近日，一场由梁文锋主导的投资者闭门交流会内容在网络上广泛传播，引发了AI领域和投资界的热烈讨论。据悉，这场交流会于今年5月举行，长达3小时44分钟，其中前两个半小时梁文锋围绕公司愿景、开源逻辑与AGI技术路线展开专题讲解，后续约1小时则与投资人就中美算力差距、团队稳定性及国产芯片生态等关键问题进行了深入交流。完整实录达3.4万字，为便于读者快速掌握核心要点，记者对实录内容进行了梳理提炼。
在专题讲解部分，梁文锋提出了“克制”的底层经营战略。他认为，AI市场潜力巨大，若想独占利益必将被历史淘汰，克制从长远看能增加做成AGI的概率。过去三年，公司未将商业化路径和产品线作为重点，因为未来难以预测。公司离彻底转向商业化时间点还很遥远，目前更大的机会还在后头，C端和B端业务虽要做，但并非最终目标。
对于开源，梁文锋表示这是公司的本意，且对商业模式无影响。公司按十个月回本的标准定价，既能保证合理利润，又能让独立部署的第三方无利可图，不影响自身收入。例如V3.2 Flash等产品，均遵循十个月收回设备成本的标准，并非追求利润最大化，因为在这个价格区间用户需求缺乏弹性，降价也不会带来需求大幅增长。
在业务方向上，公司只聚焦AGI主线，如GPT、CoT、Agent等，3D、视频生成等不在此列。C端和B端业务是AGI路上的副产物，是中间产出，并非为了做这些业务而开展。站在技术高位做低级别技术是降维打击，去年在C端就体现了这一点，公司未在C端花大力气，用户却十分活跃。
梁文锋将AI发展比作阶梯，去年是思维链（CoT）阶段，通过思维链提升智能水平；今年是智能体（Agent）阶段，能扩大能力范围和智能上限；之后要解决持续学习问题，当模型能持续学习，就可能到达奇点，实现自我迭代，进而走向具身智能，走进现实世界。
在大模型竞争方面，梁文锋认为最终差距体现在成本、时间和用户体验三方面，中美差距主要在于算力资源。国内最大模型激活参数仅几十B，而国外已达八百B，差距一个数量级。训练与国外同等规模模型需五万张GB300，国内在算力资源上与美国存在巨大差距，这种差距导致了人才、模型能力和应用等方面的区别。不过，在全球AI分工中，中国公司可能扮演“产量最大”的角色，未来AI产品可能像其他行业一样，中国产的更便宜。
对于ToB业务，梁文锋认为需求会快速增长，但并非无穷大，最终受制于需求。公司会自建大型集群，但是否自研芯片取决于收益，希望以合理价格购买芯片。公司希望在AI时代成为万亿级别公司之一，在ToB和ToC业务上都有信心做好。
在Scaling Law方面，公司相信规模越大效果越好，但阻止Scaling的是算力。公司尚未碰到Scaling的上限，离硅谷所说的上限还很远，会不遗余力推进其上限。
下一代模型的核心能力是持续学习，目前Agent能力受限就是因不能持续学习。若能实现持续学习，将极大提升AI能力，大幅提升研究效率，通用智能可能更容易实现。
商业化公司通常缺乏追求模型效率的动力，但公司会优先考虑成本效率。公司同学希望降低成本，让产品更负担得起，特别是在中国算力紧缺背景下。低成本是结果，公司在模型架构和算法上都在向低成本方向努力，成本低就能训练更大模型，承担更大规模计算。
就国内商业模式而言，梁文锋认为目前最合理的做法是全力做通用的Agent，尤其是Coding Agent，其能做到很多事情，现阶段优先级最高。公司在科研和资本市场之间能够实现平衡，有信心在技术发展和商业运营上取得成果，即使技术停滞，全力卖API也能支撑公司发展。
在与投资人的问答互动环节，对于持续学习突破的时间线，梁文锋表示全世界都在研究，学习是一个问题，有多种解决技术和方法，目前很多研究都在探索中。关于开源后的行业生态，他认为人才短缺是阶段性问题，国内做模型的公司过多，资源分散且存在浪费，最终不需要那么多公司做基模，大模型公司难以拿走大部分利润，成本控制是关键。
对于数据问题，梁文锋认为通过模拟数据等方式能让模型能力超越人类过往所有真实，如AlphaGo就下出了人类未见过的棋。在AI Infra方面，算力投入巨大，中国算力落后是事实，可通过承受模型落后、用更小模型、用巧妙方法消解差距，目标是缩短与美国的时间差距，在某些方面实现超越。对于持续学习的技术难点，目前全世界都未找到非常好的方法，公司希望模型先提升自身开发效率，加快实现AGI。解决持续学习问题能加快研发进度，若先解决该问题，通用智能将更容易实现。
