事对人类有用，是一件金钱以外的事情。公司到现在仍然不是按照商业利益最大化的方式运行。
公司真正依靠的不是规章制度和 KPI，而是愿景。
这个愿景也不是写在墙上的口号，而是体现在公司实际怎么做事、怎么对待世界、怎么做选择。
DeepSeek 的愿景没有被正式写成文件，公司里每个人的理解也可能不完全一样，但大的方向是一致的：
怀着对世界的善意，去做一些真正有用的事情，并最终推动 AGI。
2. “克制”是 DeepSeek 最重要的战略之一
梁文锋反复提到一个词：克制。
他的判断是，AI 这个事情足够大，未来甚至可能占据人类社会 GDP 的很大比例。
在这样一个巨大的市场里，任何一家公司都不可能独占全部利益。越想独占，越容易遇到阻力，也越容易被历史抛弃。
所以，DeepSeek 从一开始就认为，公司必须克制。
不能想着：
人类 GDP 的多少比例都归自己；
中国 AI 的大部分利益都归自己；
有了 C 端用户，就一定要做成下一个字节或腾讯；
每一个商业机会都要抓住；
模型、应用、平台、芯片和流量都要自己控制。
梁文锋的判断是，AI 的利益足够大，只要最终能做成，哪怕只分到很小一部分，收益也会非常可观。
因此，DeepSeek 优先考虑的不是“怎么多拿一点份额”，而是“怎么提高做成 AGI 的概率”。
在他看来，克制不是道德姿态，而是一种战略。
3. 开源不是被迫，而是 DeepSeek 的本意
梁文锋说，DeepSeek 坚持开源，首先是因为愿景本身要求开源。
其次，开源在 AI 时代并不一定与商业化冲突。
传统软件市场可能只有几十亿美元，一旦开源，商业空间可能大幅缩小。
但 AI 的市场足够大，不可能被一家企业独占。既然如此，与其追求垄断，不如通过开放建立生态，并且只获取合理利润。
DeepSeek 对开源的态度包括：
最强模型也可能开源；
开源版本与自己部署的版本保持一致；
不会故意开源一个更差的模型；
希望第三方能够真正部署起来；
愿意帮助开源社区解决部署、效果和成本问题；
不担心第三方拿开源模型与 DeepSeek 竞争。
梁文锋认为，即使模型完全开源，真正把模型部署好、把成本做到足够低，仍然非常难。
原理公开，不代表每家公司都有能力、意愿和组织效率，把这些工作全部做好。
因此，在只赚取合理利润的前提下，开源并不会破坏 DeepSeek 的商业模式。
4. API 定价不是为了收入最大化
DeepSeek 当前 API 定价的标准，大致是买入服务器后，约十个月收回设备成本。
财务上，服务器可能按三年或五年摊销；但商业上，DeepSeek 认为十个月回本已经足够。
梁文锋明确说，这不是利润最大化定价。
因为在当前价格区间，需求弹性已经很低。价格提高一倍，Token 消耗量可能不会明显下降，公司收入却可能接近翻倍。
但 DeepSeek 没有选择把价格设到最高。
他还讲了一个例子：
某款模型最初因为担心需求过多，价格定得比较高，团队内部并不高兴。后来价格降到原来的四分之一，公司群里很多人都在欢呼。
员工高兴的原因是，他们做模型的目的，就是希望模型效果足够好、价格足够低，让更多人用得起。
梁文锋也承认，十个月回本仍然有降价空间。
但现在继续降价，需求不会明显增加，社会价值也不会增加太多，因此没有必要单纯为了更低而继续降价。
5. C 端和 B 端业务，都是 AGI 路上的副产品
去年 DeepSeek 用户突然大量增长时，公司并没有把重点放在抢用户、做变现或成为超级 App 上。
梁文锋说，DeepSeek 完全没有想过要成为下一个字节或腾讯。
公司当然可以投入大量资源与互联网大厂竞争，但最终选择了克制。
在他的比喻中，去年的 C 端用户、今年的 B 端收入，可能都只是前面的“芝麻”，后面的 AGI 才是更大的“西瓜”。
但这些芝麻也不会完全不要。
DeepSeek 会以较低成本维持 C 端用户，也会做好 API 和 B 端服务，因为这些业务可能带来现金流，也可能在未来有用。
只是它们不是公司的最终目标。
对 DeepSeek 来说，C 端和 B 端业务本质上都是研发 AGI 过程中自然产生的中间成果：
模型已经做出来了，就把能力通过产品和 API 提供出去。
因此，公司不需要为商业化额外建立庞大的销售、客服和运营体系，只需要少量人员维护。
梁文锋认为，这是一种“降维打击”：
DeepSeek 站在更高的技术目标上做 AGI，顺带完成了 C 端和 B 端业务。
6. DeepSeek 一直在商业化，但不以商业化为目标
梁文锋并不认为 DeepSeek 是一家完全不考虑收入的研究机构。
他说，DeepSeek 一直在商业化，只是商业化不是第一目标。
公司已经有 C 端用户，也有 B 端收入。
如果 API 需求继续增长，ARR 达到数亿美元是有可能的。如果 AI 相关收入达到十亿美元左右，公司现金流可能就能够覆盖全部研发和运营费用。
他还说，即使后面的技术完全停止进步，DeepSeek 也可以转而全力卖 API，把服务做好。
仅靠 API，可能就足以支撑一家上市公司。
因此，DeepSeek 既有 AGI 的远期目标，也有商业上的保底。
但他认为，现在花很多时间研究广告、电商、本地生活、垂直产品线等商业化路径，仍然太早。
过去三年里，在任何一个时间点提前规划商业化，可能都很快过时，因为技术变化太快。
7. AGI 的路线图：语言模型、CoT、Agent、持续学习、自我迭代、具身智能
梁文锋对 AGI 的路线判断比较清晰。
第一步是语言模型。
第二步是 CoT，也就是思维链。通过让模型自己思考，智能上限被进一步提高。
第三步是 Agent。Agent 建立在语言模型和 CoT 的基础上，使 AI 能够完成更多任务。
但 Agent 仍然不能真正替代员工。
原因不是单点能力不足，而是它缺乏长期上下文和持续学习能力。
一个员工进入公司后，可以花两个月熟悉工作环境，知道“小王”是谁、在哪里、负责什么。
但 AI 如果没有经历这两个月的学习，每次都必须被重新告知全部上下文。
因此，梁文锋认为，Agent 之后最重要的台阶是持续学习。
如果 AI 能够像人一样，在一个环境中长期学习，它的能力就会大幅提高。
持续学习之后，AI 可能逐步具备帮助开发下一代模型、研究下一代 AI 的能力。
这通常被称为“奇点”，但梁文锋认为，它未必是突然发生的临界点，而更可能是一个连续、渐进、但非线性的过程。
再往后，才是具身智能。
最终，人类的需求不是只在电脑上完成任务，而是衣食住行、家务、养老和现实世界劳动。
所以具身智能最终不可绕过。
但 DeepSeek 希望先实现持续学习和 AI 自我迭代，再让 AI 帮助开发具身智能，这样整个路线会更轻松。
8. 下一代模型最重要的能力，是持续学习
梁文锋说，如果下一代模型要出现真正的大突破，它必须具备持续学习能力。
在此之前，模型能做的主要还是：
效果更好；
成本更低；
速度更快；
Agent 能力更强。
但这些仍然只是当前范式内的改进。
持续学习目前仍然是一个没有被解决的问题。
全世界都在研究，也有很多看起来有前景的方向，但还没有哪一种方法真正跑通。
梁文锋说，持续学习不是一项单独的技术，而是一个问题，最终可能由很多算法、架构和工程方法共同解决。
这类研究不一定需要大量算力，也不一定需要大型项目组织。
DeepSeek 内部将其称为“摸奖”：
门槛不高，很多人都可以尝试，但最终谁能找到真正有效的方法，现在并不知道。
9. DeepSeek 的模型首先要对自己有用
梁文锋提到，DeepSeek 内部有一个很重要的叙事：
下一版模型的第一目标，不是让所有外部用户觉得好用，而是让 DeepSeek 自己觉得好用。
也就是：
帮助研究员提高效率；
帮助开发下一版模型；
帮助完成更多研究工作；
加速 DeepSeek 自己实现 AGI。
当模型能够显著帮助 DeepSeek 自身研发时，它自然也可能对其他人有用。
梁文锋认为，AI 加速 AI 研究，是未来智能进步可能出现非线性增长的重要原因。
10. DeepSeek 只做“智能主线”
梁文锋说，DeepSeek 对外的基本边界是，只做 AGI 的主线。
这条主线包括：
语言模型；
CoT；
Agent；
持续学习；
AI 自我迭代；
最终的具身智能。
其他方向是否做，要看它们与智能上限的关系。
多模态会做，因为它对产品很重要。未来 V4 及后续版本会支持原生多模态。
但多模态在 DeepSeek 看来是一个组件，不是智能主线本身。
搜索也是组件。
视频生成在商业上可能是好生意，但梁文锋认为，它与当前智能上限的提升关系不大，所以 DeepSeek 不会因为它商业价值高就去做。
3D 和世界模型，在当前阶段也不是 DeepSeek 的重点。
他的判断是，现在更重要的仍然是把 AI 训练做好，以及解决持续学习问题。
11. Scaling 没有到头，真正限制 DeepSeek 的是算力
梁文锋明确表示，DeepSeek 相信 Scaling。
模型规模越大，效果越好，也能够解锁更多能力。
DeepSeek 没有训练更大的模型，不是因为认为当前模型已经足够，而是因为算力只有这么多。
公司是先看自己有多少资源，再决定能训练多大的模型。
他说，美国讨论 Scaling 是否到头，是因为美国已经把模型推到非常大的规模。
但对中国公司来说，距离 Scaling 上限还很远。
这里的 Scaling 不仅包括参数规模，还包括：
数据规模；
模型规模；
训练成本；
Post-training；
高质量数据。
DeepSeek 目前还没有机会真正触碰 Scaling 的墙。
12. 中国和美国最大的差距，不是人才，而是算力
梁文锋认为，中国与美国在 AI 上最主要的差距是资源。
尤其是算力资源。
人才并不是最大的瓶颈。
国内和海外的很多研究者，本质上来自同一批人。并不存在最聪明的人都去了国外的情况，人才分布有很大的随机性。
国内人才能力上的差距，也很大程度上来自算力不足。
因为算力少，实验机会少，研究经验积累就慢。
因此，模型能力、人才能力和应用能力上的很多差距，最终都可以归因到算力差距。
13. DeepSeek 的算力采购策略：合理价格下，有多少买多少
梁文锋提到，DeepSeek 当时大约有两万张 H 系列等效算力，其中很大一部分是最近一两个月刚到。
未来几个月，公司还会继续大规模采购，主要仍是英伟达设备。
DeepSeek 的策略是：
在合理价格下，能买到多少卡，就买多少卡。
如果融资款能够在半年内全部变成算力，他认为这是最理想的情况。
因为钱放在银行里收益有限，而算力可以用于训练模型、提供服务，并最终转化成现金流。
他甚至表示，如果一年之内能够花掉两百亿元采购算力，说明采购部门做得非常好。
但现实问题不是钱不够，而是买不到足够多的卡。
14. 中国模型与美国模型仍有数量级差距
梁文锋提到，美国最先进模型的激活参数规模可能已经达到约 800B。
而国内模型仍主要处在几十 B 激活参数规模。
如果要训练同等规模模型，可能需要约五万张 GB300，或者约二十万张华为 950。
而且这只是正式训练，不包括前期大量研究实验。
因此，DeepSeek 目前不会直接在最大模型规模上与美国竞争。
公司会先在几十 B 激活参数规模内，把效果和效率做到最好。
梁文锋将当前中国 AI 的竞争状态概括为：
落后美国约 6 到 18 个月，甚至一到两年，但只使用美国大约二十分之一的算力。
未来的目标，是用美国几分之一的算力，把时间差缩短到三到六个月，并在部分重点方向实现超越。
但在总体算力存在数量级差距的情况下，全面超越并不现实。
15. 国产芯片正在迎来历史性机会
梁文锋认为，国产 AI 芯片过去最大的难题是生态，而不只是硬件性能。
过去，英伟达 CUDA 的生态护城河非常强，国产卡即使买到了，也可能难以使用。
但现在情况正在发生变化。
原因包括：
第一，AI 可以帮助编写代码，重建软件生态的成本大幅下降。
第二，TileLang 等高级语言，可以用更少的代码编写算子，提高开发效率。
第三，AI 计算卡正在逐渐脱离过去与游戏卡绑定的路线，专用芯片与 CUDA 的关系会减弱。
梁文锋表示，DeepSeek 训练 V3 时虽然用的是英伟达硬件，但已经尽量不依赖英伟达的软件生态，而是通过 TileLang 等方式建立自己的软件体系。
如果把这一套体系重新适配到华为芯片上，国产卡生态问题就可能被解决。
他预计，一年左右，行业可能会看到国产芯片生态问题被事实验证为“可以解决”。
之后真正的问题将主要是产能。
16. 华为芯片的主要问题是产能
梁文锋提到，DeepSeek 主要与华为合作。
华为大约向 DeepSeek 提供 1.6 万张 950 系列卡。
按照他的说法，四张华为卡大致相当于一张英伟达 B 系列卡，因此 1.6 万张华为卡约相当于 4000 张 B 系列卡。
这个规模不足以训练 DeepSeek 下一代更大的模型，只够训练当前这一代模型。
DeepSeek 使用这些卡，一个重要目的，是参与华为生态建设。
他认为，华为 950 超节点可以在任务能力上平替英伟达 GB200、GB300。
即使价格贵 50%、100%，甚至更高，在无法获得足够英伟达芯片的背景下，也仍然可以接受。
但他也明确承认，国产芯片目前大约存在“四倍加两年”的差距：
四张国产卡约等于一张英伟达卡，产品代际大约落后两年。
17. 国产硬件追赶需要几年，但长期并不悲观
梁文锋认为，今年、明年、后年，国产芯片可能仍然会卡在产能上。
但他不相信五年以后，中国还会持续受制于产能问题。
生态问题有机会较快解决，产能则需要更长时间逐步扩张。
他对国产算力的长期判断整体偏乐观。
18. 英伟达卡可以按五年折旧，华为卡最多按三年折旧
在算力投资回报上，梁文锋认为：
英伟达芯片基本可以按五年折旧；
华为芯片最多按三年折旧。
华为卡生命周期更短，主要是因为其代际本身已经比英伟达晚约两年。
但如果 B200 等英伟达芯片能够以合理价格买到，买多少都是划算的。
当前最大的问题，不是担心芯片几年后过时，而是根本买不到足够多的芯片。
19. DeepSeek 不希望把产业链所有环节都做掉
梁文锋不希望 DeepSeek 进行过度垂直整合。
大型算力集群需要自己建设，但芯片是否自研，要看收益是否足够大。
如果能够以合理价格买到芯片，他更希望由别人来造芯片。
同样，很多下游应用、行业解决方案和商业机会，也应该由合作伙伴来做。
DeepSeek 只想做自己最擅长、最核心的一块。
梁文锋认为，AI 足够大，未来可能产生很多家万亿美元级别的公司。
DeepSeek 只需要成为其中一家，占据其中一小块，不需要把所有利益都拿走。
20. 中国基础模型公司最终一定会收敛
梁文锋认为，中国当前做基础模型的公司太多了。
美国可能主要集中在三家公司，而中国很多公司都在重复做相同的事情，导致资金、算力和人才被分散。
最终，大模型行业一定会收敛。
他判断，中国可能只需要三四家主要基础模型公司，例如两家大公司、两家创业公司，就足以形成充分竞争。
他不认为大模型公司可以长期获取暴利。
长期来看，大模型之间真正的差距主要是三点：
成本；
时间；
用户体验。
其中最本质的是成本和时间。
同样的服务，谁能用更低成本提供，谁能更早做出来，谁就更有优势。
21. 中国 AI 的结构性优势主要是成本和产品
梁文锋认为，中国在 AI 上可能有两个结构性优势。
第一是成本。
中国公司会更重视效率和低成本，而美国公司由于资源更多、商业模式不同，不一定会把成本放在最高优先级。
第二是产品体验。
中国互联网公司长期积累了较强的产品能力，因此在用户体验和产品设计上，不一定比美国公司差。
他判断，中国未来在全球 AI 分工中，很可能像其他产业一样，提供规模更大、价格更低的产品和服务。
22. DeepSeek 为什么特别重视模型效率
梁文锋说，DeepSeek 对效率的重视，一方面来自愿景，另一方面来自现实约束。
愿景上，员工希望模型足够便宜，让普通人用得起。
很多员工自己也是普通人，知道使用 AI 是要花钱的，因此会对用户成本有同理心。
现实上，中国算力紧缺。
成本越低，同样的算力就能训练更大的模型，也更容易在国产芯片上运行。
因此，低成本既是结果，也是 DeepSeek 的主动目标。
23. 数据几乎决定了模型的一半
梁文锋认为，数据几乎等于模型能力的一半。
当前 AI 能力提升，很大程度上依赖：
高质量数据；
数据标注；
Post-training；
更好的训练过程。
中国在高端数据标注上，并没有明显成本优势。
高质量数据标注非常昂贵，DeepSeek 目前很难像美国公司一样进行大规模投入。
因此，公司会先做成本较低的数据。
梁文锋甚至表示，公司可能有一半核心研究人员都在参与数据标注相关工作。
他认为，高质量数据问题的主要瓶颈不完全是钱，而是时间。
即使有更多资金，也不可能立刻找到足够的人、建立足够成熟的流程。
他判断，国内可能还需要一年左右，才能在高质量数据方面做得比较好。
24. 幻觉可以改善，但不是当前最核心的问题
梁文锋认为，幻觉问题可以通过更好的 Post-training 改善。
它是一个可以解决、至少可以显著缓解的问题。
但在 DeepSeek 内部，幻觉更接近产品问题，而不是当前最优先的研究主线。
25. 现阶段最重要的应用是 Coding Agent
对于金融、法律、医疗等纵向 Agent，梁文锋说，他还没有完全想清楚国内未来最合理的商业模式。
但现阶段，DeepSeek 认为更重要的是：
通用 Agent；
Coding Agent。
Coding Agent 不仅能够覆盖很多任务，也能直接帮助 DeepSeek 自己提高研发效率。
因此，它的优先级高于很多垂直 Agent。
26. DeepSeek 最大、甚至唯一不能退让的核心利益，是团队稳定
梁文锋认为，只要团队保持稳定，DeepSeek 最终就一定能做成 AGI。
技术遇到挫折，最多只是晚半年或一年。
钱、算力和其他资源，未来都可以继续获得。
真正不可替代的是核心团队。
因此，团队稳定是 DeepSeek 最大的核心利益，甚至可以说是唯一不可退让的利益。
近期融资的一个重要作用，就是通过期权和经济回报稳定核心员工。
梁文锋认为，只要最早、最重要的一批员工稳定，其他人也不太会离开。
因为很多人加入 DeepSeek，不只是为了钱，而是为了在一个可能实现 AGI 的环境中工作。
27. DeepSeek 的组织方式：一半“做正事”，一半自由探索
DeepSeek 的管理同时有两条线。
一条是从下到上。
员工可以自己决定研究什么，没有 KPI，也没有人持续管理。
只要公司资源允许，就可以直接探索自己认为重要的问题。
另一条是从上到下。
当公司需要发布 V4 等重要模型时，会统一分工，全公司协同完成。
这类任务在内部被称为“做正事”。
梁文锋的理想状态是：
“正事”最好不要占用员工一半以上的时间。
剩下至少一半时间，由员工自由研究。
28. DeepSeek 不太加班，因为研究需要松弛，公司也足够聚焦
梁文锋说，DeepSeek 一般不太加班。
第一个原因是，研究需要松弛的环境。
如果把人逼得很紧，就很难产生真正的探索和创新。
第二个原因是，DeepSeek 很聚焦。
因为公司主动放弃了很多事情，所以真正要做的事情并不多，每个人分到的工作也不会无限增加。
这也是为什么 DeepSeek 很多产品并不完善，公司却没有投入大量精力补齐所有细节。
29. 重大决策依赖共识，而不是梁文锋一个人决定
梁文锋表示，公司重大技术、业务和战略决定，主要建立在内部共识上。
他可能会引导方向，但引导作用有限。
如果团队没有共识，一件事情很难真正推动。
他在公司内部的影响力和权威，也建立在形成共识的能力上，而不是单纯依靠职位。
30. DeepSeek 不愿意把其他 AI 公司视为必须击败的对手
梁文锋表示，DeepSeek 不希望与任何互联网大厂或 AI 公司形成敌对关系。
对于阿里、智谱、月之暗面等同行，DeepSeek愿意：
分享开源成果；
帮助复现；
协助部署；
改善生态；
推动 AI 真正进入生产环境。
只要 DeepSeek 仍然聚焦 AGI 主线，并且只获取合理利润，与其他公司的利益就没有根本冲突。
31. Anthropic 当前的优势不是长期优势
梁文锋认为，Anthropic 当前在 Code Agent 上有先发优势，但没有形成长期、绝对性的领先。
OpenAI、Google 和 Anthropic 都很强。
未来 OpenAI 和 Google 很可能交替领先。
DeepSeek 内部也有相当一部分人认为 OpenAI 的模型或产品更好。
长期来看，各家模型之间不会长期维持特别大的差距，最终仍然主要比拼成本、推出时间和用户体验。
32. 对 AGI 和国产硬件时间表的判断
梁文锋没有给出明确的 AGI 时间表。
他认为，在当前 AI 范式下，中国模型可能在一两年内做到与国外接近，甚至当年就在部分模型上实现平替。
但这还不是 AGI。
在他的定义中，AGI 至少需要具备持续学习能力。
国产硬件方面，生态问题可能较快改善，但产能问题还需要几年。
今年、明年、后年可能都仍然会受制于产能，但五年后不一定还会如此。
最后总结
梁文锋描述的 DeepSeek，是一家以 AGI 为长期目标、以愿景和研究文化驱动、强调开源、低成本和商业克制的公司。
它的核心逻辑可以概括为：
不追求拿走最多利益，而是提高实现 AGI 的概率。
不把 C 端、B 端和短期收入当作最终目标，而是视为 AGI 研发过程中自然产生的副产品。
不与所有公司争夺所有环节，而是聚焦模型和智能主线。
不认为开源与商业化冲突，只要公司只获取合理利润。
不认为人才是中国 AI 的核心瓶颈，真正的瓶颈是算力和高质量数据。
认为 Agent 之后最重要的技术突破是持续学习。
希望 AI 首先帮助 DeepSeek 自己研发下一代 AI，再逐步进入自我迭代和具身智能。
而公司唯一不能失去的，是稳定、长期合作的核心团队。
这次交流中，梁文锋比较完整地解释了 DeepSeek 为什么坚持开源、如何看待商业化、公司靠什么组织起来，以及他对 AGI、持续学习、算力和国产芯片的判断。
全文信息量很大，核心可以归纳为以下几点。
1. DeepSeek 的起点不是上市，也不是利润最大化
梁文锋说，最早加入公司的几十个人，并没有想过公司最后要赚多少钱、要不要上市、要不要进入资本市场。
如果一个人一开始就是奔着这些目标来的，他可能也不会加入。
DeepSeek 最初的出发点，是认为这件事对人类有用，是一件金钱以外的事情。公司到现在仍然不是按照商业利益最大化的方式运行。
公司真正依靠的不是规章制度和 KPI，而是愿景。
这个愿景也不是写在墙上的口号，而是体现在公司实际怎么做事、怎么对待世界、怎么做选择。
DeepSeek 的愿景没有被正式写成文件，公司里每个人的理解也可能不完全一样，但大的方向是一致的：
怀着对世界的善意，去做一些真正有用的事情，并最终推动 AGI。
2. “克制”是 DeepSeek 最重要的战略之一
梁文锋反复提到一个词：克制。
他的判断是，AI 这个事情足够大，未来甚至可能占据人类社会 GDP 的很大比例。
在这样一个巨大的市场里，任何一家公司都不可能独占全部利益。越想独占，越容易遇到阻力，也越容易被历史抛弃。
所以，DeepSeek 从一开始就认为，公司必须克制。
不能想着：
人类 GDP 的多少比例都归自己；
中国 AI 的大部分利益都归自己；
有了 C 端用户，就一定要做成下一个字节或腾讯；
每一个商业机会都要抓住；
模型、应用、平台、芯片和流量都要自己控制。
梁文锋的判断是，AI 的利益足够大，只要最终能做成，哪怕只分到很小一部分，收益也会非常可观。
因此，DeepSeek 优先考虑的不是“怎么多拿一点份额”，而是“怎么提高做成 AGI 的概率”。
在他看来，克制不是道德姿态，而是一种战略。
3. 开源不是被迫，而是 DeepSeek 的本意
梁文锋说，DeepSeek 坚持开源，首先是因为愿景本身要求开源。
其次，开源在 AI 时代并不一定与商业化冲突。
传统软件市场可能只有几十亿美元，一旦开源，商业空间可能大幅缩小。
但 AI 的市场足够大，不可能被一家企业独占。既然如此，与其追求垄断，不如通过开放建立生态，并且只获取合理利润。
DeepSeek 对开源的态度包括：
最强模型也可能开源；
开源版本与自己部署的版本保持一致；
不会故意开源一个更差的模型；
希望第三方能够真正部署起来；
愿意帮助开源社区解决部署、效果和成本问题；
不担心第三方拿开源模型与 DeepSeek 竞争。
梁文锋认为，即使模型完全开源，真正把模型部署好、把成本做到足够低，仍然非常难。
原理公开，不代表每家公司都有能力、意愿和组织效率，把这些工作全部做好。
因此，在只赚取合理利润的前提下，开源并不会破坏 DeepSeek 的商业模式。
4. API 定价不是为了收入最大化
DeepSeek 当前 API 定价的标准，大致是买入服务器后，约十个月收回设备成本。
财务上，服务器可能按三年或五年摊销；但商业上，DeepSeek 认为十个月回本已经足够。
梁文锋明确说，这不是利润最大化定价。
因为在当前价格区间，需求弹性已经很低。价格提高一倍，Token 消耗量可能不会明显下降，公司收入却可能接近翻倍。
但 DeepSeek 没有选择把价格设到最高。
他还讲了一个例子：
某款模型最初因为担心需求过多，价格定得比较高，团队内部并不高兴。后来价格降到原来的四分之一，公司群里很多人都在欢呼。
员工高兴的原因是，他们做模型的目的，就是希望模型效果足够好、价格足够低，让更多人用得起。
梁文锋也承认，十个月回本仍然有降价空间。
但现在继续降价，需求不会明显增加，社会价值也不会增加太多，因此没有必要单纯为了更低而继续降价。
5. C 端和 B 端业务，都是 AGI 路上的副产品
去年 DeepSeek 用户突然大量增长时，公司并没有把重点放在抢用户、做变现或成为超级 App 上。
梁文锋说，DeepSeek 完全没有想过要成为下一个字节或腾讯。
公司当然可以投入大量资源与互联网大厂竞争，但最终选择了克制。
在他的比喻中，去年的 C 端用户、今年的 B 端收入，可能都只是前面的“芝麻”，后面的 AGI 才是更大的“西瓜”。
但这些芝麻也不会完全不要。
DeepSeek 会以较低成本维持 C 端用户，也会做好 API 和 B 端服务，因为这些业务可能带来现金流，也可能在未来有用。
只是它们不是公司的最终目标。
对 DeepSeek 来说，C 端和 B 端业务本质上都是研发 AGI 过程中自然产生的中间成果：
模型已经做出来了，就把能力通过产品和 API 提供出去。
因此，公司不需要为商业化额外建立庞大的销售、客服和运营体系，只需要少量人员维护。
梁文锋认为，这是一种“降维打击”：
DeepSeek 站在更高的技术目标上做 AGI，顺带完成了 C 端和 B 端业务。
6. DeepSeek 一直在商业化，但不以商业化为目标
梁文锋并不认为 DeepSeek 是一家完全不考虑收入的研究机构。
他说，DeepSeek 一直在商业化，只是商业化不是第一目标。
公司已经有 C 端用户，也有 B 端收入。
如果 API 需求继续增长，ARR 达到数亿美元是有可能的。如果 AI 相关收入达到十亿美元左右，公司现金流可能就能够覆盖全部研发和运营费用。
他还说，即使后面的技术完全停止进步，DeepSeek 也可以转而全力卖 API，把服务做好。
仅靠 API，可能就足以支撑一家上市公司。
因此，DeepSeek 既有 AGI 的远期目标，也有商业上的保底。
但他认为，现在花很多时间研究广告、电商、本地生活、垂直产品线等商业化路径，仍然太早。
过去三年里，在任何一个时间点提前规划商业化，可能都很快过时，因为技术变化太快。
7. AGI 的路线图：语言模型、CoT、Agent、持续学习、自我迭代、具身智能
梁文锋对 AGI 的路线判断比较清晰。
第一步是语言模型。
第二步是 CoT，也就是思维链。通过让模型自己思考，智能上限被进一步提高。
第三步是 Agent。Agent 建立在语言模型和 CoT 的基础上，使 AI 能够完成更多任务。
但 Agent 仍然不能真正替代员工。
原因不是单点能力不足，而是它缺乏长期上下文和持续学习能力。
一个员工进入公司后，可以花两个月熟悉工作环境，知道“小王”是谁、在哪里、负责什么。
但 AI 如果没有经历这两个月的学习，每次都必须被重新告知全部上下文。
因此，梁文锋认为，Agent 之后最重要的台阶是持续学习。
如果 AI 能够像人一样，在一个环境中长期学习，它的能力就会大幅提高。
持续学习之后，AI 可能逐步具备帮助开发下一代模型、研究下一代 AI 的能力。
这通常被称为“奇点”，但梁文锋认为，它未必是突然发生的临界点，而更可能是一个连续、渐进、但非线性的过程。
再往后，才是具身智能。
最终，人类的需求不是只在电脑上完成任务，而是衣食住行、家务、养老和现实世界劳动。
所以具身智能最终不可绕过。
但 DeepSeek 希望先实现持续学习和 AI 自我迭代，再让 AI 帮助开发具身智能，这样整个路线会更轻松。
8. 下一代模型最重要的能力，是持续学习
梁文锋说，如果下一代模型要出现真正的大突破，它必须具备持续学习能力。
在此之前，模型能做的主要还是：
效果更好；
成本更低；
速度更快；
Agent 能力更强。
但这些仍然只是当前范式内的改进。
持续学习目前仍然是一个没有被解决的问题。
全世界都在研究，也有很多看起来有前景的方向，但还没有哪一种方法真正跑通。
梁文锋说，持续学习不是一项单独的技术，而是一个问题，最终可能由很多算法、架构和工程方法共同解决。
这类研究不一定需要大量算力，也不一定需要大型项目组织。
DeepSeek 内部将其称为“摸奖”：
门槛不高，很多人都可以尝试，但最终谁能找到真正有效的方法，现在并不知道。
9. DeepSeek 的模型首先要对自己有用
梁文锋提到，DeepSeek 内部有一个很重要的叙事：
下一版模型的第一目标，不是让所有外部用户觉得好用，而是让 DeepSeek 自己觉得好用。
也就是：
帮助研究员提高效率；
帮助开发下一版模型；
帮助完成更多研究工作；
加速 DeepSeek 自己实现 AGI。
当模型能够显著帮助 DeepSeek 自身研发时，它自然也可能对其他人有用。
梁文锋认为，AI 加速 AI 研究，是未来智能进步可能出现非线性增长的重要原因。
10. DeepSeek 只做“智能主线”
梁文锋说，DeepSeek 对外的基本边界是，只做 AGI 的主线。
这条主线包括：
语言模型；
CoT；
Agent；
持续学习；
AI 自我迭代；
最终的具身智能。
其他方向是否做，要看它们与智能上限的关系。
多模态会做，因为它对产品很重要。未来 V4 及后续版本会支持原生多模态。
但多模态在 DeepSeek 看来是一个组件，不是智能主线本身。
搜索也是组件。
视频生成在商业上可能是好生意，但梁文锋认为，它与当前智能上限的提升关系不大，所以 DeepSeek 不会因为它商业价值高就去做。
3D 和世界模型，在当前阶段也不是 DeepSeek 的重点。
他的判断是，现在更重要的仍然是把 AI 训练做好，以及解决持续学习问题。
11. Scaling 没有到头，真正限制 DeepSeek 的是算力
梁文锋明确表示，DeepSeek 相信 Scaling。
模型规模越大，效果越好，也能够解锁更多能力。
DeepSeek 没有训练更大的模型，不是因为认为当前模型已经足够，而是因为算力只有这么多。
公司是先看自己有多少资源，再决定能训练多大的模型。
他说，美国讨论 Scaling 是否到头，是因为美国已经把模型推到非常大的规模。
但对中国公司来说，距离 Scaling 上限还很远。
这里的 Scaling 不仅包括参数规模，还包括：
数据规模；
模型规模；
训练成本；
Post-training；
高质量数据。
DeepSeek 目前还没有机会真正触碰 Scaling 的墙。
12. 中国和美国最大的差距，不是人才，而是算力
梁文锋认为，中国与美国在 AI 上最主要的差距是资源。
尤其是算力资源。
人才并不是最大的瓶颈。
国内和海外的很多研究者，本质上来自同一批人。并不存在最聪明的人都去了国外的情况，人才分布有很大的随机性。
国内人才能力上的差距，也很大程度上来自算力不足。
因为算力少，实验机会少，研究经验积累就慢。
因此，模型能力、人才能力和应用能力上的很多差距，最终都可以归因到算力差距。
13. DeepSeek 的算力采购策略：合理价格下，有多少买多少
梁文锋提到，DeepSeek 当时大约有两万张 H 系列等效算力，其中很大一部分是最近一两个月刚到。
未来几个月，公司还会继续大规模采购，主要仍是英伟达设备。
DeepSeek 的策略是：
在合理价格下，能买到多少卡，就买多少卡。
如果融资款能够在半年内全部变成算力，他认为这是最理想的情况。
因为钱放在银行里收益有限，而算力可以用于训练模型、提供服务，并最终转化成现金流。
他甚至表示，如果一年之内能够花掉两百亿元采购算力，说明采购部门做得非常好。
但现实问题不是钱不够，而是买不到足够多的卡。
14. 中国模型与美国模型仍有数量级差距
梁文锋提到，美国最先进模型的激活参数规模可能已经达到约 800B。
而国内模型仍主要处在几十 B 激活参数规模。
如果要训练同等规模模型，可能需要约五万张 GB300，或者约二十万张华为 950。
而且这只是正式训练，不包括前期大量研究实验。
因此，DeepSeek 目前不会直接在最大模型规模上与美国竞争。
公司会先在几十 B 激活参数规模内，把效果和效率做到最好。
梁文锋将当前中国 AI 的竞争状态概括为：
落后美国约 6 到 18 个月，甚至一到两年，但只使用美国大约二十分之一的算力。
未来的目标，是用美国几分之一的算力，把时间差缩短到三到六个月，并在部分重点方向实现超越。
但在总体算力存在数量级差距的情况下，全面超越并不现实。
15. 国产芯片正在迎来历史性机会
梁文锋认为，国产 AI 芯片过去最大的难题是生态，而不只是硬件性能。
过去，英伟达 CUDA 的生态护城河非常强，国产卡即使买到了，也可能难以使用。
但现在情况正在发生变化。
原因包括：
第一，AI 可以帮助编写代码，重建软件生态的成本大幅下降。
第二，TileLang 等高级语言，可以用更少的代码编写算子，提高开发效率。
第三，AI 计算卡正在逐渐脱离过去与游戏卡绑定的路线，专用芯片与 CUDA 的关系会减弱。
梁文锋表示，DeepSeek 训练 V3 时虽然用的是英伟达硬件，但已经尽量不依赖英伟达的软件生态，而是通过 TileLang 等方式建立自己的软件体系。
如果把这一套体系重新适配到华为芯片上，国产卡生态问题就可能被解决。
他预计，一年左右，行业可能会看到国产芯片生态问题被事实验证为“可以解决”。
之后真正的问题将主要是产能。
16. 华为芯片的主要问题是产能
梁文锋提到，DeepSeek 主要与华为合作。
华为大约向 DeepSeek 提供 1.6 万张 950 系列卡。
按照他的说法，四张华为卡大致相当于一张英伟达 B 系列卡，因此 1.6 万张华为卡约相当于 4000 张 B 系列卡。
这个规模不足以训练 DeepSeek 下一代更大的模型，只够训练当前这一代模型。
DeepSeek 使用这些卡，一个重要目的，是参与华为生态建设。
他认为，华为 950 超节点可以在任务能力上平替英伟达 GB200、GB300。
即使价格贵 50%、100%，甚至更高，在无法获得足够英伟达芯片的背景下，也仍然可以接受。
但他也明确承认，国产芯片目前大约存在“四倍加两年”的差距：
四张国产卡约等于一张英伟达卡，产品代际大约落后两年。
17. 国产硬件追赶需要几年，但长期并不悲观
梁文锋认为，今年、明年、后年，国产芯片可能仍然会卡在产能上。
但他不相信五年以后，中国还会持续受制于产能问题。
生态问题有机会较快解决，产能则需要更长时间逐步扩张。
他对国产算力的长期判断整体偏乐观。
18. 英伟达卡可以按五年折旧，华为卡最多按三年折旧
在算力投资回报上，梁文锋认为：
英伟达芯片基本可以按五年折旧；
华为芯片最多按三年折旧。
华为卡生命周期更短，主要是因为其代际本身已经比英伟达晚约两年。
但如果 B200 等英伟达芯片能够以合理价格买到，买多少都是划算的。
当前最大的问题，不是担心芯片几年后过时，而是根本买不到足够多的芯片。
19. DeepSeek 不希望把产业链所有环节都做掉
梁文锋不希望 DeepSeek 进行过度垂直整合。
大型算力集群需要自己建设，但芯片是否自研，要看收益是否足够大。
如果能够以合理价格买到芯片，他更希望由别人来造芯片。
同样，很多下游应用、行业解决方案和商业机会，也应该由合作伙伴来做。
DeepSeek 只想做自己最擅长、最核心的一块。
梁文锋认为，AI 足够大，未来可能产生很多家万亿美元级别的公司。
DeepSeek 只需要成为其中一家，占据其中一小块，不需要把所有利益都拿走。
20. 中国基础模型公司最终一定会收敛
梁文锋认为，中国当前做基础模型的公司太多了。
美国可能主要集中在三家公司，而中国很多公司都在重复做相同的事情，导致资金、算力和人才被分散。
最终，大模型行业一定会收敛。
他判断，中国可能只需要三四家主要基础模型公司，例如两家大公司、两家创业公司，就足以形成充分竞争。
他不认为大模型公司可以长期获取暴利。
长期来看，大模型之间真正的差距主要是三点：
成本；
时间；
用户体验。
其中最本质的是成本和时间。
同样的服务，谁能用更低成本提供，谁能更早做出来，谁就更有优势。
21. 中国 AI 的结构性优势主要是成本和产品
梁文锋认为，中国在 AI 上可能有两个结构性优势。
第一是成本。
中国公司会更重视效率和低成本，而美国公司由于资源更多、商业模式不同，不一定会把成本放在最高优先级。
第二是产品体验。
中国互联网公司长期积累了较强的产品能力，因此在用户体验和产品设计上，不一定比美国公司差。
他判断，中国未来在全球 AI 分工中，很可能像其他产业一样，提供规模更大、价格更低的产品和服务。
22. DeepSeek 为什么特别重视模型效率
梁文锋说，DeepSeek 对效率的重视，一方面来自愿景，另一方面来自现实约束。
愿景上，员工希望模型足够便宜，让普通人用得起。
很多员工自己也是普通人，知道使用 AI 是要花钱的，因此会对用户成本有同理心。
现实上，中国算力紧缺。
成本越低，同样的算力就能训练更大的模型，也更容易在国产芯片上运行。
因此，低成本既是结果，也是 DeepSeek 的主动目标。
23. 数据几乎决定了模型的一半
梁文锋认为，数据几乎等于模型能力的一半。
当前 AI 能力提升，很大程度上依赖：
高质量数据；
数据标注；
Post-training；
更好的训练过程。
中国在高端数据标注上，并没有明显成本优势。
高质量数据标注非常昂贵，DeepSeek 目前很难像美国公司一样进行大规模投入。
因此，公司会先做成本较低的数据。
梁文锋甚至表示，公司可能有一半核心研究人员都在参与数据标注相关工作。
他认为，高质量数据问题的主要瓶颈不完全是钱，而是时间。
即使有更多资金，也不可能立刻找到足够的人、建立足够成熟的流程。
他判断，国内可能还需要一年左右，才能在高质量数据方面做得比较好。
24. 幻觉可以改善，但不是当前最核心的问题
梁文锋认为，幻觉问题可以通过更好的 Post-training 改善。
它是一个可以解决、至少可以显著缓解的问题。
但在 DeepSeek 内部，幻觉更接近产品问题，而不是当前最优先的研究主线。
25. 现阶段最重要的应用是 Coding Agent
对于金融、法律、医疗等纵向 Agent，梁文锋说，他还没有完全想清楚国内未来最合理的商业模式。
但现阶段，DeepSeek 认为更重要的是：
通用 Agent；
Coding Agent。
Coding Agent 不仅能够覆盖很多任务，也能直接帮助 DeepSeek 自己提高研发效率。
因此，它的优先级高于很多垂直 Agent。
26. DeepSeek 最大、甚至唯一不能退让的核心利益，是团队稳定
梁文锋认为，只要团队保持稳定，DeepSeek 最终就一定能做成 AGI。
技术遇到挫折，最多只是晚半年或一年。
钱、算力和其他资源，未来都可以继续获得。
真正不可替代的是核心团队。
因此，团队稳定是 DeepSeek 最大的核心利益，甚至可以说是唯一不可退让的利益。
近期融资的一个重要作用，就是通过期权和经济回报稳定核心员工。
梁文锋认为，只要最早、最重要的一批员工稳定，其他人也不太会离开。
因为很多人加入 DeepSeek，不只是为了钱，而是为了在一个可能实现 AGI 的环境中工作。
27. DeepSeek 的组织方式：一半“做正事”，一半自由探索
DeepSeek 的管理同时有两条线。
一条是从下到上。
员工可以自己决定研究什么，没有 KPI，也没有人持续管理。
只要公司资源允许，就可以直接探索自己认为重要的问题。
另一条是从上到下。
当公司需要发布 V4 等重要模型时，会统一分工，全公司协同完成。
这类任务在内部被称为“做正事”。
梁文锋的理想状态是：
“正事”最好不要占用员工一半以上的时间。
剩下至少一半时间，由员工自由研究。
28. DeepSeek 不太加班，因为研究需要松弛，公司也足够聚焦
梁文锋说，DeepSeek 一般不太加班。
第一个原因是，研究需要松弛的环境。
如果把人逼得很紧，就很难产生真正的探索和创新。
第二个原因是，DeepSeek 很聚焦。
因为公司主动放弃了很多事情，所以真正要做的事情并不多，每个人分到的工作也不会无限增加。
这也是为什么 DeepSeek 很多产品并不完善，公司却没有投入大量精力补齐所有细节。
29. 重大决策依赖共识，而不是梁文锋一个人决定
梁文锋表示，公司重大技术、业务和战略决定，主要建立在内部共识上。
他可能会引导方向，但引导作用有限。
如果团队没有共识，一件事情很难真正推动。
他在公司内部的影响力和权威，也建立在形成共识的能力上，而不是单纯依靠职位。
30. DeepSeek 不愿意把其他 AI 公司视为必须击败的对手
梁文锋表示，DeepSeek 不希望与任何互联网大厂或 AI 公司形成敌对关系。
对于阿里、智谱、月之暗面等同行，DeepSeek愿意：
分享开源成果；
帮助复现；
协助部署；
改善生态；
推动 AI 真正进入生产环境。
只要 DeepSeek 仍然聚焦 AGI 主线，并且只获取合理利润，与其他公司的利益就没有根本冲突。
31. Anthropic 当前的优势不是长期优势
梁文锋认为，Anthropic 当前在 Code Agent 上有先发优势，但没有形成长期、绝对性的领先。
OpenAI、Google 和 Anthropic 都很强。
未来 OpenAI 和 Google 很可能交替领先。
DeepSeek 内部也有相当一部分人认为 OpenAI 的模型或产品更好。
长期来看，各家模型之间不会长期维持特别大的差距，最终仍然主要比拼成本、推出时间和用户体验。
32. 对 AGI 和国产硬件时间表的判断
梁文锋没有给出明确的 AGI 时间表。
他认为，在当前 AI 范式下，中国模型可能在一两年内做到与国外接近，甚至当年就在部分模型上实现平替。
但这还不是 AGI。
在他的定义中，AGI 至少需要具备持续学习能力。
国产硬件方面，生态问题可能较快改善，但产能问题还需要几年。
今年、明年、后年可能都仍然会受制于产能，但五年后不一定还会如此。
最后总结
梁文锋描述的 DeepSeek，是一家以 AGI 为长期目标、以愿景和研究文化驱动、强调开源、低成本和商业克制的公司。
它的核心逻辑可以概括为：
不追求拿走最多利益，而是提高实现 AGI 的概率。
不把 C 端、B 端和短期收入当作最终目标，而是视为 AGI 研发过程中自然产生的副产品。
不与所有公司争夺所有环节，而是聚焦模型和智能主线。
不认为开源与商业化冲突，只要公司只获取合理利润。
不认为人才是中国 AI 的核心瓶颈，真正的瓶颈是算力和高质量数据。
认为 Agent 之后最重要的技术突破是持续学习。
希望 AI 首先帮助 DeepSeek 自己研发下一代 AI，再逐步进入自我迭代和具身智能。
而公司唯一不能失去的，是稳定、长期合作的核心团队。
2 00
