7300字乾貨版！DeepSeek創始人梁文鋒閉門會實錄曝光

每日經濟新聞消息，這兩天，梁文鋒與投資人的閉門交流實錄在網上刷屏，引發廣泛關注。

7月23日，《每日經濟新聞》記者獲取了上述投資者交流會的實錄，經參與投資DeepSeek的機構核實，閉門會是今年5月召開的，內容真實可信。整場交流長達3小時44分鐘，前兩個半小時為梁文鋒的專題講解，圍繞公司願景、開源邏輯與AGI技術路線展開；後續約1個小時的Q&A環節中，梁文鋒就中美算力差距、團隊穩定性及國產芯片生態等問題與投資人進行了深入交流。

完整實錄3.4萬字，為便於抓取核心要點，每經記者特將梁文鋒的專題講解精鍊為「十大核心主題」，涵蓋克制戰略、十個月回本的定價法則、AGI不是突變是階梯等；同時，將其與投資人的問答互動濃縮成「六大焦點對談」，涉及數據標註瓶頸、與OpenAI的差距時間表等直擊市場最關切的議題。一次性完整呈現了梁文鋒關於經營底層邏輯、算力博弈、組織增長的獨家判斷，以下為每經記者根據實錄梳理的核心乾貨。

梁文鋒專題講解「十大核心主題」

1、底層經營戰略：「克制」是核心戰略

我們從⼀開始就覺得需要克制。你越克制，越有可能做成這層事。這是⼀個商業上的考量，當然這是⼀個宏觀的考慮。

這跟之前開源做⼀個軟件可能是不⼀樣的，因為那個軟件的市場就沒那麼⼤。但是AI這個事情實在太⼤了。如果說我們想獨佔這個利益，那麼⼀定是要被歷史拋棄的。我覺得最主要這是⼀個客觀的規律，這是⼀個歷史觀。

這種克制，我理解是這種克制從長遠上來講，能夠增加我們做成AGI的概率。

去年我們沒有在C端去發⼒，可能是對的。 因為能看到後⾯真的是有更大的西瓜，前⾯真的只是一些小芝麻。

更⼤的機會應該還在後⾯，前⾯的機會包括去年的C端、今年的B端，我覺得這事要做，要把它做好，但這不是我們的⽬標。

我們離徹底轉向商業化的時間點，應該是很遙遠的。在過去三年，任何一個時候你來跟我說商業化路徑、產品線，都是浪費時間，因為你並不能夠預測、不能夠預見未來。

2、開源就是「我們的本意」，對商業模式沒有任何影響

在開源這個事情上⾯，我們⼀開始就想得⾮常清楚。⾸先，第⼀個就是願景；第⼆個，我們認為要把 AI 這個事情在商業上做成，開源是有好處的。

智譜也開源，但是智譜的開源跟我們的開源不一樣。智譜的開源有一種被迫的感覺…… 對我們來講，這就是我們的本意。

開源，我覺得對我們的商業模式是沒有任何影響的。前提是我們只賺六倍的利潤，⼗個⽉收回成本，⼤概對應的是六倍的利潤。但如果說你要賺⼀百倍利潤，那麼開源確實會影響你，因為第三⽅會部署，他可能是⼆⼗倍成本，就⽐你低了。

我按⼗個⽉回本這個，就能夠讓獨⽴部署的第三⽅⽆利可圖。第三⽅做不到這個成本，所以開源並不會影響我的收⼊。

我們API定價，⼤概是我們到市場上買⼀批設備回來，⼗個⽉收回成本，我覺得這是⼀個合理的利潤。

我們的V3.2 Flash跟其他的，都是⼗個⽉收回設備的成本，這就是我們的標準。它其實不是利潤最⼤化的，如果利潤最⼤化，應該把價格設得更⾼。因為在這個價格區間，⽤戶的需求是沒有彈性的，就是我價格再抬⾼⼀倍，token的消耗量區別不⼤的。

我們為什麼不繼續降價，是因為它沒有彈性。就是我再降價，需求不會更多了，或者我再降價，需求增加得很少了。因為這個價格所有⼈都⽤得起了，⼤家都覺得這個價格是滿意的，不會因為這個價格貴⽽不⽤了。

3、只做AGI主線，3D、視頻⽣成不在這個主線上

在對外⾯打交道的時候，我們的態度是：我們只做AGI的主線。這就是我剛剛說的這個GPT、CoT、Agent等等，就只做主線。AI領域很⼴泛，有很多東西我們覺得它不在這個主線上⾯，⽐如說3D、視頻⽣成，我覺得可能跟智能的主線沒有太⼤的關係，我們不會去做。

C端和B端，都是我們做AGI路上的副產物，都是⼀個中間的產出，跟我做AGI沒有衝突。我並不是為了做C端，或者為了做B端⽽去做它，⽽是我們做AGI是為了做AGI，剛好能產出這個東西，我就把它拿來做商業化了。

你站在⼀個技術的⾼位上來做相對低⼀級別的技術，是降維打擊。⾄少在去年的C端，我們看到確實是這樣。我們沒有在C端上花很多⼒⽓，甚⾄⼀度我們都不想維護那些⽤戶了，但是⽤戶趕都趕不⾛。

4、AI的發展是⼀個階梯

AI的發展，我們可以理解成它是⼀個階梯。去年⾛的階梯是CoT，就是思維鏈。因為我們發現，通過思維鏈的⽅式，可以讓智能達到⼀個更⾼的⽔平。通過讓它⾃⼰思考，可以讓這個AI能做更多的事情。

今年的階梯就是Agent，因為我們發現，⽤Agent的⽅式，它的能⼒範圍會更⼤，它的智能上限會更⾼。

在Agent之後，我們覺得應該要解決的問題是持續學習，就是怎麼讓模型可以持續地學習。

持續學習之後，可能我們就會來到⼀個奇點。這個奇點就是，當這個模型能夠持續學習之後，它已經能夠做⼈類能做的所有事情了。它就能夠⾃⼰開發⾃⼰的版本，能夠⾃⼰再研究，然後開發⾃⼰的下⼀個版本，開發更前的⼈⼯智能模型。所以它就會到⼀個奇點，能夠實現⾃⼰的迭代。

這是我們的推測，這個時間表應該是：先解決學習去學習，然後再到那個智能的奇點，能⾃我迭代的奇點，然後才是具⾝智能。到具⾝智能之後，它就⾛進現實世界，可以給你做家務，可以給你養⽼。

5、大模型競爭最終差距在成本、時間和用戶體驗，中美差距在於算力資源

（大模型競爭）最終的差距應該是三⽅⾯：⼀⽅⾯是成本，⼀⽅⾯是時間，⼀⽅⾯是⽤戶體驗。除此以外，可能是沒有什麼差距的。

在現在最⼤的模型上，我們其實訓不起的。我們哪怕把五百億全花掉，其實也訓不起。哪怕能堆起來也⽤不起。現在最⼤的模型，它激活⼤概是⼋百B（編者注：Billion，十億參數，下同）；國內的話，我們還在⼏⼗B的這個規模，國內最⼤模型可能就⼏⼗B激活，那麼差⼀個數量級。

如果我要訓練跟AI同樣⼤的模型，應該需要五萬張GB300。這只是訓練，還沒有考慮做研究。所以我們跟美國之間最⼤的差距是在資源上⾯。

所以我們跟美國的區別，我認為就是資源上的區別。我們可能會認為，我們看到的所有區別，包括⼈才的區別、模型能⼒的區別、應⽤的區別，可以認為都是因為算⼒資源上的區別。

在全球AI中主導分⼯的時候，中國公司很有可能扮演的⼀個⾓⾊還是「產量最⼤」。常理來講，我們的產能最⼤，包括芯⽚，我們的電⼒最多。

中國⼈會把這產品做到最便宜。現在很多商品，中國產跟美國產並沒有太⼤的區別。未來可能AI也是這樣，但是中國產的AI可能價格會更便宜。這個便宜可能是系統性的低，就跟其他⾏業中國提供的服務更便宜可能是⼀樣的。

OpenAI和Google，未來⼤概率還是會交替上升。其實現在Anthropic在Code Agent上的優勢沒有那麼⼤，其實並沒有說它碾壓OpenAI。

其實Anthropic它有先發優勢，但這先發優勢應該很快就沒了，並不是⼀個它能夠長期佔得住的優勢。這三家都很厲害，這三家效率是最高的，它花掉的、它燒掉的錢應該是最少的。

6、ToB的需求會快速增⻓，但並不是⽆窮⼤，最終受制於需求

未來我們會不會⾃建⼤型的集群？我覺得⾃建⼤型的集群是肯定要的，我們⾃⼰⼀直在做這個事情，我們所有的集群都是⾃⼰建的。

但是未來要不要⾃研芯⽚，我覺得取決於這⾥的收益有多⼤。我希望不⽤去做芯⽚。我希望能夠以合理的價格買到芯⽚。

我覺得 AI 這個事情很⼤，我們希望只做⼀塊。如果AI時代會產⽣很多家萬億級別的公司，我覺得我們是其中⼀家，這是我們的態度。

譬如說，⾄少在To B、To C 這兩個業務上，⽬前能看到的，真的想做 To C 閉環的，反⽽我們做得好；真的想做To B 閉環的，說不定也沒有我們做得好。To B 業務的上限應該還是需求，在現在這⼀代 AGI、AI 技術的背景下，To B 的需求應該是有限的。它會快速增⻓，但並不是⼀個⽆窮⼤的事情，最終還是受制於需求，不是算⼒。 在當前技術的條件下，收⼊有多⼤，最終還是取決於需求。

7、我們還沒有機會碰到Scaling的牆，但我們會不遺餘⼒地去推進它的上限

我們相信Scaling Law（規模化法則），肯定是規模越⼤，效果越好，能夠解鎖更多的功能。阻⽌我們Scaling的其實就是算⼒，並不是我們不想Scaling，是我們沒有那麼多的算⼒去做這個Scaling。

我們沒有觸摸到這個上限在哪⾥。我們訓練這麼⼤的模型，並不是因為我覺得這麼⼤的模型就夠了，⽽是我剛好只有這麼多資源。我是按照我的資源來計算，我能夠接受、能夠訓練的模型是多⼤，是這樣算出來的，並不是這個模型就夠了。

我們還沒有機會碰到這個Scaling的牆，這離我們還很遠。硅⾕在說Scaling 到頭的時候，那是對硅⾕來說；對中國來講，我們離那個還很遠，我們根本就沒有Scaling到那個程度。

這個Scaling包括數據的Scaling、模型規模的Scaling，然後訓練成本。我們離探索這個Scaling 的上限還⽐較遠，就是沒有那麼多算⼒。但我們也會不遺餘⼒地去推進這個Scaling 的上限。

8、下⼀代模型的核⼼能⼒是必須要有持續學習的能⼒

下⼀代模型的核⼼能⼒，我覺得它必須要有持續學習的能⼒，它才能叫下⼀代模型。在那之前，我們能做的就是成本，然後效果做得更好，速度做得更快。但是要有⼤突破，它應該是能持續學習的。

現在Agent的能⼒受限，是因為它不能持續學習，它不能有效地持續學習。如果說能夠先把持續學習做完，那AI的能⼒是⾮常強的，它能夠⾮常⼤地提升我們⾃⼰研究的效率。持續學習先做出來，通⽤智能可能就很容易了。

9、商業化公司很難有動力追求模型效率，但我們會優先考慮成本效率

我們發現，不是所有⼈都很在乎這個模型的效率。對於⼀個商業化公司來講，沒有動⼒去追求模型效率要⾮常⾼。

所以⼏個創業公司，你沒有聽到他們說低成本是他們追求的東⻄，因為那個不符合他們的利益。低成本了，你還賺什麼錢？低成本了，你就收不到什麼錢了。

相反，這是我們願景的⼀部分。我們的同學在乎這個成本，因為我們的同學都是普通⼈，他知道⽤這個都是要花錢的。他能夠有這個同理⼼：別⼈要花錢來⽤，那麼別⼈如果便宜⼀點，別⼈能夠接受的程度會更⾼。所以我們有很多同學還是希望能夠把成本做到更低。

我希望它是⼀個負擔得起的，特別是在中國算⼒緊缺這樣的背景下，是負擔得起的，能在國產卡上⽤的。我覺得低成本⾸先是⼀個結果。我們的模型確實⼀直在模型架構上往⼀個更低成本的⽅向⾛，這跟我們的願景有關係。我們還有很多在算法上的⽅法，成本還可以往下⾛。

成本往下⾛還有⼀個原因是，成本越低，我就越能訓練更⼤的模型，我就越能承擔起更⼤的模型。在同樣算⼒上，在算⼒有限的情況下，如果我的計算效率更⾼，我就能夠承擔起更⼤的模型。對⼤公司來講，他不⼀定會這麼考慮，但我們會優先考慮成本效率。

10、國內⽬前最合理的做法應該是全⼒做通⽤的Agent

未來我們國內的商業模式是怎麼樣的，或者說最順利的路徑是怎樣的，我們還沒有到那個階段。國內情況和國外情況不⼀定⼀樣，國內到時候是什麼樣，我覺得現在還⽐較難判斷。

國內我們以⽬前的情況來看的話，我覺得最合理的做法應該是全⼒做通⽤的Agent，其他的Agent優先級應該更低，包括⾦融、醫⽣這些Agent。要先做Coding，因為Coding Agent能夠做到很多，還有很多垂直的 Agent。現階段我們覺得最重要的，應該還是Coding Agent。

對於在純粹科研、純粹做AGI的⽅向和資本市場之間的平衡，我現在覺得應該是能夠做到的，就都要。假如說我今年能夠有⼏個億美⾦的B端收⼊，再加上我們C端有⽤戶，那麼這本⾝就已經有⼀定的商業基礎。比如明年我們B端有收⼊，如果這個需求可以再增⼤的話，公司離淨利潤已經不遠了，可能就已經是淨利潤了。

可能就已經不是⼀個純燒錢的階段了，所以我感覺後⾯能做的、能操作的動作應該還是⽐較⼤的。或者說，最壞情況賣API，可能都能夠⽀撐⼀個上市公司。就如果說技術後⾯沒有新的進步了，我們的技術就凍結在這⾥了，那麼最後我們就全⼒賣API，把這些服務做好，我覺得也夠的。

所以我覺得還是有信⼼的，確實沒有那麼難。因為確實是在⼀個槓桿⾼的地⽅，⼜在⼀個發展⾮常快的領域，它可能就是沒有那麼難。只能講，我們希望有更⼤的夢想，但是我們也有保底可以拿出來的業績。

梁文鋒QA「六大焦點對談」

焦點一

問：能否分享持續學習在什麼時候能帶來突破的時間線？如果實現持續學習，還需要哪些架構、算法的創新，以及其他關鍵要素？

梁文鋒：現在全世界都在研究這個問題。或者說，對投資⼈來講，現在投資⼈看到最多的是Agent；但對於我們這些研究的⼈來講，現在看到更多的是學習，以及怎麼解決學習這個問題。

學習不是⼀項技術，它是⼀個問題。怎麼解決這個問題，可能有很多種技術。或者說，AGI是由很多東⻄組成的，需要模型還需要很多其他東⻄。其實它也是⼀個⼯程和算法問題。這個問題⽐較專業，但有很多⽅法，也有很多研究。

焦點二

問：現在開源後，這個⾏業有多少夥伴、⼈才、團隊，能夠⽐較好地復現開源⽬前的⼀些模型和成果？當生態進一步發展時，在哪些⽅⾯需要更多⾼質量⼈才來銜接到模型？您認為未來會⻓成⼀個什麼樣的⽣態？

梁文鋒：第⼀個問題是⽣態的問題。我們現在覺得，可能每個企業都⾯臨的問題是⼈才不夠。但我覺得這個⼈才短缺會是階段性的。我們在每個⾏業發展的初期，⼈才都是不夠的。包括以前做⽹站、互聯網做服務端等，剛開始⼈才也都是很缺的。但是這種⼈才短缺都⾮常快會被解決，也就兩三年，因為會培養出⼤量的⼈。

AI⼈才的短缺也是階段性的，是一個短期現象，並且我們已經看到，⼤幅度被緩解了。每個公司很快會把⼈培養出來。歷史上頁從來沒有出現過⻓期缺某⼀類⼈的情況。我還記得⼗⼏年前說⻜⾏員很缺，⻜⾏員的培養周期很⻓，但也很快被解決了。

所以⼤家不⽤擔⼼，以及國內現在做模型的公司還是太多了。美國可能就三家，中國做基模的東⻄太多了，所以資源也是⽐較分散，某種程度上也⽐較浪費。最終⼀定是不需要那麼多⼈去做基模的，⼀定會收斂。

現在可能⼤家覺得做這個事情的利潤率⾮常⾼，所以⼀定要⾃⼰做。但當他發現這個事情可能沒有那麼⾼利潤的時候，可能就不做了。這意味着我們是處在⼀個階段上：如果有⼀個⾮常⾼的利潤率，這⼀定不符合客觀規律。中國最後有個三四家競爭，競爭就很充分了，價格絕對已經夠打價格戰了。⼤模型可能兩家⼤公司、兩家⼩公司，可能就已經⽐較夠了。

我們希望能夠扶持更多的⼈，但是我們並沒有那麼多的精⼒。我不認為⼤模型公司可以拿⾛⼤部分利潤，這個不可能，因為這麼多家⼤模型公司，現在差距不⽤那麼⼤。差距只有兩個東⻄：⼀個是時間，⼀個是成本。所以不⾄於哪⼀家有暴利，成本控制得好的⼈就多賺⼀點，成本控制得差的⼈就少賺⼀點。

焦點三

問：真正到AGI的時候，理想的狀態是模型可以⾃我迭代、⾃我學習，就是⾃⼰訓練⾃⼰。⽬前這個數據，您感覺仿真數據是不是可以⽤起來，還是說真實數據的質量最⾼？通過模擬數據、仿真數據、創造數據等⽅式，能否讓這個模型能⼒去超越⼈類過往的所有真實？

梁文鋒：我覺得是能超越的。我覺得有兩點超越的，⽐如說圍棋，AlphaGo 他下了⼀⼿⼈類從來沒有⻅到過的棋。就是說，他肯定是在⼀定的範圍內超越⼈類的。

但是他可能也有上限，他可能也是有局限性。但是這個局限性我們現在看不到。所以籠統地認為，它是可以基於⼈類已經有的、我們已經能說出來的知識上，予以超越的。

焦點四

問：對於 AI Infra 這⼀塊，未來相信算⼒現在⼤家都是千億美元級別地在投⼊。我們相信中國⼈未來在硬件上是使命必達，但有可能這個在實踐的過程當中，⽬前還是⼀個掣肘。那麼未來會不會是兩⽅⾯向下⽽⾏？會不會現在去建了萬卡集群，但過了兩三年，它就變成了⼀個陳舊器件？

梁文鋒：英偉達的卡基本上你可以按照五年折舊。如果說B200現在能買到多少，我覺得都划算。假如說對於騰訊來講，阿⾥巴巴能買到的話，再看量；如果合理價格能買到，肯定都是划算的。但不是⼀個算成本的時候。

我們算⼒落後，這是⼀個事實。這個事實通過三⽅⾯來消解。第⼀⽅⾯是我們承受模型落後，我們只能夠⽤⽐他們更⼩的模型，⼩多少問題就是訓練。我們要承受⼀定的模型落後，以及模型的尺⼨更⼩。這落後有⼀個好處，落後意味着你有更多的時間，你有⼀定的技術，然後可以⽤巧妙的⽅法。

所以我們跟美國的差距可能是落後美國12個月~18 個⽉，簡單說，就是落後美國兩年，然後只⽤美國⼆⼗分之⼀的算⼒把這個事情做出來。那麼未來我們要把這個敘事改寫，就是我們⽤它⼏分之⼀的算⼒，但把這個時間縮得更短，縮到 6 個⽉、3 個⽉，我覺得這是⼀個⽬標，以及我們甚⾄可以在某⼀些⽅⾯超越他們。不過，在總體算⼒還是有數量級差距的情況下，全⾯超越是不現實的；但是在某⼀些重點、有取捨的地⽅，我們有⼀些地⽅超越可能是可以的。

焦點五

問：剛才提到我們這⼀階段要解決的核⼼問題是持續學習，也是⽬前國外研究的熱點，叫 Recursive Improvement。⽬前來看，從技術上最⼤的難點是什麼？這個什麼時候可以解決？

梁文鋒：它的難點在於，我們現在還沒有找到⾮常work 的⽅法。全世界都還沒有找到好的⽅法，⼤家都在摸索。所以現在還在摸索階段，就是不知道誰能摸到下⼀個解決這個問題的⽅法。現在還在探索階段，雖然我們有很多思路，有很多現在看起來有前途的⼀些想法，但是都還沒有做通。

其次，現在我們內部⽐較看重這樣⼀個敘事：訓練我們的下⼀版模型，我們希望它能夠幫助我們⾃⼰的開發。它能夠提升DeepSeek的效率，我們的模型最⾸先是提⾼DeepSeek ⾃⼰的⼯作效率，讓我們開發下⼀版模型的時候，它能夠提供更多的幫助。我們做的模型，第⼀⽬標不是⼤家⽤得好⽤，⽽是我們⾃⼰好⽤，對我們⾃⼰有⽤之後，我在開發下⼀版模型的時候就會更快。這是實現 AGI 最快的⽅法。

雖然這個敘事有點奇怪，但是確實很多⼈就是這麼想的。⽽不是說⽤戶好⽤，我是希望對我們⾃⼰幫助更⼤，這樣我們實現AGI會快很多。現在⾮常確定，我們確實需要⼈⼯智能來幫助我們實現AGI。雖然說它還不是⾃主地⼯作，它還是只是跟⼈搭配，但是已經很有⽤了。

焦點六

問：您剛才提到先解決持續學習，然後再去做智能。這背後的技術根源是什麼？是不是意味着解決完持續學習問題以後，DeepSeek 後續也會做通⽤智能？

梁文鋒：因為解決持續學習這個問題，可以⼤⼤加快我們的研發進度。如果我先解決了持續學習這個問題，那麼通⽤智能這個問題就不在話下了。我有了AI的輔助，如果 AI 能夠持續學習，它的能⼒應該是⾮常強的。

現在的Agent 的能⼒受限，是因為它不能持續學習，它不能有效地持續學習。如果說能夠先把持續學習做完，那 AI 的能⼒是⾮常強的，它能夠⾮常⼤地提升我們⾃⼰研究的效率。持續學習先做出來，通⽤智能可能就很容易了，⽤它來做就很容易。所以這是我們⽐較希望看到的結果，我們⽐較省⼒，我們就輕鬆。否則現在你要去⼈⼯做通⽤智能，它是⼀個⽐較累、⽐較苦，是⼀個數據密集、⼈⼒密集的事情，性價⽐也不⾼。