DeepSeek创始人梁文锋四小时投资人会议实录（四）
[02:21:31]
从成本或者从商业⾓度讲， 这不是第⼀优先级。
对于不管是创业公司来讲， 还是⼤公司来讲， 这个服务成本根本就不⾼。 但是我觉得我们希望它是⽐较轻的， 我希望它是⼀个负担得起的， 特别是在中国算⼒紧缺的这样的背景 下， 是负担得起的， 能在国产卡上⽤的。
我觉得低成本⾸先是⼀个结果。 我们的模型确实⼀直在模型架构上往⼀个更低成本的⽅向⾛， 这跟我们的愿景有关系。 我们还有很多在算法上的⽅法， 成本还可以往下⾛。
成本往下⾛还有⼀个原因是， 成本越低， 我就越能训练更⼤的模型， 我就越能承担起更⼤的模型。 在同样算⼒上， 在算⼒有限的情况下， 如果我的计算效率更⾼， 我就能够承担起更⼤的模型。
对⼤公司来讲， 他不⼀定会这么考虑。 对⼤公司来讲， 资源是可以加的， 可以通过加资源来解决。 但是我们会优先考虑成本效率。
数据类模型的价值， 数据这个范围⽐较⼴， 数据应该⼏乎就等于模型的⼀半。 为什么我会觉得， 如果我想要那个， 或者假如设 AI 能够占 GDP 的百分之⼆⼗， 然后如果说我想要在这⾥⾯占百分之五， 绝对⾏不通。 因为我肯定会被另外⼀个⼈打败， 如果另外⼀个⼈说我只要占百分之⼀， 那么肯定就会被他打败。
如果说我的⽬标是， 我要占 AI、 全⼈类 GDP 的百分之五， 理论上算这个账还是成⽴的。你看 OpenAI， 他算这个账好像是能算得过来的， 理论上是没问题的。 但是他有个问题，他会被另外⼀个愿意只占百分之⼀的⼈打败。
因为另外⼀个⼈说， 我做得这么好， 但是我只要拿全球 GDP 的百分之⼀就可以了， 那么就会把他打败。 这时候如果⼜出来另外⼀个⼈， 说我只要百分之零点⼀就可以了， 那么⼜会把前⾯的⼈给打败。
从宏观上来讲， 不管这百分之⼏是从哪⾥拿， 彼此之间没有区别， 都是⼀样。 拿得多的⼈会被拿得少的⼈打败。 甚⾄你还不⽤真的拿得多， 愿景如果是拿得多的话， 你就会被愿景是拿得少的⼈给打败。
其实⼤家都没有拿到钱， 然后只是⼀个愿景。 你愿景是拿得多， 你就先输了， 你就会⾯临着更⼤的困难。 这个世界就是这样。
OpenAI 从⼀开始觉得他真的能够垄断这个世界， 但是实际上他会遇到很多很多挑战者。 他会遇到挑战， 他就不会那么轻松。 美国会遇到过的挑战， 那么他在未来可能还会遇到中国的挑战， 因为中国⼈愿意拿得更少， 就可以给你提供这个服务。
在中国， 也会有⼈愿意拿得更少⼀点。 但最后这⾥会有个平衡， 因为你拿得太少之后， 公司商业逻辑就不成⽴， 就活不下去了。 所以你拿得太少了， 你活不下去； 你拿太多了， 你会被拿得少的⼈打败。
所以对我们来讲， 我们并不是利润要拿最多的钱， 或者说算收益最⼤化的定价， ⽽是只赚⼀个合理的收益。 这是⼀个解释。
我是相信这个事的， 我并不是去为这个事情找理由， 因为没必要找理由。 我本来就这么做的， 我这么做肯定是有理由的。 这个理由可能不是⾮常惯常， 但是我觉得公司本来就不惯常。
我们公司的管理其实是两条线： ⼀条线是从上到下， ⼀条是从下到上。 从下⽽上， 就是每个⼈⾃⼰想做什么， ⾃⼰做， 没有⼈管他， 没有 KPI。
从上到下， 就是正式的， 我们要集体做⼀个什么事情， 需要全公司的⼈⼀起来配合。 ⽐如说我们要发 V4， 那么就得分⼯， 每个⼈得做⼀部分。 那个是从上到下， 然后从上到下这个我们叫做正式。
⼀般我们希望这正式不要占⽤员⼯所有时间的⼀半， 就正式不要超过⼀半。 他还有⼀半的时间， 是不被安排的， 他想做什么就做什么。 这是⼀个研究的范围， 让他可以⾃⼰去探 索， 按照他觉得什么重要， 他去探索什么， 没有前置的要求。
只要公司能够⽀持， 公司算⼒能够⽀持他做， 或者说他不需要算⼒， 他需要做得很少， 那么他根本就不⽤来协调。 所以我们现在是这样的⼀个组织⽅式。
有些⼈觉得我们是从上⽽下的， 有些⼈觉得我们是从下⽽上的， 我觉得两个都对。 我的⼀个标准是， 正式最好不要超过⼀半。
我们⼀般也不太加班。 加班有两个原因。 第⼀个是， 做研究是需要⼀个⽐较松弛的环境。你如果逼得很紧， 就没法做研究。 因为既然就是要你⾃⼰有这个兴趣， 你⾃⼰平时要去想这些问题， 所以得是在⼀个⽐较松弛的环境⾥， 才有可能能够探索。 这是⼀个出于研究⽂化的需要。
第⼆个是， 我们⾮常聚焦。 我们⾮常聚焦， 就意味着我们要做的事情很少。 那我就没那么多事情要做， 我就不需要加班。
这个跟前⾯的克制是⼀脉相承的。 因为我克制， 所以很多时候我就不做了。 那么我要做的事情少了， 每个⼈分到的⼯作就少了。 你看到我们的产品很多都不完善的， 我们也没有去补它。
这也是我们的⼀种⽂化。
OK， 因为问题很多， 我⼤部分都扫了⼀遍。 ⼤家还有什么问题， ⼤家提问。
请各位投资⼈⾃由开⻨交流吧。 我稍微提醒⼀下， 梁⽂锋讲了很多⼀些⽐较敏感的信息， 请⼤家千万不要外传⼀些数字或⼀些情况， 包括卡量什么的。 同时也千万不要录屏对外做分享。 很感谢各位， 请各位有问题的话， ⾃由开⻨交流。
[02:34:59]
杨哥， 您能分享更多关于持续学习什么时候带来突破的时间线吗？ 包括如果实现持续学习， 还需要哪些架构、 算法的创新， 以及其他关键要素？
⼈少， 需要研究。 现在全世界都在研究这个问题。 或者说， 对投资⼈来讲， 现在投资⼈看到的最多的是 AGENT； 但对于我们这些研究的⼈来讲， 现在看到更多的是学习， 以及怎么解决学习这个问题。
其实学习可能不是⼀项技术， 它是⼀个问题。 怎么解决这个问题， 可能有很多种技术， 不是⼀项技术， 它不是⼀个东⻄， 会是很多东⻄。 或者说， AGI 是由很多东⻄组成的， 需要模型， 然后还需要很多其他东⻄。
其实它也是⼀个⼯程和算法问题。 这个问题⽐较专业， 但有很多⽅法， 也有很多研究。
梁总， 谢谢。 ⾮常感谢今天这个机会。 我⾸先⾮常想回应和感激⼀下， 您最开始说的让我⾮常感动， 也给我们很多启发。 您提到， 这个团队带着最⼤的善意， 希望能够在这个⾏业⾥⾯， 对这个社会、 ⼈类智能的发展有所推动， 做⼀点点贡献。
并且在这个⾥⾯， 是带着这种使命感和愿景。 我觉得这跟我们所服务公司的企业⽂化⾮常相近， 就是“修⼰达⼈”。 我深刻地理解了为什么您会带领团队做开源的事情。
我会形象地感觉， 像我们去做⼀个榕树这样的⼩⻦天堂⽣态， 利万物⽽不争， 但这样它就会被⼤家接纳， 万物共⽣共存， 最终就会⽆处不在。 所以， 我们会以这次投资， 同样表达我们对这个使命和愿景的认可、 ⽀持和尊重。
同时， 我们也希望能够在这个产业未来， 我们所擅⻓的⼀些领域等， 去贡献⼀些⼒量。 在这块也想跟您继续请教和探讨。 ⽐如在未来⽣态的共建当中， 现在开源之后， 这个⾏业⾥有多少伙伴、 ⼈才、 团队， 能够⽐较好地复现咱们开源⽬前的⼀些模型和成果？
未来在下⼀步想让这个⽣态进⼀步发展的时候， 您感觉在哪⼏个⽅⾯， 需要更多⾼质量的⼈才能够衔接到我们的模型， 把它复现？ 还是说现在 GPU 的算⼒相对有⼀些稀缺？ ⼤家未来会不会是⼀种模型矩阵的⽅式？
⽐如咱们把⼤模型基模做得越来越好， 各⾏各业的伙伴和团队去做⼀些模型矩阵⾥⾯的垂直⾏业模型， 或者⼀些应⽤模型。 这块⽬前的发展怎么样？ 未来⼀步⼀步， 两年、 三年，您感觉会⻓成⼀个什么样的⽣态？
这是我第⼀个想跟您请教的。 第⼆个， 您刚才也跟很多伙伴分享了很多关于 AI 硬件⽅⾯的观察。 像 AI 全球⼤公司， 可能单体都会做千亿美元级别的投⼊， 中国⽬前看起来在硬件算⼒上有些短板。
您感觉这个多⻓时间可以解决， 并⽀撑咱们 AI 的发展， 让算⼒和硬件短板不给 AGI 拖后腿？ 您觉得这是不是中国⼈未来使命必达， 我们肯定能做出来， 只是时间和资⾦投⼊的问题？
但同时， 可能它会是两⽅⾯的。 ⼀⽅⾯， 模型的进步会让模型智能化的提升， 导致单⼀任务或者某些智能化单体对硬件、 对算⼒的消耗逐渐递减， 不再需要那么⼤算⼒的运算， 因为模型的进步会让它巧算。 我不知道我理解得对不对。
另外⼀⽅⾯， 硬件的技术进步会让算⼒的算能效能更强⼤。 这会不会是两边相向⽽⾏的路径？ 现在如果是在这个时点， ⽤现在的 960 也好， 还是 H200 也好， 去做千亿美元级别的算⼒投⼊， 您刚才提到说您是给它按三年摊销， 那它的实际⽣命周期， 您觉得技术迭代是四五年？
或者直⽩地说， 会不会现在算⼒中⼼按现在的卡去建了万卡集群， 可能三年之后它其实就是相对不那么先进的算⼒了？ 会不会有现阶段是 under construction、 不够⽤， 三年之后变成相对不那么优质的算⼒有冗余的情况？ 我不知道会不会有这样⼀种现象。 以上两个问题请教您， 谢谢。
谢谢。 第⼀个问题是⽣态的问题。
我们现在觉得， 可能每个企业都⾯临的问题是⼈才不够。 但我觉得这个⼈才短缺会是阶段性的。 我们在每个⾏业发展的初期， ⼈才都是不够的。
包括以前做⽹站， 刚开始做⽹站的时候， 做⽹站的⼈很少， ⼈才很缺。 后来互联⽹要做服务端， ⼈才也是很缺的。 但是这种⼈才短缺都⾮常快会被解决， 也就两三年， 因为会培养出⼤量的⼈。
AI ⼈才的短缺也是阶段性的， 并且我们已经看到， ⼤幅度被缓解了。 因为 AI ⼈真的不缺， 每个公司很快会把⼈培养出来， 培养⼈是很快的。 所以， AI 这个⾏业整体上， 不管是⽣态、 模型公司还是什么， ⼈才都不缺。
⼈才缺肯定是⼀个短期现象。 历史上从来没有出现过⻓期缺某⼀类⼈的情况。 我还记得⼗⼏年前说⻜⾏员很缺， ⻜⾏员的培养周期很⻓， 但也很快被解决了。
所以⼤家不⽤担⼼缺⼈才的问题。 以及国内现在做模型的公司有点太多了， 还是太多了。美国可能就三家， 中国做基模的东⻄太多了。
最终⼀定是不需要那么多⼈去做基模的， ⼀定会收敛。 所以资源也是⽐较分散， 某种程度上也⽐较浪费。 就先于
[02:44:00]
每⼀家都要做同样的事情， 但美国只要三家做， 资源只集中在这三家。 中国资源分得很 散， 每⼀家拿到的资源就更少。 我觉得这个肯定是会收敛的， ⼀定会， 但这需要过程， 最终⼀定会收敛。
不需要那么多家， 因为现在可能⼤家觉得做这个事情的利润率⾮常⾼， 所以⼀定要⾃⼰ 做。 但当他发现这个事情可能没有那么⾼利润的时候， 可能就不做了。 最近肯定是没有那么⾼利润的， 我不相信有那么⾼利润， 因为这不符合客观规律。
这意味着我们是处在⼀个阶段上： 如果有⼀个⾮常⾼的利润率， 这⼀定不符合客观规律。我们应该是⼀个合理的利润。 所以这是产业的⼀个现状， 我觉得肯定会收敛。
就是⼤家做⼤模型的那⼀部分， 其中不要说某⼀家独占， 说“我要拿⾛全部利润”， 这个肯定不⾏。 如果说每⼀家都只拿合理的利润， 那么其实不需要那么多⼈去做⼤模型。 中国最后有个三四家竞争， 竞争就很充分了， 价格绝对已经够打价格战了。
⼤模型可能不说两家⼤公司、 两家⼩公司， 可能就已经⽐较够了。
⾄于⽣态上的， 我没有什么太多的想法。 我们希望能够扶持更多的⼈， 但是我们并没有那么多的精⼒。 我们是有这个意愿， 并且不会有利益冲突， 但是我们有没有去做是另外⼀回事。
但⾄少这⾥边是没有利益冲突的， 我们是希望合作共赢的。 ⾸先， 我绝对不认为⼤模型公司可以拿⾛⼤部分利润， 这个不可能， 因为这么多家⼤模型公司， 现在差距不⽤那么⼤。
差距只有两个东⻄： ⼀个是时间， ⼀个是成本。 所以不⾄于哪⼀家有暴利， 我觉得不⾄于有暴利。 成本控制得好的⼈就多赚⼀点， 成本控制得差的⼈就少赚⼀点， 仅仅此⽽已。
是不是有回答了？ 第⼀个问题是不是回答完了？
⼤家能……你相信以后肯定是有很多⼈可以……未来其实会……⼤家数据应⽤这些的循环迭代……
现在可以听到吗？ 谢谢。 对， 感谢您的回答， 也⾮常深刻地理解和尊重您的这种⾏业⾥⾯的⽣态战略定位。 ⽐如说数据这⼀块， 现在公开的数据， 相信模型公司都已经可以有渠道获取， 这个⽅法应该都不成问题， 只是时间和成本的问题。
那么后续⽐如说将到真正到 AGI 的时候， 有可能⼤家⼀个设想或者理想的状态是， 模型可以⾃我迭代、 ⾃我学习， 就是⾃⼰训练⾃⼰。 那么这⼀块的话， ⽬前这个数据， 您感觉仿真数据是不是可以⽤起来， 还是说真实数据的质量最⾼？
如果说还是需要来⾃于真实数据， 那会不会是限制这个 AI 的智能还是在⼈类的过往……这个层⾯， 因为它依赖的是⼈类真正曾经有过的真实数据？ 还是说可以突破这个上限， 通过模拟数据、 仿真数据、 创造数据等等的⽅式， 让这个模型能⼒去超越⼈类过往的所有真实……
我觉得是能超越的。 我觉得有两点超越的， ⽐如说围棋， AlphaGo 他下了⼀⼿⼈类从来没有⻅到过的棋。 就是说， 他肯定是在⼀定的范围内超越⼈类的。
但是他可能也有上限， 他可能也是有局限性。 但是这个局限性我们现在看不到。 我们认 为， 所以笼统地认为， 它是可以基于⼈类已经有的、 我们已经能说出来的知识上， 予以超越的。
那这块后续是靠真实数据还是仿真数据？ 它会 work 吗？
不可能就有很多⽅法。
好的， 谢谢。 也占⽤您的时间了， 也想继续请教刚才关于 AI Infra 的问题。
第⼆个问题是什么？ 有点……
好了， 我简单快速地重复⼀下。 就是想请教， 对于 AI Infra 这⼀块， 未来相信算⼒现在⼤家都是千亿美元级别地在投⼊。 那么这块的话， 有可能我们相信中国⼈未来在硬件上是使命必达， 有⼀天可能会有⾼效率的算⼒， 但有可能这个在实践的过程当中， ⽬前还是⼀个掣肘。
那么未来会不会是两⽅⾯向下⽽⾏？ ⼀⽅⾯是模型的能⼒迭代之后， 它其实对于算⼒从硬算变成巧算， 所以单位模型或者任务对算⼒的要求和消耗会逐步地边际降低。 另⼀⽅⾯，⽐如说硬件像卡的能⼒提升， 会让迭代速度越来越快， 单卡效率提升。
那么这个在过程当中是怎么样的⼀个现象？ 会不会是说， 现在去建了万卡集群， 去买了 H200 或者 960， 但是过个两三年， 它就变成了⼀个相对没有那么优质的算⼒， 相对⼜变成了⼀个陈旧的器件？
英伟达的卡基本上你可以按照五年折旧。 华为的卡最多按三年折旧吧。 华为 950 今年能⽤还挺好的， 明年⽤我觉得还可以， 后⾯再⽤我觉得可能就真的太费电了。
华为卡⽣命周期肯定是会短⼀点， 因为它本来就已经⽐英伟达晚两年了。 但是我觉得差距没那么⼤。
如果说 B200 现在能买到多少， 我觉得都划算。 假如说对于腾讯来讲， 阿⾥巴巴能买到的话， 再看量； 如果合理价格能买到， 肯定都是划算的。 但不是⼀个算成本的时候， 相信买不到。
明⽩。 我们算⼒落后， 这是⼀个事实。 这个事实通过三⽅⾯来消解。 第⼀⽅⾯是我们承受模型落后， 我们只能够⽤⽐他们更⼩的模型， ⼩多少问题就是训练。 我们要承受⼀定的模型落后， 以及模型的尺⼨更⼩。
这落后有⼀个好处， 落后意味着你有更多的时间， 你有⼀定的技术， 然后这样的话你就可以⽤巧妙的⽅法
[02:53:59]
谢谢。
所以我们跟美国的差距可能是落后美国 12 个⽉， 落后美国可能 12 到 18 个⽉， 或者说 6到 12 个⽉。 反正简单说， 就是落后美国两年， 然后只⽤美国⼆⼗分之⼀的算⼒把这个事情做出来。
这个叙事就是落后⼀到两年， 但是只⽤它⼆⼗分之⼀的算⼒。 那么未来我们要把这个叙事改写， 就是我们⽤它⼏分之⼀的算⼒， 但是把这个时间缩得更短， 缩到 6 个⽉、 3 个⽉， 我觉得这是⼀个⽬标。
以及我们甚⾄可以在某⼀些⽅⾯超越他们。 但是在总体算⼒还是有数量级差距的情况下， 全⾯超越是不现实的； 但是在某⼀些重点、 有取舍的地⽅， 我们有⼀些地⽅超越可能是可以的。
明⽩， 谢谢梁总。 信⼼满满， ⼀起努⼒。 时间也留给其他的伙伴， 谢谢。
感谢刚才的分享。 我这边有两个快速的技术问题。 在刚才聊技术路线当中， 提到了我们这⼀阶段要解决的核⼼问题是持续学习， 也是⽬前国外研究的热点， 叫 Recursive Improvement。 想请教⼀下， ⽬前来看， 从技术上最⼤的难点是什么？ 从您的视⾓来看，这个什么时候可以解决？ 这是第⼀个问题。
第⼆个问题， 同时您刚才提到， 先解决持续学习， 然后再去做智能。 我也想理解⼀下， 您这么提背后的技术根源是什么？ 是不是意味着解决完持续学习问题以后， DeepSeek 后续也会做通⽤智能？ 这两个问题请教⼀下。
技术问题其实解释起来有点……它的难点在于， 我们现在还没有找到⾮常 work 的⽅法。 全世界都还没有找到好的⽅法， ⼤家都在摸索。 所以现在还在摸索阶段， 就是不知道谁能摸到下⼀个解决这个问题的⽅法。
现在还在探索阶段。 我们有很多思路， 有很多现在看起来有前途的⼀些想法， 但是都还没有做通。 对， 这是第⼀个。
第⼆个是， 现在我们内部⽐较看重这样⼀个叙事： 训练我们的下⼀版模型， 我们希望它能够帮助我们⾃⼰的开发。 它能够提升 DeepSeek 的效率， 我们的模型最⾸先是提⾼ DeepSeek ⾃⼰的⼯作效率， 让我们开发下⼀版模型的时候， 它能够提供更多的帮助。
或者说简单⼀点， 我们做的模型， 第⼀⽬标不是⼤家⽤得好⽤， ⽽是我们⾃⼰⽤得好⽤。
⾸先是对我们⾃⼰有⽤。 对我们⾃⼰有⽤之后， 我在开发下⼀版模型的时候就会更快。
我们内部很多⼈的想法是这样的： ⾸先要对我们⾃⼰有⽤， ⾸先是给我们⾃⼰⽤。 然后这是实现 AGI 最快的⽅法。 当我们⾃⼰好⽤， 那意味着可能别⼈也好⽤， 但是⾸先得保证我们⾃⼰好⽤。
这个叙事有点奇怪， 但是确实很多⼈就是这么想的。 ⽽不是说⽤户⽤得好⽤， 我是希望对我们⾃⼰帮助更⼤， 这样我们可以实现 AGI， 会快很多。 所以这个叙事的逻辑是， 来帮助我们实现 AGI。
但⾸先是帮助我们实现。 我们实现 AGI 需要这个帮助。 现在是⾮常确定， 我们确实需要⼈⼯智能来帮助我们实现 AGI。 虽然说它还不是⾃主地⼯作， 它还是只是跟⼈搭配， 但是已经很有⽤了。
第⼆个问题， 就是刚才提到了， 先解决持续学习的问题， 然后再进⼊通⽤智能。 这是您对后续的⼀个预期吗？ 想理解⼀下这背后的技术根源是什么？ 为什么先要解决持续学习， 然后再进⼊通⽤智能？ 您对这块后续的理解。
因为解决持续学习这个问题， 可以⼤⼤加快我们的研发进度。 如果我先解决了持续学习这个问题， 那么通⽤智能这个问题就不在话下了。 我有了 AI 的辅助， 如果 AI 能够持续学 习， 它的能⼒应该是⾮常强的。
现在的 Agent 的能⼒受限， 是因为它不能持续学习， 它不能有效地持续学习。 如果说能够先把持续学习做完， 那 AI 的能⼒是⾮常强的， 它能够⾮常⼤地提升我们⾃⼰研究的效率。
持续学习先做出来， 通⽤智能可能就很容易了， ⽤它来做就很容易。 所以我说这是⼀个我们⽐较希望看到的结果， 我们⽐较省⼒， 我们就轻松。 否则现在你要去⼈⼯做通⽤智能，它是⼀个⽐较累、 ⽐较苦， 是⼀个数据密集、 ⼈⼒密集的事情， 性价⽐也不⾼。
感谢分享。
⼩问题， 线上的问题你看⼀下聊天群。 觉得 AGI 还需要多久？ 国内硬件在这个时间能追上吗？
在 Zoom 会议的那个聊天窗⼝⾥⾯。
好， 这个我看了。
华为 950， 现在华为是给我们⼀万六千卡， 这应该是可以公开说的。 应该是⽐互联⽹⼤⼚少⼀个数量级。 华为也只能给我们这么多， 因为这个价格也不便宜。
互联⽹⼤⼚的追求会更⼤， 对互联⽹⼤⼚来讲， 它更需要。 对我们来讲， 我们可以买⼀些不合规的卡。 所以我们买华为 950 的⽬的， 还是希望帮华为把这个⽣态做好。
⼀万六千卡的华为 950， 只相当于四千卡的 B 系列。 所以说不是⼀个很⼤的量， 意义不是很⼤。 不够训⼀个下⼀代的模型， 它只够训我们现在这⼀代模型， 不够训下⼀代模型。但是可以让华为把这个先做好， 就是关于华为 950。
然后， AGI 还需要多久？ 国内硬件在这个时间能追上吗？
我觉得在 AI 这个事业上⾯， 在 AI 这个事情上， 应该国内⼀两年是能够做到跟国外差不多的， 或者可能今年就能做到平替国外的模型。 在 AI 这个事情上， 就现在的⼀个⽅式、 现在这个范式， 不是很难的事情， 所以今年应该就能做到的。 但它还不是 AGI。
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（三）
DeepSeek创始人梁文锋四小时投资人会议实录（五）