7300字干货版丨梁文锋3小时44分钟闭门会聊了什么

2026-07-27 · 配资开户

每经网首页 > 要闻 > 正文 每日经济新闻 2026-07-23 16:59:29 每经记者｜李蕾 温梦华 每经编辑｜程鹏 易启江 这两天，梁文锋与投资人的闭门交流实录在网上刷屏，引发广泛关注。 7月23日，《每日经济新闻》记者（以下简称每经记者）获取了上述投资者交流会的实录，经参与投资DeepSeek的机构核实，闭门会是今年5月召开的，内容真实可信。整场

每经网首页 > 要闻 > 正文

每日经济新闻 2026-07-23 16:59:29

每经记者｜李蕾 温梦华 每经编辑｜程鹏 易启江

这两天，梁文锋与投资人的闭门交流实录在网上刷屏，引发广泛关注。

7月23日，《每日经济新闻》记者（以下简称每经记者）获取了上述投资者交流会的实录，经参与投资DeepSeek的机构核实，闭门会是今年5月召开的，内容真实可信。整场交流长达3小时44分钟，前两个半小时为梁文锋的专题讲解，围绕公司愿景、开源逻辑与AGI技术路线展开；后续约1个小时的Q&A环节中，梁文锋就中美算力差距、团队稳定性及国产芯片生态等问题与投资人进行了深入交流。

完整实录 3.4万字 ，为便于抓取核心要点，每经记者特将梁文锋的专题讲解精炼为“十大核心主题”，涵盖克制战略、十个月回本的定价法则、AGI不是突变是阶梯等；同时，将其与投资人的问答互动浓缩成“六大焦点对谈”，涉及数据标注瓶颈、与OpenAI的差距时间表等直击市场最关切的议题。一次性完整呈现了梁文锋关于经营底层逻辑、算力博弈、组织增长的独家判断，以下为每经记者根据实录梳理的核心干货。

梁文锋专题讲解 “ 十 大核心主题 ”

1 、底层经营战略： “ 克制 ” 是核心战略

我们从⼀开始就觉得需要克制。你越克制 ， 越有 可能 做成这层事。这是⼀个商业上的考量，当然这是⼀个宏观的考虑。

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。

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。

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。

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。

我们离彻底转向商业化的时间点，应该是很遥远的。在过去三年，任何一个时候你来跟我说商业化路径、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。

2 、开源就是 “ 我们的本意 ” ，对商业模式没有任何影响

在开源这个事情上⾯，我们⼀开始就想得⾮常清楚。⾸先，第⼀个就是愿景；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。

智谱也开源，但是智谱的开源跟我们的开源不一样。智谱的开源有一种被迫的感觉 …… 对我们来讲，这就是我们的本意。

开源，我觉得对我们的商业模式是没有任何影响的。前提是我们只赚六倍的利润，⼗个⽉收回成本，⼤概对应的是六倍的利润。但如果说你要赚⼀百倍利润，那么开源确实会影响你，因为第三⽅会部署，他可能是⼆⼗倍成本，就⽐你低了。

我按⼗个⽉回本这个，就能够让独⽴部署的第三⽅⽆利可图。 第三⽅做不到这个成本，所以开源并不会影响我的收⼊。

我们API定价，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。

我们的 V3.2 Flash 跟其他的 ，都是⼗个⽉收回设备的成本，这就是我们的标准。它其实不是利润最⼤化的，如果利润最⼤化，应该把价格设得更⾼。因为在这个价格区间，⽤户的需求是没有弹性的，就是我价格再抬⾼⼀倍，token的消耗量区别不⼤的。

我们为什么不继续降价，是因为它没有弹性。就是我再降价，需求不会更多了，或者我再降价，需求增加得很少了。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。

3 、只做 AGI 主线， 3D 、视频⽣成不在这个主线上

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。

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。

你站在⼀个技术的⾼位上来做相对低⼀级别的技术，是降维打击。⾄少在去年的C端，我们看到确实是这样。我们没有在C端上花很多⼒⽓，甚⾄⼀度我们都不想维护那些⽤户了，但是⽤户赶都赶不⾛。

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。通过让它⾃⼰思考，可以让这个AI能做更多的事情。

今年的阶梯就是Agent，因为我们发现，⽤Agent的⽅式，它的能⼒范围会更⼤，它的智能上限会更⾼。

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。

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。

这是我们的推测，这个时间表应该是：先解决学习去学习，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。

5 、大模型竞争最终差距在成本、时间和用户体验，中美差距在于算力资源

（大模型竞争）最终的差距应该是三⽅⾯：⼀⽅⾯是成本，⼀⽅⾯是时间，⼀⽅⾯是⽤户体验。除此以外，可能是没有什么差距的。

在现在最⼤的模型上，我们其实训不起的。我们哪怕把五百亿全花掉，其实也训不起。哪怕能堆起来也⽤不起。现在最⼤的模型，它激活⼤概是⼋百B（编者注：Billion，十亿参数，下同） ；国内的话，我们还在⼏⼗ B 的这个规模，国内最⼤模型可能就⼏⼗ B 激活，那么差⼀个数量级。

如果我要训练跟 AI 同样⼤的模型，应该需要五万张 GB300 。这只是训练，还没有考虑做研究。所以我们跟美国之间最⼤的差距是在资源上⾯。

所以我们跟美国的区别，我认为就是资源上的区别。我们可能会认为，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。

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“产量最⼤”。常理来讲，我们的产能最⼤，包括芯⽚，我们的电⼒最多。

中国⼈会把这产品做到最便宜。现在很多商品，中国产跟美国产并没有太⼤的区别。未来可能AI也是这样，但是中国产的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。

OpenAI和Google，未来⼤概率还是会交替上升。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 。

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。 这三家都很厉害，这三家效率是最高的，它花掉的、它烧掉的钱应该是最少的。

6 、 ToB 的需求会快速增⻓，但并不是⽆穷⼤，最终受制于需求

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。我希望不⽤去做芯⽚。我希望能够以合理的价格买到芯⽚。

我觉得 AI 这个事情很⼤，我们希望只做⼀块。如果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，这是我们的态度。

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。 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。它会快速增⻓，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。

7 、我们还没有机会碰到 Scaling 的墙，但我们会不遗余⼒地去推进它的上限

我们相信Scaling Law（规模化法则） ，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，⽽是我刚好只有这么多资源。我是按照我的资源来计算，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。

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。

8 、下⼀代模型的核⼼能⼒是必须要有持续学习的能⼒

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， 它应该是能持续学习的。

现在Agent的能⼒受限，是因为它不能持续学习，它不能有效地持续学习。如果说能够先把持续学习做完，那AI的能⼒是⾮常强的，它能够⾮常⼤地提升我们⾃⼰研究的效率。持续学习先做出来，通⽤智能可能就很容易了。

9 、商业化公司很难有动力追求模型效率，但我们会优先考虑成本效率

我们发现，不是所有⼈都很在乎这个模型的效率。对于⼀个商业化公司来讲，没有动⼒去追求模型效率要⾮常⾼。

所以⼏个创业公司，你没有听到他们说低成本是他们追求的东⻄，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。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能够把成本做到更低。

我希望它是⼀个负担得起的，特别是在中国算⼒紧缺这样的背景下，是负担得起的，能在国产卡上⽤的。 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，但我们会优先考虑成本效率。

10 、国内⽬前最合理的做法应该是全⼒做通⽤的 Agent

未来我们国内的商业模式是怎么样的，或者说最顺利的路径是怎样的，我们还没有到那个阶段。国内情况和国外情况不⼀定⼀样，国内到时候是什么样，我觉得现在还⽐较难判断。

国内我们以⽬前的情况来看的话，我觉得最合理的做法应该是全⼒做通⽤的Agent，其他的Agent优先级应该更低，包括⾦融、医⽣这些Agent。要先做Coding，因为Coding Agent能够做到很多，还有很多垂直的 Agent。现阶段我们觉得最重要的，应该还是Coding Agent。

对于在纯粹科研、纯粹做 AGI 的⽅向和资本市场之间的平衡，我现在觉得应该是能够做到的，就都要。 假如说我今年能够有⼏个亿美⾦的B端收⼊，再加上我们C端有⽤户，那么这本⾝就已经有⼀定的商业基础。比如明年我们B端有收⼊，如果这个需求可以再增⼤的话，公司离净利润已经不远了，可能就已经是净利润了。

可能就已经不是⼀个纯烧钱的阶段了，所以我感觉后⾯能做的、能操作的动作应该还是⽐较⼤的。或者说，最坏情况卖 API ，可能都能够⽀撑⼀个上市公司。就如果说技术后⾯没有新的进步了，我们的技术就冻结在这⾥了， 那么最后我们就全⼒卖API， 把这些服务做好，我觉得也够的。

所以我觉得还是有信⼼的，确实没有那么难。因为确实是在⼀个杠杆⾼的地⽅，⼜在⼀个发展⾮常快的领域，它可能就是没有那么难。只能讲，我们希望有更⼤的梦想，但是我们也有保底可以拿出来的业绩。

问： 能否分享持续学习 在 什么时候 能 带来突破的时间线如果实现持续学习，还需要哪些架构、算法的创新，以及其他关键要素

梁文锋 ： 现在全世界都在研究这个问题。或者说，对投资⼈来讲， 现在投资⼈看到最多的是Agent； 但对于我们这些研究的⼈来讲，现在看到更多的是学习，以及怎么解决学习这个问题。

学习不是⼀项技术，它是⼀个问题。怎么解决这个问题，可能有很多种技术。或者说，AGI是由很多东⻄组成的，需要模型还需要很多其他东⻄。其实它也是⼀个⼯程和算法问题。这个问题⽐较专业，但有很多⽅法，也有很多研究。

问： 现在开源后，这个⾏业有多少伙伴、⼈才、团队，能够⽐较好地复现开源⽬前的⼀些模型和成果当生态进一步发展时，在哪些⽅⾯需要更多⾼质量⼈才来衔接到模型您认为未来会⻓成⼀个什么样的⽣态

梁文锋： 第⼀个问题是⽣态的问题。我们现在觉得，可能每个企业都⾯临的问题是⼈才不够。但我觉得这个⼈才短缺会是阶段性的。我们在每个⾏业发展的初期，⼈才都是不够的。包括以前做⽹站、互联网做服务端等，刚开始⼈才也都是很缺的。但是这种⼈才短缺都⾮常快会被解决，也就两三年，因为会培养出⼤量的⼈。

AI ⼈才的短缺也是阶段性的，是一个短期现象，并且我们已经看到，⼤幅度被缓解了。每个公司很快会把⼈培养出来。历史上页从来没有出现过⻓期缺某⼀类⼈的情况。我还记得⼗⼏年前说⻜⾏员很缺，⻜⾏员的培养周期很⻓，但也很快被解决了。

所以⼤家不⽤担⼼，以及国内现在做模型的公司还是太多了。美国可能就三家，中国做基模的东⻄太多了，所以资源也是⽐较分散，某种程度上也⽐较浪费。最终⼀定是不需要那么多⼈去做基模的，⼀定会收敛。

现在可能⼤家觉得做这个事情的利润率⾮常⾼，所以⼀定要⾃⼰做。但当他发现这个事情可能没有那么⾼利润的时候，可能就不做了。这意味着我们是处在⼀个阶段上：如果有⼀个⾮常⾼的利润率，这⼀定不符合客观规律。中国最后有个三四家竞争，竞争就很充分了，价格绝对已经够打价格战了。⼤模型可能两家⼤公司、两家⼩公司，可能就已经⽐较够了。

我们希望能够扶持更多的⼈，但是我们并没有那么多的精⼒。我不认为⼤模型公 司可以拿⾛⼤部分利润，这个不可能，因为这么多家⼤模型公司，现在差距不⽤那么⼤。差距只有两个东⻄：⼀个是时间，⼀个是成本。所以不⾄于哪⼀家有暴利，成本控制得好的⼈就多赚⼀点，成本控制得差的⼈就少赚⼀点。

问： 真正到 AGI 的时候，理想的状态是模型可以⾃我迭代、⾃我学习，就是⾃⼰训练⾃⼰。⽬前这个数据，您感觉仿真数据是不是可以⽤起来，还是说真实数据的质量最⾼通过模拟数据、仿真数据、创造数据等⽅式，能否让这个模型能⼒去超越⼈类过往的所有真实

梁文锋： 我觉得是能超越的。我觉得有两点超越的，⽐如说围棋， AlphaGo 他下了⼀⼿⼈类从来没有⻅到过的棋。就是说，他肯定是在⼀定的范围内超越⼈类的。

但是他可能也有上限，他可能也是有局限性。但是这个局限性我们现在看不到。所以笼统地认为，它是可以基于⼈类已经有的、我们已经能说出来的知识上，予以超越的。

问： 对于 AI Infra 这⼀块，未来相信算⼒现在⼤家都是千亿美元级别地在投⼊。我们相信中国⼈未来在硬件上是使命必达，但有可能这个在实践的过程当中，⽬前还是⼀个掣肘。那么未来会不会是两⽅⾯向下⽽⾏会不会现在去建了万卡集群，但过了两三年，它就变成了⼀个陈旧器件

梁文锋： 英伟达的卡基本上你可以按照五年折旧。如果说 B200 现在能买到多少，我觉得都划算。假如说对于腾讯来讲，阿⾥巴巴能买到的话，再看量；如果合理价格能买到，肯定都是划算的。但不是⼀个算成本的时候。

我们算⼒落后，这是⼀个事实。这个事实通过三⽅⾯来消解。第⼀⽅⾯是我们承受模型落后，我们只能够⽤⽐他们更⼩的模型，⼩多少问题就是训练。我们要承受⼀定的模型落后，以及模型的尺⼨更⼩。这落后有⼀个好处，落后意味着你有更多的时间，你有⼀定的技术，然后可以⽤巧妙的⽅法。