克制不是让利
是做成 AGI 的条件

1.1 这份材料是什么

这是一场面向投资者的交流，不是论文、也不是经过讲者审定的书面声明。文字稿页眉写明：自动转写、说话人未切分、专有名词与数字可能出错。交流后半段，现场主持人提醒与会者不要外传敏感数字（含卡量）和录屏。本报告仍按用户要求整理公开可读的观点结构；凡涉及产能、卡数、回本周期、利润倍数的数字，一律标注为文字稿数字，不作外部交叉验证。

1.2 提炼规则

1.3 主次怎么排

他开场即声明：后面内容将围绕愿景展开，并说「这个愿景是真的，不是编出来的……否则你没法解释我们的很多事情」。因此本报告把「愿景 → 克制 → AGI 主线」作为一级结构；产品、定价、芯片、组织、融资是这条链上的推论，不是并列的独立战略清单。

2.1 他反复走的因果顺序

交流中，同一条链被用在开源、定价、C 端、B 端、组织、芯片垂直整合等多个问题上。顺序如下。

flowchart TD
  A["出发点: 对世界的善意
不是上市或利润最大化"] --> B["愿景组织人
愿景等于实际怎么做"]
  B --> C["AI 足够大
或占人类社会 GDP 约 10%"]
  C --> D["无法独占
独占会被历史抛弃"]
  D --> E["必须克制:
开源 / 合理利润 / 不抢相邻生意"]
  E --> F["提高做成 AGI 的概率"]
  F --> G["AGI 的商业价值被当作前提
份额与变现后置"]
  G --> H["C 端 / B 端 / API
是主线上的副产物"]
  B --> I["唯一不可退让:
团队稳定性"]
  I --> F

2.2 链上每一跳的原文依据

2.3 他用来自我检验的标准

他多次说：若没有这条愿景，很多行为无法解释——坚持开源、降价时内部欢呼、不把春节用户做成超级 App、不去做视频生成这种「好生意」。他把「能解释已发生的行为」当作愿景为真的证据，而不是事后包装。

「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。」

3.1 观点

创办动机不是商业利益最大化，也不是资本市场路径。组织手段不是成文制度或 KPI，而是未成文的愿景。愿景的内容被他概括为：对世界有很大善意、做对人类有用且在金钱以外的事情。愿景甚至没有写下来；各人理解可以有差别，大方向一致。

3.2 判断依据

1. 人员自选择：最初几十人若冲着赚钱上市就不会来。
2. 管理史：约二十年前最崇拜杰克·韦尔奇；现认为韦尔奇大部分说法可能已不对，但「一个公司最重要的是它的愿景」仍对。
3. 可观察行为：开源是本意（对比他所说的智谱开源「有一种被迫的感觉」）；降价时公司群里有人欢呼。
4. 凝聚力功能：AGI 作为更大愿景，能凝聚更优秀的人，从而在人才与组织上相对产品导向公司有优势。

「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。」
「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。」

3.3 他承认的代价

「没有组织」有好处也有坏处，未来会扬长避短，但「这是我们的特色」。后文又说：人员扩大后必须调整，部分部门要建立较严谨的层级，部分维持松散扁平；「马上就得做这个调整」。

4.1 观点

克制不是道德点缀。他给出两层理由：一层是历史观——AI 过大，独占在理论上不符合客观事实；一层是战略——舍弃一些利益，换取做成 AGI 的更高概率，并换取从容（「根本都不用加班」）。

「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。」
「对我来讲，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。」

4.2 「拿得多的人会被拿得少的人打败」

这是同一历史观的微观版。他的推导是：

1. 即使某家公司按「占人类 GDP 的 5%」算账在理论上成立（他提到 OpenAI 好像能算过来），也会被愿意只拿 1% 的人打败；再被愿意拿 0.1% 的人打败。
2. 「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。」
3. 下限：拿太少则商业逻辑不成立，公司活不下去。因此落点是合理收益，不是利润最大化，也不是零利润。
4. 他把中国愿意「拿得更少」视为对美国参与者的潜在挑战来源之一。

4.3 克制在行为上的清单（他点名的）

「我不应该什么芝麻都抢了。……现在来看，去年我们没有在 C 端去发力，可能是对的。因为能看到后面真的是有更大的西瓜。」

4.4 克制与「平凡人」叙事

他说公司起点低：钱少、卡少、无名、无号召力，「就是一群非常平凡的人」；他自己「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」。他把「平凡人做出不平凡的事」与克制、愿景视为一脉相承，并用来解释「我们并没有什么武器」却做成了一些事。这是他的自我解释，不是外部评功。

5.1 开源：愿景要求 + 商业判断

观点：开源首先是愿景本身的要求；其次，要把 AI 在商业上做成，开源有好处。他承认这「听起来有点矛盾」，因为历史上开源与商业化冲突；他认为 AI 不同。

依据：

• 传统软件：市场一年可能几十亿美元，开源后「可能就只剩下几千万或几亿美元」。
• AI：可能占人类社会 GDP 约 10%，无法独占。
• 「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。」
• 对比：智谱也开源，但「有一种被迫的感觉」；「对我们来讲，这就是我们的本意」。
• 「看不到闭源什么好处」；举例「字节它的模型是闭源的，它有什么好处？我看不到」。
• 开源权重门槛仍高：别人部署、并把成本做低「很难」；「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」。他把这种成本控制能力称为该规模创业公司的「甜区」（原文 sweet point）。

最强模型是否开源：「我们是会开源的，然后我们最强的模型可能也是会开源的。」或然语气保留。

开源权重是否降级：「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。」不会开源较差模型、自用较好模型。依据：去年全年 C 端基本开源，「C 端的服务没有看到冲突」。

对第三方部署的态度：不担心竞争；「只担心他部署不起来」导致效果变差或成本偏高。希望尽量给开源社区提供帮助。对阿里、智谱、月之暗面：愿意协助其做得更好，「我们并不损失什么东西」。

5.2 定价标准：十个月收回设备成本

观点：API 定价对应「合理利润」，不是利润最大化。标准是：到市场上买一批设备，十个月收回成本。V3.2 Flash 及其他均按此。财务上服务器可按三年或五年摊销；商业上觉得十个月够了。

他把「十个月回本」与「六倍利润」对应起来：「按十个月回本，大概对应的是六倍的利润。」六倍「看起来很高，其实不高」；未来可能降到四倍、三倍，再往下「也不可能再降了」，但仍会有很大利润。

「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。」

5.3 为什么不继续降、也不按利润最大化提价

他讲了一个内部故事：某模型（文字稿作 DDCP，专有名词存疑）因担心需求过多一开始定价较高，团队不高兴；他把价格降到四分之一，群里有人欢呼。他把这当作「真实想法」的证据：目的是「非常便宜、效果非常好，能够让大家都能够充分地用」。他同时指出：对竞争对手而言降价「肯定不是个好事」，ARR 会掉。

5.4 开源与收入何时冲突、何时不冲突

不冲突的前提：只赚约六倍利润。该定价已使独立部署的第三方「无利可图」，因为第三方做不到同样成本。

会冲突的情形：若要赚一百倍利润，第三方即使以二十倍成本部署，仍可能低于一百倍，从而影响暴利。

「前提是我们只赚六倍的利润，十个月收回成本……开源是不会有什么影响的。」

他称这一模式在其愿景下「长期可以持续」，或「我们是打算这么做的」。

5.5 C 端 / B 端 / API：副产物，不是目标

观点：C 端用户、B 端收入、API 都是做 AGI 路上的中间产出。会做、要做好，但公司大部分人「不认为这是一个跟 AGI 比较起来同等重要的问题」。

依据与例证：

• 去年 C 端：「没有在 C 端上花很多力气，甚至一度我们都不想维护那些用户了，但是用户赶都赶不走。」春节突然火「不在我们的剧本里面」。
• 维持用户是「纯成本的支出」，但「以后可能是有用的」，「随手能够拿到的，我们就会顺手拿到」。
• 今年 B 端 ARR：若需求继续扩大且能买到更多显卡，「ARR 做到几个亿美金是很有可能的」；若 AI 能做到十亿美金，「基本上我公司的现金流可能就能够回正」。这些「会做」，但「不是我们第一优先考虑的」。
• API：「通往 AGI 的路上，我要经过这个台阶。那么我把这些技术都通过 API 给大家服务，我没有干额外的事情。」「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……用户自己就会来。」
• 「降维打击」：站在 AGI 技术高位做相对低一级的应用；相对以服务 C 端/B 端为愿景的公司，后者在产品、服务、流量上有优势，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。」

To B 上限：在「现在这一代 AGI、AI 技术」背景下，To B 需求会快速增长但有限，「最终还是受制于需求，不是算力」。十个月能收回成本，若有去处会一块买，但「没有那么多事情」。需求会随技术突破变大。

To C / To B 闭环：他观察到「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。」接着说「你想要得越多……」（此处录音中断感较强，不作延伸）。

6.1 长期目标

「公司的长期 vision，我觉得我们目标应该是 AGI。」各人对 AI 定义不一，不妨碍把 AGI 当作目标。

6.2 能力边界：完整上下文前提下已超过人

判断：与当前这一代技术相比，若问题描述清楚、并给完整上下文和指令，「它已经超过人类了」。前提很难满足：人有几十年上下文；AI 只在局限上下文里比人更好，仍替代不了员工。

员工类比：招一个员工约两个月熟悉环境和岗位即可上手；「叫那个小王来」知道小王是谁。AI 若无这两个月的学习，必须被告知小王是谁、职务、位置、如何找、注意什么。「你不可能给他所有的上下文，也不现实。」

下一步：差「持续学习」。文稿另有一句「我们离下一步还差一个学习去学习」——与「持续学习」在同一段落中混用，本报告不作概念强行对齐。

6.3 阶梯：每一步都用到上一步

flowchart LR
  LM["语言模型"] --> CoT["CoT / 思维链
去年"]
  CoT --> Ag["Agent
今年"]
  Ag --> CL["持续学习
下一个瓶颈"]
  CL --> S["自我迭代
他称为奇点
但是渐变"]
  S --> E["具身智能"]

他给出的理由：

为何按此顺序：后面的技术可用前面的技术来开发。「奇点之后再做具身智能，那个就不用人来做了。」若先做具身，「这是一个很苦的活」。「这个路线图是最轻松的」「可以不用加班」。

自我迭代的第一用途：没有具身时，对 AGI 的定义/希望是「能帮我迭代下一版模型」；有具身后，希望它迭代下一版具身、做下一版机器人。

6.4 多模态、搜索、Scaling

• 多模态：对 C 端产品重要；对智能上限「是一个组件，它不是主线本身」，「跟搜索一样」。会做，且「V4、V4 的后续版本会支持原生的多模态」。
• Scaling：相信规模越大效果越好、能解锁更多功能。阻止 Scaling 的是算力，不是不想做。训练多大是按资源算出来的，「并不是这个模型就够了」。尚未碰到 Scaling 的墙；「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」。Scaling 包括数据、模型规模、训练成本。
• 下一代模型的定义：「必须要有持续学习的能力，它才能叫下一代模型。」在那之前能做的是成本、效果、速度。

7.1 观点

在多方面克制之后，他给出不可退让项：「我们最大的核心利益是要保持团队的稳定性……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。」
「钱肯定不是问题，资源不是问题，其他要素都是容易获得的。」

延迟（晚半年、晚一年）可以接受；「不会说做不出来」。最大风险是人走。近期融资后，「大家拿到的期权都还是比较多的」，风险「得到了比较大的解除」。稳定性逻辑：最重要、最老的员工稳定，其他人即使期权少一点也不会走——「他不是全奔着钱来的」。历史上人才流动相对同行较少，但「依然是我们最大的挑战，是唯一的挑战」。

「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。」

8.1 只做 AGI 主线

对外态度：「我们只做 AGI 的主线」——他列举 GPT、CoT、Agent 等。AI 领域很广，不在主线上的不做。

当前最重要：「把 AI 训练做好」，并不需要世界模型，「甚至不用多模态」——缩小任务范围不影响算法成立。下一步持续学习，再下一步「它自己问问题」。该路线图里没有世界模型、没有视频生成。

8.2 产品化时机

「现在最值得做、最值得花精力的，还是做 AGI……把智能的下限往上推。」比做更多产品线、考虑更多商业化路径「收益更大」。他习惯问：「我现在这个时候做什么收益最大？」结论是现在做产品不是收益最大。

「我们一直在做商业化，只是没有以商业化为目标。」「离彻底转向商业化的时间点，应该是很遥远的。」「在现在能看到的未来，在任何一个时候你聚焦在产品上都太早了。」希望商业机会由社会与合作伙伴来做。

融资对象：精心挑选，利益较一致、「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。」

8.3 垂直应用优先级

尚未想明白国内最顺利的商业模式；国内外情况不一定一样。以目前情况，「最合理的做法应该是全力做通用的 Agent」，金融、医疗等 Agent 优先级更低；「现阶段我们觉得最重要的，应该还是 Coding Agent」。

9.1 与美国的差距：资源，不是人才

判断：「我们跟美国的差距只有一点，就是资源。」人上面「几乎没有差距」：同一批人较随机地留在国内或出国；「国内人才是不缺的」，基数大、每年有补充。

人才差距的本质：算力少 → 实验机会少 → 人才培养受影响。「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。」

资源缺口来自两方面：国内买不到那么多卡；资本投入比美国少。人才薪水占比很低，「大头还是算力」。美国「开的薪水一个亿美金这种」——按文字稿照录。

9.2 文字稿中的算力与规模数字

下列数字均为录音转写，未经验证。

策略：先在训得起、用得起的几十 B 激活规模上做好；硬训更大模型「能训」，但训前没法做充分研究。

「落后意味着你有更多的时间」，可以用更巧妙的方法——此处录音被打断，后文接到「落后一到两年、二十分之一算力」的叙事。

9.3 国产芯片、CUDA、TileLang

判断：国产卡适配曾因生态不好而难用；NVIDIA CUDA 护城河「在快速地被瓦解」。原因有三：

1. 有了 AI，「可以用 AI 来构建这个生态」。
2. 新的技术，点名自家 TileLang：用该高级语言写 CUDA 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」，但「现在还没有完成」。
3. CUDA 从游戏卡演变而来，计算卡市场已大于游戏卡，「没有理由这两个还需要耦合」；专用芯片（华为或英伟达自己）将与 CUDA 解绑。

一年内要验证的事实：「国产芯片的生态完全没有问题。」之后唯一问题是产能。买得到英伟达卡时国产替代较难；买不到则「所有人都迫不得已」。

华为：主要合作对象。文字稿：华为给他们约 一万六千张 产能；互联网大厂可能十几万张。一万六千张 950「只相当于四千卡的 B 系列」，「不够训一个下一代的模型，它只够训我们现在这一代模型」。买 950 的目的「还是希望帮华为把这个生态做好」；「对互联网大厂来讲，它更需要。对我们来讲，我们可以买一些不合规的卡。」——按原文照录，不作法律或合规推断。

平替关系（文字稿）：华为 950 超节点在性能和价格上「可以完全平替」GB200、GB300；价格更贵但「贵得有限」；「贵百分之一百，我觉得已经可以认为在价格上可以平替了」。代价：四张华为卡顶一张英伟达卡，同时落后两年。950 超节点是今年 Q3 或 Q4 的货；GB200 是两年前 Q3 的货。结论：「生态上以后不会再有差距，但是在芯片上是四倍加两年。」

V3 训练：用英伟达的卡，但「已经不用英伟达的生态」，而是先写 TileLang，「就已经几乎不依赖英伟达的生态了」。把同一过程在华为卡上重做一遍即完成迁移。

TileLang 与推理效率：被问是否会大幅降低 inference 效率。回答：「是提高效率，是大幅提高效率。」硬件底层执行「损失 1% 到 2%，我觉得是可以接受的。」另有一个项目「在用 AI 来写 TileLang」；目前 TileLang 都是人写的，但已比写 CUDA 快很多。

自建集群 / 自研芯片：集群「肯定要」，「我们所有的集群都是自己建的」。自研芯片取决于收益；希望不必做，「以合理价格买到芯片」。

9.4 卡的折旧（回答投资者关于「三年后算力变旧」）

「英伟达的卡基本上你可以按照五年折旧。华为的卡最多按三年折旧吧。」950「今年能用还挺好的，明年用我觉得还可以，后面再用我觉得可能就真的太费电了。」生命周期更短是因为「本来就已经比英伟达晚两年了」，但「差距没那么大」。B200「现在能买到多少，我觉得都划算」。

9.5 中国在全球分工中的角色

「中国公司很有可能扮演的一个角色还是产量最大。」产能最大、电力最多，「我们的 AI 最终很有可能我们是三体之一」。中国会把产品做到最便宜；效果上「很多商品中国产跟美国差并没有太大的区别」；便宜「可能是系统性的低」。

相对美国的结构性优势，他只明确点了两项：成本和产品/用户体验。成本：对方「都不用做，所以他们就不发展这个能力」。产品：国内「原生通过很多公司，产品能力还是可以的」。其他方面「如果有结构性的优势，我觉得可能也没有」。

10.1 终局差距三件事

「当大模型最终差距会体现在哪里？我觉得这个差距最终可能是没有太大差距的。」若有，是三方面：成本、时间、用户体验。成本第一（比亚迪电池类比：同等质量下按该价格提供不容易）；时间第二（早几个月、晚几个月不一样）；体验有用户粘性，但「可能不本质」。

比模型效果「肯定是得在相同的成本上来比较」。好坏差别「应该不是在具体某个环节，它应该是整体上的」。

产业含义：「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。」中国做基模的公司「有点太多了」；美国「可能就三家」。资源分散是浪费；最终会收敛到「三四家竞争就很充分了」，「价格绝对已经够打价格战了」。高利润率「一定不符合客观规律」。人才短缺是阶段性的，约两三年会被培养解决；「历史上从来没有出现过长期缺某一类人的情况」。

10.2 Anthropic / OpenAI / Google

Anthropic 超过 OpenAI「我觉得这不是长期的，这肯定是极端性的」。「OpenAI 和 Google，未来大概率还是会交替上升。」Anthropic 在 Code Agent 上的优势「没有那么大」，「并没有说它碾压 OpenAI」。公司内部「可能有一半的人……觉得 OpenAI 是更好的」。Anthropic 有先发优势，「应该很快就没了」。三家都很厉害；其中效率最高的「它烧掉的钱应该是最少的」——未点名是哪一家。

10.3 为何他们特别在乎计算效率

他观察到商业化公司「没有动力去追求模型的效率」：低成本则「你还赚什么钱」。创业公司「你没有听到他们说低成本是他们追求的东西」。对他们：愿景的一部分；「同学都是普通人」，有同理心；中国算力紧缺背景下希望负担得起、能在国产卡上用。低成本还使他能在有限算力上训练更大模型。大公司「资源是可以加的」；他们「会优先考虑成本效率」。

11.1 决策：寻求共识

「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。」权威与影响力建立在共识上。引导作用「非常有限」；「一定是共识，我才能够推得下去，然后我才会去推」。

11.2 两条线：正式不超过一半

• 自上而下（「正式」）：集体任务，如发 V4，需全公司配合、分工。
• 自下而上：每人自己想做什么就做什么，「没有人管他，没有 KPI」。
• 标准：「正式最好不要超过一半」——一半时间不被安排，用于按自己判断探索。算力能支持或几乎不需要算力，则不必协调。

11.3 不加班的两个原因

1. 研究需要较松弛的环境；逼得紧没法做研究。
2. 「我们非常聚焦……要做的事情很少。」与克制一脉相承。「你看到我们的产品很多都不完善的，我们也没有去补它。」这是一种文化。

11.4 不是 Bell Labs，仍是公司

没有模仿对象。「每一步都是我们从实际情况出发，实事求是。」与美国几家公司都不同；那些公司「至少会从一个商业公司的角度出发去探索」。与 Bell Labs 不同：Bell Labs「明确是不需要有商业化的」；「我们明确是要有商业化的……政府不会给我一分钱。」「B 端对我们肯定是重要的，因为可能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。」「我们本质上还是一个公司」，只是在赚哪些钱、何时赚、赚多少、靠什么赚上有取舍。历史上「有利润以外的追求」的公司，那种追求「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」。

人员扩大后：部分部门建立较严谨层级，部分维持松散扁平；「已经在做这个调整」。

12.1 持续学习：问题，不是一项技术

投资者看到最多的是 Agent；「对于我们这些研究的人来讲，现在看到更多的是学习」。持续学习「可能不是一项技术，它是一个问题」，会有很多种技术。「现在全世界都还没有找到好的方法……还在摸索阶段。」内部有「看起来有前途的一些想法，但是都还没有做通」。

与 Recursive Improvement 的关系：提问者把持续学习与国外热点 Recursive Improvement 并提；梁文锋按「还没找到非常 work 的方法」回答，未在稿中把二者定义为同一术语。

为何必须先做：Agent 能力受限是因为不能有效持续学习；先做完则 AI 能力会非常强，可大幅提升他们自己的研究效率。「持续学习先做出来，通用智能可能就很容易了」；否则「人工做通用智能」是数据密集、人力密集，「性价比也不高」。

第一用户是自己：「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。」用模型提高 DeepSeek 开发下一版的效率。「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，它还是只是跟人搭配，但是已经很有用了。」

资源分配（「摸奖」）：相对确定的 Scaling 目标（提问中出现 Office / MIS / MILES 等，ASR 不清）与未解决的持续学习如何分人。回答：这类研究「不消耗卡，只需要很少的卡，他需要的是想法」；「不是一个项目，而是需要有很多人都在那里想这个问题」。「我们叫这个叫『摸奖』。门槛很低，谁都可以去摸。」与其他公司不同的是「会花时间去讨论这个问题……当做一个重要的事情」，但「并不需要花很多资源去做」。训模型、做效率实验才消耗人与卡。

品味与直觉：被问自进化之后品味是否仍重要。「AI 现在不缺品位和直觉，它缺的是持续学习的能力。」「你让它写个文章，它的品位和直觉，我觉得没有什么问题。」

12.2 数据

「数据应该几乎就等于模型的一半。」高质量标注成本很高；「美国数据标注的成本跟中国数据标注成本没有什么区别」，高端数据「并不会有成本优势」。资本结构「支撑不起那么多高质量数据标注的成本」。两条腿：先标成本低的。「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。」「解决 AI 这个问题，在现在这个阶段靠的就是标数据。」

融资后会加大后训练投入，但高质量标注「典型不是资本投入」；瓶颈是时间。国内「可以认为是最近半年才开始做」；「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了」，但速度有上限，「并不卡在钱上，也不卡在卡上」。一年之内高质量数据「做得比较好……国内应该是可以预期的」。

能否超越人类已有知识：认为能超越。依据：AlphaGo「下了一手人类从来没有见到过的棋」。可能也有上限，「这个局限性我们现在看不到」。「笼统地认为，它是可以基于人类已经有的、我们已经能说出来的知识上，予以超越的。」真实数据还是仿真数据：「不可能就有很多方法。」

12.3 幻觉

「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。」大家没有花很大力气。「对我们来讲，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。」

13.1 AGI 要多久；国内硬件能否追上

• AGI：没有临界点，但是非线性。相信「AI 可以加速 AI 的研究」，因此后面可能非线性。至少「它得能够持续学习吧」。
• 「现在这个范式」追上国外模型：「应该国内一两年是能够做到跟国外差不多的，或者可能今年就能做到平替国外的模型。」「但它还不是 AGI。」
• 国产硬件：需要几年。先解决生态（「生态是一个信心的问题」），再解决产能。不相信五年之后还卡在产能上；「今年、明年、后年……可能都还是卡在产能问题上」。

语言模型 Scaling：「我现在没有看到有上限。」美国训得起 800B 激活「也用不起来……确实有点贵」——此为他的判断。

13.2 发版节奏与 50B / 150B

「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，那么下次发版可能是六月底。」「应该还是会一版比一版好的。」

在 50B 激活尺度上，与「现在的这波开源」在推理速度和效果上「不会有太大差别」。与对方「一个没公开的模型」差距较大，需要更大尺寸，「比如说是 150B」。按当时训练进度，「乐观的是今年年底可以开始去训练，至少是明年四……」——后半句被切断。差距对象文字稿作 OCE。另有提问将 150–250B 与「O4.7」对标，他未在可见回答里完成该对标（随后转向 TileLang）。线上版本文字稿作 GCV4，「还是比较粗糙的」。

13.3 科研与资本市场

「我现在觉得应该是能够做到的，就都要。」若今年有「几个亿美金的 B 端收入」再加上 C 端用户，已有一定商业基础；明年 B 端若需求再增大，「公司离净利润已经不远了」。「最坏情况卖 API，可能都能够支撑一个上市公司」——若技术冻结、全力卖 API、把服务做好。「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。」理由：「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。」

15.1 文字稿中应审慎对待的符号

15.2 中英术语（供英文本对齐）

本报告不替代原录音。若数字、产品名或竞争对照与公开信息冲突，以录音及当事人后续书面说明为准。