个人知识库

2026-07-23-woshipm-liangwenfeng-restraint-strategy

13分钟阅读

四小时发言实录刷屏背后，梁文锋的克制

把 梁文锋 四小时投资者交流里的高频词「克制」读成算力约束下的 AGI 概率最大化策略：砍旁支、追单位算力产出；并以 月之暗面 Kimi K3（KDA / 注意力残差 / 高稀疏 MoE）作为「通往 AGI 的第二条路」的验证样本，同时划清克制的边界——不能神化、不能替代基础科学重投入。

基本信息

  • 来源类型：文章（人人都是产品经理 · 唐辰同学）
  • 原文位置：raw/articles/2026-07-23-woshipm-liangwenfeng-restraint-strategy.md
  • 原文 URL：https://www.woshipm.com/ai/6434514.html
  • 抓取路径：raw/extracts/20260724-015417/woshipm.com/page.md
  • Telegram stub：raw/articles/2026-07-23-230902-tg-997f28.md
  • 发布日期：2026-07-23
  • 消化日期：2026-07-24
  • 互动口径（页头）：约 611 浏览 · 1 评论 · 1 收藏 · 约 11 分钟阅读
  • 文内免责：会议实录尚未得到梁文锋本人确认

核心观点

  1. 融资背景与「三不」转折：DeepSeek 完成成立以来首轮外部融资，文中口径总额超 500 亿元人民币（约 74 亿美元），投前估值约 3675 亿元（约 543 亿美元）；此前梁文锋对外坚持「不融资、不上市、不商业化」。约 4 小时交流实录详述组织文化、开源逻辑、技术路线与竞争格局——与姊妹文 2026-07-23-woshipm-liangwenfeng-deepseek-other-half 同属「交流会刷屏」舆论场，但本篇重心在技术/战略范式而非股权穿透。
  2. 克制 = 战略，不是清高：高频「不」包括：不是天才、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、不做下一个超级 App。作者反对仅把克制读成「资源不足的无奈」；更愿理解为在算力硬约束下，为 AGI 最大概率做的精密取舍——舍弃短期利益、砍非主线，把资源压在 CoT、Agent、持续学习等瓶颈。
  3. 中美差距的单一归因与硅谷范式对照：梁文锋断言人才/模型/应用差距「都可以认为是算力资源上的区别」。硅谷主流被概括为「资源溢出驱动涌现」：堆卡、训最大模型、做最全能力。作者指出其副作用——推理成本随能力/上下文/调用频次抬升；OpenAI 预计到 2030 年算力投入约 7500 亿美元（高于早前约 6000 亿规划）。Meta 多线（文本/多模态/元宇宙/机器人）导致核心大模型人才流失与节奏打乱；Google 在搜索/云/实验室目标拉扯下陷入「创新者窘境」——困境被归为技术以外的「战略贪婪」。
  4. DeepSeek 路线：单位算力效率 > 绝对规模：算力硬约束时，「做什么」重于「不做什么」；用工程能力补硬件代差。例：DeepSeek-V3 训练成本远低于 GPT-4o，性能逼近第一梯队。反例：MiniMax（闫俊杰）起步即押注文本/视频/语音/音乐四大模态，作者指其「颓势」让人为其捏一把汗——对照「少即是多」。
  5. Kimi K3 验证「第二条路」+ 产业链外溢：月之暗面 K3 总参约 2.8 万亿 MoE；靠 KDA（Kimi Delta Attention）混合线性注意力 + 注意力残差 + 高稀疏 MoE 重构生产效率——文中技术报告口径：KDA+MLA 混合下 KV 缓存最高减 75%、100 万上下文解码吞吐约 6×；注意力残差+高稀疏 MoE 训效约 +25%、额外成本 <2%；SemiAnalysis 称 KDA 推理速度 +300% 且长上下文近 Transformer。比喻：硅谷 Transformer 像「燃油车大力出奇迹」，KDA 像「混动热效率」。开发者侧已用「模型路由」按任务选成本/效率最优模型（含中国模型）。上游倒逼国产芯片重编译器/互联/系统能效而非只比峰值；下游降低中小企业与垂直场景（医疗/教育/工业质检）入场门槛。
  6. 边界：克制不能教条化：基础科学与超大规模预训练仍需重金；不能神化 DeepSeek/Kimi 路径。FOMO 下「Sora 热做视频、具身热造机器」时，聚焦本身可能是另一种「快」。

实操内容保留

（本文为战略评论，无产品操作代码。以下保留可复用的对照表与判断清单。）

两条 AGI 范式对照（文中框架）

维度硅谷「资源溢出」DeepSeek / Kimi「效率」
驱动堆卡、最大模型、最全能力 → 涌现算力硬约束下单位算力 / 每瓦特智能产出
组织风险多线并行 → 战略贪婪、熵增砍 3D/视频/世界模型/超级 App 等旁支
主线举例全栈模态与应用叙事CoT、Agent、持续学习
样本OpenAI 算力开支规划上修；Meta/Google 多目标拉扯V3 低训本近顶；K3 KDA 等效率重构
市场反应华尔街质疑回报与美方领先模型路由「用脚投票」中国模型

Kimi K3 效率数字卡（文中口径，非官方审计）

指标数值 / 说法
总参数约 2.8 万亿（首款 3 万亿级 MoE 口径）
关键技术KDA 混合线性注意力、Attention Residuals、高稀疏 MoE
KV 缓存最高削减约 75%（KDA+MLA 混合实验）
长上下文解码100 万上下文解码吞吐约 6×
训练效率约 +25%，额外成本 <2%
推理速度（SemiAnalysis）KDA 约 +300%，长上下文近 Transformer
预算隐喻同预算「1 任务 → 4 任务」且质量不打折

读「克制 / 效率」叙事时的追问清单

  1. 砍掉的是旁支还是护城河？（视频/世界模型是否永远非主线）
  2. 数字来源是否可复核？（实录未本人确认；SemiAnalysis / 技术报告二手转述）
  3. 效率红利落在谁？（芯片编译器、模型路由、中小企业推理成本）
  4. 边界在哪？（基础科学/超大规模预训练是否仍要重投入）
  5. 与治理叙事是否同读？（见姊妹文：克制话术 vs 控股与幻方现金机）

操作步骤

（本文无分步教程。）

关键概念

  • 梁文锋 — 交流会叙事主体；将克制定义为 AGI 概率策略
  • DeepSeek — 「三不」转折后的首轮融资与效率路线样本；V3 低成本近顶
  • 月之暗面 — Kimi K3 被当作 DeepSeek 路线的并行验证
  • MiniMax — 四模态并行的反例（文中「颓势」判断，口径主观）
  • OpenAI — 2030 算力投入约 7500 亿美元的开支上修样本
  • 多模型路由 — 开发者按任务选成本/效率最优模型的「用脚投票」
  • Kimi K3 / KDA / 注意力残差 / 高稀疏 MoE — 效率重构技术栈（纯文本，未单建实体）
  • 韬定律 / 每瓦特智能产出比 — 文中借用的能效隐喻（纯文本）
  • 资源溢出驱动涌现 vs 战略贪婪 — 硅谷范式及其组织代价（纯文本）
  • AGI / CoT / Agent / 持续学习 — 被点名为应聚焦的瓶颈（旁链 Steps to AGI 分级 可参考）

与其他素材的关联

原文精彩摘录

梁文锋花了很大篇幅对投资者强调，克制是一种战略。舍弃短期利益，砍掉非主线业务，不是为了显得清高，而是为了换取实现AGI的最大概率。……他说了非常多次的「不」：不是天才，不赚不合理的利润、不追求用户量、不闭源、不做3D / 视频生成 / 世界模型，不做下一个超级App。

他在谈及中美差距时断言，「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。」……硅谷AI的范式是「资源溢出驱动涌现」。……这些巨头的困境，多来自技术以外的「战略贪婪」。

根据月之暗面此前发布的技术报告，在实验模型上采用KDA与MLA混合比例，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。配合注意力残差与高稀疏度MoE技术，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，过去只能跑1个任务，K3能跑4个，且质量不打折。

但我们也需要认识到，克制是一种战略，也就要有边界。……更不能神化DeepSeek、Kimi 的发展路径，将克制教条化。……奔赴AGI，我们能不能允许自己慢一点，少追逐一些边缘诱惑？……聚焦一下，也可能是另外一种「快」。

相关页面

关系图谱

快速导航

反向链接