4小时、118个回答，梁文锋这场内部交流的内容量，确实值得仔细看看。这场交流会上，他谈到了从公司愿景、技术路线，到团队管理、竞争格局的方方面面。以下内容根据现场实录整理，按主题分类，共118条，尽可能保留原意，仅做编辑。

01 愿景与克制

1.公司创立之初，初衷就不是为了赚钱、上市或走向资本市场。最早的那几十个人，如果抱着这种想法，根本不会来。

2.做这件事，是怀着一个对世界非常大的善意，觉得它对人类有用，是金钱以外的事情。出发的初衷和一直保持的愿景，都不是按照商业利益最大化来设计的。

3.管理一个大公司，靠的不是规章制度，而是愿景。愿景不是挂在墙上的标语，它体现在你怎么做，而不是怎么说。

4.公司没有传统意义上的组织架构，就是愿景驱动的。靠一个愿景来组织，没有KPI，没有考核，只有愿景。

5.这个愿景甚至不是成文的，从来没写出来过。它体现在做事情的方法和对待世界的态度里。

6.并没有什么其他优势：没有比别人有钱，没有比别人更好的团队，没有更多的卡，没有知名度，没有号召力。两年前成立时，就是一群非常平凡的人。

7.越克制，可能越容易做成——至少到目前为止是印证了的。否则没法解释，为什么起点低、资源少、人也是随机的一群平凡人，却能做成。

8.AI这件事太大了，利益太大了。只要足够克制，能够做成，最后利益都会非常大。随便分一点，利益就非常大，所以根本不用考虑怎么拿、拿哪一部分。

9.去年春节用户突然很多，但没有去追求留存用户、变&现或抢商业利益。没有去抢用户、赚钱，但很努力把用户服务好。

10.没有想过要成为下一个超级App，跟谁竞争，成为下一个字节或腾讯。后面的AGI机会非常大，永远非常大。

11.克制是一种战略。有时候可以舍弃一些东西，来换更多其他的东西。不开源这件事，同样可以理解为一种压力，也可以理解为一种让利。

12.这种克制，从长远来看，能增加做成AGI的概率。在考虑一件事时，毫不怀疑AGI会有非常大的商业价值。在这个基础上，优先考虑的不是怎么多加份额，而是怎么增加做成的概率。

13.一直非常克制，不愿意跟任何一家互联网大厂或小厂成为对手。希望能给他们赋能，协助大家做这件事。

14.秉持这种态度，并没有因此而少拿到任何东西。没有因为开源、善意或对他人提供帮助，而导致少拿任何东西，反而可能还有加分。这看起来违反直觉，但确实如此。

15.以AGI为目标，但一直在做商业化，所以才有C端用户和B端收入。从历史经验来看，这个策略是成功的。

02 AGI 路线图

16.如果能把一个问题描述得很清楚，给完整的上下文和指令，AI已经超过人类了。但有个前提：给它完整的上下文和完整的指令。

17.AI不能替代员工。但如果AI有持续学习的能力，跟员工一样到公司学习两个月，那就可以替代天下的人了。所以离下一步还差一个持续学习。

18.AI的发展可以理解成阶梯。去年走的阶梯是思维链，通过思维链的方式，可以让智能达到更高水平。

19.今年的阶梯是Agent。用Agent的方式，即便多些事情也可以做，能力范围更大，智能上限更高。Agent要用到CoT，CoT也要用到前面的语言模型阶梯，没有一步是白走的。

20.Agent之后，应该解决的问题是持续学习——让模型可以持续学习，而不是靠很强的训练，它应该能像人一样做较长时间的持续学习。

21.持续学习之后，可能就会来到一个奇点。当模型能持续学习后，它就能做人类能做的所有事情，能自己开发自己的版本，再研究、开发下一个人工智能模型。

22.这个奇点其实不是突变，而是一个渐进的过程，可能比较长。但习惯性地，都认为它可能是个奇点。

23.时间表推测：先解决学习去学习，再到智能奇点（能自我迭代的奇点），然后才是具身智能。到具身智能后，它就走进了现实世界，可以给你做家务、养老。

24.如果先解决持续学习，再解决自我迭代的奇点，再解决具身智能，这个路上就很轻松。到后面，可以用前面的技术来帮助开发后面的技术。

25.只做AGI的主线。AI领域很广，有很多东西不在这个主线上，比如3D、视频生成，可能跟智能的主线没有太大关系，不会去做。

26.视频生成一开始出来就很火，好像不做就不是AI公司一样。但仔细想想，它跟智能的路线图没什么关系。

27.在商业上，视频生成是个好生意，但这跟智能没关系。不会因为它是个好商业就去做，只会因为它是智能路线图上的东西才去做。

28.从判断来看，世界模型和智能还不是这个阶段最重要的事情。最重要的还是AI训练，以及训练后怎么解决持续学习。这是公司的判断，每个公司都不一样。

29.比较相信一个叙事：AI可以加速AI的研究。它不是线性的，因为可以用AI来加速自己的研究，所以到后面可能是非线性的。

30.最终还是要进入具身智能。对一个正常人来说，需求不是电脑，而是吃喝玩乐、衣食住行。所以还是需要具身智能来解决具体人力的需求。

31.希望AGI能做什么？能迭代下一版模型。如果有了具身，也希望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，才能叫下一代模型。在那之前，能做的是成本、效果和速度。但要有大突破，它应该具备持续学习。

33.现在的Agent能力受限，是因为不能持续学习。如果能把持续学习做完，AI的能力会非常强，能极大提升研究的效率。

34.持续学习先做出来，通用智能可能就很容易了。这是一个比较希望看到的结果，比较省力。否则现在要人工做通用智能，是数据密集、人力密集的事，性价比不高。

03 团队与人才

35.前面的经历带来的启示是：AGI的愿景很强大。人才优势不是人更聪明，而是怎么组织、激励、合作。

36.把聪明的人聚在一起，并不是自然而然就能合作、有激情地奔一个目标。所以需要一个愿景。

37.最大的核心利益是保持团队的稳定性。这是唯一的核心利益。只要团队稳定，一定能做成AGI。

38.钱不是问题，资源不是问题，其他要素容易获得。只有一个核心利益没法退让：必须保持团队稳定性。

39.这也是一个很大的挑战，或者说最大的风险。这个风险随着近期的融资，得到了比较大的解除——大家拿到的期权都比较多，金额也比较大。

40.从团队稳定性来看，只要最重要、最老的员工能稳定，其他人不太会走。其他人哪怕期权少一点、收入少一点，也不会走，因为不全是奔着钱来的，大家都希望在一个能做成AGI的环境里做这件事。

41.其他都是时间问题，最多导致晚半年、晚一年，但不会做不出来。肯定不缺钱，不缺资源。

42.跟美国的差距主要在资源上，人上面差距不大。人几乎没有差距，因为就是同一批人，可能都是中国人。中国人出去，有些留在国内，有些留在国外，并不是说聪明的人都去了国外。

43.人才不是瓶颈，资源是最大的瓶颈。资源首先影响人才培养，因为算力少，能做的实验机会少，所以人才整体上比美国有差距。人才的差距，本质上也是算力的差距。

44.AI人才的短缺是阶段性的，并且已经看到大幅度缓解。AI人真的不缺，每个公司很快能把人培养出来，培养人是很快的。

45.国内做模型的公司有点太多了。美国可能就三家，中国做基模的太多了。最终不需要那么多人去做基模，一定会收敛。

46.公司管理其实是两条线：一条从上到下，一条从下到上。从下而上，就是每个人自己想做什么就做什么，没人管，没有KPI。

47.一般希望员工还有一半的时间是不被安排的，想做什么就做什么。这是一个研究的范围，让他自己去探索，按照他觉得什么重要去探索，没有前置要求。

48.一般也不太加班。加班有两个原因：一是做研究需要比较松弛的环境，逼得太紧没法做研究。既然要自己有这个兴趣、平时要想这些问题，就得在比较松弛的环境里才能探索。二是非常聚焦，要做的事情很少，所以不需要加班。这个跟前面的克制是一脉相承的。

49.公司整体上建立在共识的基础上。不是一个人决定所有事情，而是寻求共识。在公司内的权威和影响力，是建立在共识的基础上的。

50.这个决策机制是一种寻求共识的机制。不是能推动什么事情，它一定是共识，才能推得下去，才会去推。

51.随着人员增加，会做调整。马上就得做调整，因为已经在做调整。如果不做调整，很多事情没法推进下去。确实有很多部门，是应该有组织架构的。

04 算力与资源

52.需要多少卡？现在肯定是越多越好。在能承受的范围内，卡越多越好，毫无疑问。策略是：在合理的价格里，能买多少卡就买多少卡。

53.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，价格也很高，不能说花非常高的价格去买，还得确保价格合理。如果今年能花掉两百亿，就属于采购部门业绩超级好了。

54.跟美国之间最大的差距在资源上。算力资源一方面是国内本身卡就买不到，另一方面是资本投入比美国少。在资本投入上少了很多，人才的工资占比很低。你看他们开薪水一个亿美金，但算起来，人才的薪水还是占比很少，大头还是算力。

55.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，都可以认为是因为算力资源上的区别。

56.跟美国的差距可能是落后12个月，或者12到18个月，或者6到12个月。简单说，落后美国两年，但只用美国二十分之一的算力做成了这件事。

57.这个叙事就是落后一到两年，但只用它二十分之一的算力。未来要改写这个叙事：用它几分之一的算力，把时间缩得更短，缩到6个月、3个月，这是一个目标。

58.Scaling，是相信的。肯定是规模越大，效果越好，能解锁更多功能。阻止Scaling的就是算力，不是不想Scaling，是没有那么多算力去做。

59.训练这么大的模型，不是因为觉得这么大的模型就够了，而是刚好有这么多资源。按照资源来算，能接受、能训练的模型是多大，是这样算出来的，并不是这个模型就够了。

60.硅谷说Scaling到头的时候，那是对硅谷来说。对中国人来说，离那个还很远，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

61.英伟达CUDA的护城河在快速瓦解。现在有了AI，要建立生态比以前容易很多，因为AI可以写代码。

62.计算卡的市场已经比游戏卡更大，没有理由这两个还需要耦合起来。趋势是以后不再耦合。专用芯片，不管是华&为还是英伟达自己，以后都是专用芯片，都不是之前的东西了。

63.国产AI芯片替代现在有个历史性机会。未来一年之内，能看到一个事情被验证：国产芯片的生态完全没有问题。之前认为有问题，认为用不起来、不好用，但未来一年之内，能用事实扭转这个认知。

64.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。国产卡适配没有障碍，英伟达挡不住。如果是在正常商业环境里，能买到英伟达的卡，那么国产替代比较难；但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。

65.V3训练的时候，用的还是英伟达的卡，但已经不用英伟达的生态了。V3用英伟达的卡，但没有用英伟达的生态，而是先写一个高级编译器叫TileLang，然后基于TileLang的生态完成其他所有事情，几乎不依赖英伟达的生态了。

66.对国产算力比较乐观。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。

67.四张华&为卡顶一张英伟达的卡。

68.跟美国在芯片上的差距，生态上以后不会再有差距，但在芯片上是四倍加两年。

69.目前主要是跟华&为有合作。华&为自己适配，但自己会参与这个生态，会深入参与到华&为里面去。华&为的问题还是产能不足。

70.不太相信未来五年之后，还卡在产能的问题上。现在肯定是卡在产能上，今年、明年、后年可能都还是，但五年之后不一定，还是比较乐观的。

06 竞争格局与行业判断

71.各家模型最终效果拉开差距，应该是综合上的。比较模型效果，必须在相同成本上比较才有意义。就像比较两辆车，也得是同价位的车来比较。

72.Anthropic现在超过OpenAI，这不是长期的，肯定是阶段性的。OpenAI和Google，未来大概率还是会交替上升。

73.在全球AI中主导分工的时候，中国公司很有可能扮演的角色还是产量最大。常理来讲，产能最大，包括芯片，芯片产能最大，电力最多。

74.中国人会把这产品做到最便宜，然后在效果上，国外很多商品中国产跟美国产并没有太大区别。未来AI可能也是这样，但中国产的AI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一样。

75.最终的差距应该是三方面：成本、时间、用户体验。除此以外，可能没什么差距。

76.成本肯定是一个差异，可能排在第一。第二个是时间，你早几个月、晚几个月，就不一样了。

77.OpenAI从一开始觉得他真的能垄断这个世界，但实际上会遇到很多挑战者。他会遇到挑战，就不会那么轻松。美国会遇到挑战，未来可能还会遇到中国的挑战，因为中国人愿意拿得更少，就可以提供这个服务。

78.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，就会面临更大的困难。

79.利润不是要拿最多的钱，或者算收益最大化的定价，而是只赚一个合理的收益。相信这个事，不是为找理由。

80.在很多体验方面，有可能能比美国做得好。在产品能力上，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。

81.成本这个很好理解，是因为他们不用做，所以就不发展这个能力。他们肯定没有重视这个事情。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。

82.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：时间和成本。所以不至于哪一家有暴利。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，仅此而已。

07 模型研发与技术

83.公司可能有一半的人，平时有一半的人觉得OpenAI是更好的。Anthropic有先发优势，但这先发优势应该很快就没了，并不是它能长期占得住的优势。这三家里面的效率是最高的，花的成本、烧掉的钱应该是最少的。

84.多模态布局一直在做。对产品来讲很重要，对C端用户产品很重要。但对智能的上限，它是一个组件，不是主线本身。

85.应该会上相关的模型，V4、V4的后续版本会支持原生的多模态。但对多模态和智能来说，它是个组件，不把它当作智能本身。

86.语言模型的Scaling，没有看到有上限。现在的智力水平，或造成美国的智力水平，都没有看到上限。

87.内部很多人的想法是：首先要对自己有用，给自己用。这是实现AGI最快的方法。当自己好用，意味着可能别人也好用，但首先得保证自己好用。

88.做的模型，第一目标不是大家用得好用，而是自己用得好用。首先对自己有用，对自己有用之后，在开发下一版模型时就会更快。

89.这叫做“摸奖”。门槛很低，谁都可以去摸，但谁能摸出什么来，可能看天赋还是什么。这里不需要分配资源。跟其他公司不一样的地方，是会花时间去讨论这个问题，去想这个问题，把它当做一个重要的事情。

08 商业化与定价

90.API定价是一个合理的利润。大概到市场上买一批设备回来，十个月收回成本，这是一个合理的利润。

91.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，价格再翻一倍，token的消耗量区别不大。

92.一个模型，一开始担心需求太多，所以把价格定得比较高，团队里大家不是很高兴。后来把价格降到四分之一，大家就很开心。

93.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。

94.应该能做到的要都做。假如今年能有几个亿美金的B端收入，再加上C端有用户，那么这本身就已经有一定的商业基础。明年B端有收入，如果需求可以再增大，公司离净利润已经不远了。

95.最坏情况卖API，可能都能支撑一个上市公司。如果技术后面没有新的进步了，技术冻结在这里，最后全力卖API，把这些服务做好，也够的。

96.以目前的情况来看，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 Agent，因为它能够做到很多，还有很多垂直的Agent。现阶段最重要的，还是Coding Agent。

97.低成本首先是一个结果。模型确实一直在模型架构上往一个更低成本的方向走，这跟愿景有关系。还有很多算法上的方法，成本还可以往下走。

98.成本往下走还有一个原因：成本越低，就越能训练更大的模型，越能承担起更大的模型。在算力有限的情况下，如果计算效率更高，就能承担起更大的模型。

09 开源策略

99.会开源，最强的模型可能也会开源。看不到闭源有什么好处，看不到必然的好处。字节的模型是闭源的，有什么好处？看不到。

100.哪怕是模型开源，把所有的东西都告诉别人，门槛也非常高。别人要用起来，非常难；其次，要成本做得很低，也很难，没那么容易。

101.开源并不会影响收入。开源，对商业模式没有任何影响。

102.不担心别人部署模型，然后跟来竞争，一点都不担心。还希望他们能部署起来。尽可能给开源社区提供帮助，协助大家把模型部署起来。

103.在对外打交道的时候，态度是：只做AGI的主线。很愿意协助、帮助任何人，甚至竞争对手，包括阿里、智谱、月之暗面，去做得更好。因为并不损失什么东西，本来就是开源的。

104.给的开源模型，跟自己部署的模型是不是一样？是一样的。不会开源一个差点的模型，然后自己部署的时候用一个更好的模型，不会的，是一样的。

10 数据与后训练

105.数据几乎就等于模型的一半。前面还有一个标数据的问题。在数据标注方面，这与资本投入有关。以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。

106.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，使得很难投入去像美国这样标数据。这条路在中国很难，因为标数据实在太贵了，不管外标还是自己标，都很难受。

107.现在基本上是两条腿走路。并不是不能标，而是因为标数据有一些成本低，有一些成本高。先标成本低的。

108.也可以认为，公司有一半的人在一半的时间标数据。有一半的核心研究员，最重要的人，有一半在标数据。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。

109.高质量数据标注的瓶颈，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。

110.大模型的幻觉问题比较影响用户体验。幻觉问题也有一个方法可以解决，但这是一个长命题。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

111.没有模仿的对象。每一步都是从实际情况出发，实事求是，根据实际情况来做决策，找到应该怎么做。所以它是一个时代的产物，或者说是现实情况的一个反应，并不是一个模仿的结果。

112.明确是要有商业化的。最终还是要能活下去，毕竟是一个公司，政府不会给一分钱。

113.本质上还是一个公司，只是在考虑赚哪些钱、什么时候赚钱、赚多少钱、靠什么赚钱时，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。

114.对于合作伙伴，这个融资是精心挑选的。首先利益比较一致，跟自己利益最一致、对自己最没有敌意的，或者最希望自己能够做成功的。不是所有人都希望自己能够做成功，因为还是损害了很多其他人的利益。

115.AI现在不缺品位和直觉，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，没有什么问题。

116.希望只做一块。AI这个事情很大，并不需要全做。如果聚焦，并且这里的生意利益已经足够大。如果是AI时代会产生很多家万亿级别的公司，是其中一家。

117.希望能够扶持更多的人，但并没有那么多的精力。有这个意愿，并且不会有利益冲突，但有没有去做是另外一回事。至少这里没有利益冲突，希望合作共赢。