梁文锋访谈:DeepSeek 的 AGI 路径与研究文化
看完梁文锋最近一轮投资人会议上的讲话,真心觉得他不愧是全球最有格局的创始人。
下面这些是特别触动我的部分,记录一下,准备全文背诵学习:
- 通向 AGI 的路上,产品是绕不开的一个台阶,但不用花太多心思。产品只是在追求 AGI 过程中顺带产生的副产物。
- 3D、视频生成、世界模型这些,跟智能的上限其实没太大关系。
- 多模态确实很重要,但它不是智能本身。
- 大模型的幻觉问题,本质上是个产品问题,可以解决,但不是现在的重点。
- 现阶段最重要的是编程 Agent,通用 Agent 次之,像金融、医疗这类垂直领域的 Agent 优先级反而比较低。
- AI 现在不缺品味和直觉,缺的是持续学习的能力。
- 人类是能持续学习的,但 AI 目前还做不到。下一代模型必须要有这个能力。
- 我们希望下一代模型能帮我们做开发,这是实现 AGI 最快的方式。但“学习”这件事包含很多东西,目前全世界都还没找到好方法。
- 如果把实现 AGI 比作爬楼梯,去年的台阶是思维链,今年的台阶是 Agent,再往后的台阶就是持续学习。
- 实现持续学习之后,可能会迎来一个渐进的奇点。到那时,AI 能自己开发更前沿的模型,加速整个 AI 研究。这一步走完,才轮到具身智能。
- 智能的重点可能就是具身。因为对普通人来说,真正需要的不是一台电脑,而是能干活的人力。
- 我们只赚合理的利润,非常看重成本效率,所以价格能压到最低。像卖 API 这件事,我们连销售和客服都没设,用户自己就来了。
- 我不怀疑 AGI 会带来巨大的商业价值,我真正考虑的是,怎么才能提高做成的概率。
- AI 在商业上要成功,开源是有好处的。以前一个软件公司,市场规模一年才几十亿美金,一开源可能就没了。但 AI 这件事足够大,最终可能会占掉人类社会 GDP 的 10%。这种体量下,如果想独占所有利益,就一定会被历史抛弃,这是客观规律,也是一种历史观。
- 开源对我们的商业模式没影响,前提是我们坚持“只赚一定的利润”。如果你想赚百倍的利润,那开源确实会影响你。
- 中国 AI 的差距主要还是在资源上。我们相信规模定律,规模越大效果越好,但资源就这么多。人才方面没有差距,大家用的都是同一批人。
- 说 Anthropic 超过 OpenAI,那是阶段性的,不是长期趋势。未来大概率是 OpenAI 和 Google 交替领先。
- 国内做大模型的公司太多了,资源很分散,最终一定会收敛。如果每家都只拿合理利润的话,其实不需要那么多人来做大模型,可能两家大公司加两家小公司就足够了。
- 我绝不认为大模型公司能拿走 AI 行业的大部分利润。
- 大模型的竞争差距会体现在三个方面:成本、时间和用户体验。成本排第一位,时间上早几个月结果就完全不同,用户体验虽然能带来一些黏性和壁垒,但起不了决定性作用。
- 我们无意成为下一个超级 app,也看不上这个东西,别为了芝麻丢了西瓜。
- 去年大家都在抢聊天机器人,抢 C 端流量,今年又在抢 B 端收入。而我们真正关心的是 AGI 的路线图,下一步技术该怎么突破。最想得到的东西往往得不到,没那么在意的反而容易到手。
- 团队的稳定性是绝对不能退让的,这是我们面临的一个非常大的风险。随着这次融资,这个风险也得到了解除。这也是低利润模式必须要有的支撑。
- 我们不想和任何人成为竞争对手,反而希望能给他们赋能,帮助他们。这样一来,我们自己的环境也会更好。
- 我们一般不太加班。第一个原因是做研究需要一个比较松弛的环境,第二个原因是我们非常聚焦,不去补齐产品的所有细节问题,这也算是一种克制的文化。
- 公司是动态发展的,随着规模变大,可能会有一些必要的组织架构,但我们不会完全变成传统的层级制度。
- 我们做这家公司,初衷不是想赚多少钱或者去上市。我们是怀着对这个世界的很大善意来做这件事的,觉得它对人类有用。
- 我们是一个靠愿景驱动的组织,KPI 不是我们的组织方式。这有好处也有坏处,但这就是我们的特色。
- 这个愿景不是写成文字的条文,而是体现在我们做事的方法和对世界的态度里。可能我们每个人的理解都不太一样,但大方向是一致的。
- 对一个公司来说,最重要的是愿景。愿景不是挂在墙上的标语,不是看你怎么说,而是看你怎么做。
- 克制,本身就是我们愿景的一部分。AGI 之外的事,我们没有精力就不做。AI 这件事太大了,利益也太大了,随便分到一点点都是巨大的利益。你越克制,反而越有可能做成这件事。除了愿景,我们并没有太多别的优势。
- 开源也属于克制的一部分。从长期来看,价格低可能是优势,而克制本身就是一种战略。
- 如果你的愿景是拿到很多,那一开始你就输了,后面可能会面临更大的问题。这个世界就是这样。
关联工程母题系统与实测说明:
本篇「梁文锋访谈:DeepSeek 的 AGI 路径与研究文化」由 qilai 整理收录于 qilaidav 工程知识库,围绕 智慧投放系统与高转化归因 的生产环境架构设计、链路排障与确定性验证展开沉淀。完整系统模块、部署边界与技术规格请查阅方案主页:→ 查看 智慧投放系统与高转化归因 详情(架构诊断与定制交流:Telegram @BD8888 · hello@qilaidav.com · GitHub @qilaidev)。
免责声明与评测方法:本文所涉开源工具、模型基准与工程配置均基于实测环境与公开技术资料整理,仅供系统架构研发参考,不构成任何商业背书或投资建议。
— qilai · 摘自 Telegram 频道 @AIKB8