Что мышление DeepSeek Ляна Вэньфэна означает для разработчиков ИИ-приложений

Эта статья начинается с закрытой коммуникации с инвесторами, проведенной после того, как DeepSeek завершила первый раунд внешнего финансирования, который, как сообщается, превысил 50 млрд юаней. Лян Вэньфэн провел подробную сессию вопросов и ответов со всеми институциональными инвесторами. Встреча не была опубликована официально, но расшифровка записи стала вирусной в китайском интернете 23 июля, дав рынку редкую возможность увидеть, как DeepSeek мыслит об AGI, открытом исходном коде, возможностях моделей, организационных границах и экосистеме приложений.

Примечание: следующий материал составлен на основе расшифровки записи «Встречи Ляна Вэньфэна с инвесторами». В исходной расшифровке заметны явные признаки преобразования речи в текст, включая разговорные повторы, нарушенный порядок слов и локальные ошибки распознавания. Эта статья не является дословной стенограммой; не меняя ключевых взглядов, она упрощает, объединяет и переписывает высказывания в более формальном письменном стиле. Цитаты в статье представляют собой отредактированные фрагменты, основанные на распознаваемом исходном тексте, с целью сохранить приземленные выражения и примеры из высказываний Ляна Вэньфэна.

Отредактированная стенограмма выступления Ляна Вэньфэна

Главная линия — не коммерциализация, а AGI

Самой важной целью DeepSeek сегодня остается продвижение AGI.

В разговорах Лян Вэньфэн неоднократно подчеркивал, что компания была основана не ради того, «сколько денег она в конечном итоге заработает, выйдет ли на биржу или войдет ли на рынки капитала». Самая первая группа людей начала заниматься этим из простого желания быть полезными AI и развитию человеческого интеллекта.

*«В самом начале мы не думали о том, сколько денег в итоге заработаем, выйдем ли на биржу или что будем делать на рынках капитала. Сначала это было всего несколько человек, затем десятки людей, которые испытывали большое доброе расположение к миру и считали, что эта работа будет полезна человечеству, поэтому они пришли заниматься ею.»*

Такая формулировка не выглядит вычурной; она даже в некоторой степени идет вразрез с привычным бизнес-нарративом. Но она объясняет многие последующие решения DeepSeek: почему компания настаивает на открытом исходном коде, почему не спешит монетизировать пользователей, почему не подталкивает цены API к максимизации прибыли и почему продолжает подчеркивать сдержанность перед лицом множества соблазнов.

*«Видение — это не управленческий лозунг, висящий на стене. Компания работает не на том, что вы говорите, и не на том, как прописаны ее правила и системы, а на том, что вы действительно делаете. У нас на самом деле нет какого-то особенно сложного организационного подхода; нами просто движет видение.»*

DeepSeek будет стремиться к коммерциализации, и она все это время уже этим занимается. Пользователи потребительских продуктов, корпоративная выручка и сервисы API — все это может обеспечивать поддержку компании. Но это не конечная цель. Они скорее являются побочными продуктами и поддерживающими системами на главном пути к AGI, а не всей причиной существования компании.

*«Потребительские продукты, корпоративные сервисы и API — все это продукты нашего пути к AGI. Мы создаем модели не для того, чтобы обслуживать потребительских или корпоративных пользователей; наше исходное намерение по-прежнему состоит в том, чтобы стремиться к AGI.»*

Именно поэтому он не считает, что сейчас стоит тратить много времени на обсуждение продуктовых линеек и путей коммерциализации. AI меняется слишком быстро; бизнес-путь, который сегодня кажется ясным, через некоторое время может уже не работать.

*«Если мы сейчас будем тратить много времени на обсуждение продуктовых линеек и путей коммерциализации, я думаю, все это будет пустой тратой времени. Потому что вы не можете предвидеть будущее, и даже накопленный к настоящему моменту опыт подтверждает это суждение: говорить о путях коммерциализации и продуктовых линейках все еще слишком рано.»*

Это не отказ от коммерциализации, а вопрос возвращения коммерциализации на ее надлежащее место: коммерциализация должна служить главной линии, а не тянуть ее в противоположном направлении.

Открытый исходный код не против коммерциализации; он просто не забирает всю прибыль

Открытый исходный код и коммерческие интересы не находятся в неизбежном конфликте.

В обсуждениях Лян Вэньфэн сформулировал проблему очень прямо: если компания хочет забрать всю прибыль, то открытый исходный код, безусловно, ослабит ее коммерческий потенциал; но если она стремится лишь к разумной доходности, открытый исходный код, напротив, может расширить экосистему, усилить сотрудничество и снизить порог входа для пользователей и разработчиков.

*«Если я хочу получить стократную прибыль, открытый исходный код действительно повлияет на мою способность получить эту стократную прибыль. Потому что третья сторона сможет развернуть его, и, возможно, ее затраты будут в двадцать раз выше, что ниже моих. Но если мы получаем лишь разумную прибыль, между открытым исходным кодом и коммерческой оплатой нет конфликта.»*

За этим утверждением стоит более широкий вывод: то, что действительно меняет открытый исходный код, — это не технический путь, а распределение прибыли. Закрытые модели позволяют легче концентрировать прибыль в руках платформы; открытые модели оставляют больше прибыли разработчикам, поставщикам развертывания, командам приложений и конечным пользователям.

Логика ценообразования API DeepSeek также заключается не в том, «сколько пользователи еще могут выдержать», а скорее в том, «сколько времени нужно, чтобы окупить затраты на оборудование, оставив разумную прибыль».

*«Логика нашего ценообразования API примерно основана на окупаемости затрат на оборудование за десять месяцев. Это не ценообразование, направленное на максимизацию прибыли. Если бы цена снова удвоилась, потребление токенов, возможно, почти не изменилось бы, а выручка почти удвоилась бы, но это не наша отправная точка.»*

Он также упомянул очень приземленную деталь: сначала команда опасалась, что спрос будет слишком высоким, поэтому они установили относительно высокую цену; позже, когда цена снизилась, команда на самом деле была очень рада. Потому что все почувствовали, что эта вещь наконец может стать доступной для большего числа людей.

*«Сначала мы беспокоились, что спрос будет слишком высоким, поэтому установили относительно высокую цену. Позже, когда цена снизилась до одной четверти, все были очень рады. Не потому, что мы зарабатывали больше денег, а потому, что мы почувствовали: эта вещь полезна людям и наконец может быть доступна каждому.»*

Поэтому низкие цены DeepSeek — это не просто ценовая война; это экосистемная стратегия. Низкие цены снижают стоимость проб и ошибок, давая большему числу разработчиков уверенность в том, что они могут использовать, экспериментировать с ним и развертывать его. Чем ниже стоимость вызовов, тем легче AI может входить в реальные рабочие процессы; чем больше экосистема, тем больше возможностей у самой модели быть использованной, получать обратную связь и улучшаться.

*«Сдержанность — это тоже стратегия. Иногда можно отказаться от одних вещей в обмен на большее количество других. Уступка в прибыли полезна внутри компании, для общества и для коллег по отрасли. В долгосрочной перспективе это может повысить нашу вероятность достижения AGI.»*

Это также та самая «добрая воля», которую Лян Вэньфэн неоднократно подчеркивал. Он не воспринимает воспроизведение модели конкурентами как абсолютную угрозу и даже говорит, что если другие готовы развертывать и воспроизводить ее, DeepSeek поможет настолько, насколько возможно.

*«Мы надеемся, что другие смогут развернуть нашу модель, и не боимся, что они заберут у нас бизнес. Мы беспокоимся только о том, что у них может не получиться ее развернуть или что некоторые детали могут быть выполнены неправильно, из-за чего результаты ухудшатся. Мы сделаем все возможное, чтобы помочь сообществу открытого исходного кода.»*

Конкуренция сведется к стоимости, времени и пользовательскому опыту

Обсуждая разрыв в сфере AI между Китаем и США, Лян Вэньфэн не сказал, что главная проблема — это таланты. Он больше подчеркивал ресурсы, особенно вычислительные мощности.

С его точки зрения, самый практический разрыв между китайскими командами и ведущими командами США заключается в ресурсах для обучения, количестве чипов, экспериментальных условиях и плотности итераций. У американских компаний больше вычислительных мощностей, что позволяет им создавать более крупные модели и проводить более комплексные эксперименты; китайские компании должны признать реальный разрыв в этом отношении.

*“Самый большой разрыв между нами и США — в ресурсах. Таланты не являются узким местом; ресурсы — вот самое большое узкое место. Ресурсы прежде всего влияют на развитие талантов, а также на то, сколько экспериментов мы можем провести и насколько крупную модель можем обучить.”*

Но он не мифологизировал американские модели как нечто, что невозможно догнать. Напротив, он считает, что итоговый конкурентный разрыв в больших моделях может заключаться не в непреодолимом разрыве в способностях, а в трех областях: стоимости, времени и пользовательском опыте.

*“Где проявится итоговый разрыв в больших моделях? Думаю, все сводится к трем областям: стоимости, времени и пользовательскому опыту. Помимо этого, большого разрыва может и не быть.”*

Это заявление важно. Оно возвращает конкуренцию моделей от “абсолютного интеллекта” к реальным бизнес-системам: можете ли вы обеспечить то же качество при более низкой стоимости? Создали ли вы это на несколько месяцев раньше или на несколько месяцев позже? Пользовательский опыт немного быстрее или немного медленнее?

*“Стоимость, безусловно, является одним из отличающих факторов. Второй — время: то, создадите ли вы это на несколько месяцев раньше или на несколько месяцев позже, имеет значение. Третий — опыт: при одном и том же результате то, будет ли пользовательский опыт немного быстрее или медленнее, также будет иметь значение.”*

Это также означает, что возможности модели определяют, можно ли что-то продемонстрировать, а структура затрат определяет, может ли это стать продуктом. Если разрывы в возможностях постепенно сходятся, по-настоящему долгосрочная конкуренция сместится в сторону инженерной эффективности, стоимости инференса, продуктового опыта и построения экосистемы.

Эффективность модели — это не просто техническая оптимизация; она определяет, жизнеспособен ли продукт

Лян Вэньфэн придаёт большое значение эффективности моделей и затратам на инференс.

Но его понимание низкой стоимости не сводится к тому, чтобы просто «продавать немного дешевле». Низкая стоимость — это, во-первых, вопрос того, смогут ли больше пользователей позволить себе пользоваться продуктом, а во-вторых, смогут ли более крупные модели обучаться и работать при ограниченных вычислительных ресурсах.

*«Многие наши коллеги хотят ещё сильнее снизить затраты, потому что знают, что это стоит нам денег, и также надеются, что другим будет менее обременительно пользоваться этим. Если это будет немного дешевле, люди будут охотнее это принимать».*

Это очень прямолинейная продуктовая философия: если AI дорогой, им может пользоваться лишь небольшое число людей; если AI достаточно дешёвый, он может войти в большее количество производственных сред. Снижение затрат — это не финансовая деталь, а необходимое условие широкого внедрения AI.

*«Чем ниже стоимость, тем выше моя вычислительная эффективность при ограниченных вычислительных ресурсах, и тем больше у меня возможностей поддерживать более крупные модели. Крупные компании могут решить проблему, добавив ресурсы; но мы ставим на первое место эффективность затрат».*

Для команд, создающих приложения, это суждение особенно важно. Многие AI-приложения терпят неудачу не потому, что спрос на них недействителен, а потому, что их модель затрат не работает. Демонстрация может выглядеть впечатляюще, но как только продукт переходит к высокочастотному использованию, затраты на модели, задержки и частота сбоев сразу становятся бизнес-проблемами.

Непрерывное обучение — ключевой вызов следующего этапа

В разделе о технической дорожной карте Лян Вэньфэн неоднократно упоминал CoT, Agent и непрерывное обучение.

Он считает, что развитие ИИ похоже на подъем по ступеням, шаг за шагом. Языковые модели — это одна ступень, CoT — другая, а Agent — еще одна. Но как только Agent продвинется до определенного уровня, он столкнется со следующим узким местом: непрерывным обучением.

*«Шаг, который мы делаем в этом году, — это Agent. При подходе на основе Agent можно сделать многое, и спектр возможностей станет шире. Но Agent все еще не может заменить сотрудников, потому что ему по-прежнему не хватает непрерывного обучения».*

Он объяснил проблему на очень приземленном примере:

*«Когда вы нанимаете сотрудника, он может потратить два месяца на то, чтобы освоиться в среде компании и в работе. Позже, когда вы говорите: „Позови Сяо Вана“, он знает, кто такой Сяо Ван. Но ИИ так не может. Вам нужно объяснить ему, кто такой Сяо Ван, какая у него роль, где он находится и на что обратить внимание при обращении к нему. Вы не можете каждый раз предоставлять ИИ весь контекст».*

Это точно описывает болевую точку многих современных ИИ-продуктов. Модель может быть очень способной в рамках одного взаимодействия, но у нее слабая долгосрочная организационная память. Она может отвечать на вопросы, но ей трудно накапливать опыт как сотруднику; она может выполнять задачи, но ей трудно со временем лучше понимать компанию.

*«Если бы ИИ обладал способностями к непрерывному обучению и мог, как сотрудник, провести два месяца, обучаясь в компании, тогда он смог бы заменить многих людей. Сейчас следующий шаг все еще требует „научиться учиться“».*

Поэтому непрерывное обучение — это не второстепенная функция, а критически важная способность на пути к более мощному Agent. Для прикладного уровня это не обязательно означает непрерывное обучение параметров модели; этого также можно добиться с помощью памяти, баз знаний, записей рабочих процессов, циклов обратной связи и накопления организационных данных.

Будущий защитный ров ИИ-приложений будет заключаться не в том, насколько впечатляющим является первый ответ, а в том, понимает ли приложение пользователя, бизнес и компанию лучше к двадцатому использованию.

Проблема отечественного оборудования — не только в чипах, но и в экосистеме

Когда речь заходит об отечественных AI-чипах, оценка Ляна Вэньфэна весьма прагматична: в краткосрочной перспективе вопрос не только в том, существует ли оборудование, но и в том, существует ли экосистема.

Преимущество NVIDIA заключается не только в самих картах, но и в CUDA, цепочке инструментов, привычках разработчиков и экосистеме, выстраивавшейся много лет. Чтобы отечественные карты стали по-настоящему пригодными к использованию, необходимо решить вопросы адаптации, компиляторов, стабильности обучения, эффективности инференса и программной экосистемы.

*«Создание экосистемы для отечественных карт, сопоставимой с экосистемой NVIDIA или даже превосходящей ее, не лишено препятствий, но это потребует времени».*

Он также упомянул TileLang, который использует язык более высокого уровня и подход на основе компиляции, чтобы снизить зависимость от экосистемы CUDA. Здесь нет необходимости углубляться в конкретные технические детали; действительно заслуживает внимания другое суждение: AI, в свою очередь, перестроит AI-инфраструктуру.

*«TileLang — это язык высокого уровня. Раньше мы не могли обходиться без экосистемы CUDA. Теперь мы можем переписать все с помощью TileLang, с меньшим объемом кода и гораздо более высокой эффективностью. Потеря эффективности выполнения на 1–2% для меня приемлема».*

В прошлом экосистему CUDA было трудно обойти. Но если AI может помогать писать код, создавать компиляторы и оптимизировать операторы, стоимость разработки экосистемы отечественного оборудования может снизиться. Конкуренция в сфере отечественного AI-оборудования касается не только производительности оборудования, но и программной экосистемы и эффективности разработки.

Ключевое слово в организации — фокус, а не свобода без границ

Организационный подход DeepSeek строится по двум линиям: сверху вниз и снизу вверх.

Сверху вниз означает, что ключевые релизы и ключевые цели требуют сотрудничества всей компании. Например, когда нужно выпустить важную версию, работу необходимо разделить, и каждый человек отвечает за свою часть.

Снизу вверх означает, что у исследователей должно быть пространство для собственных поисков. Не всё определяется KPI, и не все исследования назначаются сверху.

*«В управлении нашей компанией есть две линии: одна сверху вниз, другая снизу вверх. Снизу вверх означает, что каждый делает то, что хочет делать; никто им не управляет, и KPI нет.»*

Но это не следует понимать просто как «слабое управление». Предпосылка отсутствия KPI состоит в том, что компания знает, чего не нужно делать. Если у компании нет четкого направления, продуктовая линейка хаотична, и она берется за каждый запрос клиента, то попытка перенять подход «без KPI» приведет лишь к потере контроля.

Лян Вэньфэн также говорил, что формальные релизы и критически важные задачи по-прежнему требуют сотрудничества сверху вниз. Просто такие формальные договоренности не должны занимать всё время; необходимо сохранять пространство для исследований и поисков.

*«Сверху вниз означает, что, когда нам формально нужно выпустить версию, все работают вместе, и каждый человек выполняет одну часть. Но мы надеемся, что формальные договоренности не будут занимать всё время сотрудников — в идеале не более половины, — чтобы у них по-прежнему оставалось время для самостоятельных поисков.»*

Что касается переработок, его позиция также очень прямолинейна: в DeepSeek в целом не работают сверхурочно много. Одна причина в том, что исследования требуют относительно спокойной среды; другая — в том, что компания крайне сфокусирована, поэтому дел, которые нужно делать, меньше.

*«Мы в целом не работаем сверхурочно много. Во-первых, исследования требуют относительно спокойной среды; во-вторых, мы очень сфокусированы, а это значит, что дел, которые нам нужно делать, очень мало. Когда дел меньше, каждому человеку поручают меньше работы, поэтому нет необходимости в переработках.»*

За этим утверждением по-прежнему стоит сдержанность. Компания не делает всё подряд, не хватается за каждую возможность и не входит в каждое коммерческое направление. Управление заключается не в том, чтобы заполнить расписание команды, а в том, чтобы помочь команде сократить неэффективные действия и сохранить пространство для действительно важных исследований.

Экосистема становится больше, когда вы не интегрируетесь вертикально

Эпоха AI создаст множество бизнес-возможностей, но DeepSeek не намерена делать всё самостоятельно.

В беседе Лян Вэньфэн привёл очень приземлённый пример: если вы управляете электростанцией, вам не обязательно самим строить генераторы и оборудование; пока цена разумна, их могут построить другие. То же самое верно и для AI-компаний: им не обязательно поглощать всю цепочку — от верхних и нижних звеньев до приложений и отраслевых сценариев.

*«Например, если вы управляете электростанцией, почему вы обязательно должны сами строить генераторы? Пока цена разумна, оборудование для выработки электроэнергии может быть построено кем-то другим. Мы надеемся, что нам не придётся самим производить чипы, если мы сможем покупать их по разумной цене».*

Для DeepSeek AI уже достаточно велик; нет необходимости поглощать всю цепочку создания стоимости. Компания должна сосредоточиться только на самой критически важной части и на том, что у неё получается лучше всего, оставляя другие отрасли, приложения и сценарии партнёрам по экосистеме.

*«Эпоха AI породит множество компаний стоимостью в триллионы долларов. Для меня достаточно велико уже то, чтобы заниматься лишь небольшой частью этого; нет необходимости делать всё самим. Мы надеемся, что остальным займутся другие».*

Чем сильнее AI-компания пытается захватить всю ценность, тем меньше становится экосистема; чем больше она готова сосредоточиться только на том, что умеет лучше всего, тем больше становится экосистема.

*«Мы надеемся, что эти AI-технологии смогут использоваться в самых разных производственных средах для повышения общественной производительности. У нас есть мотивация делать это, но есть ли у нас время, люди и заинтересованы ли в этом сами наши коллеги — это уже другой вопрос. Конфликта интересов нет».*

Выводы для индустрии ИИ и команд разработки приложений

Закрытые и открытые модели — это не вопрос убеждений, а выбор на уровне системы

Взгляд Ляна Вэньфэна на конкуренцию в сфере AI между Китаем и США дает разработчикам приложений понимание, которое связано не с тем, чтобы «делать ставку на победителя», а с переосмыслением выбора моделей.

Закрытые и открытые модели — это не вопрос убеждений; это комплексный выбор, включающий возможности, стоимость, управляемость, скорость поставки, безопасность данных и пространство экосистемы.

Ведущие закрытые модели в США по-прежнему имеют преимущества: значительные вычислительные мощности, интенсивные исследования, зрелый пользовательский опыт и стабильные продукты. Но если закрытые модели в долгосрочной перспективе останутся дорогими, с высокой стоимостью вызовов и ограниченными вариантами развертывания, они будут подталкивать часть инноваций в приложениях к более дешевым, более открытым и более гибким модельным системам.

Для разработчиков вопрос будущего должен заключаться не просто в том, «какая модель самая сильная», а скорее в следующем:

• Действительно ли эта задача требует самой сильной модели?
• Позволяет ли стоимость поддерживать высокочастотное использование?
• Достаточно ли мала задержка, чтобы вписаться в реальные рабочие процессы?
• Контролируемы ли данные и методы развертывания?
• Достаточно ли зрелы инструменты экосистемы?
• Есть ли у продукта механизм резервного сценария при возникновении ошибок?

Самая сильная модель не обязательно подходит для каждой задачи. По-настоящему зрелые AI-приложения часто размещают разные модели на правильных местах: мощные модели обрабатывают сложные суждения, более дешевые модели выполняют высокочастотные задачи, а правила и кэширование обслуживают стабильные рабочие процессы.

Малым и средним разработчикам следует строить решения поверх моделей и решать проблемы, наиболее близкие пользователям

Лян Вэньфэн ясно дал понять, что DeepSeek не нужно делать всё самостоятельно; многие приложения и отраслевые сценарии должны реализовываться партнёрами экосистемы.

Это хорошая новость для малых и средних разработчиков. Будущая экосистема AI не будет принадлежать только компаниям, создающим фундаментальные модели. Малым и средним разработчикам следует сосредоточиться на узких, практичных точках входа, а не пытаться копировать крупные компании, разрабатывающие модели.

Более реалистичные направления включают:

• Автоматизация вертикальных процессов: Вместо создания универсального чат-бота решайте конкретный процесс в определённой отрасли.
• Упаковка возможностей моделей: Превращайте сложные возможности моделей в инструменты, которыми пользователи могут пользоваться напрямую.
• Коннекторы данных: Помогайте предприятиям подключать внутренние данные, документы, таблицы и системы к AI.
• Оценка и мониторинг: Помогайте предприятиям оценивать качество результатов AI, стоимость, задержку и риски.
• Услуги локализации и развёртывания: Предоставляйте частное развёртывание, дообучение и эксплуатационную поддержку вокруг моделей с открытым исходным кодом.
• Отраслевые слои знаний: Преобразуйте отраслевые правила, терминологию, кейсы и рабочие процессы в системы знаний, к которым может обращаться AI.

Малым и средним разработчикам не нужно конкурировать с компаниями, разрабатывающими модели, на главном направлении. Более разумный подход — строить решения поверх возможностей моделей и создавать слой, который ближе к пользователям.

AI-приложения должны следовать рабочим процессам пользователей, а не хайпу вокруг моделей

Самая большая проблема для многих команд, занимающихся приложениями сегодня, заключается в том, что они воспринимают AI как упаковку, а не как возможность.

По-настоящему ценное AI-приложение — это не то, которое просто добавляет на страницу еще одно поле ввода, и не то, которое превращает исходную строку поиска в чат. Это приложение, которое помогает пользователям сделать на один шаг меньше, принять на одно решение меньше, организовать на один раунд информации меньше или пройти на один этап ожидания меньше.

Пользователи используют AI не ради самого AI. Они хотят быстрее выполнять задачи, совершать меньше ошибок, снижать затраты, принимать более качественные решения и добиваться более высокой конверсии.

Поэтому команды AI-приложений должны сосредоточиться на нескольких метриках в реальных сценариях:

• Сокращается ли время, необходимое пользователям для выполнения задач;
• Снижается ли стоимость ручной проверки;
• Является ли качество результата стабильным;
• Являются ли сбои контролируемыми;
• Может ли оно интегрироваться в существующие системы;
• Может ли оно непрерывно изучать бизнес-контекст.

Если на эти вопросы нельзя ответить, продукт, скорее всего, является просто AI-оберткой.

AI-продукты должны эволюционировать из инструментов в рабочие системы

Многие AI-приложения сегодня всё ещё находятся на стадии инструмента: пользователь вводит данные, а AI выдаёт результат.

Но продукты с реальной долгосрочной ценностью станут рабочими системами:

• Они могут понимать контекст задачи;
• Они могут вызывать несколько инструментов;
• Они могут читать бизнес-данные;
• Они могут выполнять действия;
• Они могут фиксировать результаты;
• Они могут повторно использовать опыт в следующей задаче.

Например, для маркетинговых команд AI — это не только написание рекламного текста; он может формировать замкнутый цикл от анализа данных, мониторинга конкурентов, создания материалов и рекомендаций по кампаниям до оценки эффективности и следующего раунда оптимизации.

Для команд разработки AI — это не только автодополнение кода; он может понимать кодовую базу, воспроизводить проблемы, выявлять первопричины, писать тесты, отправлять исправления и фиксировать извлечённые уроки.

Именно в этом заключается настоящая возможность на уровне приложений.

Последнее ключевое слово — сдержанность

Ключевое слово, которое наиболее последовательно проходит через высказывания Ляна Вэньфэна, — сдержанность.

Сдержанность — это не консерватизм; это стратегический выбор. Самое отличительное в DeepSeek — не только то, что он уже сделал, но и множество вещей, которые он явно мог бы сделать, монетизировать и масштабировать, но сознательно не делает.

Не стоит сразу создавать функции для изображений только потому, что модель может генерировать изображения; не стоит сразу создавать функции Agent только потому, что Agent сейчас на пике популярности; не стоит сразу перестраивать продукт только потому, что open-source-проект стал вирусным; не стоит включать требование в roadmap только потому, что об этом попросил клиент.

В эпоху AI существует множество возможностей, но чем больше возможностей, тем важнее уметь делать осознанный выбор и идти на компромиссы.

Направления, которые действительно стоит развивать, обычно соответствуют трём критериям:

• У пользователей уже есть чётко выраженная болевая точка;
• AI может значительно снизить затраты или повысить эффективность;
• Продукт может накапливать данные, рабочие процессы или отраслевые знания, становясь сильнее по мере использования.

Если направление не соответствует этим трём критериям, то, даже если оно выглядит горячим, оно может быть всего лишь шумом.

Резюме

На первый взгляд, эта расшифровка встречи Лян Вэньфэна с инвесторами посвящена стратегии DeepSeek в области открытого исходного кода, коммерциализации, вычислительным мощностям, эффективности моделей и организационному подходу. На более глубоком уровне речь идет о том, как AI-компании могут сохранять фокус на своем главном направлении в условиях огромных возможностей.

Для компаний, разрабатывающих фундаментальные модели, помимо лидерства в возможностях, все более важными будут становиться стоимость, открытость и пространство для развития экосистемы.

Для руководителей AI-компаний управление — это не заполнение команды людьми, а помощь команде в сокращении неэффективных действий и сохранении пространства, необходимого для действительно важных исследований.

Малым и средним разработчикам не следует конкурировать с компаниями, разрабатывающими фундаментальные модели, на их основном направлении. Вместо этого найдите собственную сфокусированную точку входа вокруг экосистемы открытого исходного кода, вертикальных рабочих процессов, связности данных и пользовательского опыта.

Для команд, создающих AI-приложения, модель — это лишь начало. Настоящая ценность продукта рождается из контроля затрат, замкнутого цикла выполнения задач, непрерывного обучения и бизнес-результатов.

В конечном счете, самое важное, что стоит запомнить из послания DeepSeek, — это не какая-либо конкретная техническая деталь, а способ оценки: на этапе, когда возможности AI стремительно множатся, по-настоящему дефицитна не способность действовать, а сдержанность; не стремление делать больше, а последовательное выполнение правильных действий.