梁⽂锋投资者交流会 · 录⾳⽂字稿
录⾳整理录⾳ 5⽉20⽇ · 整理 2026-07-16
梁⽂锋投资者交流会 · 录⾳⽂字稿
⾳频《deepseek 0520.m4a》,总时⻓约 3 ⼩时 44 分钟。本稿由语⾳识别⾃动转写并经AI 整理,未区分说话⼈,⽅括号内为⾳频时间位置;个别专有名词与数字可能存在识别误差,请以原录⾳为准。
[00:00:01]
以及我们公司的其他同事，我们⼀开始来做这个公司，初衷是没有想到说我最后要赚多少钱，要到资本市场上去，要上市，要怎么样的，所以我们是没有这个初衷的。
最开始的⼏⼗个⼈完全没有这么想过。如果他这么想，他就不会来。所以总体讲，我们是怀着⼀个对这个世界⾮常⼤的善意来做这个事情，然后我们觉得这是对⼈类有⽤的，这是⼀个⾦钱以外的事情。
当然，到了后⾯，这个事情发现利益⾮常⼤之后，⼜有其他的诱惑，这个是另外的事情。但是我们出发的初衷、我们的愿景，以及我们保持到现在的这个愿景，不是按照⼀个商业利益最⼤化的⽅式来做的。我觉得这点⽐较关键。
我⼤概⼆⼗年前的时候，在管理上我最崇拜的是杰克·⻙尔奇，就是 GE 的前 CEO。现在回来看，他说的⼤部分东⻄可能都已经不对了，但是他最重要的⼀点说对了：⼀个公司最重要的是它的愿景。
管理⼀个⼤公司，靠的不是你的规章制度，靠的是愿景。愿景是什么呢？愿景不是挂在墙上的标语，愿景是你怎么做，不是怎么说，就是你怎么实际运⾏。反正杰克·⻙尔奇说的原话我忘了，⼤概是这个意思。
所以，我们是怎么管理这么多⼈、怎么组织起来的？其实我们没有组织，就是愿景驱动的，靠⼀个愿景来组织。我们是没有组织的。
这个有好处，也有坏处。未来我们会想办法扬⻓避短，但这个是我们的特⾊。我们并不是以⼀个“我要实现什么 KPI、没有考核”的⽅式来做，只有愿景。
这个愿景甚⾄也不是成⽂的，并不是写出来的，没有写出来过任何东⻄。这个愿景是在我们做事情的⽅法、我们对待这个世界的态度⾥。可能我们公司每个⼈对这个愿景的理解也不⼀样，可能每⼀个⼈的愿景也是有差别的，但是在⼀个⼤的⽅向上是⼀致的。
我觉得还是怀着对这个世界⾮常⼤的善意，然后想做⼀点事情。我们是⽤这个来组织起来的。
接下来我先讲，讲完之后⼤家再提问。我可能会围绕着这个愿景来讲后⾯的事情。这个愿景是真的，不是编出来的，我们是真的这么想，真的这么做的。否则你没法解释我们的很多事情。
这个愿景为什么我们这么坚持开源？因为这个愿景本⾝就要求开源。你没有这个愿景，你没法把⼈组织起来。
⽐如说，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，他们觉得这不是本意，但是对我们来讲，这就是我们的本意。
然后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。
这听起来有点⽭盾，有点违反直觉，因为在历史上，开源跟商业化都是有冲突的。但我觉得 AI 跟以前不⼀样。因为在历史上，⼀个软件公司，它的市场⼀年可能就⼏⼗亿美⾦，离开源了，它就没有了，可能就只剩下⼏千万或⼏亿美⾦了。
但是 AI 这个事情⾜够⼤，最终它可能得占掉⼈类社会 GDP 的百分之⼗，⽐如说。那么它其实是⼀个⾮常⼤的数字。⼀个⼈独占这个事情，你不可能独占这个事情，你⼀定得跟别⼈分享，否则你肯定活不下来。
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。
并不是说我不开源，我就能够独占这个市场，这在理论上就不符合客观事实。你⼀定会遇到很多阻⼒，⼀定会有其他的⽅法阻⽌你实现这个⽬标。
在这种情况下，我觉得不⼀定要按照传统的商业思维。你需要有⼀套机制来确保你⾃⼰能够获得的利益是有限的，那么你才有可能做成。需要克制，我觉得是需要克制。
如果说我们想在我们⼿上把 AI 这个事情做成，⾸先第⼀个，我觉得是需要克制的。不能够想着⼈类 GDP 的百分之多少都归我了，或者说中国 GDP 百分之多少都归我了。你越这么想，越做不成。
所以我们从⼀开始就觉得需要克制。你越克制，你越有可能能够做成这层事。这是⼀个商业上的考量，当然这是⼀个宏观的考虑。
我觉得这是符合直觉的，⾄少是符合我的直觉，或者说⾄少我是真的这么想的。我们并没有⾮常多的其他优势，我们没有什么本事，我们并没有⽐别⼈有钱，也没有说我们⼈员⽐其他公司更好，其实没有的。
你想，我们两年前成⽴这个公司的时候，我们⼜没有很多钱，⼜没有很多卡，⼜没有什么知名度，⼜没有什么号召⼒，我们就是⼀群⾮常平凡的⼈。
[00:11:49]
我真的就是⼀群平凡的⼈。如果说喜欢的⼀个叙事是⼀群平凡的⼈做出了不平凡的事情，⽽不是⼀群天才做出了不平凡的事情，这个跟我们的克制是很有关系的，跟我们的克制、跟我们的愿景是⼀脉相承的。
那么，开源跟商业化会不会有冲突？我觉得在 AI 这个事情上⾯，你不克制，你就不起。开源是属于克制的⼀部分，那么我们的克制不仅表现在开源上⾯，我们还表现在很多⽅⾯上。但总体上来讲，我们是不⽤考虑开源这个事，不⽤考虑克制这个事情。
你越克制，可能就越容易做成，或者说⾄少到⽬前为⽌是印证的，到⽬前为⽌是能解释得通的。否则没有办法能够解释为什么我们能够做成：我们并没有什么武器，起点⼜⾮常低，资源⼜⾮常少，我们的⼈其实也就是随机的⼀群平凡的⼈。我⾃⼰也就是⼀个⼤学毕业的学⽣，也不是最顶级的那个学校毕业的。
这个克制也是我们愿景⾥的⼀部分。AI 这个事情太⼤了，利益太⼤了。我们⾮常克制，只要能够做成，最后利益都会⾮常⼤。你随便分⼀点，利益就⾮常⼤，所以现在根本不⽤考虑拿这⾥⾯的哪⼀部分利益、怎么拿，我觉得根本不⽤考虑这件事情，因为这个利益⾜够⼤了。
你只要分⼀点点，就已经很⾜够了。所以我们之前说，我们只赚取⼀个合理的利润，只看你的意愿，⽽不是利润之⼤，这个是不⼀样的。这不是我们的 API 定价。我们 API 定价觉得⼀个合理的利润，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。
在当前的情况下，考虑到你有⻛险、还有前期的投⼊等等，如果⼀个服务器我们在财务上按照三年或者五年的摊销，但在商业上，我们觉得⼤概⼗个⽉收回成本，我们觉得够了，OK，我们觉得够了。所以这个是我们现在 API 定价的逻辑。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，就是我价格再翻⼀半，或者说我价格再抬⾼⼀倍，token 的消耗量区别不⼤的。
如果我价格再贵⼀倍，我的总收⼊接近⼀倍。稍等⼀下，我对⼀下。哎呀，太好了。
我跟你们讲个故事，就是我们那个 DDCP，是我们那个模型。⼀开始我们担⼼需求太多，所以⼀开始把价格定得⽐较⾼，团队⾥⼤家不是很⾼兴。后来我把价格⼜降下来了，降到四分之⼀，⼤家就很开⼼。
我觉得这个才是我们真实的想法。就是我前⾯说的愿景，我们还是让这个东⻄对⼈是有⽤的，⽽不是我们赚最多的钱，⽽是我们在能够赚到合理利润的情况下，⼤家都⽤得起。我觉得这次我们公司其他⼈的想法，就是我们那时候降价的时候，公司群⾥⾯很多⼈是欢呼的，⼤家都觉得很开⼼。
因为这是我们花了这么多精⼒，这么⽤⼼把这个模型做好的⽬的。⽬的就是能够⾮常便宜、效果⾮常好，能够让⼤家都能够充分地⽤。我们就觉得这很开⼼，这是我们的动⼒，这是我们的愿景，这是我们公司能够凝聚到⼀起去做这个事情的共识吧，这是我们公司内部的共识。
这点应该是⽐较特殊的，因为降价这样对于我们其他的竞争对⼿来讲，肯定不是个好事，他们⼀定不是欢呼的。因为你的收⼊、你的 ARR，那个你降⼀半，ARR 就掉⼀半。对，这是⼀个我们不⼀样的地⽅。
我们觉得这就够了。从我们公司内部来讲，我⼗个⽉收回成本，这个商业上我已经⾮常满意了。对于公司外部来讲，我们也觉得这个价格是⼤家⽐较开⼼、⽐较乐意看到的，⼤家是双赢的，公司跟社会、跟所有⼈都双赢的。
我觉得，OK，刚刚有⼈在屏幕上留⾔说，⼗个⽉回本这个利润太⾼了。确实是还有降价的空间，确实还有降价空间。在模型的优化上也还有空间，所以整体降价空间还是⽐较⼤的。
但是这个成本，⼗个⽉回本，我们⾃⼰能做到，其他家做不到。像可能阿⾥或者腾讯，他不是我们的优化，他的成本应该是要⽐这个⾼好⼏倍的。这⾥还是有很多优化的⼯作。
刚刚说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。
所以降价⾸先公司不会有更多的收⼊，对社会来讲也没有更多的价值，因为这个价格⼤家都满意了。你价格再低，对这个社会的幸福感也没有增加很多。对，OK，不过刚刚这个问题上，就是我们在定价这个事情上⾯，我们肯定不是以
[00:25:32]
公司收⼊最⾼或者利润最⾼，不是最出发点的。这是我们克制的⼀部分，因为从短期来讲，你价格⾼⼀点，你可能收⼊多⼀点；但从⻓期来讲，还真不好说。因为我觉得克制是⼀种策略。
对我来讲，克制是⼀种战略。就在于有时候你可以舍弃⼀些，来换更多其他的东⻄。不开源这个事，其实也是⼀样的，也可以认为是我们的压⼒，也可以认为是我们的让利。
⾸先，这个让利对于我们公司内部来讲，我们很⾼兴，⼤家都很开⼼，员⼯觉得很有成就感，我们会因此有凝聚⼒。以及这个让利对社会是有好处的，社会也很⾼兴，其他同⾏或者说普通⼈都会很⾼兴。所以这种克制，我理解是这种克制从⻓远上来讲，能够增加我们做成 AGI 的概率。
在考虑⼀件事的时候，我是毫不怀疑 AGI 会有⾮常⼤的商业价值。那么在这个基础上，我优先考虑的不是我怎么多加⼀点份额，我怎么多拿⼀些份额，我优先考虑的是我怎么增加我能够做成的概率。
这个克制可能还体现在很多其他的⽅⾯。⽐如说，我们去年春节⽤户突然很多，但是我们并没有去追求我要留这些⽤户，或者说拿这些⽤户来变现，或者说我要去抢这些商业利益，在⽤户上⾯兑现。
我们没有去抢⽤户，没有去赚钱，但我们很努⼒想办法把⽤户服务好。我们并不会有这样的想法，说我要做成下⼀个超级 App，然后我要去跟谁竞争，我要做成下⼀个字节、做成下⼀个腾讯，完全没有这样的想法。
我们是可以这么做，但是我们没有这么做。我的理解是，这也是克制的⼀部分。你不要想什么都要赚了，你好像有了⽤户之后，好像就能够做成下⼀个字节了，然后你就把那个吃了。
我觉得这个在商业上是⾏得通的，是有可能的。如果去年时候我们⽤了⼤笔钱，就跟字节去抢⽤户，也是⼀种打法。但是我们选择是⼀种⾮常克制的做法，就是我不跟你去争这个东⻄，因为后⾯还有⻄⽠，前⾯的可能都是芝⿇。
我不应该什么芝⿇都抢了。当然，可能这个芝⿇⽐较⼤，但我觉得后⾯的 AI 可能前⾯都不算⼤。现在来看，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⻄⽠，前⾯真的只是⼀些⼩芝⿇。
如果去年我就有很多钱，然后把这个事情做得⾮常⼤的话，有什么好处？你并没有得到什么东⻄。这些是我的真实想法，因为我觉得后⾯的 AGI 机会应该是⾮常⼤的，后⾯的AGI 机会永远是⾮常⼤的。
我甚⾄不⽤考虑我到时候在⾥⾯是占⼀个位置，或者说在那⾥⾯我的商业模式是什么，我们根本就不⽤考虑。只要有那么⼤的商业机会，你⼀定是有办法的。那么前⾯的芝⿇，我们也会捡，但是我们就随⼿捡⼀点，并不会说我停下来，或者说我把它当成重要事情来做。
所以去年的 C 端⽇活这些，我觉得可能就是个⼩事。但我们也捡了，我们也⽤⼀个⽐较低的成本维持了⽤户的使⽤，因为有可能以后是有⽤的。虽然现在不知道这⽤户有什么⽤，现在它是⼀个纯成本的⽀出，但是以后可能是有⽤的。
既然是随⼿能够拿到的，我们就会顺⼿拿到。包括今年来看，很有可能我们在 API 或者AI ⽅⾯的 ARR 收⼊，也是有⼀个机会的。就是如果这个需求可以继续扩⼤，如果继续扩⼤，显卡可以买到更多的显卡，那么 ARR 做到⼏个亿美⾦是很有可能的。
如果说 AI 能做到⼗亿美⾦的话，那么基本上我公司的现⾦流可能就能够回正了，能够cover 我的研发费⽤，能够 cover 我的所有费⽤。所以说这个也是有可能的，但是我们没有把它当⼀个优先来做。
这个我们会做，但我觉得这个是个重要事情。它不是我们第⼀优先考虑的，或者不是我们今天真的关⼼的。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。
或者说，我们公司⼤部分⼈不认为这是⼀个⾮常重要的事情，不认为这是⼀个跟 AGI ⽐较起来同等重要的问题。
开源那个可以多说⼀下，因为之前有很多问题问的都是开源。⾸先，我觉得我们是会开源的，然后我们最强的模型可能也是会开源的。因为我看不到闭源什么好处，看不到必然的好处。字节它的模型是闭源的，它有什么好处？我看不到有什么好处。
哪怕是模型开源，你把所有东⻄都告诉别⼈，这个门槛也⾮常⾼。别⼈要⽤起来，这个门槛也⾮常⾼。他要⽤起来，就很难；其次，他要⽤起来，还要成本做得很低，也很难很难，没有那么容易。
并不是我开源了，他就能够轻易地做到跟我⼀样的部署成本。这⾥边还是有很多⼯作要做的。虽然说这些⼯作原理都明⽩，但是不是每⼀家公司都愿意，或者都有这个意愿和能⼒来组织⼈⼒去达到这个⽬标的。
这点我也很习惯。它可能就不擅⻓做这个事情，因为它阻⼒太⼤了。它要控制这个成本很难，它有很多管理上的以及物理上的制约。这也是创业公司的优势，因为创业公司如果太⼩的话，你没有这个⼒量来做这个事情；如果你是⼤公司的话，你很难组织。
[00:38:36]
这个事情都有难点，所以这是属于我们这个规模的公司的⼀个甜区，sweet point。然后如果我们更⼤了，可能我们没有其他问题；如果更⼩的话，朋友们⼒量⼜会不⾜。
所以，⾄于开源，我觉得我们应该定价。⽬前我们应该认识到，不会逼⼈。因为定价的模型，我也不会收⼀个⾮常⾼的费⽤，我也是可能按照⼗个⽉回本来收这个费。按⼗个⽉回本，就已经能够把竞争对⼿……
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。第三⽅他做不到，他做不到这个成本，他肯定做不到。
所以开源并不会影响我的收⼊。当然，如果说我要赚⼀百倍的利润，那么开源是……
听到你的话，但视频好像掉了，⽼板。
刚刚可能是电话接来了。
就是开源，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。我们只赚六倍利润的情况下，开源是不会有什么影响的。
但如果说你要赚⼀百倍利润，那么开源确实会影响你赚⼀百倍利润，因为第三⽅会部署，他可能是⼆⼗倍成本，就⽐你低了。
这个模式是不是⻓期可以持续的？我觉得是可以的。就在我们这个愿景下，我觉得开源是⻓期可以持续的，或者我们是打算这么做的。你可以认为，就是有克制，也是有让你⽐较⻓利。
这个策略是能够在技术前⾯让我们有更多的机会，我们能够做成 AGI 的概率也是更⼤的。我们更从容。
你想，我们根本都不⽤加班，因为就没那么难。但是对其他家来讲，可能就很难，因为你想的也太多了。
其实不难的，根本就不难。才开始是⼀个……外⾯可能看起来，我们选了⼀个很难的模式，我们要做研究，我们去做最难的事情，好像是个 hard 的模式。但其实我们在外地⽅舍弃了很多，使得我们还是⾮常有⼒的，我们还是做得⾮常轻松的。
所以对开源这件事情，实际上我的判断是，它是持续的。开源和商业付费之间没有冲突，前提是六倍利润的情况下没有冲突的。
六倍利润看起来很⾼，但其实不⾼。因为现在 AI 的效率这么⾼的情况下，现在⼀个合理利润可能就是这么多。未来它可能会降到，⽐如说四倍、三倍，我觉得这已经是……再到底也不可能再降了。但就是它还是会有很⼤的利润。
就光是看卖 API 这个事情，但我并不觉得卖 API 这个事情有那么⼤吸引⼒。但是就这个事情，你可以说明，没有，我没有看到有什么冲突。
然后我也不担⼼别⼈部署我们的模型，然后跟我们来竞争，⼀点都不担⼼。我们还希望他们能够部署起来。
我们尽可能给开源社区提供帮助，协助⼤家能够把我们的模型部署起来。我不担⼼他会跟我抢这个⽣意，因为这个市场⾜够⼤。我只担⼼他部署不起来，他有些细节没做对，效果变得⽐较差，或者说他的成本会⽐较⾼。
对，这⾥是没有冲突的。
然后去年的时候，我问的，去年有 To B 这个⽣意的时候会问得⽐较多的是：我们那个 C端，我开源，那么 C 端是不是跟我这个 C 端⼜会冲突了呢？因为我没有流量的优势，或者说腾讯⾃⼰流量很多，他部署我们的开源模型，他就把所有的 C 端⽤户都接过去了，就把我的 C 端⽤户都抢⾛了。
但其实并不会，这个还是有很多原因的。
然后问题是：我们给的开源模型，跟我们⾃⼰部署的模型是不是⼀样？是⼀样的。我们不会说开源⼀个差点的模型，然后我们⾃⼰部署的时候⽤⼀个更好的模型，是不会的，是⼀样的。
这也说明它其实没有冲突。我们去年⼀整年，在 C 端我基本就是开源了，然后 C 端的服务没有看到冲突，真的没有看到冲突。所以，这是开源的这部分。
然后下⾯还有就是，公司的⻓期 vision，我觉得我们⽬标应该是 AGI。每个⼈对 AI 定义不⼀定⼀样，但是不妨碍我们把 AGI 当做我们的⽬标。
从技术路线上来看，其实 AGI 这条路线图是⽐较清晰的。跟⽬前的这⼀代 AI 技术，如果说你能够把⼀个问题描述得很清楚，给它完整的上下⽂和指令，它已经超过⼈类了。但这⾥有个定义，有个前提是：你给它完整的上下⽂，你给它完整的指令。
然后这个定义是很难达到的。⽐如说我们今天开会，其实我们前⾯有很⻓很强的上下⽂，可能⼤家有⼏⼗年的上下⽂，然后这是 AI 不具备的。那么现在 AI 能具备的是，在⼀个局限的上下⽂⾥⾯，它能做得⽐⼈更好。
但它还是替代不了⼈类。这⾥⾯还差⼀个地⽅，是持续学习。因为⼈也能够持续学习。你招⼀个员⼯，他可能花两个⽉时间来熟悉这公司的环境，熟悉他的⼯作，他谈两个⽉的，你这样他就可以上⼿了。
他就能做很多事情。他能够听懂你说的话，⽐如说你说，叫那个⼩王来，他就知道⼩王是谁。但如果 AI 的话，因为这个上下⽂，他前⾯没有这两个⽉的学习。
你跟他说，叫⼩王过来，你得告诉他⼩王是谁、什么职务、他在哪⾥、要怎么去找他、要找他的时候注意什么。你得给 AI 所有的上下⽂。那么在这种情况下，AI 是能做的，但是你不可能给他所有的上下⽂，也不现实。
所以 AI 并不能够替代你的员⼯。但如果说 AI 具有持续学习的能⼒，它跟你的员⼯⼀样，到公司学习两个⽉，那么
[00:51:02]
但就可以替代天下的⼈了，所以我们离下⼀步还差⼀个学习去学习。
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。通过它⾃⼰思考，可以让这个上限，可以让这个 AI 能做更多的事情。
那么我们⼜跨过了⼀个阶梯。今年的阶梯就是 Agent，因为我们发现，⽤ Agent 的⽅式，即便多有事情也可以做，它的能⼒范围会更⼤，它的智能上限会更⾼。
为什么是阶梯呢？因为后⾯的每⼀步都是基于前⾯的基础上的。Agent 要⽤到 CoT，然后CoT 也要⽤到前⾯的阶梯，前⾯的阶梯就是语⾔模型，所以它并没有⼀步是⽩⾛的。
所以，AI 的发展，智能的⾛向是有迹可循的。说今年⾛的这个阶梯是 Agent，但是 Agent这个阶梯，它也是会⾛完的。就是它把所有可能解决的问题都解决完之后，但是它还是不能替代你的员⼯，但是它已经到它能⼒的上限了。
就好像 CoT ⼀样，CoT 到它的上限之后，它已经超过最顶尖的⼈类了，在做奥数题、写程序上⾯已经超过最顶尖的⼈类了。但是它还是停在那个地⽅，它那个技术并没有能够到达 AGI。
所以你看，AI 这个智能的⾛向，它是有迹可循的。然后在 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，⽽不是说你要给它⼀个很强的训练，它应该能够像⼈⼀样做⼀个⽐较⻓时间的持续学习。
这个问题跟完成任务等等是同⼀回事，它们相关，解决的是同⼀个问题。我们现在站在Agent 这个地⽅，能看到的是下⼀个瓶颈，就是持续学习。下⼀个要解决的问题，就是解决怎么持续学习，这个是看得到的，是相对来讲⽐较明确的。
就是卡在前⾯的这个障碍，你必须要跨过去，⽽且⼀定是有办法能跨过去的，但需要时间。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。
但这个奇点，它并不是⼀个奇点，它也是⼀个渐进的过程。这个过程可能也是⼀个⽐较⻓的渐变，它不是个突变。但是习惯性地，我们都认为它可能是个奇点。
因为在很早之前，那些预⾔家认为这⾥会有个奇点，但其实它不是⼀个奇点，它是⼀个连续的过程。然后这⼀步⾛完之后，我觉得才是具⾝智能。
这是我们的推测，这是我们觉得这个时间表应该是：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。
我们觉得这是⼀个⽐较理想的路线图，但每个⼈的观点不⼀样，没有对错之分。只是我们觉得，这个路线图是最轻松的。
这个路线图是因为每⼀步你要做新的都很少。这个路线图我们可以不⽤加班。但是如果路线图是反过来的，⽐如说它要先实现具⾝智能，那么这⾥⾃⼰做得很累，这是⼀个很苦的活。我们不希望是这样的路线图，我们希望做得轻松⼀点。
如果说我们先解决持续学习，再解决那个⾃我迭代的奇点，再解决具⾝智能，这个路上就很轻松。因为到后⾯之后，你可以⽤前⾯的技术来帮助开发后⾯的技术。奇点之后再做具⾝智能，那个就不⽤⼈来做，就不⽤我们来做了，那个模型⾃⼰就可以出来了。
所以这个是回答我们的⻓期⽬标是什么。我就跟他说，这就是我们的⻓期⽬标，就是我们说的 AGI。
⼤家回到现实。去年最重要的现实就是，⼤家都要做 Chatbot，要抢 C 端的流量。那么今年的现实是，⼤家都要抢 To B 的收⼊，要参与到这⾥⾯去，因为如果不参与的话，根本就不在牌桌上，对不对？
但我们并不认为它是⼀个重要事情，或者说，在我们公司内部，我们真正关⼼的，其实是刚刚我说的这些 AGI 的路线图，以及下⼀步这个技术怎么突破。
但是有⼀点很奇怪的是，最想得到的东⻄，反⽽你就得不到。那个并没有那么在意的事情，反⽽是还蛮容易能够得到。
这⾥边有⼀个战略上的优势，就是我们⼼⾥⾯想着 AGI，我们做的是 AGI。那我们再做那个应⽤，再做那个 C 端、B 端的时候，根本就不⽤太多的⼼思去做那个事情，其实花很少的精⼒就可以了。
我觉得是说，你站在⼀个技术的⾼位上来做相对低⼀级别的技术，是有这样降维打击的。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。
因为真的是赶不⾛，所以最终都还在。但稍微……然后今年 B 端的这个收⼊，现在看起来这个增⻓还⽐较乐观。我觉得可能这个数字跟同⾏⽐的话，应该也是⽐较好的，我估计。但是我们并没有花很⼤的精⼒去做这事情，我们根本就没有
[01:02:45]
做⼀件事情，就是顺便做的。
做互联⽹智能的上线，⾛的时候，AGI 这⼀步是我必须⾛的，是个台阶。通往 AGI 的路上，我要经过这个台阶。那么我把这些技术都通过 API 给⼤家服务，我没有⼲额外的事情。
我们还是在做 AI，这是⼀个副产品。我只要搞⼏个⼈维护这个 API 就可以了，甚⾄客服都没有，也不⽤销售，什么都不需要，⽤户⾃⼰就会来。
或者说，被认为是 C 端的⽤户，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，刚好能产出这个东⻄，我就把它拿来做商业化了。
这跟其他公司不⼀样。其他公司就是为了做这个，为了服务 C 端⽤户，或者服务 B 端⽤户⽽去做这个模型。但对我们来讲，初衷不是这样的，我们初衷还是去追求 AGI。
我觉得这个在⼀定程度上是⼀种降维打击。AGI 是更⼤的愿景，这个愿景能够凝聚起更多优秀的⼈，它有更强的凝聚⼒。所以我在组织上有优势，然后我利⽤这个优势去……它就是⼀种降维打击。
但如果你是⼀个商业公司，你的愿景就是服务好 C 端⽤户，那么是另外⼀个故事。他有其他的优势，在产品上、⽤户服务上、流量上会有优势，但是在技术上没有优势。
现在⽐较有利的形势是，模型技术是最重要的。你要将模型做好，其他……对，然后这个可以解释我们之前发展的轨迹。我们真的是选择 AGI，然后我根本没有想着说要做很多的⽤户。
去年春节我们突然⽕的时候，那不在我们的剧本⾥⾯，我们完全没有想过那个东⻄。我们就是想把这个技术做好。但是那时候我发现，其实我们这个组织相对于完全商业化、以产品为⽬标的组织来讲，在⼈才跟组织上是有额外优势的。
这也很神奇。那时候 C 端⼤家都抢得头破⾎流，结果被⼀个没有去抢的⼈牵⾛了。这个也确实说明我前⾯说的逻辑是有道理的，确实是有⼈才和组织上的优势。
这个⼈才优势不是说我的⼈⽐他更聪明，⽽是这些⼈才我怎么组织起来，怎么激励他，然后怎么合作。这个东⻄是有优势的。因为你把聪明的⼈聚在⼀起，并不是说他⾃然⽽然就能够合作，⾃然⽽然就能够⾮常有激情地去奔⼀个⽬标、去完成的，所以你需要⼀个愿景。
我们前⾯的经历给我的启⽰是，AGI 这个愿景是很强⼤的。
OK，这是问题。然后下⼀个问题是，核⼼利益的重要性是什么？
我前⾯说，我们在很多⽅⾯都要⾮常克制。但是我们的核⼼利益是什么？其实我们的核⼼利益只有⼀点：我们最⼤的核⼼利益是要保持团队的稳定性。这是我们最⼤的核⼼利益，甚⾄可以认为是唯⼀的核⼼利益。
只要我能够保持团队的稳定性，我⼀定能做成，⼀定能做成 AGI，就这么简单。只要⼤家都不⾛，我们能够继续做，我就⼀定能……基本上没有什么⻛险。只是说早点晚⼀点，将遇到挫折；如果遇到挫折，⼤家都不⾛，那么我⼜可以继续。
钱肯定不是问题，资源不是问题，其他要素都是容易获得的。对我们来讲，只有⼀个核⼼利益，只有⼀个没法退让的：我们必须要保持团队的稳定性。
这也是我们⾯临的⼀个⾮常⼤的挑战，或者说，我觉得是最⼤的⻛险。当然，这个⻛险随着我们近期的这⼀次融资，得到了⽐较⼤的解除。因为⼤家拿到的期权都还是⽐较多的，⾦额还是⽐较⼤的。
从团队稳定性来讲，只要最重要的⼀些员⼯、最⽼的员⼯能够稳定，那么其他⼈是不太会⾛的。其他⼈哪怕期权少⼀点、收⼊少⼀点，他也不会⾛。因为他不是全奔着钱来的，⼤家都希望在⼀个能够做成 AGI 的环境⾥⾯去做这个事情。
所以对⼈才来讲，还是有吸引⼒的。从历史上来看，我们的⼈才流动是⽐较少的，跟同⾏⽐，我们⼈才流动永远是⽐较少的。但是，这依然是我们最⼤的挑战，是唯⼀的挑战，可以这么讲。
其他都是时间问题，其他最多导致我们晚半年、晚⼀年，但是不会说做不出来。肯定是不缺钱，肯定是不缺资源，其实这些都是不缺的。
所以我们现在做的很多事情，都是为了保持团队的稳定性。除了这⼀点以外，其他我觉得我们都是可以不要的，都是可以克制的。我们⼀直⾮常克制，不愿意跟任何⼀家互联⽹⼤⼚或者⼩⼚成为对⼿。
我希望我能够给他赋能，或者希望我能够协助⼤家去做这个事情，希望能够帮助⼤家做这个事情。这也是我们前⾯说的，我们的商业意义的⼀部分。前提是⼤家不要管……
[01:15:12]
在这个前提下，我们是很愿意协助、帮助任何⼈，甚⾄我们的竞争对⼿，包括阿⾥、智谱、⽉之暗⾯，去做得更好。因为我们并不损失什么东⻄，我们本来也是开源的，开源也是没有把边界尽可能说清楚，对怎么做，希望你能够复现；你如果复现不了，你讲，我告诉你怎么复现。
这本来就是开源的⼀部分，不会因为你是竞争对⼿就怎么样。当然，如果是合作伙伴，我会做更多的事情。但是在⼤的利益上⾯是没有冲突的。
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，有很多东⻄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。
还有⼀些，⽐如说世界模型，我觉得现在跟智能的上限也没有太⼤的关系，所以我们也不会去做。但是其他⼈做，我们也很乐意帮忙。有没有时间是⼀回事，但是利益上是没有冲突的。
我们也希望这些 AI 技术能够⽤到各种⽣产环境⾥⾯去，能够提⾼社会的⽣产效率，能够帮助各⾏各业去提⾼⽣产效率。我们是⾮常有动⼒做这个事情的。
我有没有时间、有没有⼈⼿，或者我们的同学⾃⼰感不感兴趣，那是另外⼀回事。但是在利益上是没有冲突的，我们是希望能够达到这个⽬的。并且我们认为，这个跟商业没有任何冲突，我该拿到的利益还是没有少。
我觉得我们之前秉持这种态度，其实我们并没有因此⽽少拿到任何东⻄，并没有因为我开源，并没有因为我们的善意或者说我对其他⼈提供帮助，⽽导致我们少拿了任何东⻄。⽐如说去年的 C 端⽤户，我们现在 C 端⽤户还是⽐较多的，也还是⽐较稳固的。
我们今年的 B 端，我觉得也是⽐较乐观的。我并没有因为我们的善意⽽影响到我的商业利益，完全没有影响，反⽽可能还有加分。这个看起来违反直觉，但它确实是这样的。或者我们反过来想，如果违背它，也是必然的，我能够拿到更多东⻄吗？没有。
有个问题是，怎么理解世界模型和 AI 智能上限提⾼没有关系？我说的是在现在这个阶段，这是我们的判断。我们有看到，这是我们⾃⼰的 AI 路线图，不是唯⼀的路线图。
从我们的理解、从我们的判断来看，当前最重要的是把 AI 训练做好。把 AI 训练做好，并不需要世界模型，甚⾄不⽤多模态。因为你把 AI 训练范围缩⼩⼀点，没有多模态，只是有⼀部分任务你做不了，但是不影响这个算法的成⽴。
多模态最终还是要做的。现在重要的是训练，然后下⼀步要解决的是持续学习的问题，再下⼀步要解决的是它⾃⼰问问题。但是这个路线图⾥⾯没有世界模型，没有视频⽣成。
视频⽣成⼀开始出来的时候就很⽕，好像这是必须要做的，如果你不做，你就不是⼀个AI 公司⼀样。所以我就很奇怪，这个其实你只要仔细去想⼀下，它跟智能的路线图是没有什么关系的。
事实上，你也发现，那个视频⽣成⼀开始 Sora 出来之后，所有⼈都做，⼤公司、⼩公司都做。但是⼩公司后来都把它砍掉了。它跟智能的上限没有关系。
但在商业上，它是个好⽣意，在商业上是个好⽣意。但是这跟智能没有什么关系。我们不会因为它是⼀个好商业⽽去做它，我们只会因为它是智能路线图上的东⻄，才会去做。
视频⽣成那个，因为那个相对⽐较清楚，就拿它举例。然后世界模型，世界模型这个含义就没那么清楚，因为很多东⻄都可以说它是世界模型。
从我们的判断，世界模型和智能还不是现在这个阶段最重要的事情。最重要的才是 AI 训练，以及 AI 训练之后怎么解决持续学习。这是我们公司的判断，当然每个公司它的判断是不⼀样的。
我刚说的是，我们公司对公司来讲最重要的问题，就是⼈员的稳定性。从另外⼀个维度来讲，我们缺什么呢？我们跟美国的差距是什么？其实差距只有⼀点，就是资源。
我们没有那么多卡，我们的卡的数量还是⽐较少的。我们现在⼤概是两万张 H 等效算⼒，这其中⼤部分是刚到，最近⼀两个⽉刚到，可能还有很多机器还没有来。
我们总的算⼒去年⽐较少，今年我们在⾮常激进地扩充这个算⼒。我们现在⼤概是两万张H 等效，接下来⼏个⽉我们还会有⼤批量的机器买过来，基本上都是英伟达。
我们需要多少卡？现在肯定是越多越好。在我们能够承受的范围内，肯定是卡越多越好，这是毫⽆疑问的。所以我们现在策略是，在合理的价格⾥⾯，能买到多少卡就买多少卡。
如果说这笔融资⽤完之后，我能买多少卡，我就买多少卡。花钱的速度不在计划⾥⾯，⽽是只要价格合理，有多少我都买。那么如果说我在半年之内就把钱花完了，我觉得是个好事。如果说我在半年之内把钱都花完，那这个太幸福了，这太理想了。
实际上，要把这么多钱花完⾮常不容易，买不到那么多卡，很难买，⽽且价格也很⾼，也不能说花⾮常⾼的价格去买，还得确保这个价格是合理的。
[01:26:41]
如果我半年之内就把这个钱花完的话，可能是最理想的。因为我把钱变成英伟达卡，肯定是⽐放在银⾏⾥⾯好。放银⾏⾥⾯，我现在已经可能是存两个点，好像就要。但是买英伟达卡，⼗个⽉的社会成本。
所以肯定是你能买到多少就买到多少。最先如果买了卡之后，后⾯我有很多空间，我通过提供服务或者我怎么样，我总是能够有现⾦流的。我有现⾦流我就可以活，我就不需要在我账上⾯放很多很多钱。
所以说，我们只担⼼买不到那么多卡。如果能够把钱都变成卡的话，那我们会毫不犹豫把所有的钱都变成卡，并且在这⾥⾯我们是愿意付⼀定的溢价的。就是我们愿意付⼀定的溢价去把它变成卡，因为这太划算了。
哪怕我们在付完溢价之后，其实我们也很难实现这个⽬标。那么客观上来讲，如果说我今年能够花掉两百亿，那么就属于我们的采购部门业绩超级好了。
我们跟美国的差距主要在资源上⾯，然后⼈上⾯差距不是很⼤的。⼈上⾯⼏乎没有差距，因为就是同⼀批⼈，可能是中国⼈。中国⼈出去的时候，有⼀些⼈留在国内，有些⼈留在国外，有些⼈去国外，他并没有说是聪明的⼈去国外，没有的。
其实它是⽐较随机的。最聪明的那些⼈，可能不是说⼀半多⼀点去国外的，但有⼀半少⼀点留在国内。国内⼈才是不缺的，⽽且我们的基数⼤，我们每年有那么多⼈的补充。
⼈才不是瓶颈，资源是最⼤的瓶颈。资源⾸先影响到⼈才培养，因为算⼒少，我们能做的实验机会⽐较少，所以我们的⼈才整体上⽐美国有差距。⼈才的差距，本质上也是因为算⼒的差距。
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；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，或者华为 950，⼆⼗万卡。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。
我们现在的资源，以及我们今年之内、接下来⼏个⽉的资源，包括⻢上⼤资源，也只⾜够我们在⼗ B 激活的这个规模⾥⾯去做更多的实验。因为我在⼏⼗ B 激活的这个规模⾥⾯，还有很多实验要做，还有很多事情需要搞清楚的。我们应该离能够训⼋百 B 的模型还⽐较远，时间还⾮常多，没有那么多卡。
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。
算⼒资源⼀⽅⾯是国内本⾝卡就买不到，另外⼀⽅⾯是我们的资本投⼊⽐美国要少。我们在资本投⼊层⾯上少了很多，基于⼈才的⼯资在这⾥⾯占的⽐重是很低的。你看他们开的薪⽔⼀个亿美⾦这种，但算起来，⼈才的薪⽔还是占⽐很少，⼤头还是算⼒。
这个问题⽬前基本上⽆解，因为华为的产量也是有限的。因为我要训⼋百 B 的话，我就得⼆⼗万张华为最新的卡，这只是训练，还没有考虑做研究。
所以我们现在根本就不会考虑，到这么⼤的⼀个规模上去跟美国竞争。我们现在输，还是在我们能够训练得起、能够⽤得起的规模上，就⼏⼗ B 激活的规模上要先把它做好。再等下⼀步有更多的资源的时候，再把它做到⼀百五⼗ B、⼀百五⼗六 B，或者两百五⼗ B激活的这个规模。
所以我们跟美国在这⾥⾯有⼀个⽬前看起来很难弥补的差距。你要硬要训那么⼤模型也是能训，但是你没法做充分的研究。就是你在训之前，没法做充分的研究。
还有个⼤家⽐较关⼼的问题是，所有⼤模型竞争，它终局的差距会体现在什么地⽅？就是当⼤模型最终差距会体现在哪⾥？我觉得这个差距最终可能是没有太⼤差距的。
最终的差距应该是三⽅⾯：⼀⽅⾯成本，⼀⽅⾯时间，⼀⽅⾯⽤户体验。除此以外，可能是没有什么差距的。
成本⽐较好理解，你提供同样的服务、同样质量的服务，你能够以什么成本来提供。同样⼀件服务，不如说⽐亚迪的电池，在同等技术量的情况下，其他家是不是能够按照这个价格来提供，我觉得这个是个较难的事情。不是那么容易做到的，肯定是壁垒。
所以成本肯定是⼀个差异，我觉得可能成本是排在第⼀位的区别。然后第⼆个就是时间，你什么时候能够做到。你早⼏个⽉、晚⼏个⽉，它就不⼀样了。
第三个可能是体验，⽤户体验还是有些不⼀样的。这个⽤户中间还是会有⼀些⽤户粘性和⽤户壁垒的，但它可能不本质。本质还是第⼀个成本，第⼆个时间。你先做出来还是后做出来，你做到同样东⻄，是快点还是慢⼀点。
⻓期商业化路径和产品线进⼀步丰富后，怎么定价？我们觉得现在最值得做、最值得花精⼒的，还是做 AGI。现在要把 AGI 往前再往前推，就是把智能的下限往上推，往前推。
这个应该是在现阶段，⽐做更多的产品线、考虑更多商业化路径更划算，或者说它是⼀个收益更⼤的路径。我觉得在未来的⼀段时间，以及过去的任何⼀段时间，可能都是这样的。就是说，如果说我们
[01:39:46]
我们花了很多时间去思考，丰富我们的产品有什么⽤吗？
半年前讨论出来的商业化是什么？⼀定是我要去做⼴告，然后我要去做电商，我要去在产品⾥⾯植⼊电商，然后要跟本地⽣活什么很⼤⼀体。肯定没⽤的，因为变化太快了。你这个产品，如果说你在前⾯，或者我们现在这个阶段，去花很多时间做商业化考虑、商业化路径，产品线它⽣命周期很短。
我觉得没有到这个时候。这是我们的判断，或者⾄少前⾯的这些经验都是⽀持这个判断的。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、不能够预⻅未来。你能够预⻅的是很少的。
因为我看时间，不知道⼤家要中场休息⼀下吗？要先吃点东⻄吗？还是我们继续聊？⼤家没有意⻅，我就继续说。
在做全球领先的 AGI 研究，并在适当时候进⾏商业化。我觉得我们⼀直在做商业化，我认为⼀直在做商业化，只是没有以商业化为⽬标。我们是以 AGI 为⽬标，但是我们⼀直在做商业化，所以我们才有 C 端的⽤户，才有 B 端的收⼊。
从历史经验来看，这个策略是成功的。然后我觉得，我们离彻底转向商业化的时间点，应该是很遥远的。所以最⼤的还是技术的延伸，然后做下⼀代的技术，更多地解决现在的问题。这些收益⽐，我个⼈觉得，就在现在能看到的未来，在任何⼀个时候你聚焦在产品上都太早了。
所以这也是我们克制的⼀部分。我希望这些商业机会能够让其他⼈来做，我们希望这些商业机会、怎么⽤这个 AI，是整个社会、我们所有的合作伙伴⼀起来做，⼤家⼀起来分享这个收益，⽽不是我想独吞，这不可能。⽽且我们没有那么多精⼒，我们的组织也没有那么多⼈去做这个事情。
对于合作伙伴，其实我们这个融资是精⼼挑选的。具体怎么合作的这个提议，但⾸先我觉得，利益是⽐较⼀致的，就是跟我们利益最⼀致的、对我们最没有敌意的，或者说最希望我们能够做成功的。不是所有⼈都希望我们能做成功的，因为我们还是损害了很多其他⼈的利益的。
公司重⼤战略、技术业务决定的流程和决策机制。我们公司整体上是建⽴在共识的基础上的，我并不是说我⼀个⼈决定所有事情，⽽是我要寻求共识。我在公司内的权威以及在公司内的影响⼒，是建⽴在共识的基础上的。
⽐如说我要做⼀个事情，我肯定是先看我们⼤家的共识是什么，⼤家想不想做。然后有可能我会有⼀些引导或者倾向，但是这引导的作⽤是有限的，引导的作⽤是⾮常有限的，还是建⽴在⼀个共识的基础上。这个决策机制其实是⼀种寻求共识的机制，这并不是说我能够推动⼀个什么事情，它⼀定是共识，我才能够推得下去，然后我才会去推。
⽬前主要精⼒基本上都在 DeepSeek 这边。我们休息五分钟。我快点写。⼤家可以开⻨，给我⼀点反馈。我们这边没问题，要不然先休息五分钟。
各家模型最终效果拉开差距，应该是⼀个综合上的。⽐较模型效果，肯定是得在相同的成本上来⽐较，这个才是有意义的。因为你⽐较两辆⻋，也是同价位的⻋来⽐较。
做得好的模型跟做得差的模型，这个差别应该不是在具体某个环节，它应该是整体上的。
Anthropic 跟现在超过 OpenAI，这是不是⻓期的？我觉得这不是⻓期的，这肯定是极端性的。OpenAI 和 Google，未来⼤概率还是会交替上升，应该是会交替上升。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。
我们公司可能有⼀半的⼈，平时有⼀半的⼈觉得 OpenAI 是更好的。其实 Anthropic 它有先发优势，但这先发优势应该很快就没了，并不是⼀个它能够⻓期占得住的优势。⼤家这三家都很厉害，这三家⾥⾯的效率是最⾼的，它花的成本、它花掉的、它烧掉的钱应该是最少的。
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，芯⽚可能我们的产能最⼤，我们的电⼒最多，所以我们的 AI 最终很有可能我们是三体之⼀。
中国⼈会把这产品做到最便宜，然后再在效果上，毕竟国外的商品，现在很多商品中国产跟美国差并没有太⼤的区别。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。
我要做事情的时候，我习惯的思考是：我现在这个时候做什么收益最⼤？如果说我觉得现在做产品收益最⼤，我觉得去做产品；如果说我觉得现在把 AGI 先实现收益最⼤，那我就是先去做 AGI。显然，我觉得现在做产品不是收益最⼤的。
如果你是国产卡适配的问题，国产卡现在其实是有⼀个历史性的机遇的。因为之前国产卡适配有⼀个难题，叫⽣态不好。就买了卡之后，但是⽤不起来，它没有英伟达那个⽣态。所以说英伟达的护城河是很强的。
但是这个事情在发⽣变化。英伟达 CUDA的护城河在快速地被⽡解，快速被⽡解的原因可能是有三⽅⾯。⼀⽅⾯是现在有了 AI，然后有了 AI 之后，我要建⽴起这个⽣态⽐以前容易很多了，因为 AI 可以写代码。
[01:56:36]
我可以⽤ AI 来构建这个⽣态，就可以把跟英伟达⼀模⼀样的⽣态构建出来。第⼀个，因为有 AI；第⼆个，有⼀些新的技术。⽐如说，我们家出了⼀个技术，叫 TileLang，是⼀种⾼级语⾔。
⽤这个⾼级语⾔来写 CUDA的算⼦，可以很快地把英伟达的整套⽣态全部都写⼀遍，再结合 AI，这个看起来没有什么障碍。但是现在还没有完成，还没有做完，不过这个技术路线看起来是没有什么障碍的。
还有⼀点，因为 CUDA，英伟达它是从游戏卡演变出来的，所以它在很多地⽅，游戏卡的设计跟游戏卡的设置是⼀脉相承的。CUDA是兼容游戏卡的。以前因为 AI 计算是⼀个很⼩的领域，⽐游戏卡的市场要⼩，所以这样是合理的。
但是现在计算卡的市场已经⽐游戏卡更⼤了，就没有理由这两个还需要耦合起来。现在的趋势是，以后就不再耦合了。那么专⽤芯⽚，不管是华为还是英伟达⾃⼰，以后都是专⽤芯⽚，都不是之前的这些东⻄了。
在这个背景下，原来英伟达⽣态的作⽤就⼤幅度减少了。因为对于⼀个专⽤芯⽚来讲，跟CUDA没有什么关系，它跟 CUDA是不绑定的。或者说，这个芯⽚在设计的时候，就已经考虑到怎么建⽴这个⽣态了。
有点复杂，但 anyway，国产 AI 芯⽚替代现在是有个历史性机会的。我们认为，未来⼀年之内，我们能够看到有⼀个事情被验证：国产芯⽚的⽣态完全没有问题。之前认为是有问题的，认为是⽤不起来、不好⽤，但是未来我觉得⼀年之内，我们能够扭转这个认知，或者会⽤事实来扭转这些。
国产 AI 芯⽚的硬件和⽣态都没有问题，唯⼀有问题的是产能不够。国产卡适配这⼀点，没有障碍，英伟达挡不住。如果是在⼀个正常的商业环境⾥⾯，我能买到英伟达的卡，那么国产替代是⽐较难的；但是在英伟达的卡买不到的情况下，所有⼈都迫不得已，都要去做国产芯⽚。
在这个背景下，国产卡的适配是没有任何障碍的。国产卡建⽴起跟英伟达⼀样、甚⾄⽐英伟达还好的⽣态，我觉得没有障碍，但还需要时间。
我们现在主要是跟华为有合作。华为他们⾃⼰适配，但我们⾃⼰会参与这个⽣态，会深⼊参与到华为这个⾥⾯去。华为的问题还是产能不⾜。像华为给我们的⼤概是⼀万六千张卡的产能，互联⽹⼤⼚可能是⼗⼏万张，我们⼀万多张，我觉得这个⽐例也是⽐较……但这已经可能是华为就这么多产能了。
所以我们也没法指望在华为上⾯训后⾯那个更⼤的模型，或者说训练⼏百 B 参数激活的模型，有时就有说在今年。但是明年、后年说不定是有机会的。
华为卡适配，我们主要做的⼯作是把它的⾼级语⾔编译器做好，把 TileLang 做好。把TileLang 做好之后，问题可能就迎刃⽽解了。这个事情说起来⽐较复杂，但是我们在做，做完之后再来解释会清晰⽐较多。
你可以理解，V3 训练的时候，它⽤的还是英伟达的卡，但是已经不⽤英伟达的⽣态了。V3 ⽤英伟达的卡，但是没有⽤英伟达的⽣态，⽽是我们先写⼀个⾼级编译器叫TileLang，然后基于 TileLang 的⽣态来完成其他所有的事情，就已经⼏乎不依赖英伟达的⽣态了。
只要我把这⼀套东⻄，把这个过程重新在华为卡上做⼀遍，那么就完成了。我觉得这⾥可能是⼀个历史性的使命，即可以完全扭转之前⼤家对国产卡⽣态不好的认知。现在有些天时地利基本上都全了，就差时间。我觉得⼀年之内，应该会有很多⼈在上⾯都有，或者说都明⽩这问题算是解决了，剩下就是产能的问题。
我对国产算⼒是⽐较乐观的。我觉得在这⼀点上，英伟达是在掘⾃⼰的坟墓。华为的超节点，华为的 950 超节点，在性能和价格上可以完全平替英伟达的 GB200、GB300。价格肯定要贵，但贵得有限。价格贵百分之五⼗、百分之⼀百，贵百分之⼀百⽆所谓，贵百分之两百都⽆所谓。
⽐如贵百分之⼀百，我觉得已经可以认为在价格上可以平替了。在任务上也是可以平替的，所有 GB300 能做的任务，华为超节点都能做，延时什么都⼀样。唯⼀的代价是，四张华为卡顶⼀张英伟达的卡，同时落后两年。
四张顶⼀张这个可以理解。落后两年的意思是，四张华为 950 能顶⼀张 GB300。落后两年是时间上落后两年。华为 950 超节点是今年 Q3 还是 Q4 的货，英伟达 GB200 是两年前 Q3 的货，差两年。
英伟达今年 Q3 可能已经有新⼀代了。所以我们跟美国在芯⽚上的差距，我认为⽣态上以后不会再有差距，但是在芯⽚上是四倍加两年。
还有问题是，我们会不会向上游进⾏垂直整合？我希望不要。所以有个问题是，我们是不是会往上游应⽤进⾏垂直整合？我们希望不⽤这个，我希望是其他⼈来做这个事情。我不希望我把所有东⻄都吃了，我只要吃⼀块就好，我只要吃我最擅⻓那⼀块，或者我觉得我们⾃⼰认为最核⼼那⼀块，然后跟⽤户
[02:08:18]
直接相关那⼀块，我觉得可能对于我们的很多产业伙伴来讲，他们⽐我们更关注类似……应该是别⼈的意义，不应该我把它诠释了。
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，取决于收益有多⼤。
Tesla、培育……这个事情。假如说你是运营发电⼚的，你并不⼀定需要去造发电机，对不对？发电设备可以是别⼈造的，只要它的价格合理，你为什么要⾃⼰造？
所以，我希望不⽤去做芯⽚。我希望能够以合理的价格买到芯⽚，这样我就不⽤去做芯⽚。我觉得这个很有可能是这样的，就是最近英伟达芯⽚的利润，不⻅得是可以……虽然……
我们希望只做⼀块。我觉得 AI 这个事情很⼤，并不需要我……我只做⼀块。如果聚焦，并且我认为这⾥的⽣意利益已经⾜够⼤，就如果是 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。
我们⼀直做其中⼀⼩块，我们是其中⼀家已经没有什么问题了，并不需要我……我并不是信⼼勃勃要做地⽅。我觉得最可能是⽐较难变，且你真的想做别的话，你还是会有更多的主意，这个会……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。你想要得越多……
然后还有，To B 这个可以多说⼏句。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。因为你这样想，我⼗个⽉就能收回成本，我肯定是如果有去处，我⼀块买，是因为没有那么多事情。对，需求应该会越来越⼤，如果随着技术持续有突破，这个需求会越来越⼤。
多模态布局，我们⼀直在做。对产品来讲，它很重要；对 C 端⽤户产品来讲，它很重要。但是对智能的上限，它是⼀个组件，它不是主线本⾝。
但是它作为⼀个组件，多模态我们肯定会做，⽽且我们也在做。我们应该会上相关的模型，就是我们 V4、V4 的后续版本会⽀持原⽣的多模态。但是我们对多模态、对智能来讲，它是个组件，我们不把它当作智能本⾝，它的主线跟搜索⼀样。
搜索也是⼀个组件，多模态也可以，我们的理解它也是⼀个组件。Scaling，我们是信Scaling，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，⽽是我刚好有这么多资源。我是按照我的资源来算，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。
⽬前来看，模型收益还是⾮常明显的。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；对中国⼈来讲，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。
包括我们融资完之后，我们有更多的算⼒，可能训练更⼤的模型。时间内买到，就在越短时间内买到；如果能半年精⼒全花完，那么这是最好的，实际上做不到。
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，它应该是具备持续学习的。
然后还有⼀个问题，就是为什么好像我们特别在乎这个模型的计算效率？因为我确实发现，不是所有⼈都很在乎这个模型的效率。⼀个商业化公司来讲，没有动⼒去追求模型的效率，因为模型效率⾼⼀点……
所以，它没有那么⼤的动⼒去追求模型效率要⾮常⾼。所以⼏个创业公司，他们⾃⼰并不会……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。或者说，我们的愿景，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我们能够把成本做到更低。但是如果你从商业⾓度讲的话，其实不会这么考虑。从商业来讲……
[02:21:31]
从成本或者从商业⾓度讲，这不是第⼀优先级。
对于不管是创业公司来讲，还是⼤公司来讲，这个服务成本根本就不⾼。但是我觉得我们希望它是⽐较轻的，我希望它是⼀个负担得起的，特别是在中国算⼒紧缺的这样的背景下，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。对⼤公司来讲，资源是可以加的，可以通过加资源来解决。但是我们会优先考虑成本效率。
数据类模型的价值，数据这个范围⽐较⼴，数据应该⼏乎就等于模型的⼀半。为什么我会觉得，如果我想要那个，或者假如设 AI 能够占 GDP 的百分之⼆⼗，然后如果说我想要在这⾥⾯占百分之五，绝对⾏不通。因为我肯定会被另外⼀个⼈打败，如果另外⼀个⼈说我只要占百分之⼀，那么肯定就会被他打败。
如果说我的⽬标是，我要占 AI、全⼈类 GDP 的百分之五，理论上算这个账还是成⽴的。你看 OpenAI，他算这个账好像是能算得过来的，理论上是没问题的。但是他有个问题，他会被另外⼀个愿意只占百分之⼀的⼈打败。
因为另外⼀个⼈说，我做得这么好，但是我只要拿全球 GDP 的百分之⼀就可以了，那么就会把他打败。这时候如果⼜出来另外⼀个⼈，说我只要百分之零点⼀就可以了，那么⼜会把前⾯的⼈给打败。
从宏观上来讲，不管这百分之⼏是从哪⾥拿，彼此之间没有区别，都是⼀样。拿得多的⼈会被拿得少的⼈打败。甚⾄你还不⽤真的拿得多，愿景如果是拿得多的话，你就会被愿景是拿得少的⼈给打败。
其实⼤家都没有拿到钱，然后只是⼀个愿景。你愿景是拿得多，你就先输了，你就会⾯临着更⼤的困难。这个世界就是这样。
OpenAI 从⼀开始觉得他真的能够垄断这个世界，但是实际上他会遇到很多很多挑战者。他会遇到挑战，他就不会那么轻松。美国会遇到过的挑战，那么他在未来可能还会遇到中国的挑战，因为中国⼈愿意拿得更少，就可以给你提供这个服务。
在中国，也会有⼈愿意拿得更少⼀点。但最后这⾥会有个平衡，因为你拿得太少之后，公司商业逻辑就不成⽴，就活不下去了。所以你拿得太少了，你活不下去；你拿太多了，你会被拿得少的⼈打败。
所以对我们来讲，我们并不是利润要拿最多的钱，或者说算收益最⼤化的定价，⽽是只赚⼀个合理的收益。这是⼀个解释。
我是相信这个事的，我并不是去为这个事情找理由，因为没必要找理由。我本来就这么做的，我这么做肯定是有理由的。这个理由可能不是⾮常惯常，但是我觉得公司本来就不惯常。
我们公司的管理其实是两条线：⼀条线是从上到下，⼀条是从下到上。从下⽽上，就是每个⼈⾃⼰想做什么，⾃⼰做，没有⼈管他，没有 KPI。
从上到下，就是正式的，我们要集体做⼀个什么事情，需要全公司的⼈⼀起来配合。⽐如说我们要发 V4，那么就得分⼯，每个⼈得做⼀部分。那个是从上到下，然后从上到下这个我们叫做正式。
⼀般我们希望这正式不要占⽤员⼯所有时间的⼀半，就正式不要超过⼀半。他还有⼀半的时间，是不被安排的，他想做什么就做什么。这是⼀个研究的范围，让他可以⾃⼰去探索，按照他觉得什么重要，他去探索什么，没有前置的要求。
只要公司能够⽀持，公司算⼒能够⽀持他做，或者说他不需要算⼒，他需要做得很少，那么他根本就不⽤来协调。所以我们现在是这样的⼀个组织⽅式。
有些⼈觉得我们是从上⽽下的，有些⼈觉得我们是从下⽽上的，我觉得两个都对。我的⼀个标准是，正式最好不要超过⼀半。
我们⼀般也不太加班。加班有两个原因。第⼀个是，做研究是需要⼀个⽐较松弛的环境。你如果逼得很紧，就没法做研究。因为既然就是要你⾃⼰有这个兴趣，你⾃⼰平时要去想这些问题，所以得是在⼀个⽐较松弛的环境⾥，才有可能能够探索。这是⼀个出于研究⽂化的需要。
第⼆个是，我们⾮常聚焦。我们⾮常聚焦，就意味着我们要做的事情很少。那我就没那么多事情要做，我就不需要加班。
这个跟前⾯的克制是⼀脉相承的。因为我克制，所以很多时候我就不做了。那么我要做的事情少了，每个⼈分到的⼯作就少了。你看到我们的产品很多都不完善的，我们也没有去补它。
这也是我们的⼀种⽂化。
OK，因为问题很多，我⼤部分都扫了⼀遍。⼤家还有什么问题，⼤家提问。
请各位投资⼈⾃由开⻨交流吧。我稍微提醒⼀下，梁⽂锋讲了很多⼀些⽐较敏感的信息，请⼤家千万不要外传⼀些数字或⼀些情况，包括卡量什么的。同时也千万不要录屏对外做分享。很感谢各位，请各位有问题的话，⾃由开⻨交流。
[02:34:59]
杨哥，您能分享更多关于持续学习什么时候带来突破的时间线吗？包括如果实现持续学习，还需要哪些架构、算法的创新，以及其他关键要素？
⼈少，需要研究。现在全世界都在研究这个问题。或者说，对投资⼈来讲，现在投资⼈看到的最多的是 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。
其实学习可能不是⼀项技术，它是⼀个问题。怎么解决这个问题，可能有很多种技术，不是⼀项技术，它不是⼀个东⻄，会是很多东⻄。或者说，AGI 是由很多东⻄组成的，需要模型，然后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。
梁总，谢谢。⾮常感谢今天这个机会。我⾸先⾮常想回应和感激⼀下，您最开始说的让我⾮常感动，也给我们很多启发。您提到，这个团队带着最⼤的善意，希望能够在这个⾏业⾥⾯，对这个社会、⼈类智能的发展有所推动，做⼀点点贡献。
并且在这个⾥⾯，是带着这种使命感和愿景。我觉得这跟我们所服务公司的企业⽂化⾮常相近，就是“修⼰达⼈”。我深刻地理解了为什么您会带领团队做开源的事情。
我会形象地感觉，像我们去做⼀个榕树这样的⼩⻦天堂⽣态，利万物⽽不争，但这样它就会被⼤家接纳，万物共⽣共存，最终就会⽆处不在。所以，我们会以这次投资，同样表达我们对这个使命和愿景的认可、⽀持和尊重。
同时，我们也希望能够在这个产业未来，我们所擅⻓的⼀些领域等，去贡献⼀些⼒量。在这块也想跟您继续请教和探讨。⽐如在未来⽣态的共建当中，现在开源之后，这个⾏业⾥有多少伙伴、⼈才、团队，能够⽐较好地复现咱们开源⽬前的⼀些模型和成果？
未来在下⼀步想让这个⽣态进⼀步发展的时候，您感觉在哪⼏个⽅⾯，需要更多⾼质量的⼈才能够衔接到我们的模型，把它复现？还是说现在 GPU 的算⼒相对有⼀些稀缺？⼤家未来会不会是⼀种模型矩阵的⽅式？
⽐如咱们把⼤模型基模做得越来越好，各⾏各业的伙伴和团队去做⼀些模型矩阵⾥⾯的垂直⾏业模型，或者⼀些应⽤模型。这块⽬前的发展怎么样？未来⼀步⼀步，两年、三年，您感觉会⻓成⼀个什么样的⽣态？
这是我第⼀个想跟您请教的。第⼆个，您刚才也跟很多伙伴分享了很多关于 AI 硬件⽅⾯的观察。像 AI 全球⼤公司，可能单体都会做千亿美元级别的投⼊，中国⽬前看起来在硬件算⼒上有些短板。
您感觉这个多⻓时间可以解决，并⽀撑咱们 AI 的发展，让算⼒和硬件短板不给 AGI 拖后腿？您觉得这是不是中国⼈未来使命必达，我们肯定能做出来，只是时间和资⾦投⼊的问题？
但同时，可能它会是两⽅⾯的。⼀⽅⾯，模型的进步会让模型智能化的提升，导致单⼀任务或者某些智能化单体对硬件、对算⼒的消耗逐渐递减，不再需要那么⼤算⼒的运算，因为模型的进步会让它巧算。我不知道我理解得对不对。
另外⼀⽅⾯，硬件的技术进步会让算⼒的算能效能更强⼤。这会不会是两边相向⽽⾏的路径？现在如果是在这个时点，⽤现在的 960 也好，还是 H200 也好，去做千亿美元级别的算⼒投⼊，您刚才提到说您是给它按三年摊销，那它的实际⽣命周期，您觉得技术迭代是四五年？
或者直⽩地说，会不会现在算⼒中⼼按现在的卡去建了万卡集群，可能三年之后它其实就是相对不那么先进的算⼒了？会不会有现阶段是 under construction、不够⽤，三年之后变成相对不那么优质的算⼒有冗余的情况？我不知道会不会有这样⼀种现象。以上两个问
题请教您，谢谢。
谢谢。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，刚开始做⽹站的时候，做⽹站的⼈很少，⼈才很缺。后来互联⽹要做服务端，⼈才也是很缺的。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，并且我们已经看到，⼤幅度被缓解了。因为 AI ⼈真的不缺，每个公司很快会把⼈培养出来，培养⼈是很快的。所以，AI 这个⾏业整体上，不管是⽣态、模型公司还是什么，⼈才都不缺。
⼈才缺肯定是⼀个短期现象。历史上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。
所以⼤家不⽤担⼼缺⼈才的问题。以及国内现在做模型的公司有点太多了，还是太多了。美国可能就三家，中国做基模的东⻄太多了。
最终⼀定是不需要那么多⼈去做基模的，⼀定会收敛。所以资源也是⽐较分散，某种程度上也⽐较浪费。就先于
[02:44:00]
每⼀家都要做同样的事情，但美国只要三家做，资源只集中在这三家。中国资源分得很散，每⼀家拿到的资源就更少。我觉得这个肯定是会收敛的，⼀定会，但这需要过程，最终⼀定会收敛。
不需要那么多家，因为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。最近肯定是没有那么⾼利润的，我不相信有那么⾼利润，因为这不符合客观规律。
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。我们应该是⼀个合理的利润。所以这是产业的⼀个现状，我觉得肯定会收敛。
就是⼤家做⼤模型的那⼀部分，其中不要说某⼀家独占，说“我要拿⾛全部利润”，这个肯定不⾏。如果说每⼀家都只拿合理的利润，那么其实不需要那么多⼈去做⼤模型。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。
⼤模型可能不说两家⼤公司、两家⼩公司，可能就已经⽐较够了。
⾄于⽣态上的，我没有什么太多的想法。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。我们是有这个意愿，并且不会有利益冲突，但是我们有没有去做是另外⼀回事。
但⾄少这⾥边是没有利益冲突的，我们是希望合作共赢的。⾸先，我绝对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，我觉得不⾄于有暴利。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，仅仅此⽽已。
是不是有回答了？第⼀个问题是不是回答完了？
⼤家能……你相信以后肯定是有很多⼈可以……未来其实会……⼤家数据应⽤这些的循环迭代……
现在可以听到吗？谢谢。对，感谢您的回答，也⾮常深刻地理解和尊重您的这种⾏业⾥⾯的⽣态战略定位。⽐如说数据这⼀块，现在公开的数据，相信模型公司都已经可以有渠道获取，这个⽅法应该都不成问题，只是时间和成本的问题。
那么后续⽐如说将到真正到 AGI 的时候，有可能⼤家⼀个设想或者理想的状态是，模型可以⾃我迭代、⾃我学习，就是⾃⼰训练⾃⼰。那么这⼀块的话，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？
如果说还是需要来⾃于真实数据，那会不会是限制这个 AI 的智能还是在⼈类的过往……这个层⾯，因为它依赖的是⼈类真正曾经有过的真实数据？还是说可以突破这个上限，通过模拟数据、仿真数据、创造数据等等的⽅式，让这个模型能⼒去超越⼈类过往的所有真实……
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。我们认为，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。
那这块后续是靠真实数据还是仿真数据？它会 work 吗？
不可能就有很多⽅法。
好的，谢谢。也占⽤您的时间了，也想继续请教刚才关于 AI Infra 的问题。
第⼆个问题是什么？有点……
好了，我简单快速地重复⼀下。就是想请教，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。那么这块的话，有可能我们相信中国⼈未来在硬件上是使命必达，有⼀天可能会有⾼效率的算⼒，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？⼀⽅⾯是模型的能⼒迭代之后，它其实对于算⼒从硬算变成巧算，所以单位模型或者任务对算⼒的要求和消耗会逐步地边际降低。另⼀⽅⾯，⽐如说硬件像卡的能⼒提升，会让迭代速度越来越快，单卡效率提升。
那么这个在过程当中是怎么样的⼀个现象？会不会是说，现在去建了万卡集群，去买了H200 或者 960，但是过个两三年，它就变成了⼀个相对没有那么优质的算⼒，相对⼜变成了⼀个陈旧的器件？
英伟达的卡基本上你可以按照五年折旧。华为的卡最多按三年折旧吧。华为 950 今年能⽤还挺好的，明年⽤我觉得还可以，后⾯再⽤我觉得可能就真的太费电了。
华为卡⽣命周期肯定是会短⼀点，因为它本来就已经⽐英伟达晚两年了。但是我觉得差距没那么⼤。
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，相信买不到。
明⽩。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，然后这样的话你就可以⽤巧妙的⽅法
[02:53:59]
谢谢。
所以我们跟美国的差距可能是落后美国 12 个⽉，落后美国可能 12 到 18 个⽉，或者说 6到 12 个⽉。反正简单说，就是落后美国两年，然后只⽤美国⼆⼗分之⼀的算⼒把这个事情做出来。
这个叙事就是落后⼀到两年，但是只⽤它⼆⼗分之⼀的算⼒。那么未来我们要把这个叙事改写，就是我们⽤它⼏分之⼀的算⼒，但是把这个时间缩得更短，缩到 6 个⽉、3 个⽉，我觉得这是⼀个⽬标。
以及我们甚⾄可以在某⼀些⽅⾯超越他们。但是在总体算⼒还是有数量级差距的情况下，全⾯超越是不现实的；但是在某⼀些重点、有取舍的地⽅，我们有⼀些地⽅超越可能是可以的。
明⽩，谢谢梁总。信⼼满满，⼀起努⼒。时间也留给其他的伙伴，谢谢。
感谢刚才的分享。我这边有两个快速的技术问题。在刚才聊技术路线当中，提到了我们这⼀阶段要解决的核⼼问题是持续学习，也是⽬前国外研究的热点，叫 RecursiveImprovement。想请教⼀下，⽬前来看，从技术上最⼤的难点是什么？从您的视⾓来看，这个什么时候可以解决？这是第⼀个问题。
第⼆个问题，同时您刚才提到，先解决持续学习，然后再去做智能。我也想理解⼀下，您这么提背后的技术根源是什么？是不是意味着解决完持续学习问题以后，DeepSeek 后续也会做通⽤智能？这两个问题请教⼀下。
技术问题其实解释起来有点……它的难点在于，我们现在还没有找到⾮常 work 的⽅法。全世界都还没有找到好的⽅法，⼤家都在摸索。所以现在还在摸索阶段，就是不知道谁能摸到下⼀个解决这个问题的⽅法。
现在还在探索阶段。我们有很多思路，有很多现在看起来有前途的⼀些想法，但是都还没有做通。对，这是第⼀个。
第⼆个是，现在我们内部⽐较看重这样⼀个叙事：训练我们的下⼀版模型，我们希望它能够帮助我们⾃⼰的开发。它能够提升 DeepSeek 的效率，我们的模型最⾸先是提⾼DeepSeek ⾃⼰的⼯作效率，让我们开发下⼀版模型的时候，它能够提供更多的帮助。
或者说简单⼀点，我们做的模型，第⼀⽬标不是⼤家⽤得好⽤，⽽是我们⾃⼰⽤得好⽤。⾸先是对我们⾃⼰有⽤。对我们⾃⼰有⽤之后，我在开发下⼀版模型的时候就会更快。
我们内部很多⼈的想法是这样的：⾸先要对我们⾃⼰有⽤，⾸先是给我们⾃⼰⽤。然后这是实现 AGI 最快的⽅法。当我们⾃⼰好⽤，那意味着可能别⼈也好⽤，但是⾸先得保证我们⾃⼰好⽤。
这个叙事有点奇怪，但是确实很多⼈就是这么想的。⽽不是说⽤户⽤得好⽤，我是希望对我们⾃⼰帮助更⼤，这样我们可以实现 AGI，会快很多。所以这个叙事的逻辑是，来帮助我们实现 AGI。
但⾸先是帮助我们实现。我们实现 AGI 需要这个帮助。现在是⾮常确定，我们确实需要⼈⼯智能来帮助我们实现 AGI。虽然说它还不是⾃主地⼯作，它还是只是跟⼈搭配，但是已经很有⽤了。
第⼆个问题，就是刚才提到了，先解决持续学习的问题，然后再进⼊通⽤智能。这是您对后续的⼀个预期吗？想理解⼀下这背后的技术根源是什么？为什么先要解决持续学习，然后再进⼊通⽤智能？您对这块后续的理解。
因为解决持续学习这个问题，可以⼤⼤加快我们的研发进度。如果我先解决了持续学习这个问题，那么通⽤智能这个问题就不在话下了。我有了 AI 的辅助，如果 AI 能够持续学习，它的能⼒应该是⾮常强的。
现在的 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，⽤它来做就很容易。所以我说这是⼀个我们⽐较希望看到的结果，我们⽐较省⼒，我们就轻松。否则现在你要去⼈⼯做通⽤智能，它是⼀个⽐较累、⽐较苦，是⼀个数据密集、⼈⼒密集的事情，性价⽐也不⾼。
感谢分享。
⼩问题，线上的问题你看⼀下聊天群。觉得 AGI 还需要多久？国内硬件在这个时间能追上吗？
在 Zoom 会议的那个聊天窗⼝⾥⾯。
好，这个我看了。
华为 950，现在华为是给我们⼀万六千卡，这应该是可以公开说的。应该是⽐互联⽹⼤⼚少⼀个数量级。华为也只能给我们这么多，因为这个价格也不便宜。
互联⽹⼤⼚的追求会更⼤，对互联⽹⼤⼚来讲，它更需要。对我们来讲，我们可以买⼀些不合规的卡。所以我们买华为 950 的⽬的，还是希望帮华为把这个⽣态做好。
⼀万六千卡的华为 950，只相当于四千卡的 B 系列。所以说不是⼀个很⼤的量，意义不是很⼤。不够训⼀个下⼀代的模型，它只够训我们现在这⼀代模型，不够训下⼀代模型。但是可以让华为把这个先做好，就是关于华为 950。
然后，AGI 还需要多久？国内硬件在这个时间能追上吗？
我觉得在 AI 这个事业上⾯，在 AI 这个事情上，应该国内⼀两年是能够做到跟国外差不多的，或者可能今年就能做到平替国外的模型。在 AI 这个事情上，就现在的⼀个⽅式、现在这个范式，不是很难的事情，所以今年应该就能做到的。但它还不是 AGI。
[03:05:48]
我⾄少觉得，它得能够持续学习吧。
国产硬件在这个时间能追上吗？我觉得国产⽅⾯可能需要⼀个⼏年的时间。国内⾸先得解决⽣态的问题，因为⽣态是⼀个信⼼的问题。解决⽣态的问题，然后再解决产能的问题，我觉得应该是能够逐步解决的。
我不太相信未来五年之后，我们还卡在产能的问题上。现在肯定是卡在产能问题上，今年、明年、后年，我觉得可能都还是卡在产能问题上，但五年之后，我觉得可能不⼀定，我还是⽐较乐观的。
然后第⼆个问题是，思考未来的组织架构，对⼈员的规划规模。⾸先，我们之前的组织架构是⾮常分散的，因为没有组织架构。但是我们⼈在进⼀步扩⼤之后，这些肯定是需要做出⼀些改变的。
现在只能说，这⾥会需要做很多改变，但现在很难⼀下⼦全部表达出来。最后应该还是要分不同的部门，应该有些部门是我们需要建⽴起⽐较严谨的层级结构的。另外⼀些部门，可能还是会维持⼀个⽐较松散、⽐较扁平的结构。
随着⼈员的增加，我们会做这个调整。应该是我们⻢上就得做这个调整，因为我已经在做这个调整。已经不做这个调整的话，很多事情是没法推进下去的。确实有很多部门，是应该有组织架构的。
然后⼤家还有问题是，CV 是先于它的哪个版本是吧？我觉得我们现在，线上发了这个GCV4 这个版本，还是⽐较粗糙的，然后能⼒⽅⾯还很多都需要时间。
我们⼀般，对我来讲，⼀个⽐较舒适的发版节奏，⼤概是两三个⽉发⼀版。上次发版可能是四⽉底，那么下次发版可能是六⽉底，⼤概是这样⼦。如果没有意外的话，应该还是会⼀版⽐⼀版好的。
在 50B 激活的这个尺度上⾯，我感觉最终我们跟现在的这波开源不会有太⼤差别。就在推理速度跟效果上，我感觉可能就不会有太⼤的差别。
但是跟它那个⼤尺⼨的模型，就它⼀个没公开的模型，应该差距还是⽐较⼤的。那个差距应该是，我们这个激活参数应该是做不到的，这就肯定得是⼀个更⼤尺⼨的模型，可能⽐如说是 150B。
那么 150B，我觉得按照我们现在训练的进度，今年，乐观的是今年年底可以开始去训练，⾄少是明年四……差距还是⽐较⼤的。对，这是跟 OCE 的差距。
你好，我其实有⼀个问题，就是经常您说到这个 AGI，它实现的过程是⼀个渐进式的过程，⽽不是会有⼀个突变。所以我可以理解，这是⼀个没有临界点的过程吗？
它没有临界点，但是它是⾮线性的。我们现在⽐较相信⼀个叙事是，AI 可以加速 AI 的研究，AI 可以加速 AI 的研究。就是说，它不是线性的，因为你可以⽤ AI 来加速你⾃⼰的研究，所以它到后⾯可能是⾮线性的。
明⽩。所以当下您的这个，我理解前⾯的结论可能就是，语⾔模型继续 scaling 是够的，是⾜够的，做到这个状态。
只能说语⾔模型的 scaling，我现在没有看到有上限。我们现在的智⼒⽔平，或造成美国的智⼒⽔平，都没有看到上限。
明⽩。因为我⾮常好奇，就是你说，对美国来讲，800B 激活这个模型，说⽐它能训练起，但它也⽤不起来，所以它只能训练出来，它也很难拿出来给⼤家⽤了，因为确实有点贵。
我之前其实很好奇的⼀点就是，⼈类其实拥有语⾔能⼒就是近⼗万年的事情，然后前⾯可能进化了三⼗七亿年。但在训练 AI 这个事情上，可能是可以，你说那个顺序是可以反过来的，但最终可能还是会进⼊到所谓，也不⼀定叫世界的模型，还是要进⼊到物理模型或者具⾝的那部分，是吧？就是在这个上限之后。
对，我觉得具⾝肯定还是要进⼊，最终具⾝。所以对我们公司来讲，⾃然⽽⾔，可能终点都是具⾝。因为对⼀个正常⼈来讲，他的需求并不是电脑，对不对？因为正常的⼈，他吃喝玩乐、⾐⾷住⾏，他不需要电脑。
他需要的是，所以他还是需要具⾝智能来解决具体⼈⼒的需求。如果说⽬标是解约⼈⼒需求的话，所以具⾝我觉得就是绕不过去的。
明⽩。所以阶段性地讲，假如说到达类似，也不⼀定是临界点，就是可以⾃进化、可以⽐较好的⾃进化，或者接近这个与 SV 的这个上升的到那个时间点上，我很好奇会希望这个状态的 AI 落地的第⼀个让是……
可能跟现在不⼀样。我们是希望它能够，就是直接假如说没有具⾝，那么我们对 AGI 的定义，或者我们希望 AGI 能做什么呢？它能帮我迭代下⼀版模型，能帮我迭代下⼀版模型⼀样。
然后如果有了具⾝之后，我们希望它做的也是，让它来迭代下⼀版的具⾝，它来做下⼀版机器⼈。
我还是很好奇⼀点，就是因为我看之前 DeepSeek 的采访等等，应该是在⼀些重要的⽅向的选择和研究的选择上⾯，品位和直觉是很重要的，⽽不是简单的⼯程优化。那如果之后 AI 可以⾃进化的话，这个品位、taste、直觉这些东⻄还重要，或者说重要的会是什么？
AI 现在不缺品位和直觉，它缺的是持续学习的能⼒。AI 的品位和直觉没有问题。你让它写个⽂章，它的品位和直觉，我觉得没有什么问题。
前⾯还有⼏个问题，我看⼀下那个问题。我看屏幕上谈了⼏个问题，但是我这边看不到了。
梁总，我屏幕上留了个问题，我给您再念⼀下。其实是想请教⼀下，continuouslearning，就是持续学习，您也提到，很多研究员也提到是⼀个还没解决的研究问题。然后那个 coding agent，尤其是追上 MILES，就是
[03:17:47]
Scaling 到这个 Offi ce ⽔平、MIS ⽔平是⼀个⽐较确定的⽬标。对于⼀个还没解决的研究⽬标和⼀个⽐较确定的 Scaling ⽬标，您认为应该怎么分配研究资源，尤其是研究员这块的⼈才资源，怎么样才能达到最好的平衡和效果？
模型 Offi ce 是⼀个⽐较确定的⽬标，但是模型 MIS，我觉得还不好说是确定的，只能说是⼀个⽬标。模型 Offi ce，我觉得应该是⽐较确定的。
CoT 不占资源。做朋友任意研究，他不消耗卡，只需要很少的卡，他需要的是想法；他也不消耗⼈才资源，因为不需要有⼈⼀直在那⾥做。他不是⼀个项⽬，⽽是需要有很多⼈都在那⾥想这个问题。
所以并不需要给它分配什么资源，因为它不需要资源。你要训模型，要做模型、发模型，做模型的效率实验才需要资源。刚才讲的，对⼈、对卡的资源消耗都不多。
所以我们叫这个叫“摸奖”。门槛很低，谁都可以去摸，但是谁能摸出什么来，这个可能我也不知道是看天赋还是看什么。
所以这⾥并不需要我们去分配资源。只是说，我们跟其他公司不⼀样的地⽅，就是我们会花时间去讨论这个问题，会去想这个问题，然后把它当做⼀个重要的事情。
在公司⾥，它是⼀个重要的问题，是⼀个我们会花时间去思考的问题，但是并不需要花很多资源去做。
然后下⾯我还看⼀个问题：⼤模型的幻觉问题⽐较影响⽤户的体验。幻觉问题也是有⼀个⽅法可以解决的，但是这是⼀个⻓命题。幻觉问题可以认为是⼀个可以通过更好的 Post-training 解决的，是⼀个能解、能够改善的问题。
只是⼤家没有花很⼤的⼒⽓去做。或者说，对我来讲，幻觉是⼀个问题，但我们归结可能是产品问题。我们会去解决它，但是不是重点的问题。
前⾯还有⼀个标数据的问题。我们在数据标注⽅⾯，这跟我们的资本投⼊有关。以我们这个资本投⼊的结构，⽀撑不起那么多⾼质量数据标注的成本，因为成本很⾼。
美国数据标注的成本跟中国数据标注成本没有什么区别。中国去标数据并没有成本优势，尤其是标⾼端数据上并不会有成本优势，使得我们很难投⼊去像美国这样标数据。这条路在中国是很难的，因为标数据实在太贵了，不管是我们外标还是我们⾃⼰标，都很难受。
所以现在基本上是两条腿⾛路。并不是说我们完全不能标，⽽是因为标数据有⼀些成本低，有⼀些成本⾼。我们先标成本低的。
所以你也可以认为，现在我们公司有⼀半的⼈在标数据。有⼀半的核⼼研究员，最重要的⼈，有⼀半在标数据。我们就集中在标数据。解决 AI 这个问题，在现在这个阶段靠的就是标数据。你只要看就是⼀个数据。
梁总，谢谢你。你讲得特别地，我们⾮常有感受，⾮常好。感谢你。我请教⼏个问题。
第⼀个问题，您刚才讲，中国的模型⽐美国的模型在效率上肯定是强的。你讲的还有⼀些其他⽅⾯，未来也有可能会⽐美国强。你觉得是哪些⽅⾯，我们在智能或者在其他⽅⾯会⽐美国强？
我觉得在很多体验⽅⾯，有可能我们是能⽐美国做得好的。即不说⾃⼰的体验，⾃⼰的产品体验觉得挺好的，我觉得我们在⽤户体验⽅⾯不⼀定会⽐美国差。
在产品⽅⾯，产品能⼒上不⼀定会⽐美国差。成本应该也会⽐美国低，所以有可能中国还是会有竞争⼒的。
其他⽅⾯，如果说有结构性的优势，我觉得可能也没有。但是在成本和产品这两⽅⾯，我觉得确实是有⼀定的结构性优势的。
成本这个很好理解，是因为他们都不⽤做，所以他们就不发展这个能⼒。他们肯定没有我们重视这个事情。我们可以把它当做⼀个⾮常重要的事情，但对于他们来讲，这个是不重要的。
产品也是，原⽣通过很多公司，产品能⼒还是可以的。所以我觉得这两⽅⾯可能是有结构性优势的。
好的。第⼆个问题，请教您，您刚刚讲到后训练，我们投⼊相对成本⼜⾼，像 Anthropic和 OpenAI 都投⼊巨⼤的⾦额。这次融资以后，您觉得我们会在后训练⽅⾯加⼤投⼊吗？
差距主要是在⾼质量数据的标注上，然后主要是在 AI 研究⾥⾯。肯定会加⼤投⼊，但是像⾼质量数据的标注，典型不是资本投⼊。
⾼质量数据标注的瓶颈，我觉得是时间，就是需要时间。因为对 OpenAI 来讲、对国外来讲、对 Anthropic 来讲，他们都更早，然后资本更多，卡也更多。
这种情况下，我们国内可以认为是最近半年才开始做，所以在时间上，我觉得是需要更多时间的。这个跟资本投⼊关系不太⼤，因为哪怕没有更多的资本投⼊，原来的资本也够它以最快的速度在扩张了。
但是这个速度是有上限的，瓶颈不是说我能够⻢上有更多的⼈，并不卡在钱上，也不卡在卡上。但是它确实是在⼀个快速扩张的过程。
所以我们觉得⼀年之内，⾼质量数据这个问题做得⽐较好，我觉得国内应该是可以预期的。我觉得⾯可能没有那么冷，但它确实是需要时间。
谢谢。然后第三个问题，就是我们看到 Anthropic 他们⽤⾃⼰的模型做⾃⼰的产品，推出了很多纵向的⾦融、法律……
[03:29:17]
甚⾄未来要往医疗⽅向⾛，您觉得在这种纵向应⽤⽅⾯，某个阶段我们也会考虑吗？
我还没有想得很明⽩，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。
国内我们现在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。
讲得很清楚，谢谢您。还有⼀个问题，我们也想请教您。其实我们做 DeepSeek，也很佩服您，⼀直在以⼀个⾮常纯粹的科研⽅式来做 DeepSeek。
但现在这个⾏业确实也⾛到了资本市场，⾛到了资本化这条路上。您⼜是⼀个⾮常负责任的⼈，⽆论是对⼩伙伴还是对投资⼈，您也都是⾮常负责的。那么，在纯粹科研、纯粹做AGI 的⽅向和资本市场之间的平衡，您未来肯定还要⾛资本市场，肯定还有公众股道，您觉得以后怎么 balance？这个您是怎么考虑的？
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。以明年我们 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。
谢谢您，讲得很好。问题问完了，谢谢。
感谢您分享。前⾯提到⼀些问题，想跟您再问⼀下。因为我觉得 DeepSeek 其实最⼤的和其他公司的区别在于，我们的组织跟其他⼈不⼀样，或者说组织形式不⼀样。
但组织形式既跟我们的⽬标相关，可能也要去考虑组织⾃⾝的边界和效率。我不知道，从宏观的⾓度考虑，我们这个组织形式会有⼀个好的学习对象吗？历史上可能 Bell Labs，还是⼀个什么样的形态可能是⽐较理想的？还是说我们⾃⼰觉得也没有理想的，更多还要靠我们逐渐去探索？
可能在⼀个新的时期，只能靠我们⾃⼰来做探索。因为我们的组织形式其实跟美国的⼏家公司肯定都不⼀样，对吧？三家公司⾃⼰也不⼀样，但他们⾄少会从⼀个商业公司的⾓度出发去探索。
我可能主要想再问⼀下组织这个问题。
⾸先，我们没有模仿的对象。每⼀步都是我们从实际情况出发，实事求是，根据实际情况来做决策，找到我们应该怎么做。所以它是⼀个时代的产物，或者说是现实情况的⼀个反应，它并不是⼀个模仿的结果。
就是说，在这个情况下，我确实最优解可能就是这样，或者说我⾃⼰认为，我们⾃⼰选的路就是这样。每⼀步我们肯定都是思考过的，肯定都是选过，反正选的结果就是这么选的。它并不是因为看到谁这么选，我们这么选，⽽是因为我们分析了利弊⽽这么选。
那么在未来可能也是⼀样，我们并没有去模仿谁。我觉得我们跟 Bell Labs 还是不⼀样的，因为它明确是不需要有商业化的，因为它是个……但是我们明确是要有商业化的。我们最终还是要能活下去，我们毕竟是⼀个公司，政府不会给我⼀分钱。
所以我们可以有⾮常远⼤的使命，但我们归根结底是⼀个公司，我们要考虑怎么活着。所以 B 端对我们肯定是重要的，因为可能以后可能得靠它活着。只是说现在不重要，因为它现在是个成本线。
所以我觉得这个还是不⼀样的，跟 Bell Labs 还是不⼀样的。我们本质上还是⼀个公司。历史上也有很多公司，它也有利润以外的追求，但并不能说它有利润以外的追求，它就不是个公司。
很多公司做得很伟⼤，因为它有⼀种利润以外的追求。那个追求最后不但没有影响到它的商业化，反⽽能让它商业化得更好。我们本质上还是⼀个公司，只是说我们在考虑赚哪些钱、什么时候赚钱、赚多少钱、靠什么赚钱，只是说我们有取舍。
梁总，我有两个⼩问题，快速跟您请教⼀下。⼀个是说，您刚刚其实有提到 MILOS 的这个，可能不是⼀个很确定的⽬标，但是肯定会往这个⽅向去做。然后您也提到激活参数可能⽐如说……
[03:41:02]
下⼀代可能会是在 150 到 250 B 左右的⼀个情况。这种情况下，您觉得 150 到 250 B 是对标 O4.7，还是可能会对标到别的？这是第⼀个问题。
第⼆个问题，您前⾯也提到了，我们现在在整个 inference 上⾯⽤了⼀些除了 CUDA以外的编译语⾔。我理解原来咱们基于英伟达的⽣态，可能会⽤ PTX 这些⽐较多。现在⽤上更多类似您刚提到 TileLang 这些的话，是不是会⼤幅降低我们在 inference 上⾯的⼀些效率，或者短期降低效率？
我不知道您会怎么看编译语⾔的这种变化带来的效率损失，还是说⻓期其实是⼀个可以补充的状态，是提⾼效率？
是提⾼效率，是⼤幅提⾼效率。
OK，反倒没有什么负⾯的影响？
对，是⼤幅提⾼效率。所以说这是⼀个机遇。相当于以前你是离不开 CUDA的⽣态的，现在我们可以抛弃它的⽣态，⽤⼀个更简单的⽅法，就⽤ TileLang。它是⾼级语⾔，写那个程序也是很快的，要写的代码量很⼩了，我可以把它重写⼀遍。
明⽩。所以这两个都其实是⼀个，像您提到的 AI 带来的⽐较⼤的机会，不是⼀个可能短期需要去弥补的缺点。
对，它是技术发展的⼤机会。它不是 AI 的机会，因为我们还有⼀个项⽬，我们在⽤ AI 来写 TileLang。
那是不是更快？
现在所有 TileLang 都是⼈写的，但是它已经⽐原来写 CUDA的要快很多了。
明⽩。所以哪怕是对于硬件底层的执⾏效率，您觉得也是没有影响？
损失 1% 到 2%，我觉得是可以接受的。
OK，明⽩，理解了。好的，谢谢您，很清晰。
其他⼈还有没有什么问题？
没问题，我们今天就先这样。
好的，谢谢。
⾮常感谢⼤家的时间，谢谢梁总，谢谢。
拜拜。
拜拜。