（本文作者为 唐辰同学，钛媒体经授权发布）
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”》
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App