SVTR 编者按｜ 一份未经证实的闭门录音，正在中文创投圈被当成 DeepSeek 的战略说明书逐句转发，热度大多落在卡量、采购和回本周期这些最不可靠、也最不该外传的数字上。SVTR 不搬运这类数字，也不把一份语音转写当官方口径，只做一件事：把梁文锋反复使用的同一套决策逻辑拆给想看懂这门生意的创业者和投资人，看它在国产算力、开源、算力差距和技术终局四个问题上分别推出了什么，哪些经得起推敲，哪些还只是愿景。
2026 年 5 月 20 日，DeepSeek 首轮外部融资推进期间，创始人梁文锋与投资人闭门交流近四小时。据 SVTR AI 创投库，该轮于 6 月 17 日落地，估值约 563 亿美元。会议原本不对外，录音转写稿于 7 月在中文创投圈流传。
转写由语音识别自动完成，未区分说话人，也未经 DeepSeek 确认。本文不将其视为官方表态，也不复述其中最敏感的卡量、采购和财务预测，而是提炼四个更值得长期跟踪的判断，并逐一标出它们成立到哪一步、如何证伪。四个问题看似分散，落点是同一个：当机会同时出现，DeepSeek 靠什么决定不做什么。
一、要拆的从来不是芯片，是 CUDA 依赖
整场交流中最具传播力的一句话是：英伟达在掘自己的坟墓。
这句话极易被读成国产芯片即将全面追平英伟达，但梁文锋的原意不在于此：英伟达最坚固的软件壁垒，正在被 AI 和新的编程工具逐渐削弱。
过去，开发高性能 AI 算子需要工程师深入理解 CUDA、硬件架构和底层优化，迁移到另一种芯片，往往意味着重搭一整套软件配套。现在 AI 可以辅助写代码，更高层的编程语言也在降低算子开发门槛。
TileLang 是这条路径的一个代表。它是一种面向高性能 GPU 和加速器内核的领域专用语言，目标是让开发者用更少的代码编写和迁移矩阵计算、Attention 等核心算子。DeepSeek 已开源基于 TileLang 的 TileKernels 算子库，其中部分算子据称已用于内部训练与推理。
但边界要说清楚：TileLang 目前替代不了完整的 CUDA 体系，TileKernels 仍依赖 NVIDIA GPU 和 CUDA Toolkit（当前需 CUDA 13.1 及以上，适配 Hopper 与 Blackwell）。它能削弱的是高性能内核开发对手写 CUDA 的依赖，而非一夜替换掉驱动、编译器、通信库和工具链组成的完整软件栈。
所以这句话说的是：随着 AI 编程、编译器和专用芯片共同发展，CUDA 积累的迁移成本可能下降。国产芯片能不能真正接住机会，最终仍取决于产能、实训与迁移成本：能否稳定产出足够多的芯片、能否在真实大模型训练中证明集群可靠、迁移成本是否可接受。
SVTR 判断：国产算力的估值锚应从"能否适配"转向"能否训练"。真正的重估节点只有一个，即出现完全基于国产芯片训练、效果公开、工程路径可复现的主流旗舰模型。兼容工具发布再多都到不了这个证明强度，软件层的改善是必要条件，还不是最终证明。
二、开源的底气是成本优势，不是理想主义
第一节讲的是壁垒怎么松动，这一节讲 DeepSeek 自己怎么用成本这把武器。梁文锋把开源、低价与商业模式归入同一套逻辑：当官方服务的运行成本足够低，开放模型权重并不会自动摧毁 API 业务。
用户拿到开源权重之后，仍要采购硬件、建集群、优化算子、维护服务和处理峰值。大多数企业真正比较的只有一件事：自行部署的综合成本，能不能低于模型公司的 API 价格。权重免费与否反而在其次。
这也是 DeepSeek 强调计算效率的原因。对资源充足的大公司，部分问题可靠加 GPU 解决；对受算力约束的团队，提高效率不只优化利润率，更直接决定它能训多大模型、做多少次实验。低成本因此身兼数职：扩大使用规模，压低第三方独立部署的经济吸引力，也让 DeepSeek 用有限算力推进更大规模的研究。
价格上能看到这条路线。转写稿成于 V3.2 时期，V4 已于近期发布：据 DeepSeek 官方 2026 年 7 月报价，V4 Flash 与 V4 Pro 每百万输出 token 分别为 $0.28 和 $0.87，不到 OpenAI 同档模型的十分之一，处于全球主流模型最低一档。
但转写稿中"设备十个月回本""六倍利润"以及第三方部署成本的具体倍数，缺乏成本结构和计算周期，是当事人口径，不能直接按标准财务指标理解。可靠的结论是：DeepSeek 试图把价格设在一个既能覆盖研发与基础设施投入、又足以压缩中间部署商利润空间的位置。
顺这笔账，一个行业事实正在成形：模型 API 层在主动放弃暴利。这对 AI 应用投资提出更严苛的问题：当模型能力持续提升、价格持续下降，中间层公司积累了什么不会被基础模型吞掉的资产？仅转售 token、包装工作流很难形成长期壁垒，有价值的应用公司必须拥有独立的数据闭环、业务执行力或结果交付能力。
三、中美差距不只是算力，但算力决定试错权
梁文锋把中美前沿模型的大部分差距归因于算力。他给自己下的叙事是：落后美国约两年，只用美国二十分之一的算力把事情做出来。
这不无道理。算力决定的不只是训练一次大模型的规模，更是研究团队在正式训练前能完成多少实验、淘汰多少错误路线。十倍算力不只是把模型做大十倍，更是同时尝试更多架构与数据方案、失败后迅速重来。算力本质上购买的是试错权和时间领先。
DeepSeek 过去形成的叙事，是以远低于美国头部实验室的资源投入缩小模型能力差距。下一阶段的挑战，是在保持效率优势的同时，把能力落后的时间进一步缩短。
不过，把所有差距都算成算力差距仍然把问题算窄了。梁文锋在同一场交流中也承认，高质量数据和后训练是另一项关键约束，并提到公司相当一部分核心研究员的精力投在数据标注上。算力可以靠采购迅速增加，但高质量数据生产、研究人员协作和训练方法积累需要时间，无法单纯靠资本开支即时补齐。
SVTR 更看重的是竞争标准的切换：中国模型公司的资本竞争，正从"谁融资更多"转向"谁能把算力变成模型能力"。衡量一家基础模型公司，不应只看 GPU 数量，而要看单位算力产生了多少有效实验、新增算力是否真正转化为能力、数据与后训练团队是否同步扩张。买卡即资产只在卡能稳定运行、被高效利用并持续产出模型进步时才成立，否则昂贵集群同样可能是快速折旧的负担。
四、Agent 之后，真正的台阶是持续学习
前三节讲当下攻防，这一节是梁文锋对终局的判断，也最值得长期跟踪。
他把大模型发展理解为一组连续台阶：语言模型解决知识表达，思维链提高推理上限，Agent 扩大任务范围，下一步是持续学习。
今天的 Agent 可以调用工具、分解任务并执行复杂流程，但仍高度依赖人类提供上下文。一个新员工工作两个月后会逐渐理解人物关系、内部规则和隐性经验，大多数 AI 系统在任务结束后并不会把这些经历转化为长期能力。持续学习要解决的是：AI 如何在无需完整重训时吸收新经验、保留长期记忆并迁移到下一次任务，同时不让新知识破坏原有能力。
梁文锋也承认，这仍是全球尚未解决的问题。DeepSeek 内部把这类研究称为"摸奖"，即不一定要立刻投入最大规模训练资源，却需要大量研究者不断探索可能的突破路径。
这也解释了 DeepSeek 为何把"模型首先服务自己的研发"放在重要位置。如果 AI 能参与数据处理、写训练代码、分析实验并帮助设计下一代模型，AI 研发就不再是线性过程：每一代模型不仅提供产品能力，也提高下一代的研发效率。这比再做一个 Agent 应用更接近前沿实验室真正争夺的目标，即谁能最早建立 AI 加速 AI 研究的正反馈。
这里也要保持克制。持续学习不等于增加记忆数据库或扩大参数规模；模型能记住对话，不代表它形成了可迁移的新能力。判断它是否兑现，不能只看产品多了"长期记忆"按钮，而要看模型能否在长期任务中持续吸收反馈、并在无需大规模重训下稳定改善行为。
五、梁文锋真正交出的，是一套取舍原则
四个问题的答案各不相同，底层是同一套逻辑。这场闭门交流最值得记录的，不是某组未经核实的卡量或收入数字，而是 DeepSeek 如何理解自身边界。
它希望把基础模型、计算效率和 AGI 研究留在内部，把更多应用机会留给外部伙伴；通过开源降低产业阻力，通过低价扩大使用，通过效率弥补算力差距，再把商业化控制在不改变研究优先级的范围内。四条判断，其实是同一道取舍题在四个战场上的答案。
这套逻辑并不天然正确。国产算力可能迟迟无法通过旗舰模型验证，持续学习可能多年没有突破，低价 API 也可能不足以覆盖不断上升的研发投入。随着团队、资本和客户规模增长，DeepSeek 同样要面对所有科技公司都无法回避的问题：研究目标与商业责任如何共存。
但梁文锋的稀缺之处，在于他用同一个目标解释所有选择，而非把开源、低价、国产替代和 AGI 包装成彼此独立的口号。这种稀缺已经外溢成一种现象：过去两个月，SVTR 接触的硅谷基金里，追问 DeepSeek 组织方式的已多过追问其模型能力的，这份转写稿流出后只会更甚。
这套取舍在 SVTR AI 创投库里有据可查。资本一侧，DeepSeek 6 月 A 轮股东不是财务 VC 主导，而是国家人工智能产业投资基金领衔，腾讯、京东、网易等战略资本与宁德时代同桌，印证转写稿里融资要挑"利益最一致、最没有敌意"的说法；动力电池巨头宁德时代入股，恰好接上梁的比亚迪电池比方和算力等于电力那笔账。人才一侧，梁文锋的关系图谱显示 DeepSeek 核心班底几乎全部来自其量化基金幻方、与浙大信电系同源，外部空降极少，正是他口中"团队稳定性是唯一核心利益"的结构底子。
对创业者和投资人，可借鉴的是这套决策方式，答案本身无法复制：当机会同时出现，哪些事情能提高抵达终局的概率，哪些只是提前兑现尚未建立的优势？
信号追踪
国产芯片能否完成旗舰模型训练（验证窗口：2027 年年中前）。观察是否出现主要依靠国产芯片完成训练、有公开模型结果和技术说明的主流旗舰模型。只有训练结果出现，"国产软件栈不可用"才算真正被推翻。
TileLang 能否跨越单点算子优化（验证窗口：未来 12 到 18 个月）。观察 TileLang 及类似工具能否从内核开发进一步覆盖跨平台编译、通信和部署全流程。它能否在非 NVIDIA 硬件上形成规模化生产案例，比项目热度更重要。
持续学习是否超越"长期记忆"（验证窗口：2026 年底至 2027 年）。观察前沿模型能否在长期任务中吸收新经验、稳定更新行为，并将学习结果迁移到后续任务。若变化仍停留在上下文扩展、记忆检索和参数规模增加，说明下一层台阶尚未跨过。
低价 API 能否支撑长期研发（验证窗口：下一轮融资或公开财务信息出现后）。观察企业收入、基础设施支出与研发投入能否形成可持续循环。若 API 和企业业务能覆盖主要运营成本，"商业化是研究副产品"的模式将获初步验证；若不能，资本市场会要求它重新定义商业优先级。
想看这套逻辑在资本和人才两侧的落点，可查创投库的 DeepSeek 资本图谱 与 梁文锋关系图谱：前者是股东结构与估值轨迹，后者是幻方到 DeepSeek 的班底延续。
素材说明：本文基于 2026 年 5 月 20 日梁文锋投资者闭门交流录音转写稿整理。该转写稿由语音识别生成，未区分全部说话人，部分专有名词与数字可能存在错误，且未经 DeepSeek 确认。文中引用仅用于研究和评论，不代表 DeepSeek 官方口径。API 报价取自 DeepSeek 官方 2026 年 7 月版本，TileKernels 信息取自其公开代码仓库。融资、估值与股东数据取自 SVTR AI 创投库（A 轮，截至 2026-07）；创投库另记录 7 月一轮估值约 710 亿美元的传闻轮，未确认，本文不作事实引用。