最近，我看完了梁文锋面向投资人的四小时会议录音文字版。
相比那些经过高度提炼的公开演讲，这场交流里有更多关于成本、盈利、技术路线和行业节奏的具体判断。看完之后，我对大模型行业的一些看法发生了变化，也有一些原有判断得到了强化。
其中有五点，让我印象最深。
一、DeepSeek 的单位算力经济性，可能比外界想象得更好
梁文锋提到，DeepSeek 使用的显卡，大约十个月就可以回本。
严格来说，显卡十个月回本，并不能直接等同于公司财务报表上的毛利率达到 87%。显卡只是大模型公司的成本之一，除此之外还有电力、带宽、研发人员、数据和运营等费用。
但即使不把它简单换算成毛利率，这个数字依然非常惊人。
按照最粗略的口径计算，一项资产十个月回本，意味着一年产生的收益可以超过其初始投入，所对应的资本回报率非常高。而且，DeepSeek 的模型价格在整个大模型行业里已经非常低。
这两件事放在一起，说明了一个问题：DeepSeek 并不是简单通过低价补贴市场，它很可能已经建立了非常强的成本控制和工程优化能力。
反过来看，其他大模型公司之所以价格更高，未必完全是因为模型能力更强，也可能是它们在推理效率、算力利用率和系统工程上，还有很大的优化空间。
过去大家讨论大模型竞争，往往更关注参数规模、榜单成绩和模型能力。但从商业角度看，谁能用更低的成本提供相近甚至更好的能力，可能才是真正决定长期竞争力的因素。
DeepSeek 最重要的优势之一，或许并不只是“模型做得好”，而是“用更低的成本把模型做得足够好”。
二、只有先赚到钱，才有资格谈长期主义
我的第二个感触，是梁文锋对盈利和理想之间关系的态度。
DeepSeek 之所以能够坚持一些长期目标，很重要的原因是梁文锋此前通过幻方量化积累了大量利润。这些利润为 DeepSeek 提供了更长的时间、更大的试错空间，也让它不需要过度迎合短期资本市场。
但即使拥有这样的基础，梁文锋依然明确承认：DeepSeek 首先是一家公司，公司首先要活下来，然后才有资格追求更长期的目标。
这句话听起来并不浪漫，却非常真实。
很多公司喜欢强调使命、愿景和长期主义，但如果一家公司没有稳定的现金流，也没有足够的利润，那么所谓长期主义很可能只是推迟面对现实。
真正的长期主义，不是不考虑商业回报，而是建立在商业回报之上。
公司只有先创造利润，才能用利润去支持那些短期内看不到回报、但长期可能产生巨大价值的事情。否则，长期目标最终仍然会受制于融资环境、投资人耐心和市场周期。
从这个角度看，利润并不是理想的对立面，利润反而是理想能够持续存在的前提。
三、大模型的能力上限，可能还远没有到来
第三点，是我对大模型技术上限的判断更加乐观了。
现在很多模型虽然总参数量已经非常大，但在一次推理过程中，真正同时被激活的参数通常只有几十 B。
这意味着，我们今天看到的模型能力，可能还不是大规模神经网络的真正上限，而只是当前算力、通信效率和模型架构限制下的阶段性结果。
假如未来模型能够在可接受的成本和延迟下，同时激活 100B，甚至几百 B 的参数，模型的能力可能还会再上一个明显的台阶。
当然，参数激活量增加并不必然等于能力同比例增长。模型架构、训练数据、推理方法和后训练技术同样重要。
但这至少说明，目前的大模型远没有进入“技术已经基本成熟，只剩下产品落地”的阶段。
基础模型本身仍然存在巨大的提升空间。
今天我们觉得模型已经很聪明，可能只是因为过去的软件太不聪明。站在更长的时间尺度上看，现在的大模型也许仍然处于非常早期的阶段。
四、具身智能的落地速度，可能被高估了
第四点，对我来说更像是一次纠偏。
此前我对具身智能相对乐观，认为随着大模型能力提升，机器人和现实世界的结合可能会很快出现一批真正有价值的公司。
但梁文锋在谈到不同技术方向时，把具身智能的落地排在了相对靠后的位置。
这至少意味着，在他的判断里，具身智能距离大规模商业化，可能比很多人想象得更远。
原因也不难理解。
纯软件模型可以依靠算力、数据和算法快速迭代，但具身智能还需要面对硬件成本、传感器精度、机械可靠性、安全责任和现实环境复杂性等问题。
软件中的错误，可能只是生成了一段不准确的文字；机器人在现实世界中的错误，却可能直接造成财产损失甚至人身伤害。
这使得具身智能的产品迭代速度，很难完全复制大模型软件的发展速度。
因此，我开始重新考虑：现在是否真的应该过早押注具身智能公司。
具身智能长期可能仍然是一个巨大的方向，但“长期价值巨大”和“当前值得投资”是两件不同的事。方向正确，并不意味着进入时点也正确。
五、中美大模型的差距，可能主要不在人才
第五点，是关于中国和美国大模型公司的差距。
梁文锋认为，中国公司与美国领先公司的差距，大约只有一年。这个判断我基本认同。
更重要的是，他对这一年差距的来源给出了具体解释：主要是算力差距，以及高质量标注数据的差距，而不是人才差距。
这个判断非常关键。
如果差距主要来自人才，那么追赶会非常困难，因为人才培养、组织能力和科研文化都需要长期积累。
但如果差距主要来自算力和数据，那么它虽然仍然难以解决，却至少是一个相对明确的工程和资源问题。
中国并不缺优秀的算法工程师和研究人员。DeepSeek 本身的表现，也已经在一定程度上证明，中国团队有能力在有限算力条件下，通过架构创新和工程优化缩小差距。
当然，算力限制并不是一个小问题。高质量数据也不只是花钱就能立刻获得。但至少从底层能力看，中美之间并不存在不可跨越的人才鸿沟。
这意味着，中国大模型公司真正需要解决的，不是“我们是否有能力追上”，而是“如何在资源受限的情况下，以更高效率追上”。
结语
没啥可说的，梁文锋很厉害，期待 DeepSeek 实现 AGI 时刻。