DeepSeek爆火后，梁文锋虽一直未公开露面，但江湖一直流传着DeepSeek与梁文锋的传说。
最新的一场投资者交流会上，梁文锋用了将近4小时与投资人进行了深入交流，讲述了为什么坚持开源？开源和商业化会不会有冲突？公司的长期愿景、公司的核心利益是什么？长期商业化路径和产品线进一步丰富后，怎么定价？等五方面问题，并回答了投资人的问题。
将近4小时的交流中，克制一词贯穿全程。他说，如果说想在他们手上把AI这个事情做成，是需要克制的。
而后关于定价、利润等等问题，都凸显克制。例如，关于愿景，他说做东西还是要有用，而非赚钱。如果便宜、效果又非常好，他们就很开心，这是其动力，这是公司凝聚到一起去做事的共识。
关于AGI他有自己的判断，他认为AI还是替代不了人类。关于AI的发展，他认为，可以理解成它是一个阶梯。去年走的阶梯是思维链，而今年的阶梯是Agent。
关于DeepSeek未来的发展，他提及*的核心利益是要保持团队稳定。
关于对手，他说在保持团队稳定的前提下，都是可以克制的。很愿意协助、帮助任何人，甚至其竞争对手，包括阿里、智谱、月之暗面，去做得更好。
关于行业，他说人才上面几乎没有差距，因为就是同一批人，更多竞争在算力。
另外，他也不喜欢加班。他说，一是做研究是需要一个比较松弛的环境；二是业务非常聚焦，就意味着我们要做的事情很少。
“一般我们希望不要占用员工所有时间的一半，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。”
以下为发言与问答实录，经编辑与整理删减：
我们一开始来做这个公司，初衷并不是想着最后要赚多少钱，要到资本市场上去、要上市，或者怎么样。最开始的几十个人完全没有这么想过，如果他这么想，他也不会来。
总体来讲，我们是怀着一个对这个世界非常大的善意来做这个事情，我们觉得这是对人类有用的事情，这是一个金钱以外的事情。当然，到了后面，当我们发现这个事情的利益非常大之后，又有其他诱惑，这是另外一回事。
但是，我们最开始的初衷、我们的愿景，以及我们一直保持到现在的愿景，并不是按照一个商业利益*化的方式来做的。我觉得这一点比较关键。
我大概二十年前，在管理上最崇拜的是杰克·韦尔奇，就是GE前CEO。现在回头来看，他说的大部分东西可能已经不完全对了，但是他最重要的一点我觉得他说对了：一个公司最重要的是它的愿景。
管理一个大公司，靠的不是规章制度，靠的是愿景。愿景是什么？愿景不是挂在墙上的标语，愿景是你怎么做，而不是你怎么说，就是你实际怎么运行。
所以，我们是怎么管理这么多人、怎么组织起来的？其实我们没有组织，我们是靠一个愿景来组织。这个事情有好处，也有坏处。未来我们会想办法扬长避短，但这也是我们的特色。
这个愿景甚至也不是成文的，并不是写出来的，没有写出来过任何东西。这个愿景是在我们做事情的方法、我们对待这个世界的态度里。
可能我们公司每个人对这个愿景的理解也不一样，可能每一个人的愿景也是有差别的，但是在一个大的方向上是一致的。
一、为什么坚持开源？
首先，*个就是愿景；第二个，我们认为要把AI 这个事情在商业上做成，开源是有好处的。
这听起来有点矛盾，有点违反直觉，因为在历史上，开源跟商业化都是有冲突的。
但是AI 这个事情足够大，最终它可能得占掉人类社会GDP 的百分之十。你不可能独占这个事情，你一定得跟别人分享，否则你肯定活不下来。
这跟之前开源做一个软件可能是不一样的，因为那个软件的市场就没那么大。但是AI 这个事情实在太大了。如果说我们想独占这个利益，那么一定是要被历史抛弃的。我觉得最主要这是一个客观的规律，这是一个历史观。
并不是说我不开源，我就能够独占这个市场，这在理论上就不符合客观事实。你一定会遇到很多阻力，一定会有其他的方法阻止你实现这个目标。
在这种情况下，我觉得不一定要按照传统的商业思维。你需要有一套机制来确保你自己能够获得的利益是有限的，那么你才有可能做成。
如果说我们想在我们手上把AI 这个事情做成，首先*个，我觉得是需要克制的。你越克制，你越有可能能够做成这件事。这是一个商业上的考量，当然这是一个宏观的考虑。
我觉得这是符合直觉的，至少是符合我的直觉，或者说至少我是真的这么想的。
我们两年前成立这个公司的时候，我们又没有很多钱，又没有很多卡，又没有什么知名度，又没有什么号召力，我们就是一群非常平凡的人。
我们真的就是一群平凡的人。我喜欢的一个叙事是“一群平凡的人做出了不平凡的事情”，而不是“一群天才做出了不平凡的事情”，这个跟我们的克制是很有关系的，跟我们的克制、跟我们的愿景是一脉相承的。
开源和商业化会不会有冲突？
我觉得在AI 这个事情上面，你不克制，你就起不来。开源是属于克制的一部分，那么我们的克制不仅表现在开源上面，我们还表现在很多方面上。
你越克制，可能就越容易做成，或者说至少到目前为止是印证的，到目前为止是能解释得通的。
否则没有办法能够解释为什么我们能够做成：我们并没有什么武器，起点又非常低，资源又非常少，我们的人其实也就是随机的一群平凡的人。我自己也就是一个大学毕业的学生，也不是最*的那个学校毕业的。
这个克制也是我们愿景里的一部分。AI这个事情太大了，利益太大了。我们非常克制，只要能够做成，最后利益都会非常大。
所以我们之前说，只赚取一个合理的利润，只看你的意愿，而不是利润之大，这个是不一样的。我们API 定价觉得一个合理的利润，大概是我们到市场上买一批设备回来，十个月收回成本，我觉得这是一个合理的利润。
我跟你们讲个故事，就是我们那个模型。一开始我们担心需求太多，所以一开始把价格定得比较高，团队里大家不是很高兴。后来我把价格又降下来了，降到四分之一，大家就很开心。
我觉得这个才是我们真实的想法。就是我前面说的愿景，我们还是让这个东西对人是有用的，而不是我们赚最多的钱，而是我们在能够赚到合理利润的情况下，大家都用得起。
因为这是我们花了这么多精力，这么用心把这个模型做好的目的。目的就是能够非常便宜、效果非常好，能够让大家都能够充分地用。我们就觉得这很开心，这是我们的动力，这是我们的愿景，这是我们公司能够凝聚到一起去做这个事情的共识。
刚刚有人在屏幕上留言说，十个月回本这个利润太高了。确实是还有降价的空间。在模型的优化上也还有空间，所以整体降价空间还是比较大的。但是这个成本，十个月回本，我们自己能做到，其他家做不到。
刚刚说我们为什么不继续降价，是因为它没有弹性。因为这个价格所有人都用得起了，大家都觉得这个价格是满意的，不会因为这个价格贵而不用了。
所以降价首先公司不会有更多的收入，对社会来讲也没有更多的价值，因为这个价格大家都满意了。你价格再低，对这个社会的幸福感也没有增加很多。
在定价这个事情上面，我们肯定不是以公司收入或者利润最高为出发点的。这是我们克制的一部分，因为从短期来讲，你价格高一点，你可能收入多一点；但从长期来讲，还真不好说。
对我来讲，克制是一种战略。就在于有时候你可以舍弃一些，来换更多其他的东西。
首先，让利对于我们公司内部来讲，大家都很开心，员工觉得很有成就感，会因此有凝聚力。以及这个让利对社会是有好处的，社会也很高兴，其他同行或者说普通人都会很高兴，所以这种克制，我理解是这种克制从长远上来讲，能够增加我们做成AGI 的概率。
在考虑一件事的时候，我是毫不怀疑AGI 会有非常大的商业价值。
那么在这个基础上，我优先考虑的不是我怎么多加一点份额，我怎么多拿一些份额，我优先考虑的是我怎么增加我能够做成的概率。
这个克制可能还体现在很多其他的方面。比如说，我们去年春节用户突然很多，但是我们并没有去追求我要留这些用户，或者说拿这些用户来变现，或者说我要去抢这些商业利益，在用户上面兑现。
我们没有去抢用户，没有去赚钱，但我们很努力想办法把用户服务好。我们并不会有这样的想法，说我要做成下一个超级App，然后我要去跟谁竞争，我要做成下一个字节、做成下一个腾讯，完全没有这样的想法。
我们是可以这么做，但是我们没有这么做。我的理解是，这也是克制的一部分。你不要想什么都要赚了，你好像有了用户之后，好像就能够做成下一个字节了，然后你就把那个吃了。
我觉得这个在商业上是行得通的，是有可能的。如果去年时候我们用了大笔钱，就跟字节去抢用户，也是一种打法。但是我们选择是一种非常克制的做法，就是我不跟你去争这个东西，因为后面还有西瓜，前面的可能都是芝麻。
我不应该什么芝麻都抢了。当然，可能这个芝麻比较大，但我觉得后面的AI 可能前面都不算大。现在来看，去年我们没有在C 端去发力，可能是对的。因为能看到后面真的是有更大的西瓜，前面真的只是一些小芝麻。
如果去年我就有很多钱，然后把这个事情做得非常大的话，有什么好处？你并没有得到什么东西。这些是我的真实想法，因为我觉得后面的AGI 机会应该是非常大的。
我甚至不用考虑我到时候在里面是占一个位置，或者说在那里面我的商业模式是什么，我们根本就不用考虑。只要有那么大的商业机会，你一定是有办法的。那么前面的芝麻，我们也会捡，但是我们就随手捡一点，并不会说我停下来，或者说我把它当成重要事情来做。
所以去年的C 端日活这些，我觉得可能就是个小事。但我们也捡了，我们也用一个比较低的成本维持了用户的使用，因为有可能以后是有用的。虽然现在不知道这用户有什么用，现在它是一个纯成本的支出，但是以后可能是有用的。
既然是随手能够拿到的，我们就会顺手拿到。包括今年来看，很有可能我们在API 或者AI 方面的ARR 收入，也是有一个机会的。就是如果这个需求可以继续扩大，显卡可以买到更多的显卡，那么ARR 做到几个亿美金是很有可能的。
如果说AI 能做到十亿美金的话，那么基本上我公司的现金流可能就能够回正了，能够cover 我的研发费用，能够cover 我的所有费用。所以说这个也是有可能的，但是我们没有把它当一个优先来做。
这个我们会做，但我觉得这个是个重要事情。它不是我们*优先考虑的，或者不是我们今天真的关心的。更大的机会应该还在后面，前面的机会包括去年的C 端、今年的B 端，我觉得这事要做，要把它做好，但这不是我们的目标。
或者说，我们公司大部分人不认为这是一个非常重要的事情，不认为这是一个跟AGI 比较起来同等重要的问题。
开源那个可以多说一下，因为之前有很多问题问的都是开源。首先，我觉得我们是会开源的，然后我们最强的模型可能也是会开源的。因为我看不到闭源什么好处，看不到必然的好处。字节它的模型是闭源的，它有什么好处？我看不到有什么好处。
哪怕是模型开源，你把所有东西都告诉别人，这个门槛也非常高。别人要用起来，这个门槛也非常高。他要用起来，就很难；其次，他要用起来，还要成本做得很低，也很难很难，没有那么容易。
并不是我开源了，他就能够轻易地做到跟我一样的部署成本。这里边还是有很多工作要做的。虽然说这些工作原理都明白，但是不是每一家公司都愿意，或者都有这个意愿和能力来组织人力去达到这个目标的。
这点我也很习惯。它可能就不擅长做这个事情，因为它阻力太大了。它要控制这个成本很难，它有很多管理上的以及物理上的制约。这也是创业公司的优势，因为创业公司如果太小的话，你没有这个力量来做这个事情；如果你是大公司的话，你很难组织。
这个事情都有难点，所以这是属于我们这个规模的公司的一个甜区，sweet point。然后如果我们更大了，可能我们没有其他问题；如果更小的话，朋友们力量又会不足。
外面可能看起来，我们选了一个很难的模式，我们要做研究，我们去做最难的事情，好像是个hard 的模式。但其实我们在外地方舍弃了很多，使得我们还是非常有力的，我们还是做得非常轻松的。
所以对开源这件事情，实际上我的判断是，它是持续的。开源和商业付费之间没有冲突，前提是六倍利润的情况下没有冲突的。
六倍利润看起来很高，但其实不高。因为现在AI 的效率这么高的情况下，现在一个合理利润可能就是这么多。未来它可能会降到，比如说四倍、三倍，我觉得这已经是再也不可能再降了，但就是它还是会有很大的利润。
二、公司的长期目标是AGI
每个人对AI 定义不一定一样，但是不妨碍我们把AGI 当做我们的目标。
从技术路线上来看，其实AGI 这条路线图是比较清晰的。跟目前的这一代AI 技术，如果说你能够把一个问题描述得很清楚，给它完整的上下文和指令，它已经超过人类了。但这里有个定义，有个前提是：你给它完整的上下文，你给它完整的指令。
然后这个定义是很难达到的。比如说我们今天开会，其实我们前面有很长很强的上下文，可能大家有几十年的上下文，然后这是AI 不具备的。那么现在AI 能具备的是，在一个局限的上下文里面，它能做得比人更好。
但它还是替代不了人类。这里面还差一个地方，是持续学习。因为人也能够持续学习。你招一个员工，他可能花两个月时间来熟悉这公司的环境，熟悉他的工作，他谈两个月的，你这样他就可以上手了。
他就能做很多事情。他能够听懂你说的话，比如说你说，叫那个小王来，他就知道小王是谁。但如果AI 的话，因为这个上下文，他前面没有这两个月的学习。
你跟他说，叫小王过来，你得告诉他小王是谁、什么职务、他在哪里、要怎么去找他、要找他的时候注意什么。你得给AI 所有的上下文。那么在这种情况下，AI 是能做的，但是你不可能给他所有的上下文，也不现实。
所以AI 并不能够替代你的员工。但如果说AI 具有持续学习的能力，它跟你的员工一样，到公司学习两个月，那么但就可以替代天下的人了，所以我们离下一步还差一个学习去学习。
AI的发展，我们可以理解成它是一个阶梯。去年走的阶梯是CoT，就是思维链。因为我们发现，通过思维链的方式，可以让智能达到一个更高的水平。通过它自己思考，可以让这个上限，可以让这个AI 能做更多的事情。
那么我们又跨过了一个阶梯。今年的阶梯就是Agent，因为我们发现，用Agent 的方式，即便多有事情也可以做，它的能力范围会更大，它的智能上限会更高。
为什么是阶梯呢？因为后面的每一步都是基于前面的基础上的。Agent 要用到CoT，然后CoT 也要用到前面的阶梯，前面的阶梯就是语言模型，所以它并没有一步是白走的。
所以，AI 的发展，智能的走向是有迹可循的。说今年走的这个阶梯是Agent，但是Agent 这个阶梯，它也是会走完的。就是它把所有可能解决的问题都解决完之后，但是它还是不能替代你的员工，但是它已经到它能力的上限了。
然后在Agent 之后，我们觉得应该要解决的问题是持续学习，就是怎么让模型可以持续地学习，而不是说你要给它一个很强的训练，它应该能够像人一样做一个比较长时间的持续学习。
这个问题跟完成任务等等是同一回事，它们相关，解决的是同一个问题。我们现在站在Agent 这个地方，能看到的是下一个瓶颈，就是持续学习。下一个要解决的问题，就是解决怎么持续学习，这个是看得到的，是相对来讲比较明确的。
就是卡在前面的这个障碍，你必须要跨过去，而且一定是有办法能跨过去的，但需要时间。持续学习之后，可能我们就会来到一个奇点。这个奇点就是，当这个模型能够持续学习之后，它已经能够做人类能做的所有事情了。
它就能够自己开发自己的版本，能够自己再研究，然后开发自己的下一个版本，开发更前的人工智能模型。所以它就会到一个奇点，能够实现自己的迭代。但这个奇点，它并不是一个奇点，它也是一个渐进的过程。这个过程可能也是一个比较长的渐变，它不是个突变。但是习惯性地，我们都认为它可能是个奇点。
因为在很早之前，那些预言家认为这里会有个奇点，但其实它不是一个奇点，它是一个连续的过程。然后这一步走完之后，我觉得才是具身智能。
这是我们的推测，这是我们觉得这个时间表应该是：先解决学习，然后再到那个智能的奇点，能自我迭代的奇点，然后才是具身智能。到具身智能之后，它就走进现实世界，可以给你做家务，可以给你养老。
我们觉得这是一个比较理想的路线图，但每个人的观点不一样，没有对错之分。只是我们觉得，这个路线图是最轻松的。
这个路线图是因为每一步你要做新的都很少。这个路线图我们可以不用加班。但是如果路线图是反过来的，比如说它要先实现具身智能，那么这里自己做得很累，这是一个很苦的活。我们不希望是这样的路线图，我们希望做得轻松一点。
如果说我们先解决持续学习，再解决那个自我迭代的奇点，再解决具身智能，这个路上就很轻松。因为到后面之后，你可以用前面的技术来帮助开发后面的技术。奇点之后再做具身智能，那个就不用人来做，那个模型自己就可以出来了。
回到现实，去年最重要的现实就是，大家都要做Chatbot，要抢C 端的流量。那么今年的现实是，大家都要抢To B 的收入，要参与到这里面去，因为如果不参与的话，根本就不在牌桌上，对不对？
但我们并不认为它是一个重要事情，或者说，在我们公司内部，我们真正关心的，其实是刚刚我说的这些AGI 的路线图，以及下一步这个技术怎么突破。
但是有一点很奇怪的是，最想得到的东西，反而你就得不到。那个并没有那么在意的事情，反而是还蛮容易能够得到。
这里边有一个战略上的优势，就是我们心里面想着AGI，我们做的是AGI。那我们再做那个应用，再做那个C 端、B 端的时候，根本就不用太多的心思去做那个事情，其实花很少的精力就可以了。
我觉得是说，你站在一个技术的高位上来做相对低一级别的技术，是有这样降维打击的。至少在去年的C 端，我们看到确实是这样。
然后今年B 端的这个收入，现在看起来这个增长还比较乐观。我觉得可能这个数字跟同行比的话，应该也是比较好的，我估计。但是我们并没有花很大的精力去做这事情，我们根本就没有做一件事情，就是顺便做的。
做互联网智能的上线，走的时候，AGI 这一步是我必须走的，是个台阶。通往AGI 的路上，我要经过这个台阶。那么我把这些技术都通过API 给大家服务，我没有干额外的事情。
我们还是在做AI，这是一个副产品。我只要搞几个人维护这个API 就可以了，甚至客服都没有，也不用销售，什么都不需要，用户自己就会来。
或者说，被认为是C 端的用户，C 端和B 端，都是我们做AGI 路上的副产物，都是一个中间的产出，跟我做AGI 没有冲突。我并不是为了做C 端，或者为了做B 端而去做它，而是我们做AGI 是为了做AGI，刚好能产出这个东西，我就把它拿来做商业化了。
这跟其他公司不一样。其他公司就是为了做这个，为了服务C 端用户，或者服务B 端用户而去做这个模型。但对我们来讲，初衷不是这样的，我们初衷还是去追求AGI。
我觉得这个在一定程度上是一种降维打击。AGI 是更大的愿景，这个愿景能够凝聚起更多优秀的人，它有更强的凝聚力。所以我在组织上有优势，然后我利用这个优势去……它就是一种降维打击。
但如果你是一个商业公司，你的愿景就是服务好C 端用户，那么是另外一个故事。他有其他的优势，在产品上、用户服务上、流量上会有优势，但是在技术上没有优势。
现在比较有利的形势是，模型技术是最重要的。然后这个可以解释我们之前发展的轨迹。我们真的是选择AGI，然后我根本没有想着说要做很多的用户。
去年春节我们突然火的时候，那不在我们的剧本里面，我们完全没有想过那个东西。我们就是想把这个技术做好。但是那时候我发现，其实我们这个组织相对于完全商业化、以产品为目标的组织来讲，在人才跟组织上是有额外优势的。
这也很神奇。那时候C 端大家都抢得头破血流，结果被一个没有去抢的人牵走了。这个也确实说明我前面说的逻辑是有道理的，确实是有人才和组织上的优势。
这个人才优势不是说我的人比他更聪明，而是这些人才我怎么组织起来，怎么激励他，然后怎么合作，这个东西是有优势的。因为你把聪明的人聚在一起，并不是说他自然而然就能够合作，自然而然就能够非常有激情地去奔一个目标、去完成的，所以你需要一个愿景。
三、公司核心利益是什么？
我前面说，我们在很多方面都要非常克制。但是我们的核心利益是什么？其实我们的核心利益只有一点：我们*的核心利益是要保持团队的稳定性。这是我们*的核心利益，甚至可以认为是*的核心利益。
只要我能够保持团队的稳定性，我一定能做成，一定能做成AGI，就这么简单。只要大家都不走，我们能够继续做，我就一定能……基本上没有什么风险。只是说早点晚一点，将遇到挫折；如果遇到挫折，大家都不走，那么我又可以继续。
钱肯定不是问题，资源不是问题，其他要素都是容易获得的。对我们来讲，只有一个核心利益，只有一个没法退让的：我们必须要保持团队的稳定性。
这也是我们面临的一个非常大的挑战，或者说，我觉得是*的风险。当然，这个风险随着我们近期的这一次融资，得到了比较大的解除。因为大家拿到的期权都还是比较多的，金额还是比较大的。
从团队稳定性来讲，只要最重要的一些员工、最老的员工能够稳定，那么其他人是不太会走的。其他人哪怕期权少一点、收入少一点，他也不会走。因为他不是全奔着钱来的，大家都希望在一个能够做成AGI 的环境里面去做这个事情。
所以对人才来讲，还是有吸引力的。从历史上来看，我们的人才流动是比较少的，跟同行比，我们人才流动永远是比较少的。但是，这依然是我们*的挑战，是*的挑战，可以这么讲。
其他都是时间问题，其他最多导致我们晚半年、晚一年，但是不会说做不出来。肯定是不缺钱，肯定是不缺资源，其实这些都是不缺的。
所以我们现在做的很多事情，都是为了保持团队的稳定性。除了这一点以外，其他我觉得我们都是可以不要的，都是可以克制的。我们一直非常克制，不愿意跟任何一家互联网大厂或者小厂成为对手。
我希望我能够给他赋能，或者希望我能够协助大家去做这个事情，希望能够帮助大家做这是我们前面说的，我们的商业意义的一部分。
在这个前提下，我们是很愿意协助、帮助任何人，甚至我们的竞争对手，包括阿里、智谱、月之暗面，去做得更好。
因为我们并不损失什么东西，我们本来也是开源的，开源也是没有把边界尽可能说清楚，对怎么做，希望你能够复现；你如果复现不了，你讲，我告诉你怎么复现。
这本来就是开源的一部分，不会因为你是竞争对手就怎么样。当然，如果是合作伙伴，我会做更多的事情。但是在大的利益上面是没有冲突的。
在对外面打交道的时候，我们的态度是：我们只做AGI 的主线。这就是我刚刚说的这个GPT、CoT、Agent 等等，就只做主线。AI 领域很广泛，有很多东西我们觉得它不在这个主线上面，比如说3D、视频生成，我觉得可能跟智能的主线没有太大的关系，我们不会去做。
还有一些，比如说世界模型，我觉得现在跟智能的上限也没有太大的关系，所以我们也不会去做。但是其他人做，我们也很乐意帮忙。有没有时间是一回事，但是利益上是没有冲突的。
我们也希望这些AI 技术能够用到各种生产环境里面去，能够提高社会的生产效率，能够帮助各行各业去提高生产效率。我们是非常有动力做这个事情的。
我有没有时间、有没有人手，或者我们的同学自己感不感兴趣，那是另外一回事。但是在利益上是没有冲突的，我们是希望能够达到这个目的。
我觉得我们之前秉持这种态度，其实我们并没有因此而少拿到任何东西，并没有因为我开源，并没有因为我们的善意或者说我对其他人提供帮助，而导致我们少拿了任何东西。比如说去年的C 端用户，我们现在C 端用户还是比较多的，也还是比较稳固的。
我们今年的B 端，我觉得也是比较乐观的。我并没有因为我们的善意而影响到我的商业利益，完全没有影响，反而可能还有加分。这个看起来违反直觉，但它确实是这样的。或者我们反过来想，如果违背它，也是必然的，我能够拿到更多东西吗？没有。
有个问题是，怎么理解世界模型和AI 智能上限提高没有关系？我说的是在现在这个阶段，这是我们的判断。我们有看到，这是我们自己的AI 路线图，不是*的路线图。
从我们的理解、从我们的判断来看，当前最重要的是把AI 训练做好。把AI 训练做好，并不需要世界模型，甚至不用多模态。因为你把AI 训练范围缩小一点，没有多模态，只是有一部分任务你做不了，但是不影响这个算法的成立。
多模态最终还是要做的。现在重要的是训练，然后下一步要解决的是持续学习的问题，再下一步要解决的是它自己问问题。但是这个路线图里面没有世界模型，没有视频生成。
视频生成一开始出来的时候就很火，好像这是必须要做的，如果你不做，你就不是一个AI 公司一样。所以我就很奇怪，这个其实你只要仔细去想一下，它跟智能的路线图是没有什么关系的。
事实上，你也发现，那个视频生成一开始Sora 出来之后，所有人都做，大公司、小公司都做。但是小公司后来都把它砍掉了。它跟智能的上限没有关系。
但在商业上，它是个好生意，在商业上是个好生意。但是这跟智能没有什么关系。我们不会因为它是一个好商业而去做它，我们只会因为它是智能路线图上的东西，才会去做。
视频生成那个，因为那个相对比较清楚，就拿它举例。然后世界模型，世界模型这个含义就没那么清楚，因为很多东西都可以说它是世界模型。
从我们的判断，世界模型和智能还不是现在这个阶段最重要的事情。最重要的才是AI 训练，以及AI 训练之后怎么解决持续学习。这是我们公司的判断，当然每个公司它的判断是不一样的。
我刚说的是，我们公司对公司来讲最重要的问题，就是人员的稳定性。从另外一个维度来讲，我们缺什么呢？我们跟美国的差距是什么？其实差距只有一点，就是资源。
如果说这笔融资用完之后，我能买多少卡，我就买多少卡。花钱的速度不在计划里面，而是只要价格合理，有多少我都买。那么如果说我在半年之内就把钱花完了，我觉得是个好事。如果说我在半年之内把钱都花完，那这个太幸福了，这太理想了。
然后人才上面差距不是很大的。人才上面几乎没有差距，因为就是同一批人。
人才不是瓶颈，资源是*的瓶颈。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。
四、长期商业化路径与定价逻辑
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，如果我们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。肯定没用的，因为变化太快了。
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线、产品线，都是浪费时间，因为你并不能够预测、不能够预见未来。你能够预见的是很少的。
在做全球*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*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。所以这也是我们的克制的一部分。
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。
具体怎么合作，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。
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。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。因为你比较两辆车，也是同价位的车来比较。
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，这是不是长期的？我觉得这不是长期的，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，并不是一个它能够长期占得住的优势。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*。
未来中国产的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*？如果说我觉得现在做产品收益*，我觉得去做产品；如果说我觉得现在把AGI 先实现收益*，那我就是先去做AGI。显然，我觉得现在做产品不是收益*的。
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西都吃了，我只要吃一块就好，我只要吃我最擅长那一块，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。
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。
我们希望只做一块。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。
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。
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。它会快速增长，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。我们应该会上相关的模型，就是我们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。
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。
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西，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。从成本或者从商业角度讲，这不是*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。
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。
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挑战者。他会遇到挑战，他就不会那么轻松。
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*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*不要超过一半。
我们一般也不太加班。加班有两个原因。*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。
以下为提问与回答，经编辑整理：
提问：能否分享更多关于持续学习什么时候带来突破的时间线？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？
回复：持续学习不是单一技术，是一类待解决问题，全世界都在摸索；目前没有成熟落地方案，有多个有前景思路但均未跑通，属于前沿探索研究。
该方向研究消耗算力、人力极少，不需要大规模分配资源，更多靠研究员自发思考、试错“摸奖”。
提问：生态相关：开源后行业多少团队能复现模型？生态发展需要补齐哪类人才？未来是否走基座+行业垂类模型矩阵模式？2-3年生态会演化成什么样？
回复：1、AI人才短缺是阶段性现象，2-3年就会大批量培养补足，无需长期担忧；
2、当前国内做通用基座模型厂商过多，资源分散浪费，行业一定会收敛，最终仅留存3-4家基座公司，充分竞争不存在暴利；
3、公司愿意扶持行业伙伴、开放底座给大家做垂类模型矩阵，但自身精力有限，仅提供技术支持，无利益冲突，坚持合作共赢；
4、通用大模型企业无法垄断行业大部分利润，核心差距仅成本、落地时间两点，成本控制能力决定企业盈利水平；
5、算力差距会通过双向路径消解：模型优化降低单任务算力消耗、硬件迭代提升单卡算力。
提问：通往AGI实现模型自我迭代，仿真数据是否可用？真实数据质量更高吗？模型会不会被人类过往真实数据锁死上限，仿真/生成数据能否突破？
回复：模型可以突破人类现有知识上限，举例AlphaGo走出人类从未出现的围棋落子；真实数据、仿真生成数据两条路线并行可用，不存在单一*路线，目前有多条技术路径在同步验证。
提问：持续学习（Recursive Improvement）当前*技术难点？预计何时解决？为什么技术路线要先攻克持续学习再做通用智能，背后技术根源是什么？解决后会推进通用AGI吗？
回复：1、难点在于全球行业暂未找到成熟可行的落地方案，全部处于摸索试错阶段，暂无确定性时间表；
2、路线逻辑：持续学习落地后，AI可大幅辅助模型研发，大幅降低人力、时间成本，推进通用智能会事半功倍；若跳过先做通用智能，属于人力、数据密集型苦工，研发性价比极低；
3、公司模型*服务目标是内部研发团队，优先提升迭代下一代模型的效率，其次才对外服务客户，是最快实现AGI的路径。
提问：AGI整体还需要多久实现？国内硬件算力能否在该周期内追上海外？
回复：当前传统范式下的大模型（非完整AGI）今年国内就能对标海外，但完整AGI必须具备持续学习能力，暂无明确时间；
国产硬件分两步：1年内完成生态完善，短期1-3年持续受产能约束，长期乐观判断5年内产能瓶颈彻底解决。
提问：团队规模持续扩大后，组织架构会如何调整规划？
回复：现有松散无层级模式会调整拆分：核心研发团队维持扁平、自由探索的松散结构；工程、业务配套部门搭建规范层级架构，相关调整已启动推进。
提问：下一代150B-250B激活规模模型，对标海外哪一代模型？改用自研TileLang底层编译语言，推理端是否短期损失效率？长期价值如何？
回复：150B~250B激活规模用于对标海外超大参数量闭源模型；当前算力约束下乐观今年底启动训练，正常明年才能落地；TileLang长期大幅提升训练、推理效率；短期仅1%-2%微小性能损耗，完全可接受。
提问：持续学习属于无确定解法的前沿探索，Coding Agent是确定性Scaling目标，如何分配研究员、算力资源平衡两者？
回复：持续学习属于轻资源研究，几乎不消耗算力，不需要专项分配人力，仅需要研究员日常自主思考、交流探讨；算力、核心人力资源主要倾斜给模型缩放、Coding Agent工程落地等确定性项目。
提问：大模型幻觉问题如何解决，是否为核心优先级？本轮融资后，是否会加大高质量后训练数据标注投入？
回复：幻觉可通过后训练优化改善，归类为产品侧次要问题，非现阶段核心研发重点。
高质量标注是后训练核心瓶颈，国内外标注成本无差距，瓶颈是时间而非资金；国内起步晚，预计1年内补齐高质量数据短板；融资后会适度加大投入，但标注速度存在天然上限。
提问：国内模型相比美国，哪些维度具备结构性优势？海外厂商发力金融、医疗等垂直行业Agent，DeepSeek后续是否跟进布局？
回复：1、两大结构性优势：*成本控制、本土化产品用户体验；底层基础算法层面无天然优势；海外企业不重视成本优化，是国内独有竞争力；
2、现阶段优先级：通用Coding Agent*，金融、医疗等垂直行业Agent优先级极低，暂不重点布局；国内长期垂直商业化路径尚不明确，暂不投入核心资源。
提问：公司长期目标是纯粹AGI科研，但未来需要资本化、上市，如何平衡科研理想与资本市场经营要求？
回复：1、商业化具备保底基础：B端API收入持续增长，算力充足下ARR可达数亿美金，可覆盖全部研发成本实现正向现金流；即便技术不再迭代，仅售卖API也能支撑独立上市；
2、两者可以兼顾：短期商业化造血支撑长期AGI研发，远期同步满足投资人回报与技术研发目标，不存在不可调和的冲突。
提问：公司独特愿景驱动型组织有无对标学习对象？是否类似贝尔实验室？未来组织模式如何演化？
回复：1、无任何可模仿对标企业，组织模式是结合当下算力、资金、团队现状实事求是推导的*解；
2、和Bell Labs有本质区别：贝尔实验室无需自负盈亏、无商业化压力；本公司是商业企业，必须依靠B端业务持续造血存活；
3、企业拥有利润之外的长期使命，但生存是基础，商业化、长期AGI研发两条线并行推进。
