核心观察
- DeepSeek 的核心战略不是短期最大化用户、收入或利润，而是围绕 AGI 主线保持技术推进速度，并通过开源、低成本和商业上的“克制”提高长期成功概率。
- 技术路线从语言模型、CoT 走向 Agent，下一道关键门槛是持续学习；如果模型能长期学习并积累上下文，AI 研发本身可能进入非线性加速。
- 中美 AI 的核心差距被归结为算力资源而非人才；国产 AI 芯片的主要矛盾则可能逐步从软件生态转向产能。
- 大模型长期竞争可能收敛到成本、时间和用户体验，其中模型架构效率、推理效率和算力基础设施决定成本下限。
01｜DeepSeek 的底层战略：不是利润最大化，而是提高做成 AGI 的概率
理解 DeepSeek 的商业选择，首先要理解它对公司目标的定义。梁文锋把 AGI 放在用户规模、API 收入、To B 商业化甚至资本市场之前。这里并不是拒绝商业化，而是认为在一个潜在价值足够大的技术革命中，过早追求局部利益，反而会降低最终做成事情的概率。
这种思路被概括为“克制”。开源是克制的一部分，低价 API 是克制的一部分，不在 C 端用户爆发时投入巨资抢流量也是克制的一部分。其逻辑并非放弃利益，而是认为 AI 最终可能占据极大的经济价值，任何一家企业都很难独占全部收益。与其追求过高份额并引发整个产业对抗，不如只获取合理利润，让开发者、企业和产业伙伴共同参与。
API 定价也遵循同样逻辑。交流中给出的内部尺度是，采购服务器后大约十个月收回设备成本即可接受，而不是按照需求弹性把价格推到利润最大化的位置。当前价格已经足够低、进一步降价也无法明显刺激 token 消耗，因此才没有继续降价。
C 端和 B 端因此都被视为通往 AGI 过程中的阶段性产出：技术能力到了某个台阶，就把已经产生的能力通过产品或 API 输出，而不是为了产品需求反过来定义基础模型研发方向。
02｜开源为什么没有摧毁商业模式：真正的壁垒是成本与工程效率
传统软件行业中，开源往往意味着许可证收入被压缩，但大模型的成本结构不同。即使模型权重开放，第三方仍然需要完成部署、推理优化、集群调度和成本控制。DeepSeek 的判断是，真正难复制的并不是“知道模型怎么做”，而是能否把同样模型以足够低的成本稳定运行。
DeepSeek 表示开源模型与自身部署模型原则上保持一致，并不依靠“开源弱版、闭源强版”制造付费差异。只要官方 API 已经把价格压到第三方难以盈利的区间，开源就不会显著侵蚀收入；第三方即使拿到模型，如果推理成本高出数倍，也难以提供同价服务。
这与 AI算力产业链新变化：1.6T光模块、液冷、AOC与DCI成为核心主线 中讨论的基础设施趋势相互呼应：GPU 集群扩大之后，竞争会从计算芯片扩散到高速互联、光模块、液冷、AOC、OCS、DCI 和 DSP。模型单位计算成本越低，同等算力资源就越能承载更大的训练和推理需求。
03｜AGI 路线图：语言模型、CoT、Agent之后，下一站是持续学习
DeepSeek 把过去几年的能力提升描述为连续台阶：基础语言模型提供通用表达与知识能力，CoT 通过更长的内部推理把智能上限推高，Agent 再让模型调用工具并执行更长任务。每一步都建立在前一步之上。
Agent 仍存在根本缺陷：它没有真正的长期学习能力。员工进入公司后可以花两个月理解组织、同事、流程和隐含规则，以后一句“找一下小王”就能理解具体指向；当前 AI 往往需要重新提供人物、背景、任务和约束。模型在有限上下文内可能已经超过人类，却无法像人一样长期积累环境知识。
因此持续学习被视为 Agent 之后的下一道关键门槛。这里的“持续学习”不是单一算法，而是一个尚未解决的问题集合。交流中明确承认，全世界仍处于探索阶段，有不少有希望的方向，但尚不存在已经验证并可规模化复制的方法。
一旦这道门槛被突破，变化可能具有非线性特征。DeepSeek 希望下一代模型首先提升自己的研发效率，帮助研究团队设计实验、写代码、分析结果并研发下一代模型。当 AI 能持续学习并参与 AI 研发时，研发速度本身会被 AI 加速。
04｜为什么不是先做世界模型和具身智能
在这套路线中，多模态、视频生成和世界模型没有被放在智能主线最前面。DeepSeek 并非认为这些技术没有价值，而是区分“提高产品能力的组件”和“提高智能上限的核心变量”。多模态会继续做，后续版本也计划支持原生多模态，但当前更像搜索一样，是扩展模型能力边界的组件。
视频生成具有商业价值，却不直接解决持续学习或智能上限，因此不会仅因为市场热门就投入主线资源。世界模型的定义更宽，但至少在当前阶段，DeepSeek 的判断仍是训练方法和持续学习更加重要。
具身智能被放在更后面，但没有被否定。如果 AGI 最终要替代大量人类劳动，仅停留在电脑里显然不够；家务、养老和物理世界工作最终仍需要机器人。DeepSeek 希望先让软件智能完成持续学习和自我迭代，再利用更强 AI 开发具身系统，以提高研发杠杆。
05｜中美 AI 真正的差距：不是人才，而是算力资源
对于中美 AI 差距，梁文锋给出的判断非常直接：最大的差异是资源。国内并不存在数量级的人才缺口，即使存在研究能力差异，其中相当一部分也可以追溯到算力不足导致实验次数更少、人才训练机会更少。
交流中的口径是，DeepSeek 当时约有两万张 H 等效算力，而且相当部分是最近一两个月才到位或仍在交付。融资后的采购策略非常激进：在价格合理情况下能买多少就买多少，甚至愿意支付一定溢价。如果能快速把融资资金转换成 GPU，反而是理想结果。
真正的问题是最大规模模型的资源需求已经远超国内公司目前能轻松承担的范围。材料以约 800B 激活规模为例，估算训练可能需要约五万张 GB300，若换成国产方案则可能需要约二十万张最新级别芯片，而且还没有计算前期研究实验消耗。
这与站内 深度解析 AI 算力硬件产业链：GB300 放量前瞻、电源 IC 缺货危机与 CPO 价值重估 的逻辑形成上下游对应。模型公司的资源约束最终会传导到 GPU、服务器、电源、液冷、高速 PCB 和光互联。
06｜用更少算力追赶：效率不是营销概念，而是资源约束下的生存策略
在绝对资源存在数量级差距时，DeepSeek 并没有把战略设定为所有维度同步追赶美国最大模型，而是接受一定时间差，用更高效率换资源。交流中一种概括是，落后一到两年，但尝试只使用对方约二十分之一的算力完成接近的事情；未来再把时间差压缩到六个月甚至三个月。
这种策略把模型架构和计算效率的重要性进一步放大。成本低不仅为了 API 便宜，更重要的是在固定算力预算下训练更大的模型、进行更多实验。对于资源充裕的大厂，很多问题可以通过增加 GPU 解决；对于资源受限的公司，提高每一单位算力的有效产出则是生存条件。
DeepSeek 同时明确表示仍然相信 Scaling，尚未看到语言模型规模扩张的明确上限。当前模型处于几十 B 激活规模，并不是认为这个规模已经足够，而是资源约束下能够承担的结果。后续如果算力增加，模型会继续向 150B、250B 乃至更高激活规模推进。
07｜国产 AI 芯片的历史窗口：CUDA 护城河可能第一次被削弱
过去国产 AI 芯片最大的障碍之一不是理论算力，而是生态：买到卡之后，现有训练框架、算子库和开发工具无法像 CUDA 一样顺畅运行，迁移成本极高。DeepSeek 判断，这个障碍正在发生结构性变化。
第一重变化来自 AI 本身。过去重建一套算子和软件生态需要大量工程师逐行开发，现在 AI 可以参与写代码。第二重变化来自 TileLang 这类高级语言，通过更高层的编译抽象快速编写高性能算子，可以减少对 CUDA 既有软件栈的依赖。
交流中提到，V3 虽然仍使用英伟达硬件训练，但已经尽量减少对传统英伟达生态的依赖；如果能把相同高级编译体系重新落到国产芯片上，迁移核心问题就可能从“整个生态重建”变成“后端适配”。在最后的技术问答中，梁文锋称 TileLang 相比传统 CUDA 开发可大幅提高开发效率，底层执行效率损失约 1%—2% 可以接受。
这意味着未来真正的瓶颈可能从生态逐步转向产能。如果软件迁移成本下降，而海外高端 GPU 又受供应限制，国内模型公司会持续投入国产生态，过去“生态差所以没人用、没人用所以生态更差”的循环就有机会被打破。
08｜华为 950 与国产算力：能用和够用是两个完全不同的问题
对国产芯片的乐观不意味着性能差距已经消失。交流材料给出的判断是，华为新一代超节点在任务层面有机会替代 GB200/GB300，但需要更多芯片完成同等计算量，同时产品时间仍落后海外领先芯片约两年。梁文锋用“四张顶一张、落后两年”概括这种差距。
材料还披露，华为给 DeepSeek 的相关供给约为 1.6 万张，折算后只相当于约 4000 张 B 系列级别的计算能力。这一规模足以帮助验证生态并训练当前一代模型，却不足以支撑下一代超大模型。
国产替代因此要拆成三个层次：芯片能不能执行任务、软件生态能不能让开发者高效使用、能不能以几十万张规模稳定供货并组成超大集群。前两个问题正在改善，第三个问题短期反而可能成为最硬的约束。
当国产集群从单卡可用走向万卡、十万卡可用，交换与光互联需求也会同步放大。站内 相干光模块进入新一轮架构切换：2.4T轻相干、NPO、XPO与CoPoS成为核心变量 已经讨论过这种高速网络升级。
09｜大模型终局竞争：成本第一，时间第二，体验第三
梁文锋对基础模型长期竞争格局的判断相对克制：最终不同公司模型能力可能不会保持巨大的永久差距。真正长期拉开商业差异的变量主要有三个——成本、时间和用户体验。
成本排在第一。同样质量的智能服务，如果一家企业能以另一家的几分之一成本提供，它就可以用更低 API 价格获得用户，也可以把节省的计算资源重新投入训练。这里的成本不是单纯 GPU 采购价，而是模型架构、激活参数、推理算子、显存利用、集群通信和基础设施共同决定的系统成本。
第二是时间。基础模型能力最终可能被同行追平，但提前几个月推出一代明显更强的模型，仍然可以获得开发者、生态和商业化窗口。Anthropic、OpenAI、Google 之间的领先关系因此更可能交替，而不是某家公司永久垄断。
第三才是用户体验。DeepSeek 认为中国公司在成本和产品能力上都可能形成一定结构性优势，而绝对模型规模仍受制于算力资源。未来 AI 产业链的价值因此不会只集中在 benchmark，而会越来越转向谁能以最低综合成本把足够好的智能规模化交付。
10｜基础模型公司最终会收敛，中国不需要几十家公司重复造基模
当前中国基础模型公司数量明显多于美国头部阵营，资源也因此更加分散。DeepSeek 判断这种格局最终一定会收敛。如果基础模型最终只能获得合理利润，而不是互联网平台式暴利，就没有必要几十家公司重复投入巨额算力做几乎相同的基础研究。
交流中一个粗略判断是，中国最终可能只需要三四家有竞争力的基础模型公司，两家大公司加两家小公司就已经足以形成充分竞争。模型层不会拿走 AI 产业绝大部分利润，大量商业价值仍会流向应用、数据、行业服务和基础设施。
这也与 DeepSeek 不愿大规模向上下游垂直整合的战略一致。公司希望集中在 AGI 主线，不希望同时把金融、医疗、视频、机器人、芯片和所有应用全部自己做。商业机会越大，越需要让合作伙伴分享价值。
11｜组织方式也是技术竞争力：一半正式任务，一半自由探索
DeepSeek 内部同时存在自上而下和自下而上两条线：发布新模型、完成明确工程任务时需要正式分工；研究人员同时保留大量自主探索空间，可以自己判断什么问题重要并尝试解决。
梁文锋给出的理想比例是，正式安排的工作最好不要占员工全部时间的一半以上，剩余时间用于自主研究。持续学习等前沿问题甚至被称为“摸奖”：它们未必需要大规模 GPU，也不一定适合建立数百人的正式项目，更依赖很多研究者持续思考。
这种组织方式也解释了公司为什么强调不依靠 KPI 驱动研究、加班相对较少。研究需要松弛环境，而战略上的克制又减少了大量产品线和商业项目。不过随着人数增加，DeepSeek 已经意识到部分业务必须建立更严谨的部门和层级结构。
12｜商业化并没有消失：API 是保底，AGI 是上限
把 AGI 放在第一优先级，并不意味着 DeepSeek 不需要商业化。交流中已经给出明确的商业底线：C 端拥有用户，B 端 API 收入正在增长，如果需求继续扩大，API 年收入达到数亿美元具有可能性；如果未来达到十亿美元级别，现金流就有机会覆盖研发和公司的全部费用。
即使后续技术进步突然停滞，现有模型能力也可以转向更传统的商业路线——集中卖 API、优化服务和成本。这被视为能够支撑一家商业公司的保底。真正的上行空间则来自持续学习、Agent 和后续 AGI 能力突破。
这构成一个非对称结构：下限由已经形成的 API 和用户业务托住，上限由 AGI 技术突破打开。因此公司暂时没有必要为了短期收入过早投入广告、电商、本地生活或大量垂直 Agent。
13｜产业链视角：效率提高之后，总算力需求可能反而更大
从 AI 硬件产业链角度，这场交流最重要的不是某一个模型版本，而是对未来算力需求函数的描述。DeepSeek 一方面极端重视效率，希望用更少 GPU 完成同样训练和推理；另一方面又明确表示 Scaling 远未到头，只要有合理价格的 GPU 就愿意继续购买。
因此“模型效率提高＝算力需求下降”并不是必然结论。效率提高首先降低单位智能成本，随后可能解锁更大模型、更多实验、更长上下文、更高 Agent 调用频率以及更多企业应用。每一次单位成本下降，都可能把原本经济上不可行的任务变成可行需求。
国产芯片如果真正突破生态问题，国内 AI 基础设施建设还可能出现第二层增量：过去因为高端 GPU 获取困难而无法落地的集群，开始由国产芯片承接。届时瓶颈会从“有没有卡”扩散到先进封装、服务器、电源、液冷、交换芯片、光模块和高速 PCB。
因此后续最值得跟踪的是三个指标：持续学习是否出现技术突破、国产芯片生态能否完成可用性验证，以及国内高端算力产能能否从万卡级走向十万卡甚至更大规模。如果逐步兑现，国内 AI 的约束将从算法能力转向更加典型的制造与基础设施供给问题。