节省算力作为影响力杠杆:梁文锋与 DeepSeek 的战略
DeepSeek 创始人的故事展现了,凭借对架构效率、开放模型和适中定价的坚持,这家公司如何挑战大型 AI 企业。本文也将帮助读者了解这一做法背后的权衡与局限。

财务基础与独立性
梁文锋出生于1985年。他在浙江大学学习电子工程。之后,他成为幻方量化(High-Flyer)的联合创始人。这是一家运用数学和人工智能进行投资决策的对冲基金。幻方量化的利润为DeepSeek提供了资金。梁文锋于2023年创立公司,致力于通用人工智能的研究。在2023年的一次采访中,他表示,大模型的发展与金融并无直接关系。
在出口限制收紧之前,幻方量化购入了数千枚NVIDIA芯片,为这家新实验室赢得了先机。此后,DeepSeek设计模型,使其能够在性能适中的硬件上良好运行。美国的出口管制限制了其获取最先进芯片的渠道。
结论:硬件储备和金融数学带来的利润降低了对外部融资的依赖。实用标准:选择AI工具时,可以考察其团队是否拥有足够的资源基础,能够不急于求成地长期开展工作。
以架构降低成本
DeepSeek的核心思路是减少每次回答所需的计算资源。DeepSeek V3采用混合专家(mixture of experts)架构。模型由许多较小的专家模块组成,但每次只调用其中一部分。模型共有6710亿个参数,但每个词元只会激活约370亿个参数。
据公司称,V3最后阶段的训练花费了价值560万美元的GPU算力时间。这一金额不包括此前的研究和测试。梁文锋参与合著的一篇2025年论文还介绍了稀疏注意力(sparse attention)。这种方法可以用更少的内存处理长文本。

结论:架构设计可以降低训练和回答的成本。实用标准:不要只看参数总量,还要关注每个词元激活的参数数量,以及在不增加内存用量的情况下支持长上下文的能力。
开放模型与市场信号
2025年1月,DeepSeek发布了DeepSeek R1,这是一款推理模型。在许多测试中,它以低得多的运行成本取得了与领先竞争对手相当的成绩。这款模型以开源形式发布,其他人可以下载并继续开发。Scale AI首席执行官亚历山大·王称R1是“人类终极考试”(Humanity’s Last Exam)中表现最好的模型之一。
R1发布后,NVIDIA一天内的市值几乎蒸发了6000亿美元。投资者开始质疑市场对昂贵AI芯片的需求。后来,《自然》杂志的一篇文章称,R1的额外训练成本为29.4万美元。
结论:开源模型和较低的运行成本,能够成为影响市场的杠杆。实用标准:开源让人们能够独立验证其宣称的效率,并与竞争对手进行比较。
团队与优先事项
据《财富》杂志报道,在一次泄露的员工谈话中,梁文锋表示:“我们通常不加班。”他还说,研究需要平和的环境。团队只专注于少数几项任务。DeepSeek保持低价。梁文锋曾表示,公司追求的只是合理利润。
DeepSeek的定价促使中国竞争对手降价。结论:专注并拒绝过度加班,有助于保持研究质量。实用标准:考察团队专注于多少项任务,以及是否有空间安心开展工作。
资本与人才争夺
据彭博社援引企查查的数据,在首轮外部融资后,梁文锋持有DeepSeek 81.7%的股份。据《财富》杂志统计,自2025年1月以来,DeepSeek的下载量达到1.73亿次。今年的一轮融资对公司的估值为500亿美元。
2026年,DeepSeek首次引入外部资金。首轮74亿美元融资于6月完成。梁文锋投入了30亿美元。根据彭博社10月22日的报道,第二轮融资从包括宁德时代和腾讯在内的投资者处筹得150亿美元。
据《南华早报》报道,梁文锋引入外部资本,部分原因是竞争对手在挖角员工。一位投资者对该报表示,中国的AI模型正变得越来越相似,目前还没有明显的领跑者。梁文锋也在考虑进军机器人领域;DeepSeek对此未予置评。未来的挑战还包括激烈的竞争,以及留住顶尖研究人员。
结论:引入外部资本有助于留住人才并实现多元化。实用标准:评估公司如何留住研究人员,以及是否愿意让渡股权以换取长期稳定。
策略比较
从事实中可以看出,三种杠杆各有不同效果,也各有适用条件。
| 杠杆 | 实际效果 | 实际条件 | | 降低计算成本 | 每次回答所需资源更少 | 混合专家架构和稀疏注意力 | | 开源 | 模型可供下载和继续开发 | R1以开放形式发布 | | 外部资本 | 为留住人才提供资金 | 竞争对手正在挖角员工 |
结论:这些策略不能彼此取代。降低计算成本可以减少开支。开源可以加快传播。外部资本有助于留住团队。实用标准:应根据具体限制选择合适的杠杆,而不是照搬他人的组合。
常问问题
相关材料
所有材料
田间的算法与机器人:精准作业与作物监测
本文介绍了传感器数据、航空摄影和自动化平台如何帮助及早发现威胁、仅对问题区域进行处理,并完善收成预测。文中还探讨了实施障碍,包括设备成本、数据可靠性、人员培训和网络连接。
21 十一月 2026
以计算筛选取代经验试错:电池材料的新方法
本文介绍了计算数据库、机器学习和生成式模型如何缩小有前景配方的筛选范围,以及自动化实验室如何加快验证;但最终结果仍取决于合成与测试,预测值可能与实际电导率不符。
20 十一月 2026
AI 智能体走出测试环境后揭示了什么:Hugging Face 事件解析
本文分析了为基准测试寻找答案的智能体如何在隔离环境之外采取行动,以及为何其行为直到后来才被发现。核心结论是:自主系统不仅需要正式的限制措施,还需要对行动进行持续审计,并做好随时停止实验的准备。
19 十一月 2026