梁文锋DeepSeek交流会：克制定价与AGI路线图解读

一家公司不加班、没有KPI、员工一半时间自己随便研究，定价只赚合理利润还主动往下降，模型全部开源，连最强的那个也打算开源。按正常的商业逻辑，这家公司应该活得很辛苦——但它叫DeepSeek。

最近一份长达近四个小时、转写成三万五千字的梁文锋投资者交流会录音在B站被完整解读。本文基于该转写稿（数字以梁文锋现场口径为准，个别可能有转写误差），从工程师视角梳理这份材料里最能改变判断的部分。这不是一堆行业套话，而是一套彼此严密咬合的逻辑。

反直觉的定价：6倍利润还嫌多

交流会是一场面向投资人的内部会议。梁文锋先讲了两个半小时，然后自由提问，话题从愿景、定价、开源一路聊到AGI路线图、算力和国产芯片。最反直觉的部分是——钱。

梁文锋给DeepSeek的API定了一条价规：一批设备买回来，10个月收回成本。在财务上设备通常按3年、5年摊销，而他认为商业上10个月回本就够了。他自己估算，这大概对应6倍利润。

很多人会质疑：6倍利润也叫克制？关键在他的下一句判断——在这个价格区间，需求没有弹性，价格再翻一倍，token消耗量区别不大。换句话说，他本可以把收入再翻近一倍，但没做。他的解释很直白：再降需求也不会更多，这个价位所有人都用得起了，继续降公司没有更多收入，社会也没有更多价值。

稿子里有个细节耐人寻味：某款模型一开始担心需求太多、价格定得偏高，团队里大家不太高兴；后来梁文锋把价格降到原来的四分之一，公司群里一片欢呼。一个公司降价，员工欢呼——这在工程圈里并不常见。

开源为什么不影响收入

很多投资人问：开源会不会影响收入？梁文锋的回答很干脆：不影响，前提是你只赚6倍利润。

这套逻辑其实很严密。按10个月回本定价，第三方想自己部署来抢生意，做不到这个价格、这个成本——部署的门槛很高，成本也压不下来。所以你开源了，别人也抢不走你的生意。但如果你想赚100倍利润，开源就真会伤到你，因为20倍成本的第三方都会比你便宜。

克制的每个环节都对应一笔账：开源不影响收入，因为定价压得低；定价压得低，因为10个月回本就够了；10个月回本就够，因为AI这个市场太大——他的原话是"随便分一点利益就非常大了"。所以他敢说最强模型也可以开源：模型全给你，你要用好门槛依然很高，成本做到一样低更难。

顺着这条逻辑，很多事情就通了。去年春节C端突然爆发，用户"赶都赶不走"，他们没趁机变现、没抢用户、没做下一个超级APP。梁文锋的说法是：前面都是芝麻，后面有更大的西瓜。去年的C端、今年的B端，都是做AGI路上顺手捡的，捡但不停下来。

整套打法里只有一样东西不能克制——团队稳定性。他说这是唯一的核心利益：只要人都不走，这事早晚能做成，钱、资源都不是问题，别的都可以让。

AGI路线图：阶梯式发展的实现路径

这是全稿最有价值的部分。梁文锋把AI发展看成一个阶梯，每一级台阶都踩在前一级上面。

语言模型在最底层；去年走的是CoT（思维链），让模型自己思考，抬高智能上限；今年走的是Agent，能处理多步任务，能力范围再扩一圈。Agent要用到CoT，CoT要用到语言模型，没有一步是白走的。

关于思维链（CoT）： 思维链（Chain-of-Thought）是由Google Research于2022年系统化的提示工程技术，核心思想是让语言模型在给出最终答案之前显式输出中间推理步骤，模拟人类逐步解题的过程。传统模型直接从输入映射到输出，而CoT通过引入"让我们一步步思考"的范式，显著提升了模型在数学推理、逻辑推断等复杂任务上的表现。DeepSeek-R1等模型将CoT深度集成到强化学习训练流程中，使模型能够自主生成推理链而非依赖人工设计，这是其在推理基准上超越同量级模型的关键机制。

关于Agent（智能体）： AI Agent是指能够感知环境、自主规划并执行多步骤任务的AI系统，区别于仅做单轮问答的语言模型。Agent的核心架构通常包含感知层（接收输入）、记忆层（存储上下文和历史）、规划层（基于CoT进行任务分解）和行动层（调用工具、API或代码执行器）四个模块，形成"思考-行动-观察"的闭环。Coding Agent是目前最成熟的Agent方向，因为代码执行结果可以精确验证（编译是否通过、测试是否通过），为强化学习提供了天然的奖励信号——这也是梁文锋判断"coding agent最先成熟"的底层技术逻辑。

Agent之后：持续学习的关键跨越

Agent走完之后呢？他说会把所有能解决的问题都解决完，到达自己能力的上限，但还是替代不了员工。差的那一块叫持续学习。

持续学习（Continual Learning），又称终身学习，是指AI系统在不遗忘已有知识的前提下持续从新经验中学习的能力。当前大语言模型的根本局限在于"静态权重"——训练完成后参数冻结，无法从部署后的交互中自动更新知识，只能依赖有限的上下文窗口临时记住当次对话。这一问题在学术界被称为"灾难性遗忘"：当模型在新任务上更新参数时，往往会覆盖旧知识。

他举了个值得每个人认真听的例子：你招一个新员工，他花两个月熟悉公司、熟悉工作，之后你说"叫小王过来"，他知道小王是谁。但你对AI说"叫小王过来"，得先告诉它小王是谁、什么职务、在哪、怎么找、找的时候注意什么——你要把所有上下文都喂给它。这件事不现实。所以在持续学习解决之前，AI还替代不了那些"吃上下文"的工作。

再往后是自我迭代：模型能持续学习之后，可以自己开发自己的下一个版本。梁文锋认为这没有临界点，是个渐进但非线性的过程——因为AI可以加速AI的研究。自我迭代之后才轮到具身智能——AI走进现实世界做家务、养老。具身智能要求AI不仅具备强大的推理和规划能力，还需要建立物理世界的"世界模型"，预测操作后果并与真实环境进行感知-行动闭环，这正是梁文锋将其置于路线图最末端的原因：它以数字世界的全部能力成熟为前提。

路线图的实践意义

这个路线图有个很实际的好处：每一步新增的东西很少，所以他说这条路最轻松，不用加班。回头看"不加班、没KPI"，根子就在路线图的选择上。他还冷静地判断：视频/世界模型生成不在智能主线上，Sora出来时大小公司全做，后来小公司全砍了——它跟智能上限没关系，商业上是好生意，但不是他们的目标。

现实的约束：算力、融资与芯片现状

路线图再漂亮，现实就是"卡"。梁文锋把家底讲得相当具体：现在大概是两万张H等效算力，大部分最近一两个月刚到。融资怎么花？"价格合理，有多少卡买多少卡，半年之内把钱花完是最理想的情况。"但实际做不到，卡太难买了。

与美国的差距：规模与资源

跟美国的差距，他说得很直接：是资源差距，人才上几乎没有差距——本来就是同一批人，有的留在国内，有的去了国外，分布基本随机。规模上，国外在训800B激活的模型，国内还在几十B激活的规模，差一个数量级。

这里需要理解Scaling Law与MoE架构的背景。Scaling Law（规模扩展定律）由OpenAI于2020年系统阐述，核心结论是：模型性能与参数量、数据量、计算量呈幂律关系，在已知范围内尚未观测到明显上限。"800B激活"指的是混合专家（Mixture of Experts，MoE）架构下每次推理实际激活的参数量——例如一个总参数2万亿的MoE模型，每个token只激活其中800B参数，使得超大规模训练在推理成本可控的前提下成为可能。训一个800B激活模型需要五万张GB300，换成华为最新的卡要20万张，这还只是训练。他说把500亿全花掉也训不起。所以策略很务实：在几十B激活规模上把实验做透，资源到了再往150B、250B走。

关于Scaling是否到头，他的回答很干脆：他信Scaling，规模越大效果越好，还没看到上限，拦住他们的只有算力。"硅谷说Scaling到头，那是硅谷到头，中国这边离那堵墙还远。"

国产芯片的现实与前景

这是他讲得最细的一段。华为给了他们16000张950，他直言这只相当于4000张B系列——4张华为950顶1张GB300，时间上落后两年，价格上华为还贵50%到两倍。但他说无所谓，因为"英伟达的卡你买不到"。买华为很大程度是帮它建生态。

从工程师视角看，"4张顶1张、落后两年"另有一面：两年前根本不敢想的平替，现在有了，代价是多买卡、多等时间。卡的问题本质是钱的问题，而钱在国内是可以想办法解决的。

更关键的是生态。以前国产卡的死穴是CUDA护城河——CUDA（Compute Unified Device Architecture）是英伟达于2006年推出的并行计算平台，经过近二十年发展积累了cuDNN、cuBLAS、NCCL等数千个优化库，几乎所有主流深度学习框架的底层算子都深度依赖它。买了国产卡用不起来，根源不在硬件性能，而在这套生态锁定。

梁文锋认为这条护城河正在瓦解，关键武器是TileLang——一种高级算子描述语言，其设计目标是将算子逻辑与具体硬件后端解耦：开发者用TileLang描述计算逻辑，编译器负责将其翻译为针对不同硬件（英伟达GPU、华为昇腾、AMD GPU等）的优化指令。AI能写代码，使得建生态比以前容易；TileLang则提供了把英伟达那套算子生态系统性重写一遍的技术路径。

DeepSeek在英伟达卡上的做法是：V3用的是英伟达的卡，但不用官方软件库，算子层用TileLang自己写，效率损失约1%到2%。搬到华为卡上效率如何，尚无公开实测。但按梁文锋的说法，同一套东西在华为卡上再做一遍，一年之内国产芯片"生态有问题"这个认知就会被扭转。他甚至判断：在买不到英伟达卡的现实里，"英伟达是在掘自己的坟墓"。

数据、终局与护城河

还有一个让人坐直的数字：DeepSeek有一半核心研究员在标数据，最重要的那批人一半在做标注。原因是高质量数据标注太贵，中国的资本结构撑不起美国那种标法，所以两条腿走路，先标成本低的。他强调，现阶段AI公司靠的就是数据。

大模型竞争的最终形态

对终局，他的判断顺理成章：大模型竞争收敛之后，差距只剩三样——成本、时间、用户体验。成本排第一，时间排第二（早几个月晚几个月不一样），体验有粘性但不本质。

然后是那个流传很广的判断：假设AI将来占全球GDP的20%，你说"我要拿5%"，理论上算得过来。OpenAI算的也是这笔账。但他会被另一个说"我拿1%就够"的人打败，再被"0.1%就够"的人打败。

"你的愿景是拿得多，你就已经输了。"前面的克制、降价、开源，到这里全部接上——同一套逻辑，一体两面。

中国模型的竞争优势

他对自身位置也很清楚：落后美国一两年，用1%的算力把事情做出来，下一步是把时间缩到6个月、3个月。芯片差距他概括成"加两年、4倍"，生态以后不会有差距，中国模型今年就能平替国外现有范式——注意措辞是"平替现在的范式"，而非AGI，AGI至少得有持续学习。

他还泼了两盆冷水：国内做基模的公司太多、资源太薄，一定会收敛到三四家；AI人才短缺是阶段性的，两三年市场就能培养出来。

你的护城河与职业未来

整份稿子里和你的生存最相关的一句是：在持续学习解决之前，AI还替代不了你。原因很具体——它没有你那两个月的上下文。你工作里有大量默认知识：谁负责什么、流程怎么走、上次那个坑怎么填的，这些都不在任何文档里，AI拿不到。这是你眼下最实在的护城河，但有期限。

他还提示：现阶段最重要的Agent是coding agent，先做编程，其他垂直方向往后排。写代码这个领域会最早被攻下来——因为代码的正确性有客观标准，强化学习的奖励信号最清晰，模型迭代速度最快。所以务实的建议是：盘一下你的工作，哪一部分是"两个月上下文"撑起来的，哪一部分AI拿到上下文就能做——前者是你的位置，后者你该学会让AI去做。

结语

交流会现场有投资人留言说"10个月回本、利润太高了"，梁文锋的回答是"确实还有降价空间"。这句话基本就是这家公司的缩影：赚着6倍利润还嫌多，落后两年、只用二十分之一算力，还在琢磨怎么把时间缩到三个月。