站在2030年回看梁文锋四小时实录
Published:
原文来源｜腾讯科技；原文整理｜顾翎羽；原文编辑｜徐青阳、苏扬；2030 注释与二次编辑｜Koutian Wu
在读梁文锋之前：先给一个2030年的坐标
到2030年，模型仍会变强，但单纯出售模型能力会越来越难。推理价格下降、开源模型追赶、企业同时调用多家供应商，都会让模型更容易替换。价值会转向模型之外：企业自己的上下文、真实结果形成的反馈、已经嵌入业务的工作流、触达客户的渠道，以及出错后愿意承担责任的人和制度。
更深的变化，是AI从“给出答案”走向“进入系统办事”。它会读取资料、调用工具、更新记录，也会把一个动作交给下一个系统。一次回答是否流畅，无法证明它能长期工作。真正的分界线在于，它能否记住约束、接受持续纠正、保留证据，并在几个月的运行中把错误变少。
这条路线仍受物理世界约束。芯片要制造和封装，数据中心要取得土地、冷却条件和并网容量，电力要经过电厂、变压器与输电线路送达。单次推理更省资源，也可能被更多代理、更长任务和更频繁调用抵消。软件能力扩散得很快，支撑它的基础设施不会以同样速度扩张。
因此，主要风险不是AI一直不够聪明，而是组织把自动化接进真实流程的速度，超过了验证、叫停和追责能力。一个代理可以在几分钟内批量执行错误，也可以把责任分散在模型、平台、部署方和操作人员之间。谁能限制权限、发现异常、撤回行动并明确最终签字人，谁才有资格把AI交给高价值任务。
带着这个2030年的坐标再读梁文锋，真正值得追问的就不只是“他说得对不对”，而是：他的技术路线会把价值推向哪里，哪些前提尚未成立，以及未来三年会出现什么信号来证明或推翻这些判断。
据腾讯科技原文，DeepSeek完成了成立以来的首轮外部融资，金额超过500亿元，梁文锋、腾讯、宁德时代等参与投资。融资与梁文锋此前提出的“不融资、不上市、不商业化”形成转折，也让外界重新审视DeepSeek的商业化路径。此后披露的近四小时投资者交流会，主要涉及组织文化、开源逻辑、技术路线与行业竞争。
本文以腾讯科技获得并整理的近4小时交流会发言实录为底稿。梁文锋的发言部分沿用原稿的主题分类，共计118条，尽可能保留原意；本版在此基础上增加逐条“2030注释”，并对导读和解读层进行了二次编辑。
怎么读这些注释 下面的内容只用《LLM之后的世界2030_横纵分析报告》和《LLM应用机会_横纵分析报告》来解释梁文锋的话。LLM 是 Large Language Model 的缩写，中文叫大语言模型，DeepSeek 就属于这一类能读写文字的 AI。普通的“2030 注”负责把原话讲清楚；“2030 核心注”只留给真正决定未来格局的判断，会继续拆开它的因果链、隐藏前提、受益者、失败条件，以及2027—2029年可以观察的信号。这里不核验交流会本身是否真实。
01
愿景与克制
1.我们一开始来做这个公司，初衷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。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。
2030 注 最早加入的人，是在押一个长期技术目标，不是在等公司上市发钱。这能筛出愿意忍受长期失败的人，但不代表公司后来不用赚钱。到2030年，创始愿景仍要变成稳定服务和真实成果，才会留下价值。
2.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。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。
2030 注 善意是心里的动机，外人看不见，能看见的是后果。普通人是否用得起，AI 答错后能否转给真人，事后能否查到谁批准了错误，这些才是到2030年可以检查的标准。好心不自动等于安全。
3.管理一个大公司，靠的不是你的规章制度，靠的是愿景。愿景不是挂在墙上的标语，愿景是你怎么做，不是怎么说，就是你怎么实际运行。
2030 注 愿景像指南针，告诉团队要往哪走。规章更像交通规则，规定谁能花钱、谁能看资料、出错后怎样撤回。指南针不能代替刹车，一家公司越大，越需要两样东西一起用。
4.我们是没有组织的，就是愿景驱动的，靠一个愿景来组织。我们并不是以一个“我要实现什么KPI、没有考核”的方式来做，只有愿景。
2030 核心注 KPI 是 Key Performance Indicator 的缩写，中文叫关键绩效指标，就是公司事先用数字判断工作好坏的标准。梁文锋这套方法有一个隐藏前提：团队很小、成员能力强、彼此信任，而且大家对“什么研究值得做”已有共同判断。在这种环境里，少设指标能避免研究员为了完成数字而放弃难以预测的突破。
人和智能代理一多，问题就反过来了。愿景只能告诉大家往哪里走，不能告诉一个智能代理能看哪些资料、一次实验最多花多少芯片、什么结果算失败、出了错由谁叫停。到2030年，真正先进的组织不会简单地“没有 KPI”，而会把指标从考核人的忙碌，改成检查任务的完成率、错误率、可撤回性和资源成本。2027—2029年若 DeepSeek 开始公开更清楚的评测、权限和事故处理机制，说明它正在把小团队的默契变成可扩大的制度；若仍主要依靠少数人心领神会，愿景驱动就会成为规模化的瓶颈。
5.这个愿景甚至也不是成文的，并不是写出来的，没有写出来过任何东西。这个愿景是在我们做事情的方法、我们对待这个世界的态度里。
2030 注 几十个一起工作很久的人，可能一个眼神就知道哪些事不能做。人变多后，新员工和 AI 都读不懂这种默契。到2030年，公司必须把它写下来，例如工资表不能看，医疗建议必须由医生签字。
6.我们并没有非常多的其他优势，我们没有什么本事，我们并没有比别人有钱，也没有说我们人员比其他公司更好，其实没有的。我们两年前成立这个公司的时候，我们又没有很多钱，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。
2030 注 早期做成一件事，不一定因为人更聪明，也可能因为团队把有限的芯片只用在少数关键实验上。省着用能缩小差距，却造不出凭空多出来的芯片和电。到2030年，聪明的工程方法和真实资源仍要一起算。
7.你越克制，可能就越容易做成，或者说至少到目前为止是印证的，到目前为止是能解释得通的。否则没有办法能够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，我们的人其实也就是随机的一群平凡的人。
2030 注 这里的克制，不是资源越少越厉害，而是少押几条路线。十个项目每个分一点人，可能全做不深。把人和芯片集中到一个最重要的问题，成功概率会高一些，也可能因为押错而错过别的机会。
8.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，我觉得根本不用考虑这件事情，因为这个利益足够大了。
2030 注 这块大生意不是一个蛋糕，而是一桌菜。有人训练模型，有人出租运行模型的电脑，有人把 AI 放进办公软件，有人让它办保险理赔，还有人专门看住一群 AI 别乱动。每一层都可能赚钱，但随便伸一筷子，不等于真能吃到。
9.我们去年春节用户突然很多，但是我们并没有去追求我要留这些用户，或者说拿这些用户来变现，或者说我要去抢这些商业利益，在用户上面兑现。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。
2030 注 用户突然变多时，先保证服务不崩，再考虑怎样收费，能换来信任。可用户多不等于生意已经成立。到2030年，人们会更在意 AI 能不能记住自己的事、把任务办完、出错后有人处理。
10.我们并不会有这样的想法，说我要做成下一个超级App，然后我要去跟谁竞争，我要做成下一个字节、做成下一个腾讯，完全没有这样的想法。我觉得后面的AGI机会应该是非常大的，后面的AGI机会永远是非常大的。
2030 核心注 AGI 是 Artificial General Intelligence 的缩写，中文叫通用人工智能，目标是让同一个 AI 能处理许多不同的脑力任务。梁文锋拒绝“下一个超级 App”的判断，背后其实是一种产业分层：少数公司训练通用模型，云和办公平台掌握账号、权限与分发，垂直公司把模型接进法律、医疗、客服和编程的真实流程。一个模型可以很通用，却不可能同时拥有每家医院的病历权限、每家公司的审批规则和每个行业的责任资格。
因此，2030年的权力不只属于“最聪明的模型”，还属于控制工作入口和结果反馈的人。DeepSeek 若只提供通用能力，会获得巨大的调用量，却可能把更厚的利润让给掌握客户、流程与责任的应用公司。相反，如果它后来亲自进入太多应用，就会和今天希望扶持的伙伴争夺同一批客户。2027—2029年应观察的不是它有没有做出一个更大的聊天框，而是它是否成为许多不同系统都愿意调用、又能方便替换的底层能力。
11.克制是一种战略。就在于有时候你可以舍弃一些，来换更多其他的东西。不开源这个事，其实也是一样的，也可以认为是我们的压力，也可以认为是我们的让利。
2030 注 原文的不开源，和后面多次坚持开源互相冲突，可能是转录问题。开源就是把训练好的模型文件公开给别人用。如果这里本来想说开源，放弃的是独占，换来的是更多人使用和帮忙改进。若真的指不开源，逻辑正好相反。
12.这种克制，我理解是这种克制从长远上来讲，能够增加我们做成AGI的概率。在考虑一件事的时候，我是毫不怀疑AGI会有非常大的商业价值。那么在这个基础上，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。
2030 注 这是一种下注顺序，先提高做成通用人工智能的机会，再考虑多分利润。它不保证2030年前一定成功。即使完整目标还没实现，能查资料、打开软件和完成几步任务的 AI，也会先进入真实工作。
13.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，或者希望我能够协助大家去做这个事情，希望能够帮助大家做这个事情。
2030 注 具体的分工是，DeepSeek 提供通用模型，别的公司把它接进客服、办公或医院系统。它有点像发电厂只负责供电，工厂自己决定怎样用电。类比到这里就停，电不会编出错误答案，模型会，所以合作方还得检查结果。
14.我觉得我们之前秉持这种态度，其实我们并没有因此而少拿到任何东西，并没有因为我开源，并没有因为我们的善意或者说我对其他人提供帮助，而导致我们少拿了任何东西。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。
2030 核心注 开源后，多家公司可以提供同一个模型，彼此压价，模型会更快从稀缺产品变成通用材料。表面看，DeepSeek 放弃了独占收费；更深一层，它是在压低所有模型厂商的定价权，让更多开发者围绕自己的模型写软件、做适配、积累使用习惯。开源因此既是让利，也是改变战场：模型文件更便宜，低成本运行、稳定服务、更新速度和生态兼容变得更值钱。
谁受益、谁受损也很清楚。应用公司和客户得到更多选择，闭源模型的高毛利受到压力；DeepSeek 则有机会用规模、标准和工程效率换回影响力。但“没有少拿任何东西”无法证明，因为没人能看见不开源的另一条历史。到2027—2029年，可以看三个信号：第三方部署量是否继续增加，官方服务是否仍能靠成本和稳定性留住付费客户，以及应用公司能否轻易换成别的模型。前两项强、第三项也强，说明开源扩大了市场，却没有给 DeepSeek 带来牢固的客户锁定。
- 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。
2030 注 C 端里的 C 是 Consumer，指普通消费者。B 端里的 B 是 Business，指企业客户。普通用户会暴露最常见的错误，企业会逼模型面对内部资料、审批和责任问题，同时还带来收入。研究目标和商业化可以互相喂养。
02
AGI路线图
16.如果说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。但这里有个定义，有个前提是：你给它完整的上下文，给它完整的指令。
2030 注 上下文，就是完成任务需要的背景资料。现实里，它散在邮件、会议、数据库、历史决定和老员工脑中，人自己也常说不清目标。到2030年，真正好用的系统不应等一句完美指令，而要在权限内自己找材料、标出来源、告诉人还缺什么，并把结果写回业务系统。这里的难点已经不是聊天技巧，而是谁掌握企业的数据入口和权限。
17.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持续学习。
2030 核心注 持续学习，指 AI 今天被纠正，明天遇到同类任务会记得改法。梁文锋把“能不能替代员工”压在这一项能力上，但职业不会因为一个技术开关而整份消失。工作会先被切成搜集、草拟、核对、执行和签字等任务；容易验证、错误可逆的部分先交给 AI，高风险判断和最终责任留给人。
真正改变企业的，不只是模型会学习，而是它能否学会“这家公司怎样做事”。通用模型可以知道保险是什么，却不知道某家公司过去哪些理赔被拒、哪类例外必须升级给经理。这样的改错记录越积越多，后来者越难复制，价值便从通用模型移向组织自己的数据和流程。失败条件也同样明显：若模型学到错误、不同客户的记忆混在一起，或员工无法查清它为何改变，持续学习会把一次错误变成长期坏习惯。到2027—2029年，应观察企业是否真的让 AI 跨月保留经审核的经验，以及这些经验能否被查看、删除和回滚，而不是只看演示里它“记住了我”。
18.AI的发展，我们可以理解成它是一个阶梯。去年走的阶梯是思维链。因为我们发现，通过思维链的方式，可以让智能达到一个更高的水平。
2030 注 Chain of Thought 中文叫思维链，简称 CoT，就是让模型把一道难题拆成几步来做。步骤写得很完整，答案仍可能错。到了真实工作里，数据库、代码测试和原始证据比一段看起来聪明的思考过程更可靠。
19.今年的阶梯就是Agent，因为我们发现，用Agent的方式，即便多些事情也可以做，它的能力范围会更大，它的智能上限会更高。Agent要用到CoT，然后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。
2030 核心注 Agent 中文常叫智能代理，指不只回答问题，还会自己拆步骤、打开软件、动手做事的 AI。真正的变化不是聊天框多了几个按钮，而是公司里出现了一种新的执行单位：它能并行查资料、改文件、运行测试和写回系统。管理问题会从“这个岗位需要几个人”，变成“这个目标需要几个人、几个 Agent、哪些权限和多少审核点”。
Agent 的能力上限越高，错误半径也越大。回答错一句话可能只是体验不好，自动退款、改代码或发送文件出错，就会变成真实损失。因此企业瓶颈会从“模型会不会做”转向“公司敢不敢让它做”：是否有独立身份，是否只给它完成任务必需的资料和按钮，是否有费用上限、行动日志、人工升级和一键撤回。到2027—2029年，强信号是 Agent 成为一段流程的默认执行者，能在异常时自动停下并交给人；员工仍靠复制粘贴把它夹在旧流程旁边，只算工具升级，还不算组织重构。
20.在Agent之后，我们觉得应该要解决的问题是持续学习，就是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。
2030 核心注 客服智能代理今天弄错退款规则，人改正后，明天遇到同类订单能自动用上，这才像员工在成长。但持续学习不是简单地把每次对话都塞进记忆。系统必须判断谁的纠正可信、这条规则适用于哪类客户、什么时候过期，以及新经验是否破坏旧能力；否则一个恶意用户或一次误判就可能污染后面的所有决定。
商业上的关键在于“反馈飞轮”。智能代理做得越多，公司得到的真实结果越多；结果经过人审核后又让它更懂这家公司；它越可靠，公司越敢交给它更多任务。这个循环一旦转起来，护城河不再是人人都能下载的模型，而是多年积累的任务、例外、纠错和最终结果。到2027—2029年，真正的进展信号不是记忆长度变大，而是同类错误能否持续下降、旧规则能否有版本记录、不同公司的经验能否严格隔离。
21.持续学习之后，可能我们就会来到一个奇点。这个奇点就是，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。它就能够自己开发自己的版本，能够自己再研究，然后开发自己的下一个版本，开发更前的人工智能模型。
2030 核心注 这里的奇点，指 AI 开始自己读论文、写代码、做实验，再用结果改进下一版 AI，研究速度越滚越快。这条因果链中间却跳了几级：能记住经验，不等于会提出值得研究的问题；会写实验代码，不等于测试标准正确；一次局部改进，也不等于能安全地修改整个训练系统。持续学习可能是必要条件，却不是“能做人类所有事情”的充分条件。
更可能出现的是渐进式自我加速：AI 先接管资料整理和常规实验，人负责选方向、分配算力、检查异常和决定是否采用结果。它会先扩大少数顶尖研究者的能力，而不是立刻让人退出研究。2027—2029年应观察的强信号，是 AI 提出的新方法能否被独立复现，并在没有人逐步指挥的情况下连续完成多轮有效实验；弱信号只是它能写出研究计划或改一段训练代码。把弱信号当成奇点，会高估速度，也会低估验证和治理的价值。
22.这个奇点，它并不是一个奇点，它也是一个渐进的过程。这个过程可能也是一个比较长的渐变，它不是个突变。但是习惯性地，我们都认为它可能是个奇点。
2030 注 对普通人来说，变化更可能是一批批小任务慢慢交给 AI。今天少写初稿，明年少查资料，再后来一个人同时看住几个智能代理。工作名称可能没变，里面每天做的事已经换了。
23.这是我们的推测，这是我们觉得这个时间表应该是：先解决学习去学习，然后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。
2030 注 具身智能，指 AI 有机器身体，能在现实世界搬东西、做家务或照护老人。两份报告只推演了屏幕里的智能代理，预计它们会先进入编程、客服和公司运营，并没有预测家务机器人哪年成熟。
24.如果说我们先解决持续学习，再解决那个自我迭代的奇点，再解决具身智能，这个路上就很轻松。因为到后面之后，你可以用前面的技术来帮助开发后面的技术。
2030 注 前一步确实能帮后一步，智能代理可以写机器人代码、筛资料、分析实验。可帮助不等于自动解决。每轮测试仍要用芯片和电，机器人还要在真实环境中证明不会乱动，前面的 AI 也可能把错误带进下一步。
25.我们只做AGI的主线。AI领域很广泛，有很多东西我们觉得它不在这个主线上面，比如说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。
2030 注 3D 就是能表现长、宽、高的三维内容。DeepSeek 不做3D和视频，是在给公司划边界，不是说这些生意没价值。到2030年，一家公司可以专心造通用模型，另一家公司用它拍视频或设计产品，各赚不同的钱。
26.视频生成一开始出来的时候就很火，好像这是必须要做的，如果你不做，你就不是一个AI公司一样。所以我就很奇怪，这个其实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。
2030 注 视频生成能证明 AI 会制作一种内容，不能直接证明它会长期记住经验、自己规划并完成复杂任务。它完全可能成为很好的创作产品。商业上很火，和它是不是通往通用人工智能的关键台阶，是两个问题。
27.在商业上，它是个好生意，在商业上是个好生意。但是这跟智能没有什么关系。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。
2030 注 这条话是在分开公司使命和赚钱机会。DeepSeek 只做自己认定的智能主线，不代表视频、设计或医疗应用不会长出大公司。后者真正难抄的，是懂行业规则，能接进客户系统，并把结果交到客户手上。
28.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。最重要的才是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，当然每个公司它的判断是不一样的。
2030 注 世界模型，是让 AI 在脑中模拟现实会怎样变化，例如推一下杯子后它会往哪里倒。DeepSeek 选择先做持续学习，再做这种模拟，这是研发顺序上的下注。两份报告说明长期纠错记录会更值钱，却不能证明这条技术路线一定赢。
29.我们现在比较相信一个叙事是，AI可以加速AI的研究。就是说，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。
2030 核心注 非线性加速的完整链条是：AI 缩短读论文、写代码和分析失败的时间，于是同样一群研究员能跑更多实验；更多实验产生更多结果，结果又用于改进下一代 AI；更强的 AI 再进一步缩短研究周期。真正会被放大的不是“聪明”这个抽象数字，而是单位时间内经过可靠验证的实验数量。
这也解释了为什么算力、评测和人的判断不会自动失去价值。AI 若提出十倍多的方案，却没有十倍多的芯片去跑，瓶颈会移到计算资源；实验若只追错误的分数，它会更快把整个研究方向带偏；结果没人独立复核，速度就只是在制造更多看似合理的噪声。到2027—2029年，应看从想法到可复现实验的周期是否明显缩短、AI 提议真正进入后续模型的比例是否上升，而不是只数生成了多少代码。
30.我觉得具身肯定还是要进入，最终具身。因为对一个正常人来讲，他的需求并不是电脑，对不对？因为正常的人，他吃喝玩乐、衣食住行，他不需要电脑。他需要的是，所以他还是需要具身智能来解决具体人力的需求。
2030 注 原句在他需要的是这里明显少了一段，像是转录缺字。能确定的只是梁文锋把屏幕里的信息工作和现实里的体力工作分开了。两份报告只预测前者到2030年的变化，没有给家用机器人排时间表。
31.我们希望AGI能做什么呢？它能帮我迭代下一版模型，能帮我迭代下一版模型一样。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。
2030 注 原文连续两次说帮我迭代下一版模型，也像转录重复。它想表达两轮自我改进，AI 帮着造下一代 AI，机器人帮着设计下一代机器人。人仍要决定改什么、怎样测试，以及危险变化能不能放行。
32.下一代模型的核心能力，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。
2030 核心注 只变快、变便宜，是换了一把更好的通用工具，竞争者的新模型很快也会追上。能持续学习，则可能把工具变成“越干越懂这家公司”的数字员工。商业价值因此会发生转移：基础模型提供初始能力，企业自己的历史任务、纠错记录、审批习惯和结果数据决定它后来能不能胜任。
这里还有一个容易忽略的权力问题。若长期记忆掌握在模型供应商手里，客户换模型时就像让一个熟悉公司多年的员工失忆，供应商会得到很强的锁定；若记忆以开放格式留在客户自己的系统里，模型本身仍可替换，利润会更多流向管理数据、权限和工作流的平台。到2027—2029年，持续学习是否真的构成突破，要看它能否跨很长时间减少同类错误、能否解释学了什么，以及客户能不能带着自己的“经验档案”迁移到别的模型。
33.现在的Agent的能力受限，是因为它不能持续学习，它不能有效地持续学习。如果说能够先把持续学习做完，那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。
2030 注 现在的智能代理今天做错，明天可能照样再错；若能长期记住改法，研究会快很多。但持续学习有一个治理悖论：不会学习的 Agent 重复犯错，会学习却不可审计的 Agent 可能把坏习惯越学越牢。每次学了什么、依据是谁、从哪个版本开始变化、怎样撤销，都必须让人查得到。
34.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。所以我说这是一个我们比较希望看到的结果，我们比较省力，我们就轻松。否则现在你要去人工做通用智能，它是一个比较累、比较苦，是一个数据密集、人力密集的事情，性价比也不高。
2030 注 持续学习可能减少人手工整理资料、反复调教模型的工作，但它不是通用人工智能的保证书。AI 仍可能学错，仍要花芯片和电，也仍需要人决定目标。梁文锋说会很容易，是希望，不是已经完成的证明。
03
团队与人才
35.我们前面的经历给我的启示是，AGI这个愿景是很强大的。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，然后怎么合作。
2030 注 聪明人多，不等于团队强。一个研究员发现问题，工程师能马上改代码，产品人员又能把用户遇到的错误带回来，知识才会变成进步。到2030年，还要会把任务分给智能代理，检查它们的结果，并在出错时接手。
36.你把聪明的人聚在一起，并不是说他自然而然就能够合作，自然而然就能够非常有激情地去奔一个目标、去完成的，所以你需要一个愿景。
2030 注 共同目标像一张地图，让研究、工程和产品知道什么该先做、什么可以放弃。到2030年，智能代理能同时做很多事，目标若含糊，它们只会更快地各忙各的。愿景要落成两个清楚的问题，做什么，怎样才算做完。
37.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。
2030 注 核心团队留下来，能保住没有写进文档的失败经验和合作默契，这些比一份模型文件更难复制。但团队稳定只会提高成功机会，不保证一定做成。方向选错、芯片不足或结果无法检查，仍会卡住。
38.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。
2030 注 钱能买芯片，却买不回一群人多年一起试错形成的默契，这是这句话成立的部分。可它和后文「算力是最大瓶颈」放在一起看，资源显然仍是问题。团队和算力不是二选一，少了任何一边都会变慢。
39.这也是我们面临的一个非常大的挑战，或者说，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都还是比较多的，金额还是比较大的。
2030 注 期权是公司给员工的一种权利，满足约定条件后，可以按约定价格取得股份。公司越值钱，股份可能换来的钱越多，员工为了等这份收益，就多一个留下的理由。但公司也可能失败，钱也不能自动买来合作和判断。
40.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，那么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的环境里面去做这个事情。
2030 注 老员工留下，其他人会更相信方向没变，也能继续从他们那里学到过去没写下来的经验。可公司不能永远靠几个人当活字典。到2030年，这些判断要变成实验记录、检查标准和做事步骤，否则一人离开就会断层。
41.其他都是时间问题，其他最多导致我们晚半年、晚一年，但是不会说做不出来。肯定是不缺钱，肯定是不缺资源，其实这些都是不缺的。
2030 注 这是很强的信心，不是已经证明的结果。方向选错、芯片一直买不到，或者系统总犯不能接受的错，都不只是晚半年，而可能逼公司换一条路。
42.我们跟美国的差距主要在资源上面，然后人上面差距不是很大的。人上面几乎没有差距，因为就是同一批人，可能是中国人。中国人出去的时候，有一些人留在国内，有些人留在国外，有些人去国外，他并没有说是聪明的人去国外，没有的。
2030 注 人有多聪明，和他有多少机会动手试，是两件事。同样的研究员，一边能反复做实验，另一边总在排队等芯片，几年后积累的经验自然会拉开。
43.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。
2030 核心注 新人不是只靠读论文成长，还要亲手把实验做砸、找出原因，再重来。算力因此不只是生产设备，也是人才的练习场：芯片多的团队能同时试更多路线，更快分辨哪些直觉可靠；成功和失败又沉淀成下一批研究员的经验，于是资源差距会经过人才培养被继续放大。
AI 辅助研究可能缩小一部分差距，它能代写常规代码、筛掉明显错误的方案，让有限算力用在更值得的实验上；但它也可能扩大差距，因为拥有更多芯片的团队同样能让更多智能代理并行探索。真正决定追赶速度的，是“每单位算力能产生多少经过验证的新知识”，而不是只有芯片总数。2027—2029年若资源较少的团队能持续以更低训练和推理成本做出接近前沿的模型，说明工程效率正在抵消规模；若领先方的实验周期反而越来越短，资源会通过学习速度形成复利。
44.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。因为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。
2030 注 会用现成模型的人，可能很快就会像今天会用电脑的人一样普遍。真正少的是另一类人，他们能问出新问题，设计办法检查答案，还能处理那些规则没有写到的怪情况，这不是上几天课就能学会的。
45.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，中国做基模的东西太多了。最终一定是不需要那么多人去做基模的，一定会收敛。
2030 注 训练最前沿的通用模型太烧钱，需要的芯片也太多，所以真正长期参赛的公司可能变少。但可用的模型不会只剩几个，公开模型文件的开源路线、只在本地运行的模型，以及专做合同、保险等任务的公司仍会很多。
46.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，就是每个人自己想做什么，自己做，没有人管他，没有KPI。
2030 注 上层告诉大家目的地，研究员自己找路线。AI 能同时试更多想法，但每个实验能花多少芯片、能看哪些内部资料、什么时候必须停下来，仍要提前说清。
47.一般我们希望员工还有一半的时间，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。
2030 注 留出一半自由时间，是在为还不知道答案的问题下注。多数尝试会失败，少数可能打开新方向。以后一个研究员可以让几个 AI 同时试想法，但花了多少计算资源、为什么失败，仍要记下来。
48.我们一般也不太加班。加班有两个原因。第一个是，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。因为既然就是要你自己有这个兴趣，你自己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。
2030 注 做研究最难的常常是找到该问的问题，不是多打几个小时字。AI 可以查资料、写初稿、跑常规实验，人省下来的时间应该用来设计实验和检查答案对不对。
49.第二个是，我们非常聚焦。我们非常聚焦，就意味着我们要做的事情很少。那我就没那么多事情要做，我就不需要加班。这个跟前面的克制是一脉相承的。
2030 注 聚焦不是让十个项目都加速，而是干脆不做其中九个。对应用公司也一样，先把合同审查或保险理赔中的一个小任务做稳，再沿着客户每天真实做事的步骤慢慢扩大。
50.我们公司整体上是建立在共识的基础上的，我并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在公司内的影响力，是建立在共识的基础上的。
2030 注 这种权威来自大家真心认同一个判断，不是老板靠职位压下来。研究方向可以多商量，但当 AI 已经替公司退款、改代码或发消息时，必须有人能按下停止键，也必须有人为错误负责。
51.这个决策机制其实是一种寻求共识的机制，这并不是说我能够推动一个什么事情，它一定是共识，我才能够推得下去，然后我才会去推。
2030 注 商量到大家真认同，能减少嘴上答应、心里反对的问题。可人一多，等所有人点头会很慢。到2030年，大方向可以一起定，日常的小决定仍要交给明确的人拍板。
52.随着人员的增加，我们会做这个调整。应该是我们马上就得做这个调整，因为我已经在做这个调整。已经不做这个调整的话，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。
2030 核心注 这句话是整段组织叙事里最重要的自我修正：几十个人可以靠信任和创始人的直接影响形成共识，几百个人就会出现信息断层、等待拍板和责任模糊。组织架构不是愿景的反面，而是把愿景翻译成“谁有权决定什么”的机器。
到2030年，这个问题会因智能代理而更尖锐。一个人动作慢、权限有限，出错通常只影响几件事；一群智能代理可以同时读资料、改代码、发消息和执行交易，模糊的权责会被高速放大。真正需要建立的是一套控制面：每个代理的身份、可访问资料、预算、审批点、行动记录、暂停和回滚方式都可查。2027—2029年若企业开始像管理员工账号一样管理智能代理，并把事故率和恢复时间当成核心指标，说明组织真的在改变；若只是多买几个聊天账号，生产率提升仍会停在局部。
04
算力与资源
53.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，肯定是卡越多越好，这是毫无疑问的。所以我们现在策略是，在合理的价格里面，能买到多少卡就买多少卡。
2030 核心注 这里的卡，是训练和运行 AI 的计算芯片。“越多越好”揭示了模型竞争的物理底座：算法写在屏幕上，能力增长却要经过芯片、封装、机房、冷却、电网和长期资本支出。钱只能购买这些资源，不能让缺货的芯片和来不及并网的电力立即出现，因此融资额和可用算力之间存在很长的建设链。
到2030年，竞争也会从“谁买到最多卡”扩展成“谁让整套系统每度电完成最多有效工作”。单次推理变省并不保证总用电下降，因为价格越低，智能代理越可能运行更久、尝试更多轮、进入更多任务。受益者不只是模型公司，还包括芯片、数据中心、电力和能快速建设基础设施的地区；资源贫乏的团队则更依赖算法效率和开源供给。2027—2029年可以观察训练规模之外的三个信号：每项完整任务的总能耗、机房交付时间，以及算力是否开始因电网而不是芯片本身受限。
54.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。如果今年能够花掉两百亿，那么就属于我们的采购部门业绩超级好了。
2030 注 融到钱，不等于第二天就多出可运行的算力。芯片要等工厂生产，机房要建设，冷却和电网要接好，任何一环延迟都会让昂贵设备闲着。到2030年，会买、会建、能并网并按时交付整套系统，本身就是模型公司的竞争力。
55.我们跟美国之间最大的差距是在资源上面。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，基于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。
2030 注 明星研究员的工资很醒目，但公司的总账里，成千上万块芯片、机房和电费往往更大。算力决定能试多少次，研究员决定这些实验值不值得做，两边都不能少。
56.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。
2030 注 把所有差距都归到算力上，说得太满了。算力决定实验次数和模型能力上限，却不能自动让法律 AI 找对证据，也不能决定医生是否敢在结果上签字。模型层的差距可能主要受资源影响，应用层的差距还来自真实资料、流程重构、检查步骤、客户信任和责任人；这也和第43条“人才差距来自算力”形成了边界。
57.我们跟美国的差距可能是落后美国12个月，落后美国可能12到18个月，或者说6到12个月。反正简单说，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。
2030 注 这段同时说了6到12个月、12到18个月和两年，三个口径对不上，不能拿来精确计算追赶日期。能读出的只有一个大概，中国团队用了少得多的算力，晚一些做出接近的能力。究竟晚多久，连这段话本身也给不出可靠答案。
58.这个叙事就是落后一到两年，但是只用它二十分之一的算力。那么未来我们要把这个叙事改写，就是我们用它几分之一的算力，但是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。
2030 注 目标其实有两件事，一边要拿到更多芯片，从对手的二十分之一提高到几分之一，一边要把追赶时间缩到3到6个月。如果花得仍比对手少，能力又接近，更多公司才用得起。
59.Scaling，我们是信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。
2030 核心注 Scaling 是英文里的规模放大，这里指给模型更多资料、做得更大，并让更多芯片训练更久。梁文锋相信规模还会解锁新能力，这可以解释为什么基础模型公司仍愿意投入巨额算力；但“模型能力继续上升”和“经济价值按同样速度上升”是两条不同的曲线。一个模型考试分数更高，不代表它已经读得到企业资料、能在权限内行动、做错后可撤回，也不代表客户愿意为这点差距多付很多钱。
Scaling 的受益会分层。最前沿实验需要极大资源，可能让少数模型公司更集中；能力一旦通过 API 或开源扩散，又会让大量应用公司以低价获得过去昂贵的智力。于是上游越集中，下游反而可能越繁荣。到2027—2029年，判断 Scaling 是否仍是主线，不能只看模型大小，而要看新增算力是否持续带来过去做不到的新任务、单位完整任务的成本是否下降，以及能力领先能保持多久。若领先很快被追平，Scaling 仍有技术价值，却未必形成长期定价权。
60.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。
2030 注 模型做多大，是拿手里的芯片和预算倒推出来的，不是科学已经证明这么大就够。设计得更省，同一批芯片就能训练更大的模型，或者同时给更多人回答问题。
61.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，然后训练成本。
2030 注 硅谷觉得继续放大开始变慢，不代表资源较少的团队已经把这条路走完。但一直加芯片也不是万能答案。AI 即使更会回答，也还要读得到公司的真实资料，做错后能被发现，并且有人负责。
05
国产芯片与生态
62.英伟达CUDA的护城河在快速地被瓦解。一方面是现在有了AI，然后有了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。
2030 注 CUDA 是 Compute Unified Device Architecture 的缩写，可以把它理解成英伟达的显卡工具箱，程序员靠它告诉芯片怎样计算。AI 能帮工程师把旧程序改给新芯片用，但工具、教程和多年使用习惯不会一夜搬完。
63.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。
2030 注 游戏显卡既要画游戏画面，也要做计算。AI 市场足够大后，厂商可以造只为模型学习和回答问题服务的芯片，再把许多芯片连起来。到2030年，大家比的会是一整套机器每小时能做多少事、要用多少电。
64.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，认为是用不起来、不好用，但是未来我觉得一年之内，我们能够扭转这个认知，或者会用事实来扭转这些。
2030 注 这里的生态，不只是芯片本身，还包括让芯片工作的软件、工具、教程和会修问题的工程师。原文没有写交流会日期，所以未来一年不能直接换算成某一年。能用起来，也不代表速度、稳定性和使用体验已经全部追平。
65.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。
2030 核心注 买不到进口芯片，团队只好使用国产芯片。强制采用会启动一个“边用边改”的循环：用户变多，真实训练暴露更多问题；工程师修编译器、通信和工具；软件变好后又吸引更多用户。生态不是先完整再有人使用，而是在大量失败、适配和文档积累中长出来。限制本身因此可能加快国产生态成熟。
可“能跑起来”只是第一关，不等于在商业上已经平替。客户最终要算同一项训练需要多少机器、多少电、多少工程师排错，会不会中途故障，以及能否按时买到足够数量。如果四张卡才能完成一张卡的工作，产能、电力和机房可能把软件上的进步吃掉。到2027—2029年，最有说服力的信号不是一次演示或峰值参数，而是主流模型能否长期在国产系统上训练、不同框架能否少改代码迁移、买来并长期运行的总成本是否接近，以及供应量是否跟得上。生态、单卡性能和产能必须同时成立，缺一项都不能叫完全替代。
66.V3训练的时候，它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，但是没有用英伟达的生态，而是我们先写一个高级编译器叫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。
2030 注 V3 是 DeepSeek 的一代模型。训练它时，机器里仍是英伟达芯片，但 TileLang 像一个翻译员，把模型的计算要求翻成芯片听得懂的指令。这个翻译员若能适配多种芯片，以后换供应商就不用把程序从头重写。
67.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，华为的950超节点，在性能和价格上可以完全平替英伟达的GB200、GB300。
2030 注 超节点，就是把许多芯片和高速网络连成一台大计算机。GB200 和 GB300 是英伟达的数据中心计算系统。两套大机器能不能互相替代，要看同一任务跑多快、花多少钱、耗多少电、会不会常出故障，不能只看广告里的最高数字。
68.四张华为卡顶一张英伟达的卡。
2030 注 这句话其实承认，单颗国产芯片可能慢不少。但原文没说比较哪两款芯片、做什么任务，也没说用多少电，所以四比一不能到处套用。多放芯片可以补速度，也会占更多机房、用更多电。
69.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。
2030 注 这句话想分开说两件事，配套软件可能先追上，芯片本身还慢一些、晚一些。可是四倍和两年比较的对象都没写清，更不能把两者相加。到2030年，仍要用同一任务去比速度、电费、价格和能交付多少台。
70.我们现在主要是跟华为有合作。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里面去。华为的问题还是产能不足。
2030 注 DeepSeek 真拿华为芯片训练时，会遇到卡住、报错和速度慢的地方，再把这些问题交给华为修。这样的来回试用，比只在纸上说可以兼容更有用。可软件修好了，也得有足够多的机器交给客户。
71.我不太相信未来五年之后，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，我觉得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。
2030 注 五年后必须从实际发言日算，可文章没有写交流会日期。若只拿两份报告的2026年7月作参考，五年后已经接近2031年，不能理解成2030年前一定解决。芯片多了以后，电力和机房仍可能成为下一道门槛。
06
竞争格局与行业判断
72.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，肯定是得在相同的成本上来比较，这个才是有意义的。因为你比较两辆车，也是同价位的车来比较。
2030 核心注 公平的比较，不是一次回答收费几分钱，而是一件事可靠做完总共花多少。完整成本至少包括模型调用、运行时间、接入内部系统、人工检查、失败重试，以及做错后的赔偿和信任损失。便宜但经常返工的 AI，可能比昂贵但一次完成的系统更贵；同样，最聪明的模型若必须由高级专家逐句核对，也未必有经济优势。
这个口径会改变2030年的竞争排名。基础模型公司习惯比较 token 价格和考试分数，企业更应该比较“每份合格合同”“每个正确解决的客服案件”或“每次安全发布”花多少钱。价值会从生成文字，移向完成结果、证明依据和处理例外。2027—2029年若采购合同开始按任务成功率、人工接管率、事故成本和结果收费，而不再只按席位或 token 收费，说明市场已经从买模型转向买生产能力。
73.Anthropic跟现在超过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。
2030 核心注 这是梁文锋对公司排名的猜测，不是技术规律。排行榜把竞争压成一条线，真实市场却有几条不同的轴：OpenAI 可能强在大众入口和产品化，Anthropic 可能强在代码与企业信任，Google 可能强在搜索、手机、办公软件和云。某次评测领先几个月，未必能夺走另一家公司已经掌握的用户习惯、企业采购关系和数据权限。
因此，模型领先越来越像获得一次进攻机会，而不是永久占领。领先者必须趁窗口期把能力变成用户、工作流和反馈数据；否则下一代模型追上后，优势就消失。到2027—2029年，应同时看四件事：前沿能力领先能保持多久，用户是否把长期上下文留在产品里，企业是否把关键流程接进去，以及换模型的实际成本有多高。若榜首反复更换而客户很少迁移，说明竞争重心已从模型能力移到分发与流程。
74.在全球AI中主导分工的时候，中国公司很有可能扮演的一个角色还是产量最大。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。
2030 注 这是梁文锋的预测，不是两份报告已经证明的事实。中国可能像发电厂一样，提供大量芯片、计算和电力。产量最大只说明供应多，不等于利润最高。直接服务医院和销售团队的公司，如果掌握客户资料并控制他们每天打开的软件，可能拿走更多利润。
75.中国人会把这产品做到最便宜，然后再在效果上，毕竟国外的商品，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，但是中国产的AI可能价格会更便宜。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可能是一样的。
2030 核心注 低成本路线最先改变的不是谁赚得最多，而是谁还能收取高价。中国团队若用更少芯片做出接近能力，又愿意接受更薄利润，会迫使全球模型价格下降，让过去用不起 AI 的小公司也能大量调用。模型因此更像基础材料：便宜会扩大总市场，却也把利润从“拥有模型”推向“把模型变成结果”。
这条路线的风险是把产量误当成价值占有。医院、律师事务所和金融机构不会只买最便宜的回答，它们要证据、权限、审计、系统连接和最终签字人；掌握这些环节的应用与平台公司，可能用低价中国模型做底层，却拿走更高利润。到2027—2029年，若模型调用量快速增长而每次调用利润持续变薄，同时垂直软件按案件或结果收费增加，就说明“中国产量、应用拿价值”的分工正在形成。中国公司能否向上进入工作流，而不只做最低价供应者，将决定成本优势能留下多少利润。
76.最终的差距应该是三方面：一方面成本，一方面时间，一方面用户体验。除此以外，可能是没有什么差距的。
2030 注 成本，是办成一次退款总共花多少钱；时间，是谁先让它真的进入生产；体验则远不只是聊天顺不顺。真正的体验包括它是否记得工作上下文、能否调用真实系统、错误是否容易发现、行动是否受权限限制，以及任务结束后谁负责。这样看，原文说的三个差距已经把数据、工作流和责任藏在了“体验”这个词里。
77.成本肯定是一个差异，我觉得可能成本是排在第一位的区别。然后第二个就是时间，你什么时候能够做到。你早几个月、晚几个月，它就不一样了。
2030 注 模型早几个月上线，会先得到用户和真实使用记录。价格低，才撑得住每天大量运行。可到了企业里，把 AI 接上订单、合同和付款系统，再安排人检查错误，常常比模型本身的费用更贵。
78.OpenAI从一开始觉得他真的能够垄断这个世界，但是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。美国会遇到挑战，那么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。
2030 核心注 低价和开源确实会削弱单一模型的垄断：客户可以换 API，也可以把公开模型部署在自己的机器上，领先者很难永远按稀缺技术收费。但 AI 产业不只有模型这一层。企业的邮件、文件、身份账号、审批记录和客户关系已经留在既有平台里，把这些东西搬走比更换模型连接地址困难得多。
所以“挑战 OpenAI”可能发生，却不等于任何一家低价模型公司会接管整个价值链。模型层的权力会下降，掌握分发、权限和工作流的 Microsoft、Google、Salesforce 或行业软件反而可能更强，因为它们可以在底层模型之间选择。DeepSeek 的战略难题也在这里：把模型做得可替换有助于打破别人的垄断，也会让自己更容易被替换。到2027—2029年，若企业普遍同时使用多个模型、路由系统按成本和任务自动切换，而账号、数据与审批仍留在原平台，说明垄断没有消失，只是从模型层转移到了工作流控制点。
79.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。
2030 注 如果客户只要改一下连接地址就能换模型，价格太高就会把人推向便宜或开源版本，模型也会慢慢变成各家差不多的日用品。可愿意少赚还不够，服务老掉线、技术不再进步，或者根本没人知道你，便宜也赢不了。
80.对我们来讲，我们并不是利润要拿最多的钱，或者说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，因为没必要找理由。
2030 注 这种定价像供水，单次少赚一点，让更多人放心长期使用。类比只解释收费方式，AI 的答案会出错，水不会编故事。所谓合理利润，至少要够买芯片、交电费、维护服务并赔得起自己的错误。
81.我觉得在很多体验方面，有可能我们是能比美国做得好的。在产品方面，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。
2030 注 中国团队可以先摸透中文表达和本地办事习惯，再把价格压低。可体验好不能只看聊天顺不顺，还要看 AI 能不能打开本地订单系统把事办完，答错后能不能马上交给真人。
82.成本这个很好理解，是因为他们都不用做，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，但对于他们来讲，这个是不重要的。
2030 注 手里的芯片和钱少，团队就会想办法让每块芯片多干活，这能练出省钱能力。但它不会永远只属于中国公司。一旦价格变成全球比赛的重点，资源更多的公司也会学着省。
83.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：一个是时间，一个是成本。所以不至于哪一家有暴利，我觉得不至于有暴利。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。
2030 核心注 “只需几家模型公司”描述的是最昂贵的前沿训练层，不是整个 AI 市场。巨额算力会让最前沿通用模型集中到少数玩家；开源、本地部署、国家主权需求和行业差异，又会让供给保持多样。最后可能同时出现“上游少数巨头”和“下游大量模型与应用”，并不矛盾。
暴利是否消失，也取决于看哪一层。模型能力接近、切换容易时，单纯卖 token 的利润会被价格战压薄；掌握企业数据、审批流程、分发入口和责任关系的公司，却可能拥有更强定价权。梁文锋把差异缩成时间和成本，低估了客户换系统时的摩擦与信任。到2027—2029年，若模型价格持续下降、企业同时调用多家模型，而垂直应用的续费和客单价仍上升，说明“智能商品化、工作流升值”已经发生。
07
模型研发与技术
84.我们公司可能有一半的人，平时有一半的人觉得OpenAI是更好的。其实Anthropic它有先发优势，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。大家这三家都很厉害，这三家里面的效率是最高的，它花的成本、它花掉的、它烧掉的钱应该是最少的。
2030 注 原文没有说清是哪三家公司，也没说花钱最少到底指谁，不能拿这段话排榜。能留下的判断只有一个，先领先几个月不难，难的是多年持续做出新模型，同时把每次训练的钱压下来。
85.多模态布局，我们一直在做。对产品来讲，它很重要；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。
2030 注 多模态指同一个模型不只读文字，还能看图片、听声音和读文件。到2030年，它可能像手机自带摄像头一样普通。这个类比只说功能会普及，不代表多看几种材料就一定更聪明。
86.我们应该会上相关的模型，就是我们V4、V4的后续版本会支持原生的多模态。但是我们对多模态、对智能来讲，它是个组件，我们不把它当作智能本身。
2030 注 V4 是 DeepSeek 下一代模型的版本名。原生多模态表示这些能力直接长在模型里，不是后来拼上的插件。它可以一边读合同、一边看表格和截图，可如果不能把结果写回公司系统，事情仍没有做完。
87.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，或造成美国的智力水平，都没有看到上限。
2030 注 没看到上限，只表示目前还没观察到能力停止增长，不等于已经证明它能永远变强。原文里的或造成美国也像是转录错误。即使模型继续进步，芯片、电费、错误率和谁来负责仍会限制它能做多大的事。
88.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。然后这是实现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。
2030 注 先给自己的研究员用，强处在于反馈距离极短：当天让模型读论文、改代码、跑实验，当天就能看到它节省了时间还是制造了错误。真实使用、结果、纠错和下一版改进连成一圈，比只追考试分数更接近研究价值。这个小飞轮若持续转动，内部使用本身就会变成别人买不到的数据。
89.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。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。
2030 注 自用的特别之处，是模型的第一个客户就是造模型的人。它今天帮研究员读论文、写代码、跑实验，明天这些人就能把发现用进下一版，形成“使用—结果—纠错—改进—更多使用”的循环。飞轮能否成立，要看错误和现实结果是否真的回到训练中；只积累更多对话日志，并不会自动产生进步。
- 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，这个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，会去想这个问题，然后把它当做一个重要的事情。
2030 注 这段没说摸奖到底在摸什么，不能据此猜出一条具体技术路线。较合理的理解是，很多人都可以试没把握的新想法。但一次碰巧成功不算成果，别人要能重复做出来，还要经过测试，才可以放进产品。
08
商业化与定价
91.我们的API定价是一个合理的利润，大概是我们到市场上买一批设备回来，十个月收回成本，我觉得这是一个合理的利润。
2030 注 API 是 Application Programming Interface 的缩写，中文叫应用程序接口，它让别的软件不打开聊天页面也能调用模型。十个月回本，按原文口径是买设备的钱大约用十个月收入赚回来，但原文没说按营业收入还是净利润算，不能当成精确回报率。
92.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，就是我价格再翻一半，或者说我价格再抬高一倍，token的消耗量区别不大的。
2030 注 token 是模型把文字切成的小块，收费时数的是这些小块，不一定等于一个汉字。这里说价格翻倍，用户用掉的文字小块也没少多少，说明眼下客户不太在意这点价差。到2030年，可替代的模型多了，这种情况未必还能保持。
93.我们的一个模型，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。
2030 注 降到四分之一，就是原来花4元的调用现在花1元，但原文没给实际价格，这只是比例说明。更便宜会让开发者敢多试几次。企业若想真用起来，还得让 AI 读得到正确资料，规定它能按哪些按钮，并安排人检查重要结果。
94.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。
2030 核心注 To B 里的 B 是 Business，指把服务卖给企业。企业需求的上限不是员工能问多少问题，而是有多少真实流程值得重做。公司买一批聊天账号很快，整理数据、连接系统、划分权限、改变审批、培训员工并承担错误很慢，所以 AI 的个人采用速度可以很高，组织生产率却不会同步跳升。
这也说明“需求有限”不是市场小，而是需求必须经过投资回报筛选。最先落地的会是高频、价值高、容易复核、错误可撤回的任务；医疗终审、重大贷款和复杂法律判断即使价值更高，也会因为责任重而慢。模型公司若只卖调用量，会碰到企业试用很多、生产部署很少的天花板；能把一段工作按时、可审计地交付的应用公司，反而能扩大可付费需求。2027—2029年应看生产环境中的任务完成量、人工接管率和客户续费，而不是只看采购席位和演示数量。
95.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。以明年我们B端有收入，如果这个需求可以再增大的话，公司离净利润已经不远了，可能就已经是净利润了。
2030 注 能够做到的，就都要，这句话指什么并不清楚。后面的收入和盈利也都有假如、如果、可能，不能当成已经赚到的钱。即使短期转为盈利，到2030年模型降价后，仍要靠更低成本和更稳定的服务留住客户。
96.最坏情况卖API，可能都能够支撑一个上市公司。就如果说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。
2030 注 只卖接口调用，也许能养活一家模型公司，这是原文设想的最差结局。可模型越来越便宜后，客户更愿意为完整结果付钱，例如不是买一段保险建议，而是买一份有证据、有人检查、能直接提交的理赔结果。
97.我们现在以目前的情况来看的话，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。
2030 核心注 Coding Agent 就是写代码的智能代理。代码有一个其他知识工作少见的优势：生成后可以立刻运行，测试会给出相对清楚的反馈，失败还能根据报错继续修改。它因此既是最早可商业化的 Agent，也是训练“模型调用工具、执行多步任务、自我纠错”的实验场；在这里学会的规划、记忆和工具使用，可能再迁移到研究、运营等领域。
但代码能测试，不等于软件已经安全。测试只覆盖人写进去的条件，复杂系统还有隐性依赖、长期维护和上线后的真实风险。它也会改变人才培养：资深工程师能同时管理多个 Agent，产出半径变大；新手过去用来学习的小任务被自动化后，进入高级工作的阶梯可能变窄。到2027—2029年，真正的进展信号不是 AI 写了多少代码，而是它能否独立完成从理解仓库、修改、测试到提交的长任务，缺陷率是否可控，以及公司是否找到新的新人训练方式。
98.我觉得低成本首先是一个结果。我们的模型确实一直在模型架构上往一个更低成本的方向走，这跟我们的愿景有关系。我们还有很多在算法上的方法，成本还可以往下走。
2030 注 省钱不是上市后临时打折，而是造模型时就少做无用计算，让同一块芯片多干活。这样降下来的成本比较难被一次促销拿走，也能让小公司用上过去只有大公司付得起的能力。
99.成本往下走还有一个原因是，成本越低，我就越能训练更大的模型，我就越能承担起更大的模型。在同样算力上，在算力有限的情况下，如果我的计算效率更高，我就能够承担起更大的模型。
2030 注 同样的钱若能少算一些无用步骤，就能训练更大的模型。可单次运行变省，不代表总用电下降：价格便宜后，公司会让更多 Agent 工作更久、反复尝试更多轮，新增用量可能把节省的电全部吃掉。低成本会同时推动 AI 普及和新的能源需求，这是效率进步带来的反直觉结果。
09
开源策略
100.我觉得我们是会开源的，然后我们最强的模型可能也是会开源的。因为我看不到闭源什么好处，看不到必然的好处。字节它的模型是闭源的，它有什么好处？我看不到有什么好处。
2030 核心注 开源，就是把训练好的模型文件公开，让别人可以下载。它会同时做三件事：压低模型价格，给担心供应商断供或数据外流的客户一份“可自己运行”的保险，也让开发者更愿意围绕这个模型做工具和适配。DeepSeek 放弃一部分独占，是想让自己的模型变成更广泛的基础材料和事实标准。
这是一种“把和自己一起使用的东西做便宜”的战略。模型越便宜，部署、芯片、云服务、行业软件和企业改造的需求越大；DeepSeek 若能在官方服务上始终跑得更省、更稳，仍可从扩大后的总市场赚钱。风险也很直接：竞争者可以拿同一模型降价抢客户，社区可能转向另一个更开放的标准，安全更新也更难统一。到2027—2029年，应看开放模型是否形成跨芯片和工具的生态、官方服务是否仍有成本优势、企业是否把开源当成真实生产方案。下载量很高但生产部署很少，只说明传播成功，还不能证明商业模式成功。
101.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，这个门槛也非常高。他要用起来，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。
2030 注 公开模型文件，不等于把训练资料、调教方法和加速技巧全送出去。别人下载后，还要找合适的芯片，让模型跑得稳定，及时修安全问题，并控制电费。拿到食谱，不等于立刻能开好一家餐厅。
102.开源并不会影响收入。开源，我觉得对我们的商业模式是没有任何影响的。
2030 注 文件公开了，省事的服务仍能收费。DeepSeek 可以替客户准备机器、保持服务不断线、更新新版本，客户就不用自己养一队工程师。开源改变的是收钱理由，不保证收入完全不受影响。
103.我也不担心别人部署我们的模型，然后跟我们来竞争，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。
2030 注 帮别人部署，会让更多程序和产品围着 DeepSeek 生长，也会让模型更像一种通用标准。可被帮助的人也可能转头抢客户。DeepSeek 真能不担心，前提是它一直跑得更便宜、更稳定，更新也更快。
104.我们在对外面打交道的时候，我们的态度是：我们只做AGI的主线。在对外面打交道的时候，我们是很愿意协助、帮助任何人，甚至我们的竞争对手，包括阿里、智谱、月之暗面，去做得更好。因为我们并不损失什么东西，我们本来也是开源的。
2030 注 到2030年，有人训练模型，有人出租运行模型的电脑，有人把 AI 放进办公软件，还有人专做医疗、法律或客服。DeepSeek、阿里、智谱和月之暗面可以继续做各自的模型，应用公司再负责把模型接进具体工作。大家有重叠，也有合作，不必由一家公司全包。
105.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。我们不会说开源一个差点的模型，然后我们自己部署的时候用一个更好的模型，是不会的，是一样的。
2030 注 一样，最多说明公开下载的模型文件和官方使用的是同一版，不代表产品体验完全相同。芯片、延迟、回答前查哪些资料、权限和拦截规则、版本兼容、忙时排队、错误回滚与审计都会改变结果。到2030年，很多收费恰恰会落在这些看不见、却让企业敢把任务交出去的服务上。
10
数据与后训练
106.数据应该几乎就等于模型的一半。前面还有一个标数据的问题。我们在数据标注方面，这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。
2030 核心注 数据等于模型一半，不是说真的各占50%，而是强调模型不会只靠算法凭空进步。这里还要分两类数据：公开文章和人工标签教模型一般规律；建议最后有没有被采纳、Bug 是否真的修好、哪种例外被专家否决，才教智能代理这家公司怎样工作。第二类数据贴着现实结果生长，比再收一批网页文字更难复制。
因此，2030年的数据护城河不会只是“谁存的文本多”，而是谁占据真实工作流程，能持续看到输入、行动、结果和专家纠正。应用公司可能没有能力训练最大的通用模型，却能因为掌握某类合同、理赔或诊疗的闭环反馈而建立更深壁垒。风险在于，历史决定也可能带着偏见和过时规则；数据飞轮若只记录成功、不记录失败，会把旧问题越放越大。2027—2029年应观察错误率是否随真实使用下降、每条纠正是否保留依据，以及客户能否控制这些专属数据被怎样使用。
107.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，使得我们很难投入去像美国这样标数据。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。
2030 注 给普通图片写猫或狗，很多人都会。判断一份病历有没有漏诊、一份合同哪条有风险，就要请医生或律师，成本不会因为在中国就自动变低。更省的办法，是让专家在正常审核工作时顺手留下正确答案和依据。
108.现在基本上是两条腿走路。并不是说我们完全不能标，而是因为标数据有一些成本低，有一些成本高。我们先标成本低的。
2030 注 先标便宜、容易判断的数据，可以用有限的钱铺大范围。但最贵的往往是少见又危险的怪情况，恰恰不能永远跳过。到2030年，医疗、法律和金融中的重要结论，仍需要专家资料、可查的依据和真人签字。
109.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。
2030 注 原文先说全公司一半的人，后面又说核心研究员的一半，两个范围不同，不能得出全公司正好50%的结论。能确定的是，不少关键研究员在亲自挑资料、判对错。这说明现阶段模型进步仍需要大量人工。
110.高质量数据标注的瓶颈，我觉得是时间，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。
2030 核心注 “瓶颈是时间”并不只是说标注员写得慢，而是高质量反馈有先后顺序。AI 必须先参与真实任务，等现实结果出现，再由专家判断哪里对、哪里错、依据是什么；资本可以买更多人，却不能在一天内买到几年后才知道的结果。
这会产生先进入真实流程者的复利：记录越多，同类错误越少；系统越可靠，客户越敢交给它重要任务；任务越多，又产生更多反馈。后来者即使买到同一个通用模型，也买不到这段连续历史。但飞轮也可能反向转动：资料过期、反馈有偏，或系统只收集容易成功的案例，都会让模型越来越自信地重复旧错误。到2027—2029年，最关键的信号不是标了多少条数据，而是使用时间增长后，真实任务的失败率和人工接管率是否持续下降。
111.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，但是这是一个长命题。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。
2030 核心注 Post-training 是后训练，指模型读完大量通用资料后，再用人的示范和纠错继续调教。它能降低 AI 一本正经地编错答案的概率，却不能把概率系统变成永不出错的计算器。更重要的是，幻觉留在聊天框里只是体验问题；Agent 若能退款、改代码、审批或把结果写回系统，同一种错误就会变成运营、法律和安全问题。
所以解决幻觉不能只押一条技术路线，还要设计整个工作系统：重要结论显示依据和不确定性，Agent 只能看到完成任务必需的资料、按动必需的按钮，高风险动作经过真人批准，所有行动留日志，异常能够停止和撤回。模型负责把错误率降下来，制度负责把剩余错误的损失压住。到2027—2029年，如果企业只宣传自动化率，却不公布人工接管、事故和恢复机制，它很可能正在变成“高速错误机器”；真正接近2030生产系统的信号，是人敢把一段边界清楚、随时可收回的责任交给机器。
11
组织与公司定位
112.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，或者说是现实情况的一个反应，它并不是一个模仿的结果。
2030 注 没有模仿对象，更准确的理解是 DeepSeek 根据自己芯片少、又要参与全球竞争的处境，选择低成本、开源和少做几件事。这个选择今天能吸引用户和开发者。到2030年，若各家模型越来越接近，它还得靠稳定和持续更新留下客户。
113.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。
2030 注 公司必须有收入，才能继续买芯片、交服务器电费、给研究员发工资，理想不能替代账单。到2030年，模型价格可能继续下降，谁能用更低成本提供不断线的服务，谁才更容易活下去。
114.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，我们有取舍。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。
2030 注 这里不是不赚钱，而是不把每次调用的价格抬到客户能忍受的最高点。DeepSeek 可以靠低成本和大量调用赚钱，合作公司则把模型接进保险、客服或医疗，靠完成具体工作收费。开源和商业化并不冲突。
115.对于合作伙伴，其实我们这个融资是精心挑选的。首先我觉得，利益是比较一致的，就是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的，因为我们还是损害了很多其他人的利益的。
2030 注 投资方带来的不只有钱。它可能帮忙买芯片、找机房、接触客户，也可能要求公司走向自己想要的方向。所谓利益一致，就是挑一个愿意让 DeepSeek 长期做模型，而不是拿投资逼它去保护另一门生意的伙伴。
116.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。
2030 注 文章写得顺，不等于能长期做好一份工作。AI 可能文笔漂亮却把事实写错，也可能昨天刚被纠正，今天又犯同样的错。到2030年，真正要补的是能不能记住长期经验、让人查证答案，并在出错时找到负责人。
117.我们希望只做一块。我觉得AI这个事情很大，并不需要我……我只做一块。如果聚焦，并且我认为这里的生意利益已经足够大，就如果是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。
2030 注 只做模型，也可能服务成千上万家公司，就像发电厂不必自己生产每一台冰箱。类比到这里就停，电不会胡编，模型会，所以 DeepSeek 还要同时解决价格、速度和可靠性。万亿级只是梁文锋的目标，不是已经证明的结果。
118.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。
2030 注 公开模型能让别的公司拿去做行业应用，双方少抢一些生意，但不可能完全没有冲突，它们仍可能争企业客户和服务价格。真想帮助更多人，也不能靠员工一家家上门，要把说明书、安装工具和统一连接方法做好，让别人能自己用起来。