梁文锋称华为芯片一年内平替英伟达梁文锋四小时交流会全梳理：DeepSeek究竟在押注什么？

近日，一份据称来自DeepSeek创始人梁文锋四小时交流会的内容在业内流传。公开版本并非官方实录，也未经梁文锋本人确认，部分表述可能经过整理，但从整体内容看，这场交流较为完整地呈现了梁文锋对AGI、算力、人才、开源、商业化和中国AI未来的判断。

整场交流可以浓缩为一句话：DeepSeek主动放弃大量短期利益，把资源集中到AGI这条主线上。

一、DeepSeek不想复制传统互联网巨头

梁文锋表示，DeepSeek从成立之初就没有把上市、流量和利润最大化设为最高目标。春节期间用户量快速增长，也超出了团队原来的计划，但公司没有立刻围绕流量搭建庞大的商业体系。

在他看来，AI未来可能创造极其庞大的价值，眼前的用户规模、平台入口和商业收入，更像沿途的“芝麻”。DeepSeek真正想抓住的，是AGI可能带来的“西瓜”。

因此，公司保持克制，不盲目扩大产品线，不争夺所有用户入口，也不试图垄断从基础模型到应用层的全部利益。商业当然重要，但不能反过来牵引技术路线。

二、AGI路线已经相对清晰

梁文锋把通往AGI的过程划分为几个阶段。

第一阶段是语言模型，让AI掌握语言、知识和基本推理能力。

第二阶段是思维链，也就是通过更长、更复杂的推理过程，提高模型处理困难问题的能力。

第三阶段是Agent，让AI能够调用工具、编写程序、操作软件，从回答问题走向执行任务。其中，Coding Agent尤其重要，因为编程能力可以直接帮助模型研发。

第四阶段是持续学习。这也是他认为下一代模型最关键的能力。

目前的AI在信息完整、任务明确时，某些能力已经超过普通人，但真实员工进入一家公司后，可以在几个月内逐渐理解同事关系、工作规则、历史背景和组织习惯。现有AI每次工作仍需重新提供大量上下文，缺乏长期积累能力。

因此，梁文锋所说的“AI目前无法替代员工”，重点在于技术条件尚未成熟。一旦模型拥有持续学习能力，AI才可能真正成为长期稳定的组织成员。

再往后，AI将参与新一代模型的训练和研究，形成“AI研发AI”的循环。最终，智能进入机器人和物理世界，承担制造、家务、照护和养老等真实劳动。

三、DeepSeek为何不追逐所有热门方向

面对视频生成、多模态、世界模型、垂直Agent和机器人等热门赛道，DeepSeek的判断标准只有一个：能否直接推动智能上限。

视频生成和多模态可以成为好产品，也可能创造巨大商业价值，但在DeepSeek现阶段的判断中，它们更接近组件和应用层能力。

团队会发展原生多模态，也会研究Agent，但资源会优先投入通用Agent、Coding Agent和持续学习。金融、医疗等垂直应用，可以建立在更强的通用模型之上，没有必要过早重复建设大量团队。

这也是DeepSeek的聚焦逻辑：能赚钱的事情很多，真正值得亲自做的事情必须足够少。

四、下一代模型首先要帮助DeepSeek自己

梁文锋谈到，下一代模型首先要对DeepSeek内部研究人员有用。

团队最关心的并非榜单成绩，而是模型能否帮助研究员写代码、分析实验、改进训练流程，提高研发下一代模型的效率。

一旦模型开始加速自身研发，便会形成正反馈：

模型提高研究效率，研究人员更快训练出下一代模型，下一代模型继续提高研究效率。

Coding Agent因此被放到重要位置。代码既是现实生产工具，也是AI参与AI研发的接口。

五、低成本来自算力约束

DeepSeek的低成本，经常被理解为一种市场定价策略。梁文锋认为，它首先是一种被资源约束逼出来的技术能力。

中国大模型团队长期面临算力不足。美国头部实验室可以增加GPU和资本投入，中国团队必须从模型架构、训练方法、推理系统和工程效率中寻找突破。

模型效率提高后，同样数量的芯片便能训练更大的模型、运行更多实验、服务更多用户。低成本既降低使用门槛，也扩大有限算力的价值。

梁文锋仍然相信Scaling规律，增加模型规模、数据和训练投入仍会提升能力。DeepSeek当前模型规模没有更大，主要受制于算力，而非团队认为规模已经足够。

他判断，中美大模型差距的核心仍然是资源差距。算力不足会进一步带来实验次数不足、模型能力落后和人才成长受限。

六、国产芯片真正缺的是产能和时间

对于国产AI芯片，梁文锋总体乐观。

过去CUDA生态壁垒很高，但AI已经可以辅助编程，重新开发编译器、算子和软件工具的难度正在下降。外部芯片限制也迫使国内模型公司真正适配国产算力。

在他看来，国产芯片的生态问题并非无法解决，现实瓶颈更多集中在产能、先进制程和性能效率。

DeepSeek正在通过编译工具、系统优化和超节点架构减少对单一生态的依赖。只要国产芯片供给能力持续提高，未来几年存在重要的替代窗口。

七、真正稀缺的是组织人才的能力

梁文锋不喜欢把DeepSeek描述成“一群天才创造奇迹”。

他认为，中国并不缺聪明的AI研究人员。人才差距往往来自算力不足、实验机会较少和研究环境不够充分。

真正困难的事情，是把一群聪明人组织起来，让他们长期合作、保持热情，并把个人探索汇聚到同一个目标上。

DeepSeek内部同时存在两条管理线：一条自上而下，推动公司公认的核心任务；一条自下而上，给研究人员保留自由探索的空间。

公司没有严格KPI，也不希望每个人的时间都被任务填满。研究需要松弛感，前沿创新无法简单依靠延长工时获得。

DeepSeek能够减少加班，也和业务足够聚焦有关。产品线越多、目标越多、增长任务越多，组织内耗就越严重。公司主动放弃大量支线，研究人员才有空间思考真正困难的问题。

八、团队稳定是最重要的底线

在梁文锋看来，资本、算力和其他资源最终都可以通过时间解决，一支已经形成默契、共同理解技术路线的核心团队，一旦瓦解，很难快速重建。

因此，开源、低价、自由研究和公司愿景，除了服务外部用户，也在增强内部团队的认同感。

研究人员不仅需要收入，也需要知道自己的工作正在产生真实价值。模型被全球开发者使用，技术被行业验证，能够带来远高于普通绩效考核的成就感。

梁文锋甚至认为，只要核心团队保持稳定，公司做成AGI的概率就会大幅提高。

九、开源与商业化并不冲突

DeepSeek会继续开源强模型，并尽量保证开源版本与实际部署版本一致。

梁文锋认为，大模型与传统软件不同。即便参数公开，真正完成低成本部署、稳定推理、系统优化和持续服务，仍然具有很高门槛。

开源不会自动消灭商业模式，却能扩大技术影响力，吸引开发者完善生态，降低全球用户使用AI的门槛。

DeepSeek也不排斥商业化。公司已经拥有API、企业服务和用户收入，未来也必须依靠自身造血购买芯片、留住人才。

区别在于，DeepSeek追求合理回报，没有将API价格设定为利润最大化。公司愿意降低价格，让更多人真正使用模型。

商业化承担的是组织生存和长期研发功能，AGI仍然是最终目标。

十、未来竞争看三件事：中国机会来自系统性低成本

梁文锋认为，大模型公司的竞争最终集中在三个方面：成本、时间和用户体验。

成本决定企业能否长期提供服务，时间决定技术迭代速度，用户体验决定产品黏性。

基础模型行业不会容纳无限多玩家，中国目前的模型公司数量较多，未来资源可能逐渐集中。但基础模型公司也很难拿走整个AI产业的全部利润，大量价值还会分布在应用、终端、机器人和产业改造之中。

中国AI的机会，可能来自系统性的低成本能力。

中国拥有电力、制造业、工程师、供应链和庞大应用市场。即使部分技术暂时落后，只要能够把复杂技术做得更便宜、更稳定、更大规模，依然可能在全球AI产业中占据重要位置。

十一、数据和幻觉仍是长期问题

梁文锋认为，数据对模型能力的重要性可能接近一半。

高质量数据并非简单贴标签，而是需要研究人员构造问题、验证推理、筛选样本、分析错误。数学、代码、科学和复杂决策类数据尤其昂贵。

中国普通劳动力成本具有优势，但高端数据标注未必便宜，因为它需要大量专业人才和时间。

对于模型幻觉，梁文锋也没有给出已经解决的判断。幻觉会严重影响用户体验，可以通过后训练、数据和验证机制持续改善，但它仍然是长期问题。

DeepSeek会同时推进两条路线：继续提高智能上限，也逐步提高产品可靠性。

结语

这场交流真正展示的，远不只是DeepSeek下一步要发布什么模型。

梁文锋提出的是一套完整的方法论：

以AGI为长期目标，以持续学习为关键突破，以低成本对抗算力约束，以开源扩大生态，以克制减少敌意，以自由研究激发人才，以团队稳定穿越周期。

DeepSeek选择减少产品、减少欲望、减少组织消耗，把更多资源留给真正困难的问题。

很多公司相信，资源越多、业务越多、用户越多，胜算就越大。梁文锋提供了另一种答案：

一家公司的力量，也可以来自它清楚地知道，哪些钱暂时不赚，哪些事情坚决不做。

这或许才是这场四小时交流中，最值得反复思考的内容。