4小时、118个回答，梁文锋内部交流回应一切

整理｜顾翎羽，腾讯科技

DeepSeek近日完成成立以来的首轮外部融资。本轮募资总额超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）。在投资方阵容中，DeepSeek创始人梁文锋个人出资200亿元，腾讯出资100亿元，宁德时代出资50亿元，网易、京东和 IDG资本 分别出资30亿元，国家人工智能产业投资基金出资10亿元。

在此之前，梁文锋曾提出“不融资、不上市、不商业化”的原则。此次大规模融资标志着DeepSeek正式走向资本市场，也引发了业界对其商业化路径与技术愿景的广泛关注。

在近期的一场投资者交流会上，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。

以下为腾讯科技获得的近4小时的交流会中梁文锋发言实录整理，按主题分类，共计118条，文本尽可能保留原意，仅略作编辑。

01 愿景与克制

1.我们一开始来做这个公司，初衷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。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。

2.我们是怀着一个对这个世界非常大的善意来做这个事情，我们觉得这是对人类有用的，这是一个金钱以外的事情。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。

3. 管理一个大公司，靠的不是你的规章制度，靠的是愿景。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。

4.我们是没有组织的，就是愿景驱动的，靠一个愿景来组织。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。

5.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西。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。

6.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。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。

7.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。

8.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。

9.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。

10.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。

11. 克制是一种战略。就在于有时候你可以舍弃一些，来换更多其他的东西。 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。

12.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。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。

13.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。

14.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西，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西。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。

15. 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。

02 AGI路线图

16.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，给它完整的指令。

17.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，那么就可以替代天下的人了，所以我们离下一步还差一个持续学习。

18.AI的发展，我们可以理解成它是一个阶梯。去年走的阶梯是思维链。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。

19.今年的阶梯就是Agent，因为我们发现，用Agent的方式，即便多些事情也可以做，它的能力范围会更大，它的智能上限会更高。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。

20.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长时间的持续学习。

21.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。

22.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长的渐变，它不是个突变。但是习惯性地，我们都认为它可能是个奇点。

23.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。

24.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。

25.我们只做AGI的主线。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。

26. 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。

27.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西，才会去做。

28.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。

29.我们现在比较相信一个叙事是，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。

30.我觉得具身肯定还是要进入，最终具身。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。

31.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。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。

32.下一代模型的核心能力，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。

33.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。

34.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。

03 团队与人才

35.我们前面的经历给我的启示是，AGI这个愿景是很强大的。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。

36.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。

37.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。

38. 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。

39.这也是我们面临的一个非常大的挑战，或者说，我觉得是最大的风险。当然，这个风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。

40.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。

41.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。

42.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。

43. 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。

44.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。

45.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，中国做基模的东西太多了。最终一定是不需要那么多人去做基模的，一定会收敛。

46.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。

47.一般我们希望员工还有一半的时间，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。

48.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。

49.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。

50.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。

51.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。

52.随着人员的增加，我们会做这个调整。应该是我们马上就得做这个调整，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。

04 算力与资源

53.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。

54.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。如果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。

55.我们跟美国之间最大的差距是在资源上面。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。

56.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。

57.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。

58.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。

59.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。

60.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。

61.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。

05 国产芯片与生态

62. 英伟达CUDA的护城河在快速地被瓦解。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。

63.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西了。

64.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。

65.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。

66.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。

67.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。

68.四张华为卡顶一张英伟达的卡。

69.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。

70. 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。

71.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。

06 竞争格局与行业判断

72.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。因为你比较两辆车，也是同价位的车来比较。

73.Anthropic跟现在超过OpenAI，这是不是长期的？我觉得这不是长期的，这肯定是阶段性的。OpenAI和Google，未来大概率还是会交替上升。

74.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。

75.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。

76.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。

77.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。

78.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。

79.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，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。

80.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。

81.我觉得在很多体验方面，有可能我们是能比美国做得好的。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，所以中国还是会有竞争力的。

82.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。

83.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。差距只有两个东西：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。

07 模型研发与技术

84.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，并不是一个它能够长期占得住的优势。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。

85.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。

86.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。

87.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。

88.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。

89.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。

90. 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。

08 商业化与定价

91.我们的API定价是一个合理的利润，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。

92.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。

93.我们的一个模型，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。

94.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。它会快速增长，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。

95.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。

96.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。

97.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。

98.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。

99.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。

09 开源策略

100.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。

101.哪怕是模型开源，你把所有东西都告诉别人，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。

102.开源并不会影响收入。开源，我觉得对我们的商业模式是没有任何影响的。

103.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。

104.我们在对外面打交道的时候，我们的态度是：我们只做AGI的主线。在对外面打交道的时候，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西，我们本来也是开源的。

105.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。

10 数据与后训练

106.数据应该几乎就等于模型的一半。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。

107.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。

108.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。

109.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。

110.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。

111.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，但是这是一个长命题。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。

11 组织与公司定位

112.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。

113.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。

114.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，我们有取舍。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。

115.对于合作伙伴，其实我们这个融资是精心挑选的。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。

116.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。

117.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。

118.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。