Original Source: Tencent Technology

DeepSeek 近日完成成立以來的首輪外部融資。本輪募資總額超 500 億元人民幣（約合 74 億美元），投前估值約 3675 億元（約 543 億美元）。在投資方陣容中，DeepSeek 創始人梁文鋒個人出資 200 億元，腾訊出資 100 億元，寧德時代出資 50 億元，網易、京東和 IDG 資本分別出資 30 億元，國家人工智能產業投資基金出資 10 億元。

在此之前，梁文鋒曾提出「不融資、不上市、不商業化」的原則。此次大規模融資標誌著 DeepSeek 正式走向資本市場，也引發了業界對其商業化路徑與技術願景的廣泛關注。

在近期的一場投資者交流會上，梁文鋒詳細闡述了 DeepSeek 的組織文化、開源邏輯、技術路線圖以及對行業競爭格局的看法。

以下為腾訊科技獲得的近 4 小時的交流會中梁文鋒發言實錄整理，按主題分類，共計 118 條，文本盡可能保留原意，僅略作編輯。

願景與克制

1.我們一開始來做這個公司，初衷沒有想到說我最後要賺多少錢，要到資本市場上去，要上市，要怎麼樣的。最開始的幾十個人完全沒有這麼想過，如果他這麼想，他就不會來。

2.我們是懷著一個對這個世界非常大的善意來做這個事情，我們覺得這是對人類有用的，這是一個金錢以外的事情。我們出發的初衷、我們的願景，以及我們保持到現在的這個願景，不是按照一個商業利益最大化的方式來做的。

3.管理一個大公司，靠的不是你的規章制度，靠的是願景。願景不是掛在牆上的標語，願景是你怎麼做，不是怎麼說，就是你怎麼實際運行。

4.我們是沒有組織的，就是願景驅動的，靠一個願景來組織。我們並不是以一個「我要實現什麼 KPI、沒有考核」的方式來做，只有願景。

5.這個願景甚至也不是成文的，並不是寫出來的，沒有寫出來過任何東西。這個願景是在我們做事情的方法、我們對待這個世界的態度裡。

6.我們並沒有非常多的其他優勢，我們沒有什麼本事，我們並沒有比別人有錢，也沒有說我們人員比其他公司更好，其實沒有的。我們兩年前成立這個公司的時候，我們又沒有很多錢，又沒有很多卡，又沒有什麼知名度，又沒有什麼號召力，我們就是一群非常平凡的人。

7.你越克制，可能就越容易做成，或者说至少到目前為止是印證的，到目前為止是能解釋得通的。否則沒有辦法能夠解釋為什麼我們能夠做成：我們並沒有什麼武器，起點又非常低，資源又非常少，我們的人其實也就是隨機的一群平凡的人。

8.AI 這個事情太大了，利益太大了。我們非常克制，只要能夠做成，最後利益都會非常大。你隨便分一點，利益就非常大，所以現在根本不用考慮拿這裡面的哪一部分利益、怎麼拿，我覺得根本不用考慮這件事情，因為這個利益足夠大了。

9.我們去年春節用戶突然很多，但是我們並沒有去追求我要留這些用戶，或者說拿這些用戶來變現，或者說我要去搶這些商業利益，在用戶上面兌現。我們沒有去搶用戶，沒有去賺錢，但我們很努力想辦法把用戶服務好。

10.我們並不會有這樣的想法，說我要做成下一個超級 App，然後我要去跟誰競爭，我要做成下一個字節、做成下一個騰訊，完全沒有這樣的想法。我覺得後面的 AGI 機會應該是非常大的，後面的 AGI 機會永遠是非常大的。

11.克制是一種戰略。就在於有時候你可以捨棄一些，來換更多其他的東西。不開源這個事，其實也是一樣的，也可以認為是我們的壓力，也可以認為是我們的讓利。

12.這種克制，我理解是這種克制從長遠上來講，能夠增加我們做成 AGI 的機率。在考慮一件事的時候，我是毫不懷疑 AGI 會有非常大的商業價值。那麼在這個基礎上，我優先考慮的不是我怎麼多加一點份額，我怎麼多拿一些份額，我優先考慮的是我怎麼增加我能夠做成的機率。

13.我們一直非常克制，不願意跟任何一家互聯網大廠或者小廠成為對手。我希望我能夠給他賦能，或者希望我能夠協助大家去做這個事情，希望能夠幫助大家做這個事情。

14.我覺得我們之前秉持這種態度，其實我們並沒有因此而少拿到任何東西，並沒有因為我開源，並沒有因為我們的善意或者說我對其他人提供幫助，而導致我們少拿了任何東西。反而可能還有加分。這個看起來違反直覺，但它確實是這樣的。

15.我們是以 AGI 為目標，但是我們一直在做商業化，所以我們才有 C 端的用戶，才有 B 端的收入。從歷史經驗來看，這個策略是成功的。

AGI Roadmap

16. If you can describe a problem very clearly, give it complete context and instructions, then it has surpassed humans. But there is a definition here, there is a premise: you give it complete context, give it complete instructions.

17. AI cannot replace your employees. But if AI has the ability of continuous learning, just like your employees, if it learns at the company for two months, then it can replace everyone in the world. So, we are just one step away from the next stage, which is continuous learning.

18. The development of AI can be understood as a staircase. The staircase we took last year was the Chain of Thought. Because we found that through the Chain of Thought, we can allow intelligence to reach a higher level.

19. This year's staircase is Agent, because we found that using the Agent approach, even more things can be done, its scope of ability will be larger, and its upper limit of intelligence will be higher. Agent needs to use CoT, and CoT also needs to use the previous staircase, which is the language model, so every step is not taken in vain.

20. After Agent, we believe that the next problem to solve is continuous learning, which means how to make the model learn continuously, rather than giving it a very strong training. It should be able to learn continuously for a long time like humans.

21. After continuous learning, we may reach a singularity. This singularity is when the model can learn continuously, and it can already do everything a human can do. It can develop its own version, conduct its own research, and then develop its next version, advancing further artificial intelligence models.

22. This singularity is not a punctual event; it is also a gradual process. This process may also be a rather long gradient, not a sudden change. However, habitually, we all think of it as a singularity.

23. This is our speculation, this is the timetable we think should follow: first solve learning to learn, then reach that intelligent singularity where it can self-iterate, and then it is embodied intelligence. After embodied intelligence, it enters the real world, can do housework for you, and can take care of the elderly.

24. If we first solve continuous learning, then solve the self-iterative singularity, and then solve embodied intelligence, the path will be smooth. Because afterwards, you can use the earlier technology to help develop the later technology.

25. We only focus on the main line of AGI. The field of AI is vast, and there are many things that we think do not align with this main line, such as 3D, video generation. I think they may not have much to do with the main line of intelligence, so we will not pursue them.

26.視頻生成一開始出來的時候就很火，好像這是必須要做的，如果你不做，你就不是一個 AI 公司一樣。所以我就很奇怪，這個其實你只要仔細去想一下，它跟智能的路線圖是沒有什麼關係的。

27.在商業上，它是個好生意，在商業上是個好生意。但是這跟智能沒有什麼關係。我們不會因為它是一個好商業而去做它，我們只會因為它是智能路線圖上的東西，才會去做。

28.從我們的判斷，世界模型和智能還不是現在這個階段最重要的事情。最重要的才是 AI 訓練，以及 AI 訓練之後怎麼解決持續學習。這是我們公司的判斷，當然每個公司它的判斷是不一樣的。

29.我們現在比較相信一個敘事是，AI 可以加速 AI 的研究。就是說，它不是線性的，因為你可以用 AI 來加速你自己的研究，所以它到後面可能是非線性的。

30.我覺得具身肯定還是要進入，最終具身。因為對一個正常人來講，他的需求並不是電腦，對不對？因為正常的人，他吃喝玩樂、衣食住行，他不需要電腦。他需要的是，所以他還是需要具身智能來解決具體人力的需求。

31.我們希望 AGI 能做什麼呢？它能幫我迭代下一版模型，能幫我迭代下一版模型一樣。如果有了具身之後，我們希望它做的也是，讓它來迭代下一版的具身，它來做下一版機器人。

32.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。在那之前，我們能做的就是成本，然後效果做得更好，速度做得更快。但是要有大突破，它應該是具備持續學習的。

33.現在的 Agent 的能力受限，是因為它不能持續學習，它不能有效地持續學習。如果說能夠先把持續學習做完，那 AI 的能力是非常強的，它能夠非常大地提升我們自己研究的效率。

34.持續學習先做出來，通用智能可能就很容易了，用它來做就很容易。所以我說這是一個我們比較希望看到的結果，我們比較省力，我們就輕鬆。否則現在你要去人工做通用智能，它是一個比較累、比較苦，是一個數據密集、人力密集的事情，性價比也不高。

團隊與人才

35.我們前面的經歷給我的啟示是，AGI 這個願景是很強大的。這個人才優勢不是說我的人比他更聰明，而是這些人才我怎麼組織起來，怎麼激勵他，然後怎麼合作。

36.你把聰明的人聚在一起，並不是說他自然而然就能夠合作，自然而然就能夠非常有激情地去奔一個目標、去完成的，所以你需要一個願景。

37.我們最大的核心利益是要保持團隊的穩定性。這是我們最大的核心利益，甚至可以認為是唯一的核心利益。只要我能夠保持團隊的穩定性，我一定能做成，一定能做成 AGI，就這麼簡單。

38.錢肯定不是問題，資源不是問題，其他要素都是容易獲得的。對我們來講，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。

39.這也是我們面臨的一個非常大的挑戰，或者說，我覺得是最大的風險。當然，這個風險隨著我們近期的這一次融資，得到了比較大的解除。因為大家拿到的期權都還是比較多的，金額還是比較大的。

40.從團隊穩定性來講，只要最重要的一些員工、最老的員工能夠穩定，那麼其他人是不太會走的。其他人哪怕期權少一點、收入少一點，他也不會走。因為他不是全奔着錢來的，大家都希望在一個能夠做成 AGI 的環境裡面去做這個事情。

41.其他都是時間問題，其他最多導致我們晚半年、晚一年，但是不會說做不出來。肯定是不缺錢，肯定是不缺資源，其實這些都是不缺的。

42.我們跟美國的差距主要在資源上面，然後人上面差距不是很大的。人上面幾乎沒有差距，因為就是同一批人，可能是中國人。中國人出去的時候，有一些人留在國內，有些人留在國外，有些人去國外，他並沒有說是聰明的人去國外，沒有的。

43.人才不是瓶頸，資源是最大的瓶頸。資源首先影響到人才培養，因為算力少，我們能做的實驗機會比較少，所以我們的人才整體上比美國有差距。人才的差距，本質上也是因為算力的差距。

44.AI 人才的短缺也是階段性的，並且我們已經看到，大幅度被緩解了。因為 AI 人真的不缺，每個公司很快會把人培養出來，培養人是很快的。

45.國內現在做模型的公司有點太多了，還是太多了。美國可能就三家，中國做基模的東西太多了。最終一定是不需要那麼多人去做基模的，一定會收斂。

46.我們公司的管理其實是兩條線：一條線是從上到下，一條是從下到上。從下而上，就是每個人自己想做什麼，自己做，沒有人管他，沒有 KPI。

47.一般我們希望員工還有一半的時間，是不被安排的，他想做什麼就做什麼。這是一個研究的範圍，讓他可以自己去探索，按照他覺得什麼重要，他去探索什麼，沒有前置的要求。

48.我們一般也不太加班。加班有兩個原因。第一個是，做研究是需要一個比較鬆弛的環境。你如果逼得很緊，就沒法做研究。因為既然就是要你自己有這個興趣，你自己平時要去想這些問題，所以得是在一個比較鬆弛的環境裡，才有可能能夠探索。

49.第二個是，我們非常聚焦。我們非常聚焦，就意味著我們要做的事情很少。那我就沒那麼多事情要做，我就不需要加班。這個跟前面的克制是一脈相承的。

50.我們公司整體上是建立在共識的基礎上的，我並不是說我一個人決定所有事情，而是我要尋求共識。我在公司內的權威以及在公司內的影響力，是建立在共識的基礎上的。

51.這個決策機制其實是一種尋求共識的機制，這並不是說我能夠推動一個什麼事情，它一定是共識，我才能夠推得下去，然後我才會去推。

52.隨著人員的增加，我們會做這個調整。應該是我們馬上就得做這個調整，因為我已經在做這個調整。已經不做這個調整的話，很多事情是沒法推進下去的。確實有很多部門，是應該有組織架構的。

算力與資源

53.我們需要多少卡？現在肯定是越多越好。在我們能夠承受的範圍內，肯定是卡越多越好，這是毫無疑問的。所以我們現在策略是，在合理的價格裡面，能買到多少卡就買多少卡。

54.實際上，要把這麼多錢花完非常不容易，買不到那麼多卡，很難買，而且價格也很高，也不能說花非常高的價格去買，還得確保這個價格是合理的。如果今年能夠花掉兩百億，那麼就屬於我們的採購部門業績超級好了。

55.我們跟美國之間最大的差距是在資源上面。算力資源一方面是國內本身卡就買不到，另外一方面是我們的資本投入比美國要少。我們在資本投入層面上少了很多，基於人才的工資在這裡面佔的比重是很低的。你看他們開的薪水一個億美金這種，但算起來，人才的薪水還是佔比很少，大頭還是算力。

56.我們看到的所有區別，包括人才的區別、模型能力的區別、應用的區別，可以認為都是因為算力資源上的區別。

57.我們跟美國的差距可能是落後美國12個月，落後美國可能12到18個月，或者說6到12個月。反正簡單說，就是落後美國兩年，然後只用美國二十分之一的算力把這個事情做出來。

58.這個敘事就是落後一到兩年，但是只用它二十分之一的算力。那麼未來我們要把這個敘事改寫，就是我們用它幾分之一的算力，但是把這個時間縮得更短，縮到6個月、3個月，我覺得這是一個目標。

59.Scaling，我們是信Scaling，肯定是規模越大，效果越好，能夠解鎖更多的功能。阻止我們Scaling的其實就是算力，並不是我們不想Scaling，是我們沒有那麼多的算力去做這個Scaling。

60.我們訓練這麼大的模型，並不是因為我覺得這麼大的模型就夠了，而是我剛好有這麼多資源。我是按照我的資源來算，我能夠接受、能夠訓練的模型是多大，是這樣算出來的，並不是這個模型就夠了。

61.硅谷在說Scaling到頭的時候，那是對硅谷來說；對中國人來講，我們離那個還很遠，我們根本就沒有Scaling到那個程度。這個Scaling包括數據的Scaling、模型規模的Scaling，然後訓練成本。

國產芯片與生態

62.英偉達CUDA的護城河在快速地被瓦解。一方面是現在有了AI，然後有了AI之後，我要建立起這個生態比以前容易很多了，因為AI可以寫程式。

63.現在計算卡的市場已經比遊戲卡更大了，就沒有理由這兩個還需要耦合起來。現在的趨勢是，以後就不再耦合了。那麼專用芯片，不管是華為還是英偉達自己，以後都是專用芯片，都不是之前的這些東西了。

64.國產 AI 晶片替代現在是有個歷史性機會的。我們認為，未來一年之內，我們能夠看到有一個事情被驗證：國產晶片的生態完全沒有問題。之前認為是有問題的，認為是用不起來、不好用，但是未來我覺得一年之內，我們能夠扭轉這個認知，或者會用事實來扭轉這些。

65.國產 AI 晶片的硬體和生態都沒有問題，唯一有問題的是產能不夠。國產卡適配這一點，沒有障礙，英偉達擋不住。如果是在一個正常的商業環境裡面，我能買到英偉達的卡，那麼國產替代是比較難的；但是在英偉達的卡買不到的情況下，所有人都迫不得已，都要去做國產晶片。

66.V3 訓練的時候，它用的還是英偉達的卡，但是已經不用英偉達的生態了。V3 用英偉達的卡，但是沒有用英偉達的生態，而是我們先寫一個高級編譯器叫 TileLang，然後基於 TileLang 的生態來完成其他所有的事情，就已經幾乎不依賴英偉達的生態了。

67.我對國產算力是比較樂觀的。我覺得在這一點上，英偉達是在掘自己的墳墓。華為的超節點，華為的 950 超節點，在性能和價格上可以完全平替英偉達的 GB200、GB300。

68.四張華為卡頂一張英偉達的卡。

69.我們跟美國在晶片上的差距，我認為生態上以後不會再有差距，但是在晶片上是四倍加兩年。

70.我們現在主要是跟華為有合作。華為他們自己適配，但我們自己會參與這個生態，會深入參與到華為這個裡面去。華為的問題還是產能不足。

71.我不太相信未來五年之後，我們還卡在產能的問題上。現在肯定是卡在產能問題上，今年、明年、後年，我覺得可能都還是卡在產能問題上，但五年之後，我覺得可能不一定，我還是比較樂觀的。

競爭格局與行業判斷

72.各家模型最終效果拉開差距，應該是一個綜合上的。比較模型效果，肯定是得在相同的成本上來比較，這個才是有意義的。因為你比較兩輛車，也是同價位的車來比較。

73.Anthropic 跟現在超過 OpenAI，這是不是長期的？我覺得這不是長期的，這肯定是階段性的。OpenAI 和 Google，未來大概率還是會交替上升。

74.在全球 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。常理來講，我們的產能最大，包括晶片，晶片可能我們的產能最大，我們的電力最多。

75.中國人會把這產品做到最便宜，然後再在效果上，畢竟國外的商品，現在很多商品中國產跟美國產並沒有太大的區別。未來可能 AI 也是這樣，但是中國產的 AI 可能價格會更便宜。這個便宜可能是系統性的低，就跟其他行業中國提供的服務更便宜可能是一樣的。

76.最終的差距應該是三方面：一方面成本，一方面時間，一方面用戶體驗。除此以外，可能是沒有什麼差距的。

77.成本肯定是一個差異，我覺得可能成本是排在第一位的區别。然後第二個就是時間，你什麼時候能夠做到。你早幾個月、晚幾個月，它就不一樣了。

78.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。他會遇到挑戰，他就不會那麼輕鬆。美國會遇到挑戰，那麼他在未來可能還會遇到中國的挑戰，因為中國人願意拿得更少，就可以給你提供這個服務。

79.拿得多的人會被拿得少的人打敗。甚至你還不用真的拿得多，願景如果是拿得多的話，你就會被願景是拿得少的人給打敗。其實大家都沒有拿到錢，只是一個願景。你願景是拿得多，你就先輸了，你就會面臨著更大的困難。

80.對我們來講，我們並不是利潤要拿最多的錢，或者說算收益最大化的定價，而是只賺一個合理的收益。這是一個解釋。我是相信這個事的，我並不是去為這個事情找理由，因為沒必要找理由。

81.我覺得在很多體驗方面，有可能我們是能比美國做得好的。在產品方面，產品能力上不一定會比美國差。成本應該也會比美國低，所以中國還是會有競爭力的。

82.成本這個很好理解，是因為他們都不用做，所以他們就不發展這個能力。他們肯定沒有我們重視這個事情。我們可以把它當做一個非常重要的事情，但對於他們來講，這個是不重要的。

83.大模型可能不說兩家大公司、兩家小公司，可能就已經比較夠了。差距只有兩個東西：一個是時間，一個是成本。所以不至於哪一家有暴利，我覺得不至於有暴利。成本控制得好的人就多賺一點，成本控制得差的人就少賺一點，僅僅此而已。

模型研發與技術

84.我們公司可能有一半的人，平時有一半的人覺得 OpenAI 是更好的。其實 Anthropic 它有先發優勢，但這先發優勢應該很快就沒了，並不是一個它能夠長期佔得住的優勢。大家這三家都很厲害，這三家裡面的效率是最高的，它花的成本、它花掉的、它燒掉的錢應該是最少的。

85.多模態佈局，我們一直在做。對產品來講，它很重要；對 C 端用戶產品來講，它很重要。但是對智能的上限，它是一個元件，它不是主線本身。

86.我們應該會上相關的模型，就是我們 V4、V4 的後續版本會支援原生的多模態。但是我們對多模態、對智能來講，它是個元件，我們不把它當作智能本身。

87.只能說語言模型的 Scaling，我現在沒有看到有上限。我們現在的智力水平，或造成美國的智力水平，都沒有看到上限。

88.我們內部很多人的想法是這樣的：首先要對我們自己有用，首先是給我們自己用。然後這是實現 AGI 最快的方法。當我們自己好用，那意味著可能別人也好用，但是首先得保證我們自己好用。

89.我們做的模型，第一目標不是大家用得好用，而是我們自己用得好用。首先是對我們自己有用。對我們自己有用之後，我在開發下一版模型的時候就會更快。

90.我們叫這個叫「摸獎」。門檻很低，誰都可以去摸，但是誰能摸出什麼來，這個可能我也不知道是看天賦還是看什麼。所以這裡並不需要我們去分配資源。只是說，我們跟其他公司不一樣的地方，就是我們會花時間去討論這個問題，會去想這個問題，然後把它當作一個重要的事情。

商業化與定價

91.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，我覺得這是一個合理的利潤。

92.如果利潤最大化，應該把價格設得更高。因為在這個價格區間，用戶的需求是沒有彈性的，就是我價格再翻一半，或者說我價格再抬高一倍，token 的消耗量區別不大的。

93.我們的一個模型，一開始我們擔心需求太多，所以一開始把價格定得比較高，團隊裡大家不是很高興。後來我把價格又降下來了，降到四分之一，大家就很開心。

94.對於 B 端業務來說，上限應該是需求，根據當前這一代 AGI、AI 技術的背景，B 端的需求應該是有限的。它會快速增長，但並不是一個無窮大的事情，最終還是受制於需求，不是算力。

95.我現在覺得應該是能夠做到的，就都要。假如說我今年能夠有幾個億美元的 B 端收入，再加上我們 C 端有用戶，那麼這本身就已經有一定的商業基礎。明年我們的 B 端有收入，如果這個需求可以再增大的話，公司離淨利潤已經不遠了，可能就已經是淨利潤了。

96.最壞情況賣 API，可能都能夠支撐一家上市公司。如果技術沒有新的進步了，我們的技術就凍結在這裡了，那麼最後我們就全力賣 API，把這些服務做好，我覺得也夠的。

97.我們現在以目前的情況來看的話，我覺得最合理的做法應該是全力做通用的 Agent，其他的 Agent 優先級應該更低，包括金融、醫生這些 Agent。要先做 Coding，因為 Coding Agent 能夠做到很多，還有很多垂直的 Agent。現階段我們覺得最重要的，應該還是 Coding Agent。

98.我覺得低成本首先是一個結果。我們的模型確實一直在模型架構上往一個更低成本的方向走，這跟我們的願景有關係。我們還有很多在算法上的方法，成本還可以往下走。

99.成本往下走還有一個原因是，成本越低，我就越能訓練更大的模型，我就越能承擔起更大的模型。在同樣算力上，在算力有限的情況下，如果我的計算效率更高，我就能夠承擔起更大的模型。

開源策略

100.我覺得我們是會開源的，然後我們最強的模型可能也是會開源的。因為我看不到閉源什麼好處，看不到必然的好處。字節它的模型是閉源的，它有什麼好處？我看不到有什麼好處。

101.哪怕是模型開源，你把所有東西都告訴別人，這個門檻也非常高。別人要用起來，這個門檻也非常高。他要用起來，就很難；其次，他要用起來，還要成本做得很低，也很難很難，沒有那麼容易。

102.開源並不會影響收入。開源，我覺得對我們的商業模式是沒有任何影響的。

103.我也不擔心別人部署我們的模型，然後跟我們來競爭，一點都不擔心。我們還希望他們能夠部署起來。我們盡可能給開源社區提供幫助，協助大家能夠把我們的模型部署起來。

104.我們在對外面打交道的時候，我們的態度是：我們只做 AGI 的主線。在對外面打交道的時候，我們是很願意協助、幫助任何人，甚至我們的競爭對手，包括阿里、智譜、月之暗面，去做得更好。因為我們並不損失什麼東西，我們本來也是開源的。

105.我們給的開源模型，跟我們自己部署的模型是不是一樣？是一樣的。我們不會說開源一個差點的模型，然後我們自己部署的時候用一個更好的模型，是不會的，是一樣的。

數據與後訓練

106.數據應該幾乎就等於模型的一半。前面還有一個標數據的問題。我們在數據標註方面，這跟我們的資本投入有關。以我們這個資本投入的結構，支撐不起那麼多高質量數據標註的成本，因為成本很高。

107.美國數據標註的成本跟中國數據標註成本沒有什麼區別。中國去標數據並沒有成本優勢，尤其是標高端數據上並不會有成本優勢，使得我們很難投入去像美國這樣標數據。這條路在中國是很難的，因為標數據實在太貴了，不管是我們外標還是我們自己標，都很難受。

108.現在基本上是兩條腿走路。並不是說我們完全不能標，而是因為標數據有一些成本低，有一些成本高。我們先標成本低的。

109.你也可以認為，現在我們公司有一半的人在標數據。有一半的核心研究員，最重要的人，有一半在標數據。我們就集中在標數據。解決 AI 這個問題，在現在這個階段靠的就是標數據。

110.高質量數據標註的瓶頸，我覺得是時間，就是需要時間。因為對 OpenAI 來講、對國外來講、對 Anthropic 來講，他們都更早，然後資本更多，卡也更多。

111.大模型的幻覺問題比較影響用戶的體驗。幻覺問題也是有一個方法可以解決的，但是這是一個長命題。幻覺問題可以認為是一個可以通過更好的 Post-training 解決的，是一個能解、能夠改善的問題。

組織與公司定位

112.首先，我們沒有模仿的對象。每一步都是我們從實際情況出發，實事求是，根據實際情況來做決策，找到我們應該怎麼做。所以它是一個時代的產物，或者說是現實情況的一個反應，它並不是一個模仿的結果。

113.我們明確是要有商業化的。我們最終還是要能活下去，我們畢竟是一家公司，政府不會給我一分錢。

114.我們本質上還是一家公司，只是說我們在考慮賺哪些錢、什麼時候賺錢、賺多少錢、靠什麼賺錢，我們有取捨。很多公司做得很偉大，因為它有一種利潤以外的追求。那個追求最後不但沒有影響到它的商業化，反而能讓它商業化得更好。

115.對於合作夥伴，其實我們這個融資是精心挑選的。首先我覺得，利益是比較一致的，就是跟我們利益最一致的、對我們最沒有敵意的，或者說最希望我們能夠做成功的。不是所有人都希望我們能做成功的，因為我們還是損害了很多其他人的利益的。

116.AI 現在不缺品味和直覺，它缺的是持續學習的能力。AI 的品味和直覺沒有問題。你讓它寫個文章，它的品味和直覺，我覺得沒有什麼問題。

117.我們希望只做一塊。我覺得 AI 這個事情很大，並不需要我……我只做一塊。如果聚焦，並且我認為這裡的生意利益已經足夠大，就如果是 AI 時代會產生很多家萬億級別的公司，我覺得我們是其中一家。

118.我們希望能夠扶持更多的人，但是我們並沒有那麼多的精力。我們是有這個意願，並且不會有利益衝突，但是我們有沒有去做是另外一回事。但至少這裡邊是沒有利益衝突的，我們是希望合作共贏的。

原文連結

歡迎加入律動 BlockBeats 官方社群：

Telegram 訂閱群：https://t.me/theblockbeats

Telegram 交流群：https://t.me/BlockBeats_App

Twitter 官方帳號：https://twitter.com/BlockBeatsAsia