梁文锋的 AGI 路线图：克制是一种战略

一个曾经公开说「不融资、不上市、不商业化」的人，刚刚完成了一笔超过 500 亿元的融资。

据报道，DeepSeek 近日完成成立以来首轮外部融资，投前估值约 3675 亿元。更耐人寻味的是出资结构：创始人梁文锋个人掏出 200 亿元，腾讯、宁德时代、网易、京东等跟投。这不像一笔财务投资，更像一场围绕 AGI 愿景的结盟。

所有人都想知道：钱拿到之后怎么花，这家公司到底打算怎样走到 AGI。在腾讯科技获得的一场近 4 小时的投资者交流会实录里，梁文锋留下了 118 条发言。读完这份实录，我印象最深的第一句话不是关于模型，而是这句：

「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。」

一家估值近 4000 亿的公司，创始人这样描述自己。这句话不是谦辞。它背后是一整套世界观。这篇文章想做的，是从这 118 条发言里，还原 DeepSeek 的 AGI 路线图，以及支撑这条路线的那套不太常见的战略逻辑。

一张六级阶梯：DeepSeek 的 AGI 路线图

梁文锋把 AI 的发展理解成一个阶梯，每一级都踩在前一级之上，「并没有一步是白走的」。

第一级是语言模型，第二级是思维链（CoT），这两级去年已经走完。第三级是 Agent，行业今年正在爬这一级：用 Agent 的方式，模型能做的事更多，智能的上限也更高。

真正的分水岭在第四级：持续学习。

梁文锋对现状的判断很精确：如果你能把一个问题描述清楚，给出完整的上下文和指令，今天的 AI 已经超过人类。但前提是「你给它完整的上下文」。现实中的员工不需要这种东西，他入职两个月，自己就能学会怎么干活。所以他说：

「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。我们离下一步还差一个持续学习。」

第五级是自我迭代的奇点。当模型能持续学习，它就能做人类能做的所有事，包括自己研发自己的下一个版本。梁文锋没有把这个奇点想象成一夜之间的突变，他明确说那会是一个「比较长的渐变」。这个细节很能说明他的思维方式：拒绝戏剧化叙事，只谈工程路径。

第六级才是具身智能。模型走进现实世界，做家务、养老，解决人对「具体人力」的需求。这个排序有讲究：先解决持续学习，再解决自我迭代，最后做具身，这条路「很轻松」，因为可以用前面的技术帮助开发后面的技术；反过来如果现在就靠人工硬做通用智能，那是「数据密集、人力密集」的苦活，性价比不高。

这张路线图还自带一把剪刀。视频生成很火，但「跟智能的路线图没有什么关系」，不做；3D 不做；多模态会做，但定位是组件，不是主线。梁文锋把话说得很直白：「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。」

克制是一种战略

路线图解释了 DeepSeek 做什么和不做什么，但没解释它凭什么相信自己能做成。毕竟比它有钱、有卡、有人的公司大有人在。

梁文锋给出的答案是：克制。

「你越克制，可能就越容易做成……否则没有办法能够解释为什么我们能够做成。」这句话听起来像玄学，拆开看其实是清晰的目标函数。他毫不怀疑 AGI 有巨大的商业价值，正因为如此，「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」。

这套逻辑贯穿了 DeepSeek 所有反直觉的选择。

用户暴涨时不急着变现，因为抢用户、抢商业利益不增加做成 AGI 的概率；开源最强的模型，因为闭源看不到必然的好处，开源反而是一种让利，让利换来生态，生态增加概率；API 定价只取合理利润，按「十个月收回设备成本」来定，明明测算过价格翻倍需求也不掉，还是把价格降到四分之一，「团队里大家就很开心」；不愿意跟任何大厂小厂成为对手，甚至愿意协助阿里、智谱、月之暗面这些竞争对手做得更好，因为「我们并不损失什么东西，我们本来也是开源的」。

最锋利的一句是：「拿得多的人会被拿得少的人打败……你愿景是拿得多，你就先输了。」

这是 DeepSeek 对整个行业竞争格局的判断。AI 的利益足够大，只要做成，随便分一点都足够；所以在做成之前，一切围绕「多分一点」的动作都是目标函数的偏离。克制不是道德姿态，是概率优化。

组织、算力与唯一的核心利益

克制的战略需要一个能执行它的组织。DeepSeek 的组织方式同样反常识：愿景不落在纸面上，没有 KPI，没有考核，靠对 AGI 的共同信念自发组织。员工一半时间不被安排，想研究什么研究什么；一般也不加班，因为「做研究需要松弛的环境」，因为聚焦所以事情少。

梁文锋把账算得很清楚：钱不缺，资源不缺，其他要素都容易获得，唯一不可退让的核心利益是团队的稳定性——「只要我能够保持团队的稳定性，我一定能做成 AGI，就这么简单」。这次融资在他口中最大的意义，正是用足额的期权把这个最大的风险解除掉。

技术判断上，他信 Scaling，认为语言模型的 Scaling 看不到上限，也坦率承认瓶颈在算力：「阻止我们 Scaling 的就是算力，并不是我们不想 Scaling。」模型训练多大，并不是「觉得这么大的模型就够了」，而是「按照我的资源来算」，能接受、能训练的模型是多大。

对中美差距，他的这个判断已经流传很广：落后美国一到两年，但只用二十分之一的算力。下一步他想改写这个对比：用几分之一的算力，把时间差缩到六个月甚至三个月。对国产算力他相当乐观：V3 训练已经在用自研的 TileLang 编译器绕开英伟达生态，他判断一年之内，国产芯片生态「完全没有问题」这件事会被验证，剩下的瓶颈只是产能。

还有一条容易被忽略的线索：模型首先是做给自己用的。「首先要对我们自己有用，这是实现 AGI 最快的方法。」自己用得顺手，开发下一版模型就更快，AI 加速 AI 研究，进展就不是线性的。这条线索和他的路线图是咬合的——持续学习一旦解决，最先被加速的就是 DeepSeek 自己的研究效率。

结语

把梁文锋这 118 条发言放在一起看，会发现这是一套自洽的系统：愿景决定组织形态，组织形态保障路线图的纪律，路线图的纪律又决定商业化的取舍，商业化的克制反过来保护愿景不被稀释。每一环都能从其他环节推导出来。

在一个人人追逐热点的行业里，这种自洽本身就是稀缺品。做视频生成的公司和不做视频生成的公司，半年内可能看不出差别，但五年后走的是完全不同的路。

对普通读者，这份实录也留下了一把实用的标尺：判断下一代模型是不是真突破，就看它有没有持续学习的能力。在那之前，所有进步都只是「成本更低、效果更好、速度更快」；具备持续学习能力的那一天，才是梁文锋定义的下一代——也才是 AGI 叙事真正进入下半场的时刻。