梁文锋：开源不是让利，克制不是姿态

我先讲讲我们为什么做这家公司。最开始的几十个人，并不是因为看到了一个上市机会，也不是算好了最后能赚多少钱才来到这里。如果大家一开始想的是资本市场退出，他可能根本不会加入。我们当时更朴素的想法，是觉得这件事对人类有用，值得做，而且它的意义不只在金钱。

后来大家发现，AI 可能产生非常大的利益，诱惑自然会变多。但这不改变我们的出发点：我们没有按照商业利益最大化来组织公司。这个前提非常关键，不然很多选择都解释不通，比如为什么开源、为什么定价这么低、为什么明明有流量却不去抢入口。

公司真正靠的是愿景。愿景不是写在墙上的标语，不是大家背一段话，而是遇到实际利益冲突时怎么选。我们没有一份成文的愿景，也没有要求每个人用同一种语言解释它，但大的方向是一致的：对世界保持善意，做一点真正有用的事情。

所以我们坚持开源。第一，愿景本身要求这样做；第二，我认为在 AI 这个足够大的市场里，开源不一定损害商业化，甚至可能是把商业做成的更好方式。

我更喜欢“一群平凡的人做出不平凡的事情”这个叙事，而不是把成功解释成少数天才的神话。我们的起点很低，资源不多，团队也是从现实中自然聚起来的。既然没有那么多外在武器，我们就必须把目标、组织和取舍做得更清楚。

我说的克制，不是谦虚，也不是一种道德表演。AI 的利益足够大，只要真正把 AGI 做成，最后拿到其中一部分，都已经非常可观。现在没有必要为了多拿一点短期份额，把成功概率降下来。对我来说，克制是一种战略：主动放弃一些东西，换取组织凝聚、社会支持和更长时间的技术专注。

我们对 API 的基本想法，不是利润最大化，而是赚合理利润。团队真正关心的是，大家花了这么多精力把模型做得又好又省，到底是为了让公司把每个 Token 卖得最贵，还是让更多人能够充分使用？我们的答案偏向后者。

用户突然增长并不在我们的剧本里。我们当然会尽力把用户服务好，但没有马上转向留存、广告和入口争夺，也没有想过把 DeepSeek 做成下一个字节或下一个腾讯。从商业上说，拿一大笔钱去抢用户也许能成立，但那会把组织拉到另一条路上。

我把眼前的商业机会比作芝麻，把后面的 AGI 比作西瓜。芝麻不是不要，可以顺手捡；但不能为了捡芝麻停下来，甚至改变方向。

B 端也是一样。我们做模型能力，在通往 AGI 的过程中自然产生 API，这些能力可以直接提供给企业。所以我不是拒绝商业化。我们一直在商业化，只是商业化不是出发点。C 端和 B 端都是研发过程的中间产出，而不是为了做产品才去训练模型。

很多人担心，模型开源以后，别人自己部署，我的收入是不是就没有了。我认为这取决于你想赚多少。如果只赚合理利润，第三方很难在部署效率、利用率、工程优化和服务稳定性上达到同样成本。开源不等于服务没有价值。

如果想赚极高的垄断利润，开源当然会产生影响。但我们的商业模式本来就不是赚一百倍利润。只要利润要求克制，开源和商业服务可以长期并存。

外界看我们，好像选了最难的模式：做基础研究、做最难的模型问题、又坚持开源。但从内部看，我们主动舍弃了很多东西，不做大量产品线，不打所有市场仗，也不需要建立很重的销售组织，反而可以做得比较轻。

我把 AI 的发展理解成一层一层的台阶。最下面是语言模型；之后是思维链，也就是模型通过自己展开思考，提高单次任务的能力上限；再往后是 Agent，它让模型能够在更长流程里调用工具、完成更复杂的任务。

每一层都建立在前一层上，没有哪一步白走。但 Agent 也有上限：它可以一次完成很复杂的事情，却不能像一个员工一样，进入公司以后连续几个月学习环境、积累经验、形成长期上下文。

所以我们现在能看到的下一个瓶颈是持续学习。模型必须能够在较长时间里学习，而不是每次都依赖人把全部背景重新放进上下文。这个问题没有成熟答案，全世界都在摸索，但它是一个必须跨过去的台阶。

持续学习之后，模型可能开始真正帮助研发下一代模型。AI 加速 AI 研究之后，进步会变得非线性。大家把它叫作奇点，但我更愿意把它理解成一个连续、渐进、越来越快的过程。再往后才是具身智能，让智能进入现实世界解决具体的人力需求。

如果我们的目标是 AGI，那么在走向 AGI 的过程中，必然会经过能服务 C 端和 B 端的阶段。把这些能力通过产品和 API 提供出去，是顺便做的事情，不需要为了产品目标重新定义技术路线。

更远的愿景更容易把研究人才聚在一起，让他们愿意围绕同一个技术方向合作。产品公司在流量、运营和服务上有自己的优势，但当模型能力是决定性变量时，研究型组织也有它的优势。

如果一定要说我们有什么不能退让的核心利益，我认为是团队稳定。利润可以少拿，用户入口可以不抢，很多热门方向可以不做，但核心研究团队不能散。钱和设备相对更容易重新获得，团队长期形成的共识和协作方式最难复制。

我们愿意帮助生态里的其他公司，包括潜在竞争者。既然模型开源，就应该尽量让别人能够复现。这不会削弱我们的核心利益，因为我们没有把价值建立在别人永远学不会上。

但我们的业务边界会很窄。我们只做提高智能上限的主线：语言模型、思维链、Agent、持续学习，以及之后的自我迭代。视频生成在商业上可能很好，但我不认为它是当前提高智能上限的关键，所以不会因为市场热就投入。

多模态最终要做，对产品也很重要，但它更像组件，不是智能主线本身。把任务范围缩小到语言，并不妨碍先验证学习算法和智能上限。

我们和美国最明显的差距不是智力，而是资源。人才本来就是同一批人，有人留在国内，有人去海外，并不是最聪明的人全部只会去一个地方。

但算力少会反过来影响人才。研究人员能做的实验更少，能够训练和验证的规模更小，成长速度就会受影响。所以你看到的人才差距、模型差距和应用差距，很多都可以追溯到算力和资本投入。

我们不会在根本负担不起的模型规模上硬和美国竞争。更合理的做法，是先把当前激活规模里的问题研究清楚，再随着资源增加进入更大的尺度。如果一次训练把全部资源耗完，却没有足够实验支撑，那不是有效研究。

长期看，模型竞争最后主要落在三个差异：成本、时间和用户体验。同等质量的服务能做到多低，早几个月还是晚几个月做出来，往往比一时的模型名字更本质。

如果现在规划商业化，很容易得出广告、电商、本地生活、超级入口这些答案。但模型进步太快，产品形态的生命周期很短。现在花大量精力设计几年后的商业闭环，可能技术一变，整套假设都失效。

过去几年任何时候，把更多资源放到模型能力上，收益都比扩充产品线高。至少在我们能看到的未来，彻底转向商业化还很远。我们一直有 C 端和 B 端收入，但不会让这些收入反过来决定全部研究方向。

公司重大决策也不是我一个人命令下去。我要先寻找共识，看看大家是否认为问题重要、是否愿意做。我可以提出倾向、推动讨论，但如果没有共识，很难靠个人权威长期推动。

过去国产芯片最难的问题不是硬件完全不能算，而是买回来以后缺少英伟达那套成熟生态。现在条件在变化：AI 可以写代码，高级编译语言也让底层程序不必全部用很重的方式手写。

我们做 TileLang 这类高级编译层，希望用更少代码描述计算，再适配不同硬件。如果这条路成立，国产卡的软件生态可以更快补齐，短期真正困难的可能变成产能，而不是能不能写出软件。

我们会参与国产硬件适配，但不希望把上游和下游所有东西都自己做。AI 足够大，我们只要把最核心、最擅长的一块做好，不必把所有价值链都拿走。

训练集群我们会自己建设，这是模型公司的核心基础设施。但要不要自研芯片，取决于收益。如果市场能以合理价格提供合适芯片，没有必要为了完整而完整。

我们相信 Scaling，目前没有看到墙。模型规模不是因为我判断“到这里就够了”，而是由手里有多少算力倒推出来。硅谷讨论 Scaling 是否到头，是因为他们已经走得更远；国内很多团队连那个规模都还没有真正触碰。

我们特别在乎计算效率，是因为低成本同时解决三个问题：用户更负担得起；国产算力紧张时能提供更多服务；同样卡量下可以训练更大的模型。低成本不是最后营销出来的结果，而是架构和算法一开始就追求的方向。

如果一家公司的愿景是拿走 AI 价值里非常大的比例，它最终会遇到愿意少拿一点的竞争者。反过来，如果拿得太少，公司又活不下去。市场最后会找到一个合理利润区间。

我们的管理有两条线。发模型、上线服务、完成正式项目时，需要自上而下拆分任务，大家按计划协同。但正式工作最好不要占满一个人的全部时间，剩下时间由研究人员自己选择问题，没有预设 KPI。

所以有人觉得我们是自上而下，有人觉得我们是自下而上，我认为两个判断都对。正式项目保证交付，自由探索保证研究活力。我们不鼓励长期加班，一是研究需要松弛环境，二是主动少做很多事以后，任务总量本来就会下降。

现在没有人能给出可靠时间表。持续学习不是一项独立技术，更像一个由很多问题组成的目标：模型怎么保存经验、怎么更新知识、怎么避免学新忘旧、怎么在长期任务中形成有效状态。算法和工程都要参与。

投资人现在看到最多的是 Agent，研究人员往前看，关注得更多的是学习本身。全世界都在研究，我们也有一些看起来有希望的思路，但没有一条已经被证明真正有效。

我们最希望下一代模型先对 DeepSeek 自己有用，让它进入研究、编码和实验流程，帮助我们更快研发下一代模型。如果它对我们自己足够有用，通常也会对外部用户有用。

我认为模型可以在已有知识基础上产生人类没有给出的新结果。真实数据、仿真数据和自生成数据不会只有一种正确组合，关键是它们能不能提供有效学习信号。

算力落后是事实。我们能做的，一是接受模型尺寸和时间上的阶段差距；二是利用后发知识减少试错；三是把效率做高。下一步不是在资源明显不足时喊全面超越，而是缩短时间差，并在少数重点方向实现局部领先。

国产硬件的软件生态可以通过编译层和 AI 写代码逐步补齐，但产能不是写更多软件就能立刻解决的。当前几年仍可能受限，长期我相对乐观。

前沿研究早期不一定需要先建一个很重的项目。很多想法只需要少量算力和小实验，需要的是很多人持续思考。真正大量消耗人和卡的，是训练、发版、效率实验和数据工作。

幻觉可以通过更好的后训练持续改善，是一个能解、但很长的问题。高质量数据更现实、更昂贵。高端标注既需要专业人员，也需要长期流程，资本可以增加投入，却不能把需要一年的能力建设压缩成一个月。

中国模型更可能在成本和产品体验上形成结构优势。成本上，我们会把效率当作核心问题；产品上，中国互联网公司的工程和用户能力不一定比美国弱。除此以外，我不会轻易声称存在很多天然优势。

现在国内更合理的顺序是先做通用 Agent，尤其是 Coding Agent。它覆盖范围广，也能直接帮助我们自己的研发。金融、医疗等垂直 Agent 的优先级暂时更低。

科研目标与资本市场可以同时成立。我们有 C 端用户，也有 B 端服务，商业基础并不是零。即使技术暂时冻结，也可以把 API 服务、稳定性和客户需求做好，形成一家能够生存的公司。

DeepSeek 不是贝尔实验室。我们归根结底是一家公司，必须活下去。区别只是我们选择赚哪些钱、什么时候赚钱、赚多少，以及哪些机会主动让给别人。我们没有一个可以直接复制的组织对象，以后仍会根据实际情况调整。

高级编译语言主要提高开发效率。过去很多算子必须围绕 CUDA 生态写大量底层代码；高级编译语言可以用更少代码重建这套能力，也更容易迁移到不同硬件。

这意味着国产算力的竞争不只发生在晶体管和制程，也发生在编译器、算子库和开发工具上。硬件差距仍然存在，但软件栈不必永远被同一种接口锁定。