DeepSeek创始人梁文锋四小时投资人会议实录（三）
[01:26:41]
如果我半年之内就把这个钱花完的话，可能是最理想的。因为我把钱变成英伟达卡，肯定是⽐放在银⾏⾥⾯好。放银⾏⾥⾯，我现在已经可能是存两个点，好像就要。但是买英伟达卡，⼗个⽉的社会成本。
所以肯定是你能买到多少就买到多少。最先如果买了卡之后，后⾯我有很多空间，我通过提供服务或者我怎么样，我总是能够有现⾦流的。我有现⾦流我就可以活，我就不需要在我账上⾯放很多很多钱。
所以说，我们只担⼼买不到那么多卡。如果能够把钱都变成卡的话，那我们会毫不犹豫把所有的钱都变成卡，并且在这⾥⾯我们是愿意付⼀定的溢价的。就是我们愿意付⼀定的溢价去把它变成卡，因为这太划算了。
哪怕我们在付完溢价之后，其实我们也很难实现这个⽬标。那么客观上来讲，如果说我今年能够花掉两百亿，那么就属于我们的采购部门业绩超级好了。
我们跟美国的差距主要在资源上⾯，然后⼈上⾯差距不是很⼤的。⼈上⾯⼏乎没有差距，因为就是同⼀批⼈，可能是中国⼈。中国⼈出去的时候，有⼀些⼈留在国内，有些⼈留在国外，有些⼈去国外，他并没有说是聪明的⼈去国外，没有的。
其实它是⽐较随机的。最聪明的那些⼈，可能不是说⼀半多⼀点去国外的，但有⼀半少⼀点留在国内。国内⼈才是不缺的，⽽且我们的基数⼤，我们每年有那么多⼈的补充。
⼈才不是瓶颈，资源是最⼤的瓶颈。资源⾸先影响到⼈才培养，因为算⼒少，我们能做的实验机会⽐较少，所以我们的⼈才整体上⽐美国有差距。⼈才的差距，本质上也是因为算⼒的差距。
在现在最⼤的模型上，我们其实训不起的。我们哪怕把五百亿全花掉，其实也训不起。哪怕能堆起来也⽤不起。现在最⼤的模型，它激活⼤概是⼋百 B；国内的话，我们还在⼏⼗B 的这个规模，国内最⼤模型可能就⼏⼗ B 激活，那么差⼀个数量级。
如果我要训练跟 AI 同样⼤的模型，应该需要五万张 GB300，或者华为 950，⼆⼗万卡。
这只是训练，还没有考虑做研究。所以我们跟美国之间最⼤的差距是在资源上⾯。
我们现在的资源，以及我们今年之内、接下来⼏个⽉的资源，包括⻢上⼤资源，也只⾜够我们在⼗ B 激活的这个规模⾥⾯去做更多的实验。因为我在⼏⼗ B 激活的这个规模⾥⾯，还有很多实验要做，还有很多事情需要搞清楚的。我们应该离能够训⼋百 B 的模型还⽐较远，时间还⾮常多，没有那么多卡。
所以我们跟美国的区别，我认为就是资源上的区别。我们可能会认为，我们看到的所有区别，包括⼈才的区别、模型能⼒的区别、应⽤的区别，可以认为都是因为算⼒资源上的区别。
算⼒资源⼀⽅⾯是国内本⾝卡就买不到，另外⼀⽅⾯是我们的资本投⼊⽐美国要少。我们在资本投⼊层⾯上少了很多，基于⼈才的⼯资在这⾥⾯占的⽐重是很低的。你看他们开的薪⽔⼀个亿美⾦这种，但算起来，⼈才的薪⽔还是占⽐很少，⼤头还是算⼒。
这个问题⽬前基本上⽆解，因为华为的产量也是有限的。因为我要训⼋百 B 的话，我就得⼆⼗万张华为最新的卡，这只是训练，还没有考虑做研究。
所以我们现在根本就不会考虑，到这么⼤的⼀个规模上去跟美国竞争。我们现在输，还是在我们能够训练得起、能够⽤得起的规模上，就⼏⼗ B 激活的规模上要先把它做好。再等下⼀步有更多的资源的时候，再把它做到⼀百五⼗ B、⼀百五⼗六 B，或者两百五⼗ B激活的这个规模。
所以我们跟美国在这⾥⾯有⼀个⽬前看起来很难弥补的差距。你要硬要训那么⼤模型也是能训，但是你没法做充分的研究。就是你在训之前，没法做充分的研究。
还有个⼤家⽐较关⼼的问题是，所有⼤模型竞争，它终局的差距会体现在什么地⽅？就是当⼤模型最终差距会体现在哪⾥？我觉得这个差距最终可能是没有太⼤差距的。
最终的差距应该是三⽅⾯：⼀⽅⾯成本，⼀⽅⾯时间，⼀⽅⾯⽤户体验。除此以外，可能是没有什么差距的。
成本⽐较好理解，你提供同样的服务、同样质量的服务，你能够以什么成本来提供。同样⼀件服务，不如说⽐亚迪的电池，在同等技术量的情况下，其他家是不是能够按照这个价格来提供，我觉得这个是个较难的事情。不是那么容易做到的，肯定是壁垒。
所以成本肯定是⼀个差异，我觉得可能成本是排在第⼀位的区别。然后第⼆个就是时间，你什么时候能够做到。你早⼏个⽉、晚⼏个⽉，它就不⼀样了。
第三个可能是体验，⽤户体验还是有些不⼀样的。这个⽤户中间还是会有⼀些⽤户粘性和⽤户壁垒的，但它可能不本质。本质还是第⼀个成本，第⼆个时间。你先做出来还是后做出来，你做到同样东⻄，是快点还是慢⼀点。
⻓期商业化路径和产品线进⼀步丰富后，怎么定价？我们觉得现在最值得做、最值得花精⼒的，还是做 AGI。现在要把 AGI 往前再往前推，就是把智能的下限往上推，往前推。
这个应该是在现阶段，⽐做更多的产品线、考虑更多商业化路径更划算，或者说它是⼀个收益更⼤的路径。我觉得在未来的⼀段时间，以及过去的任何⼀段时间，可能都是这样的。就是说，如果说我们
[01:39:46]
我们花了很多时间去思考，丰富我们的产品有什么⽤吗？
半年前讨论出来的商业化是什么？⼀定是我要去做⼴告，然后我要去做电商，我要去在产品⾥⾯植⼊电商，然后要跟本地⽣活什么很⼤⼀体。肯定没⽤的，因为变化太快了。你这个产品，如果说你在前⾯，或者我们现在这个阶段，去花很多时间做商业化考虑、商业化路径，产品线它⽣命周期很短。
我觉得没有到这个时候。这是我们的判断，或者⾄少前⾯的这些经验都是⽀持这个判断的。在过去三年，任何⼀个时候你来跟我说商业化路径、产品线，都是浪费时间，因为你并不能够预测、不能够预⻅未来。你能够预⻅的是很少的。
因为我看时间，不知道⼤家要中场休息⼀下吗？要先吃点东⻄吗？还是我们继续聊？⼤家没有意⻅，我就继续说。
在做全球领先的 AGI 研究，并在适当时候进⾏商业化。我觉得我们⼀直在做商业化，我认为⼀直在做商业化，只是没有以商业化为⽬标。我们是以 AGI 为⽬标，但是我们⼀直在做商业化，所以我们才有 C 端的⽤户，才有 B 端的收⼊。
从历史经验来看，这个策略是成功的。然后我觉得，我们离彻底转向商业化的时间点，应该是很遥远的。所以最⼤的还是技术的延伸，然后做下⼀代的技术，更多地解决现在的问题。这些收益⽐，我个⼈觉得，就在现在能看到的未来，在任何⼀个时候你聚焦在产品上都太早了。
所以这也是我们克制的⼀部分。我希望这些商业机会能够让其他⼈来做，我们希望这些商业机会、怎么⽤这个 AI，是整个社会、我们所有的合作伙伴⼀起来做，⼤家⼀起来分享这个收益，⽽不是我想独吞，这不可能。⽽且我们没有那么多精⼒，我们的组织也没有那么多⼈去做这个事情。
对于合作伙伴，其实我们这个融资是精⼼挑选的。具体怎么合作的这个提议，但⾸先我觉得，利益是⽐较⼀致的，就是跟我们利益最⼀致的、对我们最没有敌意的，或者说最希望我们能够做成功的。不是所有⼈都希望我们能做成功的，因为我们还是损害了很多其他⼈的利益的。
公司重⼤战略、技术业务决定的流程和决策机制。我们公司整体上是建⽴在共识的基础上的，我并不是说我⼀个⼈决定所有事情，⽽是我要寻求共识。我在公司内的权威以及在公司内的影响⼒，是建⽴在共识的基础上的。
⽐如说我要做⼀个事情，我肯定是先看我们⼤家的共识是什么，⼤家想不想做。然后有可能我会有⼀些引导或者倾向，但是这引导的作⽤是有限的，引导的作⽤是⾮常有限的，还是建⽴在⼀个共识的基础上。这个决策机制其实是⼀种寻求共识的机制，这并不是说我能够推动⼀个什么事情，它⼀定是共识，我才能够推得下去，然后我才会去推。
⽬前主要精⼒基本上都在 DeepSeek 这边。我们休息五分钟。我快点写。⼤家可以开⻨，给我⼀点反馈。我们这边没问题，要不然先休息五分钟。
各家模型最终效果拉开差距，应该是⼀个综合上的。⽐较模型效果，肯定是得在相同的成本上来⽐较，这个才是有意义的。因为你⽐较两辆⻋，也是同价位的⻋来⽐较。
做得好的模型跟做得差的模型，这个差别应该不是在具体某个环节，它应该是整体上的。Anthropic 跟现在超过 OpenAI，这是不是⻓期的？我觉得这不是⻓期的，这肯定是极端性的。OpenAI 和 Google，未来⼤概率还是会交替上升，应该是会交替上升。其实现在Anthropic 在 Code Agent 上的优势没有那么⼤，其实并没有说它碾压 OpenAI。
我们公司可能有⼀半的⼈，平时有⼀半的⼈觉得 OpenAI 是更好的。其实 Anthropic 它有先发优势，但这先发优势应该很快就没了，并不是⼀个它能够⻓期占得住的优势。⼤家这三家都很厉害，这三家⾥⾯的效率是最⾼的，它花的成本、它花掉的、它烧掉的钱应该是最少的。
在全球 AI 中主导分⼯的时候，中国公司很有可能扮演的⼀个⾓⾊还是产量最⼤。常理来讲，我们的产能最⼤，包括芯⽚，芯⽚可能我们的产能最⼤，我们的电⼒最多，所以我们的 AI 最终很有可能我们是三体之⼀。
中国⼈会把这产品做到最便宜，然后再在效果上，毕竟国外的商品，现在很多商品中国产跟美国差并没有太⼤的区别。未来可能 AI 也是这样，但是中国产的 AI 可能价格会更便宜。这个便宜可能是系统性的低，就跟其他⾏业中国提供的服务更便宜可能是⼀样的。
我要做事情的时候，我习惯的思考是：我现在这个时候做什么收益最⼤？如果说我觉得现在做产品收益最⼤，我觉得去做产品；如果说我觉得现在把 AGI 先实现收益最⼤，那我就是先去做 AGI。显然，我觉得现在做产品不是收益最⼤的。
如果你是国产卡适配的问题，国产卡现在其实是有⼀个历史性的机遇的。因为之前国产卡适配有⼀个难题，叫⽣态不好。就买了卡之后，但是⽤不起来，它没有英伟达那个⽣态。所以说英伟达的护城河是很强的。
但是这个事情在发⽣变化。英伟达 CUDA 的护城河在快速地被⽡解，快速被⽡解的原因可能是有三⽅⾯。⼀⽅⾯是现在有了 AI，然后有了 AI 之后，我要建⽴起这个⽣态⽐以前容易很多了，因为 AI 可以写代码。
[01:56:36]
我可以⽤ AI 来构建这个⽣态，就可以把跟英伟达⼀模⼀样的⽣态构建出来。第⼀个，因为有 AI；第⼆个，有⼀些新的技术。⽐如说，我们家出了⼀个技术，叫 TileLang，是⼀种⾼级语⾔。
⽤这个⾼级语⾔来写 CUDA 的算⼦，可以很快地把英伟达的整套⽣态全部都写⼀遍，再结合 AI，这个看起来没有什么障碍。但是现在还没有完成，还没有做完，不过这个技术路线看起来是没有什么障碍的。
还有⼀点，因为 CUDA，英伟达它是从游戏卡演变出来的，所以它在很多地⽅，游戏卡的设计跟游戏卡的设置是⼀脉相承的。CUDA 是兼容游戏卡的。以前因为 AI 计算是⼀个很⼩的领域，⽐游戏卡的市场要⼩，所以这样是合理的。
但是现在计算卡的市场已经⽐游戏卡更⼤了，就没有理由这两个还需要耦合起来。现在的趋势是，以后就不再耦合了。那么专⽤芯⽚，不管是华为还是英伟达⾃⼰，以后都是专⽤芯⽚，都不是之前的这些东⻄了。
在这个背景下，原来英伟达⽣态的作⽤就⼤幅度减少了。因为对于⼀个专⽤芯⽚来讲，跟CUDA 没有什么关系，它跟 CUDA 是不绑定的。或者说，这个芯⽚在设计的时候，就已经考虑到怎么建⽴这个⽣态了。
有点复杂，但 anyway，国产 AI 芯⽚替代现在是有个历史性机会的。我们认为，未来⼀年之内，我们能够看到有⼀个事情被验证：国产芯⽚的⽣态完全没有问题。之前认为是有问题的，认为是⽤不起来、不好⽤，但是未来我觉得⼀年之内，我们能够扭转这个认知，或者会⽤事实来扭转这些。
国产 AI 芯⽚的硬件和⽣态都没有问题，唯⼀有问题的是产能不够。国产卡适配这⼀点，没有障碍，英伟达挡不住。如果是在⼀个正常的商业环境⾥⾯，我能买到英伟达的卡，那么国产替代是⽐较难的；但是在英伟达的卡买不到的情况下，所有⼈都迫不得已，都要去做国产芯⽚。
在这个背景下，国产卡的适配是没有任何障碍的。国产卡建⽴起跟英伟达⼀样、甚⾄⽐英伟达还好的⽣态，我觉得没有障碍，但还需要时间。
我们现在主要是跟华为有合作。华为他们⾃⼰适配，但我们⾃⼰会参与这个⽣态，会深⼊参与到华为这个⾥⾯去。华为的问题还是产能不⾜。像华为给我们的⼤概是⼀万六千张卡的产能，互联⽹⼤⼚可能是⼗⼏万张，我们⼀万多张，我觉得这个⽐例也是⽐较……但这已经可能是华为就这么多产能了。
所以我们也没法指望在华为上⾯训后⾯那个更⼤的模型，或者说训练⼏百 B 参数激活的模型，有时就有说在今年。但是明年、后年说不定是有机会的。
华为卡适配，我们主要做的⼯作是把它的⾼级语⾔编译器做好，把 TileLang 做好。把TileLang 做好之后，问题可能就迎刃⽽解了。这个事情说起来⽐较复杂，但是我们在做，做完之后再来解释会清晰⽐较多。
你可以理解，V3 训练的时候，它⽤的还是英伟达的卡，但是已经不⽤英伟达的⽣态了。
V3 ⽤英伟达的卡，但是没有⽤英伟达的⽣态，⽽是我们先写⼀个⾼级编译器叫TileLang，然后基于 TileLang 的⽣态来完成其他所有的事情，就已经⼏乎不依赖英伟达的⽣态了。
只要我把这⼀套东⻄，把这个过程重新在华为卡上做⼀遍，那么就完成了。我觉得这⾥可能是⼀个历史性的使命，即可以完全扭转之前⼤家对国产卡⽣态不好的认知。现在有些天时地利基本上都全了，就差时间。我觉得⼀年之内，应该会有很多⼈在上⾯都有，或者说都明⽩这问题算是解决了，剩下就是产能的问题。
我对国产算⼒是⽐较乐观的。我觉得在这⼀点上，英伟达是在掘⾃⼰的坟墓。华为的超节点，华为的 950 超节点，在性能和价格上可以完全平替英伟达的 GB200、GB300。价格肯定要贵，但贵得有限。价格贵百分之五⼗、百分之⼀百，贵百分之⼀百⽆所谓，贵百分之两百都⽆所谓。
⽐如贵百分之⼀百，我觉得已经可以认为在价格上可以平替了。在任务上也是可以平替的，所有 GB300 能做的任务，华为超节点都能做，延时什么都⼀样。唯⼀的代价是，四张华为卡顶⼀张英伟达的卡，同时落后两年。
四张顶⼀张这个可以理解。落后两年的意思是，四张华为 950 能顶⼀张 GB300。落后两年是时间上落后两年。华为 950 超节点是今年 Q3 还是 Q4 的货，英伟达 GB200 是两年前 Q3 的货，差两年。
英伟达今年 Q3 可能已经有新⼀代了。所以我们跟美国在芯⽚上的差距，我认为⽣态上以后不会再有差距，但是在芯⽚上是四倍加两年。
还有问题是，我们会不会向上游进⾏垂直整合？我希望不要。所以有个问题是，我们是不是会往上游应⽤进⾏垂直整合？我们希望不⽤这个，我希望是其他⼈来做这个事情。我不希望我把所有东⻄都吃了，我只要吃⼀块就好，我只要吃我最擅⻓那⼀块，或者我觉得我们⾃⼰认为最核⼼那⼀块，然后跟⽤户
[02:08:18]
直接相关那⼀块，我觉得可能对于我们的很多产业伙伴来讲，他们⽐我们更关注类似……
应该是别⼈的意义，不应该我把它诠释了。
未来我们会不会⾃建⼤型的集群？我觉得⾃建⼤型的集群是肯定要的，我们⾃⼰⼀直在做这个事情，我们所有的集群都是⾃⼰建的。但是未来要不要⾃研芯⽚，我觉得取决于这⾥的收益有多⼤，取决于收益有多⼤。
Tesla、培育……这个事情。假如说你是运营发电⼚的，你并不⼀定需要去造发电机，对不对？发电设备可以是别⼈造的，只要它的价格合理，你为什么要⾃⼰造？
所以，我希望不⽤去做芯⽚。我希望能够以合理的价格买到芯⽚，这样我就不⽤去做芯⽚。我觉得这个很有可能是这样的，就是最近英伟达芯⽚的利润，不⻅得是可以……虽然……
我们希望只做⼀块。我觉得 AI 这个事情很⼤，并不需要我……我只做⼀块。如果聚焦，并且我认为这⾥的⽣意利益已经⾜够⼤，就如果是 AI 时代会产⽣很多家万亿级别的公司，我觉得我们是其中⼀家。
我们⼀直做其中⼀⼩块，我们是其中⼀家已经没有什么问题了，并不需要我……我并不是信⼼勃勃要做地⽅。我觉得最可能是⽐较难变，且你真的想做别的话，你还是会有更多的主意，这个会……这是我们的态度。
譬如说，⾄少在 To B、To C 这两个业务上，⽬前能看到的，真的想做 To C 闭环的，反⽽我们做得好；真的想做 To B 闭环的，说不定也没有我们做得好。你想要得越多……
然后还有，To B 这个可以多说⼏句。To B 业务的上限应该还是需求，在现在这⼀代AGI、AI 技术的背景下，To B 的需求应该是有限的。它会快速增⻓，但并不是⼀个⽆穷⼤的事情，最终还是受制于需求，不是算⼒。
在当前技术的条件下，收⼊有多⼤，最终还是取决于需求。因为你这样想，我⼗个⽉就能收回成本，我肯定是如果有去处，我⼀块买，是因为没有那么多事情。对，需求应该会越来越⼤，如果随着技术持续有突破，这个需求会越来越⼤。
多模态布局，我们⼀直在做。对产品来讲，它很重要；对 C 端⽤户产品来讲，它很重要。但是对智能的上限，它是⼀个组件，它不是主线本⾝。
但是它作为⼀个组件，多模态我们肯定会做，⽽且我们也在做。我们应该会上相关的模型，就是我们 V4、V4 的后续版本会⽀持原⽣的多模态。但是我们对多模态、对智能来讲，它是个组件，我们不把它当作智能本⾝，它的主线跟搜索⼀样。
搜索也是⼀个组件，多模态也可以，我们的理解它也是⼀个组件。Scaling，我们是信Scaling，肯定是规模越⼤，效果越好，能够解锁更多的功能。阻⽌我们 Scaling 的其实就是算⼒，并不是我们不想 Scaling，是我们没有那么多的算⼒去做这个 Scaling。
我们没有触摸到这个上限在哪⾥。我们训练这么⼤的模型，并不是因为我觉得这么⼤的模型就够了，⽽是我刚好有这么多资源。我是按照我的资源来算，我能够接受、能够训练的模型是多⼤，是这样算出来的，并不是这个模型就够了。
⽬前来看，模型收益还是⾮常明显的。我们还没有机会碰到这个 Scaling 的墙，这离我们还很远。硅⾕在说 Scaling 到头的时候，那是对硅⾕来说；对中国⼈来讲，我们离那个还很远，我们根本就没有 Scaling 到那个程度。
这个 Scaling 包括数据的 Scaling、模型规模的 Scaling，然后训练成本。我们离探索这个Scaling 的上限还⽐较远，就是没有那么多算⼒。但我们也会不遗余⼒地去推进这个Scaling 的上限。
包括我们融资完之后，我们有更多的算⼒，可能训练更⼤的模型。时间内买到，就在越短时间内买到；如果能半年精⼒全花完，那么这是最好的，实际上做不到。
下⼀代模型的核⼼能⼒，我觉得它必须要有持续学习的能⼒，它才能叫下⼀代模型。在那之前，我们能做的就是成本，然后效果做得更好，速度做得更快。但是要有⼤突破，它应该是具备持续学习的。
然后还有⼀个问题，就是为什么好像我们特别在乎这个模型的计算效率？因为我确实发现，不是所有⼈都很在乎这个模型的效率。⼀个商业化公司来讲，没有动⼒去追求模型的效率，因为模型效率⾼⼀点……
所以，它没有那么⼤的动⼒去追求模型效率要⾮常⾼。所以⼏个创业公司，他们⾃⼰并不会……你没有听到他们说低成本是他们追求的东⻄，因为那个不符合他们的利益。低成本了，你还赚什么钱？低成本了，你就收不到什么钱了。
相反，这是我们愿景的⼀部分。或者说，我们的愿景，我们的同学在乎这个成本，因为我们的同学都是普通⼈，他知道⽤这个都是要花钱的。他能够有这个同理⼼：别⼈要花钱来⽤，那么别⼈如果便宜⼀点，别⼈能够接受的程度会更⾼。
所以我们有很多同学还是希望我们能够把成本做到更低。但是如果你从商业⾓度讲的话，其实不会这么考虑。从商业来讲……
DeepSeek创始人梁文锋四小时投资人会议实录（一）
DeepSeek创始人梁文锋四小时投资人会议实录（二）
DeepSeek创始人梁文锋四小时投资人会议实录（四）
DeepSeek创始人梁文锋四小时投资人会议实录（五）