梁文锋这场交流会，给 AI 应用开发者留下了什么？

这篇文章的背景，是 DeepSeek 深度求索完成超 500 亿首轮外部融资后，梁文锋面向全部机构投资人做了一场闭门深度沟通。整场交流采用问答形式，没有对外公开；但录音文字稿在 7 月 23 日开始全网刷屏，也让外界第一次集中看到 DeepSeek 对 AGI、开源、模型能力、组织边界和应用生态的真实判断。

说明：以下内容基于《梁文锋投资者交流会》录音文字稿整理。原稿带有明显语音转写痕迹，存在口语重复、语序错位和局部识别错误。本文不是逐字实录，而是在不改变核心观点的前提下，对发言逻辑做了精简、归并和书面化整理。文中引用为基于可辨识原文的书面化摘录，用来保留梁文锋发言里比较接地气的表达和例子。

梁文锋发言整理后文稿

主线不是商业化，而是 AGI

DeepSeek 当前最重要的目标，仍然是推进 AGI。

梁文锋在交流中反复强调，公司一开始并不是为了“最后赚多少钱、上市、到资本市场上去”而成立。最早的一群人，是带着一种对 AI、对人类智能发展有用的朴素愿望开始做这件事。

*“我们最开始没有想最后要赚多少钱、要上市、要到资本市场上怎么样。最开始是几个、几十个人，怀着对这个世界非常大的善意，觉得这件事对人类有用，所以来做。”*

这种表达并不华丽，甚至有点反商业叙事。但它解释了 DeepSeek 后面很多选择：为什么坚持开源，为什么不急着把用户变现，为什么不把 API 定价拉到利润最大化，为什么在很多诱惑面前仍然强调克制。

*“愿景不是挂在墙上的管理标语。一个公司不是靠你怎么说、规章制度怎么写来运行，而是靠你实际怎么做。我们其实没有特别复杂的组织方式，就是愿景驱动。”*

DeepSeek 会做商业化，也一直在做商业化。C 端用户、B 端收入、API 服务，都能对公司形成支撑。但这些不是最终目标。它们更像是 AGI 主线上的副产品和支撑系统，而不是公司存在的全部理由。

*“C 端、B 端、API 都是我们做 AGI 路上的产物。我们不是为了做 C 端用户、服务 B 端用户才去做模型，初衷还是追求 AGI。”*

所以，他并不认为现在应该花大量时间讨论产品线和商业化路径。AI 变化太快，今天看起来清晰的商业路径，过一段时间可能就不成立了。

*“如果现在花很多时间去讨论产品线、商业化路径，我觉得都是浪费时间。因为你不能预见未来，甚至前面这些经验都支持这个判断：商业化路径和产品线现在讲都太早了。”*

这不是否定商业化，而是把商业化放回正确位置：商业化应该服务主线，而不是反过来牵引主线。

开源不是不要商业化，而是不拿走全部利润

开源和商业利益并不天然冲突。

梁文锋在交流中把这个问题讲得很直白：如果一家公司希望拿走全部利润，开源当然会削弱它的商业空间；但如果只追求合理收益，开源反而可能扩大生态，增强合作，降低用户和开发者的使用门槛。

*“如果我要赚一百倍利润，开源确实会影响我赚一百倍利润。因为第三方可以部署，他可能是二十倍成本，就比我低。但如果我们只赚一个合理利润，开源和商业付费之间就没有冲突。”*

这段话背后有一个更大的判断：开源真正改变的不是技术路线，而是利润分配。闭源模型更容易把利润集中在平台手里；开源模型则会把更多利润留给开发者、部署商、应用团队和最终用户。

DeepSeek 的 API 定价逻辑，也不是“用户还能承受多少”，而是“硬件成本多久能收回，留一个合理利润就够了”。

*“我们 API 定价的逻辑，大概是按照十个月收回设备成本。不是利润最大化定价。如果价格再翻一倍，token 消耗量区别可能不大，收入接近翻倍，但这不是我们的出发点。”*

他还提到一个很生活化的细节：团队一开始担心需求太多，价格定得比较高；后来价格降下来，团队里反而很开心。因为大家觉得，这个东西终于能让更多人用得起。

*“一开始我们担心需求太多，把价格定得比较高。后来价格降到四分之一，大家就很开心。不是因为赚更多钱，而是觉得这个东西对人有用，终于能让大家都用得起。”*

所以，DeepSeek 的低价不只是价格战，而是生态策略。低价降低了试错门槛，让更多开发者敢用、敢试、敢部署。调用成本越低，AI 越容易进入真实工作流；生态越大，模型本身被使用、反馈和改进的机会也越多。

*“克制也是一种策略。有时候你可以舍弃一些东西，换更多其他东西。让利对公司内部、对社会、对同行都是有好处的，长远看能增加我们做成 AGI 的概率。”*

这也是梁文锋反复强调的“善意”。他并不把竞争对手复现模型视为绝对威胁，甚至说如果别人愿意部署、愿意复现，DeepSeek 也会尽可能帮助。

*“我们希望别人能够把我们的模型部署起来，不担心他会跟我们抢生意。我们只担心他部署不起来，或者有些细节没做对，效果变差。我们会尽可能给开源社区提供帮助。”*

竞争会落到成本、时间和用户体验

谈到中美 AI 差距，梁文锋没有说人才是最大问题。他更强调资源，尤其是算力。

在他的判断里，中国团队和美国头部团队之间最现实的差距，是训练资源、卡的数量、实验条件和迭代密度。美国公司拥有更多算力，可以做更大模型、更充分的实验；中国公司在这方面必须承认现实差距。

*“我们跟美国最大的差距在资源上。人才不是瓶颈，资源才是最大的瓶颈。资源首先影响人才培养，也影响我们能做多少实验、能训练多大模型。”*

但他并没有把美国模型神化成不可追赶。相反，他认为大模型最终竞争的差距，可能不会体现在一个永远不可跨越的能力鸿沟上，而会体现在三个方面：成本、时间和用户体验。

*“大模型最终差距会体现在哪里？我觉得是三方面：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。”*

这句话很重要。它把模型竞争从“绝对智力高低”拉回到现实商业系统：你能不能以更低成本提供同样质量？你是早几个月做出来，还是晚几个月做出来？用户体验是更快一点，还是慢一点？

*“成本肯定是一个差异。第二是时间，你早几个月、晚几个月做出来，它就不一样了。第三是体验，同样的东西，用户体验快一点还是慢一点，也会有差别。”*

这也意味着，模型能力决定能不能 demo，成本结构决定能不能成为产品。能力差距如果逐步收敛，真正长期的竞争就会转向工程效率、推理成本、产品体验和生态建设。

模型效率不只是技术优化，而是产品能否成立

梁文锋非常重视模型效率和推理成本。

但他对低成本的理解，不只是“卖得便宜一点”。低成本首先关系到更多用户能不能用得起，其次关系到在算力有限时，能不能训练和运行更大的模型。

*“很多同学希望把成本做到更低，因为他们知道这个要花我们的钱，也希望别人用起来负担更轻。别人如果便宜一点，接受程度会更高。”*

这是一种很朴素的产品观：如果 AI 很贵，它就只能被少数人使用；如果 AI 足够便宜，它才可能进入更多生产环境。成本下降不是财务细节，而是 AI 普及的前提。

*“成本越低，在算力有限的情况下，我的计算效率越高，就越能承担更大的模型。对大公司来讲，可以加资源解决；但我们会优先考虑成本效率。”*

对应用团队来说，这个判断尤其重要。很多 AI 应用不是需求不成立，而是成本不成立。一个 demo 看起来很好，但只要进入高频使用，模型成本、延迟和失败率都会立刻变成商业问题。

持续学习是下一阶段的关键难题

在技术路线部分，梁文锋多次提到 CoT、Agent 和持续学习。

他认为，AI 的发展像一级一级台阶。语言模型是一个台阶，CoT 是一个台阶，Agent 又是一个台阶。但 Agent 走到一定程度后，会遇到下一个瓶颈：持续学习。

*“今年走的台阶是 Agent。用 Agent 的方式，很多事情可以做，能力范围会更大。但 Agent 还是不能替代员工，因为它还差持续学习。”*

他用了一个非常接地气的例子来解释这个问题：

*“你招一个员工，他可能花两个月熟悉公司环境、熟悉工作。以后你说「叫小王过来」，他就知道小王是谁。但 AI 不行，你得告诉它小王是谁、什么职务、在哪里、找他要注意什么。你不可能每次都把所有上下文告诉 AI。”*

这段话准确说明了当下很多 AI 产品的痛点。模型单次能力很强，但长期组织记忆很弱。它可以回答问题，却很难像员工一样积累经验；它可以执行任务，却很难越来越懂公司。

*“如果 AI 有持续学习能力，跟员工一样到公司学习两个月，那它就可以替代很多人。现在离下一步还差一个「学习去学习」。”*

所以，持续学习不是一个小功能，而是通向更强 Agent 的关键能力。对应用层来说，它不一定等同于模型参数持续训练，也可以通过记忆、知识库、工作流记录、反馈闭环和组织数据沉淀实现。

未来 AI 应用的壁垒，不是第一次回答有多惊艳，而是第二十次使用时，它是否更懂用户、更懂业务、更懂这家公司。

国产硬件的难点不只是芯片，而是生态

谈到国产 AI 芯片时，梁文锋的判断很务实：短期问题不只是有没有硬件，而是有没有生态。

英伟达的优势不只是卡本身，还包括 CUDA、工具链、开发者习惯和长期积累的生态。国产卡要真正可用，需要解决适配、编译器、训练稳定性、推理效率和软件生态问题。

*“国产卡建立起跟英伟达一样，甚至比英伟达还好的生态，不是没有障碍，但需要时间。”*

他还提到 TileLang，用更高级的语言和编译方式，降低对 CUDA 生态的依赖。这里不必陷入具体技术细节，真正值得关注的是另一个判断：AI 会反过来重建 AI 基础设施。

*“TileLang 是高级语言。以前离不开 CUDA 生态，现在可以用 TileLang 重写一遍，代码量更小，效率大幅提高。损失 1% 到 2% 的执行效率，我觉得可以接受。”*

以前 CUDA 生态很难绕开，但如果 AI 能帮助写代码、写编译器、优化算子，国产硬件生态的建设成本就可能下降。国产 AI 硬件的竞争，不只是硬件性能之争，也是软件生态和开发效率之争。

组织方式的关键词是聚焦，而不是松散

DeepSeek 的组织方式有两条线：一条是从上到下，一条是从下到上。

从上到下，是关键版本、关键目标需要公司协同完成。比如要发一个重要版本，就要分工，每个人负责一部分。

从下到上，是研究人员要有自己的探索空间。不是所有事情都由 KPI 驱动，不是所有研究都被安排。

*“我们公司的管理有两条线：一条从上到下，一条从下到上。从下而上，就是每个人自己想做什么就做什么，没有人管他，没有 KPI。”*

但这不应该被简单理解成“松散管理”。没有 KPI 的前提，是公司知道什么不做。如果一家公司方向不清、产品线混乱、客户需求什么都接，再去学习“没有 KPI”，最后只会变成失控。

梁文锋也说，正式版本、关键任务仍然要自上而下协作。只是这种正式安排不应该占满所有时间，要给研究探索保留空间。

*“从上到下，就是正式要发版本时，大家一起配合、每个人做一部分。但我们希望正式安排不要占用员工所有时间，最好不要超过一半，让他还有时间自己探索。”*

关于加班，他的说法也很直白：DeepSeek 不太加班，一方面是研究需要松弛环境，另一方面是公司非常聚焦，要做的事情少。

*“我们一般不太加班。第一，做研究需要一个比较松弛的环境；第二，我们非常聚焦，意味着要做的事情很少。事情少了，每个人分到的工作就少了，也就不需要加班。”*

这句话背后仍然是克制。公司不是什么都做，不是每个机会都抓，不是每个商业方向都进入。管理不是把团队填满，而是帮助团队减少无效动作，保留真正重要的探索空间。

不垂直整合，生态才会变大

AI 时代会产生很多商业机会，但 DeepSeek 不打算什么都自己做。

梁文锋在交流中用了一个很接地气的例子：如果你只是运营发电厂，发电机、设备不一定都要自己造；只要价格合理，别人造也可以。AI 公司也是一样，不一定要把上游、下游、应用、行业场景全部吞掉。

*“比如你是运营发电厂的，为什么一定要自己造发电机？只要价格合理，发电设备可以是别人造的。我们希望不用去做芯片，只要能以合理价格买到芯片。”*

对 DeepSeek 来说，AI 这件事已经足够大，不需要把所有链条都吃下来。公司应该只做最关键、最擅长的那一块，其他行业、应用和场景可以交给生态伙伴。

*“AI 时代会产生很多万亿级别的公司。我只做其中一小块就已经足够大，不需要所有东西都自己做。我们希望其他人来做其他事情。”*

AI 公司越想吞掉全部价值，生态越小；越愿意只做自己最擅长的一块，生态越大。

*“我们希望这些 AI 技术用到各种生产环境里，提高社会生产效率。我们有动力做这件事，但时间、人手、同学自己是否感兴趣，是另一回事。利益上没有冲突。”*

对 AI 行业和应用团队的启发

闭源模型和开源模型，不是信仰选择，而是系统选择

梁文锋对中美 AI 竞争的判断，给应用开发者的启发不是“押注谁赢”，而是重新理解模型选型。

闭源模型和开源模型不是信仰选择，而是能力、成本、可控性、交付速度、数据安全和生态空间的组合选择。

美国头部闭源模型仍然有优势：算力充足、研究密集、体验成熟、产品稳定。但如果闭源模型长期价格高、调用贵、部署受限，就会把一部分应用创新推向更便宜、更开放、更灵活的模型体系。

对开发者来说，未来不应该只问“哪个模型最强”，而应该问：

• 这个任务是否真的需要最强模型；
• 成本是否能支撑高频使用；
• 延迟是否能进入真实流程；
• 数据和部署方式是否可控；
• 生态工具是否足够成熟；
• 出错时产品有没有兜底机制。

最强模型不一定适合所有任务。真正成熟的 AI 应用，往往是把不同模型放在合适位置：强模型解决复杂判断，便宜模型处理高频任务，规则和缓存处理稳定流程。

中小开发者应该站在模型之上，解决离用户最近的问题

梁文锋明确提到，不是什么都要 DeepSeek 自己做，很多应用和行业场景应该由生态伙伴完成。

这对中小开发者是好消息。未来 AI 生态不只属于基础模型公司。中小开发者更应该寻找小切口，而不是试图复制大模型公司。

更现实的方向包括：

• 垂直流程自动化：不是做一个通用聊天机器人，而是解决某个行业的一段具体流程。
• 模型能力封装：把复杂模型能力包装成用户能直接使用的工具。
• 数据连接器：帮助企业把内部数据、文档、表格、系统接入 AI。
• 评测与监控：帮助企业判断 AI 输出质量、成本、延迟和风险。
• 本地化和部署服务：围绕开源模型做私有化部署、调优和运维。
• 行业知识层：把行业规则、术语、案例和工作流变成 AI 可调用的知识系统。

中小开发者不需要和模型公司抢主线。更聪明的做法，是站在模型能力之上，做离用户更近的那一层。

AI 应用不要追模型热点，要追用户工作流

很多应用团队现在最大的问题，是把 AI 当成包装，而不是能力。

真正有价值的 AI 应用，不是页面上多一个输入框，也不是把原来搜索框改成聊天框，而是让用户少做一步、少判断一次、少整理一轮、少等待一个环节。

用户不是为了使用 AI，用户是为了更快完成任务、更少出错、更低成本、更好决策、更高转化。

所以 AI 应用团队应该盯住真实场景里的几个指标：

• 用户完成任务的时间是否缩短；
• 人工审核成本是否下降；
• 输出质量是否稳定；
• 失败时是否可控；
• 是否能融入原有系统；
• 是否能持续学习业务上下文。

如果这些问题答不上来，产品大概率只是 AI 外壳。

AI 产品要从工具走向工作系统

当前很多 AI 应用还停留在工具阶段：用户输入，AI 输出。

但真正有长期价值的产品，会变成工作系统：

• 能理解任务背景；
• 能调用多个工具；
• 能读取业务数据；
• 能执行动作；
• 能记录结果；
• 能在下一次任务中复用经验。

比如对营销团队来说，AI 不只是写一篇文案，而是能从数据分析、竞品观察、素材生成、投放建议、效果复盘到下一轮优化形成闭环。

对开发团队来说，AI 不只是补全代码，而是能理解代码库、复现问题、定位根因、写测试、提交修复并记录经验。

这才是应用层真正的机会。

最后的关键词是克制

梁文锋发言里最贯穿始终的关键词，是克制。

克制不是保守，而是战略选择。DeepSeek 最特别的地方，不只是它做了什么，而是很多明明能做、能赚、能扩张的事，它选择不做。

不要因为模型能生成图片，就马上做图片；不要因为 Agent 热，就马上做 Agent；不要因为某个开源项目火，就马上重构产品；不要因为客户问了一个需求，就把它写进路线图。

AI 时代机会很多，但机会越多，越需要取舍。

真正值得做的方向，通常满足三个条件：

• 用户已经有明确痛点；
• AI 能显著降低成本或提升效率；
• 产品能沉淀数据、流程或行业知识，越用越强。

如果一个方向不满足这三点，就算它看起来很热，也可能只是噪音。

总结

这份梁文锋投资者交流会文字稿，表面上谈的是 DeepSeek 的开源、商业化、算力、模型效率和组织方式；更深层看，它谈的是 AI 公司在巨大机会面前如何保持主线。

对基础模型公司来说，能力领先之外，成本、开放性和生态空间会越来越重要。

对 AI 公司管理者来说，管理不是把团队填满，而是帮助团队减少无效动作，保留真正重要的探索空间。

对中小开发者来说，不要和基础模型公司抢主线，要围绕开源生态、垂直流程、数据连接和用户体验找到自己的小切口。

对 AI 应用团队来说，模型只是开始，真正的产品价值来自成本控制、任务闭环、持续学习和业务结果。

最终，DeepSeek 这套表达最值得记住的不是某个技术细节，而是一种判断方式：在 AI 机会爆炸的阶段，真正稀缺的不是行动力，而是克制；不是做更多，而是持续做对的事。