梁文鋒的 DeepSeek 思維對 AI 應用程式開發者意味著什麼

本文始於 DeepSeek 完成據傳超過人民幣 500 億元的首輪外部融資後舉行的一場閉門投資人溝通會。梁文鋒以深度問答形式與所有機構投資人交流。該場會議並未公開發布，但錄音逐字稿於 7 月 23 日在中國網路上瘋傳，讓市場難得一窺 DeepSeek 如何思考 AGI、開源、模型能力、組織邊界，以及應用生態系。

註：以下內容依據「梁文鋒投資人會議」錄音逐字稿整理而成。原始逐字稿明顯帶有語音轉文字的痕跡，包括口語重複、語序混亂，以及在地化辨識錯誤。本文並非逐字實錄；而是在不改變核心觀點的前提下，以更正式的書面風格對發言進行精簡、整合與改寫。文中引述為依據可辨識原文潤飾而成的摘錄，旨在保留梁文鋒發言中接地氣的表達與例子。

梁文鋒發言的編輯整理稿

主線不是商業化，而是 AGI

DeepSeek 如今最重要的目標，仍然是推進 AGI。

在訪談中，梁文鋒多次強調，公司並不是為了「最後能賺多少錢、上市、或進入資本市場」而成立。最早的一群人開始做這件事，只是出於一個樸素的願望：希望對 AI、對人類智慧的發展有所幫助。

*「最開始的時候，我們並沒有想最後會賺多少錢、會不會上市，或者在資本市場做什麼。起初只是幾個人，後來是幾十個人，對這個世界抱有很大的善意，覺得這件事會對人類有用，所以就來做了。」*

這種表述並不華麗，甚至與通常的商業敘事有些相反。但它解釋了 DeepSeek 後來的許多選擇：為什麼堅持開源，為什麼不急於從使用者身上變現，為什麼不把 API 定價推向利潤最大化，以及為什麼在面對許多誘惑時，仍然持續強調克制。

*「願景不是掛在牆上的管理口號。一家公司不是靠你說什麼，或它的規章制度怎麼寫來運轉，而是靠你實際做了什麼。我們其實沒有特別複雜的組織方法；我們只是由願景驅動。」*

DeepSeek 會追求商業化，而且一直都在這麼做。消費端使用者、企業收入與 API 服務，都能為公司提供支持。但這些不是最終目標。它們更像是通往 AGI 這條主路上的副產品與支撐系統，而不是公司存在的全部理由。

*「消費產品、企業服務和 API，都是我們邁向 AGI 旅程中的產物。我們不是為了服務消費端使用者或企業使用者而去做模型；我們的初心仍然是追求 AGI。」*

這也是為什麼他不認為現在應該花太多時間討論產品線和商業化路徑。AI 變化太快；今天看起來清晰的商業路徑，過一段時間後可能就不再成立。

*「如果我們現在花很多時間討論產品線和商業化路徑，我認為那都是在浪費時間。因為你無法預見未來，而且到目前為止的經驗也支持這個判斷：現在談商業化路徑和產品線，還是太早了。」*

這並不是拒絕商業化，而是要把商業化放回它應有的位置：商業化應該服務於主線，而不是把主線拉向相反的方向。

開源並非反商業化；它只是不拿走所有利潤

開源與商業利益並非天生衝突。

在討論中，梁文鋒把這個問題說得非常直白：如果一家公司想要攫取所有利潤，那麼開源當然會削弱它的商業上行空間；但如果它只追求合理回報，開源反而可能擴大生態系、強化協作，並降低使用者與開發者的進入門檻。

*「如果我想賺一百倍利潤，開源確實會影響我賺取那一百倍利潤的能力。因為第三方可以部署它，也許他們的成本是二十倍，比我的更低。但如果我們只賺取合理利潤，開源與商業付費之間就沒有衝突。」*

這段話背後是一個更宏觀的判斷：開源真正改變的不是技術路徑，而是利潤分配。閉源模型更容易將利潤集中在平台手中；開源模型則把更多利潤留給開發者、部署服務商、應用團隊與終端使用者。

DeepSeek 的 API 定價邏輯也不是「使用者還能承受多少」，而是「需要多久收回硬體成本，並留下合理利潤」。

*「我們的 API 定價邏輯大致是以十個月收回設備成本為基準。這不是利潤最大化定價。如果價格再翻一倍，token 消耗量可能差不多，收入幾乎會翻倍，但那不是我們的出發點。」*

他還提到一個非常接地氣的細節：一開始，團隊擔心需求會過高，所以把價格定得相對較高；後來價格降下來時，團隊其實非常開心。因為大家都覺得，這個東西終於能讓更多人負擔得起。

*「一開始，我們擔心需求會太高，所以把價格定得相對較高。後來，當價格降到四分之一時，大家都很開心。不是因為我們賺了更多錢，而是因為我們覺得這個東西對人們有用，終於可以讓每個人都負擔得起。」*

因此，DeepSeek 的低定價不只是價格戰；它是一種生態系策略。低價格降低試錯成本，讓更多開發者有信心去使用、實驗與部署。呼叫成本越低，AI 就越容易進入真實工作流程；生態系越大，模型本身被使用、獲得回饋並改進的機會就越多。

*「克制也是一種策略。有時候你可以放棄某些東西，以換取更多其他東西。讓渡利潤，對公司內部、對社會、對同業都有益。從長期來看，它可以提高我們實現 AGI 的機率。」*

這也是梁文鋒反覆強調的「善意」。他並不把競爭對手復現模型視為絕對威脅，甚至表示如果別人願意部署與復現，DeepSeek 會盡可能提供幫助。

*「我們希望別人能部署我們的模型，也不擔心他們會搶走我們的生意。我們只擔心他們可能部署不成功，或者某些細節沒有做好，導致效果下降。我們會盡最大努力為開源社群提供幫助。」*

競爭將取決於成本、時間與使用者體驗

在討論中國與美國之間的 AI 差距時，梁文鋒並沒有說人才是最大的問題。他更強調資源，尤其是算力。

在他看來，中國團隊與美國領先團隊之間最實際的差距，在於訓練資源、晶片數量、實驗條件以及迭代密度。美國公司擁有更多算力，使其能夠建立更大的模型並進行更全面的實驗；中國公司必須承認在這方面存在真實差距。

*「我們和美國最大的差距在資源上。人才不是瓶頸；資源才是最大的瓶頸。資源首先會影響人才培養，也會影響我們能做多少實驗、能訓練多大的模型。」*

但他並沒有把美國模型神話成無法追趕。相反地，他認為大型模型最終的競爭差距，可能不在於一道永遠無法跨越的能力鴻溝，而在於三個方面：成本、時間與使用者體驗。

*「大型模型最終的差距會體現在哪裡？我認為歸根結底是三個方面：成本、時間與使用者體驗。除此之外，可能並沒有太大的差距。」*

這段話很重要。它把模型競爭從「絕對智慧」拉回到真實世界的商業系統：你能否以更低成本提供相同品質？你是早幾個月做出來，還是晚幾個月？使用者體驗是快一點，還是慢一點？

*「成本肯定是一個差異點。第二是時間：早幾個月做出來或晚幾個月做出來，會造成差異。第三是體驗：同樣的東西，使用者體驗快一點或慢一點，也會造成差異。」*

這也意味著，模型能力決定一件事能否被展示成 demo，而成本結構決定它能否成為產品。如果能力差距逐漸收斂，真正長期的競爭將轉向工程效率、推論成本、產品體驗與生態系建設。

模型效率不只是技術最佳化；它決定產品是否可行

梁文鋒非常重視模型效率與推論成本。

但他對低成本的理解，並不只是「賣得便宜一點」。低成本首先關乎是否能讓更多使用者負擔得起，其次則是在算力有限時，是否仍能訓練並運行更大的模型。

*「我們很多同事都希望把成本再打低，因為他們知道這會花我們的錢，也希望別人用起來負擔更小。如果便宜一點，大家會更願意接受。」*

這是一種非常直接的產品哲學：如果 AI 很貴，就只能被少數人使用；如果 AI 足夠便宜，就能進入更多生產環境。降低成本不是財務細節，而是 AI 普及應用的前提。

*「成本越低，在算力有限的情況下，我的計算效率就越高，也越有能力支撐更大的模型。對大公司來說，他們可以透過增加資源來解決問題；但我們優先考慮成本效率。」*

對應用團隊而言，這個判斷尤其重要。許多 AI 應用失敗，並不是因為需求不成立，而是成本模型跑不通。Demo 可能看起來很驚豔，但一旦進入高頻使用，模型成本、延遲與失敗率立刻就會變成商業問題。

持續學習是下一階段的關鍵挑戰

在技術路線圖的部分，梁文鋒反覆提到 CoT、Agent 和持續學習。

他認為，AI 的發展就像一級一級往上爬台階。語言模型是一級台階，CoT 是另一級，Agent 又是另一級。但當 Agent 發展到一定程度後，就會遇到下一個瓶頸：持續學習。

*「我們今年正在邁出的這一步是 Agent。透過 Agent 的方式，很多事情都可以完成，能力範圍也會變得更廣。但 Agent 仍然無法取代員工，因為它仍然缺乏持續學習。」*

他用了一個非常接地氣的例子來解釋這個問題：

*「當你雇用一名員工時，他們可能會花兩個月熟悉公司環境和工作。之後，當你說『請小王過來一下』，他們知道小王是誰。但 AI 做不到這一點。你必須告訴它小王是誰、他的角色是什麼、他在哪裡，以及找他時需要注意什麼。你不可能每一次都把所有脈絡都提供給 AI。」*

這準確描述了當今許多 AI 產品的一個痛點。模型在單次互動中可能非常有能力，但它的長期組織記憶很弱。它可以回答問題，卻難以像員工一樣累積經驗；它可以執行任務，卻難以隨著時間更了解公司。

*「如果 AI 具備持續學習能力，能像員工一樣在公司花兩個月學習，那麼它就可以取代很多人。現在，下一步仍然需要『學會如何學習』。」*

因此，持續學習不是一個小功能，而是邁向更強大 Agent 路徑上的關鍵能力。對應用層而言，它不一定意味著持續訓練模型參數；也可以透過記憶、知識庫、工作流程紀錄、回饋迴路，以及組織資料的累積來實現。

AI 應用未來的護城河，不在於第一次回答有多驚艷，而在於到了第二十次使用時，它是否更理解使用者、業務和公司。

國產硬體的挑戰不只是晶片，而是生態系

談到國產 AI 晶片時，梁文鋒的判斷非常務實：短期來看，問題不只是有沒有硬體，而是有沒有生態系。

NVIDIA 的優勢不僅在於顯卡本身，還在於 CUDA、工具鏈、開發者習慣，以及多年累積起來的生態系。國產卡要真正變得可用，適配、編譯器、訓練穩定性、推理效率，以及軟體生態系等問題都需要解決。

*「為國產卡建立一個能與 NVIDIA 匹敵、甚至超越它的生態系，並非沒有障礙，但這需要時間。」*

他也提到了 TileLang，它透過更高階的語言與編譯方式，降低對 CUDA 生態系的依賴。這裡沒有必要陷入具體技術細節；真正值得注意的是另一個判斷：AI 反過來會重建 AI 基礎設施。

*「TileLang 是一種高階語言。過去我們離不開 CUDA 生態系。現在我們可以用 TileLang 重寫一切，程式碼更少，效率高得多。執行效率損失 1% 到 2%，對我來說是可以接受的。」*

過去，CUDA 生態系很難繞開。但如果 AI 能協助寫程式碼、建構編譯器、優化算子，開發國產硬體生態系的成本可能會下降。國產 AI 硬體的競爭不只是硬體效能的競爭，也是軟體生態系與開發效率的競爭。

組織中的關鍵字是聚焦，而不是鬆散

DeepSeek 的組織方式有兩條線：一條自上而下，一條自下而上。

自上而下是指關鍵發布和關鍵目標需要全公司協作。例如，當一個重要版本要發布時，需要分工，每個人負責其中一部分。

自下而上是指研究人員需要有空間進行自己的探索。不是所有事情都由 KPI 驅動，也不是所有研究都是被分派的。

*「我們公司的管理有兩條線：一條自上而下，一條自下而上。自下而上就是每個人做自己想做的事；沒有人管理他們，也沒有 KPI。」*

但這不應該被簡單理解為「鬆散管理」。沒有 KPI 的前提，是公司知道什麼不該做。如果一家公司缺乏清晰方向，產品線混亂，並且承接每一個客戶需求，那麼想要學習「沒有 KPI」，最後只會失控。

梁文鋒也曾說過，正式發布和關鍵任務仍然需要自上而下的協作。只是這類正式安排不應佔據所有時間；必須為研究和探索保留空間。

*「自上而下是指當我們正式需要發布一個版本時，大家一起協作，每個人做其中一部分。但我們希望正式安排不要佔據員工的全部時間——理想情況下不超過一半——這樣他們仍然有時間自行探索。」*

關於加班，他的看法也非常直接：DeepSeek 通常不怎麼加班。一個原因是研究需要相對寬鬆的環境；另一個原因是公司極度聚焦，所以要做的事情更少。

*「我們通常不怎麼加班。第一，做研究需要相對寬鬆的環境；第二，我們高度聚焦，這意味著我們需要做的事情非常少。事情變少時，每個人被分配到的工作也更少，所以就沒有加班的必要。」*

這句話背後仍然是克制。公司不做所有事情，不抓住每一個機會，也不進入每一個商業方向。管理不是把團隊的日程填滿，而是幫助團隊減少無效動作，為真正重要的探索保留空間。

當你不進行垂直整合時，生態系會變得更大

AI 時代將創造許多商業機會，但 DeepSeek 並不打算什麼都自己做。

在對話中，梁文鋒用了一個非常接地氣的例子：如果你經營一座發電廠，你不一定非得自己建造發電機和設備；只要價格合理，其他人也可以建造。AI 公司也是如此：它們不一定需要把整個上游、下游、應用和產業場景都吞下來。

*「例如，如果你經營一座發電廠，為什麼一定要自己造發電機？只要價格合理，發電設備可以由別人來建。我們希望不必自己造晶片，只要能以合理的價格買到就行。」*

對 DeepSeek 來說，AI 已經足夠龐大；沒有必要吃下整條價值鏈。一家公司應該只專注於最關鍵的部分，以及自己最擅長的部分，同時把其他產業、應用和場景留給生態系夥伴。

*「AI 時代會產生許多兆美元級的公司。只做其中很小的一部分，對我來說就已經足夠大了；沒有必要所有事情都自己做。我們希望其他事情由別人來做。」*

一家 AI 公司越試圖攫取所有價值，生態系就會變得越小；它越願意只專注於自己最擅長的事，生態系就會變得越大。

*「我們希望這些 AI 技術能被用在各種生產環境中，以提升社會生產力。我們有動機去做這件事，但我們是否有時間、有人手，以及同事們自己是否有興趣，則是另一回事。這裡沒有利益衝突。」*

給 AI 產業與應用團隊的洞察

閉源與開源模型不是信仰問題，而是系統層級的選擇

梁文鋒對中美 AI 競爭的看法，為應用開發者提供了一個洞察：這不是關於「押注誰會贏」，而是關於重新思考模型選擇。

閉源與開源模型不是信仰問題；它們是一種結合能力、成本、可控性、交付速度、資料安全與生態系空間的綜合選擇。

美國領先的閉源模型仍然具備優勢：充足的算力、密集的研究、成熟的使用者體驗，以及穩定的產品。但如果閉源模型長期維持高昂價格，調用成本高、部署選項有限，它們將推動部分應用創新轉向更便宜、更開放且更靈活的模型系統。

對開發者而言，未來的問題不應只是「哪個模型最強」，而應該是：

• 這項任務真的需要最強的模型嗎？
• 成本能否支撐高頻使用？
• 延遲是否足夠低，能夠融入真實工作流程？
• 資料與部署方式是否可控？
• 生態系工具是否足夠成熟？
• 當錯誤發生時，產品是否具備備援機制？

最強的模型不一定適合每一項任務。真正成熟的 AI 應用，往往會把不同模型放在正確的位置：強大的模型處理複雜判斷，低成本模型處理高頻任務，而規則與快取則處理穩定的工作流程。

中小型開發者應建立在模型之上，解決最貼近使用者的問題

梁文鋒已經明確表示，DeepSeek 不需要所有事情都自己做；許多應用與產業場景應由生態系夥伴來完成。

這對中小型開發者來說是好消息。未來的 AI 生態系不會只屬於基礎模型公司。中小型開發者應專注於狹窄、務實的切入點，而不是試圖複製大型模型公司。

更現實的方向包括：

• 垂直流程自動化：與其打造通用聊天機器人，不如解決特定產業中的某個具體流程。
• 模型能力封裝：將複雜的模型能力轉化為使用者可以直接使用的工具。
• 資料連接器：幫助企業將內部資料、文件、試算表與系統連接到 AI。
• 評估與監控：幫助企業評估 AI 輸出品質、成本、延遲與風險。
• 在地化與部署服務：圍繞開源模型提供私有化部署、微調與維運。
• 產業知識層：將產業規則、術語、案例與工作流程轉化為 AI 可調用的知識系統。

中小型開發者不需要在主賽道上與模型公司競爭。更聰明的做法是建立在模型能力之上，打造更貼近使用者的那一層。

AI 應用應遵循使用者工作流程，而非模型炒作

如今許多應用團隊最大的問題在於，他們把 AI 當成包裝，而不是一種能力。

真正有價值的 AI 應用，不是單純在頁面上多加一個輸入框，也不是把原本的搜尋框改成聊天框。它應該能幫助使用者少走一步、少做一次判斷、少整理一輪資訊，或少等待一個階段。

使用者並不是為了使用 AI 而使用 AI。他們想要更快完成任務、減少錯誤、降低成本、做出更好的決策，並達成更高的轉換率。

因此，AI 應用團隊應該在真實場景中關注幾項指標：

• 使用者完成任務所需時間是否減少；
• 人工審核成本是否降低；
• 輸出品質是否一致；
• 失敗情況是否可控；
• 是否能整合進現有系統；
• 是否能持續學習業務情境。

如果無法回答這些問題，該產品很可能只是一個 AI 外殼。

AI 產品必須從工具演進為工作系統

如今許多 AI 應用仍停留在工具階段：使用者提供輸入，AI 產生輸出。

但真正具有長期價值的產品，將會成為工作系統：

• 它們能理解任務情境；
• 它們能呼叫多種工具；
• 它們能讀取業務資料；
• 它們能執行動作；
• 它們能記錄結果；
• 它們能在下一個任務中重用經驗。

例如，對行銷團隊而言，AI 不只是撰寫一段文案；它可以形成一個從資料分析、競品監測、素材生成、活動建議，到成效回顧與下一輪優化的閉環。

對開發團隊而言，AI 不只是程式碼補全；它可以理解程式碼庫、重現問題、識別根本原因、撰寫測試、提交修復，並記錄經驗教訓。

這才是應用層真正的機會。

最後的關鍵字是克制

貫穿梁文鋒言論最一致的關鍵字，是克制。

克制不是保守；它是一種策略選擇。DeepSeek 最與眾不同之處，不只在於它做了什麼，也在於那些它明明可以做、可以獲利、可以擴張，卻選擇不做的許多事。

不要因為模型可以生成圖像，就立刻打造圖像功能；不要因為 Agent 很熱門，就立刻打造 Agent 功能；不要因為一個開源專案爆紅，就立刻重做一個產品；不要因為客戶提出了需求，就把它放進路線圖。

AI 時代有許多機會，但機會越多，做出取捨就越重要。

真正值得追求的方向，通常符合三個標準：

• 使用者已經有明確的痛點；
• AI 能夠大幅降低成本或提升效率；
• 產品能夠累積資料、工作流程或產業知識，並隨著使用而變得更強。

如果一個方向不符合這三個標準，那麼即使它看起來很熱門，也可能只是雜訊。

摘要

表面上，這份梁文鋒投資人會議逐字稿討論的是 DeepSeek 的開源策略、商業化、算力、模型效率與組織方法。更深一層來看，它談的是 AI 公司如何在巨大機會之中，持續聚焦於自己的主要方向。

對基礎模型公司而言，除了能力領先之外，成本、開放性，以及生態發展空間都會變得越來越重要。

對 AI 公司的管理者而言，管理不是把團隊填滿，而是幫助團隊減少無效動作，保留真正重要探索所需要的空間。

對中小型開發者而言，不要在基礎模型公司的主賽道上與其競爭。相反地，應該圍繞開源生態、垂直工作流程、資料連接與使用者體驗，找到屬於自己的聚焦切入點。

對 AI 應用團隊而言，模型只是開始。真正的產品價值來自成本控制、任務執行閉環、持續學習與商業成果。

最終，DeepSeek 的訊息中最值得記住的，不是任何特定的技術細節，而是一種判斷方式：在 AI 機會爆發的階段，真正稀缺的不是行動能力，而是克制；不是做更多事，而是持續做正確的事。