最近流出了一份梁文锋投资者交流会的录音整理稿。原始录音约 3 小时 44 分钟，信息密度很高，内容横跨 DeepSeek 的愿景、开源策略、API 定价、AGI 技术路线、算力采购、国产芯片和组织管理。

如果把大量细节压缩成一句话，这场交流会呈现的核心思路是：

DeepSeek 想用克制的商业边界、开放的模型生态和极致的计算效率，把有限资源集中到 AGI 这条主线上。

这不是一份官方发布材料。来源页面明确说明，原始转写没有可靠区分说话人，人物归属来自上下文推断，部分模型名称、专有名词和数字可能存在语音识别误差。下面整理的是这份材料表达出的战略框架，不应把其中的内部数字、产品时间点或硬件判断当成已经确认的公司公告。

一、克制不是不赚钱，而是主动缩小利益边界

交流会中反复出现的关键词是“克制”。

这里的克制并不是拒绝商业化，而是不追求把 AI 产业链上的所有价值都留在自己手里。它具体表现为：

• 最强模型仍然可以开源；
• 不急于争夺超级 App 和所有 C 端入口；
• 不同时进入 3D、视频生成、世界模型、垂直行业应用和芯片等所有方向；
• API 只追求能够覆盖风险和持续投入的合理利润；
• 先保证 AGI 主线与核心团队稳定，再考虑更大的商业版图。

这套逻辑背后的判断是：AI 最终可能形成一个极大的市场，任何公司都不可能长期独占。与其争夺每一层利润，不如让出一部分短期利益，换取开发者生态、社会接受度、人才共识，以及更高的长期成功概率。

因此，开源也不只是品牌策略。在这套叙事里，开源、低价和克制是一组互相支持的选择：模型越容易获得和使用，生态扩散越快；生态越大，模型服务、企业需求和后续产品仍然存在商业空间。

二、AGI 路线：从 Agent 走向持续学习

交流会给出了一条比较清晰的技术演进路线：

语言模型
  → Chain of Thought
  → Agent
  → 持续学习
  → 自我迭代
  → 具身智能

在这个路线中，Agent 不是终点。当前 Agent 可以调用工具、分解任务、执行较长流程，但模型本身并不会因为完成了一次任务就永久获得新能力。真正关键的下一步是持续学习：模型能在运行过程中吸收经验，把临时上下文转化为稳定能力，同时避免遗忘和错误积累。

这也是交流会判断“下一代模型”的重要标准。单纯把成本降得更低、速度做得更快、基准分数做得更高，都属于现有范式内的改进；如果要出现新的能力台阶，模型需要具备持续学习和自我改进能力。

短期落点则更务实：先做通用 Agent，优先推进 Coding Agent。代码任务拥有相对清楚的输入、执行反馈和正确性验证，更适合训练长流程推理、工具使用和根据结果继续修正的能力。

三、C 端和 B 端是产品线，AGI 才是研究主线

交流会把 C 端产品和 B 端服务都描述为 AGI 研发过程中的副产品。这不代表它们不重要，而是说公司不会根据某个应用市场反向决定所有研究方向。

两条线承担的角色不同：

• C 端产品让模型直接接触真实用户，形成反馈和分发入口；
• B 端服务提供更稳定的收入，长期可能承担公司生存与持续研发的成本；
• AGI 主线负责提高模型能力上限，不被单一产品需求完全牵引。

这种选择也意味着 DeepSeek 不打算自己完成所有垂直整合。金融、法律、医疗等行业应用可以由生态伙伴完成；芯片也不必自己设计。公司把注意力集中在基础模型、训练方法、推理效率和 Agent 能力上。

四、算力是现实瓶颈，效率本身就是模型能力

交流会对中美 AI 差距的判断非常直接：人才并不是最主要的瓶颈，算力资源才是。

转写稿中出现了“算力规模约为美国头部公司的二十分之一”“整体落后约 12 到 18 个月”“约两万张 H 系列等效算力”等估算。这些数字没有在公开材料中得到独立验证，而且可能受统计口径和转写准确度影响，更适合作为发言者对资源差距的量级判断，而不是精确事实。

比数字更重要的是它导出的研发策略：在算力无法无限增加时，模型架构和系统效率决定了同一批硬件能训练多大的模型、能承受多少试错，也决定了 API 最终可以做到多便宜。

因此，低成本不是模型完成之后再做的工程优化，而是从模型结构、训练算法到推理系统共同决定的核心能力：

更高的计算效率
  → 相同算力下训练更大的模型
  → 更低的推理成本
  → 更低的 API 价格
  → 更大的使用规模与生态

这也解释了 DeepSeek 为什么同时强调 Scaling 和效率。交流会的判断不是 Scaling 已经失效，而是国内团队还远没有足够算力去触及它的上限。对资源受限的团队来说，继续扩大规模和提高每单位算力的产出必须同时进行。

五、开源模型与 API 商业化并不矛盾

交流会给出的 API 定价原则，是让新购设备大约十个月收回成本。这个口径并不等同于标准财务利润率，因为真实收益还取决于利用率、折旧周期、电力、网络、研发和运维成本，但它透露了一个清楚的取向：不按用户愿意支付的最高价格收费，而是按可持续经营所需的回报定价。

开源之后，仍然会有大量用户选择官方 API，原因包括部署复杂度、峰值弹性、运维成本和服务稳定性。模型权重开放，减少的是技术使用门槛，并不自动消除托管推理的价值。

真正需要平衡的是两端：

• 利润取得太多，可能失去生态和开发者；
• 利润取得太少，公司无法承担持续训练和算力投入；
• 合理利润的目标，是让模型持续迭代，同时让使用成本足够低。

六、国产芯片的机会，可能先出现在软件栈重构

在 AI Infra 部分，交流会提出了一个值得关注的判断：CUDA 的护城河不只会被另一套兼容 CUDA 的软件替代，也可能被更高层的编程方式削弱。

以 TileLang 这类 Kernel DSL 为例，开发者可以用更少的代码描述计算与数据搬运，再由编译器映射到不同硬件。如果 AI 还能参与生成、迁移和调优 Kernel，那么过去围绕手写 CUDA 形成的工程资产，迁移成本可能下降。

这对国产芯片的意义是，竞争不一定要从完整复刻 CUDA 生态开始，而可以围绕新的编译抽象、算子生成和软硬件协同重新建立工具链。

不过，这仍然是方向判断，不代表硬件差距已经被软件抹平。通信带宽、内存层次、编译器成熟度、算子覆盖、稳定性和集群运维仍会直接影响真实训练与推理效率。转写稿里关于具体国产芯片和英伟达产品的性能比例，也缺少公开基准支撑，不宜脱离原语境引用为确定结论。

七、组织管理：一半交付，一半探索

交流会描述的组织方式，同时包含两条线：

• 自上而下：围绕模型发布等共同目标，拆解必须协同完成的正式任务；
• 自下而上：研究人员根据自己的判断探索问题，不完全由 KPI 和项目计划驱动。

其中一个很具体的原则，是正式安排的工作尽量不超过员工时间的一半，其余时间留给自主研究。组织也不鼓励用长期加班解决问题，因为研究需要相对松弛的思考空间，而足够聚焦的公司本来就不应该同时做太多事情。

这种方式的优势是研究自由度高，容易产生非计划内的创新；风险则是规模扩大后，信息同步、资源分配和产品完整性都会变难。交流会并没有否认这些问题，而是把团队稳定和共同愿景视为维持组织运转的核心。

八、我认为最值得关注的三点

第一，效率不是成本部门的任务，而是战略能力。当算力是主要约束时，模型结构、训练系统、Kernel 和推理服务共同决定一家公司的能力上限。

第二，持续学习比 Agent 包装更接近下一次能力跃迁。Agent 解决“如何调用已有能力”，持续学习解决“如何形成新能力”。后者难度更高，也更可能改变模型的产品形态和 Serving 架构。

第三，克制最终要靠可验证的选择，而不是口号。不开所有产品线、持续开源、保持低价、给研究留出自由时间，这些选择目前能够互相解释；但随着融资、团队和商业压力增大，这套机制能否继续维持，才是更长期的观察重点。

总体来看，这场交流会最有价值的并不是某个未经确认的模型参数或发布日期，而是展示了一套相对完整的选择逻辑：在资源不足的情况下保持聚焦，用效率换规模，用开源换生态，用合理利润维持生存，再把节省下来的组织注意力投入 AGI 主线。

---

来源与版权说明

本文是对 《梁文锋投资者交流会录音炼化》 的独立提炼与评论，不是会议逐字稿，也不是 DeepSeek 官方信息。封面图来自该页面。来源作品采用 CC BY-NC-SA 4.0 许可；本文相关演绎内容按相同许可方式分享。