7300字干货版丨梁文锋3小时44分钟闭门会聊了什么？

每经记者｜李蕾  温梦华    每经编辑｜程鹏 易启江    

这两天，梁文锋与投资人的闭门交流实录在网上刷屏，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，闭门会是今年5月召开的，内容真实可信。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技术路线展开；后续约1个小时的Q&A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。

图片来源：视觉中国（资料图）

完整实录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、十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，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、底层经营战略：“克制”是核心战略

我们从⼀开始就觉得需要克制。你越克制，越有可能做成这层事。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。我觉得最主要这是⼀个客观的规律，这是⼀个历史观。

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。

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。在过去三年，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，因为你并不能够预测、不能够预见未来。

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一样。智谱的开源有一种被迫的感觉…… 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。前提是我们只赚六倍的利润，⼗个⽉收回成本，⼤概对应的是六倍的利润。但如果说你要赚⼀百倍利润，那么开源确实会影响你，因为第三⽅会部署，他可能是⼆⼗倍成本，就⽐你低了。

我按⼗个⽉回本这个，就能够让独⽴部署的第三⽅⽆利可图。第三⽅做不到这个成本，所以开源并不会影响我的收⼊。

我们API定价，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。

我们的V3.2 Flash跟其他的，都是⼗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，就是我价格再抬⾼⼀倍，token的消耗量区别不⼤的。

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，⼤家都觉得这个价格是满意的，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：我们只做AGI的主线。这就是我刚刚说的这个GPT、CoT、Agent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，是降维打击。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。通过让它⾃⼰思考，可以让这个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，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。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。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，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。

5、大模型竞争最终差距在成本、时间和用户体验，中美差距在于算力资源

（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，可能是没有什么差距的。

在现在最⼤的模型上，我们其实训不起的。我们哪怕把五百亿全花掉，其实也训不起。哪怕能堆起来也⽤不起。现在最⼤的模型，它激活⼤概是⼋百B（编者注：Billion，十亿参数，下同）；国内的话，我们还在⼏⼗B的这个规模，国内最⼤模型可能就⼏⼗B激活，那么差⼀个数量级。

如果我要训练跟AI同样⼤的模型，应该需要五万张GB300。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，可以认为都是因为算⼒资源上的区别。

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，我们的电⼒最多。

中国⼈会把这产品做到最便宜。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。

OpenAI和Google，未来⼤概率还是会交替上升。其实现在Anthropic在Code Agent上的优势没有那么⼤，其实并没有说它碾压OpenAI。

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。这三家都很厉害，这三家效率是最高的，它花掉的、它烧掉的钱应该是最少的。

6、ToB的需求会快速增⻓，但并不是⽆穷⼤，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。如果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，这是我们的态度。

譬如说，⾄少在To B、To C 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，但我们会不遗余⼒地去推进它的上限

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，是我们没有那么多的算⼒去做这个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。我是按照我的资源来计算，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。

我们还没有机会碰到这个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，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，它应该是能持续学习的。

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。

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。

所以⼏个创业公司，你没有听到他们说低成本是他们追求的东⻄，因为那个不符合他们的利益。低成本了，你还赚什么钱？低成本了，你就收不到什么钱了。

相反，这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，那么别⼈如果便宜⼀点，别⼈能够接受的程度会更⾼。所以我们有很多同学还是希望能够把成本做到更低。

我希望它是⼀个负担得起的，特别是在中国算⼒紧缺这样的背景下，是负担得起的，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。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的Agent

未来我们国内的商业模式是怎么样的，或者说最顺利的路径是怎样的，我们还没有到那个阶段。国内情况和国外情况不⼀定⼀样，国内到时候是什么样，我觉得现在还⽐较难判断。

国内我们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。

对于在纯粹科研、纯粹做AGI的⽅向和资本市场之间的平衡，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。比如明年我们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。

可能就已经不是⼀个纯烧钱的阶段了，所以我感觉后⾯能做的、能操作的动作应该还是⽐较⼤的。或者说，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。

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。

梁文锋QA“六大焦点对谈”

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；但对于我们这些研究的⼈来讲，现在看到更多的是学习，以及怎么解决学习这个问题。

学习不是⼀项技术，它是⼀个问题。怎么解决这个问题，可能有很多种技术。或者说，AGI是由很多东⻄组成的，需要模型还需要很多其他东⻄。其实它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：现在开源后，这个⾏业有多少伙伴、⼈才、团队，能够⽐较好地复现开源⽬前的⼀些模型和成果？当生态进一步发展时，在哪些⽅⾯需要更多⾼质量⼈才来衔接到模型？您认为未来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。我们现在觉得，可能每个企业都⾯临的问题是⼈才不够。但我觉得这个⼈才短缺会是阶段性的。我们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⾮常快会被解决，也就两三年，因为会培养出⼤量的⼈。

AI⼈才的短缺也是阶段性的，是一个短期现象，并且我们已经看到，⼤幅度被缓解了。每个公司很快会把⼈培养出来。历史上页从来没有出现过⻓期缺某⼀类⼈的情况。我还记得⼗⼏年前说⻜⾏员很缺，⻜⾏员的培养周期很⻓，但也很快被解决了。

所以⼤家不⽤担⼼，以及国内现在做模型的公司还是太多了。美国可能就三家，中国做基模的东⻄太多了，所以资源也是⽐较分散，某种程度上也⽐较浪费。最终⼀定是不需要那么多⼈去做基模的，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，所以⼀定要⾃⼰做。但当他发现这个事情可能没有那么⾼利润的时候，可能就不做了。这意味着我们是处在⼀个阶段上：如果有⼀个⾮常⾼的利润率，这⼀定不符合客观规律。中国最后有个三四家竞争，竞争就很充分了，价格绝对已经够打价格战了。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。我不认为⼤模型公司可以拿⾛⼤部分利润，这个不可能，因为这么多家⼤模型公司，现在差距不⽤那么⼤。差距只有两个东⻄：⼀个是时间，⼀个是成本。所以不⾄于哪⼀家有暴利，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。

焦点三

问：真正到AGI的时候，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。⽬前这个数据，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。我觉得有两点超越的，⽐如说围棋，AlphaGo 他下了⼀⼿⼈类从来没有⻅到过的棋。就是说，他肯定是在⼀定的范围内超越⼈类的。 

但是他可能也有上限，他可能也是有局限性。但是这个局限性我们现在看不到。所以笼统地认为，它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 这⼀块，未来相信算⼒现在⼤家都是千亿美元级别地在投⼊。我们相信中国⼈未来在硬件上是使命必达，但有可能这个在实践的过程当中，⽬前还是⼀个掣肘。那么未来会不会是两⽅⾯向下⽽⾏？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：英伟达的卡基本上你可以按照五年折旧。如果说B200现在能买到多少，我觉得都划算。假如说对于腾讯来讲，阿⾥巴巴能买到的话，再看量；如果合理价格能买到，肯定都是划算的。但不是⼀个算成本的时候。 

我们算⼒落后，这是⼀个事实。这个事实通过三⽅⾯来消解。第⼀⽅⾯是我们承受模型落后，我们只能够⽤⽐他们更⼩的模型，⼩多少问题就是训练。我们要承受⼀定的模型落后，以及模型的尺⼨更⼩。这落后有⼀个好处，落后意味着你有更多的时间，你有⼀定的技术，然后可以⽤巧妙的⽅法。

所以我们跟美国的差距可能是落后美国12个月~18 个⽉，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。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，以及我们甚⾄可以在某⼀些⽅⾯超越他们。不过，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，我们有⼀些地⽅超越可能是可以的。

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。⽬前来看，从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，我们现在还没有找到⾮常work 的⽅法。全世界都还没有找到好的⽅法，⼤家都在摸索。所以现在还在摸索阶段，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，有很多现在看起来有前途的⼀些想法，但是都还没有做通。

其次，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的开发。它能够提升DeepSeek的效率，我们的模型最⾸先是提⾼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得好⽤，⽽是我们⾃⼰好⽤，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，但是确实很多⼈就是这么想的。⽽不是说⽤户好⽤，我是希望对我们⾃⼰帮助更⼤，这样我们实现AGI会快很多。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，它还是只是跟⼈搭配，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：因为解决持续学习这个问题，可以⼤⼤加快我们的研发进度。如果我先解决了持续学习这个问题，那么通⽤智能这个问题就不在话下了。我有了AI的辅助，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。所以这是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。

（免责声明：本文内容与数据仅供参考，不构成投资建议，使用前请核实。据此操作，风险自担。）

记者|李蕾 温梦华

编辑|程鹏 易启江

校对|张锦河

封面图片来源：视觉中国（资料图）

｜每日经济新闻  nbdnews  原创文章｜

未经许可禁止转载、摘编、复制及镜像等使用