DeepSeek创始人梁文锋四小时投资人会议实录（五）

[03:05:48]

我⾄少觉得， 它得能够持续学习吧。

国产硬件在这个时间能追上吗？ 我觉得国产⽅⾯可能需要⼀个⼏年的时间。 国内⾸先得解决⽣态的问题， 因为⽣态是⼀个信⼼的问题。 解决⽣态的问题， 然后再解决产能的问题，我觉得应该是能够逐步解决的。

我不太相信未来五年之后， 我们还卡在产能的问题上。 现在肯定是卡在产能问题上， 今年、 明年、 后年， 我觉得可能都还是卡在产能问题上， 但五年之后， 我觉得可能不⼀定，我还是⽐较乐观的。

然后第⼆个问题是， 思考未来的组织架构， 对⼈员的规划规模。 ⾸先， 我们之前的组织架构是⾮常分散的， 因为没有组织架构。 但是我们⼈在进⼀步扩⼤之后， 这些肯定是需要做出⼀些改变的。

现在只能说， 这⾥会需要做很多改变， 但现在很难⼀下⼦全部表达出来。 最后应该还是要分不同的部门， 应该有些部门是我们需要建⽴起⽐较严谨的层级结构的。 另外⼀些部门，可能还是会维持⼀个⽐较松散、 ⽐较扁平的结构。

随着⼈员的增加， 我们会做这个调整。 应该是我们⻢上就得做这个调整， 因为我已经在做这个调整。 已经不做这个调整的话， 很多事情是没法推进下去的。 确实有很多部门， 是应该有组织架构的。

然后⼤家还有问题是，  CV 是先于它的哪个版本是吧？ 我觉得我们现在，  线上发了这个GCV4 这个版本， 还是⽐较粗糙的， 然后能⼒⽅⾯还很多都需要时间。

我们⼀般， 对我来讲， ⼀个⽐较舒适的发版节奏， ⼤概是两三个⽉发⼀版。 上次发版可能是四⽉底， 那么下次发版可能是六⽉底， ⼤概是这样⼦。 如果没有意外的话， 应该还是会⼀版⽐⼀版好的。

在 50B 激活的这个尺度上⾯， 我感觉最终我们跟现在的这波开源不会有太⼤差别。 就在推理速度跟效果上， 我感觉可能就不会有太⼤的差别。

但是跟它那个⼤尺⼨的模型， 就它⼀个没公开的模型， 应该差距还是⽐较⼤的。 那个差距应该是， 我们这个激活参数应该是做不到的， 这就肯定得是⼀个更⼤尺⼨的模型， 可能⽐如说是 150B。

那么 150B， 我觉得按照我们现在训练的进度， 今年， 乐观的是今年年底可以开始去训练， ⾄少是明年四……差距还是⽐较⼤的。 对， 这是跟 OCE 的差距。

你好， 我其实有⼀个问题， 就是经常您说到这个 AGI， 它实现的过程是⼀个渐进式的过程， ⽽不是会有⼀个突变。 所以我可以理解， 这是⼀个没有临界点的过程吗？

它没有临界点， 但是它是⾮线性的。 我们现在⽐较相信⼀个叙事是， AI 可以加速 AI 的研究， AI 可以加速 AI 的研究。 就是说， 它不是线性的， 因为你可以⽤ AI 来加速你⾃⼰的研究， 所以它到后⾯可能是⾮线性的。

明⽩。 所以当下您的这个， 我理解前⾯的结论可能就是， 语⾔模型继续 scaling 是够的，是⾜够的， 做到这个状态。

只能说语⾔模型的 scaling， 我现在没有看到有上限。 我们现在的智⼒⽔平， 或造成美国的智⼒⽔平， 都没有看到上限。

明⽩。 因为我⾮常好奇， 就是你说， 对美国来讲， 800B 激活这个模型， 说⽐它能训练起， 但它也⽤不起来， 所以它只能训练出来， 它也很难拿出来给⼤家⽤了， 因为确实有点贵。

我之前其实很好奇的⼀点就是， ⼈类其实拥有语⾔能⼒就是近⼗万年的事情， 然后前⾯可能进化了三⼗七亿年。 但在训练 AI 这个事情上， 可能是可以， 你说那个顺序是可以反过来的， 但最终可能还是会进⼊到所谓， 也不⼀定叫世界的模型， 还是要进⼊到物理模型或者具⾝的那部分， 是吧？ 就是在这个上限之后。

对， 我觉得具⾝肯定还是要进⼊， 最终具⾝。 所以对我们公司来讲， ⾃然⽽⾔， 可能终点都是具⾝。 因为对⼀个正常⼈来讲， 他的需求并不是电脑， 对不对？ 因为正常的⼈， 他吃喝玩乐、 ⾐⾷住⾏， 他不需要电脑。

他需要的是， 所以他还是需要具⾝智能来解决具体⼈⼒的需求。 如果说⽬标是解约⼈⼒需求的话， 所以具⾝我觉得就是绕不过去的。

明⽩。 所以阶段性地讲， 假如说到达类似， 也不⼀定是临界点， 就是可以⾃进化、 可以⽐较好的⾃进化， 或者接近这个与 SV 的这个上升的到那个时间点上， 我很好奇会希望这个状态的 AI 落地的第⼀个让是……

可能跟现在不⼀样。 我们是希望它能够， 就是直接假如说没有具⾝， 那么我们对 AGI 的定义， 或者我们希望 AGI 能做什么呢？ 它能帮我迭代下⼀版模型， 能帮我迭代下⼀版模型⼀样。

然后如果有了具⾝之后， 我们希望它做的也是， 让它来迭代下⼀版的具⾝， 它来做下⼀版机器⼈。

我还是很好奇⼀点， 就是因为我看之前 DeepSeek 的采访等等， 应该是在⼀些重要的⽅向的选择和研究的选择上⾯， 品位和直觉是很重要的， ⽽不是简单的⼯程优化。 那如果之后 AI 可以⾃进化的话， 这个品位、 taste、 直觉这些东⻄还重要， 或者说重要的会是什么？

AI 现在不缺品位和直觉， 它缺的是持续学习的能⼒。 AI 的品位和直觉没有问题。 你让它写个⽂章， 它的品位和直觉， 我觉得没有什么问题。

前⾯还有⼏个问题， 我看⼀下那个问题。 我看屏幕上谈了⼏个问题， 但是我这边看不到了。

梁总， 我屏幕上留了个问题， 我给您再念⼀下。 其实是想请教⼀下， continuous learning， 就是持续学习， 您也提到， 很多研究员也提到是⼀个还没解决的研究问题。 然后那个 coding agent， 尤其是追上 MILES， 就是

[03:17:47]

Scaling 到这个 Office ⽔平、 MIS ⽔平是⼀个⽐较确定的⽬标。 对于⼀个还没解决的研究⽬标和⼀个⽐较确定的 Scaling ⽬标， 您认为应该怎么分配研究资源， 尤其是研究员这块的⼈才资源， 怎么样才能达到最好的平衡和效果？

模型 Office 是⼀个⽐较确定的⽬标， 但是模型 MIS， 我觉得还不好说是确定的， 只能说是⼀个⽬标。 模型 Office， 我觉得应该是⽐较确定的。

CoT 不占资源。 做朋友任意研究， 他不消耗卡， 只需要很少的卡， 他需要的是想法； 他也不消耗⼈才资源， 因为不需要有⼈⼀直在那⾥做。 他不是⼀个项⽬， ⽽是需要有很多⼈都在那⾥想这个问题。

所以并不需要给它分配什么资源， 因为它不需要资源。 你要训模型， 要做模型、 发模型，做模型的效率实验才需要资源。 刚才讲的， 对⼈、 对卡的资源消耗都不多。

所以我们叫这个叫“摸奖”。 门槛很低， 谁都可以去摸， 但是谁能摸出什么来， 这个可能我也不知道是看天赋还是看什么。

所以这⾥并不需要我们去分配资源。 只是说， 我们跟其他公司不⼀样的地⽅， 就是我们会花时间去讨论这个问题， 会去想这个问题， 然后把它当做⼀个重要的事情。

在公司⾥， 它是⼀个重要的问题， 是⼀个我们会花时间去思考的问题， 但是并不需要花很多资源去做。

然后下⾯我还看⼀个问题： ⼤模型的幻觉问题⽐较影响⽤户的体验。  幻觉问题也是有⼀个⽅法可以解决的， 但是这是⼀个⻓命题。 幻觉问题可以认为是⼀个可以通过更好的 Post-training 解决的， 是⼀个能解、 能够改善的问题。

只是⼤家没有花很⼤的⼒⽓去做。 或者说， 对我来讲， 幻觉是⼀个问题， 但我们归结可能是产品问题。 我们会去解决它， 但是不是重点的问题。

前⾯还有⼀个标数据的问题。 我们在数据标注⽅⾯， 这跟我们的资本投⼊有关。 以我们这个资本投⼊的结构， ⽀撑不起那么多⾼质量数据标注的成本， 因为成本很⾼。

美国数据标注的成本跟中国数据标注成本没有什么区别。 中国去标数据并没有成本优势， 尤其是标⾼端数据上并不会有成本优势， 使得我们很难投⼊去像美国这样标数据。 这条路在中国是很难的， 因为标数据实在太贵了， 不管是我们外标还是我们⾃⼰标， 都很难受。

所以现在基本上是两条腿⾛路。 并不是说我们完全不能标， ⽽是因为标数据有⼀些成本低， 有⼀些成本⾼。 我们先标成本低的。

所以你也可以认为， 现在我们公司有⼀半的⼈在标数据。 有⼀半的核⼼研究员， 最重要的⼈， 有⼀半在标数据。 我们就集中在标数据。 解决 AI 这个问题， 在现在这个阶段靠的就是标数据。 你只要看就是⼀个数据。

梁总， 谢谢你。 你讲得特别地， 我们⾮常有感受， ⾮常好。 感谢你。 我请教⼏个问题。

第⼀个问题， 您刚才讲， 中国的模型⽐美国的模型在效率上肯定是强的。 你讲的还有⼀些其他⽅⾯， 未来也有可能会⽐美国强。 你觉得是哪些⽅⾯， 我们在智能或者在其他⽅⾯会⽐美国强？

我觉得在很多体验⽅⾯， 有可能我们是能⽐美国做得好的。 即不说⾃⼰的体验， ⾃⼰的产品体验觉得挺好的， 我觉得我们在⽤户体验⽅⾯不⼀定会⽐美国差。

在产品⽅⾯， 产品能⼒上不⼀定会⽐美国差。 成本应该也会⽐美国低， 所以有可能中国还是会有竞争⼒的。

其他⽅⾯， 如果说有结构性的优势， 我觉得可能也没有。 但是在成本和产品这两⽅⾯， 我觉得确实是有⼀定的结构性优势的。

成本这个很好理解， 是因为他们都不⽤做， 所以他们就不发展这个能⼒。 他们肯定没有我们重视这个事情。 我们可以把它当做⼀个⾮常重要的事情， 但对于他们来讲， 这个是不重要的。

产品也是， 原⽣通过很多公司， 产品能⼒还是可以的。 所以我觉得这两⽅⾯可能是有结构性优势的。

好的。 第⼆个问题， 请教您， 您刚刚讲到后训练， 我们投⼊相对成本⼜⾼， 像 Anthropic和 OpenAI 都投⼊巨⼤的⾦额。 这次融资以后， 您觉得我们会在后训练⽅⾯加⼤投⼊吗？

差距主要是在⾼质量数据的标注上， 然后主要是在 AI 研究⾥⾯。 肯定会加⼤投⼊， 但是像⾼质量数据的标注， 典型不是资本投⼊。

⾼质量数据标注的瓶颈， 我觉得是时间， 就是需要时间。 因为对 OpenAI 来讲、 对国外来讲、 对 Anthropic 来讲， 他们都更早， 然后资本更多， 卡也更多。

这种情况下， 我们国内可以认为是最近半年才开始做， 所以在时间上， 我觉得是需要更多时间的。 这个跟资本投⼊关系不太⼤， 因为哪怕没有更多的资本投⼊， 原来的资本也够它以最快的速度在扩张了。

但是这个速度是有上限的， 瓶颈不是说我能够⻢上有更多的⼈， 并不卡在钱上， 也不卡在卡上。 但是它确实是在⼀个快速扩张的过程。

所以我们觉得⼀年之内， ⾼质量数据这个问题做得⽐较好， 我觉得国内应该是可以预期的。 我觉得⾯可能没有那么冷， 但它确实是需要时间。

谢谢。 然后第三个问题， 就是我们看到 Anthropic 他们⽤⾃⼰的模型做⾃⼰的产品， 推出了很多纵向的⾦融、 法律……

[03:29:17]

甚⾄未来要往医疗⽅向⾛，  您觉得在这种纵向应⽤⽅⾯，  某个阶段我们也会考虑吗？

我还没有想得很明⽩， 未来我们国内的商业模式是怎么样的， 或者说最顺利的路径是怎样的， 我们还没有到那个阶段。 国内情况和国外情况不⼀定⼀样， 国内到时候是什么样， 我觉得现在还⽐较难判断。

国内我们现在以⽬前的情况来看的话， 我觉得最合理的做法应该是全⼒做通⽤的 Agent，其他的 Agent 优先级应该更低， 包括⾦融、 医⽣这些 Agent。 要先做 Coding， 因为 Coding Agent 能够做到很多， 还有很多垂直的 Agent。 现阶段我们觉得最重要的， 应该还是 Coding Agent。

讲得很清楚， 谢谢您。 还有⼀个问题， 我们也想请教您。 其实我们做 DeepSeek， 也很佩服您， ⼀直在以⼀个⾮常纯粹的科研⽅式来做 DeepSeek。

但现在这个⾏业确实也⾛到了资本市场， ⾛到了资本化这条路上。 您⼜是⼀个⾮常负责任的⼈， ⽆论是对⼩伙伴还是对投资⼈， 您也都是⾮常负责的。 那么， 在纯粹科研、 纯粹做 AGI 的⽅向和资本市场之间的平衡， 您未来肯定还要⾛资本市场， 肯定还有公众股道， 您觉得以后怎么 balance？ 这个您是怎么考虑的？

我现在觉得应该是能够做到的， 就都要。 假如说我今年能够有⼏个亿美⾦的 B 端收⼊，再加上我们 C 端有⽤户， 那么这本⾝就已经有⼀定的商业基础。 以明年我们 B 端有收

⼊， 如果这个需求可以再增⼤的话， 公司离净利润已经不远了， 可能就已经是净利润了。

可能就已经不是⼀个纯烧钱的阶段了， 所以我感觉后⾯能做的、 能操作的动作应该还是⽐较⼤的。 或者说， 最坏情况卖 API， 可能都能够⽀撑⼀个上市公司。 就如果说技术后⾯没有新的进步了， 我们的技术就冻结在这⾥了， 那么最后我们就全⼒卖 API， 把这些服务做好， 我觉得也够的。

所以我觉得还是有信⼼的， 确实没有那么难。 因为确实是在⼀个杠杆⾼的地⽅， ⼜在⼀个发展⾮常快的领域， 它可能就是没有那么难。 只能讲， 我们希望有更⼤的梦想， 但是我们也有保底可以拿出来的业绩。

谢谢您， 讲得很好。 问题问完了， 谢谢。

感谢您分享。 前⾯提到⼀些问题， 想跟您再问⼀下。 因为我觉得 DeepSeek 其实最⼤的和其他公司的区别在于， 我们的组织跟其他⼈不⼀样， 或者说组织形式不⼀样。

但组织形式既跟我们的⽬标相关， 可能也要去考虑组织⾃⾝的边界和效率。 我不知道， 从宏观的⾓度考虑， 我们这个组织形式会有⼀个好的学习对象吗？ 历史上可能 Bell Labs，还是⼀个什么样的形态可能是⽐较理想的？ 还是说我们⾃⼰觉得也没有理想的， 更多还要靠我们逐渐去探索？

可能在⼀个新的时期， 只能靠我们⾃⼰来做探索。 因为我们的组织形式其实跟美国的⼏家公司肯定都不⼀样， 对吧？ 三家公司⾃⼰也不⼀样， 但他们⾄少会从⼀个商业公司的⾓度出发去探索。

我可能主要想再问⼀下组织这个问题。

⾸先， 我们没有模仿的对象。 每⼀步都是我们从实际情况出发， 实事求是， 根据实际情况来做决策， 找到我们应该怎么做。 所以它是⼀个时代的产物， 或者说是现实情况的⼀个反应， 它并不是⼀个模仿的结果。

就是说， 在这个情况下， 我确实最优解可能就是这样， 或者说我⾃⼰认为， 我们⾃⼰选的路就是这样。 每⼀步我们肯定都是思考过的， 肯定都是选过， 反正选的结果就是这么选 的。 它并不是因为看到谁这么选， 我们这么选， ⽽是因为我们分析了利弊⽽这么选。

那么在未来可能也是⼀样， 我们并没有去模仿谁。 我觉得我们跟 Bell Labs 还是不⼀样的， 因为它明确是不需要有商业化的， 因为它是个……但是我们明确是要有商业化的。  我们最终还是要能活下去， 我们毕竟是⼀个公司， 政府不会给我⼀分钱。

所以我们可以有⾮常远⼤的使命， 但我们归根结底是⼀个公司， 我们要考虑怎么活着。 所以 B 端对我们肯定是重要的， 因为可能以后可能得靠它活着。 只是说现在不重要， 因为它现在是个成本线。

所以我觉得这个还是不⼀样的， 跟 Bell Labs 还是不⼀样的。 我们本质上还是⼀个公司。 历史上也有很多公司， 它也有利润以外的追求， 但并不能说它有利润以外的追求， 它就不是个公司。

很多公司做得很伟⼤， 因为它有⼀种利润以外的追求。 那个追求最后不但没有影响到它的商业化， 反⽽能让它商业化得更好。 我们本质上还是⼀个公司， 只是说我们在考虑赚哪些钱、 什么时候赚钱、 赚多少钱、 靠什么赚钱， 只是说我们有取舍。

梁总， 我有两个⼩问题， 快速跟您请教⼀下。 ⼀个是说， 您刚刚其实有提到 MILOS 的这个， 可能不是⼀个很确定的⽬标， 但是肯定会往这个⽅向去做。 然后您也提到激活参数可能⽐如说……

[03:41:02]

下⼀代可能会是在 150 到 250 B 左右的⼀个情况。 这种情况下， 您觉得 150 到 250 B 是对标 O4.7， 还是可能会对标到别的？ 这是第⼀个问题。

第⼆个问题， 您前⾯也提到了， 我们现在在整个 inference 上⾯⽤了⼀些除了 CUDA 以外的编译语⾔。 我理解原来咱们基于英伟达的⽣态， 可能会⽤ PTX 这些⽐较多。 现在⽤上更多类似您刚提到 TileLang 这些的话， 是不是会⼤幅降低我们在 inference 上⾯的⼀些效率， 或者短期降低效率？

我不知道您会怎么看编译语⾔的这种变化带来的效率损失， 还是说⻓期其实是⼀个可以补充的状态， 是提⾼效率？

是提⾼效率， 是⼤幅提⾼效率。

OK， 反倒没有什么负⾯的影响？

对， 是⼤幅提⾼效率。 所以说这是⼀个机遇。 相当于以前你是离不开 CUDA 的⽣态的，现在我们可以抛弃它的⽣态， ⽤⼀个更简单的⽅法， 就⽤ TileLang。 它是⾼级语⾔， 写那个程序也是很快的， 要写的代码量很⼩了， 我可以把它重写⼀遍。

明⽩。 所以这两个都其实是⼀个， 像您提到的 AI 带来的⽐较⼤的机会， 不是⼀个可能短期需要去弥补的缺点。

对， 它是技术发展的⼤机会。 它不是 AI 的机会， 因为我们还有⼀个项⽬， 我们在⽤ AI 来写 TileLang。

那是不是更快？

现在所有 TileLang 都是⼈写的， 但是它已经⽐原来写 CUDA 的要快很多了。

明⽩。 所以哪怕是对于硬件底层的执⾏效率， 您觉得也是没有影响？

损失 1% 到 2%， 我觉得是可以接受的。

OK， 明⽩， 理解了。 好的， 谢谢您， 很清晰。

其他⼈还有没有什么问题？

没问题， 我们今天就先这样。

好的， 谢谢。

⾮常感谢⼤家的时间， 谢谢梁总， 谢谢。拜拜。

拜拜。

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（四）