近日，梁文锋与几位投资人的闭门会谈记录在网上引发热议，受到了广泛关注。
7月23日，《每日经济新闻》记者（以下简称每经记者）获得了此次投资者交流会的完整记录，经DeepSeek合作机构确认，该闭门会议于今年5月举办，内容真实可靠。整个交流过程持续了3小时44分钟，其中前两个半小时为梁文锋对公司愿景、开源逻辑及AGI技术路线的专题讲解；后一个半小时的Q&A环节，梁文锋与投资人就中美算力差距、团队稳定性及国产芯片生态等议题进行了深入探讨。
完整记录共计3.4万字，为方便读者把握核心内容，每经记者将梁文锋的专题讲解提炼为“十大核心主题”，涵盖了克制战略、十个月回本的定价法则、AGI不是突变是阶梯等关键点；同时，将他与投资人的问答互动浓缩为“六大焦点对谈”，涉及数据标注瓶颈、与OpenAI的差距时间表等市场高度关注的议题。这些内容全面呈现了梁文锋关于经营底层逻辑、算力博弈、组织增长的独家见解，以下为每经记者根据记录梳理的核心内容。
梁文锋专题讲解“十大核心主题”
1、底层经营战略：“克制”是核心策略
从一开始我们就认同需要克制。越能克制，成功的概率才越大。这是一个商业上的考量，当然也是一个宏观层面的思考。
这与以往开源做软件有所不同，因为软件的市场规模没有那么宏大。但AI领域广阔无边。如果我们想在其中占据优势地位，那么很可能被历史淘汰。这其实是一个客观规律，也是一种历史视角。
这种克制，在我看来，从长远来看，能提升我们最终实现AGI的可能。
去年我们没有在C端发力，或许是对的。因为可以看到后面有更大的舞台，前面只是一些小小的挑战。
更大的机遇还在后面，前面的机会包括去年的C端、今年的B端，这些事情要做，要做好，但那并非我们的终目。
我们彻底转向商业化的时间点还很遥远。在过去三年，任何时刻谈论商业化路径、产品线，都是在浪费时间，因为你无法预测、无法预见未来。
2、开源就是“我们的初衷”，对商业模式无影响
在开源这件事上，我们一开始就非常明确。第一个，是关于愿景；第二个，我们认为把AI这件事在商业上做成，开源是有益的。
智谱也开源，但智谱的开源带有被迫感……对我们来说，开源就是我们的本意。
开源，我觉得对我们的商业模式没有任何影响。前提是我们只赚六倍的利润，十个月收回成本，大概对应的是六倍的利润。但如果说你要赚一百倍利润，那么开源确实会带来影响，因为第三方会部署，成本可能比我们低很多。
我按照十个月回本这个标准，就能让独立部署的第三方无利可图。第三方做不到这个成本，所以开源不会影响我的收入。
我们API定价，大约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。
我们的V3.2 Flash与其他产品，都是十个月收回设备的成本，这就是我们的标准。它其实不是利润最大化的，如果利润最大化，应该把价格设得更高。在这个价格区间，用户的需求是没有弹性的，就是我价格再抬高一倍，token的消耗量区别不大。
我们为什么不继续降价，是因为需求没有弹性。就是我再降价，需求不会更多了，或者我再降价，需求增加得很少。因为这个价格所有人都用得起，大家都觉得这个价格是满意的，不会因为价格贵而不使用。
3、只做AGI主线，3D、视频生成不在主线上
在对外交流时，我们的态度是：我们只做AGI的主线。这就是我刚才说的GPT、CoT、Agent等等，就只做主线。AI领域很广，有很多东西我们觉得它不在这个主线上，比如3D、视频生成，我觉得可能跟智能的主线关系不大，我们不会去做。
C端和B端，都是我们做AGI路上的副产品，都是中间的产出，跟我做AGI没有冲突。我并不是为了做C端，或者为了做B端而去做它，而是我们做AGI是为了做AGI，刚好能产出这些东西，我就把它来做商业化了。
你站在一个技术的高位上来做相对低级别的技术，是降维打击。至少在去年的C端，我们看到确实是这样。我们没有在C端花很多精力，甚至一度我们都不想维护那些用户了，但是用户却很多。
4、AI的发展是一个阶梯
AI的发展，我们可以理解为一个阶梯。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。通过让它自己思考，可以让AI能做更多的事情。
今年的阶梯就是Agent，因为我们发现，用Agent的方式，它的能力范围会更大，它的智能上限会更高。
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。
持续学习之后，我们可能会来到一个奇点。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，开发更前的人工智能模型。所以它就会到一个奇点，能够实现自己的迭代。
这是我们的推测，这个时间表应该是：先解决学习去学习的问题，然后到那个智能的奇点，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。
5、大模型竞争最终差距在成本、时间和用户体验，中美差距在于算力资源
（大模型竞争）最终的差距应该是三个方面：一方面是成本，一方面是时间，一方面是用户体验。除此以外，可能没有什么差距。
在现在最大的模型上，我们其实训不起的。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，它激活大概是八百B（编者注：Billion，十亿参数，下同）；国内的话，我们还在几十B的规模，国内最大模型可能就几十B激活，那么差一个数量级。
如果我要训练跟AI同样大的模型，应该需要五万张GB300。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。
所以我们跟美国的区别，我认为就是资源上的区别。我们可能会认为，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，可以认为都是因为算力资源上的区别。
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，我们的电力最多。
中国人会把这个产品做到最便宜。现在很多商品，中国产跟美国产并没有太大区别。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，就像其他行业中国提供的服务更便宜一样。
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，其实并没有说它碾压OpenAI。
其实Anthropic它有先发优势，但这先发优势应该很快就没了，并不是它能够长期占得住的优势。这三家都很厉害，这三家效率是最高的，它花掉的钱应该是最少的。
6、ToB的需求会快速增长，但并不是无穷大，最终受制于需求
未来我们会不会自建大型的大型集群？我觉得自建大型的大型集群是肯定要的，我们一直都在做这个事情，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。我希望不用去做芯片。我希望能够以合理的价格买到芯片。
我觉得AI这件事很大，我们希望只做一块。如果AI时代会产许多家万亿级别的公司，我们希望是其中一家，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，真的想做To C闭环的，反而我们做得好；真的想做To B闭环的，说不定也没有我们做得好。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。
7、我们还没有机会碰到Scaling的墙，但我们会不遗余力地去推进它的上限
我们相信Scaling Law（规模化法则），肯定是规模越大，效果越好，能够解锁更多的功能。阻碍我们Scaling的其实是算力，并不是我们不想Scaling，是我们没有那么多的算力去做这个Scaling。
我们没有触摸到这个上限在哪里。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计算，我能够接受、能够训练的模型有多大，是这样算出来的，并不是这个模型就够了。
8、下一代模型的核心能力是必须要有持续学习能力
下一代模型的核心能力，我觉得它必须要有持续学习能力，它才能叫下一代模型。在那之前，我们能做的就是成本，然后效果做得更好，速度做得更快。但是要有大突破，它应该是能持续学习的。
现在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。
9、商业化公司很难有动力追求模型效率，但我们会优先考虑成本效率
我们发现，不是所有的人都很在乎这个模型的效率。对于一个商业化公司来讲，没有动力去追求模型效率要非常非常高。
所以几个创业公司，你没有听到他们说低成本是他们追求的东西，因为那个不符合他们的利益。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，他知道用这个都是要花钱的。他能够有这个同理心：别人要花钱来用，那么别人如果便宜一点，别人能够接受的程度会更高。所以我们有很多同学还是希望能够把成本做到更低。
10、国内目前最合理的做法应该是全力做通用的Agent
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是样，国内到时候是什么样，我觉得现在还比较难判断。
国内我们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、医疗这些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。
对于在纯粹科研、纯粹做AGI的方向和资本市场之间的平衡，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元的收入，再加上我们C端有用户，那么这本身体就已经有一定的商业基础。比如明年我们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。
可能就已经不是纯烧钱的阶段了，所以我感觉后面能做的、能操作的动作应该还是比较大。或者说，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。
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，但是我们也有保底可以拿出来的业绩。
梁文锋QA“六大焦点对谈”
焦点一
问：能否分享持续学习在什么时候能带来突破的时间线？如果实现持续学习，还需要哪些架构、算法的创新，以及其他关键要素？
梁文锋：现在全世界都在研究这个问题。或者说，对于投资人来讲，现在投资人看到最多的是Agent；但对于我们这些研究的人来讲，现在看到更多的是学习，以及怎么解决这个问题。
学习不是一项技术，它是一个问题。怎么解决这个问题，可能有很多种技术。或者说，AGI是由很多东西组成的，需要模型还需要很多东西。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。
焦点二
问：现在开源后，这个行业有多少伙伴、人才、团队，能够比较好地复现开源目前的一些模型和成果？当生态进一步发展时，在哪些方面需要更多高质量人才来衔接模型？您认为未来会成长成什么样的生态？
梁文锋：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。我们在每个行业发展的初期，人才都是不够的。包括以前做网站、互联网做服务端等，刚开始人才也都是很缺的。但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，是一个短期现象，并且我们已经看到，大幅度被缓解了。每个公司很快会把人培养出来。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，以及国内现在做模型的公司还是太多了。美国可能就三家，中国做基模的东西太多了，所以资源也是比较分散，某种程度上也比较浪费。最终一定是不需要那么多的人去做基模的，一定会有所收敛。
现在可能大家觉得做这个事情的利润率非常非常高，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。这意味着我们是处在某一个阶段上：如果有非常高的利润率，这一定不符合客观规律。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。大模型可能两家大公司、两家小公司，可能就已经比较够了。
我们希望能够扶持更多的人，但我们并没有那么多的精力。我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，现在差距不用那么大。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，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。
焦点三
问：真正到AGI的时候，理想的状态是模型可以自我迭代、自我学习，就是自己训练自己。目前这个数据，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？通过模拟数据、仿真数据、创造数据等方式，能否让这个模型能力去超越人类过往的所有真实？
梁文锋：我觉得是能超越的。我觉得有两点超越的，比如说围棋，AlphaGo 他下一手人类从来没有见过过的棋。就是说，他肯定是在一定的范围内超越人类的。
但他可能也有上限，他可能也有局限性。但是这个局限性我们现在看不到。所以笼统地认为，它是可以基于人类已经有的、我们已经能说出来的知识上，予以超越的。
焦点四
问：对于AI Infra 这一块，未来相信算力现在大家都是千亿美元级别地在投入。我们相信中国人在硬件上是使命必达，但有可能这个在实践的过程当中，目前还是的一个掣肘。那么未来会不会是两个方面向下而?会不会现在去建了万卡集群，但过了两三年，它就变成了一个陈旧器件？
梁文锋：英伟达的卡基本上你可以按照五年折旧。如果说B200现在能买到多少，我觉得都划算。假如说对于腾讯来讲，阿里巴巴能买到的话，再看量；如果合理价格能买到，肯定都是划算的。但不是算成本的时候。
我们算力落后，这是一个事实。这个事实通过三个方面来消解。第一个方面是我们承受模型落后，我们只能用比他们更小的模型，小多少问题就是训练。我们要承受一定的模型落后，以及模型的尺寸更小。这落后有一个好处，落后意味着你有更多的时间，你有一定的技术，然后可以用巧妙的方法。
所以我们跟美国的差距可能是落后美国12个月~18个月，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。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，以及我们甚至在某一个方面超越他们。不过，在总体算力还是有数量级差距的情况下，全面超越是不现实的；但是在某一个重点、有取舍的地方，我们有一些地方超越可能是可以的。
焦点五
问：刚才提到我们这一阶段要解决的核心问题是持续学习，也是目前国外研究的热点，叫Recursive Improvement。目前来看，从技术上最大的难点是什么？这个什么时候可以解决？
梁文锋：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，就是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，虽然我们有很多思路，有很多现在看起来有一些想法，但是都还没有做通。
其次，现在我们内部比较看重这样的一个叙事：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，我们的模型最主要是提高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。我们做的模型，第一个目标不是大家用好用，而是我们自己对用。
焦点六
问：您刚才提到先解决持续学习，然后再去做智能。这背后的技术根源是什么？是不是意味着解决完持续学习问题以后，DeepSeek后续也会做通用智能？
梁文锋：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，它能够非常大地提升我们自己的研究的效率。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。所以这是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、人工密集的事情，性价比较不高。
（免责声明：本文内容与数据仅供参考，不构成投资建议，使用前请核实。据此操作，风险自担。）
记者|李蕾 温梦华
