如果要说今天AI圈最值得关注的事，那大概就是梁文锋那场长达四个小时的投资者交流会议实录刷屏了。
DeepSeek用一种近乎苛刻的克制，真的蹚出了通往AGI的第二条路。
一个很重要的背景是，DeepSeek刚完成成立以来的首轮外部融资，总金额超过500亿元软妹币（约合74亿美元），投前估值约3675亿元（约543亿美元）。而在此之前，梁文锋对外一直坚持“不融资、不上市、不商业化”的三不原则。
这段长达4个小时的谈话实录，梁文锋详细阐述了DeepSeek的组织文化、开源逻辑、技术路线图，以及对整个行业竞争格局的看法。当然，需要说明的是，这份会议实录目前还没有得到他本人的确认。
“克制是一种战略”
翻看流传出的多个版本实录，会发现一个高频关键词反复出现：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。
不少观点把梁文锋的“克制”，解读为资源不足时的无奈取舍。这确实很反常识——在追求效率、着眼商业化以兑现资本承诺的语境下，这家公司，几乎把资本的故事都抽离掉了。重点落在“为了AGI而克制”上，这很反常识。
当然，这固然是基于现实作出的判断，但恰恰是这种非主流的姿态，反而成了市场重估DeepSeek价值的新标尺。
如果把梁文锋的路线，放在全球AI竞争的坐标系里来看，更准确的理解或许是：在算力约束下，他为换取AGI最大概率而进行的一场精密计算。
他在谈及中美差距时，有一个非常直接的判断：“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。”
那么，目前硅谷AI的范式是什么？是“资源溢出驱动涌现”。说白了，就是堆最多的卡，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，但也带来一个尖锐的问题：模型能力越强、上下文越长、用户调用越频繁，对推理算力的消耗就越高，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，比2026年早些时候提出的6000亿美元规划又高出一截。
与此同时，无边界扩张的副作用也开始显现。研发资源被分散，商业化动作变形，组织熵增加剧。以Meta为例，它在开源Llama系列赢得声誉的同时，内部却因为同时推进文本、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，产品迭代节奏也被打乱了好几次。
Google这边呢，则是在搜索、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，很大程度上来自技术以外的“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，反而稀释了攻克AGI核心瓶颈所需要的专注度。
按照梁文锋的表述，DeepSeek的路线非常“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。
在技术路线尚未收敛的当下，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。DeepSeek-V3的训练成本远低于GPT-4o，但性能却逼近第一梯队，这就是一个很好的例证。
说到这儿，不由得让人想起MiniMax和它的创始人闫俊杰。他们一开始就把有限的资金、人员等资源，分散押注在文本、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。但凭借其独特核心架构，它达到了华&为在芯片领域提出的“韬定律”效果。
这个架构可以被视为一架超级引擎。它通过落地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缓存占用最高削减了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%，而额外成本不到2%。
这意味着什么？同样一笔算力预算，过去只能跑1个任务，现在K3能跑4个，而且质量不打折。
SemiAnalysis的报告也指出，KDA将推理速度提升了300%，同时在长上下文处理上保持接近Transformer的性能。开发者社区的实测反馈也显示，在长流程Agent任务和代码生成方面，K3已经具备了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，而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了“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，这其中当然也包括Kimi在内的中国模型。
这个范式让华尔街的观察人士和投资者感到意外。他们像当初惊诧于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，同时也开始怀疑美国AI的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，以及Kimi K3的落地，中国AI的效率范式轮廓也愈发清晰。
更关键的是，它已经在影响中国AI产业链的上下游。在算力供给侧，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。在应用落地侧，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渗透率也因此加速提升。
可以说，DeepSeek、Kimi所代表的路线，正在催生一场效率革命，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。
不过，我们也必须认识到，克制是一种战略，也就意味着它要有边界。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。
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，其实也给AI行业提出了一个重要的问题：奔赴AGI的路上，我们能不能允许自己慢一点，少追逐一些边缘诱惑？
在普遍存在FOMO（错失恐惧症）情绪的当下，Sora火了就做视频，具身智能热了就造机器——聚焦一下，或许才是另外一种“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”》
