欲合于时势，必先摩（摩）其情——关于梁文锋投资者交流会实录的反思：梁文锋（DeepSeek）的神谕式问答

 

图片来源请见此处。

 ENGLISH LANGUAGE VERSION HERE 

AI 现在不缺品位和直觉，它缺的是持续学习的能力。

（梁文锋 / DeepSeek 投资者交流会 [梁文锋投资者交流会实录]）

鬼谷子，这位中国古代修辞学家，在其经典著作第二卷（英译本：Guiguzi, China's First Treatise on Rhetoric, Hui Wu 译, 2016）中阐释道：有些情境下，若欲合于时势，则须把握——或者更确切地说——揣摩（摩；mó）。摩，是《鬼谷子》中关于"试探"或"抚摩"的篇章。该字本义为摩擦、磨砺、以触觉感知——而其技法正是如此：不直接追问对方的欲求或信念，而是施加一个微小的刺激（一个词、一个姿态、一个提议、一种情感的流露），然后观察回应。内心状态，文本论证道，一经触动便无法隐藏——它们会作为反应浮现出来，犹如打磨一面镜子使其光泽显现，或拨动一根琴弦使其音高暴露。精通摩术的说服者悄然而间接地运作：试探、解读反应、调整、再试探，直到对方真实的欲望、恐惧与可利用之处被完全勘明——往往在对方尚未意识到自己已泄露信息之时。

此策略出自经典文本第二卷第四章，紧随"揣"（揣 Chuāi）之后，直接位于"权"（權 Quán）之前。"揣"涉及揣度内在动机，而"摩"则是通过外部互动、映射与言语试探来检验这些推算、以引发可预测回应或行动的主动过程；随后的"权"则产生揣与摩的必要综合，作为道（Dào——根、路径，有时包括其方向与认知概念）的功能，物化于并存在于部署这些策略的社会的价值观与前提之中。揣（Chuāi，揣度/估量）居先——属于远距离的分析阶段。在任何接触之前，你构建一幅情势图景：对方的权势、资源、情绪状态，其所好与所惧。这通过观察和推断完成，基本保持距离。它是在踏入对方心智之前对其进行的认知制图。摩（Mó，揣摩）是接触阶段——你将在揣中建立的假设对照现实加以检验。揣是理论，摩是实验：微小的试探，按"其类"校准（摩之以其类），实时解读共鸣与抵抗，并不断修正图景直至确认。权（Quán，权衡/裁断）是部署阶段——既然你已真正了解所面对之人，便如天平上的砝码般校准你的修辞，为勇者、怯者、贪者、傲者等分别选择不同的说服策略，以使结果向有利于你的方向倾斜。因此，弧线为：勘测（揣）→ 检验与确认（摩）→ 校准与部署（权）。摩是枢纽——它将私下的估量转化为可供修辞行动的经验证的情报。

这正是我们可以借以切入梁文锋于2026年7月DeepSeek一场长时间问答中所产生的那些具有神谕般卓异性质的产物的方式（梁文锋 / DeepSeek 投资者交流会 [梁文锋投资者交流会实录]）。而当将其视为一场更大对话的组成部分时，其意义则更加非凡——这场对话向外延伸，发生在新兴AI机器系统技术体系的巨头之间：Palantir（帕兰提尔）、Anthropic、OpenAI、Google、Meta及其评论者（对我而言，其中较有意思的是Leo Aschenbrenner [利奥波德·阿申布伦纳]）。本文既在其自身范围内考察该问答的产物，也将其视为一场更广泛对话的一部分——这场对话深深嵌入若干关键行动者各自同时投射其策略时所产生的认知与现象学投射之中，并在此过程中产生了大量的符号学争夺，这些争夺可能将重塑作为这一辩证法核心的技术机制内部的认知框架。

引言

在最近一次投资者会议上，DeepSeek创始人梁文锋详细阐述了DeepSeek的组织文化、开源哲学、技术路线图以及对AI行业竞争格局的看法（梁文锋 / DeepSeek 投资者交流会 [梁文锋投资者交流会实录]）。这些言论广泛传播，多家网站提供了英文版文字记录，其中一些经过编辑，以类似尼采格言的风格呈现（参见 The China Academy; HTX; WEEX; RootData）。我从此网站通过前Twitter编纂了自己的版本：HERE。借助翻译应用程序，我逐字研读了原文，并在下文附上了原始中文文本及中英对照翻译。背景是DeepSeek计划中的IPO。这些言论广泛传播的后果——以及任何有意评论这些言论的人对其进行深入或也许并不那么深入的挖掘——是巨大的："据知情人士称，DeepSeek已告知其第二轮融资的潜在投资者，目前暂停该交易，此前数日，广泛被认为出自创始人梁文锋的关于中美AI竞争的评论在网络上疯传。"（Fortune）。

 

我在这里补充的内容分为五个部分：（A）我对这118条神谕警句为我们提供的四个主要见解的感受； (B) 警句和神谕的总结； (C) 梁文峰的摩； （四）梁文峰鬼谷子谋的符号学； (E) 梁文峰的大背景言论。在另一篇文章中，我将整合这些神谕格言和马克·扎克伯格 7 月 29 日为 Meta 发表的格言。

A. 梁文锋言论中浮现的四项核心洞见：(1) 战略克制作为非对称竞争优势；(2) 极端资源效率可中和巨大的资本/算力差距；(3) 对通往智能的"主线"的严格、自律的专注；(4) 非传统的、愿景驱动的文化优于企业官僚体制。

1. 战略克制作为非对称竞争优势。

传统科技策略优先考虑快速用户获取、激进变现、专有护城河（闭源代码）以及竞争性市场抢占。DeepSeek从根本上拒绝了这种路径。通过维持严格的克制——将API定价设定为仅赚取"合理"利润、开源其前沿模型、回避"超级应用"野心、拒绝将其他科技公司视为敌人——DeepSeek避免了代价高昂且令人分心的竞争。出人意料的是，让渡价值降低了摩擦、培育了善意，并最终最大化了实现AGI的长期概率。

2. 极端资源效率可中和巨大的资本/算力差距。

硅谷的主流叙事认为，达到AGI纯粹是指数级资本支出和大规模GPU集群的函数。DeepSeek的运营现实对这种"蛮力"教条构成了挑战。以大约美国顶尖实验室二十分之一的算力预算运营，同时仅落后一到两年，证明了架构效率、高度聚焦的工程、软件优化（如编写TileLang等定制编译器以绕过遗留软件生态系统）以及精简运营可以弥合巨大的资源鸿沟。

3. 对通往智能的"主线"的严格、自律的专注。

在一个容易追逐短暂热点（如视频生成、3D资产创建、面向消费者的封装应用）的市场中，DeepSeek实施严格的智识纪律。梁文锋区分了商业上有利可图的分心与通往AGI的真正路径。通过将多模态视为仅仅是一个产品组件，并将持续学习——而非单纯的规模或世界模型——确定为阻止当前智能体达到自我迭代能力的唯一关键瓶颈，公司将其有限的工程周期完全集中于直接推进核心智能的事项。

4. 非传统的、愿景驱动的文化优于企业官僚体制。

高效的AI实验室并不必然需要僵化的组织层级、激进的KPI或高强度的内卷文化。DeepSeek的结构依赖于一种共享的、未成文的愿景和对员工的彻底信任：赋予顶尖研究人员高达50%的自由支配时间、避免强制加班、依靠共识驱动的领导、将长期团队稳定置于一切之上。这种宽松的、兴趣驱动的环境被界定为一种运营必需——因为前沿AI领域真正的科学突破需要的是认知上的呼吸空间，而非自上而下的压力。

B. 梁文锋在四小时投资者问答中的言论叙述性摘要。分为以下几个部分：(1) 愿景、组织哲学与克制；(2) 算力现实、国产芯片与生态独立；(3) 商业策略、开源承诺与市场前景；(4)

1. 愿景、组织哲学与克制。

DeepSeek的核心身份植根于一种未成文的、愿景驱动的哲学，而非传统的企业结构。公司在没有正式KPI、没有严格管理层级、没有绩效考核的情况下运营，将为人类利益实现通用人工智能（AGI）的使命置于短期财务回报或激进商业扩张之上。梁文锋强调一种深度克制的策略。DeepSeek并不与成熟的科技巨头竞争去构建高摩擦的"超级应用"，也不试图最大化用户变现，而是刻意放弃即时的商业市场抢占。这种克制被视为一种深思熟虑的策略：通过保持专注并避免在行业内形成敌对态势，公司最大化了其实际实现AGI的长期概率。在内部，维持团队稳定被视为DeepSeek最为关键的唯一优先事项。团队将资金和物理计算资源视为可获取的商品，但将凝聚且有动力的人才视为不可妥协的要素。最近的股权融资为长期员工提供了大量股权期权，在很大程度上缓解了核心人才流失风险。公司的决策高度依赖共识建立而非自上而下的行政指令。为培育研究创造力，管理层明确鼓励一种从容、低压的工作环境。员工通常被赋予高达50%的自由支配时间来探索自主研究项目，无需预设交付成果，并且避免加班以给予研究人员深度探索所需的心理带宽。

AGI技术路线图与研究重点。

DeepSeek将通往AGI的轨迹视为非突发性跳跃，而是一个审慎的、逐步的技术阶梯。其进程依次从基础语言模型到链式思维（Chain-of-Thought, CoT）等推理范式，进阶至自主智能体（Agent），掌握持续学习，达到自我迭代的技术奇点，最终终结于具身物理智能。当前，AI发展的首要瓶颈在于现有智能体缺乏在长时间段内持续适应和在岗学习的能力。解锁持续学习被视为使模型能够自主改进、开展研究并加速后续AI发展代际的关键里程碑。由于资源必须严格优先配置，DeepSeek严格遵循通往智能的这条主线。公司刻意回避3D资产创建或视频生成等旁支领域，将其视为虽商业上有利可图但并不从根本上推进机器智能上限的应用。类似地，多模态能力被视为面向终端用户的必要产品组件，而非底层推理能力的核心驱动力。为优化内部开发，DeepSeek将编码智能体（Coding Agent）置于所有其他垂直应用之上加以优先，因为强大的编码能力创造了一种复合反馈回路，极大地加速了公司自身的内部研究和模型迭代。

2. 算力现实、国产芯片与生态独立。

在谈及中国国内AI与美国领先前沿实验室之间的性能差距时，梁文锋指出，这一分野完全是由资源可得性而非人才短缺所驱动。中美两国基本上从同一人才库中汲取研究人才，但美国实验室受益于远为庞大的资本部署和GPU算力获取。历史上，DeepSeek在利用大约二十分之一算力预算的情况下大致落后于美国领先模型一到两年。展望未来，目标是利用更高的计算效率将该滞后缩短至三到六个月。规模定律（Scaling Laws）依然完全有效，但算力限制目前制约了中国国内实体在模型规模和训练数据方面能够达到的硅谷水平的扩展程度。为克服硬件约束，DeepSeek积极追求脱离英伟达（Nvidia）的生态独立。在训练DeepSeek V3期间，团队使用了英伟达GPU硬件，但完全绕过了英伟达专有的CUDA软件栈，开发了TileLang——一种为其训练基础设施提供动力的定制高级编译器。在国产硬件方面，梁文锋对中国芯片替代表示了强烈乐观，指出四颗华为芯片目前可匹配一颗英伟达顶级GPU的性能。虽然4倍的硬件差距和两年的芯片制造技术延迟仍然存在，但软件生态差距已有效弥合。硬件产能——而非软件兼容性或适配器生态系统壁垒——仍是国内算力的唯一运营瓶颈。

3. 商业策略、开源承诺与市场前景。

DeepSeek以成本加成定价哲学而非利润最大化来接近商业化。API定价被校准为覆盖硬件运营成本并在大约十个月内收回资本支出，有意提供远低于无弹性市场需求所允许的价格。企业端（To B）收入预计将达到数亿美元，加之不断增长的消费者用户基础，使公司走上了实现净盈利的快速轨道。即使在技术进步停滞的假设最坏情境下，仅凭出售API访问权限就足以维持一个盈利的上市企业。此外，DeepSeek坚定致力于开源策略，打算向公众发布其最强大的前沿模型。梁文锋认为，闭源并不能提供内在的竞争护城河，因为即使权重完全共享，模型部署、成本优化和运营效率也构成了可观的进入壁垒。至关重要的是，DeepSeek为自身API服务内部部署的模型与向开源社区发布的权重完全相同。在全球竞争舞台上，梁文锋设想一个没有任何单一参与者垄断或攫取暴利的行业。相反，激烈的竞争将使成本效率和执行速度成为主要的市场差异化因素，中国公司将以显著更低的价格点交付全球AI能力。

使这份摘要显得奇异的是其有用性。它试图赋予一组流动的格言以意义——人们可以按自己的意愿对其加以分组和重组，将格言和神谕式陈述塑造成某种它也许并非的东西——如同我上文所提供的摘要。它服务于一个目的，但暴露了另一个目的——试图将意义强加于某物的欲望与机制，而该物本身意如其言，遵循自身的话语节律，而这些节律在格言本身之外可能有也可能没有意义。然而它就在那里，一种为了必须被强加的意义而服务的必要幻觉。大模型的幻觉问题比较影响用户的体验。幻觉问题也是有一个方法可以解决的，但是这是一个长命题。幻觉问题可以认为是一个可以通过更好的 Post-training 解决的，是一个能解、能够改善的问题。（梁文锋 / DeepSeek 投资者交流会 [梁文锋投资者交流会实录]）

图片来源见此处

 

C. 梁文锋的摩（摩）。

梁文锋的对话实录不仅是关于策略的信息——它本身就是一次战略传播行为，而鬼谷子框架可以从两个方向指向它。

1. 该文本作为向外施展摩术的行为。

请注意其设置：一家明确拒绝发声——"从不进行外部融资，从不上市"——的公司，在近四年的几乎沉默之后，于一次四小时的单场会议中打破沉默，时间恰在完成人民币500亿元融资之后。这个时机并非偶然。一家沉默的公司是不可辨读的；市场、竞争者和国家都不得不猜测DeepSeek的意图。这次会议是一次反方向的受控试探——梁文锋是被118个有针对性的问题所"揣摩"的对象，而他的回答是在一个特定时刻（融资完成后、规模扩张前）经校准发布的信息，此时对一个非常特定的受众——他的新投资者——的安抚具有最大价值。它读起来像是权术已在运作：他并非在传递一个统一的信息，而是为房间里不同的焦虑赋予不同的安抚以不同权重——为担心人才流失的人提供团队留任的信息，为担心出口管制的人提供芯片策略，为担心他会鲁莽变现并疏远其赖以获取善意的生态系统的人提供"克制即策略"的叙事。

2. 该文本作为我们自身揣–摩–权分析的原材料。

如果你是试图真正评估DeepSeek而非仅仅吸收叙事的读者，鬼谷子建议将他的既定立场较少视为事实，而更多视为有待权衡的试探反应。以下是他自己的语言在与自身对照检验时所揭示的超越任何单一语句的几个例子：他几乎像念咒般重复"克制"（克制）——"克制本身就是一种策略。有时候你可以放弃一些东西来换取更多的另一些东西。"鬼谷子的揣阶段会问：克制实际上为他买到了什么？他几乎直接在后文回答了这个问题——克制被明确界定为一个最大化实现AGI概率的举措，而非纯粹的利他主义："我优先考虑的是如何提高我们成功的概率。""善意"框架与冷酷优化框架在他那里并行不悖地共存而无摩擦——这一点值得标注而非试图解决。

在团队稳定性问题上，他异常坦率地表示金钱是一个已解决的问题，唯一剩余的风险是人才留任——"我们最大的核心利益就是维护团队的稳定……只要我能保持团队稳定，我一定会成功。"这是一个罕见的时刻，揣式的估量（这个人真正恐惧什么？）获得了一个直接的、未经排练的回答，而非一个准备好的答案——可以说是一个由访谈格式本身诱发的失误，恰恰是摩术试图引出的那种非计划性的共振。在竞争者问题上，他一贯将对手的优势贬低为暂时性的——Anthropic对OpenAI的领先、OpenAI近期的主导地位、乃至英伟达的CUDA护城河——都被描述为正在侵蚀中或"只是一个阶段"。权式的解读会将此标记为一个一贯的修辞模式（而非一次性的论断），旨在向投资者保证没有任何竞争者的当前地位是固定的——而这恰恰是以3675亿元人民币估值开出支票的投资者，在经历了两年的"我们永远不融资"之后，最需要听到的保证。鬼谷子框架所揭示的更广泛要点是：这份对话实录不应被读作观察DeepSeek策略的透明窗口，而更应被视为由一位在摩术——即解读房间并据此校准披露——方面高度娴熟之人所生产的文本。最有意义的分析动作不是按字面意思接受内容，而是追问每个回答是对什么刺激（融资轮次、出口管制压力、国产芯片叙事）的反应，以及这暗示了他仍未言明之事。

D. 梁文锋的鬼谷子策略之符号学分析。

符号学使这三个步骤中实际发生的事情更加清晰，因为整个鬼谷子方法建立在将一个人视为符号系统——而非意图的透明容器——之上。三章共同的核心符号学假设是：内在状态（情，感受/性情）是不可直接获取的——它们仅能通过外化的符号为人所知：言词、语调、姿态、时机、沉默。这本身已是皮尔斯（Peirce）意义上的符号学操作：内在的所指（referent）从不直接给出，只能通过指示符号（indices，非自觉的、因果关联的符号——一次犹豫、一阵脸红、一个重复的词）和象征符号（symbols，约定俗成的、编码的符号——所选择的实际词汇）加以推断。鬼谷子的整套方法是一种通过象征符号来解读指示符号的学科，其假设前提是没有人能够同时完全控制这两种渠道。

揣（揣），从符号学角度看，是接触之前的编码建构。在你能够解释一个人发出的任何符号之前，你需要一个解释框架——一个关于你所面对之人的工作模型，关于其符号可能意味着什么。这在结构上接近于索绪尔（Saussure）所谓的建立聚合场（paradigmatic field），或诠释学家所谓的前理解（pre-understanding）：没有编码就无法解码，而揣正是建构该编码的阶段，完全通过远距离的观察和推断而非直接交换来完成。摩（摩）是符号被制造而非仅仅被观察的阶段。这是将其与单纯阅读区分开来的关键符号学操作。自然符号往往是缺失的、被压抑的或含混的——因此实践者不等待符号出现，而是诱发之：注入一个刺激，按目标对象的"类"加以校准（摩之以其类，即以目标对象实际会回应的编码），并将由此产生的反应视为数据。它更接近皮尔斯式的溯因推理（abduction）而非被动观察——在揣中形成假设，然后在摩中扰动系统以迫使其发出一个可辨读的符号来确认或修正假设。试探必须按"其类"校准这一要求本身就是一个符号学约束：发送者和接收者需要一个共享的编码，否则所引出的符号只是噪音。权（權）是为效果而进行的重新编码。一旦你获得了对对方的经验证的解读，你便停止解码并开始生产——选择修辞范畴（诉诸恐惧、野心、忠诚、自尊），犹如选择天平上的砝码，每一个都校准以在对方那端触发一个特定的解码。用现代术语表达，这是斯图亚特·霍尔（Stuart Hall）编码/解码模型中的编码半部分：揣和摩是对对方执行的解码操作；权是为对方执行的编码操作，使用的恰恰是解码所揭示的关于对方如何处理符号的信息。

由此，该序列——鬼谷子的子系统区块链可以如此解读：建构编码（揣）→ 通过制造符号来检验之（摩）→ 生产按该编码校准的新符号（权）——一个完整的符号学回路，而非仅仅是"认识某人"的三个阶段。将此应用回对话实录，则为分析增添了另一层：

愿景（vision）在整个文本中几乎作为一个漂浮能指（floating signifier）运作——被反复不息地重复，并被明确地说成是未成文的："这个愿景甚至没有写在任何地方……从来没有过。"从符号学角度看这是值得注意的：一个没有固定所指的象征符号对于共识建构具有最大效率，因为每一个听者——员工、投资者、国家监管者——都可以将自己的所指附着于其上而不产生矛盾。它是在权中被选择的一个符号，恰恰因为其解释的弹性——而非尽管如此。

数字精确性作为确定性的符号。"四颗华为芯片等于一颗英伟达芯片"和"十二到十八个月，或六到十二个月"，其表现与其说像原始数据，不如说像修辞性的图像符号（icon）——精确性本身就是信号，代表着自信与掌控，而无论该数字是如何得出的。值得标记为编码输出（权）而非事实的透明指示。

策展层。对话实录直接声明它是"118条言论，按主题组织，仅保留其所言之实质"——这意味着我们阅读的甚至不是摩所引出的原始符号的第一手材料；我们阅读的是一种二阶重新编码，经过整理该文本之人的过滤，叠加在梁文锋自己对四小时问答所产出之物的一阶重新编码之上。对这篇文本的任何符号学解读都必须将这一双重编码置于视野之中——我们正在解码的"信号"在到达我们之前已经经过了两个编码器。

在此，我们从作为修辞学的鬼谷子，经过该修辞牢笼内的符号辩证法，抵达该辩证法的计算表达——它随后映射了作为交流对象的机器系统。从本质上说，我们再一次抵达了从迭代模拟（iterative mimetics）中涌现的归纳系统，它起初是单向的扁平序列性节点运动，随后获得了一种分层的多声部（在监管认知空间中为多中心）元素，生产出所寻求的终端产物——即以118个神谕式节点勾画出通向其实现之路径。

E. 梁文锋的言论置于更广阔的语境中。

1. DeepSeek在AI同行群对话中的位置。

我并非在真空中考虑梁文锋的言论/格言/神谕式宣言。事实上，在其做出这些表述之时，梁文锋已有数月时间（这是一个全球范围内联系紧密的圈子）来消化其在美国的同行们的神谕式宣言和介入——那些同行同样难以将自己的思想保留于己身（参见 Palantir, OpenAI, Anthropic, 以及 Leo Aschenbrenner）。我在最近于华东政法大学的系列讲座中考察了这些（Lecture 7——AI叙事与人类、机器计算与机器量子视角下AI-人类监管结构的未来；Palantir; Anthropic; OpenAI——系列讲座：比较视角下的AI治理：理论与实践：中国、美国与欧盟；Lecture Series Homepage HERE）。

我的第七讲将AI治理讨论从国家监管者转向了私营部门行动者，将Palantir、Anthropic、OpenAI以及独立论文作者利奥波德·阿申布伦纳（Leopold Aschenbrenner）的公开声明视为关于谁应掌控AI未来之权威的竞争性"神谕"，而非技术性政策文件。该讲座的主导前提是辩证的：AI系统由建造它们的政治秩序所生产，但又递归地重塑那些同一秩序的制度、认知习惯与规范。在那次讲座中，如同在对底层文本的分析中一样，我通过索福克勒斯（Sophocles）/科克托（Cocteau）的《俄狄浦斯王》（Oedipus Rex）寓言来框架这四个文本——俄狄浦斯（Oedipus）作为自信的问题解决者，克瑞翁（Creon）作为行政统治阶层，忒瑞西阿斯（Tiresias）作为服务于权力而非真理的技术知识分子，伊俄卡斯忒（Jocasta）作为揭露神谕之虚的异见者之声。这四种叙事被解读为同一技术的四种不同"治理对象"：Palantir将AI视为从内部重构国家的工具——国家必须围绕AI赋能的可见性和协调进行重组，以硅谷工程精英为合法化先锋（我所称之为"技术列宁主义"）。Anthropic将AI外化为一场关于算力、出口管制和模型"蒸馏"的文明性美中竞争，将AI能力本身视为争夺的领土而非行动者，以2028年为决定性地平线。OpenAI提出"变革性保全"——通过公私伙伴关系管理的深层社会变革，使合法化制度看似未受扰动，即便其实质已经改变。阿申布伦纳（《态势感知》[Situational Awareness]）将三者全部激进化，将国家安全国家视为一旦递归自我改进产生"智能爆炸"后几近不可避免的结果，仅剩问题是最终由人类还是自主系统来主导。从计算与量子计算角度重新解读，同样四个文本暗示了三次解读中的一个汇聚性发现：四种架构中没有任何一种反对名义上保留人类权威，但四者全部汇聚于一种结构——在其中，人类权威变成一种"界面属性"——一个可辨读的、可被问责的层——而运作性能动性（operative agency）则迁移至他处（一个行政精英、争夺中的基础设施、一个技术少数群体、或系统本身）。量子解读补充道：人类治理的序列性、节点性与不可逆的时间结构与计算时间在结构上不可通约，因此治理修正系统性地滞后于一条自我加速的能力轨迹。

梁文锋可以被置入那场同行对话的何处？梁文锋的言论处于这四种叙事的美国分类学之外，但它们从一个显著不同的制度与地缘政治位置出发，回应了若干相同的结构性问题——权威、时机、损害/风险与合法性。

关于权威与治理结构。

在Palantir将权威定位于与工程先锋融合的改革后国家机器、Anthropic和OpenAI将其定位于国家或公私协调之处，梁文锋将DeepSeek的内部权威定位于共识而非命令：他声明公司没有KPI，是"愿景驱动的"，而他本人的影响力"建立在共识的基础上"。这几乎是Palantir所提命题的逆命题——后者主张必须恢复判断力和价值观之间层级化甄别于一个统治精英；梁文锋描述的则是一种扁平的、半自由支配时间的研究文化，明确组织以避免行政管控。值得注意的是，梁文锋的叙述从未将中国国家赋予DeepSeek使命中的治理角色——公司所感受到的义务是商业生存（"政府不会给我们一分钱"），而非国家指导的目的，这与我对Anthropic文件的分析形成对比——后者将AI治理界定为不可与国家间规范性主导权竞争分离之物。

关于美中框架。

Anthropic的叙事将中国投射为一个战略对手——其收益源于人才、漏洞利用和对美国模型的"蒸馏"——以2028年为解决性地平线，届时民主或威权规范将治理全球AI。梁文锋的言论颠倒了同一竞争的观察视角：他描述DeepSeek大约落后美国一到两年，同时仅使用约美国二十分之一的算力，将整个能力差距归因于算力和资本而非人才，并预测中国的比较优势将在于成本和生产规模而非一种不同类型的智能。在Anthropic将竞争框架设定为一场关于谁的价值观来设定全球规范的斗争之处，梁文锋以市场术语来框架——中国将使AI成为"最便宜的"，其定价仅赚取"合理的回报"而非最大攫取——一种更接近产业竞争的修辞调性，而非我归于Anthropic的那种安全化的"文明竞争"话语。

关于时机与"奇点"。

梁文锋的AGI路线图——链式思维，然后是智能体，然后是持续学习，然后是自我迭代的"奇点"，然后是具身智能——在结构上类似于阿申布伦纳的递归自我改进/"智能爆炸"逻辑，其中AI自动化AI研究将数年的进步压缩至更短的时间跨度。但梁文锋明确抵制阿申布伦纳的爆炸性框架：他坚持"奇点""并非真正的奇点"而是"一个渐进的过程……不是一个突然的跳跃"，即便他承认它习惯性地被以戏剧化的措辞来描述。这直接反驳了阿申布伦纳的离散压缩式2027-2028年事件视界，并在较小程度上反驳了Anthropic的。在我为第七讲所发展的话语框架内，梁文锋的时机模型更类似于我归于Palantir和OpenAI的"连续的、事前的"行政修正，而非Anthropic和阿申布伦纳的离散终端视界模型。

关于合法性与风险框架。

美国叙事的合法性证成围绕若干关键概念组织要素运转：爱国主义道德债务（Palantir）、民主程序之捍卫（Anthropic）、广泛共享的繁荣（OpenAI）以及纯粹的存亡（阿申布伦纳）。梁文锋的合法性主张更接近OpenAI的"共享繁荣"调性，但根植于克制而非民主参与：他反复将刻意不去最大化DeepSeek在AI回报中的份额——通过低API定价、持续开源其最强模型、以及明确愿意帮助阿里巴巴、智谱、月之暗面（Moonshot AI）等竞争对手"做得更好"——框架为最有可能提高实现AGI概率的策略。这与Anthropic的零和"蒸馏"框架形成鲜明对比——在后者中，对手从领先模型输出中提取能力被描述为对抗性捕获；梁文锋将类似的风险——竞争者自由地部署甚至改进DeepSeek开源的权重——不仅视为可容忍的，而且视为一项有文献记录的政策目标，尽管经典的计算解读指出这将DeepSeek的命运与重新部署其模型的行动者纠缠在一起。

关于权威/能动性脱耦。

一个关键的结构性发现表明，四个美国文本全部在形式上保留人类权威的同时，使运作性能动性迁移至行政精英、争夺中的基础设施或系统本身。梁文锋的叙述提供了一个值得标注而非一个完整反驳的部分反例：他明确将DeepSeek的持续生存系于"保持团队稳定"作为其"唯一核心利益"，将一小群高级研究人员（他说大约占公司一半，集中于数据标注）确定为企业的承重性能动者。这在结构上类似于我的计算解读所称的Palantir的"纠缠子系统"——一个工程先锋群体，其自身状态无法独立于其所监督的系统而被明确指定——只不过梁文锋将这种集中框架为通过融资轮次股权解决的人才留任和士气问题，而非一种取代集体人类判断的新兴行政权威。梁文锋关于基于共识的、无KPI治理的叙述，其自身是否能经受住我所称的"退相干批判"（即"愿景驱动的"共识究竟是一种持久的控制属性，还是如量子解读所言，仅仅是一种掩盖了DeepSeek核心研究团队中集中的运作性能动性的"界面属性"），是一个梁文锋的言论未直接触及的问题——该文本没有提供任何等价的二阶反思来审视其自身关于内部治理的叙述是否可被定性为一种合法化叙事而非对运作性控制的描述。

总体比较。

在这些美国AI企业的治理叙事中，每家企业所声明的对保留人类权威的承诺之下，都存在一种将运作性控制重新定位于他处的结构性倾向。梁文锋的言论本身就是一种一阶叙事——不是一份自觉地论证某种治理架构的政策文件，而是一份关于DeepSeek策略、文化与市场定位的内部叙述。通过我自己的分析视镜来解读，DeepSeek的文本可能占据一个有别于我所考察的四个美国文本的位置：它既不将AI嵌入国家行政改革（Palantir），也不将AI能力投射为需要捍卫的地缘政治争夺领土（Anthropic），也不提出一个正式的公私纠错架构（OpenAI），也不预测一个不可避免的安全国家俘获（阿申布伦纳）。相反，梁文锋将克制、开源和共识治理框架为一家私营的、商业暴露的企业在相对于美国的资源稀缺位置上运营的策略——一种更接近创业实用主义而非我所编目的四种神谕姿态中任何一种的调性，尽管它与阿申布伦纳共享一条递归自我改进路线图，并与Anthropic共享一个明确的美中算力框架。

2. DeepSeek的政治认知平台：在引导型国家内部运营。

在我的系列讲座中（Lecture Series Homepage HERE），我将中国的监管环境描述为"引导型国家"（The Guided State），而第七讲本身在解读Anthropic的叙事时，将美国框架——"围绕市场和国家安全组织"——与"一个围绕该文所谓'社会主义现代化'、由国家主导的高质量生产所驱动的中国框架"加以对比，并将美国自由民主工程定位为在捍卫其"生活世界"（Lebenswelt）以抵御"马克思-列宁主义继承者国家的想象"。这是必须框架任何对梁文锋言论之解读的根本结构性事实：DeepSeek并不在一个市场自主、去中心化的私人秩序和企业自我导向受到宪法保护作为默认值的体系内运营。它在一个以党对经济的领导为根本前提的体系内运营，在其中市场机制被工具性地容忍和引导，而非被视为先于或独立于集体政治方向的自主领域。在中国，DeepSeek这样规模和战略重要性的企业通常在内嵌的党组织结构之下并与之并行运作，且党-国在近年来已反复展示了对被认为积累了无序的、不受制约的经济或社会权力的私营科技企业加以规训的能力和意愿——2020年后对马云和蚂蚁集团的处置、滴滴的重组，以及针对"资本无序扩张"的更广泛的"共同富裕"运动，都是这种动态的广为记录、公开可知的实例。这是一般性背景知识而非从上传材料中提取的内容，但对于准确解读梁文锋的言论而言是必要的，因为他的修辞正是在这样的环境中被言说的。

在此背景下，梁文锋言论中的若干特征读起来与硅谷创始人所言迥然不同。梁文锋反复且强调地否认对支配地位、为规模而规模和市场权力的追求。他声明DeepSeek从未打算"成为下一个字节跳动、下一个腾讯"，也无意与"任何互联网巨头或小公司"竞争。他将公司描述为在通常意义上"没有组织"，由"愿景"而非"KPI"治理，完全没有绩效考核。他声明"我们最大的核心利益就是维护团队的稳定"——"你甚至可以说这是我们唯一的核心利益"。他将开源公司最强模型、帮助包括阿里巴巴、智谱和月之暗面在内的竞争对手"做得更好"、以及将API访问定价为"合理利润"而非利润最大化的价格，全部框架为深思熟虑的原则性选择而非商业必需。他进而将此概括为一个明确的政治经济学主张："拿得多的人会被拿得少的人打败"——一种以攫取更多市场份额或利润为导向的愿景本身就是一种竞争劣势。

脱离语境地解读，这可能被误认为是标准的硅谷创始人神话。但对照引导型国家的背景来解读，它执行了一种远为具体且后果重大的意指（signification）。梁文锋关于"克制"（克制）的语言被他明确地理论化为策略性的而非仅仅是气质性的："克制本身就是一种策略。有时候你可以放弃一些东西来换取更多的另一些东西。"按照这种叙述，DeepSeek放弃的是公开的规模、支配地位和利润最大化；它购买到的是梁文锋从未直接说出但引导型国家语境使之可辨读的东西——在不触发其他被认为积累了自主的、不受制约之权力的中国科技企业所遭遇的那种党的审查和规训模式的情况下，继续获得追求一个极其雄心勃勃的、资源密集型的、且政治敏感的项目（构建AGI）的余地。他坚持DeepSeek是"愿景驱动的"而非规则驱动的，其权威建立在"共识"而非单方面命令之上，这是在一个默认姿态对集中的私人权威心存疑虑的体系中执行"非威胁性"的表演。

他关于公司愿景"甚至没有写在任何地方"且"存在于我们做事的方式中"的声明，在西方框架中是关于组织文化的主张；在引导型国家框架中，它在功能上同时也是一种关于不存在任何可被解读为与党所认可的方向相竞争或取代之的、有文字记录的替代性权威所在的主张。这就是DeepSeek文本应作为我第七讲分类学中一个独特的第五种治理对象来解读的意义所在——它由一种与产生了Palantir、Anthropic、OpenAI和阿申布伦纳的美国"市场国家"语境从根本上不同的政治秩序所生产，且仅对照该秩序方可辨读。美国文本是向一个必须被说服去接受非常规权威集中的公众和国家机器所发出的神谕；梁文锋的言论是向一个必须被说服根本没有非常规权威集中正在发生的党-国机器所发出的神谕。

 （本文由 Claude 和 Harvey AI 协作生成）

 

 

码良

 

@cxjwin

 

 

融资 500 亿后首次开腔：梁文锋 4 小时讲透 DeepSeek（118 条实录）

说过「不融资、不上市」的 DeepSeek，这次融了超 500 亿元，投前估值约 3675 亿元。围绕这次融资，梁文锋在一场近 4 小时的投资者交流会上回应了一切：愿景、AGI 路线图、算力、国产芯片、竞争格局、开源，共 11 个话题。以下是他的 118 条发言，按主题整理，只保留讲话内容。

01 愿景与克制

我们一开始来做这个公司，初衷没有想到说我最后要赚多少钱，要到资本市场上去，要上市，要怎么样的。最开始的几十个人完全没有这么想过，如果他这么想，他就不会来。

我们是怀着一个对这个世界非常大的善意来做这个事情，我们觉得这是对人类有用的，这是一个金钱以外的事情。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，不是按照一个商业利益最大化的方式来做的。

管理一个大公司，靠的不是你的规章制度，靠的是愿景。愿景不是挂在墙上的标语，愿景是你怎么做，不是怎么说，就是你怎么实际运行。

我们是没有组织的，就是愿景驱动的，靠一个愿景来组织。我们并不是以一个"我要实现什么 KPI、没有考核"的方式来做，只有愿景。

这个愿景甚至也不是成文的，并不是写出来的，没有写出来过任何东西。这个愿景是在我们做事情的方法、我们对待这个世界的态度里。

我们并没有非常多的其他优势，我们没有什么本事，我们并没有比别人有钱，也没有说我们人员比其他公司更好，其实没有的。我们两年前成立这个公司的时候，我们又没有很多钱，又没有很多卡，又没有什么知名度，又没有什么号召力，我们就是一群非常平凡的人。

你越克制，可能就越容易做成，或者说至少到目前为止是印证的，到目前为止是能解释得通的。否则没有办法能够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，我们的人其实也就是随机的一群平凡的人。

AI 这个事情太大了，利益太大了。我们非常克制，只要能够做成，最后利益都会非常大。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情，因为这个利益足够大了。

我们去年春节用户突然很多，但是我们并没有去追求我要留这些用户，或者说拿这些用户来变现，或者说我要去抢这些商业利益，在用户上面兑现。我们没有去抢用户，没有去赚钱，但我们很努力想办法把用户服务好。

我们并不会有这样的想法，说我要做成下一个超级 App，然后我要去跟谁竞争，我要做成下一个字节、做成下一个腾讯，完全没有这样的想法。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。

克制是一种战略。就在于有时候你可以舍弃一些，来换更多其他的东西。不开源这个事，其实也是一样的，也可以认为是我们的压力，也可以认为是我们的让利。

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。在考虑一件事的时候，我是毫不怀疑 AGI 会有非常大的商业价值。那么在这个基础上，我优先考虑的不是我怎么多加一点份额，我怎么多拿一些份额，我优先考虑的是我怎么增加我能够做成的概率。

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。我希望我能够给他赋能，或者希望我能够协助大家去做这个事情，希望能够帮助大家做这个事情。

我觉得我们之前秉持这种态度，其实我们并没有因此而少拿到任何东西，并没有因为我开源，并没有因为我们的善意或者说我对其他人提供帮助，而导致我们少拿了任何东西。反而可能还有加分。这个看起来违反直觉，但它确实是这样的。

我们是以 AGI 为目标，但是我们一直在做商业化，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。

02 AGI 路线图

如果说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。但这里有个定义，有个前提是：你给它完整的上下文，给它完整的指令。

AI 并不能够替代你的员工。但如果说 AI 具有持续学习的能力，它跟你的员工一样，到公司学习两个月，那么就可以替代天下的人了，所以我们离下一步还差一个持续学习。

AI 的发展，我们可以理解成它是一个阶梯。去年走的阶梯是思维链。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。

今年的阶梯就是 Agent，因为我们发现，用 Agent 的方式，即便多些事情也可以做，它的能力范围会更大，它的智能上限会更高。Agent 要用到 CoT，然后 CoT 也要用到前面的阶梯，前面的阶梯就是语言模型，所以它并没有一步是白走的。

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，而不是说你要给它一个很强的训练，它应该能够像人一样做一个比较长时间的持续学习。

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，开发更好的人工智能模型。

这个奇点，它并不是一个奇点，它也是一个渐进的过程。这个过程可能也是一个比较长的渐变，它不是个突变。但是习惯性地，我们都认为它可能是个奇点。

这是我们的推测，这是我们觉得这个时间表应该是：先解决学习的问题，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。

如果说我们先解决持续学习，再解决那个自我迭代的奇点，再解决具身智能，这个路上就很轻松。因为到后面之后，你可以用前面的技术来帮助开发后面的技术。

我们只做 AGI 的主线。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。

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，这个其实你只要仔细去想一下，它跟智能的路线图是没有什么关系的。

在商业上，它是个好生意，在商业上是个好生意。但是这跟智能没有什么关系。我们不会因为它是一个好商业而去做它，我们只会因为它是智能路线图上的东西，才会去做。

从我们的判断，世界模型和智能还不是现在这个阶段最重要的事情。最重要的才是 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，当然每个公司它的判断是不一样的。

我们现在比较相信一个叙事是，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。

我觉得具身肯定还是要进入，最终具身。因为对一个正常人来讲，他的需求并不是电脑，对不对？因为正常的人，他吃喝玩乐、衣食住行，他不需要电脑。他需要的是，所以他还是需要具身智能来解决具体人类的需求。

我们希望 AGI 能做什么呢？它能帮我迭代下一版模型，能帮我迭代下一版模型一样。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，它来做下一版机器人。

下一代模型的核心能力，必须要有持续学习的能力，它才能叫下一代模型。在那之前，我们能做的就是降低成本，然后效果做得更好，速度做得更快。但是要有大突破，它应该是具备持续学习的。

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。所以我说这是一个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。

03 团队与人才

我们前面的经历给我的启示是，AGI 这个愿景是很强大的。这个人才优势不是说我的人比他更聪明，而是这些人才我怎么组织起来，怎么激励他，然后怎么合作。

你把聪明的人聚在一起，并不是说他自然而然就能够合作，自然而然就能够非常有激情地去奔一个目标、去完成的，所以你需要一个愿景。

我们最大的核心利益是要保持团队的稳定性。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。

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：我们必须要保持团队的稳定性。

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都还是比较多的，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，那么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 的环境里面去做这个事情。

其他都是时间问题，其他最多导致我们晚半年、晚一年，但是不会说做不出来。肯定是不缺钱，肯定是不缺资源，其实这些都是不缺的。

我们跟美国的差距主要在资源上面，然后人上面差距不是很大的。人上面几乎没有差距，因为就是同一批人，可能是中国人。中国人出去的时候，有一些人留在国内，有些人留在国外，有些人去国外，他并没有说是聪明的人去国外，没有的。

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比美国有差距。人才的差距，本质上也是因为算力的差距。

AI 人才的短缺也是阶段性的，并且我们已经看到，大幅度被缓解了。因为 AI 人真的不缺，每个公司很快会把人培养出来，培养人是很快的。

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，中国做基模的东西太多了。最终一定是不需要那么多人去做基模的，一定会收敛。

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，自己做，没有人管他，没有 KPI。

一般我们希望员工还有一半的时间，是不被安排的，他想做什么就做什么。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，他去探索什么，没有前置的要求。

我们一般也不太加班。加班有两个原因。第一个是，做研究是需要一个比较松弛的环境。你如果逼得很紧，就没法做研究。因为既然就是要你自己有这个兴趣，你自己平时要去想这些问题，所以得是在一个比较松弛的环境里，才有可能能够探索。

第二个是，我们非常聚焦。我们非常聚焦，就意味着我们要做的事情很少。那我就没那么多事情要做，我就不需要加班。这个跟前面的克制是一脉相承的。

我们公司整体上是建立在共识的基础上的，我并不是说我一个人决定所有事情，而是我要寻求共识。我在公司内的权威以及在公司内的影响力，是建立在共识的基础上的。

这个决策机制其实是一种寻求共识的机制，这并不是说我能够推动一个什么事情，它一定是共识，我才能够推得下去，然后我才会去推。

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，因为我已经在做这个调整。已经不做这个调整的话，很多事情是没法推进下去的。确实有很多部门，是应该有组织架构的。

04 算力与资源

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。所以我们现在策略是，在合理的价格里面，能买到多少卡就买多少卡。

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，也不能说花非常高的价格去买，还得确保这个价格是合理的。如果今年能够花掉两百亿，那么就属于我们的采购部门业绩超级好了。

我们跟美国之间最大的差距是在资源上面。算力资源一方面是国内本身卡就买不到，另外一方面是我们的资本投入比美国要少。我们在资本投入层面上少了很多，基于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，但算起来，人才的薪水还是占比很少，大头还是算力。

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。

我们跟美国的差距可能是落后美国 12 个月，落后美国可能 12 到 18 个月，或者说 6 到 12 个月。反正简单说，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。

这个叙事就是落后一到两年，但是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，就是我们用它几分之一的算力，但是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。

Scaling，我们是信 Scaling，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，并不是这个模型就够了。

硅谷在说 Scaling 到头的时候，那是对硅谷来说；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，然后训练成本。

05 国产芯片与生态

英伟达 CUDA 的护城河在快速地被瓦解。一方面是现在有了 AI，然后有了 AI 之后，我要建立起这个生态比以前容易很多了，因为 AI 可以写代码。

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需要耦合起来。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，都不是之前的这些东西了。

国产 AI 芯片替代现在是有个历史性机会的。我们认为，未来一年之内，我们能够看到有一个事情被验证：国产芯片的生态完全没有问题。之前认为是有问题的，认为是用不起来、不好用，但是未来我觉得一年之内，我们能够扭转这个认知，或者会用事实来扭转这些。

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面，我能买到英伟达的卡，那么国产替代是比较难的；但是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。

V3 训练的时候，它用的还是英伟达的卡，但是已经不用英伟达的生态了。V3 用英伟达的卡，但是没有用英伟达的生态，而是我们先写一个高级编译器叫 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。

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。华为的超节点，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。

四张华为卡顶一张英伟达的卡。

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，但是在芯片上是四倍加两年。

我们现在主要是跟华为有合作。华为他们自己适配，但我们自己会参与这个生态，会深入参与到华为这个里面去。华为的问题还是产能不足。

我不太相信未来五年之后，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，我觉得可能都还是卡在产能问题上，但五年之后，我觉得可能不一定，我还是比较乐观的。

06 竞争格局与行业判断

各家模型最终效果拉开差距，应该是一个综合上的。比较模型效果，肯定是得在相同的成本上来比较，这个才是有意义的。因为你比较两辆车，也是同价位的车来比较。

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。

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，芯片可能我们的产能最大，我们的电力最多。

中国人会把这产品做到最便宜，然后再在效果上，毕竟国外的商品，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。

最终的差距应该是三方面：一方面成本，一方面时间，一方面用户体验。除此以外，可能是没有什么差距的。

成本肯定是一个差异，我觉得可能成本是排在第一位的区别。然后第二个就是时间，你什么时候能够做到。你早几个月、晚几个月，它就不一样了。

OpenAI 从一开始觉得他真的能够垄断这个世界，但是实际上他会遇到很多很多挑战者。他会遇到挑战，他就不会那么轻松。美国会遇到挑战，那么他在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。

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，愿景如果是拿得多的话，你就会被愿景是拿得少的人给打败。其实大家都没有拿到钱，只是一个愿景。你愿景是拿得多，你就先输了，你就会面临着更大的困难。

对我们来讲，我们并不是利润要拿最多的钱，或者说算收益最大化的定价，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，我并不是去为这个事情找理由，因为没必要找理由。

我觉得在很多体验方面，有可能我们是能比美国做得好的。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。

成本这个很好理解，是因为他们都不用做，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个非常重要的事情，但对于他们来讲，这个是不重要的。

大模型可能不说两家大公司、两家小公司，可能就已经比较够了。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。

07 模型研发与技术

我们公司可能有一半的人，平时有一半的人觉得 OpenAI 是更好的。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。大家这三家都很厉害，这三家里面的效率是最高的，它花的成本、它花掉的、它烧掉的钱应该是最少的。

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，它是一个组件，它不是主线本身。

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。但是我们对多模态、对智能来讲，它是个组件，我们不把它当作智能本身。

只能说语言模型的 Scaling，我现在没有看到有上限。我们现在的智力水平，或造成美国的智力水平，都没有看到上限。

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。然后这是实现 AGI 最快的方法。当我们自己好用，那意味着可能别人也好用，但是首先得保证我们自己好用。

我们做的模型，第一目标不是大家用得好用，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。

我们叫这个叫"摸奖"。门槛很低，谁都可以去摸，但是谁能摸出什么来，这个可能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，就是我们会花时间去讨论这个问题，会去想这个问题，然后把它当做一个重要的事情。

08 商业化与定价

我们的 API 定价是一个合理的利润，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。

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，就是我价格再翻一半，或者说我价格再抬高一倍，token 的消耗量区别不大的。

我们的一个模型，一开始我们担心需求太多，所以一开始把价格定得比较高，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。

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。它会快速增长，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。

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。以明年我们 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。

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。

我们现在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。

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。

09 开源策略

我觉得我们是会开源的，然后我们最强的模型可能也是会开源的。因为我看不到闭源什么好处，看不到必然的好处。字节它的模型是闭源的，它有什么好处？我看不到有什么好处。

哪怕是模型开源，你把所有东西都告诉别人，这个门槛也非常高。别人要用起来，这个门槛也非常高。他要用起来，就很难；其次，他要用起来，还要成本做得很低，也很难很难，没有那么容易。

开源并不会影响收入。开源，我觉得对我们的商业模式是没有任何影响的。

我也不担心别人部署我们的模型，然后跟我们来竞争，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，协助大家能够把我们的模型部署起来。

我们在对外面打交道的时候，我们的态度是：我们只做 AGI 的主线。在对外面打交道的时候，我们是很愿意协助、帮助任何人，甚至我们的竞争对手，包括阿里、智谱、月之暗面，去做得更好。因为我们并不损失什么东西，我们本来也是开源的。

我们给的开源模型，跟我们自己部署的模型是不是一样？是一样的。我们不会说开源一个差点的模型，然后我们自己部署的时候用一个更好的模型，是不会的，是一样的。

10 数据与后训练

数据应该几乎就等于模型的一半。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成本没有什么区别。中国去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，使得我们很难投入去像美国这样标数据。这条路在中国是很难的，因为标数据实在太贵了，不管是我们外标还是我们自己标，都很难受。

现在基本上是两条腿走路。并不是说我们完全不能标，而是因为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。有一半的核心研究员，最重要的人，有一半在标数据。我们就集中在标数据。解决 AI 这个问题，在现在这个阶段靠的就是标数据。

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，他们都更早，然后资本更多，卡也更多。

大模型的幻觉问题比较影响用户的体验。幻觉问题也是有一个方法可以解决的，但是这是一个长命题。幻觉问题可以认为是一个可以通过更好的 Post-training 解决的，是一个能解、能够改善的问题。

11 组织与公司定位

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。

我们明确是要有商业化的。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。

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，我们有取舍。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，反而能让它商业化得更好。

对于合作伙伴，其实我们这个融资是精心挑选的。首先我觉得，利益是比较一致的，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能做成功的，因为我们还是损害了很多其他人的利益的。

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。

我们希望只做一块。我觉得 AI 这个事情很大，并不需要我……我只做一块。如果聚焦，并且我认为这里的生意利益已经足够大，就如果是 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，并且不会有利益冲突，但是我们有没有去做是另外一回事。但至少这里边是没有利益冲突的，我们是希望合作共赢的。

 

   

Liang Wenfeng / DeepSeek Investor Q&A

梁文锋投资者交流会实录

Bilingual Chinese-English Transcript (Side-by-Side)

中文 (Chinese)	English
码良 / Ma Liang	码良 / Ma Liang
@cxjwin / @cxjwin	@cxjwin / @cxjwin
融资 500 亿后首次开腔：梁文锋 4 小时讲透 DeepSeek（118 条实录）	After Raising RMB 50 Billion, He Finally Speaks: Liang Wenfeng Explains DeepSeek in a 4-Hour Session (118 Verbatim Remarks)
说过「不融资、不上市」的 DeepSeek，这次融了超 500 亿元，投前估值约 3675 亿元。围绕这次融资，梁文锋在一场近 4 小时的投资者交流会上回应了一切：愿景、AGI 路线图、算力、国产芯片、竞争格局、开源，共 11 个话题。以下是他的 118 条发言，按主题整理，只保留讲话内容。	DeepSeek, which had said it would “never raise outside funding and never go public,” has now raised more than RMB 50 billion at a pre-money valuation of roughly RMB 367.5 billion. In connection with this financing round, Liang Wenfeng addressed everything in a nearly four-hour investor Q&A session: vision, the AGI roadmap, compute, domestic chips, the competitive landscape, and open source — eleven topics in total. Below are his 118 remarks, organized by theme, retaining only the substance of what he said.
01 愿景与克制	01 Vision and Restraint
我们一开始来做这个公司，初衷没有想到说我最后要赚多少钱，要到资本市场上去，要上市，要怎么样的。最开始的几十个人完全没有这么想过，如果他这么想，他就不会来。	When we first started this company, it never occurred to us that we would ultimately be thinking about how much money to make, about going to the capital markets, about going public, or anything like that. The first few dozen people never thought that way at all — if they had thought that way, they wouldn’t have come.
我们是怀着一个对这个世界非常大的善意来做这个事情，我们觉得这是对人类有用的，这是一个金钱以外的事情。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，不是按照一个商业利益最大化的方式来做的。	We’re doing this out of a great sense of goodwill toward the world. We feel that this is something useful to humanity, something beyond money. Our original intention, our vision, and the vision we’ve maintained to this day were never built around maximizing commercial gain.
管理一个大公司，靠的不是你的规章制度，靠的是愿景。愿景不是挂在墙上的标语，愿景是你怎么做，不是怎么说，就是你怎么实际运行。	Running a large company depends not on your rules and regulations, but on vision. Vision isn’t a slogan hung on the wall — vision is how you actually act, not what you say, it’s how you actually operate.
我们是没有组织的，就是愿景驱动的，靠一个愿景来组织。我们并不是以一个“我要实现什么 KPI、没有考核”的方式来做，只有愿景。	We don’t really have an “organization” in that sense — we’re vision-driven, organized around a vision. We don’t operate on the basis of “I need to hit this KPI” — there’s no performance review, only the vision.
这个愿景甚至也不是成文的，并不是写出来的，没有写出来过任何东西。这个愿景是在我们做事情的方法、我们对待这个世界的态度里。	This vision isn’t even written down anywhere — it has never been put into writing. This vision lives in the way we do things and in our attitude toward the world.
我们并没有非常多的其他优势，我们没有什么本事，我们并没有比别人有钱，也没有说我们人员比其他公司更好，其实没有的。我们两年前成立这个公司的时候，我们又没有很多钱，又没有很多卡，又没有什么知名度，又没有什么号召力，我们就是一群非常平凡的人。	We don’t really have many other advantages. We don’t have any special skills, we’re not richer than anyone else, and our people aren’t better than those at other companies — none of that is true. When we founded this company two years ago, we didn’t have much money, we didn’t have many GPUs, we had no name recognition, and we had no ability to rally people — we were just a group of very ordinary people.
你越克制，可能就越容易做成，或者说至少到目前为止是印证的，到目前为止是能解释得通的。否则没有办法能够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，我们的人其实也就是随机的一群平凡的人。	The more restraint you exercise, the more likely you may be to succeed — or at least, that’s been borne out so far, and it’s the only thing that makes sense to me so far. Otherwise there’s no way to explain why we’ve been able to succeed: we don’t really have any “weapons,” our starting point was extremely low, our resources were extremely limited, and our people were essentially just a random group of ordinary people.
AI 这个事情太大了，利益太大了。我们非常克制，只要能够做成，最后利益都会非常大。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情，因为这个利益足够大了。	AI is simply too big a thing, and the stakes are too enormous. We exercise a great deal of restraint, because as long as we succeed, the eventual payoff will be enormous. Even a small slice of it is enormous, so there’s really no need right now to think about which piece of that payoff to take, or how to take it. I don’t think we need to consider that at all, because the payoff is already big enough.
我们去年春节用户突然很多，但是我们并没有去追求我要留这些用户，或者说拿这些用户来变现，或者说我要去抢这些商业利益，在用户上面兑现。我们没有去抢用户，没有去赚钱，但我们很努力想办法把用户服务好。	Last Chinese New Year our user numbers suddenly spiked, but we didn’t chase retaining those users, or monetizing them, or grabbing commercial value and cashing it in on our users. We didn’t fight to hold onto users or to make money from them — but we worked very hard to figure out how to serve our users well.
我们并不会有这样的想法，说我要做成下一个超级 App，然后我要去跟谁竞争，我要做成下一个字节、做成下一个腾讯，完全没有这样的想法。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。	We would never think in terms of “I want to build the next super-app,” or “I need to compete with so-and-so,” or “I want to become the next ByteDance, the next Tencent” — we don’t think that way at all. I believe the AGI opportunity ahead is enormous, and the AGI opportunity will always be enormous.
克制是一种战略。就在于有时候你可以舍弃一些，来换更多其他的东西。不开源这个事，其实也是一样的，也可以认为是我们的压力，也可以认为是我们的让利。	Restraint is itself a strategy. Sometimes you can give something up in exchange for more of something else. Not open-sourcing, for that matter, is really the same thing — you could see it as pressure on us, or you could see it as a concession we’re making.
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。在考虑一件事的时候，我是毫不怀疑 AGI 会有非常大的商业价值。那么在这个基础上，我优先考虑的不是我怎么多加一点份额，我怎么多拿一些份额，我优先考虑的是我怎么增加我能够做成的概率。	As I understand it, this kind of restraint increases, over the long run, the probability that we’ll succeed in building AGI. When I think about any given issue, I have no doubt whatsoever that AGI will have enormous commercial value. Given that, what I prioritize isn’t how to grab a bit more market share or take a bit more of the pie — what I prioritize is how to increase the probability that we succeed.
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。我希望我能够给他赋能，或者希望我能够协助大家去做这个事情，希望能够帮助大家做这个事情。	We have always been very restrained, and we’re unwilling to become an adversary to any internet giant or small company. I hope I can empower them, or help everyone do this work — I hope I can help everyone accomplish this.
我觉得我们之前秉持这种态度，其实我们并没有因此而少拿到任何东西，并没有因为我开源，并没有因为我们的善意或者说我对其他人提供帮助，而导致我们少拿了任何东西。反而可能还有加分。这个看起来违反直觉，但它确实是这样的。	I think that by holding to this attitude, we actually haven’t lost out on anything as a result. Open-sourcing, or our goodwill, or the help we’ve given others, hasn’t cost us anything. If anything, it may have earned us bonus points. This seems counterintuitive, but it’s really true.
我们是以 AGI 为目标，但是我们一直在做商业化，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。	Our goal is AGI, but we’ve been pursuing commercialization all along, which is why we have consumer users and enterprise revenue. Based on our track record, this strategy has been successful.
02 AGI 路线图	02 AGI Roadmap
如果说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。但这里有个定义，有个前提是：你给它完整的上下文，给它完整的指令。	If you can describe a problem very clearly and give it full context and instructions, it has already surpassed humans. But there’s a definition here, a precondition: that you give it complete context and complete instructions.
AI 并不能够替代你的员工。但如果说 AI 具有持续学习的能力，它跟你的员工一样，到公司学习两个月，那么就可以替代天下的人了，所以我们离下一步还差一个持续学习。	AI cannot replace your employees. But if AI had the ability to keep learning continuously — the way an employee would, spending two months learning at the company — then it could replace everyone in the world. So the next step we’re missing is continual learning.
AI 的发展，我们可以理解成它是一个阶梯。去年走的阶梯是思维链。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。	We can think of AI’s development as a series of steps. Last year’s step was chain-of-thought, because we found that chain-of-thought could bring intelligence to a higher level.
今年的阶梯就是 Agent，因为我们发现，用 Agent 的方式，即便多些事情也可以做，它的能力范围会更大，它的智能上限会更高。Agent 要用到 CoT，然后 CoT 也要用到前面的阶梯，前面的阶梯就是语言模型，所以它并没有一步是白走的。	This year’s step is Agents, because we found that with an agent-based approach, it can handle more tasks, its range of capability is larger, and its ceiling for intelligence is higher. Agents rely on chain-of-thought, and chain-of-thought in turn relies on the step before it, which is the language model itself — so none of the steps were wasted.
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，而不是说你要给它一个很强的训练，它应该能够像人一样做一个比较长时间的持续学习。	After Agents, we believe the next problem to solve is continual learning — how to let a model keep learning over time, rather than requiring intensive training all at once. It should be able to engage in long-term, continuous learning the way a person does.
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，开发更好的人工智能模型。	After continual learning, we may arrive at a singularity. That singularity is this: once a model can learn continuously, it will already be able to do everything a human can do. It will be able to develop its own next version by itself, to conduct its own research, and then develop its own next version — building better AI models.
这个奇点，它并不是一个奇点，它也是一个渐进的过程。这个过程可能也是一个比较长的渐变，它不是个突变。但是习惯性地，我们都认为它可能是个奇点。	This “singularity” isn’t really a singularity — it, too, is a gradual process. That process may be a fairly long, gradual transition rather than a sudden leap. But out of habit, we all tend to call it a singularity.
这是我们的推测，这是我们觉得这个时间表应该是：先解决学习的问题，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。	This is our conjecture — this is what we think the timeline should look like: first solve the problem of learning, then arrive at the intelligence singularity — the singularity where it can iterate on itself — and only after that comes embodied intelligence. Once we reach embodied intelligence, it will step into the physical world and be able to do your housework, take care of you in your old age.
如果说我们先解决持续学习，再解决那个自我迭代的奇点，再解决具身智能，这个路上就很轻松。因为到后面之后，你可以用前面的技术来帮助开发后面的技术。	If we first solve continual learning, then solve the self-iterating singularity, and then solve embodied intelligence, that path becomes much easier. Because by that point, you can use the earlier technology to help develop the later technology.
我们只做 AGI 的主线。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。	We only work on the main line toward AGI. The field of AI is very broad, and there’s a lot that we don’t think belongs on that main line — 3D generation and video generation, for example. I don’t think those have much to do with the main line of intelligence, so we won’t be pursuing them.
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，这个其实你只要仔细去想一下，它跟智能的路线图是没有什么关系的。	When video generation first came out it was very hot, as if it were something every AI company had to do — as if you weren’t a real AI company if you didn’t do it. I find that strange, because if you think about it carefully, it really has nothing to do with the roadmap toward intelligence.
在商业上，它是个好生意，在商业上是个好生意。但是这跟智能没有什么关系。我们不会因为它是一个好商业而去做它，我们只会因为它是智能路线图上的东西，才会去做。	Commercially, it’s a good business — it really is a good business. But that has nothing to do with intelligence. We won’t do something just because it’s a good business; we’ll only do it because it belongs on the roadmap toward intelligence.
从我们的判断，世界模型和智能还不是现在这个阶段最重要的事情。最重要的才是 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，当然每个公司它的判断是不一样的。	In our judgment, world models aren’t yet the most important thing for intelligence at this stage. What matters most is AI training, and then, after training, how to solve continual learning. That’s our company’s judgment — of course, every company’s judgment differs.
我们现在比较相信一个叙事是，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。	Right now we tend to believe in the narrative that AI can accelerate AI research itself. In other words, progress isn’t linear — because you can use AI to accelerate your own research, which means it may become nonlinear down the road.
我觉得具身肯定还是要进入，最终具身。因为对一个正常人来讲，他的需求并不是电脑，对不对？因为正常的人，他吃喝玩乐、衣食住行，他不需要电脑。他需要的是，所以他还是需要具身智能来解决具体人类的需求。	I think embodiment definitely still needs to happen — ultimately we need embodiment. Because for an ordinary person, what they need isn’t a computer, right? An ordinary person’s needs — eating, drinking, entertainment, clothing, food, housing, transportation — don’t require a computer. What they need is embodied intelligence to address concrete human needs.
我们希望 AGI 能做什么呢？它能帮我迭代下一版模型，能帮我迭代下一版模型一样。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，它来做下一版机器人。	What do we hope AGI will be able to do? We hope it can help us iterate on the next version of the model — help us iterate on the next model version. And once we have embodiment, what we’d want it to do is the same: let it iterate on the next generation of embodiment, let it build the next version of the robot.
下一代模型的核心能力，必须要有持续学习的能力，它才能叫下一代模型。在那之前，我们能做的就是降低成本，然后效果做得更好，速度做得更快。但是要有大突破，它应该是具备持续学习的。	The core capability of the next-generation model must be continual learning — only then can it truly be called a next-generation model. Before that, what we can do is lower costs, improve performance, and increase speed. But for a real breakthrough, it needs to have the ability to learn continuously.
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。	Today’s agents are limited because they can’t learn continuously — they can’t effectively engage in continual learning. If we can solve continual learning first, AI’s capability will become extremely strong, and it will greatly improve the efficiency of our own research.
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，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。	If we solve continual learning first, general intelligence may become quite easy to achieve using it. That’s why I say this is an outcome we’d really like to see — it would save us a lot of effort and make things easier. Otherwise, building general intelligence manually right now is exhausting and grueling work — it’s data-intensive, labor-intensive, and not very cost-effective.
03 团队与人才	03 Team and Talent
我们前面的经历给我的启示是，AGI 这个愿景是很强大的。这个人才优势不是说我的人比他更聪明，而是这些人才我怎么组织起来，怎么激励他，然后怎么合作。	What our earlier experience has taught me is that the AGI vision is extremely powerful. Our talent advantage isn’t that our people are smarter than anyone else’s — it’s about how we organize this talent, how we motivate them, and how we get them to collaborate.
你把聪明的人聚在一起，并不是说他自然而然就能够合作，自然而然就能够非常有激情地去奔一个目标、去完成的，所以你需要一个愿景。	Putting smart people together doesn’t mean they will naturally cooperate, or naturally be passionately driven toward a single goal and get it done. That’s why you need a vision.
我们最大的核心利益是要保持团队的稳定性。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。	Our single greatest core interest is maintaining the stability of the team. This is our greatest core interest — you could even say it’s our only core interest. As long as I can keep the team stable, I will definitely succeed — I will definitely achieve AGI. It’s that simple.
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：我们必须要保持团队的稳定性。	Money definitely isn’t the issue, resources aren’t the issue — all the other factors are easy to obtain. For us, there’s only one core interest, only one thing we cannot compromise on: we must maintain the stability of the team.
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都还是比较多的，金额还是比较大的。	This is also a very major challenge we face — or, I’d say, it’s our greatest risk. Of course, this risk has been substantially alleviated by our recent financing round, because everyone has received a fairly large amount of stock options, worth a fairly substantial sum.
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，那么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 的环境里面去做这个事情。	In terms of team stability, as long as the most important employees, the longest-tenured employees, remain stable, the others are unlikely to leave. Others won’t leave even with fewer options or lower income, because they didn’t come here purely for the money — everyone wants to work in an environment where AGI can actually be achieved.
其他都是时间问题，其他最多导致我们晚半年、晚一年，但是不会说做不出来。肯定是不缺钱，肯定是不缺资源，其实这些都是不缺的。	Everything else is just a matter of time. At most, other factors might delay us by six months or a year, but they won’t stop us from getting there. We definitely aren’t short of money, and we definitely aren’t short of resources — none of that is actually in short supply.
我们跟美国的差距主要在资源上面，然后人上面差距不是很大的。人上面几乎没有差距，因为就是同一批人，可能是中国人。中国人出去的时候，有一些人留在国内，有些人留在国外，有些人去国外，他并没有说是聪明的人去国外，没有的。	Our gap with the U.S. is mainly in resources — the gap in people isn’t very large. There’s almost no gap in talent, because it’s essentially the same pool of people, many of them Chinese. Among Chinese people who go abroad, some stay in China and some go overseas — it isn’t the case that the smarter ones go overseas. That’s not true.
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比美国有差距。人才的差距，本质上也是因为算力的差距。	Talent isn’t the bottleneck — resources are the biggest bottleneck. Resources affect talent development first, because with less compute, we have fewer opportunities to run experiments, which means our talent overall lags behind that of the U.S. The gap in talent is, fundamentally, also a gap in compute.
AI 人才的短缺也是阶段性的，并且我们已经看到，大幅度被缓解了。因为 AI 人真的不缺，每个公司很快会把人培养出来，培养人是很快的。	The shortage of AI talent is also just a phase, and we’ve already seen it be substantially alleviated. AI talent really isn’t in short supply — every company will quickly train up its own people; developing talent happens fast.
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，中国做基模的东西太多了。最终一定是不需要那么多人去做基模的，一定会收敛。	There are a bit too many companies in China building models right now — really too many. The U.S. might have just three, while China has far too many companies building foundation models. Ultimately, there’s no need for that many players building foundation models — the field will inevitably consolidate.
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，自己做，没有人管他，没有 KPI。	Management at our company actually runs along two lines: one top-down, one bottom-up. Bottom-up means everyone decides what they want to work on and does it themselves — no one manages them, there are no KPIs.
一般我们希望员工还有一半的时间，是不被安排的，他想做什么就做什么。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，他去探索什么，没有前置的要求。	Generally, we want employees to have about half their time unscheduled, free to work on whatever they want. This is meant as room for research, letting them explore on their own — they explore whatever they think is important, with no prior requirements.
我们一般也不太加班。加班有两个原因。第一个是，做研究是需要一个比较松弛的环境。你如果逼得很紧，就没法做研究。因为既然就是要你自己有这个兴趣，你自己平时要去想这些问题，所以得是在一个比较松弛的环境里，才有可能能够探索。	We also generally don’t work much overtime. There are two reasons for this. First, research requires a relatively relaxed environment. If you push people too hard, they can’t do research, because research depends on your own genuine interest — you need to be thinking about these problems on your own time, which requires a relatively relaxed environment in order to be able to explore.
第二个是，我们非常聚焦。我们非常聚焦，就意味着我们要做的事情很少。那我就没那么多事情要做，我就不需要加班。这个跟前面的克制是一脉相承的。	The second reason is that we’re extremely focused. Being extremely focused means there are very few things we actually need to do. So I don’t have that much to do, and I don’t need to work overtime. This is consistent with the restraint I mentioned earlier.
我们公司整体上是建立在共识的基础上的，我并不是说我一个人决定所有事情，而是我要寻求共识。我在公司内的权威以及在公司内的影响力，是建立在共识的基础上的。	Our company as a whole is built on the foundation of consensus. It’s not that I alone decide everything — rather, I seek consensus. My authority within the company, and my influence within the company, are built on the foundation of consensus.
这个决策机制其实是一种寻求共识的机制，这并不是说我能够推动一个什么事情，它一定是共识，我才能够推得下去，然后我才会去推。	This decision-making mechanism is really a consensus-seeking mechanism. It’s not that I can simply push something through on my own — it has to be a consensus before I can push it forward, and only then will I push it.
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，因为我已经在做这个调整。已经不做这个调整的话，很多事情是没法推进下去的。确实有很多部门，是应该有组织架构的。	As headcount grows, we will make adjustments to this. In fact, we need to make this adjustment right away, because I’m already making it. Without this adjustment, a lot of things simply can’t move forward. There really are many departments that should have a proper organizational structure.
04 算力与资源	04 Compute and Resources
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。所以我们现在策略是，在合理的价格里面，能买到多少卡就买多少卡。	How many GPUs do we need? Right now, more is definitely better. Within what we can afford, more GPUs is unquestionably better — there’s no doubt about that. So our current strategy is to buy as many GPUs as we can at a reasonable price.
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，也不能说花非常高的价格去买，还得确保这个价格是合理的。如果今年能够花掉两百亿，那么就属于我们的采购部门业绩超级好了。	In reality, spending that much money isn’t easy at all — you can’t buy that many GPUs, they’re hard to get, and prices are high. We also can’t just pay an extremely high price for them; we still need to make sure the price is reasonable. If we can spend RMB 20 billion this year, that would already mean our procurement team has performed exceptionally well.
我们跟美国之间最大的差距是在资源上面。算力资源一方面是国内本身卡就买不到，另外一方面是我们的资本投入比美国要少。我们在资本投入层面上少了很多，基于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，但算起来，人才的薪水还是占比很少，大头还是算力。	Our biggest gap with the U.S. is in resources. On the compute side, one issue is that we simply can’t buy GPUs domestically, and another is that our capital investment is smaller than that of the U.S. We’re investing far less capital, and the proportion accounted for by talent salaries within that is actually quite small. You see salaries like $100 million being offered over there, but when you actually calculate it, talent compensation still accounts for a small share — the bulk of it is compute.
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。	All the differences we see — differences in talent, differences in model capability, differences in applications — can all be attributed to differences in compute resources.
我们跟美国的差距可能是落后美国 12 个月，落后美国可能 12 到 18 个月，或者说 6 到 12 个月。反正简单说，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。	Our gap with the U.S. might be about 12 months behind, or maybe 12 to 18 months, or 6 to 12 months. Simply put, we’re roughly two years behind the U.S., and we’ve achieved this using only one-twentieth of the compute the U.S. uses.
这个叙事就是落后一到两年，但是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，就是我们用它几分之一的算力，但是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。	That’s the narrative right now — one to two years behind, but using only a twentieth of the compute. Going forward, we want to rewrite that narrative: using some fraction of the compute, but shrinking that time gap down to six months, or three months. I think that’s a goal worth pursuing.
Scaling，我们是信 Scaling，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。	On scaling — we believe in scaling. Bigger scale definitely means better results and unlocks more capabilities. What’s actually holding us back from scaling is compute. It’s not that we don’t want to scale; it’s that we don’t have enough compute to do it.
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，并不是这个模型就够了。	We train models this large not because we think this size is enough, but because that’s simply how many resources we happen to have. I calculate the size of model I can afford to accept and train based on my resources — that’s how I arrive at it, not because this model size is sufficient.
硅谷在说 Scaling 到头的时候，那是对硅谷来说；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，然后训练成本。	When Silicon Valley talks about scaling having hit its limits, that’s true for Silicon Valley. For us in China, we’re still very far from that — we haven’t scaled anywhere near that level at all. This scaling includes data scaling, model-size scaling, and training cost.
05 国产芯片与生态	05 Domestic Chips and Ecosystem
英伟达 CUDA 的护城河在快速地被瓦解。一方面是现在有了 AI，然后有了 AI 之后，我要建立起这个生态比以前容易很多了，因为 AI 可以写代码。	Nvidia’s CUDA moat is being eroded rapidly. On one hand, now that we have AI, building up an ecosystem has become much easier than before, because AI can write code.
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需要耦合起来。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，都不是之前的这些东西了。	The compute-card market is now bigger than the gaming-card market, so there’s no longer any reason for the two to remain coupled together. The current trend is that they will no longer be coupled going forward. So dedicated chips — whether from Huawei or from Nvidia itself — will all become purpose-built chips going forward, no longer the kind of thing they were before.
国产 AI 芯片替代现在是有个历史性机会的。我们认为，未来一年之内，我们能够看到有一个事情被验证：国产芯片的生态完全没有问题。之前认为是有问题的，认为是用不起来、不好用，但是未来我觉得一年之内，我们能够扭转这个认知，或者会用事实来扭转这些。	There is now a historic opportunity for domestic AI chips to achieve substitution. We believe that within the next year, we will be able to see one thing validated: that there is nothing wrong at all with the domestic chip ecosystem. It used to be thought that there were problems — that the chips couldn’t really be used, that they weren’t good to use — but I think that within a year, we’ll be able to reverse that perception, or the facts will reverse it for us.
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面，我能买到英伟达的卡，那么国产替代是比较难的；但是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。	There’s nothing wrong with the hardware or the ecosystem of domestic AI chips — the only problem is insufficient production capacity. As for adapting to domestic chips, there’s no obstacle there; Nvidia can’t stop that. In a normal commercial environment, where I could just buy Nvidia chips, domestic substitution would be relatively difficult. But when Nvidia chips can’t be bought, everyone is forced to turn to domestic chips.
V3 训练的时候，它用的还是英伟达的卡，但是已经不用英伟达的生态了。V3 用英伟达的卡，但是没有用英伟达的生态，而是我们先写一个高级编译器叫 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。	When training V3, we still used Nvidia GPUs, but we had already stopped using Nvidia’s ecosystem. V3 used Nvidia’s hardware, but not Nvidia’s software ecosystem — instead we first wrote a high-level compiler called TileLang, and then built everything else on top of the TileLang ecosystem, so we had already become almost independent of Nvidia’s ecosystem.
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。华为的超节点，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。	I’m fairly optimistic about domestic compute. I think on this front, Nvidia is digging its own grave. Huawei’s super nodes — Huawei’s 950 super node — can fully substitute for Nvidia’s GB200 and GB300 in terms of both performance and price.
四张华为卡顶一张英伟达的卡。	Four Huawei chips are equivalent to one Nvidia chip.
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，但是在芯片上是四倍加两年。	As for our gap with the U.S. in chips, I believe there will no longer be a gap in the ecosystem going forward, but on the chip itself, the gap is a factor of four plus two years.
我们现在主要是跟华为有合作。华为他们自己适配，但我们自己会参与这个生态，会深入参与到华为这个里面去。华为的问题还是产能不足。	Right now we mainly work with Huawei. Huawei does its own adaptation work, but we also participate in this ecosystem ourselves — we get deeply involved with Huawei’s efforts. Huawei’s problem is still insufficient production capacity.
我不太相信未来五年之后，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，我觉得可能都还是卡在产能问题上，但五年之后，我觉得可能不一定，我还是比较乐观的。	I don’t really believe that five years from now we’ll still be stuck on the production-capacity problem. Right now we’re definitely stuck on capacity — this year, next year, the year after, I think we’ll probably still be stuck on capacity — but five years from now, I think that may no longer be the case. I remain fairly optimistic.
06 竞争格局与行业判断	06 Competitive Landscape and Industry Outlook
各家模型最终效果拉开差距，应该是一个综合上的。比较模型效果，肯定是得在相同的成本上来比较，这个才是有意义的。因为你比较两辆车，也是同价位的车来比较。	The ultimate gap in performance among different models should be judged comprehensively. Comparing model performance only makes sense if you compare them at the same cost — after all, when you compare two cars, you compare cars in the same price range.
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。	Is Anthropic’s current lead over OpenAI a long-term one? I don’t think it is — I’m sure it’s just a phase. OpenAI and Google will most likely keep taking turns rising in the future.
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，芯片可能我们的产能最大，我们的电力最多。	When it comes to the global division of labor in AI, the role Chinese companies are most likely to play is that of the largest producer. Logically speaking, our production capacity is the largest — including chips; our chip production capacity may be the largest, and we have the most electricity.
中国人会把这产品做到最便宜，然后再在效果上，毕竟国外的商品，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。	Chinese companies will make this product the cheapest, and then compete on performance as well — after all, for many foreign goods today, there isn’t much difference between products made in China and made in the U.S. In the future, AI may be the same way, except AI made in China may be priced lower. That lower price may be a systemic one, similar to how China provides cheaper services across other industries.
最终的差距应该是三方面：一方面成本，一方面时间，一方面用户体验。除此以外，可能是没有什么差距的。	The ultimate gap should come down to three things: cost, timing, and user experience. Beyond that, there may not be much of a gap at all.
成本肯定是一个差异，我觉得可能成本是排在第一位的区别。然后第二个就是时间，你什么时候能够做到。你早几个月、晚几个月，它就不一样了。	Cost is definitely one difference — I think cost is probably the number one difference. The second is timing: when you’re able to get something done. Being a few months earlier or a few months later makes a real difference.
OpenAI 从一开始觉得他真的能够垄断这个世界，但是实际上他会遇到很多很多挑战者。他会遇到挑战，他就不会那么轻松。美国会遇到挑战，那么他在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。	OpenAI believed from the start that it could truly monopolize the world, but in reality it will run into a great many challengers. Once it faces challenges, things won’t be so easy for it. The U.S. will face challenges, and going forward it may also face challenges from China, because Chinese companies are willing to take less and still provide the service.
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，愿景如果是拿得多的话，你就会被愿景是拿得少的人给打败。其实大家都没有拿到钱，只是一个愿景。你愿景是拿得多，你就先输了，你就会面临着更大的困难。	Whoever takes more will be beaten by whoever takes less. In fact, you don’t even need to actually take more — if your vision is to take more, you’ll be beaten by someone whose vision is to take less. In truth, no one has actually gotten the money yet — it’s just a vision. If your vision is to take more, you’ve already lost, and you’ll face greater difficulties.
对我们来讲，我们并不是利润要拿最多的钱，或者说算收益最大化的定价，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，我并不是去为这个事情找理由，因为没必要找理由。	For us, our approach isn’t to maximize profit or price for maximum returns — it’s to earn only a reasonable return. That’s an explanation, and I genuinely believe in it; I’m not making up a justification for it, because there’s no need to.
我觉得在很多体验方面，有可能我们是能比美国做得好的。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。	I think in many aspects of user experience, we may well be able to do better than the U.S. On the product side, our product capability won’t necessarily be worse than in the U.S. Costs should also be lower than in the U.S., so China will still be competitive.
成本这个很好理解，是因为他们都不用做，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个非常重要的事情，但对于他们来讲，这个是不重要的。	The cost issue is easy to understand — it’s because they don’t need to worry about it, so they never develop that capability. They definitely don’t care about this the way we do. We treat it as something very important, but for them, it just isn’t important.
大模型可能不说两家大公司、两家小公司，可能就已经比较够了。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。	For large models, having a couple of big companies and a couple of small companies might already be enough. The gap comes down to only two things: time and cost. So no single company is going to earn windfall profits — I don’t think it will get to that point. Whoever controls costs well will earn a bit more, and whoever controls costs poorly will earn a bit less. That’s really all there is to it.
07 模型研发与技术	07 Model Development and Technology
我们公司可能有一半的人，平时有一半的人觉得 OpenAI 是更好的。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。大家这三家都很厉害，这三家里面的效率是最高的，它花的成本、它花掉的、它烧掉的钱应该是最少的。	Maybe half the people at our company generally think OpenAI is better. Anthropic really does have a first-mover advantage, but that advantage should disappear soon — it’s not something it can hold onto for the long term. All three of these companies are very strong, and among the three, efficiency is highest, with the least money spent, or burned.
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，它是一个组件，它不是主线本身。	We’ve been working on multimodal capabilities all along. It matters a great deal for the product — it matters a great deal for consumer-facing products. But when it comes to the ceiling of intelligence, it’s a component, not the main line itself.
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。但是我们对多模态、对智能来讲，它是个组件，我们不把它当作智能本身。	We will likely release related models — V4 and versions after V4 will support native multimodality. But as far as multimodality and intelligence are concerned, it’s a component; we don’t treat it as intelligence itself.
只能说语言模型的 Scaling，我现在没有看到有上限。我们现在的智力水平，或造成美国的智力水平，都没有看到上限。	I can only say that, when it comes to scaling language models, I don’t currently see a ceiling. Neither our current level of intelligence, nor the level in the U.S., shows any sign of a ceiling.
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。然后这是实现 AGI 最快的方法。当我们自己好用，那意味着可能别人也好用，但是首先得保证我们自己好用。	Many people internally think this way: it first has to be useful to ourselves — first for our own use. And that’s the fastest way to achieve AGI. If it’s good for us to use, that likely means it will be good for others to use too, but the priority is making sure it works well for us first.
我们做的模型，第一目标不是大家用得好用，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。	For the models we build, the first goal isn’t for everyone else to find them good to use — it’s for us ourselves to find them good to use. It has to be useful to us first. Once it’s useful to us, I’ll be able to develop the next version of the model even faster.
我们叫这个叫“摸奖”。门槛很低，谁都可以去摸，但是谁能摸出什么来，这个可能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，就是我们会花时间去讨论这个问题，会去想这个问题，然后把它当做一个重要的事情。	We call this “drawing lots.” The barrier to entry is very low — anyone can take a shot — but who ends up drawing something good out of it, I honestly don’t know whether that comes down to talent or something else. So this isn’t really something we need to allocate resources for specifically. It’s just that where we differ from other companies is that we spend time discussing this issue, thinking about it, and treating it as something important.
08 商业化与定价	08 Commercialization and Pricing
我们的 API 定价是一个合理的利润，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。	Our API pricing is set to earn a reasonable margin — roughly, if we go out and buy a batch of equipment, we’d recover the cost in about ten months. I think that’s a reasonable profit margin.
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，就是我价格再翻一半，或者说我价格再抬高一倍，token 的消耗量区别不大的。	If we wanted to maximize profit, we should set prices higher. Because within this price range, user demand is inelastic — even if I raised the price by half again, or doubled it, token consumption wouldn’t change much.
我们的一个模型，一开始我们担心需求太多，所以一开始把价格定得比较高，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。	For one of our models, we were initially worried demand would be too high, so we set the price relatively high at first, and the team wasn’t very happy about it. Later I brought the price back down, cutting it to a quarter of what it was, and everyone was happy.
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。它会快速增长，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。	The ceiling for our enterprise (To B) business should still be demand. Given the current generation of AGI and AI technology, To B demand should be limited. It will grow rapidly, but it isn’t an infinite thing — ultimately it’s constrained by demand, not by compute.
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。以明年我们 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。	I now think we should be able to achieve both — we want it all. Suppose this year we can generate a few hundred million dollars in enterprise revenue, and we also have our consumer users — that alone would already give us a solid commercial foundation. If our enterprise revenue continues next year and demand keeps growing, the company won’t be far from net profit — it might already be at net profit.
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。	In the worst case, just selling API access could still support a publicly listed company. If our technology stopped advancing from here and got frozen at its current level, we could simply focus entirely on selling API access and doing that service well — I think that would still be enough.
我们现在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。	Given how things stand right now, I think the most sensible approach is to focus all our effort on general-purpose agents, with other agents given lower priority — including agents for finance or medicine. We should prioritize coding first, because coding agents can accomplish a great deal, and there are many vertical agents beyond that. At this stage, we believe the most important thing is still the coding agent.
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。	I think low cost is, first and foremost, a result. Our models have indeed consistently moved their architecture in the direction of lower cost, and that’s connected to our vision. We still have many algorithmic approaches available, so costs can go down even further.
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。	There’s another reason to push costs down: the lower the cost, the larger a model I can afford to train, the larger a model I can take on. With the same amount of compute — under limited compute — if my computational efficiency is higher, I can afford to train a larger model.
09 开源策略	09 Open-Source Strategy
我觉得我们是会开源的，然后我们最强的模型可能也是会开源的。因为我看不到闭源什么好处，看不到必然的好处。字节它的模型是闭源的，它有什么好处？我看不到有什么好处。	I think we will keep open-sourcing, and even our strongest model will probably be open-sourced too, because I don’t see any benefit to closed-sourcing — I don’t see any necessary benefit. ByteDance’s model is closed-source — what benefit does that get them? I don’t see any benefit.
哪怕是模型开源，你把所有东西都告诉别人，这个门槛也非常高。别人要用起来，这个门槛也非常高。他要用起来，就很难；其次，他要用起来，还要成本做得很低，也很难很难，没有那么容易。	Even with an open-source model, even if you tell others everything, the barrier to entry remains extremely high. For others to actually put it to use, that barrier remains extremely high. It’s very hard for them to actually deploy and use it; and beyond that, it’s very, very hard for them to get the cost down low enough — it’s not that easy.
开源并不会影响收入。开源，我觉得对我们的商业模式是没有任何影响的。	Open-sourcing doesn’t hurt revenue. I don’t think open-sourcing has any impact on our business model at all.
我也不担心别人部署我们的模型，然后跟我们来竞争，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，协助大家能够把我们的模型部署起来。	I’m also not worried about others deploying our model and then competing with us — not worried at all. We actually hope they can get it deployed. We do our best to help the open-source community, assisting everyone in getting our models up and running.
我们在对外面打交道的时候，我们的态度是：我们只做 AGI 的主线。在对外面打交道的时候，我们是很愿意协助、帮助任何人，甚至我们的竞争对手，包括阿里、智谱、月之暗面，去做得更好。因为我们并不损失什么东西，我们本来也是开源的。	When it comes to dealing with the outside world, our attitude is this: we only work on the main line toward AGI. In our dealings with the outside world, we’re very willing to assist and help anyone — even our competitors, including Alibaba, Zhipu, and Moonshot AI — to do better. Because we don’t actually lose anything by doing so; we were already open-source anyway.
我们给的开源模型，跟我们自己部署的模型是不是一样？是一样的。我们不会说开源一个差点的模型，然后我们自己部署的时候用一个更好的模型，是不会的，是一样的。	Is the open-source model we release the same as the model we deploy ourselves? Yes, it’s the same. We wouldn’t open-source a lesser model and then use a better one for our own deployment — we would never do that. They’re the same.
10 数据与后训练	10 Data and Post-Training
数据应该几乎就等于模型的一半。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。	Data probably accounts for almost half of what makes a model. Before that, there’s also the issue of data annotation. Our approach to data annotation is tied to our capital investment. Given the structure of our capital investment, we simply can’t support the cost of that much high-quality data annotation, because the cost is very high.
美国数据标注的成本跟中国数据标注成本没有什么区别。中国去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，使得我们很难投入去像美国这样标数据。这条路在中国是很难的，因为标数据实在太贵了，不管是我们外标还是我们自己标，都很难受。	There’s not much difference between the cost of data annotation in the U.S. and in China. Annotating data in China doesn’t give us a cost advantage — especially not for annotating high-end data — which makes it very difficult for us to invest in data annotation the way the U.S. does. This path is a hard one in China, because annotating data is simply too expensive — whether we outsource it or do it ourselves, it’s painful either way.
现在基本上是两条腿走路。并不是说我们完全不能标，而是因为标数据有一些成本低，有一些成本高。我们先标成本低的。	Right now, we’re basically walking on two legs. It’s not that we can’t do annotation at all — it’s that some data is cheap to annotate and some is expensive. We annotate the cheap ones first.
你也可以认为，现在我们公司有一半的人在标数据。有一半的核心研究员，最重要的人，有一半在标数据。我们就集中在标数据。解决 AI 这个问题，在现在这个阶段靠的就是标数据。	You could also say that right now, half the people at our company are doing data annotation. Half of our core researchers — our most important people — are annotating data. We are concentrating on data annotation. At this stage, solving the AI problem really does depend on data annotation.
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，他们都更早，然后资本更多，卡也更多。	I think the bottleneck for high-quality data annotation is time — it simply requires time. Because compared to OpenAI, compared to companies abroad, compared to Anthropic, they all started earlier, and they have more capital and more GPUs.
大模型的幻觉问题比较影响用户的体验。幻觉问题也是有一个方法可以解决的，但是这是一个长命题。幻觉问题可以认为是一个可以通过更好的 Post-training 解决的，是一个能解、能够改善的问题。	The hallucination problem in large models significantly affects user experience. There is a way to address the hallucination problem, but it’s a long-term challenge. Hallucination can be seen as a problem that can be addressed and improved through better post-training.
11 组织与公司定位	11 Organization and Company Positioning
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。	First of all, we don’t have anyone we’re modeling ourselves on. Every step we’ve taken has started from the actual situation on the ground — we make decisions realistically, based on facts, and figure out from there what we should do. So this is a product of the times, or a reflection of reality, rather than the result of imitating anyone.
我们明确是要有商业化的。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。	We are clearly committed to commercialization. Ultimately we still need to survive — we’re a company after all, and the government isn’t going to give us a single cent.
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，我们有取舍。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，反而能让它商业化得更好。	At the end of the day, we’re still a company — it’s just that we’re thoughtful about which money to earn, when to earn it, how much to earn, and what to earn it from; we make trade-offs. Many great companies became great because they pursued something beyond profit. In the end, that pursuit didn’t hurt their commercialization at all — instead, it allowed them to commercialize even better.
对于合作伙伴，其实我们这个融资是精心挑选的。首先我觉得，利益是比较一致的，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能做成功的，因为我们还是损害了很多其他人的利益的。	As for partners, we actually chose the investors in this financing round very carefully. First, I think the key is alignment of interests — those whose interests are most aligned with ours, who bear the least hostility toward us, or who most want to see us succeed. Not everyone actually wants us to succeed, because we have, after all, undercut the interests of many others.
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。	AI today isn’t lacking in taste or intuition — what it lacks is the ability to keep learning continuously. AI’s taste and intuition aren’t a problem. If you have it write an article, its taste and intuition, I think, are just fine.
我们希望只做一块。我觉得 AI 这个事情很大，并不需要我……我只做一块。如果聚焦，并且我认为这里的生意利益已经足够大，就如果是 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。	We want to focus on just one piece of this. I think AI is such a huge undertaking that there’s no need for me to do everything — I’ll just do one piece. If we stay focused, and given that I believe the commercial opportunity here is already large enough — if the AI era is going to produce many trillion-dollar companies, I think we’ll be one of them.
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，并且不会有利益冲突，但是我们有没有去做是另外一回事。但至少这里边是没有利益冲突的，我们是希望合作共赢的。	We would like to be able to support more people, but we don’t have the bandwidth to do that. We do have that intention, and there’s no conflict of interest involved — but whether we actually do it is a separate matter. At the very least, there’s no conflict of interest here; what we want is mutually beneficial cooperation.