近期，DeepSeek完成首轮超500亿元人民币外部融资的消息引发广泛关注，其投前估值约3675亿元人民币。此前，创始人梁文锋一直秉持“不融资、不上市、不商业化”的原则，此次融资动作让市场对DeepSeek的未来发展充满好奇。与此同时，梁文锋与投资者长达4小时的交流实录在网络流传，虽未获本人确认，但其中关于DeepSeek战略方向的阐述，成为行业热议焦点。
在交流中，“克制”成为梁文锋反复提及的高频词。他强调，克制并非清高之举，而是一种战略选择。舍弃短期利益，砍掉非主线业务，是为了最大程度实现通用人工智能（AGI）。他多次表示“不”，如不赚不合理利润、不追求用户量、不闭源、不做3D/视频生成/世界模型以及不打造下一个超级App。这种看似“反常识”的姿态，实则是在算力约束下，为换取AGI最大概率而进行的精密规划。
梁文锋认为，中美在AI领域的差距，根源在于算力资源。硅谷AI企业普遍采用“资源溢出驱动涌现”的范式，即投入大量算力训练大规模模型，相信规模达到一定程度智能便会自然涌现。过去三年，这一逻辑被验证有效，但随着模型能力增强、上下文变长、用户调用频繁，推理算力消耗大幅上升，成本也水涨船高。例如，OpenAI预计到2030年将在计算资源上投入约7500亿美元，较2026年的规划又增加了1500亿美元。
然而，无边界扩张也带来诸多问题。以meta为例，其在开源Llama系列取得声誉的同时，因同时推进文本、多模态、元宇宙及机器人等多条战线，导致核心大模型团队顶尖人才流失，产品迭代节奏被打乱。Google则在搜索、云业务与AI实验室的多重目标拉扯下，陷入“创新者窘境”，在生成式AI产品化落地中错失先机。这些巨头的困境，多源于技术以外的“战略贪婪”，分散了攻克AGI核心瓶颈所需的专注度。
相比之下，DeepSeek选择了一条“克制”的路线。在算力成为硬约束的情况下，极致聚焦主线任务，通过提升工程能力弥补硬件代差，追求单位算力的产出效率而非绝对规模。例如，DeepSeek - V3的训练成本远低于GPT - 4o，但性能却逼近第一梯队。与之形成对比的是MiniMax，其创始人闫俊杰一开始就将资源分散押注在文本、视频、语音、音乐四大模态上，如今MiniMax发展出现颓势，令人担忧。
DeepSeek的路线正被月之暗面的Kimi K3验证。作为月之暗面首款3万亿参数级MoE模型，K3总参数规模达2.8万亿。在独特核心架构支持下，它实现了“模型生产效率”的重构。该架构落地KDA混合线性注意力、注意力残差和高稀疏度MoE三项关键技术，在实验模型上采用KDA与MLA混合比例后，KV缓存占用最高削减75%，100万上下文长度下的解码吞吐量提升至原来的6倍，训练效率提升约25%，额外成本不到2%。这意味着同样一笔算力预算，过去只能运行1个任务，K3能运行4个且质量不打折。
SemiAnalysis报告指出，KDA将推理速度提升300%，同时在长上下文处理上保持接近Transformer的性能。开发者社区实测反馈，在长流程Agent任务和代码生成方面，K3已具备与国际头部模型竞争的实力。K3采用的KDA混合线性注意力机制，被视为AI领域的创新实践，与硅谷主流的Transformer路线形成鲜明对比。Transformer路线如同“大力出奇迹”的燃油车，而KDA更像是追求“热效率极致”的混动引擎。
企业用户和开发者开始用实际行动支持这种新范式。部分开发者已使用“模型路由”服务，根据不同任务自动选择成本最低、效率最高的AI模型，其中就包括Kimi等中国模型。这一变化让华尔街观察人士和投资者感到意外，他们开始质疑硅谷数千亿美元投资AI能否获得相应回报，以及美国AI领先优势是否被削弱。
DeepSeek和Kimi所代表的路线，不仅冲击了硅谷AI的算力叙事，还对中国AI产业链上下游产生影响。在算力供给侧，倒逼国产芯片厂商不再盲目对标英伟达的峰值算力，转而优化编译器、互联带宽与系统级能效。在应用落地侧，让大量原本因高昂推理成本被挡在门外的中小企业和垂直行业开发者得以入场，加速了医疗、教育、工业质检等场景的AI渗透率提升。
不过，克制作为一种战略也存在边界。在基础科学研究、超大规模基础预训练等环节，仍需持续投入大量资金，不能盲目套用取舍逻辑。同时，也不能将DeepSeek、Kimi的发展路径神化或教条化。在普遍存在FOMO情绪的当下，当Sora火了大家就去做视频，具身智能热了就去造机器人，此时聚焦核心目标，或许也是一种“快”。
