四小时发言实录刷屏背后，梁文锋的克制 行业动态 8小时前 编辑 唐辰同学 取消关注 关注 私信 文｜唐辰 图源：网络资料 DeepSeek蹚出通往AGI的第二条路。 今天，梁文锋在近期与投资者交流的会议记录刷屏。一个可能的背景是，DeepSeek近日完成成立以来的首轮外部融资，总额超500亿元人民币（约合74亿美元），投前估值约3675亿元（约543亿美元）。 在此之前，梁文锋对外坚持“不融资、不上市、不商业化”的三不原则。 这段长达4个小时谈话实录，梁文锋详细阐述了DeepSeek的组织文化、开源逻辑、技术路线图以及对行业竞争格局的看法。需要注意的是，该会议实录还没有得到其本人确认。 “克制是一种战略” 我在流传出的多个版本中，都注意到一个高频关键词：克制。 梁文锋花了很大篇幅对投资者强调，克制是一种战略。舍弃短期利益，砍掉非主线业务，不是为了显得清高，而是为了换取实现AGI的最大概率。 其中一个实录版本提到，他说了非常多次的“不”：不是天才，不赚不合理的利润、不追求用户量、不闭源、不做3D / 视频生成 / 世界模型，不做下一个超级App 。 不少观点将梁文锋的“克制”，解读为资源不足时的无奈取舍。因为这在追求效率，着眼商业化以兑现资本承诺时，几乎把资本的故事都抽离掉，重点落在为了AGI的“克制”，很反常识。 这固然是基于现实作出的判断，但恰是这种非主流的姿态，成为市场重估DeepSeek价值的新标尺。 若再把梁文锋的路线，放在全球AI竞争的坐标系里看，我更愿意把这种“克制”理解为：在算力约束下，他为换取AGI最大概率而进行的精密计算。 他在谈及中美差距时断言，“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。” 目前，硅谷AI的范式是“资源溢出驱动涌现”。即堆最多的卡，训最大的模型，做最全的AI能力，相信规模到了智能自然会涌现。 这套逻辑在过去三年被验证有效，但模型能力越强、上下文越长、用户调用越频繁，对推理算力的消耗也越高，算力成本也越来越贵。 最新消息显示，OpenAI预计到2030年将在计算资源上投入约7500亿美元，高于2026年早些时候提出的6000亿美元规划。 同时，无边界扩张导致研发资源分散，商业化动作变形，组织熵增加剧。以Meta为例，其在开源Llama系列赢得声誉的同时，内部却因同时推进文本、多模态、元宇宙及机器人等多条战线，导致核心大模型团队的顶尖人才频繁流失，产品迭代节奏多次被打乱。 Google则在搜索、云业务与AI实验室的多重目标拉扯下，一度陷入“创新者窘境”，明明手握最强技术储备，却在生成式AI的产品化落地中屡屡迟疑，错失了先发身位。 这些巨头的困境，多来自技术以外的“战略贪婪”。当一家公司同时押注多条AI路径，“什么都想做”的全能叙事，稀释了攻克AGI核心瓶颈所需的专注度。 按照梁文锋的表述，DeepSeek的路线很“克制”：当算力成为硬约束时，“做什么”远比“不做什么”更重要。极致聚焦主线任务，用工程能力弥补硬件代差，追求单位算力的产出效率而非绝对规模。 这在技术路线未收敛前，少即是多。只有砍掉那些“看起来很美但偏离核心目标”的旁支业务，才能将有限的算力和人才集中在CoT（思维链）、Agent、持续学习等真正决定AGI成败的关键瓶颈上。 比如，DeepSeek-V3的训练成本远低于GPT-4o，性能却逼近第一梯队。 MiniMax和其创始人闫俊杰看到这里，不知会作何感想。他们一开始就将有限的资金、人员等资源押注在文本、视频、语音、音乐四大模态上。如今，MiniMax的颓势，让不少人为其捏一把汗。 通往AGI的第二条路 DeepSeek的路线，正在被Kimi K3验证。 作为月之暗面首款3万亿参数级MoE模型，K3总参数规模达到2.8万亿。按照常规理解，这个规模的模型，每输出一次，算力都是指数级消耗。但在其独特核心架构的支持下，达到华为在芯片领域提出的“韬定律”效果。 这个架构也被视为是一架超级引擎，通过落地KDA（Kimi Delta Attention）混合线性注意力、注意力残差（Attention Residuals）和高稀疏度MoE三项关键技术，完成了一次对“模型生产效率”的重构。 根据月之暗面此前发布的技术报告，在实验模型上采用KDA与MLA混合比例，KV缓存占用最高削减75%，100万上下文长度下的解码吞吐量提升至原来的6倍。配合注意力残差与高稀疏度MoE技术，训练效率提升约25%，额外成本不到2%。 这意味着同样一笔算力预算，过去只能跑1个任务，K3能跑4个，且质量不打折。 SemiAnalysis的报告指出，KDA将推理速度提升300%，同时在长上下文处理上保持接近Transformer的性能。开发者社区的实测也反馈，在长流程Agent任务和代码生成方面，K3已具备与国际头部模型竞争的实力。 从根本上看，K3依然遵循Scaling Law，但它把刀挥向了粗糙的算法浪费。当硅谷AI企业还在不断囤卡时，Kimi通过重构算法链路、精简计算冗余，走出了一条“每瓦特智能产出比”最大化的路径。 也可以说，K3所采用的KDA混合线性注意力机制，正是AI领域的“韬定律”实践。硅谷主流的Transformer路线是“大力出奇迹”的燃油车，KDA更像是追求“热效率极致”的混动引擎。 与此同时，企业用户和开发者也开始用脚投票。一部分开发者已经用上“模型路由”服务，根据不同任务自动选择成本最低、效率最高的AI模型，这其中当然包括Kimi在内的中国模型。 这个范式让华尔街观察人士和投资者感到意外，他们像惊诧DeepSeek一样，再度质疑硅谷数千亿美元投资AI是否能得到相应回报、美国AI领先优势是否被削弱。 2025年1月，DeepSeek的横空出世，冲击了硅谷AI的算力叙事。它表明，中国AI要追上世界领先模型的水平，未必需要投入同等量级的芯片与资金。 随着梁文锋版AGI路线图的明确、Kimi K3的落地，中国AI的效率范式轮廓也愈发清晰。 更重要的是，它已经在影响中国AI产业链的上下游。比如算力供给侧，它倒逼国产芯片厂商不再盲目对标英伟达的峰值算力，转而优化编译器、互联带宽与系统级能效。 应用落地侧，它让大量原本被高昂推理成本挡在门外的中小企业、垂直行业开发者得以入场，医疗、教育、工业质检等场景的AI渗透率因此加速提升。 可以说，DeepSeek、Kimi所代表的路线正在催生效率革命，也在重塑整个中国AI产业的成本结构与价值分配方式。它让外界相信：通向 AGI 的道路，不必都挤在硅谷AI的赛道上。 但我们也需要认识到，克制是一种战略，也就要有边界。比如，基础科学研究、超大规模基础预训练等环节，依旧需要持续重金投入，不能盲目套用取舍逻辑。更不能神化DeepSeek、Kimi 的发展路径，将克制教条化。 在我看来，梁文锋这场长达四小时的交流，除了向投资者宣讲商业蓝图，也向AI行业提出了一个重要的问题：奔赴AGI，我们能不能允许自己慢一点，少追逐一些边缘诱惑？ 这在普遍存在FOMO（错失恐惧症）情绪的当下，Sora火了做视频、具身智能热了造机器，聚焦一下，也可能是另外一种“快”。 参考资料： 腾讯科技，《4小时、118个回答，梁文锋内部交流回应一切》 唐辰同学，《Kimi“熔断”，杨植麟“摸高”》 本文由作者【唐辰同学】，微信公众号：【唐辰同学】，原创/授权 发布于平台，未经许可，禁止转载。 deepseek
