DeepSeek梁文锋投资者交流会：反常识商业逻辑与AGI路线图 · AI HOT
向阳乔木 @vista8 66
2026-07-23 10:39 · 1天前
跳到正文 AI 摘要 DeepSeek创始人梁文锋在交流会上阐述其反常识策略：主动压低API利润（按十个月回本设计，约六倍利润）并坚持开源，以防止第三方低成本部署抢走市场。他认为，想从AI中拿得越多，越会被愿意拿得更少的对手打垮，公司目标直指AGI，C端流量和B端收入只是“芝麻”。
向阳乔木 @vista8 · X 2026-07-23 10:39 · 1天前
在 X 看原推 · x.com AI 摘要 DeepSeek创始人梁文锋在交流会上阐述其反常识策略：主动压低API利润（按十个月回本设计，约六倍利润）并坚持开源，以防止第三方低成本部署抢走市场。他认为，想从AI中拿得越多，越会被愿意拿得更少的对手打垮，公司目标直指AGI，C端流量和B端收入只是“芝麻”。
前面的都是芝麻，后面才是西瓜 去年春节，DeepSeek 的 C 端用户量突然暴涨。
这不在计划里，团队甚至一度想过不去维护那批用户，但用户"赶都赶不走"，最后留了下来。
梁文锋对这个现象的解释很干脆：把眼前能抢到的东西当成头等大事，会输掉更大的机会。
他管这个叫"捡芝麻"，去年的 C 端流量、今年的 B 端收入，在他看来都是芝麻，随手捡一捡就够了，不值得为它停下来。
真正的西瓜是 AGI，而 AGI 的机会永远足够大，大到根本不需要现在就精确算清楚自己能占多少份额。
这带来一个有意思的结果：DeepSeek 做产品，几乎是无心插柳。
梁文锋说，公司做训练、做 API 的出发点从来不是服务好用户，而是通往 AGI 的路上必须经过这一步，用户和收入只是路过时顺手产生的副产品。
这套打法在他眼里是一种降维打击：把 AGI 当目标的组织，投入 C 端和 B 端的心思远低于那些把产品本身当目标的公司，但效果未必更差。
他的解释是，越大的愿景，越能凝聚顶尖的人；凝聚起来的人才优势，会自然溢出到产品层面，成为一种降维打击。
而一家把"做好产品"本身当作终点的公司，会在产品体验、流量、用户服务上有优势，但在最上游的技术能力上，可能永远追不上一家把技术本身当终点的公司。
同样的克制，也决定了 DeepSeek 不去做的那些事。
不造芯片，不吃全产业链 有投资人问梁文锋会不会往上游做芯片，会不会往下游做金融、医疗这类垂直应用。
理由是一个发电厂的比喻：运营电厂的人不需要自己造发电机，只要能以合理价格买到，为什么要自己造？
梁文锋说，AI 这个盘子足够大，未来会出现很多家万亿级别的公司，DeepSeek 只需要做其中一家，只吃自己最擅长的那一块，不需要把整条产业链都吞下去。
梁文锋说，DeepSeek 愿意帮阿里、智谱、月之暗面把开源模型复现得更好，因为这不损害自己的利益。
听起来客套，但背后算法是一致的：如果市场足够大，别人做得好不是威胁；别人做不好、把整个生态的信任搞坏了，才是真正的损失。
一条不用加班就能爬完的阶梯 梁文锋描述 AI 技术的演进，像一层层往上爬的台阶，每一步都建立在前一步之上，没有一步被浪费。
去年的台阶是思维链，让模型学会自己思考，把智能上限往上顶了一截，已经能在写代码、做奥数题上超过顶尖人类。
今年的台阶是 Agent，靠多步骤执行任务，把能力边界继续往外推。
梁文锋举了个很贴切的例子：一个新员工入职，花两个月熟悉环境，之后你说一句"叫小王过来"，他就懂。
AI 没有这两个月的积累，你得把小王是谁、在哪、什么职务全部讲清楚才能让它执行。
这个"必须提供完整上下文"的限制，就是当前 AI 和真正智能之间那道看不见的墙。
下一个要跨过的台阶是持续学习：模型能不能像新员工一样，靠持续接触环境自己积累经验，而不是每次都依赖人类把上下文喂到嘴里。
持续学习一旦解决，会出现一个梁文锋称之为"奇点"的阶段：模型能力强到可以自己迭代下一版模型，自己做研究，开发更先进的下一代。
他特意强调这个奇点不是突变，是一个渐进的连续过程，只是习惯上大家都把它叫奇点。
再往后，才是具身智能，机器人真正走进物理世界，做家务、养老。
为什么按这个顺序走，梁文锋说：这是最省力的一条路。
先解决持续学习，AI 就能帮着加速接下来每一步的研发，人不用硬扛所有事情。
反过来，如果先做具身智能，那是一条又苦又累、靠人力堆出来的路，DeepSeek 不想选。
这里有个细节值得多停留一下：DeepSeek 训练下一版模型，第一目标不是让外部用户用得好，而是让自己团队开发得更快。
这个优先级顺序，某种程度上决定了这家公司几乎所有资源分配的先后次序。
两万张卡，和一个正在瓦解的护城河 聊到中美差距，梁文锋的判断很干脆：人才不是瓶颈，算力才是。
中国 AI 人才不缺，基数够大，聪明人的分布是随机的，不存在"最聪明的人都去了美国"这种说法。
数字很直观，DeepSeek 目前大概有两万张 H 系列等效算力，大部分是最近一两个月才到货。
而要训练一个和当前最大模型（激活参数约 800B）同等级的模型，需要五万张 GB300，或者二十万张华为最新的卡，这还只是训练本身，不含研究阶段大量的实验成本。
DeepSeek 目前的资源，撑得起几十 B 激活规模的实验，离 800B 还差一个数量级。
他认为 CUDA 的生态护城河正在被三个力量同时瓦解：AI 本身能帮忙写代码，建生态的门槛大幅降低；TileLang 这类高级语言，能把 CUDA 的整套算子体系快速重写一遍；游戏卡和计算卡原本共用一套架构，是因为过去 AI 计算的市场比游戏卡小，现在计算卡市场已经比游戏卡更大，两者不再需要绑在一起，专用芯片正在成为主流。
他给了一个具体的时间判断：未来一年内，国产芯片生态没问题这件事，会被事实证明。
具体的性价比对比也很直接：华为 950 超节点在性能和价格上可以平替英伟达 GB200、GB300，代价是四张卡顶一张，同时落后两年。贵 50% 到 200% 都无所谓，只要能买到。
DeepSeek 目前从华为拿到大概一万六千张卡的产能，这个量级只相当于四千张英伟达卡，连训练下一代模型都不够，但足够帮华为把生态先跑通。
梁文锋管这个叫"帮华为把这个先做好"，不指望靠这批卡训练更大模型，是在为未来铺路。
更有意思的是他给出的追赶叙事：过去中国 AI 是用别人二十分之一的算力，落后一到两年做出可比的东西。
未来要把这个"落后时间"从一两年压缩到三到六个月，同时算力差距还是那么大。
这种"用巧劲补差距"的思路，也体现在这家公司管理自己的方式上。
半数核心研究员，在标数据 有人问梁文锋大模型的幻觉问题会不会影响用户体验，他的回答很坦率：幻觉不是无解的问题，靠更好的后训练是能改善的，只是目前没人花很大力气去做。
在 DeepSeek 内部，这被归为产品问题，会解决，但不是重点。
比幻觉问题更值得记住的一个细节是：DeepSeek 有一半的核心研究员，在标数据。
这不是因为中国标数据便宜，恰恰相反，梁文锋说中国的高质量数据标注成本和美国没有差别，尤其在高端数据上没有任何成本优势。
所以现在的策略是两条腿走路，成本低的先标，成本高的暂时放一放。
OpenAI 和 Anthropic 起步更早，已经跑了很久，中国这边大概是最近半年才开始认真投入，但预计一年之内能把大部分差距补上。
一家没有组织的公司，靠什么把人聚在一起 梁文锋说 DeepSeek"没有组织"，靠的是愿景驱动。
具体的操作方式：公司管理分两条线，一条从上到下，做集体项目，比如发布 V4 需要全员协作分工，这部分叫"正式"；另一条从下到上，每个人自己想研究什么就研究什么，没人管，没有 KPI。
梁文锋给自己定的标准是：正式工作不要占用员工一半以上的时间。
一是做研究需要一个松弛的环境，逼得太紧根本探索不出新东西，既然是要激发一个人自发的兴趣，就得给他留出胡思乱想的空间。
二是 DeepSeek 足够聚焦，要做的事情本来就少，公司的产品普遍不完善，也没有花力气去补，这本身也是一种主动选择。
梁文锋说，DeepSeek 没有模仿任何一家公司，包括常被拿来类比的贝尔实验室，因为贝尔实验室不需要自负盈亏，而 DeepSeek 归根结底是一家公司，要考虑怎么活下去，政府不会给一分钱。
每一步选择，都是根据当下的实际情况算出来的结果，不是抄来的答案。
回到那声欢呼 现在回头看 DDCP 降价那天的欢呼：那不是一次孤立的故事，那是这家公司整套生存算法的一个缩影。
克制不追求最大份额，是因为在一个足够大的市场里，贪多的人会先被挤出局。
捡芝麻不恋战，是因为盯着眼前的收益，会耽误看清后面更大的西瓜。
不造芯片、不做垂直应用，是因为吃得太多，反而先出局。
技术路线选最省力的顺序走，是因为省下来的力气，能用在真正卡脖子的地方。
半数研究员去标数据，是因为算力补不上的差距，只能靠更扎实的地基去补。
这些决定表面上互不相关，实际上都是同一句话的不同写法：在一个足够大的赛道里，不去精确计算眼前能拿到多少，反而是拿到更多的前提。
这对任何身处竞争行业的人，都是一个可以直接拿去用的判断方法。
下次面对一个"现在能拿多少"和"未来能拿多少"的选择时，先别急着把眼前那笔账算清楚。
问一句更根本的问题：这件事会不会因为你现在拿得太多，提前招来一个愿意拿得更少的对手？
如果答案是会，那再诱人的短期收益，都不值得拿它去换活下去的概率。
但只要出现一个愿意只拿 1% 的对手，就能用更低的价格把它打垮。
这个链条会一直往下卷，直到卷出一个平衡点：拿得太少，商业模式撑不住，会被自然淘汰；拿得太多，会被拿得更少的人一层层挤下去。
梁文锋说得很直白：他毫不怀疑 AGI 会有巨大的商业价值，但比起怎么多拿一点份额，他更在乎的是怎么提高自己能做成这件事的概率。
而提高概率的方法，恰恰是主动缩小自己想要拿到的那部分。
这套逻辑落到定价上，就是 DeepSeek 的 API 按十个月回本设计，对应大概六倍利润。
这不是利润最大化，如果真要利润最大化，价格应该定得更高，因为在当前区间用户需求已经没有弹性了，涨价不会明显减少消耗量。
但六倍利润被主动锁死在这个上限，原因很实际：利润空间压得足够低，第三方靠开源模型自己部署来抢生意，就会无利可图。
不靠闭源锁住利润，是靠把利润压到别人复制不起的程度，来保住市场本身。
梁文锋算过，如果真要赚一百倍利润，开源就会变成一个漏洞，第三方的部署成本可能只有你的二十分之一。
他不担心开源，是因为他从来没想过靠垂直垄断赚一百倍。
这套"故意少赚"的逻辑，解释了这家公司几乎所有看起来不划算的决定。
前面的都是芝麻，后面才是西瓜 去年春节，DeepSeek 的 C 端用户量突然暴涨。
这不在计划里，团队甚至一度想过不去维护那批用户，但用户"赶都赶不走"，最后留了下来。
梁文锋对这个现象的解释很干脆：把眼前能抢到的东西当成头等大事，会输掉更大的机会。
他管这个叫"捡芝麻"，去年的 C 端流量、今年的 B 端收入，在他看来都是芝麻，随手捡一捡就够了，不值得为它停下来。
真正的西瓜是 AGI，而 AGI 的机会永远足够大，大到根本不需要现在就精确算清楚自己能占多少份额。
这带来一个有意思的结果：DeepSeek 做产品，几乎是无心插柳。
梁文锋说，公司做训练、做 API 的出发点从来不是服务好用户，而是通往 AGI 的路上必须经过这一步，用户和收入只是路过时顺手产生的副产品。
这套打法在他眼里是一种降维打击：把 AGI 当目标的组织，投入 C 端和 B 端的心思远低于那些把产品本身当目标的公司，但效果未必更差。
他的解释是，越大的愿景，越能凝聚顶尖的人；凝聚起来的人才优势，会自然溢出到产品层面，成为一种降维打击。
而一家把"做好产品"本身当作终点的公司，会在产品体验、流量、用户服务上有优势，但在最上游的技术能力上，可能永远追不上一家把技术本身当终点的公司。
同样的克制，也决定了 DeepSeek 不去做的那些事。
不造芯片，不吃全产业链 有投资人问梁文锋会不会往上游做芯片，会不会往下游做金融、医疗这类垂直应用。
理由是一个发电厂的比喻：运营电厂的人不需要自己造发电机，只要能以合理价格买到，为什么要自己造？
梁文锋说，AI 这个盘子足够大，未来会出现很多家万亿级别的公司，DeepSeek 只需要做其中一家，只吃自己最擅长的那一块，不需要把整条产业链都吞下去。
梁文锋说，DeepSeek 愿意帮阿里、智谱、月之暗面把开源模型复现得更好，因为这不损害自己的利益。
听起来客套，但背后算法是一致的：如果市场足够大，别人做得好不是威胁；别人做不好、把整个生态的信任搞坏了，才是真正的损失。
一条不用加班就能爬完的阶梯 梁文锋描述 AI 技术的演进，像一层层往上爬的台阶，每一步都建立在前一步之上，没有一步被浪费。
去年的台阶是思维链，让模型学会自己思考，把智能上限往上顶了一截，已经能在写代码、做奥数题上超过顶尖人类。
今年的台阶是 Agent，靠多步骤执行任务，把能力边界继续往外推。
梁文锋举了个很贴切的例子：一个新员工入职，花两个月熟悉环境，之后你说一句"叫小王过来"，他就懂。
AI 没有这两个月的积累，你得把小王是谁、在哪、什么职务全部讲清楚才能让它执行。
这个"必须提供完整上下文"的限制，就是当前 AI 和真正智能之间那道看不见的墙。
下一个要跨过的台阶是持续学习：模型能不能像新员工一样，靠持续接触环境自己积累经验，而不是每次都依赖人类把上下文喂到嘴里。
持续学习一旦解决，会出现一个梁文锋称之为"奇点"的阶段：模型能力强到可以自己迭代下一版模型，自己做研究，开发更先进的下一代。
他特意强调这个奇点不是突变，是一个渐进的连续过程，只是习惯上大家都把它叫奇点。
再往后，才是具身智能，机器人真正走进物理世界，做家务、养老。
为什么按这个顺序走，梁文锋说：这是最省力的一条路。
先解决持续学习，AI 就能帮着加速接下来每一步的研发，人不用硬扛所有事情。
反过来，如果先做具身智能，那是一条又苦又累、靠人力堆出来的路，DeepSeek 不想选。
这里有个细节值得多停留一下：DeepSeek 训练下一版模型，第一目标不是让外部用户用得好，而是让自己团队开发得更快。
这个优先级顺序，某种程度上决定了这家公司几乎所有资源分配的先后次序。
两万张卡，和一个正在瓦解的护城河 聊到中美差距，梁文锋的判断很干脆：人才不是瓶颈，算力才是。
中国 AI 人才不缺，基数够大，聪明人的分布是随机的，不存在"最聪明的人都去了美国"这种说法。
数字很直观，DeepSeek 目前大概有两万张 H 系列等效算力，大部分是最近一两个月才到货。
而要训练一个和当前最大模型（激活参数约 800B）同等级的模型，需要五万张 GB300，或者二十万张华为最新的卡，这还只是训练本身，不含研究阶段大量的实验成本。
DeepSeek 目前的资源，撑得起几十 B 激活规模的实验，离 800B 还差一个数量级。
他认为 CUDA 的生态护城河正在被三个力量同时瓦解：AI 本身能帮忙写代码，建生态的门槛大幅降低；TileLang 这类高级语言，能把 CUDA 的整套算子体系快速重写一遍；游戏卡和计算卡原本共用一套架构，是因为过去 AI 计算的市场比游戏卡小，现在计算卡市场已经比游戏卡更大，两者不再需要绑在一起，专用芯片正在成为主流。
他给了一个具体的时间判断：未来一年内，国产芯片生态没问题这件事，会被事实证明。
具体的性价比对比也很直接：华为 950 超节点在性能和价格上可以平替英伟达 GB200、GB300，代价是四张卡顶一张，同时落后两年。贵 50% 到 200% 都无所谓，只要能买到。
DeepSeek 目前从华为拿到大概一万六千张卡的产能，这个量级只相当于四千张英伟达卡，连训练下一代模型都不够，但足够帮华为把生态先跑通。
梁文锋管这个叫"帮华为把这个先做好"，不指望靠这批卡训练更大模型，是在为未来铺路。
更有意思的是他给出的追赶叙事：过去中国 AI 是用别人二十分之一的算力，落后一到两年做出可比的东西。
未来要把这个"落后时间"从一两年压缩到三到六个月，同时算力差距还是那么大。
这种"用巧劲补差距"的思路，也体现在这家公司管理自己的方式上。
半数核心研究员，在标数据 有人问梁文锋大模型的幻觉问题会不会影响用户体验，他的回答很坦率：幻觉不是无解的问题，靠更好的后训练是能改善的，只是目前没人花很大力气去做。
在 DeepSeek 内部，这被归为产品问题，会解决，但不是重点。
比幻觉问题更值得记住的一个细节是：DeepSeek 有一半的核心研究员，在标数据。
这不是因为中国标数据便宜，恰恰相反，梁文锋说中国的高质量数据标注成本和美国没有差别，尤其在高端数据上没有任何成本优势。
所以现在的策略是两条腿走路，成本低的先标，成本高的暂时放一放。
OpenAI 和 Anthropic 起步更早，已经跑了很久，中国这边大概是最近半年才开始认真投入，但预计一年之内能把大部分差距补上。
一家没有组织的公司，靠什么把人聚在一起 梁文锋说 DeepSeek"没有组织"，靠的是愿景驱动。
具体的操作方式：公司管理分两条线，一条从上到下，做集体项目，比如发布 V4 需要全员协作分工，这部分叫"正式"；另一条从下到上，每个人自己想研究什么就研究什么，没人管，没有 KPI。
梁文锋给自己定的标准是：正式工作不要占用员工一半以上的时间。
一是做研究需要一个松弛的环境，逼得太紧根本探索不出新东西，既然是要激发一个人自发的兴趣，就得给他留出胡思乱想的空间。
二是 DeepSeek 足够聚焦，要做的事情本来就少，公司的产品普遍不完善，也没有花力气去补，这本身也是一种主动选择。
梁文锋说，DeepSeek 没有模仿任何一家公司，包括常被拿来类比的贝尔实验室，因为贝尔实验室不需要自负盈亏，而 DeepSeek 归根结底是一家公司，要考虑怎么活下去，政府不会给一分钱。
每一步选择，都是根据当下的实际情况算出来的结果，不是抄来的答案。
回到那声欢呼 现在回头看 DDCP 降价那天的欢呼：那不是一次孤立的故事，那是这家公司整套生存算法的一个缩影。
克制不追求最大份额，是因为在一个足够大的市场里，贪多的人会先被挤出局。
捡芝麻不恋战，是因为盯着眼前的收益，会耽误看清后面更大的西瓜。
不造芯片、不做垂直应用，是因为吃得太多，反而先出局。
技术路线选最省力的顺序走，是因为省下来的力气，能用在真正卡脖子的地方。
半数研究员去标数据，是因为算力补不上的差距，只能靠更扎实的地基去补。
这些决定表面上互不相关，实际上都是同一句话的不同写法：在一个足够大的赛道里，不去精确计算眼前能拿到多少，反而是拿到更多的前提。
这对任何身处竞争行业的人，都是一个可以直接拿去用的判断方法。
下次面对一个"现在能拿多少"和"未来能拿多少"的选择时，先别急着把眼前那笔账算清楚。
问一句更根本的问题：这件事会不会因为你现在拿得太多，提前招来一个愿意拿得更少的对手？
如果答案是会，那再诱人的短期收益，都不值得拿它去换活下去的概率。
