愿景驱动：重塑金钱之外的商业组织
最近人工智能行业发生了一件轰动海内外的大事，那就是幻方量化旗下的深度求索（DeepSeek: 专注于通用人工智能研发的中国AI公司）创始人梁文锋在内部投资人会议上长达四个小时的讲话被录音并泄露。这篇长达三万字的发言在网络上迅速流传，也直接导致了梁文锋的愤怒，进而使得DeepSeek暂停了第二轮融资，口头通知所有投资人不会签署任何投资协议。在国内全网对该文件进行清理和下架的背景下，我们有必要对这份最坦诚、最不打官腔的创始人分享进行深度的逻辑拆解，为行业留下一个珍贵的思想备份。
梁文锋在会议的开场就直接给DeepSeek这家公司定了调。他直言不讳地指出，DeepSeek在创立之初，初衷根本就不是为了赚多少钱，或者是为了谋求公司上市。如果最开始的几十个核心员工是奔着发财和上市来的，那他们根本就不会加入这家公司。在他们的逻辑里，这群人是怀着对这个世界极大的善意来做这件事情的，认为这件事情是对人类有用的，是属于金钱以外的追求。很多企业创始人在公开场合都会大谈特谈“改变世界”，绝大多数听众对此早已免疫，甚至觉得这只是一种公关话术。但如果我们深入剖析DeepSeek后面一系列看似违反商业常识的决策，就会发现其底层根源完全契合这个初衷。
梁文锋提到自己年轻时最崇拜的是杰克·韦尔奇（Jack Welch: 通用电气前CEO，以倡导变革和效率著称）。虽然现在回过头来看，韦尔奇当年所说的很多理论和管理方法在当下的商业环境下可能都已经不再适用，但有一点韦尔奇说得非常对，那就是一个公司最核心的资产是愿景。管理一个庞大的组织，靠的绝对不是繁琐的规章制度，而是愿景的驱动。愿景不能只是挂在墙上的口号标语，而是体现在你的实际行动中。DeepSeek并没有传统公司那样的KPI、绩效考核，甚至他们的愿景都没有被正式写成文字，但它却深深根植于每个人的做事方法和对待世界的态度中，即使大家在细节理解上存在微小差异，但大方向是高度一致的。
策略性临在：重构开源与商业的平衡
在明确了愿景驱动的组织架构后，这种理念最直接的体现就是DeepSeek对开源（Open Source: 开放源代码和模型权重供公众使用）的绝对坚持。梁文锋指出，很多同行公司虽然也选择开源，但往往给人一种被迫为之的感觉，并不是他们的初衷。但对于DeepSeek而言，开源就是其本意，并且从公司成立的第一天起，他们就将这件事情想得非常透彻。开源不仅是愿景层面的要求，在商业逻辑上同样具有巨大的潜在好处。
传统的商业认知认为，开源与商业化之间存在着天然的冲突。在软件时代，如果一家公司选择将核心代码开源，那么这个市场的整体规模可能会从几十亿美金迅速缩水到几千万美金。但在AI时代，这个规律被彻底打破了。梁文锋认为，人工智能是人类历史上足够庞大的一个产业，未来甚至可能占据全球GDP的百分之十。面对如此庞大的市场，如果任何一家公司或者个人想着独占，那在客观规律上是完全行不通的。你越是想要吃独食，就越做不成。因此，第一件需要学会的事情就是克制。
为了在如此庞大的市场中生存并取得成功，克制不仅是道德上的选择，更是极具战略眼光的布局。DeepSeek两年前刚刚成立的时候，面临着资金匮乏、算力卡片稀缺、行业知名度几乎为零的窘境。他们就是一群平凡的人凑在一起。而这群平凡人要想做出不平凡的事情，其叙事逻辑与克制、愿景是一脉相承的。在AI这件事上，你不克制就做不成，而开源正是这种克制在公司战略上的核心体现。
只要能把AGI做成，最后产生的整体利益将是无比巨大的，随便分到一点点就足够公司生存和发展，根本不需要在现阶段去精打细算地抢占每一个细分市场的利润。他们的定价逻辑非常明确，那就是只赚取“合理利润”。对于DeepSeek而言，这个合理利润的量化指标非常具体，就是服务器等硬件设备能够在十个月内收回成本。尽管在财务记账上，服务器通常是按照三到五年来进行折旧摊销，但在商业定价上，他们认为十个月收回设备成本就足够了。他们旗下的V3.2 Flash等模型就是严格按照这个标准进行定价的。
这显然不是一个追求利润最大化的价格。梁文锋非常清楚，在目前的模型使用价格区间内，用户的TOKEN消耗需求是没有弹性的。也就是说，即使他们将现有的价格直接翻倍，用户的使用量也不会发生太大的变化，但公司的总收入却能接近翻倍。然而，他们并没有选择这样做。他分享了一个很有意思的内部故事：有一款模型在刚刚推出时，因为担心用户需求量过大导致服务器过载，团队定了一个相对较高的价格，这让团队内部很多员工感到不太高兴。后来，梁文锋决定把价格降到最初的四分之一，公司群里顿时一片欢呼。因为这才是大家花这么多精力把模型做好的目的——让它足够便宜，效果足够好，让全社会的所有人都能毫无负担地用起来。这是团队的动力源泉，也是公司内部心照不宣的共识。虽然这种降价对竞争对手来说可能是一场灾难，但DeepSeek内部是真的为此感到开心。
有人质疑，十个月收回服务器成本的定价，在行业中依然算得上是暴利。梁文锋也坦承，随着模型本身的持续优化，其实还有进一步降价的空间。但为什么现在没有继续往下压低价格呢？因为他们评估发现，在这个价格线之下，价格再降低，用户的需求量并不会出现爆发式的增长，现在的价格已经是所有人都能轻松负担得起的了。再降价不仅无法为公司带来足够的研发资金，对于社会整体幸福感的提升也微乎其微。他反复强调，这种克制并不是一时的情怀用事，而是公司最高层面的战略。舍弃眼前的短期暴利，可以为公司换来更长远的凝聚力和社会声誉。对外让用户高兴，对内让员工有成就感，从长远来看，这极大地增加了做成通用人工智能的概率。
阶梯式演进：通往AGI的清晰路线图
在去年春节期间，DeepSeek突然在互联网上爆火，但他们并没有顺应常规的商业逻辑去疯狂地做用户留存、流量变现或抢占C端商业利益，更没有想过要把自己包装成下一个超级应用去和行业巨头拼个你死我活。梁文锋将这称为“不要在前面抢芝麻，而丢了后面的西瓜”。在AI发展的早期阶段，前面的机会可能都只是微不足道的芝麻，更大的西瓜还在后面。
回过头来看，去年没有在C端应用上过度发力是一个极为正确的决定。对于C端的日活跃用户量，梁文锋认为这只是顺手捡起来的小事，公司目前只是用极低的成本维持着这部分用户，将其作为一种纯粹的成本支出，为未来的生态布局做准备。而在B端API服务方面，如果市场的需求持续扩大，并且公司能够顺利买到更多的显卡，那么今年实现几个亿美金的年度经常性收入（Annual Recurring Revenue: 衡量SaaS或订阅制业务健康度的关键指标）是完全有可能的。到了那个节点，公司的现金流就可以实现回正，完全可以覆盖研发成本和日常运营费用。但这依然不是他们的第一优先事项，因为更大的技术奇点还在后面。
关于大模型是否会一直保持开源，梁文锋给出了肯定的答复。他坦言，自己目前看不到闭源模型有什么必然的护城河。即使如字节跳动等大厂的模型选择闭源，他也没有看到闭源给他们带来了什么实质性的好处。事实上，即使DeepSeek开源了所有的模型权重和技术细节，其行业门槛依然高得吓人，其他企业想要在实际业务中部署并用好这些模型依然非常困难，而要把部署和运行的成本做到像DeepSeek一样低，更是难上加难。
这并不是说开源了技术，别人就能立刻复制你所有的工程优化。原理大家都懂，但是有没有意愿和能力去组织人力把成本抠到极致，是另一回事。大公司受制于复杂的管理流程和部门利益，创业公司又因为规模太小而缺乏足够的工程力量，而DeepSeek目前的规模刚好处于这个工程优化的“甜区”。他们将API定价锁定在十个月回本的线，这使得任何想要把开源模型拿去独立部署并提供第三方服务的企业都无利可图，因为第三方的工程能力无法达到同样的低成本。在只赚取合理利润的前提下，开源并不会对DeepSeek的商业模式造成任何实质性冲击。
对于行业大厂利用流量优势部署DeepSeek开源模型来抢夺C端用户的担忧，梁文锋表示完全没有必要担心。在过去的一整年里，他们的模型在C端基本上就是事实上的开源状态，双方并没有发生冲突。DeepSeek开源的模型与他们自己内部使用的模型完全一致，绝对不会玩“开源阉割版、好东西留给自己”的套路。他甚至希望大家都能把这些模型部署起来，公司愿意尽可能为开源社区提供帮助，他们唯一的担心是别人部署不好，导致最终呈现出来的效果差、运行成本高，从而砸了开源模型的招牌。
在谈到通用人工智能（Artificial General Intelligence: 具备人类同等或超越人类的跨领域自主学习与问题解决能力的AI系统）的路线图时，梁文锋给出了非常清晰的阐述。他认为，虽然每个人对AGI的定义各有不同，但这并不影响大家将其作为共同的奋斗目标。从技术路径来看，当前的AI系统在上下文和指令完整的情况下，在局限的领域内其实已经超越了人类。但当前的瓶颈在于，我们不可能在所有场景下都给AI提供完美的、长达几十年的背景上下文。AI目前最缺乏的是“持续学习”的能力。
招募一个新员工，他只需要花两个月的时间去熟悉公司的环境、业务流程和人际关系，就能立刻上手工作。你对他说“让小王过来一下”，他能立刻理解小王是谁。但如果你对当前的AI说同样的话，你必须在提示词里塞满关于小王的背景信息：小王是谁、什么职务、在哪个部门、用什么方式联系。如果AI能够像人类一样，具备持续学习的能力，在公司里“旁听”两个月，那它就能真正开始替代许多繁重的人类工作。
AI的技术演进是阶梯式的，每一步都要站在前人的肩膀上：
- 思维链（Chain of Thought: 通过让模型输出中间推理步骤来提升复杂逻辑推理能力的技术）：这是去年技术演进的阶梯，通过让模型在输出前进行自我思考，智能的上限被显著拉高，在数学竞赛和代码编写上已经超越了普通人类的极限。
- 智能体（Agent: 能够自主规划、调用工具并执行复杂任务的AI实体）：这是今年正在跨越的阶梯，它的能力边界更宽，智能上限更高。
- 持续学习（Continuous Learning: 模型在部署后能根据新数据和环境变化进行实时、增量更新而不会遗忘旧知识的能力）：当Agent的阶梯走完后，行业依然无法直接抵达AGI，必须攻克持续学习这一难关。
- 技术奇点（Singularity: 技术发展呈指数级爆炸，AI开始自主设计和迭代下一代AI的临界点）：一旦持续学习的问题解决，AI将能够自主研究、自主迭代更先进的版本。
- 具身智能（Embodied Intelligence: 将AI大脑与物理身体结合，使其能在物理世界中感知并交互的技术）：在奇点之后，具身智能的开发将变得非常轻松，因为届时AI自己就能解决机器人的控制和学习问题。如果倒过来先做具身智能，那将是一个极其痛苦和缓慢的硬件与算法泥潭。
算力博弈：中美算力差距与芯片破局
当其他公司为了短期的To B营收或者C端应用在市场上拼杀时，DeepSeek依然将绝大部分精力放在这条AGI主线和下一步的技术突破上。梁文锋指出了一个商业上的悖论：你越是急功近利地想要得到某种东西，往往越是得不到；而当你把注意力放在更高维度的目标上时，低维度的问题反而会迎刃而解。正是因为他们一心盯着AGI，在做C端和B端业务时反而不需要耗费太多的心机，这是一种技术高位对低维市场的降维打击。
为了实现这个目标，DeepSeek核心的利益其实只有一点，那就是保持团队的绝对稳定性。只要这支能够高效协作的团队不散，持续沿着既定的路线走下去，钱和资源在长跑中都不会成为瓶颈。在最近一轮融资之后，团队老员工拿到的期权金额已经非常可观，这在很大程度上解除了核心团队成员的后顾之忧。因为大部分优秀的科研人员来这里，并不是纯粹为了高薪，而是看中了这里能够心无旁骛研究AGI的科研环境。这也是为什么DeepSeek的人才流动率一直显著低于同行的原因。
除了团队稳定，其他的一切利益在DeepSeek看来都是可以妥协和克制的。他们不希望与任何国内大厂或创业公司成为竞争对手，而是希望扮演一个赋能者的角色。无论是阿里巴巴，还是智谱AI、月之暗面，只要对方有需要，DeepSeek都愿意分享自己的复现经验。他们自己则会高度聚焦在GPT、CoT和Agent这条智能主线上，对于3D重建、视频生成等虽然看起来很酷、在商业上也很赚钱，但被评估为与智能主线关系不大的分支领域，他们会坚决地予以砍掉。
谈及中美在AI领域的差距，梁文锋表现得非常客观和坦诚。他认为，双方在人才层面的差距其实微乎其微，因为在硅谷大厂做研究的和在国内做研究的，本质上都是同一批华人工程师。真正的差距在于底层的计算资源，也就是芯片。而人才的成长速度，在很大程度上也是由算力资源决定的，因为算力越少，科研人员能够动手做的实验就越少，人才的迭代和成长自然就慢。
目前，DeepSeek拥有大约两万张英伟达H系列等效算力卡，其中绝大部分都是在最近一两个月内才陆续到货的，未来几个月还会有大批量的机器陆续抵达。他们的策略非常简单：在价格合理的前提下，融资拿到的钱有多少就买多少卡，把资金转化成英伟达的显卡，比放在银行里吃两个点的利息要划算得多，因为显卡只要跑起来提供服务，十个月就能收回成本。
在具体的模型参数规模上，中美之间存在着数量级的差距。美国最顶尖的闭源模型激活参数已经达到了八百B（800 Billion: 八千亿参数规模）的量别，而国内普遍还在几十B的规模徘徊。要训练一个八百B激活参数的模型，至少需要五万张英伟达最新的GB300芯片，或者二十万张华为的昇腾芯片，这还仅仅是训练所需的基建，没有算上日常研究所需的消耗。在资源受限的现实下，DeepSeek选择在自己能负担得起的几十B规模上做深度的架构实验，而不是盲目地去和美国巨头硬拼参数量。他们的目标是用美国二十分之一的算力，通过算法优化把模型性能做出来，将中美两年的技术代差逐步缩短到六个月甚至三个月。
生态重构：国产芯片与计算效率革命
在底层算力面临外部制约的背景下，国产AI芯片的发展成为绕不开的话题。梁文锋认为，当前正处于一个历史性的破局机遇期。过去，国产AI芯片面临的最大掣肘并不是硬件性能本身，而是围绕英伟达统一计算设备架构（Compute Unified Device Architecture: 英伟达推出的通用并行计算平台和编程模型）所构建的强大软件生态，导致买回来的国产卡很难在实际开发中用起来。
然而，CUDA的护城河目前正在快速瓦解，这主要得益于三个核心因素：
- AI辅助编程：有了大模型的帮助，编写和构建适配国产芯片的底层软件生态变得比以前容易了几个数量级，AI可以自动重写大量的底层兼容代码。
- TileLang自研语言：DeepSeek自研了TileLang（TileLang: DeepSeek开源的用于编写高性能GPU算子的领域特定语言），这使得他们可以绕过复杂的CUDA生态，快速将底层算子全部重写一遍。
- 市场结构的改变：原本CUDA是依托于海量的游戏显卡市场建立起来的，但现在纯计算卡的市场规模已经远远超越了游戏卡，未来算力芯片将与游戏卡彻底解耦，CUDA生态的历史惯性正在减弱。
梁文锋判断，在一年之内，国产芯片的软件生态问题将得到彻底解决，剩下的唯一瓶颈就是芯片制造的物理产能。目前，DeepSeek主要与华为开展深度合作，华为为其提供了大约一万六千张昇腾芯片的产能。虽然这个数量相比于互联网大厂动辄十几万张的采购量来说并不大，但这几乎已经是华为目前的产能极限。这一万六千张华为950芯片在算力上大约仅相当于四千张英伟达B系列显卡，虽然不足以训练下一代超大规模的模型，但其核心意义在于帮助华为在实际业务中把底层生态彻底跑通。
在训练V3模型时，DeepSeek就已经在尝试脱离英伟达的软件生态。他们虽然使用的是英伟达的显卡，但底层跑的却是自己写的TileLang，几乎没有依赖英伟达的CUDA。这意味着，未来这套系统只需要在华为的芯片上重新跑一遍，就能无缝完成适配。虽然目前四张华为芯片的性能才勉强抵得上一张英伟达最新显卡，在时间上存在约两年的技术代差，但生态上的鸿沟已经不复存在。对于是否会走上自研芯片的道路，梁文锋表示并不希望这样做，就像开电厂不需要自己造发电机一样，公司应该始终专注于自己最核心的算法研发。
效率哲学：极致成本控制与平衡管理
对于大模型在To B市场的商业化前景，梁文锋表现得十分冷静。他认为在现有的技术水平下，企业端的需求是有物理上限的，虽然短期内会快速增长，但绝不是无限的。限制To B业务规模的，最终是实际的业务需求，而不是算力。在多模态方向上，DeepSeek一直在持续投入，未来的新版本也将支持原生多模态，但他们将多模态定位为类似搜索一样的配套组件，而不是智能主线本身。
在Scaling Law（缩放定律）上，DeepSeek依然是坚定的信徒。他们深知模型规模越大，能够解锁的智能上限就越高。目前阻止他们继续扩大模型参数规模的唯一原因就是卡片不够。硅谷之所以有声音在唱衰Scaling Law，是因为他们已经走到了算力的物理极限，而对于算力紧缺的中国公司而言，大家离那个极限还非常遥远。
DeepSeek之所以如此偏执地去优化模型的计算效率，同样源于其初衷。许多以利润为导向的商业公司，在底层其实并没有动力去追求极致的效率，因为运行成本降低了，他们反而无法向客户收取高额的算力溢价。但DeepSeek的工程师大多是务实的普通人，深知算力的昂贵，也知道中国算力资源的紧缺，因此天然具有一种同理心，希望把模型成本降下来，让所有人都能用得起。
在利润的分配哲学上，梁文锋提出了一个非常深刻的观点：如果AI在未来能够占据GDP的百分之二十，而你的公司愿景是独占其中的百分之五，那么你注定会走向失败，因为你一定会被那些只要求百分之一利润的挑战者打败。而当有人只要百分之一时，又会有只要求千分之一的竞争对手跳出来。在如此宏大的技术变革中，愿景里想要拿得越多的人，面临的社会和行业阻力就越大，反而容易先输掉比赛。
在公司内部的管理架构上，DeepSeek实行了独特的双轨制。一条是自上而下的“正事”线，比如发布新模型时的跨部门协作，这部分工作在管理上被要求不能占用员工超过一半的时间。另一半时间则完全交由员工自下而上地自由探索，只要公司的算力能够支持，员工想研究什么就研究什么，不需要繁琐的审批和协调。公司内部也极少提倡加班，因为做基础研究需要极其松弛的心态，高压的环境只会扼杀创造力。
面对投资人关于幻觉、数据标注以及持续学习突破时间的尖锐提问，梁文锋直言，目前全球在持续学习上都还没有找到完美的解决方案。他们做新模型的首要目标，不是为了让外部用户觉得好用，而是为了让DeepSeek自己的研究员觉得好用，让AI能够先帮自己写代码、做研究，这是通往AGI最快的捷径。在现阶段的垂直应用上，DeepSeek将全力以赴做好Coding Agent，这比急于去医疗、金融等行业变现要务实得多。这种极致的战略清醒，让DeepSeek在波诡云谲的AI浪潮中，始终能够保持特立独行的步伐，坚定地走向AGI的终点。