从梁文锋投资者交流会录音中提取的 57 个问题和答案
来源：《梁文锋投资者交流会·录音文字稿》说明：本文按主题重组为 Q&A，一级标题为编辑归类，二级标题的序号表示问题在原录音中的先后顺序。回答在不改变原意的前提下做了去口语化、合并重复和结构化处理。原始文字稿由语音识别与 AI 整理生成，部分专有名词、数字可能存在识别误差；对无法可靠判断的术语，本文保留原稿表述或加注说明。
一、公司愿景与组织哲学
1. DeepSeek 创立的初衷是什么？
创立公司时，最初的几十个人并没有想着最后要赚多少钱、进入资本市场或上市。大家是怀着对世界的善意来做这件事，认为人工智能对人类有用，是一件超越金钱的事情。
后来，随着事情背后的利益越来越大，也会出现其他诱惑，但公司从创立之初延续至今的愿景，并不是按照商业利益最大化来设计的。理解这一点，是理解 DeepSeek 很多选择的关键。
2. DeepSeek 如何依靠愿景来管理和组织团队？
一个大公司最重要的不是规章制度，而是愿景。愿景也不是挂在墙上的标语，而是公司实际上怎样做事、怎样运行、怎样对待世界。
DeepSeek 在很大程度上是由愿景驱动的，并没有严密的传统组织方式，也不依靠 KPI 和考核来凝聚团队。这个愿景甚至没有被正式写下来，而是体现在做事方法和对世界的态度里。
不同员工对愿景的理解可能有所不同，但大方向是一致的：怀着对世界的善意，做一些真正有用的事情。这种组织方式有好处也有缺点，未来需要扬长避短，但它构成了公司的鲜明特色。
5. 为什么梁文锋反复强调“克制”？
AI 的潜在利益非常大，越想独占，越可能做不成。对 DeepSeek 来说，更重要的不是多拿一点份额，而是提高最终做成 AGI 的概率。
克制体现在很多方面：坚持开源、不以利润最大化定价、不争夺所有 C 端用户、不急于成为下一个超级 App，也不试图把每一个商业机会都收入囊中。
这种选择既能增强员工的成就感和团队凝聚力，也能让社会、同行和用户受益。从长期看，它不是单纯让利，而是一种战略：主动舍弃一些眼前利益，换取更高的成功概率和更从容的发展空间。
梁文锋更愿意接受“一群平凡的人做出不平凡的事情”这一叙事，而不是把成绩归因于一群天才。DeepSeek 创立时没有很多资金、算力、知名度和号召力，团队成员也都是普通人。愿景和克制，解释了这群人为何能被组织起来并走到今天。
15. DeepSeek 最核心、最不能退让的利益是什么？
是团队稳定性。梁文锋认为，只要团队稳定，哪怕遇到挫折，也可以继续做，做成 AGI 主要只是早晚问题。
资金、资源等要素相对容易获得，真正无法轻易替代的是团队。近期融资和员工期权在一定程度上降低了这一风险。只要重要的老员工和核心成员保持稳定，其他人也不容易离开，因为很多人并不只为收入而来，而是希望处在一个有机会做成 AGI 的环境里。
从历史上看，DeepSeek 的人才流动少于同行，但团队稳定仍被视为公司最大的挑战。
22. DeepSeek 的重大业务与技术决策如何形成？
决策机制建立在共识基础上，而不是由梁文锋一人决定所有事情。
推动一件事之前，会先判断团队是否认同、是否愿意做。管理者可以引导，但引导作用有限；只有形成共识，事情才能真正推下去。梁文锋在公司内部的权威和影响力，本质上也来自共识。
34. DeepSeek 的内部管理如何兼顾自上而下与自下而上？
公司同时存在两条线：
- 自上而下的正式任务：例如发布 V4，需要全公司配合、明确分工；
- 自下而上的自主探索：员工自己判断什么重要、想做什么就做什么，没有 KPI，也不需要事事协调。
正式任务最好不要占员工一半以上的时间，至少一半时间应留给自主研究。只要公司算力允许，员工就可以自行探索。
DeepSeek 通常也不鼓励加班。一是研究需要松弛环境，过度逼迫会破坏思考；二是公司足够聚焦，主动不做很多事情，因此每个人分到的工作也没有多到必须长期加班。产品中一些不完善之处，也与这种取舍有关。
44. 随着人数增加，DeepSeek 的组织架构会怎样变化？
过去组织非常分散，甚至可以说没有正式架构。但随着人员扩大，这种方式必须调整。
未来可能采取混合结构：某些部门需要建立严谨层级，另一些研究部门继续保持松散、扁平。相关调整已经开始，因为如果完全不建立必要组织，很多事情将无法推进。
55. DeepSeek 的组织模式是否有 Bell Labs 等历史参照？
没有明确模仿对象。DeepSeek 的组织形式是根据现实条件逐步选择出来的，每一步都从实际情况出发、分析利弊，而不是照搬某家公司或研究机构。
它也不同于 Bell Labs。Bell Labs 可以不直接承担商业化压力，而 DeepSeek 本质上仍是一家公司，必须活下去，也必须考虑收入。B 端业务现在不是研发主线，但未来可能成为公司维持运转的重要基础。
伟大的公司可以有利润以外的追求，这种追求不一定损害商业化，反而可能让商业化做得更好。DeepSeek 的特殊之处，不是不赚钱，而是对赚什么钱、何时赚钱、赚多少以及依靠什么赚钱做出取舍。
二、开源、克制与商业化逻辑
3. DeepSeek 为什么从一开始就坚持开源？
首先，开源是公司愿景的自然要求，而不是被迫采取的竞争策略。没有这一愿景，也很难把团队组织起来。
其次，从商业角度看，AI 与传统软件不同。传统软件市场可能只有几十亿美元，开源可能显著压缩收入；但 AI 最终可能占到人类社会 GDP 的很大比例，市场大到任何一家公司都不可能独占。
如果试图独占如此巨大的利益，必然会遇到强大阻力，也容易被历史淘汰。因此，公司需要建立一种机制，主动限制自己获取利益的范围。开源就是这种“克制”的一部分。
4. 开源与商业化是否冲突？
在 AI 领域，两者并不必然冲突。模型即使开源，第三方要真正部署、控制成本并达到同等服务质量，门槛仍然很高。原理公开不等于每家公司都有意愿和组织能力把所有细节做好。
DeepSeek 自己的部署成本足够低。如果只赚取合理利润，以大约十个月收回设备成本来定价，第三方往往难以用更低成本提供相同服务。因此，开源并不会实质影响这部分收入。
如果目标是赚取一百倍利润，开源当然会形成约束；但如果只赚取合理利润，开源与付费服务可以长期共存。DeepSeek 也不担心第三方部署其模型，反而愿意帮助开源社区部署好模型，避免因为细节错误导致效果变差或成本过高。
10. DeepSeek 会开源最强模型吗？开源版与自用版是否一致？
公司的方向是继续开源，最强模型也可能开源。梁文锋看不到闭源的必然好处。
开源模型与 DeepSeek 自己部署的模型会保持一致，不会故意开源一个较差版本、内部使用另一个更强版本。过去一年 C 端服务的实践也没有显示开源与自有产品之间存在明显冲突。
21. DeepSeek 如何看待未来的产品线和商业化路径？
现阶段最值得投入的，仍是继续推进 AGI、提高智能上限，而不是设计更多产品线或复杂商业模式。
技术变化太快，半年前设想的广告、电商、本地生活等商业化路径，很可能很快失效。过去三年任何时候过早规划产品线，都可能因为无法预见未来而浪费时间。
公司并不是不商业化，而是不以商业化作为技术研发目标。C 端用户和 B 端收入说明商业化一直在发生，但彻底转向以商业化为中心仍然很遥远。更多应用和商业机会应由合作伙伴和整个社会共同开发、共享收益。
33. 为什么“只赚合理利润”也能成为竞争策略？
如果一家公司的愿景是拿走 AI 所创造价值的很大比例，它会被愿意拿得更少的竞争者击败；后者又可能被愿意拿得更少的人挑战。拿得太多会失去竞争力，拿得太少又无法维持公司生存，最终会形成合理利润的平衡。
因此，克制不仅是道德表达，也是客观竞争规律。OpenAI 如果一开始设想垄断世界，就必然面对越来越多挑战者；中国公司也可能因为愿意以更低价格提供服务而形成竞争力。
DeepSeek 的目标不是利润最大化，而是在确保公司可持续的前提下赚取合理收益。
37. 开源生态未来如何发展？DeepSeek 会怎样扶持伙伴？
DeepSeek 有意愿扶持更多参与者，也希望合作共赢，但自身精力有限，能否投入具体支持要看人手和优先级。
公司的核心态度是不存在利益冲突：不会把应用伙伴的收益视为自己的损失，也不认为基模公司应该拿走整个产业的大部分价值。未来应用、数据和垂直行业能力应由更广泛的生态共同建设。
54. 如何平衡纯粹科研、AGI 理想与资本市场要求？
梁文锋认为两者可以兼顾。C 端已经有用户，B 端也可能形成数亿美元收入；如果需求继续增长，公司距离盈利并不遥远，甚至可能通过 API 业务实现现金流自给。
最坏的保底情形是：假设技术不再进步，公司把现有模型和服务做好、全力销售 API，也可能支撑一家上市公司。
因此，公司可以继续追求更大的 AGI 梦想，同时拥有可以向资本市场交付的基础业务和业绩，并不是只能二选一。
三、定价、产品与商业化路径
6. DeepSeek 的 API 定价逻辑是什么？
定价并不追求收入或利润最大化，而是以赚取合理利润为标准。当前的基本口径是：购买一批设备后，大约十个月收回设备成本。虽然财务上服务器可能按三年或五年摊销，但考虑前期投入与经营风险，十个月回本已令公司满意。
原稿提到，V3.2 Flash 等服务大致沿用这一逻辑。梁文锋也举例称，某个模型最初担心需求过大，价格定得较高；后来价格降至原来的四分之一，公司内部很多人反而很高兴。因为团队的目标，是让自己投入大量精力做出的模型足够便宜、效果足够好，让更多人充分使用。
从需求弹性看，现有价格已经处于大多数人都用得起的区间。继续降价并不会显著增加使用量，也不会明显增加社会价值，因此没有必要仅为降价而降价。
7. 十个月回本是否意味着利润仍然过高？未来还有降价空间吗？
仍然有降价空间，一方面来自模型优化，另一方面来自成本继续下降。但需要考虑需求弹性：当价格已经低到用户普遍满意时，继续降价带来的需求增量很小，对公司的收入和社会整体幸福感都没有明显提升。
此外，同样的十个月回本标准，其他公司未必能做到，因为 DeepSeek 在模型和部署成本上进行了大量优化。定价必须同时结合自身成本效率和用户实际需求，而不是孤立地看利润倍数。
8. DeepSeek 为什么没有在 C 端用户爆发时全力争夺流量？
去年春节用户突然增长时，DeepSeek 没有把重点放在留住用户、流量变现或与字节等公司争夺 C 端市场，也没有把自己定位成下一个字节或腾讯。
公司确实努力把用户服务好，也以较低成本维持了 C 端产品，因为这些用户未来可能有价值；但 C 端日活只是通往 AGI 过程中的阶段性产物，不是最终目标。
梁文锋把眼前的 C 端机会比作“芝麻”，把后面的 AGI 机会比作“西瓜”。芝麻可以顺手捡，但不值得停下主线去争抢。事后看，没有在 C 端投入巨资争夺流量，可能是正确的选择。
9. DeepSeek 的 B 端收入在公司战略中处于什么位置？
B 端业务需要做好，但不是第一优先级。原稿中判断，如果 API 或 AI 相关需求持续扩大，并能买到更多显卡，ARR 有可能达到数亿美元；如果达到约十亿美元，公司现金流可能转正，覆盖研发和其他费用。
但 C 端用户和 B 端收入都被视为通往 AGI 路上的副产品：模型研发过程中自然产生了可供用户使用的能力，公司再把这些能力通过 API 商业化。它们与 AGI 主线没有冲突，却不是模型研发的初衷。
14. 为什么专注 AGI 反而能形成 C 端和 B 端的优势？
站在更高的技术目标上做阶段性产品，会产生某种“降维”优势。DeepSeek 把精力放在 AGI 主线上，C 端和 B 端只是中间产出，因此不需要为每一个应用场景单独投入庞大团队、销售和客服。
更大的 AGI 愿景也更容易凝聚人才。人才优势不意味着每个人都比别人聪明，而是愿景能让聪明的人有效合作、保持激情并奔向同一目标。
去年 C 端竞争激烈时，DeepSeek 并没有主动争抢，却获得了大量用户；今年 B 端收入增长也相对乐观。这些经历强化了公司对这一战略的信心。
29. To B 业务的上限由什么决定？
在当前一代 AI 技术条件下，To B 业务上限主要受需求限制，而不是算力限制。
需求会快速增长，但不是无穷大。如果十个月就能收回设备成本，理论上只要有足够需求，公司自然愿意继续购买算力；没有无限购买，是因为当前还没有无限多可落地的任务。随着技术突破，可服务的需求会继续扩大。
53. DeepSeek 会不会做金融、法律、医疗等垂直 Agent？
国内最终的商业模式和最顺利路径还不够清晰，不能简单照搬 Anthropic 等海外公司的做法。
现阶段更合理的优先级，是全力做好通用 Agent，尤其 Coding Agent。Coding Agent 能覆盖很多任务，也能帮助公司自身研发；金融、医疗等垂直 Agent 的优先级相对更低。
四、AGI 长期目标与技术路线
11. DeepSeek 的长期目标是什么？
长期目标是 AGI。虽然不同人对 AGI 的定义不完全相同，但不妨碍公司把它作为共同目标。
当前 AI 在获得完整上下文和清晰指令时，已经能在许多任务上超过人类。问题在于，现实中的人拥有几十年的生活和工作上下文，而 AI 通常没有。员工入职后可以用两个月持续熟悉公司，知道“小王”是谁、在哪里以及怎样协作；AI 则需要别人把全部上下文明确提供给它。
因此，AI 距离真正替代人的关键差距，是持续学习能力。
12. 从当前模型走向 AGI 的技术路线图是什么？
梁文锋把 AI 的发展理解为逐级上升的阶梯：
- 语言模型构成基础；
- 思维链（CoT）通过让模型自行思考，提高了智能上限；
- Agent 建立在语言模型和 CoT 之上，把模型能够完成的任务范围进一步扩大；
- Agent 达到上限后，下一个瓶颈是持续学习；
- 模型具备持续学习能力后，可能进入可以辅助甚至迭代自身的阶段；
- 在此基础上，再进入具身智能，让 AI 走进现实世界，承担家务、养老等具体的人力需求。
这条路线之所以理想，是因为后一步可以利用前一步的技术成果。若先实现持续学习和自我迭代，再做具身智能，后续技术甚至可以由更强的 AI 辅助开发，整体会更省力。
13. 所谓“智能奇点”会是突然发生的吗？
梁文锋认为，它更可能是一个连续、渐进但非线性的过程，而不是某个瞬间发生的突变。
之所以表现出非线性，是因为 AI 可以加速 AI 研究。当模型开始显著提升下一代模型的研发效率时，发展速度会越来越快。人们习惯把这个阶段称为“奇点”，但实际过程可能仍然是逐步演进的。
31. 什么样的模型才称得上“下一代模型”？
真正的下一代模型必须具备持续学习能力。在实现之前，模型仍可以在成本、效果和速度上不断改进，但这些属于渐进优化。
若要出现能力层面的重大突破，关键是让模型像人一样长期吸收经验、更新认知，而不是每次都依赖一次完整的集中训练。
35. 持续学习何时会带来突破？需要哪些架构或算法创新？
目前全世界都在研究这一问题，尚无明确时间表。持续学习不是一项单独技术，而是一个需要多种技术共同解决的问题，既包含算法，也包含工程。
投资者当下看到最多的是 Agent，研究者关注的下一步则更多是学习本身。现在有许多思路和看起来有前途的方向，但都还没有被完整做通。
41. DeepSeek 为什么希望模型首先对自己有用？
下一版模型首先要帮助 DeepSeek 自己提升研发效率，让团队更快开发再下一版模型。
模型的第一目标不只是让外部用户觉得好用，而是让研发团队自己觉得好用。只要它能实质帮助模型研究，就会加快实现 AGI。对 DeepSeek 自己有用，通常也意味着对其他用户有用。
当前 AI 已经能与人配合、明显提高研究效率。若进一步具备持续学习能力，它对研究工作的帮助会更大，通用智能的后续开发也会更容易。
42. 为什么要先解决持续学习，再进入通用智能？
现有 Agent 的能力受限于无法有效持续学习。如果先解决这一问题，AI 的能力会显著增强，并大幅提升 DeepSeek 自身的研究效率。
借助能够持续学习的 AI 再开发通用智能，会比完全依赖人工、数据密集和人力密集的方式更省力。因此，这不仅是能力顺序，也是研发效率上的路线选择。
43. AGI 还需要多久？国产硬件能在这段时间追上吗？
梁文锋没有给出明确的 AGI 时间表，只表示至少要先实现持续学习。
在现有 AI 范式下，国内模型可能在一两年内做到接近国外，甚至当年就可能在一些方向实现平替，但这仍不等于 AGI。
国产硬件需要更长时间：先解决生态信心，再解决产能。未来一两年甚至三年内，产能可能仍是瓶颈；但他不太相信五年后中国仍会被同样的产能问题长期卡住，整体态度较为乐观。
46. AGI 最终是否仍会走向具身智能？
会。对普通人来说，真正需要解决的是吃穿住行、家务、养老等现实需求，而不是单纯拥有一台更聪明的电脑。因此，如果目标是解决现实人力需求，具身智能绕不过去。
在没有具身之前，理想的 AGI 应能帮助迭代下一版模型；有了具身之后，也希望它能帮助迭代下一代机器人。具身智能是终点方向，但 DeepSeek 更希望先解决持续学习和自我迭代，再借助更强 AI 完成具身技术。
47. 当 AI 能够自我进化时，“品位”和“直觉”还重要吗？
梁文锋认为，AI 当前并不缺品位和直觉，真正缺少的是持续学习能力。以写文章为例，模型已经能展现可接受的判断和表达品位。
因此，当前更关键的不是额外赋予 AI 某种抽象“品位”，而是让它长期学习、积累上下文并持续改进。
五、竞争格局与产业协作
16. DeepSeek 如何看待竞争对手和产业合作？
公司希望尽量不把任何互联网大厂或创业公司当作敌人，而是为它们赋能，帮助整个行业把 AI 做好。
即使是阿里、智谱、月之暗面等可能被视为竞争者的公司，如果对方无法复现开源成果，DeepSeek 也愿意解释怎样复现。合作伙伴可能获得更多支持，但在大的利益方向上并不存在根本冲突。
公司只聚焦 AGI 智能主线。对于 3D、视频生成、某些世界模型等不在当前主线上的方向，DeepSeek 可能不亲自做，但乐于看到其他公司做好，也希望 AI 被用于各个行业、提升社会生产效率。
17. 为什么 DeepSeek 认为视频生成和世界模型不是现阶段智能主线？
现阶段最重要的是把 AI 训练做好，并进一步解决持续学习。就算法成立而言，即使暂时缩小任务范围、不做多模态，也不妨碍核心训练方法的推进。
视频生成可以是一门好生意，但不等于它能提升智能上限。Sora 出现后一度所有公司都在做视频生成，后来不少创业公司又砍掉了该方向，这说明它与智能主线并非同一件事。
“世界模型”的定义更模糊，很多东西都可以被称为世界模型。DeepSeek 的判断只是：在当前阶段，它还不是提高智能上限最重要的环节。这个判断属于公司的路线选择，并不是唯一正确的路线图。
20. 大模型竞争的终局差异会体现在哪里？
最终差异主要有三方面：
- 成本：以多低的成本提供同等质量服务，这是最重要的壁垒；
- 时间：同样能力早几个月还是晚几个月做出来，会产生明显差异；
- 用户体验：产品体验会形成一定黏性和壁垒，但相对没有前两项那么本质。
比较模型效果必须放在相同成本下进行，就像比较汽车要比较相近价位。做得好与做得差的区别也不会只来自某一个局部环节，而是整体能力的结果。
23. 如何看待 Anthropic、OpenAI 与 Google 的竞争格局？
Anthropic 当前在 Code Agent 等方向上的优势更像阶段性先发优势，不一定能长期保持，也没有达到全面碾压 OpenAI 的程度。DeepSeek 内部也有不少人认为 OpenAI 的产品更好。
长期看，OpenAI 和 Google 等头部公司可能交替上升。几家公司都很强，Anthropic 的特点之一是效率较高，投入和烧钱相对少。
24. 中国公司将在全球 AI 分工中扮演什么角色？
中国可能成为 AI 供给中产量最大、成本最低的重要一极。中国拥有较大的制造产能和电力供给，未来国产 AI 的效果可能与美国没有太大差别，但价格系统性更低，类似中国在其他产业中的竞争方式。
梁文锋认为，中国 AI 可能成为全球几大核心力量之一。中国的结构性优势更可能体现在成本和产品体验，而不一定体现在每一项底层能力上。
28. DeepSeek 会向上游或下游进行垂直整合吗？会自研芯片吗？
公司希望避免把所有环节都做掉，只做自己最擅长、最核心的一块，并让产业伙伴完成更靠近具体用户和行业的环节。
大型集群一定会自建，DeepSeek 现有集群本来就是自己建设的；但是否自研芯片，要看收益是否足够大。如果能以合理价格购买芯片，就没有必要像发电厂自己制造发电机那样，额外进入不擅长的环节。
AI 市场足够大，可能诞生多家万亿美元级公司。DeepSeek 只需专注其中一块，也可能成为其中之一，没有必要吞下整个产业链。
36. AI 生态的人才短缺会长期存在吗？中国需要多少家基模公司？
人才短缺是产业早期的阶段性现象。网站、服务端开发、飞行员等领域都曾出现人才短缺，但通常会在两三年内通过培养得到缓解。AI 人才也会快速增加，长期并不稀缺。
相比之下，国内做基模的公司过多，导致人才和算力资源分散。美国可能集中在三家主要公司，而中国许多公司重复做相近工作。
未来行业一定会收敛。梁文锋推测，中国最终可能有三四家基模公司充分竞争，例如两家大公司、两家小公司，已经足以形成价格竞争。基模公司不可能拿走产业大部分利润，成本控制好的多赚一点、差的少赚一点，不会长期存在暴利。
51. 中国 AI 除了成本外，还可能在哪些方面超过美国？
最可能形成结构性优势的是成本和产品体验。
美国公司未必把降低成本视为最高优先级，而中国公司会被资源约束迫使自己发展效率能力。与此同时，中国互联网公司长期积累了较强的产品能力，因此用户体验不一定比美国差。
在其他方面未必存在明确的结构性优势，但仅成本与产品两项，就足以让中国 AI 保持较强竞争力。
六、算力、硬件与国产芯片生态
18. DeepSeek 与美国头部 AI 公司的最大差距是什么？
最大差距是算力资源，而不是人的智力。国内外人才本质上来自相近的人群，人才流向也带有很大随机性。中国并不缺聪明人，真正的问题是算力不足导致实验机会少，进而影响人才培养和模型能力。
原稿中提到，DeepSeek 当时约有两万张 H 系列等效算力，其中许多是最近一两个月才到位，后续还会继续采购，主要是英伟达设备。
美国最大模型的激活参数规模可能达到约 800B，而国内还主要处在几十 B 激活的规模，差了一个数量级。若训练同等规模模型，原稿估算可能需要约五万张 GB300，或二十万张华为 950；这还只计算正式训练，没有包括研究实验。
19. 融资后 DeepSeek 会如何使用资金采购算力？
策略是在价格合理的前提下，能买到多少卡就买多少。若半年内能把融资资金大量转化成算力，反而是理想状态，因为算力能够产生服务能力和现金流，比资金停留在银行更有价值。
真正的困难不是缺少采购意愿，而是买不到足够多的卡，且价格不能高到不合理。原稿甚至表示，如果一年能花掉约两百亿元用于采购，可以视为采购部门业绩非常好。
不过，即使增加当前和未来数月的资源，也主要是让 DeepSeek 在几十 B 激活规模上做更多实验，距离充分研究和训练 800B 级模型仍然很远。
25. 国产 AI 芯片为什么迎来历史性机会？
过去国产芯片的主要障碍是生态不好：买到卡，却缺少像 CUDA 那样成熟的软件体系。现在这一障碍正在被削弱，原因包括：
- AI 可以辅助编写代码，建立软件生态比过去容易；
- TileLang 等高级语言能更高效地编写算子，重建相关生态；
- AI 计算卡市场已经超过游戏卡市场，未来硬件会更专用，继续与传统游戏卡生态深度耦合的必要性降低。
在买不到英伟达高端卡的背景下，整个行业都有动力适配国产芯片。梁文锋判断，未来一年左右，市场有机会看到国产芯片生态能够解决“不好用、用不起来”的问题，之后主要瓶颈将转向产能。
26. DeepSeek 与华为如何合作？TileLang 有什么作用？
DeepSeek 主要与华为合作适配国产算力，并会深度参与生态建设。华为自身也在做适配，DeepSeek 的重点之一是把高级语言和编译体系 TileLang 做好。
原稿称，V3 训练虽然使用英伟达卡，但已经很少依赖英伟达传统软件生态，而是先建立 TileLang 这一高级编译层，再完成其他工作。把同一套过程迁移到华为卡上，就有机会完成国产环境适配。
原稿还提到，华为当时给 DeepSeek 的资源约为 1.6 万张卡，但受限于单卡性能，只相当于约 4000 张 B 系列卡，足以支持当前一代模型，却不足以训练下一代更大模型。这批资源的重要意义更多在于共同把生态做好。
27. 国产芯片与英伟达的真实差距有多大？
梁文锋的概括是：未来生态差距可能消失，但芯片性能与时间上仍有明显差距，可粗略理解为“四倍加两年”。
原稿以华为 950 超节点为例，认为其任务能力可以覆盖 GB200、GB300 的需求，但可能需要约四张华为卡对应一张英伟达卡，并且产品时间落后约两年。即使整体价格贵 50%、100% 甚至更多，只要能完成同类任务，在算力紧缺背景下仍可能具有替代价值。
国产硬件短期内的核心问题不是能不能用，而是产能够不够。
39. 当前采购的算力会不会很快过时？英伟达与华为卡应如何折旧？
原稿中的判断是，英伟达卡大体可以按五年折旧，华为卡最多按三年折旧。华为 950 当年和次年仍有使用价值，但再往后可能因能耗过高而降低性价比，因为它本身已经落后英伟达约两年。
如果能以合理价格买到 B200 等英伟达高端卡，采购仍然划算。当前更现实的问题不是精确测算长期折旧，而是很难买到足够数量。
40. 中国如何消解与美国的算力差距？
第一，要接受阶段性的模型落后和更小的模型规模；第二，利用落后的时间窗口，通过更巧妙的方法提高效率；第三，在重点方向进行取舍，争取局部超越。
原稿把过去的叙事概括为：落后美国一到两年，但只用其约二十分之一的算力做出相近成果。未来希望把差距缩短到 6 个月或 3 个月，并把可用算力提高到美国的几分之一。
在总算力仍有数量级差距时，全面超越并不现实，但在部分重点能力上有机会超越。
57. 放弃部分 CUDA 生态、采用 TileLang 会降低推理效率吗？
总体方向是提高效率，而不是降低效率。
TileLang 是更高级的语言，所需代码量更小，重写算子的速度更快，使团队可以用更简单的方式替代对传统 CUDA 生态的深度依赖。DeepSeek 还在探索用 AI 编写 TileLang；当时主要仍由人编写，但已经比直接写 CUDA 快很多。
在硬件底层执行效率上，原稿提到可能有约 1% 到 2% 的损失，但梁文锋认为可以接受。综合开发效率和生态可迁移性看，这被视为一次显著的技术机会，而不是短期需要弥补的缺点。
七、模型研究、数据与技术方法
30. DeepSeek 如何布局多模态和 Scaling？
多模态对产品、尤其 C 端产品很重要，DeepSeek 一直在做，并计划在 V4 及后续版本中支持原生多模态。但在智能路线图中，多模态更像一个组件，类似搜索，不等于智能主线本身。
DeepSeek 相信 Scaling：模型越大、数据和训练规模越大，效果通常越好，也能解锁更多能力。限制 Scaling 的不是意愿，而是算力。
公司尚未触碰 Scaling 上限。硅谷讨论 Scaling 是否到头，并不代表中国公司已经到达同一位置。DeepSeek 的模型规模是根据可用资源倒推出来的，而不是因为当前规模已经足够。
32. DeepSeek 为什么特别重视模型计算效率和低成本？
首先，这是公司愿景的一部分。团队成员能够站在普通用户角度考虑问题，知道调用模型需要花钱，希望更多人负担得起，尤其是在中国算力紧缺的环境下。
其次，成本越低，同样算力能训练和部署的模型越大。对资源充足的大公司来说，可以通过不断增加算力解决问题；对 DeepSeek 来说，提高算法和架构效率是更优先的选择。
一些商业公司未必有足够动力追求极低成本，因为成本下降也会压低其收费空间。DeepSeek 则把低成本本身视为有价值的结果，并认为算法上仍有继续下降的空间。
38. AI 能否利用真实数据、仿真数据或自生成数据超越人类？
梁文锋认为可以。AlphaGo 下出人类从未见过的棋，说明 AI 能够在一定范围内基于人类已有知识进一步超越人类。
这种超越可能仍有局限，但目前还看不到边界。至于最终依靠真实数据、仿真数据还是创造数据，不会只有一种固定方法，而可能由多种机制共同完成。
45. DeepSeek 的发版节奏和模型规模规划是什么？
梁文锋认为较舒适的发版节奏约为两三个月一版。原稿以四月底的上次发版为参照，推测下一次可能在六月底左右；如果没有意外，版本应持续改善。
在约 50B 激活参数尺度上，DeepSeek 与当时一波开源模型在效果和推理速度上的最终差距可能不会太大；但与未公开的大尺寸模型仍有明显差距，可能需要 150B 甚至更大激活参数规模才能追赶。
原稿判断，150B 级模型乐观情况下可能在当年年底开始训练，但该段文字存在语音识别缺失，具体时间与对标对象不宜据此作精确结论。
48. 对确定的 Scaling 目标与未解决的持续学习研究，应如何分配资源？
原稿中的部分术语识别为“Office”“MIS”等，含义不够确定。梁文锋的核心回答是：探索持续学习、CoT 等基础问题，并不一定大量消耗算力和人员，它更需要想法，而不是庞大项目制投入。
团队把这种探索称为“摸奖”：门槛不高，很多人都可以思考和尝试，但谁能找到关键方法并不确定。公司需要把它当成重要问题，持续讨论和思考，却不必像训练和发布大模型那样分配大规模算力。
真正大量消耗资源的是模型训练、模型发布和效率实验。
49. 大模型幻觉问题可以解决吗？
可以改善。幻觉是一个长期命题，但可以通过更好的后训练（Post-training）持续降低。
目前行业没有把全部精力集中在这一问题上。对 DeepSeek 来说，它更接近产品问题：公司会解决，但不是当前最核心的研究主线。
50. 高质量数据标注为什么是中国模型的重要瓶颈？
高端数据标注成本非常高，中国在这方面并没有明显成本优势，美国与中国的高质量标注成本接近。因此，国内公司很难简单复制美国依靠巨额投入标注数据的路径。
DeepSeek 采取“两条腿走路”：先做成本相对低的标注，同时逐步扩展高质量数据工作。原稿称，当时约有一半核心研究人员在参与数据标注，说明在当前阶段，数据仍是提升 AI 能力的关键投入。
52. 融资后 DeepSeek 会不会加大后训练和数据投入？
会加大投入，但高质量数据标注的主要瓶颈不完全是资本，而是时间。
OpenAI、Anthropic 等公司开始更早、资金和算力也更多。国内大规模做高质量数据的时间相对较短，即使立即增加资金，也无法瞬间获得足够成熟的标注体系和人员。
这项工作已经在快速扩张，原有资金也足以支持较快增长。梁文锋预计，一年左右国内高质量数据能力有机会明显改善，但无法跳过必要的积累过程。
56. 150B 到 250B 激活参数的下一代模型将对标什么水平？
现场有人询问该规模会对标原稿转写为“O4.7”的模型，还是其他目标，但文字稿中没有保留梁文锋对这一问题的明确回答。
因此，只能确认现场讨论过 150B 到 250B 激活参数的设想，不能根据本稿判断其确定对标对象。