⚠️ 資料聲明： 本文整理自網上流傳、未經 DeepSeek 或梁文鋒官方確認的投資人會議 transcript；引述與數據應視為待核實資料，不宜當作官方聲明。
🎯 一句話 verdict： 呢篇 4 小時 transcript 揭示咗 DeepSeek 同梁文鋒嘅 5 大核心 insight — 克制是戰略 · 人才是唯一核心利益 · 算力是唯一瓶頸 · 開源是護城河 · AGI 路線圖是 LLM → Agent → 持續學習 → 自我迭代 → 具身智能。最震撼一句：「用美國二十分之一的算力，做成差距 12–18 個月嘅模型」 — 呢個係對矽谷 Scaling 敘事嘅根本質疑。
📊 一、11 大主題分類
| # | 主題 | 條數 | 核心 |
|---|---|---|---|
| 01 | 願景與克制 | 15 | 願景驅動 · 願景不是 KPI · 克制是戰略 |
| 02 | AGI 路線圖 | 19 | 思維鏈 → Agent → 持續學習 → 自我迭代 → 具身 |
| 03 | 團隊與人才 | 18 | 團隊穩定性 = 唯一核心利益 |
| 04 | 算力與資源 | 9 | 用美國 1/20 算力 · 落後 12–18 月 |
| 05 | 國產芯片與生態 | 10 | CUDA 護城河瓦解 · 4 張華為頂 1 張英偉達 |
| 06 | 競爭格局與行業判斷 | 12 | OpenAI/Anthropic/Google 交替上升 · 中國產量最大 |
| 07 | 模型研發與技術 | 7 | 模型先讓自己好用 · 摸獎文化 |
| 08 | 商業化與定價 | 9 | 10 個月回本 · Coding Agent 優先 |
| 09 | 開源策略 | 6 | 最強模型都會開源 · 開源不影響收入 |
| 10 | 數據與後訓練 | 6 | 一半人在標數據 · 數據 = 模型一半 |
| 11 | 組織與公司定位 | 7 | 沒有模仿對象 · 萬億級公司目標 |
🎯 二、5 大核心 Insight（必讀）
Insight 1：克制是戰略，唔係限制
「你越克制，可能就越容易做成… 否則沒有辦法能解釋為什麼我們能做成：我們並沒有什麼武器，起點又非常低，資源又非常少。」
3 大克制表現：
不開源壓力 = 讓利
不搶用戶 / 變現
不與任何人為敵
結果：「並沒有因為我們的善意而少拿到任何東西，反而可能還有加分。」
Insight 2：人才 = 唯一核心利益
「錢肯定不是問題，資源不是問題… 只有一個核心利益，只有一個沒法退讓的：我們必須要保持團隊的穩定性。」
核心方法：
願景驅動（不是 KPI）
員工一半時間自由探索
不太加班（聚焦 + 鬆弛）
共識決策機制
Insight 3：算力是唯一瓶頸
「我們跟美國的差距可能是落後 12 個月，但只用美國二十分之一的算力把這個事情做出來。」
敘事：
過去：落後 1–2 年 / 用 1/20 算力
未來：用 1/N 算力 / 追平到 6 個月 / 3 個月
Insight 4：開源是護城河
「我看不到閉源什麼好處，看不到必然的好處。… 開源並不會影響收入。」
驚人自信：
開源模型 = 自己部署（同樣）
別人部署 ≠ 競爭（門檻仍高）
主動幫助競爭對手（阿里 / 智譜 / 月之暗面）
Insight 5：5 階 AGI 路線圖
1 | 2024: LLM 階梯（思維鏈 CoT） |
關鍵金句：
「下一代模型的核心能力，必須要有持續學習的能力，它才能叫下一代模型。」
🇺🇸 三、中美 AI 競爭格局判斷
3 大最終差距
| 維度 | 判斷 | 詳情 |
|---|---|---|
| 成本 | ⭐ #1 差異 | 中國會系統性更便宜 |
| 時間 | ⭐ #2 差異 | 早幾個月 / 晚幾個月 = 全不同 |
| 體驗 | ⭐ #3 差異 | 中國產品不比美國差 |
OpenAI 嘅挑戰者
「從全球 AI 中主導分工的時候，中國公司很有可能扮演的一個角色還是產量最大。」
「OpenAI 從一開始覺得他真的能夠壟斷這個世界，但是實際上他會遇到很多很多挑戰者。… 拿得多的人會被拿得少的人打敗。」
國產芯片判斷（4 大 insight）
| 點 | 內容 |
|---|---|
| CUDA 護城河 | AI 寫代碼後瓦解中 |
| 計算卡 vs 遊戲卡 | 已解耦，不再耦合 |
| 華為 950 超節點 | 性能 + 價格可完全平替英偉達 GB200/GB300 |
| 生態差距 | 4 張華為頂 1 張英偉達 · 落後 2 年 |
🤖 四、AGI 路線圖（10 大關鍵金句）
思維鏈 = 去年階梯
Agent = 今年階梯（CoT + 語言模型 = 沒有一步白走）
持續學習 = 下一個梯
自我迭代 = 奇點（模型自己開發下一版）
具身智能 = 進物理世界
AI 加速 AI = 非線性（不是線性發展）
「下一代模型必須有持續學習能力」
「Coding Agent 是最高優先級」（連金融、醫生 Agent 都要排後面）
「語言模型的 Scaling 我沒看到上限」（對矽谷敘事的質疑）
「中國公司只做 AGI 主線」（不做 3D / 視頻生成 / 世界模型）
💰 五、商業化策略
API 定價 = 10 個月回本
「我們的 API 定價是一個合理的利潤，大概是我們到市場上買一批設備回來，十個月收回成本。」
3 大產品優先級
| 優先級 | 產品 |
|---|---|
| #1 | 通用 Agent（特別是 Coding Agent） |
| #2 | Coding Agent（具最高 ROI） |
| #3 | 垂直 Agent（金融、醫生） |
3 大商業模式
| 模式 | 評估 |
|---|---|
| C 端用戶 | 已有相當基礎 |
| B 端 API | 增長快速 + 有限（受制於需求） |
| 最壞情況 | 「全力賣 API 都可以支撐上市公司」 |
📊 六、118 條分類速覽
01 願景與克制（15 條）
初心不是為賺錢
對世界有善意
願景驅動管理
沒有組織
願景不成文
平凡的人
越克制越容易做成
AI 利益太大無需搶
不搶用戶
不做下一個超級 App
克制是戰略
增加做成 AGI 概率
不與任何大廠為敵
善意反而加分
商業化 + C 端 + B 端成功
02 AGI 路線圖（19 條）
完整上下文 + 指令 → 超人類
AI 不能替代員工 · 差持續學習
去年階梯 = 思維鏈
今年階梯 = Agent
持續學習 = 下一個梯
奇點 = 模型自我迭代
奇點是漸變非突變
時間表：持續學習 → 自我迭代 → 具身
用前面的技術幫後面的
只做 AGI 主線
視頻生成 ≠ 主線
商業好 ≠ 智能主線
世界模型 ≠ 現在最重要
AI 加速 AI 研究 = 非線性
最終具身是必然
AGI 迭代下一版模型
持續學習 = 下一代核心
Agent 受限於不能持續學習
持續學習做完則通用智能容易
03 團隊與人才（18 條）
願景 = 強大
聰明人 ≠ 自動合作
團隊穩定 = 唯一核心利益
錢不是問題
期權是團隊穩定解藥
老員工穩 = 全員穩
最多晚半年到一年
跟美國差距在資源非人
人才差距本質是算力差距
AI 人才短缺是階段性
中國做基模太多 · 會收斂
兩條管理線：上到下 + 下到上
一半時間不安排
不加班 = 鬆弛 + 聚焦
聚焦 = 不用加班
共識基礎
尋求共識決策
隨人員增加要調整
04 算力與資源（9 條）
卡越多越好
花完 200 億不容易
最大差距是資源
算力是所有差距的根源
落後 12–18 月 · 用 1/20 算力
目標：6–3 月追平
阻止 Scaling = 算力
訓練大小 = 按資源算
中國根本沒 Scaling 到頭
05 國產芯片與生態（10 條）
CUDA 護城河瓦解
計算卡 vs 遊戲卡解耦
國產芯片歷史性機會
國產芯片生態完全沒問題
V3 用英偉達卡但不用英偉達生態
英偉達在掘自己的墳墓
4 張華為頂 1 張英偉達
芯片 4 倍加 2 年差距
主要跟華為合作
5 年內產能問題會解決
06 競爭格局與行業判斷（12 條）
同成本比才有意義
Anthropic 超 OpenAI 是階段性
中國產量最大
中國 AI 系統性更便宜
最終差距 = 成本 + 時間 + 體驗
成本是第一位差異
早幾個月晚幾個月全不同
拿得多的人會被拿得少的人打敗
賺合理收益
體驗可超美國
成本控制好 = 競爭力
大模型可能 2+2 就夠
07 模型研發與技術（7 條）
一半人覺得 OpenAI 更好
多模態是組件不是主線
V4 會支持原生的多模態
語言模型 Scaling 沒看到上限
首先自己好用
第一目標是自己用得好用
「摸獎」文化
08 商業化與定價（9 條）
10 個月回本
價格再翻倍需求變化不大
降價 1/4 團隊開心
To B 上限是需求
幾億 B 端 + C 端 = 接近淨利
最壞情況賣 API 都能支撐
Coding Agent 優先
低成本是結果
成本低 = 能訓練更大模型
09 開源策略（6 條）
看不到閉源好處
開源也有高門檻
開源不影響收入
不擔心別人部署
幫助競爭對手
開源 = 自己部署
10 數據與後訓練（6 條）
數據 = 模型一半
中國高質量數據標註無成本優勢
兩條腿走路
一半人在標數據
高質量數據 = 時間瓶頸
幻覺 = 可解
11 組織與公司定位（7 條）
沒有模仿對象
明確要商業化
偉大公司有金錢以外追求
精心挑選投資人
AI 缺持續學習 · 不缺品位直覺
AI 會產生萬億級公司
合作共贏