文 | 唐辰同学
DeepSeek 蹚出通往 AGI 的第二条路。
今天，梁文锋在近期与投资者交流的会议记录刷屏。一个可能的背景是，DeepSeek 近日完成成立以来的首轮外部融资，总额超 500 亿元人民币（约合 74 亿美元），投前估值约 3675 亿元（约 543 亿美元）。
在此之前，梁文锋对外坚持 " 不融资、不上市、不商业化 " 的三不原则。
这段长达 4 个小时谈话实录，梁文锋详细阐述了 DeepSeek 的组织文化、开源逻辑、技术路线图以及对行业竞争格局的看法。需要注意的是，该会议实录还没有得到其本人确认。
" 克制是一种战略 "
我在流传出的多个版本中，都注意到一个高频关键词：克制。
梁文锋花了很大篇幅对投资者强调，克制是一种战略。舍弃短期利益，砍掉非主线业务，不是为了显得清高，而是为了换取实现 AGI 的最大概率。
其中一个实录版本提到，他说了非常多次的 " 不 "：不是天才，不赚不合理的利润、不追求用户量、不闭源、不做 3D / 视频生成 / 世界模型，不做下一个超级 App 。
不少观点将梁文锋的 " 克制 "，解读为资源不足时的无奈取舍。因为这在追求效率，着眼商业化以兑现资本承诺时，几乎把资本的故事都抽离掉，重点落在为了 AGI 的 " 克制 "，很反常识。
这固然是基于现实作出的判断，但恰是这种非主流的姿态，成为市场重估 DeepSeek 价值的新标尺。
若再把梁文锋的路线，放在全球 AI 竞争的坐标系里看，我更愿意把这种 " 克制 " 理解为：在算力约束下，他为换取 AGI 最大概率而进行的精密计算。
他在谈及中美差距时断言，" 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。"
目前，硅谷 AI 的范式是 " 资源溢出驱动涌现 "。即堆最多的卡，训最大的模型，做最全的 AI 能力，相信规模到了智能自然会涌现。
这套逻辑在过去三年被验证有效，但模型能力越强、上下文越长、用户调用越频繁，对推理算力的消耗也越高，算力成本也越来越贵。
最新消息显示，OpenAI 预计到 2030 年将在计算资源上投入约 7500 亿美元，高于 2026 年早些时候提出的 6000 亿美元规划。
同时，无边界扩张导致研发资源分散，商业化动作变形，组织熵增加剧。以 Meta 为例，其在开源 Llama 系列赢得声誉的同时，内部却因同时推进文本、多模态、元宇宙及机器人等多条战线，导致核心大模型团队的顶尖人才频繁流失，产品迭代节奏多次被打乱。
Google 则在搜索、云业务与 AI 实验室的多重目标拉扯下，一度陷入 " 创新者窘境 "，明明手握最强技术储备，却在生成式 AI 的产品化落地中屡屡迟疑，错失了先发身位。
这些巨头的困境，多来自技术以外的 " 战略贪婪 "。当一家公司同时押注多条 AI 路径，" 什么都想做 " 的全能叙事，稀释了攻克 AGI 核心瓶颈所需的专注度。
按照梁文锋的表述，DeepSeek 的路线很 " 克制 "：当算力成为硬约束时，" 做什么 " 远比 " 不做什么 " 更重要。极致聚焦主线任务，用工程能力弥补硬件代差，追求单位算力的产出效率而非绝对规模。
这在技术路线未收敛前，少即是多。只有砍掉那些 " 看起来很美但偏离核心目标 " 的旁支业务，才能将有限的算力和人才集中在 CoT（思维链）、Agent、持续学习等真正决定 AGI 成败的关键瓶颈上。
比如，DeepSeek-V3 的训练成本远低于 GPT-4o，性能却逼近第一梯队。
MiniMax 和其创始人闫俊杰看到这里，不知会作何感想。他们一开始就将有限的资金、人员等资源押注在文本、视频、语音、音乐四大模态上。如今，MiniMax 的颓势，让不少人为其捏一把汗。
通往 AGI 的第二条路
DeepSeek 的路线，正在被 Kimi K3 验证。
作为月之暗面首款 3 万亿参数级 MoE 模型，K3 总参数规模达到 2.8 万亿。按照常规理解，这个规模的模型，每输出一次，算力都是指数级消耗。但在其独特核心架构的支持下，达到华为在芯片领域提出的 " 韬定律 " 效果。
这个架构也被视为是一架超级引擎，通过落地 KDA（Kimi Delta Attention）混合线性注意力、注意力残差（Attention Residuals）和高稀疏度 MoE 三项关键技术，完成了一次对 " 模型生产效率 " 的重构。
根据月之暗面此前发布的技术报告，在实验模型上采用 KDA 与 MLA 混合比例，KV 缓存占用最高削减 75%，100 万上下文长度下的解码吞吐量提升至原来的 6 倍。配合注意力残差与高稀疏度 MoE 技术，训练效率提升约 25%，额外成本不到 2%。
这意味着同样一笔算力预算，过去只能跑 1 个任务，K3 能跑 4 个，且质量不打折。
SemiAnalysis 的报告指出，KDA 将推理速度提升 300%，同时在长上下文处理上保持接近 Transformer 的性能。开发者社区的实测也反馈，在长流程 Agent 任务和代码生成方面，K3 已具备与国际头部模型竞争的实力。
从根本上看，K3 依然遵循 Scaling Law，但它把刀挥向了粗糙的算法浪费。当硅谷 AI 企业还在不断囤卡时，Kimi 通过重构算法链路、精简计算冗余，走出了一条 " 每瓦特智能产出比 " 最大化的路径。
也可以说，K3 所采用的 KDA 混合线性注意力机制，正是 AI 领域的 " 韬定律 " 实践。硅谷主流的 Transformer 路线是 " 大力出奇迹 " 的燃油车，KDA 更像是追求 " 热效率极致 " 的混动引擎。
与此同时，企业用户和开发者也开始用脚投票。一部分开发者已经用上 " 模型路由 " 服务，根据不同任务自动选择成本最低、效率最高的 AI 模型，这其中当然包括 Kimi 在内的中国模型。
这个范式让华尔街观察人士和投资者感到意外，他们像惊诧 DeepSeek 一样，再度质疑硅谷数千亿美元投资 AI 是否能得到相应回报、美国 AI 领先优势是否被削弱。
2025 年 1 月，DeepSeek 的横空出世，冲击了硅谷 AI 的算力叙事。它表明，中国 AI 要追上世界领先模型的水平，未必需要投入同等量级的芯片与资金。
随着梁文锋版 AGI 路线图的明确、Kimi K3 的落地，中国 AI 的效率范式轮廓也愈发清晰。
更重要的是，它已经在影响中国 AI 产业链的上下游。比如算力供给侧，它倒逼国产芯片厂商不再盲目对标英伟达的峰值算力，转而优化编译器、互联带宽与系统级能效。
应用落地侧，它让大量原本被高昂推理成本挡在门外的中小企业、垂直行业开发者得以入场，医疗、教育、工业质检等场景的 AI 渗透率因此加速提升。
可以说，DeepSeek、Kimi 所代表的路线正在催生效率革命，也在重塑整个中国 AI 产业的成本结构与价值分配方式。它让外界相信：通向 AGI 的道路，不必都挤在硅谷 AI 的赛道上。
但我们也需要认识到，克制是一种战略，也就要有边界。比如，基础科学研究、超大规模基础预训练等环节，依旧需要持续重金投入，不能盲目套用取舍逻辑。更不能神化 DeepSeek、Kimi 的发展路径，将克制教条化。
在我看来，梁文锋这场长达四小时的交流，除了向投资者宣讲商业蓝图，也向 AI 行业提出了一个重要的问题：奔赴 AGI，我们能不能允许自己慢一点，少追逐一些边缘诱惑？
这在普遍存在 FOMO（错失恐惧症）情绪的当下，Sora 火了做视频、具身智能热了造机器，聚焦一下，也可能是另外一种 " 快 "。
参考资料：
腾讯科技，《4 小时、118 个回答，梁文锋内部交流回应一切》
唐辰同学，《Kimi" 熔断 "，杨植麟 " 摸高 "》
