DeepSeek，也许是当下中国AI产业最受瞩目的公司，没有之一。
不久前，DeepSeek完成了成立以来的首轮外部融资：募资总额超500亿元人民币（约合74亿美元），投前估值约3675亿元（约合543亿美元）。投资方阵容中，梁文锋个人出资200亿元，腾讯出资100亿元，宁德时代出资50亿元，网易、京东、IDG资本各出资30亿元，国家人工智能产业投资基金出资10亿元。这也打破了梁文锋此前“不融资、不上市、不商业化”的原则。
在5月20日的一场投资者交流会上，梁文锋用三个多小时，系统分享了DeepSeek的组织文化、开源逻辑、技术路线，以及对未来行业竞争格局的判断。
在沟通会上，梁文锋表示：“只要我能够保持团队的稳定性，我一定能做成，一定能做成AGI，就这么简单。”
另一个他反复强调的关键词是“克制”——为什么克制是战略，为什么开源不影响商业化，以及为什么“团队稳定”是他唯一不肯退让的核心利益。
观察者网整理了本次沟通会上梁文锋的核心观点，文末附交流会完整实录，仅做部分编辑。
核心观点梳理
1、“克制”是一种战略
梁文锋把“克制”视为DeepSeek的核心战略，而非一种道德姿态。他判断AI的蛋糕足够大——最终可能占到人类社会GDP的约10%——任何人都无法独占，越想多拿，反而越难做成。
公司初衷不是赚钱、上市，而是“怀着对世界非常大的善意”去做一件对人类有用的事，靠愿景而非KPI把团队组织起来。
定价只赚“合理利润”：以约十个月收回设备成本为标准，大致对应六倍利润。
这并非利润最大化——当前价格区间需求缺乏弹性，再降价需求也不会明显增加。
曾主动把某款模型价格降到四分之一，消息在公司群里传开后“很多人欢呼”。
“克制是一种战略。有时候你可以舍弃一些，来换更多其他的东西。”
2、开源与商业化并不冲突
针对外界最关心的开源问题，梁文锋明确表示DeepSeek会持续开源，包括最强的模型；他“看不到闭源有什么必然的好处”。
只赚约六倍利润的前提下，开源不影响商业模式；只有想赚“一百倍利润”时，才会被第三方部署冲击。
开源模型与自己部署的模型完全一致，不会“开源一个差一点的、自己用一个更好的”。
不担心竞争对手部署自家模型来抢生意，反而愿意帮助大家把模型部署起来——因为部署与成本控制的门槛本身就很高。
开源也是“克制”与“让利”的一部分：对内凝聚团队，对外赢得社会与同行的认同。
“我不担心他会跟我抢这个生意，因为这个市场足够大；我只担心他部署不起来。”
3、AGI是唯一主线：一张“有迹可循”的阶梯
梁文锋把AI的发展看作一级级台阶，每一步都建立在前一步之上，整条路线“比较清晰”。DeepSeek只做这条通往AGI的主线。
语言模型→思维链CoT→Agent→持续学习→自我迭代“奇点”→具身智能
当前站在Agent这一级，看得见的下一个瓶颈是“持续学习”——让模型像人一样在环境中持续学习，而不是一次性训练。
所谓“奇点”不是突变，而是一个渐进、非线性的过程：模型最终能自己迭代出自己的下一版。
不在主线上的暂不做：3D、视频生成、世界模型被判断为与“智能上限”关系不大。
多模态被视为“组件”而非主线，但V4的后续版本会支持原生多模态。
“AI这个智能的走向，它是有迹可循的。”
4、唯一的核心利益：团队稳定
在几乎所有方面都强调克制的梁文锋，把“团队稳定性”列为DeepSeek唯一不可退让的核心利益，甚至可以说是唯一的核心利益。
只要最核心、最资深的员工不走，就“基本上没有什么风险”，其余都只是时间问题；近期融资让期权兑现，已较大程度化解这一风险。
公司“没有组织”，靠愿景驱动、无强制KPI；管理分“从上到下做正事”与“从下到上自由探索”两条线，且“正事”最好不超过一半时间。
一般不加班：做研究需要松弛的环境，加上“非常聚焦、要做的事情很少”。
重大决策建立在“共识”之上，创始人的引导作用有限。
“只要我能够保持团队的稳定性，我一定能做成，一定能做成AGI，就这么简单。”
5、与美国的差距，只在算力
梁文锋判断，中美之间几乎所有差距——人才、模型能力、应用——本质上都可以归因于算力资源的差距。
人才几乎没有差距（“就是同一批人”），瓶颈是资源；算力少也反过来限制了人才培养。
目前约“两万张H等效”算力，正激进扩充，策略是“合理价格下能买多少买多少”，甚至愿意付一定溢价。
与美国的叙事是“落后一到两年，但只用它二十分之一的算力”把事情做出来；下一步目标是把落后压缩到3—6个月，并在部分重点方向实现超越。
数据几乎等于“模型的一半”：目前约一半核心研究员在做数据标注，瓶颈是时间而非资本，中国在高端标注上并无成本优势。
“我们跟美国的差距主要在资源上面，人上面差距不是很大的。”
6、国产芯片的“历史性机遇”
梁文锋对国产算力“比较乐观”，认为英伟达CUDA的护城河正在快速瓦解，国产替代迎来一次历史性机会。
护城河瓦解有三重原因：AI能帮着写代码重建生态、TileLang等新型高级语言、以及计算卡与游戏卡解耦后走向专用芯片。
华为950超节点在性能与任务上可“平替”英伟达GB200/GB300，代价是“四张顶一张、落后约两年”，价格贵一倍左右也可接受。
判断一年之内会用事实扭转“国产卡生态不好”的认知——硬件与生态都没问题，唯一的问题是产能（华为目前约给1.6万张950，约合4000张B系列）。
DeepSeek主要与华为合作，核心工作是把TileLang编译器做好；V3训练已用英伟达的卡，却基本不依赖其生态。
“在这一点上，英伟达是在掘自己的坟墓。”
7、C端、B端都是“副产品”，终局看成本
梁文锋强调DeepSeek“一直在做商业化，只是没有以商业化为目标”。C端用户与B端收入，都是通往AGI路上的中间产物。
站在技术高位去做相对低级别的产品，是一种“降维打击”——去年没在C端发力，用户却“赶都赶不走”；今年B端增长也较乐观。
现阶段花大精力规划产品线和商业化路径“都太早”，因为变化太快、产品生命周期太短。
最坏情况下“全力卖API”也足以支撑一家上市公司；若B端收入继续扩大，公司离净利润已不远。
大模型终局差距只剩三点——成本、时间、用户体验；中国大概率扮演“产能最大、AI最便宜”的角色，成为全球“三体之一”。
“拿得多的人会被拿得少的人打败——所以我们只赚一个合理的收益。”
附：交流会完整实录
愿景是我们组织的方式
包括我们公司的其他同事在内，我们一开始做这个公司的初衷，并没有想过最后要赚多少钱、要到资本市场上去、要上市、要怎么样，我们没有这样的初衷。
最开始的几十个人完全没有这么想过。如果一个人这么想，他就不会来。所以总体来讲，我们是怀着对这个世界非常大的善意来做这件事的，我们觉得这是对人类有用的事情，是一件金钱以外的事情。
当然，到了后面，发现这件事利益非常大之后，又会有其他的诱惑，那是另外一回事。但我们出发的初衷、我们的愿景，以及我们保持到现在的这个愿景，不是按照商业利益最大化的方式来做的。我觉得这一点比较关键。
大概二十年前，在管理上我最崇拜的是杰克·韦尔奇，就是GE的前CEO。现在回头看，他说的大部分东西可能都已经不对了，但他最重要的一点说对了：一个公司最重要的是它的愿景。
管理一个大公司，靠的不是规章制度，靠的是愿景。愿景是什么呢？愿景不是挂在墙上的标语，愿景是你怎么做，而不是怎么说，就是你实际怎么运行。杰克·韦尔奇的原话我忘了，大概是这个意思。
所以，我们是怎么管理这么多人、怎么组织起来的？其实我们没有组织，就是愿景驱动的，靠一个愿景来组织。我们是没有组织的。
这有好处，也有坏处。未来我们会想办法扬长避短，但这是我们的特色。我们并不是以"我要实现什么KPI"的方式来做，没有考核，只有愿景。
这个愿景甚至不是成文的，从来没有写出来过任何东西。这个愿景存在于我们做事情的方法里、我们对待这个世界的态度里。可能我们公司每个人对这个愿景的理解也不一样，每个人的愿景也有差别，但在大的方向上是一致的。
我觉得，还是怀着对这个世界非常大的善意，想做一点事情。我们就是用这个把大家组织起来的。
接下来我先讲，讲完之后大家再提问。我可能会围绕着这个愿景来讲后面的事情。这个愿景是真的，不是编出来的，我们是真的这么想、真的这么做的。否则你没法解释我们的很多事情。
为什么坚持开源
为什么我们这么坚持开源？因为这个愿景本身就要求开源。没有这个愿景，你没法把人组织起来。
比如说，智谱也开源，但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，他们觉得这不是本意；但对我们来讲，开源就是我们的本意。
在开源这件事情上，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这件事在商业上做成，开源是有好处的。
这听起来有点矛盾，有点违反直觉，因为在历史上，开源跟商业化是有冲突的。但我觉得AI跟以前不一样。历史上，一个软件公司的市场一年可能就几十亿美金，一开源，市场就没有了，可能就只剩下几千万或几亿美金。
但AI这件事足够大，最终它可能要占掉人类社会GDP的百分之十，比如说。那其实是一个非常大的数字。这件事你不可能独占，你一定得跟别人分享，否则你肯定活不下来。
这跟之前开源一个软件可能是不一样的，因为那个软件的市场没那么大，而AI这件事实在太大了。如果我们想独占这个利益，那一定是要被历史抛弃的。我觉得最主要的是，这是一个客观规律，这是一种历史观。
并不是说我不开源，我就能独占这个市场，这在理论上就不符合客观事实。你一定会遇到很多阻力，一定会有其他方法阻止你实现这个目标。
在这种情况下，我觉得不一定要按照传统的商业思维来做。你需要有一套机制来确保你自己能够获得的利益是有限的，那样你才有可能做成。我觉得是需要克制的。
如果我们想在我们手上把AI这件事做成，首先第一点，我觉得就是需要克制。不能想着人类GDP的百分之多少都归我了，或者说中国GDP的百分之多少都归我了。你越这么想，越做不成。
所以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，当然也是一个宏观层面的考虑。
我觉得这是符合直觉的，至少符合我的直觉，或者说至少我是真的这么想的。我们并没有非常多的其他优势，我们没有什么本事，我们并不比别人有钱，也不能说我们的人员比其他公司更好，其实没有。
你想，我们两年前成立这个公司的时候，既没有很多钱，又没有很多卡，又没有什么知名度，也没有什么号召力，我们就是一群非常平凡的人。
我们真的就是一群平凡的人。我喜欢的叙事是：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。这跟我们的克制是很有关系的，跟我们的克制、我们的愿景是一脉相承的。
那么，开源跟商业化会不会有冲突？我觉得在AI这件事情上，你不克制，就做不起来。开源属于克制的一部分，而我们的克制不仅表现在开源上，还表现在很多方面。但总体上来讲，我们不用刻意去考虑开源这件事，也不用刻意考虑克制这件事情。
你越克制，可能就越容易做成——或者说至少到目前为止，这个判断是被印证的，是能解释得通的。否则没有办法解释为什么我们能够做成：我们并没有什么武器，起点又非常低，资源又非常少，我们的人其实就是随机的一群平凡人。我自己也就是一个大学毕业生，还不是最顶级学校毕业的。
这个克制也是我们愿景里的一部分。AI这件事太大了，利益太大了。我们非常克制——只要能够做成，最后的利益都会非常大。你随便分一点，利益就非常大。所以现在根本不用考虑要拿这里面的哪一部分利益、怎么拿，我觉得根本不用考虑这件事，因为这个利益足够大了。
API定价的逻辑：十个月收回成本
你只要分一点点，就已经很足够了。所以我们之前说，我们只赚取一个合理的利润，看的是意愿，而不是把利润做到最大，这是不一样的。这就是我们的API定价逻辑。我们API定价所对应的"合理利润"，大概就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。
在当前的情况下，考虑到风险、前期投入等等，一台服务器我们在财务上按照三年或者五年摊销，但在商业上，大概十个月收回成本，我们就觉得够了。所以这就是我们现在API定价的逻辑。我们的V3.2、Flash跟其他的模型，都是按十个月收回设备成本来定价的。
这就是我们的标准。它其实不是利润最大化的定价。如果要利润最大化，应该把价格定得更高。因为在这个价格区间，用户的需求是没有弹性的：我价格再翻一半，或者价格再抬高一倍，token的消耗量区别不大。如果我价格贵一倍，我的总收入就接近翻一倍。
我跟你们讲个故事。我们那个模型，一开始我们担心需求太多，所以把价格定得比较高，团队里大家不是很高兴。后来我把价格又降下来了，降到四分之一，大家就很开心。
我觉得这个才是我们真实的想法，就是我前面说的愿景：我们还是要让这个东西对人有用，而不是让我们赚最多的钱——是在能够赚到合理利润的情况下，让大家都用得起。我们公司其他人的想法也是这样：那时候降价的时候，公司群里很多人是欢呼的，大家都觉得很开心。
因为这就是我们花了这么多精力、这么用心把模型做好的目的。目的就是让它非常便宜、效果非常好，让大家都能够充分地用。我们觉得这很开心，这是我们的动力，这是我们的愿景，这是我们公司能够凝聚到一起去做这件事的共识，是我们公司内部的共识。
这一点应该是比较特殊的。因为降价对于我们的竞争对手来讲，肯定不是好事，他们一定不会欢呼。因为你的收入、你的ARR，价格降一半，ARR就掉一半。对，这是我们不一样的地方。
我们觉得这就够了。从公司内部来讲，十个月收回成本，商业上我已经非常满意了。对公司外部来讲，我们也觉得这个价格是大家比较开心、比较乐意看到的，是双赢的——公司跟社会、跟所有人都双赢。
OK，刚刚有人在屏幕上留言说，十个月回本这个利润太高了。确实还有降价的空间，模型的优化上也还有空间，所以整体降价空间还是比较大的。
但是十个月回本这个成本，我们自己能做到，其他家做不到。像阿里或者腾讯，没有我们这样的优化，他们的成本应该要比这个高好几倍。这里面还是有很多优化的工作。
刚刚说我们为什么不继续降价，是因为需求没有弹性了。就是我再降价，需求不会更多了，或者说需求增加得很少了。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，不会因为价格贵而不用。
所以再降价，首先公司不会有更多的收入，对社会来讲也没有更多的价值，因为这个价格大家都满意了。价格再低，对社会的幸福感也没有增加很多。
克制是一种战略
在定价这件事情上，我们肯定不是以公司收入最高或者利润最高为出发点的。这是我们克制的一部分。因为从短期来讲，价格高一点，你可能收入多一点；但从长期来讲，还真不好说。我觉得克制是一种策略。
对我来讲，克制是一种战略。它的意义在于，有时候你可以舍弃一些东西，来换取更多其他的东西。开源这件事其实也是一样的，也可以认为是我们的让利。
首先，这个让利对于公司内部来讲，我们很高兴，大家都很开心，员工觉得很有成就感，我们会因此有凝聚力。同时这个让利对社会是有好处的，社会也很高兴，其他同行或者普通人都会很高兴。所以这种克制，我的理解是，从长远来讲能够增加我们做成AGI的概率。
在考虑一件事的时候，我毫不怀疑AGI会有非常大的商业价值。那么在这个基础上，我优先考虑的不是怎么多拿一点份额，而是怎么增加我能够做成的概率。
这个克制还体现在很多其他方面。比如说，去年春节我们的用户突然很多，但我们并没有去追求留住这些用户，或者拿这些用户来变现，或者去抢这些商业利益、在用户身上兑现。
我们没有去抢用户，没有去赚钱，但我们很努力地想办法把用户服务好。我们不会有这样的想法：说我要做成下一个超级App，要去跟谁竞争，要做成下一个字节、下一个腾讯——完全没有这样的想法。
我们是可以这么做的，但我们没有这么做。我的理解是，这也是克制的一部分。你不要想着什么钱都要赚，好像有了用户之后，就能做成下一个字节，就把那块市场吃下来。
我觉得这在商业上是行得通的，是有可能的。如果去年我们花大笔钱去跟字节抢用户，也是一种打法。但我们选择的是一种非常克制的做法：我不跟你争这个东西，因为后面还有西瓜，前面的可能都是芝麻。
我不应该什么芝麻都去抢。当然，这个芝麻可能比较大，但我觉得跟后面的AI相比，前面的都不算大。现在来看，去年我们没有在C端发力，可能是对的。因为能看到后面真的有更大的西瓜，前面真的只是一些小芝麻。
如果去年我们有很多钱，把这件事做得非常大，有什么好处？你并没有得到什么东西。这些是我的真实想法。因为我觉得后面的AGI机会应该是非常大的，后面的AGI机会永远是非常大的。
我甚至不用考虑到时候我在里面占一个什么位置，或者我的商业模式是什么，我们根本就不用考虑。只要有那么大的商业机会，你一定是有办法的。前面的芝麻我们也会捡，但就是随手捡一点，并不会停下来，或者把它当成重要的事情来做。
所以去年C端日活这些，我觉得可能就是个小事。但我们也捡了，我们用一个比较低的成本维持了用户的使用，因为有可能以后是有用的。虽然现在不知道这些用户有什么用，现在它是一个纯成本的支出，但以后可能是有用的。
既然是随手能拿到的，我们就会顺手拿。包括今年来看，很有可能我们在API或者AI方面的ARR收入也是有机会的。如果这个需求可以继续扩大，如果能买到更多的显卡，那么ARR做到几个亿美金是很有可能的。
如果说能做到十亿美金的话，那基本上我们公司的现金流可能就能回正了，能够cover我的研发费用，cover我的所有费用。所以这也是有可能的，但我们没有把它当成一个优先事项来做。
这件事我们会做，但它不是我们第一优先考虑的，或者说不是我们今天真正关心的。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，这些事要做，要把它做好，但这不是我们的目标。
或者说，我们公司大部分人不认为这是一件非常重要的事情，不认为这是跟AGI比较起来同等重要的问题。
开源与商业模式没有冲突
开源可以多说一下，因为之前有很多问题问的都是开源。首先，我们是会开源的，我们最强的模型可能也是会开源的。因为我看不到闭源有什么好处，看不到必然的好处。字节的模型是闭源的，它有什么好处？我看不到有什么好处。
哪怕模型开源了，你把所有东西都告诉别人，使用的门槛也非常高。别人要用起来很难；其次，要用起来还要把成本做得很低，也是难上加难，没有那么容易。
并不是我开源了，别人就能轻易做到跟我一样的部署成本，这里面还是有很多工作要做的。虽然这些工作的原理都明白，但不是每一家公司都有这个意愿和能力去组织人力达到这个目标。
这一点我也很习惯。大公司可能就不擅长做这种事，因为它内部阻力太大了。它要控制这个成本很难，它有很多管理上的以及物理上的制约。这也是创业公司的优势。但创业公司如果太小的话，又没有力量来做这件事；如果是大公司，又很难组织。
这件事情两头都有难点，所以这属于我们这个规模的公司的一个甜区（sweet point）。如果我们更大了，可能会有其他问题；如果更小，力量又会不足。
至于开源之后的定价，我也不会收一个非常高的费用，还是可能按照十个月回本来收费。按十个月回本，就已经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，他肯定做不到。
所以开源并不会影响我的收入。当然，如果说我要赚一百倍的利润，那开源就有影响了。
开源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，大概对应的是六倍利润。在只赚六倍利润的情况下，开源不会有什么影响。
但如果你要赚一百倍利润，那么开源确实会影响你赚一百倍利润，因为第三方会自己部署，他的成本可能就比你低了。
这个模式是不是长期可持续的？我觉得是可以的。在我们这个愿景下，开源是长期可以持续的，或者说我们是打算这么做的。你可以认为，这就是克制，也是让利换取长期利益。
这个策略能够让我们在技术前沿有更多的机会，我们做成AGI的概率也更大，我们更从容。
你想，我们根本都不用加班，因为就没那么难。但对其他家来讲可能就很难，因为想要的太多了。
其实不难的，根本就不难。从外面看起来，我们好像选了一个很难的模式：我们要做研究，要去做最难的事情，好像是hard模式。但其实我们在其他地方舍弃了很多，使得我们还是非常有余力的，我们做得非常轻松。
所以对开源这件事，我的判断是，它是可持续的。开源和商业付费之间没有冲突——前提是在六倍利润的情况下没有冲突。
六倍利润看起来很高，但其实不高。因为在现在AI效率这么高的情况下，一个合理利润可能就是这么多。未来它可能会降到四倍、三倍，我觉得再往下也不可能再降了。但它还是会有很大的利润。
光看卖API这件事，我并不觉得它有那么大吸引力。但就这件事本身，可以说明开源和商业化之间没有冲突，我没有看到有什么冲突。
我也不担心别人部署我们的模型来跟我们竞争，一点都不担心。我们还希望他们能够部署起来。
我们尽可能给开源社区提供帮助，协助大家把我们的模型部署起来。我不担心他跟我抢生意，因为这个市场足够大。我只担心他部署不起来，有些细节没做对，效果变得比较差，或者成本比较高。
对，这里是没有冲突的。
去年有To B生意的时候，被问得比较多的是：我开源了，C端是不是会跟我自己的C端冲突？因为我没有流量优势——比如腾讯自己流量很多，它部署我们的开源模型，是不是就把所有C端用户都接过去了，把我的C端用户都抢走了？
但其实并不会，这里面有很多原因。
还有一个问题是：我们开源的模型，跟我们自己部署的模型是不是一样的？是一样的。我们不会开源一个差一点的模型，然后自己部署时用一个更好的模型，不会的，是一样的。
这也说明它其实没有冲突。去年一整年，C端我基本上就是开源的状态，C端的服务没有看到冲突，真的没有看到冲突。所以，这就是开源的部分。
长期愿景：AGI的路线图
下面讲公司的长期vision。我觉得我们的目标应该是AGI。每个人对AGI的定义不一定一样，但这不妨碍我们把AGI当做我们的目标。
从技术路线上来看，AGI这条路线图其实是比较清晰的。目前这一代AI技术，如果你能够把一个问题描述得很清楚，给它完整的上下文和指令，它已经超过人类了。但这里有个前提：你要给它完整的上下文、完整的指令。
而这个前提是很难达到的。比如说我们今天开会，其实我们前面有很长很强的上下文，可能大家有几十年的上下文，这是AI不具备的。现在AI能具备的是，在一个局限的上下文里，它能做得比人更好。
但它还是替代不了人类。这里面还差一个东西，就是持续学习。因为人是能够持续学习的。你招一个员工，他可能花两个月时间来熟悉公司的环境、熟悉他的工作，两个月后他就可以上手了。
他就能做很多事情。他能够听懂你说的话——比如你说"叫那个小王来"，他就知道小王是谁。但如果是AI的话，因为它前面没有这两个月的学习，没有这个上下文。
你跟它说"叫小王过来"，你得告诉它小王是谁、什么职务、他在哪里、要怎么去找他、找他的时候要注意什么。你得给AI所有的上下文。在这种情况下AI是能做的，但你不可能给它所有的上下文，这不现实。
所以AI并不能替代你的员工。但如果AI具有持续学习的能力，它就能跟你的员工一样，到公司学习两个月，然后就可以替代天下的人了。所以我们离下一步，还差一个"学习如何学习"。
AI的发展，我们可以理解成一个阶梯。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，可以提高上限，让AI能做更多的事情。
于是我们又跨过了一个阶梯。今年的阶梯就是Agent。因为我们发现，用Agent的方式，更多的事情可以做了，它的能力范围会更大，智能上限会更高。
为什么说是阶梯呢？因为后面的每一步都是建立在前面的基础上的。Agent要用到CoT，CoT也要用到前面的阶梯——前面的阶梯就是语言模型。所以没有一步是白走的。
所以，AI的发展、智能的走向是有迹可循的。今年走的这个阶梯是Agent，但Agent这个阶梯也是会走完的。当它把所有可能解决的问题都解决完之后，它还是不能替代你的员工，但它已经到它能力的上限了。
就好像CoT一样。CoT到它的上限之后，已经超过最顶尖的人类了，在做奥数题、写程序上已经超过最顶尖的人类了。但它还是停在那个地方，那个技术并没有能够到达AGI。
所以你看，AI智能的走向是有迹可循的。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——不是说你要给它一次很强的训练，而是它应该能够像人一样，做比较长时间的持续学习。
这个问题跟完成任务等等是同一回事，它们相关，解决的是同一个问题。我们现在站在Agent这个位置，能看到的下一个瓶颈就是持续学习。下一个要解决的问题，就是怎么持续学习，这是看得到的，是相对来讲比较明确的。
这是卡在前面的障碍，你必须要跨过去，而且一定是有办法跨过去的，但需要时间。持续学习解决之后，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下一个版本，能够自己做研究，开发更先进的人工智能模型。所以它会到达一个奇点，能够实现自我迭代。
但这个奇点其实并不是一个突变的奇点，它也是一个渐进的过程。这个过程可能是一个比较长的渐变，不是突变。只是习惯上，我们都认为它可能是个奇点。
因为在很早之前，那些预言家认为这里会有个奇点，但其实它不是一个奇点，它是一个连续的过程。这一步走完之后，我觉得才是具身智能。
这是我们的推测。我们觉得时间表应该是：先解决"学习如何学习"，然后到达智能的奇点——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。
我们觉得这是一个比较理想的路线图。当然每个人的观点不一样，没有对错之分。只是我们觉得，这个路线图是最轻松的。
这个路线图之所以轻松，是因为每一步你要新做的东西都很少。沿着这个路线图，我们可以不用加班。但如果路线图是反过来的，比如要先实现具身智能，那就会做得很累，那是一个很苦的活。我们不希望是那样的路线图，我们希望做得轻松一点。
如果我们先解决持续学习，再解决自我迭代的奇点，再解决具身智能，这条路就很轻松。因为到了后面，你可以用前面的技术来帮助开发后面的技术。奇点之后再做具身智能，就不用人来做了，模型自己就可以做出来。
所以这就是对"我们的长期目标是什么"的回答：我们的长期目标就是AGI。
C端与B端都是做AGI的副产品
大家回到现实。去年最重要的现实就是，大家都要做Chatbot，要抢C端的流量。今年的现实是，大家都要抢To B的收入，要参与到这里面去——因为如果不参与，根本就不在牌桌上，对不对？
但我们并不认为它是一件重要的事情。在我们公司内部，我们真正关心的，其实是刚刚我说的AGI路线图，以及下一步技术怎么突破。
但有一点很奇怪：你最想得到的东西，反而得不到；那些你并没有那么在意的事情，反而还蛮容易得到。
这里面有一个战略上的优势：我们心里想着AGI，做的是AGI。那我们再去做应用、做C端、B端的时候，根本就不用花太多心思，其实花很少的精力就可以了。
我觉得，你站在一个技术的高位上，去做相对低一级别的技术，是有降维打击的效果的。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。
因为真的是赶不走，所以最终都还在。今年B端的收入，现在看起来增长也比较乐观。我估计这个数字跟同行比的话，应该也是比较好的。但我们并没有花很大的精力去做这件事。
在做智能上限提升的路上，AGI这一步是我必须走的，是个台阶。通往AGI的路上，我要经过这个台阶。那么我把这些技术通过API给大家提供服务，我没有干额外的事情。
我们还是在做AGI，这（API）是一个副产品。我只要安排几个人维护这个API就可以了，甚至客服都没有，也不用销售，什么都不需要，用户自己就会来。
或者说，C端和B端，都是我们做AGI路上的副产物，都是一个中间产出，跟我做AGI没有冲突。我并不是为了做C端或者B端而去做它，而是我们做AGI就是为了做AGI，刚好能产出这个东西，我就把它拿来做商业化了。
这跟其他公司不一样。其他公司是为了服务C端用户或者B端用户而去做模型。但对我们来讲，初衷不是这样的，我们的初衷还是追求AGI。
我觉得这在一定程度上是一种降维打击。AGI是更大的愿景，这个愿景能够凝聚起更多优秀的人，它有更强的凝聚力。所以我在组织上有优势，然后我利用这个优势——它就是一种降维打击。
但如果你是一个商业公司，你的愿景就是服务好C端用户，那是另外一个故事。他有其他的优势，在产品上、用户服务上、流量上会有优势，但是在技术上没有优势。
现在比较有利的形势是，模型技术是最重要的。你要先把模型做好。这可以解释我们之前的发展轨迹：我们真的是选择了AGI，我根本没有想着要做很多用户。
去年春节我们突然火的时候，那不在我们的剧本里，我们完全没有想过那个东西。我们就是想把技术做好。但那时候我发现，我们这个组织，相对于完全商业化、以产品为目标的组织来讲，在人才跟组织上是有额外优势的。
这也很神奇。那时候C端大家都抢得头破血流，结果被一个没有去抢的人牵走了。这也确实说明我前面说的逻辑是有道理的，确实是有人才和组织上的优势。
这个人才优势不是说我的人比别人更聪明，而是这些人才我怎么组织起来、怎么激励他们、怎么让他们合作，这个东西是有优势的。因为你把聪明的人聚在一起，并不是说他们自然而然就能合作，自然而然就能非常有激情地奔着一个目标去完成，所以你需要一个愿景。
我们前面的经历给我的启示是：AGI这个愿景是很强大的。
核心利益只有一个：团队稳定性
前面说了，我们在很多方面都非常克制。但我们的核心利益是什么？其实我们的核心利益只有一点：最大的核心利益是保持团队的稳定性。这是我们最大的核心利益，甚至可以认为是唯一的核心利益。
只要我能够保持团队的稳定性，我一定能做成，一定能做成AGI，就这么简单。只要大家都不走，我们能够继续做，基本上没有什么风险。只是早一点晚一点的问题；就算遇到挫折，只要大家都不走，我又可以继续。
钱肯定不是问题，资源不是问题，其他要素都是容易获得的。对我们来讲，只有一个核心利益，只有一个没法退让的东西：我们必须保持团队的稳定性。
这也是我们面临的一个非常大的挑战，或者说，我觉得是最大的风险。当然，这个风险随着我们近期的这一次融资得到了比较大的解除，因为大家拿到的期权还是比较多的，金额还是比较大的。
从团队稳定性来讲，只要最重要的一些员工、最老的员工能够稳定，其他人是不太会走的。其他人哪怕期权少一点、收入少一点，他也不会走。因为他不是全奔着钱来的，大家都希望在一个能够做成AGI的环境里去做这件事。
所以对人才来讲，我们还是有吸引力的。从历史上看，我们的人才流动是比较少的，跟同行比，我们的人才流动一直是比较少的。但是，这依然是我们最大的挑战，可以说是唯一的挑战。
其他都是时间问题，其他因素最多导致我们晚半年、晚一年，但不会导致做不出来。肯定不缺钱，肯定不缺资源，这些都是不缺的。
所以我们现在做的很多事情，都是为了保持团队的稳定性。除了这一点以外，其他我觉得都是可以不要的，都是可以克制的。我们一直非常克制，不愿意跟任何一家互联网大厂或者小厂成为对手。
我希望能够给他们赋能，或者说希望能够协助大家去做这些事情。这也是我们前面说的商业意义的一部分。前提是大家不要动我们的核心利益——
在这个前提下，我们很愿意协助、帮助任何人，甚至我们的竞争对手，包括阿里、智谱、月之暗面，帮他们做得更好。因为我们并不损失什么东西，我们本来就是开源的。开源的边界也没有说得那么清楚——怎么做、希望你能够复现；你如果复现不了，你讲，我告诉你怎么复现。
这本来就是开源的一部分，不会因为你是竞争对手就区别对待。当然，如果是合作伙伴，我们会做更多的事情。但在大的利益上是没有冲突的。
只做AGI主线：不做视频生成和世界模型
在对外打交道的时候，我们的态度是：我们只做AGI的主线。就是我刚刚说的语言模型、CoT、Agent等等，只做主线。AI领域很广泛，有很多东西我们觉得不在这个主线上，比如说3D、视频生成，我觉得跟智能的主线没有太大的关系，我们不会去做。
还有一些，比如世界模型，我觉得现在跟智能的上限也没有太大的关系，所以我们也不会去做。但其他人做，我们很乐意帮忙。有没有时间是一回事，但利益上是没有冲突的。
我们也希望这些AI技术能够用到各种生产环境里去，能够提高社会的生产效率，帮助各行各业提高生产效率。我们是非常有动力做这件事的。
我有没有时间、有没有人手，或者我们的同学自己感不感兴趣，那是另外一回事。但在利益上是没有冲突的，我们是希望能够达到这个目的的。并且我们认为，这跟商业没有任何冲突，我该拿到的利益还是没有少。
我们之前一直秉持这种态度，其实并没有因此少拿到任何东西。并没有因为我开源，因为我们的善意、我对其他人提供帮助，而导致我们少拿了任何东西。比如说去年的C端用户，我们现在C端用户还是比较多的，也还是比较稳固的。
我们今年的B端，我觉得也是比较乐观的。我并没有因为我们的善意而影响到商业利益，完全没有影响，反而可能还有加分。这看起来违反直觉，但它确实是这样的。或者反过来想：如果违背这一点，我能够拿到更多东西吗？没有。
有个问题是，怎么理解"世界模型和AI智能上限提高没有关系"？我说的是在现在这个阶段，这是我们的判断。这是我们自己的AI路线图，不是唯一的路线图。
从我们的理解和判断来看，当前最重要的是把AI训练做好。把AI训练做好，并不需要世界模型，甚至不用多模态。因为你把AI训练的范围缩小一点，没有多模态，只是有一部分任务你做不了，但不影响这个算法的成立。
多模态最终还是要做的。现在重要的是训练，下一步要解决的是持续学习的问题，再下一步要解决的是它自己问问题。但是这个路线图里没有世界模型，没有视频生成。
视频生成一开始出来的时候就很火，好像这是必须要做的，如果你不做，你就不是一个AI公司一样。所以我就很奇怪——其实你只要仔细想一下，它跟智能的路线图是没有什么关系的。
事实上你也发现了，视频生成在Sora出来之后，所有人都做，大公司、小公司都做。但是小公司后来都把它砍掉了。它跟智能的上限没有关系。
但在商业上，它是个好生意。可这跟智能没有什么关系。我们不会因为它是一个好生意而去做它，我们只会因为它是智能路线图上的东西才去做。
视频生成这个例子相对比较清楚，所以拿它举例。而世界模型的含义就没那么清楚，因为很多东西都可以说是世界模型。
从我们的判断来看，世界模型在现在这个阶段还不是最重要的事情。最重要的是AI训练，以及AI训练之后怎么解决持续学习。这是我们公司的判断，当然每个公司的判断是不一样的。
与美国的差距：资源，而不是人才
我刚才说的是对公司来讲最重要的问题，就是人员的稳定性。从另外一个维度来讲，我们缺什么呢？我们跟美国的差距是什么？其实差距只有一点，就是资源。
我们没有那么多卡，我们卡的数量还是比较少的。我们现在大概是两万张H等效算力，其中大部分是最近一两个月刚到的，可能还有很多机器还没有到。
我们总的算力去年比较少，今年我们在非常激进地扩充算力。我们现在大概是两万张H等效，接下来几个月还会有大批量的机器买过来，基本上都是英伟达。
我们需要多少卡？现在肯定是越多越好。在我们能够承受的范围内，肯定是卡越多越好，这是毫无疑问的。所以我们现在的策略是：在合理的价格范围内，能买到多少卡就买多少卡。
这笔融资的钱，能买多少卡我就买多少卡。花钱的速度不在计划里面，只要价格合理，有多少我都买。如果我在半年之内就把钱花完了，我觉得是个好事。如果半年之内把钱都花完，那太幸福了，太理想了。
实际上，要把这么多钱花完非常不容易。买不到那么多卡，很难买，而且价格也很高。也不能花非常高的价格去买，还得确保这个价格是合理的。
如果我半年之内就把这个钱花完，可能是最理想的。因为把钱变成英伟达的卡，肯定比放在银行里好。放在银行里，现在可能就是两个点的利息；但买英伟达的卡，是十个月回本的生意。
所以肯定是能买到多少就买多少。买了卡之后，后面我有很多空间，通过提供服务等方式，我总是能够有现金流的。有现金流我就可以活，我就不需要在账上放很多很多钱。
所以说，我们只担心买不到那么多卡。如果能够把钱都变成卡，我们会毫不犹豫地把所有的钱都变成卡，并且我们是愿意付一定溢价的。我们愿意付一定的溢价去把钱变成卡，因为这太划算了。
哪怕付完溢价之后，其实我们也很难实现这个目标。客观上来讲，如果今年能够花掉两百亿，那就属于我们采购部门业绩超级好了。
我们跟美国的差距主要在资源上，人的差距不是很大。人上面几乎没有差距，因为就是同一批人，都是中国人。中国人出去的时候，有一些人留在国内，有些人去了国外，但并不是说聪明的人都去了国外，没有的。
其实是比较随机的。最聪明的那些人，可能一半多一点去了国外，一半少一点留在国内。国内人才是不缺的，而且我们的基数大，每年有那么多人的补充。
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跟美国有差距。人才的差距，本质上也是因为算力的差距。
在现在最大的模型上，我们其实是训不起的。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，激活大概是八百B；国内的话，我们还在几十B的规模，国内最大的模型可能就是几十B激活，差一个数量级。
如果我要训练跟美国同样大的模型，应该需要五万张GB300，或者二十万张华为950。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。
我们现在的资源，以及今年之内、接下来几个月到位的资源，包括马上要到的大批资源，也只够我们在几十B激活的规模里做更多的实验。因为在几十B激活的这个规模里，还有很多实验要做，还有很多事情需要搞清楚。我们离能够训八百B的模型还比较远，还需要非常多的时间，没有那么多卡。
所以我们跟美国的区别，我认为就是资源上的区别。我们可以认为，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——都是因为算力资源上的区别。
算力资源的差距，一方面是国内本身卡就买不到，另一方面是我们的资本投入比美国少。我们在资本投入层面上少了很多。人才的工资在这里面占的比重是很低的——你看他们开的薪水，一个亿美金这种，但算下来，人才的薪水占比还是很少，大头还是算力。
这个问题目前基本上无解，因为华为的产量也是有限的。我要训八百B的话，就得要二十万张华为最新的卡，这还只是训练，没有考虑做研究。
所以我们现在根本不会考虑到这么大的规模上去跟美国竞争。我们现在是在我们能够训练得起、用得起的规模上——就是几十B激活的规模上——先把它做好。等下一步有更多资源的时候，再把它做到一百五十B、两百五十B激活的规模。
所以我们跟美国在这里有一个目前看起来很难弥补的差距。你硬要训那么大的模型也是能训的，但是你没法做充分的研究——就是在训之前，没法做充分的研究。
大模型竞争的终局：成本、时间、体验
还有个大家比较关心的问题：所有大模型竞争，终局的差距会体现在什么地方？我觉得最终可能是没有太大差距的。
最终的差距应该是三方面：一是成本，二是时间，三是用户体验。除此以外，可能没有什么差距。
成本比较好理解：提供同样质量的服务，你能够以什么成本来提供。就好比比亚迪的电池，在同等技术水平的情况下，其他家是不是能够按照这个价格来提供？我觉得这是比较难的事情，不是那么容易做到的，肯定是壁垒。
所以成本肯定是一个差异，我觉得成本可能是排在第一位的区别。第二个就是时间：你什么时候能够做到。你早几个月、晚几个月，就不一样了。
第三个可能是体验。用户体验还是有些不一样的，用户中间还是会有一些粘性和壁垒，但它可能不本质。本质的还是第一成本、第二时间——你是先做出来还是后做出来，做到同样的东西，是快一点还是慢一点。
现在谈商业化路径为时过早
长期商业化路径和产品线进一步丰富后怎么定价？我们觉得现在最值得做、最值得花精力的，还是做AGI，就是把AGI再往前推，把智能的上限往上推。
在现阶段，这比做更多的产品线、考虑更多商业化路径更划算，或者说是一个收益更大的路径。我觉得在未来的一段时间，以及过去的任何一段时间，可能都是这样的。
我们花很多时间去思考怎么丰富我们的产品，有什么用吗？
半年前讨论出来的商业化是什么？一定是我要去做广告，要去做电商，要在产品里植入电商，要跟本地生活做很大的整合。肯定没用的，因为变化太快了。如果在现在这个阶段花很多时间做商业化的考虑、商业化路径，产品线的生命周期会很短。
我觉得还没有到那个时候。这是我们的判断，或者说至少前面的这些经验都支持这个判断。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，因为你并不能预测、不能预见未来。你能够预见的是很少的。
关于"做全球领先的AGI研究，并在适当时候进行商业化"：我觉得我们一直在做商业化，只是没有以商业化为目标。我们是以AGI为目标，但一直在做商业化，所以我们才有C端的用户，才有B端的收入。
从历史经验来看，这个策略是成功的。而且我觉得，我们离彻底转向商业化的时间点应该还很遥远。所以最重要的还是技术的延伸，做下一代的技术，更多地解决现在的问题。从收益比来看，我个人觉得，在现在能看到的未来，任何一个时候你聚焦在产品上都太早了。
所以这也是我们克制的一部分。我希望这些商业机会能够让其他人来做。我们希望这些商业机会、怎么用这个AI，是整个社会、我们所有的合作伙伴一起来做，大家一起来分享这个收益，而不是我想独吞——这不可能，而且我们没有那么多精力，我们的组织也没有那么多人去做这些事情。
对于合作伙伴，其实我们这次融资是精心挑选的。具体怎么合作可以再提议，但首先我觉得，要利益比较一致——就是跟我们利益最一致的、对我们最没有敌意的，或者说最希望我们能够做成功的。不是所有人都希望我们做成功，因为我们还是损害了很多其他人的利益的。
决策机制：建立在共识之上
关于公司重大战略、技术业务决定的流程和决策机制：我们公司整体上是建立在共识的基础上的。并不是我一个人决定所有事情，而是我要寻求共识。我在公司内的权威和影响力，是建立在共识的基础上的。
比如我要做一件事情，我肯定是先看大家的共识是什么，大家想不想做。然后我可能会有一些引导或者倾向，但这个引导的作用是有限的，是非常有限的，还是建立在共识的基础上。这个决策机制其实是一种寻求共识的机制。并不是说我能够强行推动什么事情——一定是有共识，我才推得下去，我才会去推。
目前我的主要精力基本上都在DeepSeek这边。
模型竞争格局与中国的角色
各家模型最终效果拉开差距，应该是综合性的。比较模型效果，肯定得在相同的成本上来比较，这才有意义。就像你比较两辆车，也是拿同价位的车来比较。
做得好的模型跟做得差的模型，差别应该不是在具体某个环节，而是在整体上。
Anthropic现在超过OpenAI，这是不是长期的？我觉得这不是长期的，这肯定是阶段性的。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，并没有碾压OpenAI。
我们公司可能有一半的人，平时觉得OpenAI是更好的。Anthropic有先发优势，但这个先发优势应该很快就没了，并不是一个能够长期占得住的优势。这三家都很厉害，这三家的效率是最高的，他们花掉的、烧掉的钱应该是最少的。
在全球AI的分工中，中国公司很有可能扮演的角色还是产量最大。按常理讲，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，所以最终在AI上，我们很有可能是"三体"之一。
中国人会把这个产品做到最便宜，然后在效果上，就像现在很多商品，中国产的跟美国产的并没有太大的区别。未来AI可能也是这样，但中国产的AI价格会更便宜。这个便宜可能是系统性的低，就跟其他行业里中国提供的服务更便宜是一样的。
我要做事情的时候，习惯的思考方式是：我现在这个时候做什么收益最大？如果我觉得现在做产品收益最大，我就去做产品；如果我觉得现在把AGI往前推收益最大，就先去做AGI。显然，我觉得现在做产品不是收益最大的。
国产芯片的历史性机遇
关于国产卡适配的问题：国产卡现在其实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——买了卡之后用不起来，它没有英伟达那个生态。所以说英伟达的护城河是很强的。
但是这个事情正在发生变化。英伟达CUDA的护城河正在快速被瓦解，原因可能有三方面。一方面是现在有了AI。有了AI之后，要建立起这个生态比以前容易很多了，因为AI可以写代码。
我可以用AI来构建这个生态，把跟英伟达一模一样的生态构建出来。这是第一个，因为有AI。第二个，有一些新的技术。比如说，我们家出了一个技术，叫TileLang，是一种高级语言。
用这个高级语言来写CUDA的算子，可以很快地把英伟达的整套生态全部重写一遍。再结合AI，这件事看起来没有什么障碍。现在还没有完成，还没有做完，不过这个技术路线看起来是没有什么障碍的。
还有一点：英伟达的CUDA是从游戏卡演变出来的，所以它在很多地方的设计跟游戏卡是一脉相承的，CUDA是兼容游戏卡的。以前AI计算是一个很小的领域，比游戏卡的市场要小，所以这样做是合理的。
但是现在计算卡的市场已经比游戏卡更大了，就没有理由这两个还耦合在一起。现在的趋势是，以后就不再耦合了。那么专用芯片——不管是华为还是英伟达自己——以后都是专用芯片，都不是之前的那些东西了。
在这个背景下，原来英伟达生态的作用就大幅度减少了。因为对于一个专用芯片来讲，它跟CUDA没有什么关系，跟CUDA是不绑定的。或者说，这个芯片在设计的时候，就已经考虑到怎么建立自己的生态了。
有点复杂，但anyway，国产AI芯片替代现在是有一个历史性机会的。我们认为，未来一年之内，我们能够看到一件事情被验证：国产芯片的生态完全没有问题。之前大家认为是有问题的，认为用不起来、不好用，但未来一年之内，我觉得我们能够扭转这个认知，或者说会用事实来扭转它。
国产AI芯片的硬件和生态都没有问题，唯一有问题的是产能不够。国产卡适配这一点没有障碍，英伟达挡不住。如果是在一个正常的商业环境里，我能买到英伟达的卡，那么国产替代是比较难的；但在英伟达的卡买不到的情况下，所有人都迫不得已，都要去做国产芯片。
在这个背景下，国产卡的适配是没有任何障碍的。国产卡建立起跟英伟达一样、甚至比英伟达还好的生态，我觉得没有障碍，但还需要时间。
我们现在主要是跟华为合作。华为他们自己做适配，但我们会参与这个生态，会深入参与到华为的生态里去。华为的问题还是产能不足。华为给我们的大概是一万六千张卡的产能，互联网大厂可能是十几万张，我们一万多张——但这可能已经是华为能给的全部产能了。
所以我们也没法指望在华为的卡上训后面那个更大的模型，就是几百B参数激活的模型，今年是没法指望的。但是明年、后年说不定是有机会的。
华为卡适配，我们主要做的工作是把它的高级语言编译器做好，把TileLang做好。把TileLang做好之后，问题可能就迎刃而解了。这个事情说起来比较复杂，但我们在做，做完之后再来解释会清晰得多。
你可以这样理解：V3训练的时候，用的还是英伟达的卡，但已经不用英伟达的生态了。V3用英伟达的卡，但没有用英伟达的生态，而是我们先写了一个高级编译器叫TileLang，然后基于TileLang的生态来完成其他所有的事情，就已经几乎不依赖英伟达的生态了。
只要我把这一套东西、把这个过程在华为卡上重新做一遍，那么就完成了。我觉得这可能是一个历史性的使命，可以完全扭转之前大家对国产卡生态不好的认知。现在天时地利基本上都全了，就差时间。我觉得一年之内，应该会有很多人明白这个问题算是解决了，剩下的就是产能问题。
我对国产算力是比较乐观的。我觉得在这一点上，英伟达是在掘自己的坟墓。华为的950超节点，在性能和价格上可以完全平替英伟达的GB200、GB300。价格肯定要贵，但贵得有限。贵百分之五十、百分之一百无所谓，贵百分之两百都无所谓。
比如贵百分之一百，我觉得已经可以认为在价格上可以平替了。在任务上也是可以平替的：所有GB300能做的任务，华为超节点都能做，延时什么的都一样。唯一的代价是，四张华为卡顶一张英伟达的卡，同时落后两年。
四张顶一张这个好理解。落后两年的意思是：四张华为950能顶一张GB300，而华为950超节点是今年Q3还是Q4的货，英伟达GB200是两年前Q3的货，差两年。英伟达今年Q3可能已经有新一代了。所以我们跟美国在芯片上的差距，我认为生态上以后不会再有差距，但在芯片上是"四倍加两年"。
不做垂直整合，只做自己那一块
还有问题是，我们会不会向上游进行垂直整合？我希望不要。我希望是其他人来做这些事情。
我不希望把所有东西都吃了，我只要吃我最擅长的那一块，或者我们自己认为最核心的那一块，跟用户直接相关的那一块。我觉得对于我们的很多产业伙伴来讲，他们比我们更关注类似的领域，那应该是别人的意义所在，不应该由我来把它全部占了。
未来我们会不会自建大型集群？自建大型集群是肯定要的，我们一直在做这件事，我们所有的集群都是自己建的。但未来要不要自研芯片，我觉得取决于这里的收益有多大。
打个比方，假如你是运营发电厂的，你并不一定需要去造发电机，对不对？发电设备可以是别人造的，只要它的价格合理，你为什么要自己造？
所以，我希望不用去做芯片。我希望能够以合理的价格买到芯片，这样我就不用去做芯片。我觉得很有可能会是这样，最近英伟达芯片的利润也不见得能一直维持。
我们希望只做一块。AI这件事很大，并不需要我全做，我只做一块。如果聚焦，并且这里的生意利益已经足够大——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。我们一直做其中一小块，我们是其中一家已经没有什么问题了，并不需要我雄心勃勃地去做别的地方。你真的想做别的，反而会分散精力。这是我们的态度。
比如说，至少在To B、To C这两个业务上，目前能看到的是：真的一心想做To C闭环的，反而没有我们做得好；真的想做To B闭环的，说不定也没有我们做得好。你想要得越多，反而越得不到。
To B这个可以多说几句。To B业务的上限应该还是需求。在现在这一代AI技术的背景下，To B的需求应该是有限的。它会快速增长，但并不是一个无穷大的事情，最终还是受制于需求，而不是算力。
在当前技术条件下，收入有多大，最终还是取决于需求。你这样想：我十个月就能收回成本，如果需求有去处，我肯定一直买卡——买不动是因为没有那么多需求。对，需求应该会越来越大；如果技术持续有突破，这个需求会越来越大。
多模态与Scaling
多模态布局，我们一直在做。对产品来讲，它很重要；对C端用户产品来讲，它很重要。但是对智能的上限来讲，它是一个组件，不是主线本身。
作为一个组件，多模态我们肯定会做，而且我们也在做。我们应该会上相关的模型，就是我们V4、V4的后续版本会支持原生的多模态。但我们对多模态的理解是：对智能来讲它是个组件，我们不把它当作智能本身。它跟搜索一样——搜索是一个组件，多模态在我们的理解里也是一个组件。
Scaling方面，我们是信Scaling的。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的其实是算力，并不是我们不想Scaling，而是我们没有那么多算力去做这个Scaling。
我们没有触摸到上限在哪里。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，并不是说这个模型就够了。
目前来看，模型变大的收益还是非常明显的。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，那是对硅谷来说的；对中国人来讲，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，还有训练成本。我们离探索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Scaling的上限。
包括我们融资完之后，有了更多的算力，可能会训练更大的模型。能在越短的时间内买到卡越好；如果能半年把钱全花完，那是最好的，但实际上做不到。
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，才能叫下一代模型。在那之前，我们能做的就是把成本降下来、效果做得更好、速度做得更快。但要有大突破，它应该是具备持续学习能力的。
为什么在乎模型的计算效率
还有一个问题：为什么我们特别在乎模型的计算效率？因为我确实发现，不是所有人都很在乎模型的效率。对一个商业化公司来讲，没有动力去追求模型的效率。
所以有几个创业公司，你没有听到他们说低成本是他们追求的东西，因为那不符合他们的利益。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，他知道用这个东西是要花钱的。他有这个同理心：别人要花钱来用，那么如果便宜一点，别人能够接受的程度会更高。
所以我们有很多同学希望我们能够把成本做到更低。但如果从商业角度讲，其实不会这么考虑——从商业角度讲，成本不是第一优先级。
不管是对创业公司还是大公司来讲，这个服务成本根本就不高。但我们希望它是比较轻的，是负担得起的——特别是在中国算力紧缺的背景下，是负担得起的，是能在国产卡上用的。
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。我们还有很多算法上的方法，成本还可以继续往下走。
成本往下走还有一个原因：成本越低，我就越能训练更大的模型，越能承担得起更大的模型。在同样的算力上，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。
大公司不一定会这么考虑。对大公司来讲，资源是可以加的，可以通过加资源来解决。但是我们会优先考虑成本效率。
拿得多的会被拿得少的打败
为什么我会觉得，假设AI能够占GDP的百分之二十，如果我想在这里面占百分之五，绝对行不通？因为我肯定会被另外一个人打败——如果另外一个人说我只要占百分之一，那我肯定就会被他打败。
如果说我的目标是占全人类GDP的百分之五，理论上算这个账还是成立的。你看OpenAI，他算这个账好像是能算得过来的，理论上没问题。但他有个问题：他会被另外一个愿意只占百分之一的人打败。
因为另外一个人说，我做得这么好，但我只要拿全球GDP的百分之一就可以了，那么就会把他打败。这时候如果又出来另外一个人，说我只要百分之零点一就可以了，那么又会把前面的人打败。
从宏观上来讲，不管这百分之几是从哪里拿，彼此之间没有区别，都是一样的：拿得多的人会被拿得少的人打败。甚至你还不用真的拿得多——你的愿景如果是拿得多，你就会被愿景是拿得少的人打败。
其实大家都还没有拿到钱，只是一个愿景。你的愿景是拿得多，你就先输了，你就会面临更大的困难。这个世界就是这样。
OpenAI从一开始觉得他真的能够垄断这个世界，但实际上他会遇到很多很多挑战者。他会遇到挑战，就不会那么轻松。他遇到过美国的挑战，未来可能还会遇到中国的挑战，因为中国人愿意拿得更少，就可以给你提供这个服务。
在中国，也会有人愿意拿得更少一点。但最后这里会有个平衡：因为你拿得太少之后，公司的商业逻辑就不成立，就活不下去了。所以你拿得太少，你活不下去；你拿得太多，你会被拿得少的人打败。
所以对我们来讲，我们并不是要拿最多的利润，或者按收益最大化来定价，而是只赚一个合理的收益。这是一个解释。
我是相信这个事的，我并不是在为这件事情找理由，因为没必要找理由。我本来就是这么做的，我这么做肯定是有理由的。这个理由可能不是非常惯常，但我觉得我们公司本来就不惯常。
组织方式：两条线，不加班
我们公司的管理其实是两条线：一条线是从上到下，一条是从下到上。从下而上，就是每个人自己想做什么就自己做，没有人管他，没有KPI。
从上到下，比如说我们要发V4，那么就得分工，每个人得做一部分。那个是从上到下的，我们把从上到下的这部分叫做"正事"。
一般我们希望"正事"不要占用员工所有时间的一半以上，就是正事不要超过一半。他还有一半的时间是不被安排的，想做什么就做什么。这是一个研究的范围，让他可以自己去探索——按照他觉得什么重要，他就去探索什么，没有前置的要求。
只要公司算力能够支持他做，或者说他不需要算力、需要的资源很少，那么他根本就不用来协调。所以我们现在是这样的一个组织方式。
有些人觉得我们是从上而下的，有些人觉得我们是从下而上的，我觉得两个都对。我的一个标准是：正事最好不要超过一半。
我们一般也不太加班。不加班有两个原因。第一个是，做研究需要一个比较松弛的环境。你如果逼得很紧，就没法做研究。因为做研究就是要你自己有兴趣，自己平时去想这些问题，所以得在一个比较松弛的环境里，才有可能去探索。这是出于研究文化的需要。
第二个是，我们非常聚焦。非常聚焦就意味着我们要做的事情很少。没那么多事情要做，就不需要加班。
这跟前面说的克制是一脉相承的。因为我克制，所以很多事情我就不做了。要做的事情少了，每个人分到的工作就少了。你看我们的产品很多都不完善，我们也没有去补它。这也是我们的一种文化。
OK，因为问题很多，我大部分都扫了一遍。大家还有什么问题，可以提问。
现场问答
问题1：梁总，您能分享更多关于持续学习什么时候带来突破的时间线吗？包括如果要实现持续学习，还需要哪些架构、算法的创新，以及其他关键要素？
答：这个还需要研究，现在全世界都在研究这个问题。或者说，对投资人来讲，现在看到最多的是Agent；但对于我们这些做研究的人来讲，现在看到更多的是学习，以及怎么解决学习这个问题。
其实"学习"可能不是一项技术，它是一个问题。怎么解决这个问题，可能有很多种技术。它不是一个东西，会是很多东西。或者说，AGI是由很多东西组成的，需要模型，还需要很多其他东西。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，也有很多研究在做。
问题2：在未来生态的共建当中，现在开源之后，这个行业里有多少伙伴、人才、团队，能够比较好地复现咱们开源的模型和成果？未来想让这个生态进一步发展的时候，您感觉在哪几个方面需要更多高质量的人才来衔接我们的模型、把它复现？还是说现在GPU算力相对稀缺？大家未来会不会是一种模型矩阵的方式——把大模型基模做得越来越好，各行各业的伙伴去做垂直行业模型或应用模型？未来两年、三年，您感觉会长成一个什么样的生态？
第二个问题，关于AI硬件：全球大公司可能单体都会做千亿美元级别的投入，中国目前在硬件算力上有些短板。您感觉多长时间可以解决，让算力和硬件短板不给AGI拖后腿？这是不是中国人未来使命必达、只是时间和资金投入的问题？同时会不会是两方面相向而行——一方面模型进步让单一任务对算力的消耗逐渐递减（"巧算"），另一方面硬件进步让算力效能更强？还有，用现在的卡去建万卡集群，三年之后它会不会就变成相对不那么先进、甚至有冗余的算力？
答：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。每个行业发展的初期，人才都是不够的。
包括以前做网站，刚开始做网站的时候，做网站的人很少，人才很缺。后来互联网要做服务端，人才也很缺。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，并且我们已经看到，它被大幅度缓解了。因为AI人才真的不缺，每个公司很快会把人培养出来，培养人是很快的。所以，AI这个行业整体上，不管是生态、模型公司还是什么，人才都不缺。
人才缺肯定是一个短期现象。历史上从来没有出现过长期缺某一类人的情况。我还记得十几年前说飞行员很缺，飞行员的培养周期很长，但也很快被解决了。所以大家不用担心缺人才的问题。
另外，国内现在做模型的公司有点太多了，还是太多了。美国可能就三家，中国做基模的太多了。最终一定是不需要那么多人去做基模的，一定会收敛。所以资源也比较分散，某种程度上也比较浪费。
每一家都要做同样的事情，但美国只要三家做，资源只集中在这三家。中国资源分得很散，每一家拿到的资源就更少。我觉得这个肯定是会收敛的，一定会，但这需要过程，最终一定会收敛。
不需要那么多家。因为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。这里面肯定是没有那么高利润的，我不相信有那么高的利润，因为这不符合客观规律。
这意味着我们处在一个阶段上：如果有一个非常高的利润率，这一定不符合客观规律。我们应该是一个合理的利润。所以这是产业的一个现状，我觉得肯定会收敛。
做大模型的这一部分，不要说某一家独占、"我要拿走全部利润"，这个肯定不行。如果每一家都只拿合理的利润，那其实不需要那么多人去做大模型。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。
至于生态上的，我没有什么太多的想法。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。我们是有这个意愿的，并且不会有利益冲突，但我们有没有去做是另外一回事。至少这里面是没有利益冲突的，我们是希望合作共赢的。
首先，我绝对不认为大模型公司可以拿走大部分利润，这不可能。因为这么多家大模型公司，相互之间差距没有那么大。差距只有两个东西：一个是时间，一个是成本。所以不至于哪一家有暴利，我觉得不至于有暴利。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，仅此而已。
问题3：比如说数据这一块，现在公开的数据，相信模型公司都已经有渠道获取，只是时间和成本的问题。那么后续真正到AGI的时候，理想状态是模型可以自我迭代、自我学习、自己训练自己。这一块，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？如果还是需要真实数据，会不会限制AI的智能停留在人类过往的层面？还是说可以通过模拟数据、仿真数据、创造数据等方式，让模型能力超越人类过往的所有真实数据？
答：我觉得是能超越的。比如说围棋，AlphaGo下了一手人类从来没有见过的棋。就是说，它肯定是能在一定的范围内超越人类的。但它可能也有上限，可能也有局限性。只是这个局限性我们现在看不到。所以我们笼统地认为，它是可以在人类已有的、我们已经能说出来的知识之上，予以超越的。
问题4：那这块后续是靠真实数据还是仿真数据？它会work吗？
答：会有很多方法。
问题5：对于AI Infra这一块，未来算力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的，但在实践过程中目前还是一个掣肘。未来会不会是两方面相向而行——一方面模型能力迭代后，对算力从"硬算"变成"巧算"，单位任务对算力的消耗逐步边际降低；另一方面卡的能力提升、单卡效率提升？现在建了万卡集群、买了H200或者950，过两三年会不会就变成相对没那么优质、相对陈旧的器件？
答：英伟达的卡基本上可以按照五年折旧，华为的卡最多按三年折旧吧。华为950今年用还挺好的，明年用我觉得还可以，后面再用可能就真的太费电了。
华为卡的生命周期肯定会短一点，因为它本来就已经比英伟达晚两年了。但是我觉得差距没那么大。如果说B200现在能买到多少，我觉得都划算。假如对于腾讯、阿里巴巴来讲，能买到的话，再看量；如果合理价格能买到，肯定都是划算的。但现在不是一个算成本的时候，相信也买不到。
我们算力落后，这是一个事实。这个事实要通过三方面来消解。第一方面是我们承受模型落后：我们只能用比他们更小的模型，要承受一定的模型落后，以及模型的尺寸更小。这个落后有一个好处：落后意味着你有更多的时间，你有一定的确定性，这样你就可以用巧妙的方法。
所以我们跟美国的差距，可能是落后美国12个月，或者12到18个月，或者说6到12个月。反正简单说，之前的叙事就是落后美国两年，然后只用美国二十分之一的算力把这个事情做出来。
这个叙事就是：落后一到两年，但只用它二十分之一的算力。那么未来我们要把这个叙事改写：我们用它几分之一的算力，但是把这个时间差缩得更短，缩到6个月、3个月，我觉得这是一个目标。甚至我们可以在某一些方面超越他们。在总体算力还有数量级差距的情况下，全面超越是不现实的；但是在某一些重点的、有取舍的地方，我们有一些地方实现超越可能是可以的。
问题6：刚才提到我们这一阶段要解决的核心问题是持续学习，这也是国外研究的热点，叫Recursive Improvement。想请教从技术上最大的难点是什么？从您的视角来看，这个什么时候可以解决？第二个问题，您提到先解决持续学习，然后再去做通用智能，背后的技术根源是什么？是不是意味着解决完持续学习以后，DeepSeek后续也会做通用智能？
答：技术问题解释起来有点复杂。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，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。我们有很多思路，有很多现在看起来有前途的想法，但是都还没有做通。
第二个是，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。
或者说简单一点：我们做的模型，第一目标不是让大家用得好用，而是我们自己用得好用。首先是对我们自己有用。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。
我们内部很多人的想法是这样的：首先要对我们自己有用，首先是给我们自己用。这是实现AGI最快的方法。当我们自己觉得好用，那意味着可能别人也好用，但是首先得保证我们自己好用。这个叙事有点奇怪，但确实很多人就是这么想的。现在是非常确定的：我们确实需要人工智能来帮助我们实现AGI。虽然它还不能自主地工作，还只是跟人搭配，但是已经很有用了。
问题7：刚才提到先解决持续学习的问题，然后再进入通用智能。这是您对后续的预期吗？为什么先要解决持续学习，然后再进入通用智能？
答：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Agent的能力受限，是因为它不能持续学习，不能有效地持续学习。如果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。所以我说这是一个我们比较希望看到的结果，这样我们比较省力，我们就轻松。否则现在你要靠人工做通用智能，是一个比较累、比较苦的活，是一个数据密集、人力密集的事情，性价比也不高。
问题8：AGI还需要多久？国内硬件在这个时间能追上吗？
答：华为950，现在华为是给我们一万六千卡，这应该是可以公开说的，应该是比互联网大厂少一个数量级。华为也只能给我们这么多，而且这个价格也不便宜。互联网大厂的需求会更大，对互联网大厂来讲，它更需要。对我们来讲，我们可以买一些不合规的卡。所以我们买华为950的目的，还是希望帮华为把这个生态做好。
一万六千卡的华为950，只相当于四千卡的B系列。所以不是一个很大的量，意义不是很大。不够训下一代的模型，只够训我们现在这一代模型。但是可以让华为把这个生态先做好。这是关于华为950的。
然后，AGI还需要多久？我觉得在AI这件事情上，国内一两年应该是能够做到跟国外差不多的，或者可能今年就能做到平替国外的模型。在AI这件事上，按现在的方式、现在这个范式，不是很难的事情，所以今年应该就能做到。但它还不是AGI。AGI，我至少觉得，它得能够持续学习吧。
国产硬件在这个时间能追上吗？我觉得国产方面可能需要几年的时间。国内首先得解决生态的问题，因为生态是一个信心的问题。解决了生态的问题，然后再解决产能的问题，我觉得应该是能够逐步解决的。我不太相信五年之后我们还卡在产能的问题上。现在肯定是卡在产能问题上——今年、明年、后年，可能都还是卡在产能问题上。但五年之后，我觉得不一定，我还是比较乐观的。
第二个问题是，思考未来的组织架构、对人员的规划规模。首先，我们之前的组织架构是非常分散的，因为根本没有组织架构。但是在人员进一步扩大之后，这些肯定是需要做出一些改变的。现在只能说，这里会需要做很多改变，但现在很难一下子全部表达出来。最后应该还是要分不同的部门：有些部门是需要建立起比较严谨的层级结构的，另外一些部门，可能还是会维持一个比较松散、比较扁平的结构。随着人员的增加，我们会做这个调整。应该是我们马上就得做这个调整了，再不做的话很多事情是没法推进下去的。
然后还有关于新版本的问题。我觉得我们现在线上发的这个版本，还是比较粗糙的，能力方面还有很多都需要时间。对我来讲，一个比较舒适的发版节奏，大概是两三个月发一版。上次发版可能是四月底，那么下次发版可能是六月底，大概是这样。如果没有意外的话，应该还是会一版比一版好的。
在50B激活的这个尺度上，我感觉最终我们跟现在的这波开源模型不会有太大差别，在推理速度跟效果上可能都不会有太大的差别。但是跟那个大尺寸的模型——就是它没公开的模型——差距应该还是比较大的。那个差距，我们这个激活参数应该是做不到的，肯定得是一个更大尺寸的模型，比如说150B。那么150B，按照我们现在训练的进度，乐观的话今年年底可以开始去训练，至少是明年。
问题9：您经常说到AGI实现的过程是一个渐进式的过程，而不是会有一个突变。所以我可以理解，这是一个没有临界点的过程吗？
答：它没有临界点，但它是非线性的。我们现在比较相信一个叙事：AI可以加速AI的研究。就是说，它不是线性的，因为你可以用AI来加速你自己的研究，所以它到后面可能是非线性的。
问题10：所以当下您的判断，前面的结论可能就是，语言模型继续scaling是足够的，能做到这个状态？
答：只能说语言模型的scaling，我现在没有看到上限。我们现在的智力水平，或者说美国的智力水平，都没有看到上限。
问题11：我非常好奇，您说对美国来讲，800B激活这个模型，它能训练得起，但也用不起来，所以只能训练出来、很难拿出来给大家用，因为确实有点贵。人类拥有语言能力其实就是近十万年的事情，前面可能进化了三十七亿年。但在训练AI这件事上，这个顺序可能是可以反过来的。但最终可能还是会进入到物理模型或者具身的那部分，是吧？就是在这个上限之后。
答：对，我觉得具身肯定还是要进入的，最终是具身。所以对我们公司来讲，自然而然，可能终点都是具身。因为对一个正常人来讲，他的需求并不是电脑，对不对？正常的人，他吃喝玩乐、衣食住行，他不需要电脑。他需要的是具身智能来解决具体人力的需求。如果说目标是解决人力需求的话，具身我觉得就是绕不过去的。
问题12：阶段性地讲，假如说到达可以比较好地自进化、或者接近那个上升的时间点上，您会希望这个状态的AI落地的第一个场景是什么？
答：可能跟现在不一样。假如说没有具身，那么我们对AGI的定义，或者说我们希望AGI能做什么呢？我们希望它能帮我们迭代下一版模型。如果有了具身之后，我们希望它做的也是：让它来迭代下一版的具身，让它来做下一版机器人。
问题13：我看之前DeepSeek的采访，在一些重要的方向选择和研究选择上面，品位和直觉是很重要的，而不是简单的工程优化。那如果之后AI可以自进化的话，这个品位、taste、直觉这些东西还重要吗？或者说重要的会是什么？
答：AI现在不缺品位和直觉，它缺的是持续学习的能力。AI的品位和直觉没有问题。你让它写个文章，它的品位和直觉，我觉得没有什么问题。
问题14：想请教一下continuous learning，就是持续学习，很多研究员提到这是一个还没解决的研究问题。而coding agent，尤其是Scaling到顶尖水平，是一个比较确定的目标。对于一个还没解决的研究目标和一个比较确定的Scaling目标，您认为应该怎么分配研究资源，尤其是研究员这块的人才资源，才能达到最好的平衡和效果？
答：模型的coding能力是一个比较确定的目标，但另一个我觉得还不好说是确定的，只能说是一个目标。前者我觉得应该是比较确定的。
（持续学习这类）前沿研究不占资源。做这类研究，它不消耗卡，只需要很少的卡，它需要的是想法；它也不消耗人才资源，因为不需要有人一直在那里做。它不是一个项目，而是需要有很多人都在那里想这个问题。所以并不需要给它分配什么资源，因为它不需要资源。你要训模型、做模型、发模型、做模型的效率实验，那些才需要资源。
所以我们把这个叫做"摸奖"。门槛很低，谁都可以去摸，但是谁能摸出什么来，我也不知道是看天赋还是看什么。所以这里并不需要我们去分配资源。只是说，我们跟其他公司不一样的地方在于：我们会花时间去讨论这个问题，把它当做一件重要的事情。在公司里，它是一个重要的问题，是一个我们会花时间去思考的问题，但是并不需要花很多资源去做。
然后再看一个问题：大模型的幻觉问题比较影响用户的体验。幻觉问题是有方法可以解决的，但这是一个长命题。幻觉问题可以认为是一个可以通过更好的Post-training解决的、能解、能够改善的问题。只是大家没有花很大的力气去做。或者说，对我来讲，幻觉是一个问题，但我们把它归结为产品问题。我们会去解决它，但它不是重点的问题。
前面还有一个标数据的问题。我们在数据标注方面，这跟我们的资本投入有关。以我们这个资本投入的结构，支撑不起那么多高质量数据标注的成本，因为成本很高。美国数据标注的成本跟中国数据标注的成本没有什么区别。中国标数据并没有成本优势，尤其是标高端数据上并不会有成本优势，这使得我们很难像美国那样投入去标数据。这条路在中国是很难的，因为标数据实在太贵了，不管是外包标注还是我们自己标，都很难受。
所以现在基本上是两条腿走路。并不是说我们完全不标，而是标数据有一些成本低、有一些成本高，我们先标成本低的。你也可以认为，现在我们公司有一半的人在标数据。一半的核心研究员——最重要的那些人——有一半在标数据。我们就集中在标数据上。解决AI这个问题，在现在这个阶段，靠的就是标数据。你只要看，关键就是数据。
问题15：您刚才讲，中国的模型比美国的模型在效率上肯定是强的，未来也有可能在其他方面比美国强。您觉得是哪些方面，我们在智能或者其他方面会比美国强？
答：我觉得在很多体验方面，有可能我们是能比美国做得好的。不说别的，我们自己的产品体验就觉得挺好的，我觉得我们在用户体验方面不一定会比美国差。在产品方面，产品能力上不一定会比美国差。成本应该也会比美国低。所以中国还是会有竞争力的。
其他方面，如果说有结构性的优势，我觉得可能也没有。但是在成本和产品这两方面，我觉得确实是有一定的结构性优势的。成本这个很好理解：因为他们（美国公司）都不用做这件事，所以他们就不发展这个能力。他们肯定没有我们重视这个事情。我们可以把它当做一件非常重要的事情，但对于他们来讲，这是不重要的。产品也是，中国有很多公司，产品能力还是可以的。所以我觉得这两方面可能是有结构性优势的。
问题16：您刚刚讲到后训练，我们投入相对少、成本又高，像Anthropic和OpenAI都投入巨大的金额。这次融资以后，您觉得我们会在后训练方面加大投入吗？
答：差距主要是在高质量数据的标注上，然后主要是在AI研究里面。肯定会加大投入，但是像高质量数据的标注，典型的不是资本投入问题。高质量数据标注的瓶颈，我觉得是时间，就是需要时间。因为对OpenAI来讲、对国外来讲、对Anthropic来讲，他们做得更早，资本更多，卡也更多。
这种情况下，我们国内可以认为是最近半年才开始做，所以在时间上，我觉得是需要更多时间的。这个跟资本投入关系不太大。因为哪怕没有更多的资本投入，原来的资本也够它以最快的速度扩张了。但是这个速度是有上限的。瓶颈不是说我能够马上有更多的人，它并不卡在钱上，也不卡在卡上。但它确实是在一个快速扩张的过程中。所以我们觉得，一年之内，国内把高质量数据这个问题做得比较好，我觉得是可以预期的。它确实是需要时间的。
问题17：我们看到Anthropic用自己的模型做自己的产品，推出了很多纵向的金融、法律的应用，甚至未来要往医疗方向走。您觉得在这种纵向应用方面，某个阶段我们也会考虑吗？
答：我还没有想得很明白，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。以国内目前的情况来看，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，因为Coding Agent能够做到很多，还能带动很多垂直的Agent。现阶段我们觉得最重要的，应该还是Coding Agent。
问题18：我们很佩服您一直以一个非常纯粹的科研方式来做DeepSeek。但现在这个行业也走到了资本市场、资本化这条路上。您未来肯定还要走资本市场，肯定还有公众股东，您觉得以后怎么在纯粹科研、纯粹做AGI的方向和资本市场之间balance？
答：我现在觉得应该是能够做到的，就是都要。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。到明年我们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、能操作的空间应该还是比较大的。或者说，最坏情况下卖API，可能都能够支撑一个上市公司。就是说，如果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，但我们也有保底可以拿出来的业绩。
问题19：我觉得DeepSeek最大的和其他公司的区别在于组织形式不一样。但组织形式既跟目标相关，也要考虑组织自身的边界和效率。从宏观角度考虑，我们这个组织形式会有一个好的学习对象吗？历史上可能是Bell Labs，还是什么样的形态比较理想？还是说更多要靠我们自己逐渐去探索？
答：可能在一个新的时期，只能靠我们自己来探索。因为我们的组织形式其实跟美国的几家公司肯定都不一样，对吧？那三家公司相互之间也不一样，但他们至少会从一个商业公司的角度出发去探索。
问题20：我主要想再问一下组织这个问题。
答：首先，我们没有模仿的对象。每一步都是我们从实际情况出发，实事求是，根据实际情况来做决策，找到我们应该怎么做。所以它是一个时代的产物，或者说是现实情况的一个反映，它并不是一个模仿的结果。在这个情况下，最优解可能就是这样，或者说我自己认为，我们自己选的路就是这样。每一步我们肯定都是思考过的，肯定都是选择过的。它并不是因为看到谁这么选我们才这么选，而是因为我们分析了利弊而这么选。
那么在未来可能也是一样，我们并没有去模仿谁。我觉得我们跟Bell Labs还是不一样的，因为它明确是不需要商业化的，但我们明确是要商业化的。我们最终还是要能活下去，我们毕竟是一个公司，政府不会给我一分钱。
所以我们可以有非常远大的使命，但我们归根结底是一个公司，我们要考虑怎么活着。所以B端对我们肯定是重要的，因为以后可能得靠它活着。只是说现在不重要，因为它现在是个成本线。所以我觉得这个还是不一样的，跟Bell Labs还是不一样的。我们本质上还是一个公司。历史上也有很多公司做得很伟大，因为它有一种利润以外的追求。那个追求最后不但没有影响到它的商业化，反而让它商业化得更好。我们本质上还是一个公司，只是说我们在考虑赚哪些钱、什么时候赚钱、赚多少钱、靠什么赚钱这些问题上，有取舍。