DeepSeek 梁文锋：以克制换取 AGI 概率，中美 AI 差距终在算力
核心事件：DeepSeek 创始人梁文锋出席一场长达近四小时的投资者交流会，系统阐述了公司在 AGI 愿景、技术路线、开源策略及中美 AI 竞争格局下的底层逻辑。
一、 核心逻辑：以“克制”换取更高的 AGI 成功概率
在这场交流中，梁文锋反复强调的一个关键词是“克制”。
DeepSeek 做出了一系列看似违背传统商业逻辑的选择：开源、低价、不争夺 C 端超级 App 入口、不做视频生成等垂直应用、不铺展过多产品线、甚至不要求员工加班。在这些分散的表象之下，是一套统一的逻辑：少拿眼前的利益，少做支线，以换取更高的 AGI（通用人工智能）成功概率。
梁文锋将 DeepSeek 定义为一所“以 AGI 为目标的研究公司”。在他看来，C 端用户、B 端收入和 API 商业化，仅仅是研究过程中自然产生的阶段性成果，而非终极目标。
1. 公司的底层愿景与“合理利润”
DeepSeek 早期团队的核心驱动力并非上市或个人财富，而是一种不成文的愿景：“怀着善意，做一件对人类有用的事。”这种愿景深受杰克·韦尔奇管理哲学的影响，即愿景是凝聚团队共同方向的核心。
基于此，DeepSeek 追求的是“合理利润”而非利润最大化。梁文锋指出，AI 市场的体量巨大，没有任何一家公司能真正独占。如果追求利润最大化，必然会催生愿意牺牲利润、以更低价格提供服务的竞争对手，最终形成市场平衡。
因此，当团队曾因为担心需求过大而调高模型价格时，内部反应却是负面的；而当价格降至原来的四分之一时，团队却在欢呼。因为在他们的价值观里，模型只有足够便宜并被广泛使用，才算完成了使命。
2. 拒绝视频生成与超级 App 的诱惑
对于视频生成这门“好生意”，以及将 DeepSeek 打造为“超级 App”的流量变现机会，梁文锋均持克制态度。他认为视频生成解决的主要是内容生产问题，与提升模型的“智能上限”关系不大。同样，用户再多也只是通往 AGI 路上“顺手捡到的果实”，没必要为此改变主攻方向。
二、 坚持开源：一种防御性生态战略
DeepSeek 承诺将继续坚持开源，且开源的最强模型将与对外提供服务的服务端模型保持一致，不会故意发布一个弱化的版本。
针对“开源后为何还有人用 API”的疑问，梁文锋指出了工程效率壁垒：
* 模型权重不等于服务能力：第三方即使下载了模型，也难以在短时间内掌握高并发稳定性、推理加速、显存优化等长期工程积累。
* 成本护城河：只要 DeepSeek 维持目前的合理利润，第三方很难通过部署开源模型做到比官方更低的服务成本。
开源的战略价值在于三点：
1. 减少外部敌意：将潜在的互联网巨头和创业公司转化为生态合作伙伴，而非争夺终端用户的对手。
2. 吸引人才：研究成果被广泛使用和部署，对研究人员具有极强的成就感。
3. 品牌背书：防止第三方因部署不当导致体验差，从而损害 DeepSeek 的品牌声誉。
当然，这套逻辑成立的前提是 DeepSeek 必须长期保持技术和效率优势。
三、 技术路线：Scaling Law 与持续学习的双轨并行
梁文锋将大模型的发展比作层层向上的阶梯：从语言模型到思维链（CoT），再到当前的 Agent。
1. 下一个台阶：持续学习 (Continual Learning)
Agent 存在上限，因为 AI 缺乏像人类一样在真实环境中长期工作并积累经验的过程。梁文锋认为，持续学习是 Agent 之后的明确瓶颈。只有让模型具备在长期工作中获取新经验并带入后续任务的能力，AI 才能真正进入组织，甚至参与下一代模型的研发，从而实现自我迭代的“奇点”。
2. 技术方向的优先级排序
DeepSeek 对当前热门技术进行了清晰的区分，判断标准是“能否提高智能上限”：
* 第一梯队（核心）：持续学习。这是决定下一步智能突破的关键。
* 第二梯队（补齐能力）：多模态和搜索。它们是重要的组件，能让 AI 理解音视频或获取外部信息，但不直接决定智能的上限。
* 第三梯队（商业/次要）：视频生成（偏商业）、世界模型（非最紧迫）、具身智能（硬件重、工程复杂）。
* 关于具身智能，梁文锋建议先解决 AI 的自我迭代能力，再由更强的 AI 辅助人类设计机器人，而非现在投入大量人力去攻克硬件难题。
3. 依然相信 Scaling Law
针对硅谷关于“Scaling Law 碰墙”的讨论，梁文锋认为这离中国模型公司还很远。DeepSeek 当前的模型规模受限于算力资源，而非看到了技术的上限。他们仍希望通过增加数据、算力和训练投入来扩展规模，但同时也在探索突破 Scaling 局限的“持续学习”。
四、 竞争格局：中美差距在算力，终局在成本
1. 中美 AI 的差距归因于算力
梁文锋直言，中美 AI 最大的差距在于算力。
* 实验受限：美国公司可以集中全部算力进行完整训练，而国内往往因算力不足，导致前序架构验证和后训练迭代不充分，进而影响研究质量和人才成长。
* 追赶路径：目前的状态可能是“晚一到两年，用硅谷二十分之一的算力把同样的事情做出来”。未来的目标是缩短时间差至三个月。
2. 国产芯片与软件生态
虽然硬件有代际差距（如华为 950 约需 4 张才能抵 1 张英伟达 GB300），但梁文锋对国产芯片生态持乐观态度。
* 摆脱 CUDA 依赖：DeepSeek 正在推进 TileLang 高级语言，降低算子编写难度，并在 V3 模型训练中减少对 CUDA 的依赖。
* 产能瓶颈：未来几年国产算力的主要制约因素将从“软件适配”转向“硬件产能”。预计五年后产能问题将不再像现在这么突出。
3. 模型竞争的终局
长期来看，头部模型的能力差距会不断缩小，轮流领先。真正拉开差距的三个维度是：
1. 成本（最重要）：在同等质量下，谁的成本更低，谁的竞争力就越强。低成本来自架构、训练和推理优化的整体效率。
2. 时间：早三个月推出能力具有商业先发优势，但优势难以永久保持。
3. 用户体验：产品稳定性和工作流融合度。
梁文锋判断，中国公司的结构性优势在于成本控制和产品能力。未来中国提供的 AI 服务，效果可能与硅谷接近，但价格会系统性地更低。
4. “百模大战”终将收敛
由于资源分散，中国大量团队重复造轮子。但随着基础模型利润回归合理水平，行业将经历“百团大战”后的收敛期。梁文锋预测，中国长期可能只需保留三四家基础模型公司即可形成充分竞争。
5. 被低估的瓶颈：高质量数据
除了算力和参数，高质量数据是另一个核心瓶颈。DeepSeek 有一半的人力投入在数据工作上，且核心研究人员亲自参与标注。由于中美在高端数据标注上的成本差距不大，国内团队只能通过时间积累来弥补经验上的落后，预计未来一年左右国内高质量数据能力会有明显改善。
五、 结语
梁文锋的观点并非 AI 发展的标准答案，而是 DeepSeek 在其特定阶段、团队规模和资本条件下的取舍。
对于 AI 从业者和创业者而言，值得深思的不是盲目追随每一个热点，而是学习如何在无数机会面前保持“克制”：判断哪些动作是在提高智能上限，哪些只是在满足短期商业利益。同时，对于其关于持续学习优先于具身智能、开源能守住 API 护城河等预判，也需要保留一份理性的怀疑，交由时间去验证。