一、初衷与愿景：一群平凡的人，怀着善意做事
我，以及我们公司的其他同事，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。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。
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。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，发现这个事情利益非常大之后，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。
大概二十年前，在管理上我最崇拜的是杰克·韦尔奇，就是 GE 的前 CEO。现在回来看，他说的大部分东西可能都已经不对了，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，是你怎么实际运行。杰克·韦尔奇说的原话我忘了，大概是这个意思。
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。这个有好处，也有坏处，未来我们会想办法扬长避短，但这个是我们的特色。我们并不是以一个”我要实现什么 KPI”的方式来做——没有考核，只有愿景。
这个愿景甚至也不是成文的，没有写出来过任何东西。这个愿景是在我们做事情的方法里、在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，每一个人的愿景也有差别，但是在一个大的方向上是一致的：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。
二、为什么坚持开源
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；但对我们来讲，这就是我们的本意。
在开源这个事情上面，我们一开始就想得非常清楚。第一，是愿景；第二，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。在历史上，一个软件公司，它的市场一年可能就几十亿美金，一开源，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，那其实是一个非常大的数字。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是不一样的，那个软件的市场就没那么大，但 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。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，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，首先我觉得是需要克制。不能够想着人类 GDP 的百分之多少都归我了、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，你越有可能做成。 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，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，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，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。
真的就是一群平凡的人。如果一定要有一个喜欢的叙事，那就是：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。
三、克制：API 定价与”十个月回本”
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，你就起不来。
开源是属于克制的一部分。我们的克制不仅表现在开源上面，还表现在很多方面。总体上来讲，我们不用专门去考虑开源这个事、克制这个事——你越克制，可能就越容易做成，至少到目前为止是印证的，是能解释得通的。否则没有办法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，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，这是不一样的。我们 API 定价的逻辑是：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。在当前的情况下，考虑到你有风险、还有前期的投入等等——一个服务器，我们在财务上按照三年或者五年摊销，但在商业上，我们觉得大概十个月收回成本，我们觉得够了。这就是我们现在 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：我价格再翻一半，或者再抬高一倍，token 的消耗量区别不大；如果我价格再贵一倍，我的总收入接近一倍。
我跟你们讲个故事。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：我们还是让这个东西对人是有用的，而不是我们赚最多的钱；是我们在能够赚到合理利润的情况下，大家都用得起。这也是我们公司其他人的想法——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：能够非常便宜、效果非常好，能够让大家都充分地用。我们就觉得这很开心。这是我们的动力，这是我们的愿景，是我们公司能够凝聚到一起去做这个事情的共识。
这点应该是比较特殊的。因为降价对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——你的收入、你的 ARR，降一半，ARR 就掉一半。这是一个我们不一样的地方。
我们觉得这就够了。从公司内部来讲，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，是双赢的——公司跟社会、跟所有人都双赢。
刚刚有人在屏幕上留言说，十个月回本这个利润太高了。确实还有降价的空间，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。像阿里或者腾讯，他不是我们的优化，他的成本应该要比这个高好几倍，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：我再降价，需求不会更多了，或者增加得很少。因为这个价格所有人都用得起了，大家都觉得满意，不会因为这个价格贵而不用。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——这个价格大家都满意了，你再低，对社会的幸福感也没有增加很多。
在定价这个事情上面，我们肯定不是以公司收入最高或者利润最高为出发点。这是我们克制的一部分。从短期来讲，你价格高一点，收入多一点；但从长期来讲，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——有时候你可以舍弃一些，来换更多其他的东西。开源这个事，其实也是一样，也可以认为是我们的让利。
首先，这个让利对我们公司内部来讲，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；其次，这个让利对社会是有好处的，社会也很高兴，其他同行、普通人都会很高兴。所以这种克制，我理解从长远上来讲，能够增加我们做成 AGI 的概率。
我毫不怀疑 AGI 会有非常大的商业价值。在这个基础上，我优先考虑的不是我怎么多拿一些份额，而是我怎么增加我能够做成的概率。
四、克制的其他体现：不抢用户，不捡光所有芝麻
这个克制还体现在很多其他的方面。比如说，去年春节用户突然很多，但是我们并没有去追求我要留住这些用户、拿这些用户来变现、去抢这些商业利益。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：我要做成下一个超级 App，我要去跟谁竞争，我要做成下一个字节、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——好像有了用户之后，就能够做成下一个字节了，然后你就把那个吃了。这个在商业上是行得通的：如果去年我们用了大笔钱跟字节去抢用户，也是一种打法。但是我们选择的是一种非常克制的做法，我不跟你去争这个东西——因为后面还有西瓜，前面的可能都是芝麻。
我不应该什么芝麻都抢。当然，可能这个芝麻比较大，但我觉得跟后面的 AI 比，前面都不算大。现在来看，去年我们没有在 C 端发力，可能是对的，因为能看到后面真的是有更大的西瓜，前面真的只是一些小芝麻。如果去年我就有很多钱、把这个事情做得非常大，有什么好处？你并没有得到什么东西。这些是我的真实想法，因为我觉得后面的 AGI 机会是非常大的，永远是非常大的。
我甚至不用考虑我到时候在里面占一个什么位置、商业模式是什么，根本不用考虑。只要有那么大的商业机会，你一定是有办法的。前面的芝麻，我们也会捡，但只是随手捡一点，并不会停下来、或者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，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，但以后可能有用。既然是随手能够拿到的，我们就顺手拿到。
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：如果这个需求可以继续扩大，显卡可以买到更多，那么 ARR 做到几个亿美金是很有可能的。如果 AI 能做到十亿美金，那么基本上我公司的现金流就能回正了，能够 cover 我的研发费用、cover 我的所有费用。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，要把它做好，但它不是第一优先考虑的，也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，都不是我们的目标。或者说，我们公司大部分人不认为这是一个跟 AGI 同等重要的问题。
五、再谈开源：六倍利润之下，没有冲突
开源可以多说一下，因为之前有很多问题问的都是开源。首先，我们是会开源的，我们最强的模型可能也是会开源的。因为我看不到闭源有什么好处——字节它的模型是闭源的，有什么好处？我看不到。
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，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。虽然这些工作原理都明白，但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。它可能不擅长做这个事情，因为阻力太大了，要控制这个成本很难，有很多管理上的、物理上的制约。
这也是创业公司的优势：创业公司如果太小，你没有力量来做这个事情；如果是大公司，你很难组织。这个事情都有难点，所以这是属于我们这个规模公司的一个甜区，sweet point。如果我们更大了，可能就没有这个问题；如果更小，我们的力量又会不足。
至于定价，我也不会收一个非常高的费用，也是按照十个月回本来收。按十个月回本，就已经能够……我按十个月回本，就能够让独立部署的第三方无利可图——第三方做不到，他做不到这个成本，肯定做不到。所以开源并不会影响我的收入。当然，如果我要赚一百倍的利润，那么开源就……（现场视频短暂中断）
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。在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。
这个模式是不是长期可持续的？我觉得是可以的。在我们的愿景下，开源是长期可持续的，我们是打算这么做的。你可以认为，克制也是有利于长期利益的。这个策略能够让我们在技术上有更多的机会，我们做成 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，因为他想的太多了。其实不难的，根本就不难。外面可能看起来，我们选了一个很难的模式：要做研究，要做最难的事情，好像是个 hard 模式。但其实我们在别的地方舍弃了很多，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，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。六倍利润看起来很高，但其实不高。现在 AI 的效率这么高，一个合理利润可能就是这么多。未来它可能会降到四倍、三倍，再到底也不可能再降了，但它还是会有很大的利润——就光看卖 API 这个事情。我并不觉得卖 API 有那么大吸引力，但就这个事情可以说明：我没有看到有什么冲突。
我也不担心别人部署我们的模型来跟我们竞争，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——有些细节没做对，效果变得比较差，或者成本会比较高。这里是没有冲突的。
去年有 To B 生意的时候问得比较多的是：我们的 C 端——我开源，那么 C 端是不是跟我自己的 C 端冲突了？因为我没有流量的优势，腾讯自己流量很多，他部署我们的开源模型，把所有的 C 端用户都接过去了，就把我的 C 端用户抢走了。但其实并不会，这里面还是有很多原因的。
还有一个问题：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。我们不会开源一个差点的模型、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，C 端基本就是开源的，C 端的服务没有看到冲突，真的没有看到冲突。这是开源的这部分。
六、我们的目标是 AGI：技术路线图
下面是公司的长期 vision。我觉得我们的目标应该是 AGI。每个人对 AGI 的定义不一定一样，但是不妨碍我们把 AGI 当做我们的目标。
从技术路线上来看，AGI 这条路线图是比较清晰的。目前的这一代 AI 技术，如果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。但这里有个前提：你给它完整的上下文、完整的指令——这个前提是很难达到的。比如说我们今天开会，我们前面有很长很强的上下文，可能大家有几十年的上下文，这是 AI 不具备的。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：持续学习。人能够持续学习。你招一个员工，他可能花两个月熟悉公司的环境、熟悉他的工作，他就可以上手了，能做很多事情。他能够听懂你说的话——你说”叫那个小王来”，他就知道小王是谁。但如果是 AI，因为它前面没有这两个月的学习，你跟它说”叫小王过来”，你得告诉它小王是谁、什么职务、在哪里、要怎么去找他、找的时候注意什么。你得给 AI 所有的上下文。在这种情况下，AI 是能做的，但是你不可能给它所有的上下文，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，可以理解成它是一个阶梯。去年走的阶梯是 CoT，就是思维链：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 AI 做更多的事情。我们又跨过了一个阶梯。今年的阶梯就是 Agent：用 Agent 的方式，更多的事情也可以做，它的能力范围更大，智能上限更高。
为什么是阶梯？因为后面的每一步都是基于前面的基础。Agent 要用到 CoT，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。
AI 智能的走向是有迹可循的。今年走的这个阶梯是 Agent，但 Agent 这个阶梯也是会走完的：它把所有可能解决的问题都解决完之后，还是不能替代你的员工——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，已经超过最顶尖的人类了——做奥数题、写程序，已经超过最顶尖的人类——但是它还是停在那个地方，那个技术并没有能够到达 AGI。
在 Agent 之后，我们觉得应该要解决的问题是持续学习：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。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，能看到的下一个瓶颈就是持续学习。下一个要解决的问题就是怎么持续学习，这个是看得到的，相对来讲比较明确的。这是卡在前面的障碍，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：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。它能够自己开发自己的版本，自己再研究，开发自己的下一个版本，开发更强的人工智能模型。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，可能是一个比较长的渐变，不是突变。但习惯性地，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。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，是我们觉得的时间表：先解决”学习去学习”，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。每个人观点不一样，没有对错之分，只是我们觉得，这个路线图是最轻松的：每一步你要做的新东西都很少。这个路线图，我们可以不用加班。但如果路线图是反过来的，比如要先实现具身智能，那就做得很累，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。
先解决持续学习，再解决自我迭代的奇点，再解决具身智能，这条路上就很轻松。因为到后面，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，就不用人来做了，不用我们来做了，模型自己就可以出来。
所以这是回答我们的长期目标是什么：这就是我们的长期目标，就是我们说的 AGI。
七、降维打击：C 端、B 端都是 AGI 的副产品
大家回到现实。去年最重要的现实是，大家都要做 Chatbot，要抢 C 端的流量；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，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。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，以及下一步技术怎么突破。
有一点很奇怪：最想得到的东西，反而你就得不到；没有那么在意的事情，反而还蛮容易得到。这里边有一个战略上的优势：我们心里面想着 AGI，做的是 AGI，再做那个应用、做 C 端 B 端的时候，根本不用太多的心思，花很少的精力就可以了。
你站在一个技术的高位上，做相对低一级别的技术，是有降维打击的。至少在去年的 C 端，我们看到确实是这样：我们没有在 C 端花很多力气，甚至一度都不想维护那些用户了，但是用户赶都赶不走——真的是赶不走，所以最终都还在。今年 B 端的收入，现在看起来增长还比较乐观，跟同行比应该也是比较好的，我估计。但是我们并没有花很大的精力去做这事情，我们根本就没有专门做，就是顺便做的。
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。我把这些技术通过 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。
C 端和 B 端，都是我们做 AGI 路上的副产物，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、为了做 B 端而去做它；我们做 AGI 是为了做 AGI，刚好能产出这个东西，我就把它拿来做商业化了。
这跟其他公司不一样。其他公司就是为了服务 C 端用户、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，我利用这个优势——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，你要把模型做好。这个可以解释我们之前发展的轨迹：我们真的是选择 AGI，根本没有想着要做很多的用户。
去年春节我们突然火的时候，不在我们的剧本里面，我们完全没有想过那个东西，我们就是想把这个技术做好。但那时候我发现，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、怎么合作，这个东西是有优势的。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、就能够非常有激情地奔一个目标去完成，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。
八、最大的核心利益：团队的稳定性
下一个问题：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。但我们的核心利益是什么？其实只有一点：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。基本上没有什么风险，只是早点晚一点；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，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，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 的环境里面做这个事情。所以对人才来讲，还是有吸引力的。从历史上看，我们的人才流动是比较少的，跟同行比，永远是比较少的。但这依然是我们最大的挑战、唯一的挑战，可以这么讲。其他都是时间问题，最多导致我们晚半年、晚一年，但不会说做不出来。肯定不缺钱，肯定不缺资源，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，希望能够协助大家、帮助大家去做这个事情。这也是我们前面说的商业意义的一部分。在这个前提下，我们很愿意协助、帮助任何人——甚至我们的竞争对手，包括阿里、智谱、月之暗面——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，开源就要把边界尽可能说清楚，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。
在对外打交道的时候，我们的态度是：我们只做 AGI 的主线。 就是我刚刚说的语言模型、CoT、Agent 等等，只做主线。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 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，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，帮助各行各业提高生产效率。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。
我们之前秉持这种态度，其实并没有因此而少拿到任何东西——并没有因为我开源、因为我们的善意、因为我对其他人提供帮助，而少拿了任何东西。比如去年的 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；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。反过来想：如果违背它，我能够拿到更多东西吗？没有。
有个问题：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。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、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——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，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，你不做就不是一个 AI 公司一样。我就很奇怪：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，Sora 出来之后，所有人都做，大公司、小公司都做，但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。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。
视频生成相对比较清楚，就拿它举例。世界模型这个含义就没那么清楚，因为很多东西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，当然每个公司的判断是不一样的。
九、算力：跟美国的差距只在资源
我刚说的是，对公司来讲最重要的问题是人员的稳定性。从另外一个维度来讲，我们缺什么？我们跟美国的差距是什么？其实差距只有一点：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。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，卡越多越好，这是毫无疑问的。所以我们现在的策略是：在合理的价格里面，能买到多少卡就买多少卡。这笔融资，我能买多少卡就买多少卡。花钱的速度不在计划里面——只要价格合理，有多少我都买。如果说我在半年之内就把钱花完了，我觉得是个好事，那太幸福了，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。
如果我半年之内就把这个钱花完，可能是最理想的。因为把钱变成英伟达卡，肯定是比放在银行里面好——放银行里面，现在存款可能就两个点；但是买英伟达卡，十个月收回成本。
所以肯定是能买到多少就买多少。买了卡之后，我有很多空间，通过提供服务或者怎么样，我总是能够有现金流的。我有现金流我就可以活，就不需要在账上面放很多很多钱。所以我们只担心买不到那么多卡。如果能够把钱都变成卡，我们会毫不犹豫把所有的钱都变成卡，并且在这里面我们愿意付一定的溢价，因为这太划算了。哪怕付完溢价，其实我们也很难实现这个目标。客观上来讲，如果我今年能够花掉两百亿，那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，人上面差距不是很大，几乎没有差距——因为就是同一批人，都是中国人。有一些人留在国内，有些人去国外，并没有说是聪明的人就去国外，没有的。其实它是比较随机的：最聪明的那些人，可能一半多一点去国外，一半少一点留在国内。国内人才是不缺的，而且我们基数大，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。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 800B；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——差一个数量级。如果我要训练跟它同样大的模型，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，以及今年之内、接下来几个月的资源，包括马上到的大资源，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。因为在几十 B 激活的规模里面，还有很多实验要做，还有很多事情需要搞清楚。我们应该离能够训 800B 的模型还比较远，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。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。
所以我们现在根本就不会考虑到这么大的规模上去跟美国竞争。我们现在还是先在我们能够训练得起、用得起的规模上——几十 B 激活的规模——先把它做好，再等下一步有更多资源的时候，做到 150B、156B，或者 250B 激活的规模。
我们跟美国在这里面有一个目前看起来很难弥补的差距。你硬要训那么大的模型也是能训，但是你没法做充分的研究——在训之前，没法做充分的研究。
十、终局差距：成本、时间、体验
还有个大家比较关心的问题：所有大模型竞争，终局的差距会体现在什么地方？我觉得最终可能是没有太大差距的。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，比如比亚迪的电池，在同等技术含量的情况下，其他家是不是能够按照这个价格来提供？我觉得这是个较难的事情，不是那么容易做到，肯定是壁垒。所以成本肯定是一个差异，我觉得成本可能排在第一位。
第二个是时间：你什么时候能够做到。你早几个月、晚几个月，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，用户中间还是会有一些用户粘性和用户壁垒，但它可能不本质。本质还是第一成本、第二时间：你先做出来还是后做出来，做到同样的东西，是快点还是慢一点。
十一、商业化：一直在做，但不以它为目标
长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 往前推，就是把智能的下限往上推。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、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。
如果说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？一定是我要做广告、做电商、在产品里面植入电商，跟本地生活打成一片。肯定没用的，因为变化太快了。你这个产品，在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——产品线的生命周期很短。
我觉得没有到这个时候。这是我们的判断，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、不能够预见未来，你能够预见的很少。
我们在做全球领先的 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，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。我们离彻底转向商业化的时间点，应该是很遥远的。最大的还是技术的延伸，做下一代的技术，更多地解决现在的问题。我个人觉得，在现在能看到的未来，任何一个时候你聚焦在产品上都太早了。
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——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，其实我们这次融资是精心挑选的。具体的合作提议另说，首先我觉得，利益是比较一致的：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，因为我们还是损害了很多其他人的利益。
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，我肯定是先看大家的共识是什么，大家想不想做。有可能我会有一些引导或者倾向，但这引导的作用是有限的、非常有限的，还是建立在共识的基础上。这个决策机制其实是一种寻求共识的机制：并不是说我能够推动一个什么事情——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。
十二、模型差距与全球分工
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，肯定得在相同的成本上来比较，这个才有意义——你比较两辆车，也是同价位的车来比较。做得好的模型跟做得差的模型，差别应该不是在具体某个环节，而是整体上的。
Anthropic 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。其实现在 Anthropic 在 Code Agent 上的优势没有那么大，并没有碾压 OpenAI——我们公司可能有一半的人觉得 OpenAI 是更好的。Anthropic 有先发优势，但这先发优势应该很快就没了，并不是一个它能够长期占得住的优势。这三家都很厉害。Anthropic 是这三家里面效率最高的，它花的成本、烧掉的钱应该是最少的。
在全球 AI 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，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。中国人会把产品做到最便宜；在效果上，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：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是一样的。
我做事情的时候，习惯的思考是：现在这个时候做什么收益最大？如果觉得现在做产品收益最大，我去做产品；如果觉得现在把 AGI 先实现收益最大，我就先去做 AGI。显然，我觉得现在做产品不是收益最大的。
十三、国产芯片与 TileLang：英伟达的护城河在瓦解
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。之前国产卡适配有一个难题，叫生态不好——买了卡之后用不起来，它没有英伟达那个生态。所以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有三方面。
第一，现在有了 AI。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——我可以用 AI 来构建这个生态，把跟英伟达一模一样的生态构建出来。
第二，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。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。
第三，CUDA——英伟达是从游戏卡演变出来的，所以它在很多地方跟游戏卡的设计、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西了。在这个背景下，原来英伟达生态的作用就大幅度减少了：对于一个专用芯片来讲，跟 CUDA 没有什么关系，不绑定。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，认为用不起来、不好用，但是未来一年之内，我们能够扭转这个认知，会用事实来扭转。
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生态里面去。华为卡适配，我们主要做的工作是把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很多。
你可以理解：V3 训练的时候，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，但没有用英伟达的生态，而是我们先写了一个高级编译器叫 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。只要我把这一套东西、把这个过程在华为卡上重新做一遍，那么就完成了。
我觉得这里可能是一个历史性的使命：可以完全扭转之前大家对国产卡生态不好的认知。现在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明白，这个问题算是解决了，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 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：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。
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：我们会不会向上游进行垂直整合？我希望不要。我们希望不用做这个，我希望是其他人来做这个事情。我不希望我把所有东西都吃了，我只要吃一块就好——吃我最擅长的那一块、我们自己认为最核心的那一块、跟用户直接相关的那一块。对于我们的很多产业伙伴来讲，他们比我们更关注。那应该是别人的生意，不应该我把它全吃了。
未来我们会不会自建大型的集群？自建大型集群是肯定要的，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。但未来要不要自研芯片，我觉得取决于收益有多大。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，希望能够以合理的价格买到芯片，这样就不用去做芯片。我们希望只做一块。AI 这个事情很大，并不需要我做所有。如果聚焦，并且我认为这里的生意利益已经足够大——如果 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，是其中一家已经没有什么问题了，我并不是信心勃勃要做别的。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……
To B 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 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。在当前技术条件下，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，如果有需求，我肯定一直买卡；现在没有买更多，是因为没有那么多需求。需求应该会越来越大——随着技术持续有突破，需求会越来越大。
十四、多模态、Scaling 与低成本
多模态布局，我们一直在做。对产品来讲、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。作为组件，多模态我们肯定会做，而且也在做。我们应该会上相关的模型：V4 及 V4 的后续版本会支持原生的多模态。但我们对多模态的理解是：对智能来讲，它是个组件，我们不把它当作智能本身——它的地位跟搜索一样。搜索也是一个组件，多模态也是一个组件。
Scaling，我们信 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，模型的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、训练成本。我们离探索 Scaling 的上限还比较远——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。包括融资完之后，我们有更多的算力，可能训练更大的模型，能在越短时间内买到越好；如果能半年内把钱全花完，那是最好的，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。
为什么好像我们特别在乎模型的计算效率？我确实发现，不是所有人都很在乎模型效率。对一个商业化公司来讲，没有动力去追求模型的效率——几个创业公司，你没有听到他们说低成本是他们追求的东西，因为那个不符合他们的利益：低成本了，你还赚什么钱？你就收不到什么钱了。
相反，这是我们愿景的一部分。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，他能够有同理心：别人要花钱来用，那么便宜一点，别人能够接受的程度会更高。所以我们有很多同学希望我们能够把成本做到更低。但是如果你从商业角度讲，其实不会这么考虑——从商业、从成本角度讲，这不是第一优先级。
对创业公司也好、大公司也好，这个服务成本根本就不高。但我希望它是比较轻的，希望它是负担得起的——特别是在中国算力紧缺的背景下——负担得起的、能在国产卡上用的。
低成本首先是一个结果。我们的模型确实一直在架构上往一个更低成本的方向走，这跟我们的愿景有关系。我们在算法上还有很多方法，成本还可以往下走。成本往下走还有一个原因：成本越低，我就越能训练更大的模型，越能承担起更大的模型。在同样算力、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，不一定这么考虑——资源是可以加的，可以通过加资源来解决——但我们会优先考虑成本效率。
十五、拿得少的人打败拿得多的人
数据这个范围比较广，数据应该几乎等于模型的一半。
为什么我觉得，假如 AI 能够占 GDP 的百分之二十，如果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。如果说我的目标是占全人类 GDP 的百分之五，理论上这个账还是成立的——你看 OpenAI，他算这个账好像是能算得过来的，理论上没问题。但他有个问题：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。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。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。美国遇到过的挑战，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，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、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——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，但我觉得公司本来就不惯常。
十六、组织方式：两条线，不加班
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：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，这个我们叫做”正式”。
一般我们希望正式不要占用员工所有时间的一半——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、算力能够支持他做；或者说他不需要算力、需要做得很少，那么他根本就不用来协调。我们现在就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。加班少有两个原因。第一，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——就是要你自己有这个兴趣，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。这是出于研究文化的需要。第二，我们非常聚焦。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，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。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。
提问环节
问：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？
答： 人少，需要研究。现在全世界都在研究这个问题。对投资人来讲，现在看到最多的是 Agent；但对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——它不是一个东西，会是很多东西。或者说，AGI 是由很多东西组成的，需要模型，然后还需要很多其他东西。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。
问： 梁总，谢谢。首先想回应和感激一下，您最开始说的让我非常感动，也给我们很多启发：这个团队带着最大的善意，希望对这个社会、人类智能的发展有所推动，做一点点贡献。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。我形象地感觉，像去做一个榕树这样的小鸟天堂生态，利万物而不争，就会被大家接纳，万物共生共存，最终无处不在。我们会以这次投资，同样表达对这个使命和愿景的认可、支持和尊重。
第一个问题，关于生态共建：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的模型和成果？未来想让这个生态进一步发展，您感觉在哪几个方面需要更多高质量人才衔接到我们的模型，把它复现？还是说现在 GPU 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——咱们把基模做得越来越好，各行各业的伙伴和团队去做模型矩阵里面的垂直行业模型、应用模型？这块目前发展怎么样？两年、三年，您感觉会长成一个什么样的生态？
第二个问题，关于 AI 硬件：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。您感觉这个多长时间可以解决，支撑咱们 AI 的发展，让算力和硬件短板不给 AGI 拖后腿？这是不是中国人未来使命必达，肯定能做出来，只是时间和资金投入的问题？同时它可能是两方面的：一方面，模型的进步会让智能化提升，单一任务或某些智能化单体对硬件、算力的消耗逐渐递减，不再需要那么大算力，因为模型的进步会让它巧算；另一方面，硬件的技术进步会让算力的能效更强大。这会不会是两边相向而行的路径？另外，现在用 960 也好、H200 也好，去做千亿美元级别的算力投入，您刚才提到按三年摊销，它的实际生命周期您觉得是四五年吗？会不会现在建的万卡集群，三年之后其实就是相对不那么先进的算力了？会不会出现现在不够用、三年之后变成冗余的情况？**
答：谢谢。第一个问题是生态的问题。
我们现在觉得，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。以前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。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。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长期缺某一类人的情况。我还记得十几年前说飞行员很缺，飞行员的培养周期很长，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。资源也是比较分散，某种程度上也比较浪费——相当于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，但这需要过程，最终一定会收敛。
不需要那么多家。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。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。这是产业的现状，我觉得肯定会收敛。
做大模型的那一部分，不要说某一家独占、”我要拿走全部利润”，这个肯定不行。如果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，价格绝对够打价格战了。大模型可能两家大公司、两家小公司，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——这么多家大模型公司，现在差距没那么大。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。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。
问：数据这一块，现在公开的数据相信模型公司都已经有渠道获取，只是时间和成本的问题。后续真正到 AGI 的时候，大家设想理想的状态是，模型可以自我迭代、自我学习，自己训练自己。这一块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？如果还是需要来自真实数据，那会不会限制 AI 的智能在人类过往这个层面——因为它依赖的是人类真正曾经有过的真实数据？还是可以突破这个上限，通过模拟数据、仿真数据、创造数据等等方式，让模型能力超越人类过往的所有真实？
答：我觉得是能超越的。有两点。比如说围棋，AlphaGo 下了一手人类从来没有见到过的棋——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、有局限性，但是这个局限性我们现在看不到。所以我们笼统地认为：它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。
至于后续是靠真实数据还是仿真数据、它会 work 吗——我觉得会有很多方法。
所以我们跟美国的差距，可能是落后美国 12 个月，12 到 18 个月，或者说 6 到 12 个月。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，但只用它二十分之一的算力。 未来我们要把这个叙事改写：用它几分之一的算力，但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，有一些超越是可以的。
问： 两个快速的技术问题。第一，刚才聊技术路线时提到，我们这一阶段要解决的核心问题是持续学习，这也是目前国外研究的热点，叫 Recursive Improvement。目前来看，从技术上最大的难点是什么？从您的视角，什么时候可以解决？第二，您刚才提到先解决持续学习，然后再去做智能，这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？
答：技术问题的难点在于，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，现在还在摸索阶段——不知道谁能摸到下一个解决这个问题的方法。我们有很多思路，有很多现在看起来有前途的想法，但是都还没有做通。这是第一个。
第二个，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。或者简单一点说：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，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——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：不是说用户用得好用，而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。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，还只是跟人搭配，但是已经很有用了。
（关于先持续学习、再通用智能）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，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 能力受限，就是因为它不能持续学习、不能有效地持续学习。如果说能够先把持续学习做完，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。所以这是我们比较希望看到的结果：我们比较省力，我们就轻松。否则现在你要人工做通用智能，它是一个比较累、比较苦，是数据密集、人力密集的事情，性价比也不高。我至少觉得，它得能够持续学习吧。
（关于国产硬件能否追上）国产方面可能需要几年的时间。国内首先得解决生态的问题——因为生态是一个信心的问题——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，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。
（关于未来的组织架构和人员规模）我们之前的组织架构是非常分散的，因为没有组织架构。但是人进一步扩大之后，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：有些部门我们需要建立起比较严谨的层级结构；另外一些部门，可能还是会维持比较松散、比较扁平的结构。随着人员的增加，我们会做这个调整——应该说我们马上就得做这个调整，我已经在做了。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。
（关于发版节奏）我们现在线上发的 V4 这个版本，还是比较粗糙的，能力方面很多都需要时间。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，下次发版可能是六月底，大概是这样子。如果没有意外，应该还是会一版比一版好。
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——在推理速度跟效果上，可能就不会有太大的差别。但是跟它那个大尺寸的、没公开的模型，差距应该还是比较大的。那个差距，我们这个激活参数应该是做不到的，肯定得是一个更大尺寸的模型，比如 150B。那么 150B，按照我们现在训练的进度，乐观的话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。这是跟 OCE 的差距。
问：您经常说到 AGI 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？
答：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。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。
问：明白。所以前面的结论就是，语言模型继续 Scaling 是够的，可以做到这个状态？
答：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，或者说美国的智力水平，都没有看到上限。
问：明白。您说美国 800B 激活的模型，它比我们能训练起，但它也用不起来，所以只能训练出来，很难拿出来给大家用，因为确实有点贵。我之前很好奇的一点：人类拥有语言能力是近十万年的事情，前面可能进化了三十七亿年。但在训练 AI 这个事情上，顺序是可以反过来的，不过最终可能还是会进入——也不一定叫世界模型——物理模型或者具身的那部分，是吧？就是在这个上限之后？
答：对，我觉得具身肯定还是要进入，最终是具身。所以对我们公司来讲，自然而然，终点可能都是具身。因为对一个正常人来讲，他的需求并不是电脑，对不对？正常的人，他吃喝玩乐、衣食住行，不需要电脑。他需要的是解决具体人力的需求。如果目标是解决人力需求的话，具身我觉得就是绕不过去的。
问：明白。阶段性地讲，假如到达可以自进化、可以比较好地自进化的状态，接近那个上升的时点，我很好奇，您希望这个状态的 AI 落地的第一个是什么？
答：可能跟现在不一样。假如说没有具身，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。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。
问：我还是很好奇一点。之前 DeepSeek 的采访里提到，在一些重要的方向选择和研究选择上，品位和直觉是很重要的，而不是简单的工程优化。如果之后 AI 可以自进化，这个品位、taste、直觉这些东西还重要吗？或者说，重要的会是什么？
答：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。
问：continuous learning，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。而 coding agent——尤其是追上 MILES，Scaling 到 Office 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？
答：模型 Office 是一个比较确定的目标；模型 MIS，我觉得还不好说是确定的，只能说是一个目标。模型 Office，我觉得应该是比较确定的。
这个（持续学习）不占资源。做这种自由研究，它不消耗卡，只需要很少的卡，它需要的是想法；它也不消耗人才资源，因为不需要有人一直在那里做。它不是一个项目，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、做模型、发模型、做模型的效率实验，才需要资源。刚才讲的这个，对人、对卡的资源消耗都不多。
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，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、想这个问题，把它当做一个重要的事情。在公司里，它是一个重要的问题，我们会花时间去思考，但是并不需要花很多资源去做。
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，但这是一个长期命题。幻觉问题可以认为是一个可以通过更好的 Post-training 解决的问题，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。
还有一个标数据的问题。我们在数据标注方面，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没有什么区别，中国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，使得我们很难像美国这样投入去标数据。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。核心就是数据。
问：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，还有一些其他方面未来也有可能比美国强。您觉得是哪些方面，我们在智能或者其他方面会比美国强？
答：我觉得在很多体验方面，有可能我们是能比美国做得好的。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。产品方面、产品能力上不一定比美国差，成本应该也会比美国低，所以中国有可能还是会有竞争力的。
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：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，但对他们来讲，这个是不重要的。产品也是，很多公司产品能力还是可以的。所以这两方面可能是有结构性优势的。
问：第二个问题。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，我们会在后训练方面加大投入吗？
答：差距主要是在高质量数据的标注上，主要是在 AI 研究里面。肯定会加大投入。但是高质量数据的标注，瓶颈不是资本投入，我觉得是时间，就是需要时间。对 OpenAI、对国外、对 Anthropic 来讲，他们都更早，然后资本更多，卡也更多。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——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。但是这个速度是有上限的，瓶颈不是卡在钱上，也不卡在卡上。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，国内应该是可以预期的。我觉得可能没有那么难，但它确实是需要时间。
问：第三个问题。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……甚至未来要往医疗方向走。在这种纵向应用方面，某个阶段我们也会考虑吗？
答：我还没有想得很明白，未来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。以目前的情况来看，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。
问：其实我们也做 DeepSeek 相关的事情，很佩服您一直以非常纯粹的科研方式来做 DeepSeek。但现在这个行业确实走到了资本市场、走到了资本化这条路上。您又是一个非常负责任的人，无论对小伙伴还是对投资人。在纯粹科研、纯粹做 AGI 的方向和资本市场之间——您未来肯定还要走资本市场，肯定还有公众股东——您觉得以后怎么 balance？这个您是怎么考虑的？
答：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。明年我们 B 端有收入，如果这个需求可以再增大，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。如果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。
问：我觉得 DeepSeek 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。但组织形式既跟目标相关，也要考虑组织自身的边界和效率。从宏观的角度考虑，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是比较理想的？还是说我们自己觉得也没有理想的，更多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跟美国的几家公司肯定都不一样，那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。我主要想问一下组织这个问题。
答：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，是现实情况的一个反应，并不是一个模仿的结果。
在这个情况下，最优解可能就是这样；我们自己选的路就是这样。每一步我们肯定都是思考过的、选过的，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。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：它明确是不需要有商业化的，但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，但归根结底是一个公司，要考虑怎么活着。所以 B 端对我们肯定是重要的，因为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。
问：两个小问题。第一，您提到 MILOS 可能不是一个很确定的目标，但肯定会往这个方向去做，也提到下一代激活参数可能会在 150 到 250B 左右——您觉得 150 到 250B 是对标 O4.7，还是可能会对标到别的？第二，我们现在在整个 inference 上面用了一些 CUDA 以外的编译语言。原来基于英伟达生态，可能用 PTX 这些比较多；现在用上更多 TileLang 这些，是不是会大幅降低我们在 inference 上面的效率，或者短期降低效率？您怎么看编译语言的这种变化带来的效率损失，还是说长期其实是一个可以提高效率的状态？
答：是提高效率，是大幅提高效率。
问：反倒没有什么负面的影响？
答：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，写程序也是很快的，要写的代码量很小，我可以把它重写一遍。
问：明白。所以这两个其实都是像您提到的、AI 带来的比较大的机会，不是一个短期需要去弥补的缺点。
答：对，它是技术发展的大机会。我们还有一个项目，在用 AI 来写 TileLang。
问：那是不是更快？
答：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。
问：明白。所以哪怕是对于硬件底层的执行效率，也没有影响？
答：损失 1% 到 2%，我觉得是可以接受的。
问：明白，理解了。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。非常感谢大家的时间。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
THE END
暂无评论内容