梁文锋闭门谈话：为何英伟达在掘自己的坟墓？解析CUDA依赖破局与AI持续学习

云栈社区获取的录音转写稿显示，2026 年 5 月 20 日，在 DeepSeek 首轮外部融资推进期间，创始人梁文锋与投资人闭门交流近四小时。

会议原本不对外，录音转写由语音识别自动完成，且未经 DeepSeek 确认，因此本文不将其视为官方表态，也不复述其中最敏感的卡量、采购和财务预测，而是提炼出四个更值得长期跟踪的判断：国产算力如何绕开 CUDA，开源为什么可以成为商业策略，算力差距究竟意味着什么，以及 Agent 之后的下一步为什么是持续学习。

一、要拆的从来不是芯片，是 CUDA 依赖

整场交流中，最具传播力的一句话是：

“英伟达在掘自己的坟墓。”

梁文锋想表达的，并不是国产芯片会在短期内全面追平英伟达。他的判断是：英伟达最坚固的软件壁垒，正在被 AI 和新的编程工具逐渐削弱。

过去，开发高性能 AI 算子需要工程师深入理解 CUDA、硬件架构和底层优化，迁移到另一种芯片往往意味着重新搭建一整套软件配套。现在，AI 可以辅助编写代码，更高层的编程语言也在降低算法开发门槛。

TileLang 就是这条路径中的一个代表。它是一种面向高性能 GPU 和加速器内核的领域专用语言，目标是让开发者用更少的代码编写和迁移矩阵计算、Attention 等核心算子。DeepSeek 也已开源基于 TileLang 开发的 TileKernels 项目。

但必须明确：TileLang 目前替代不了完整的 CUDA 体系。

DeepSeek 公开的 TileKernels 项目仍然依赖 NVIDIA GPU 和 CUDA Toolkit。它当前能够削弱的，是高性能内核开发对手写 CUDA 代码的依赖，而非一夜之间替换掉驱动、编译器、通信库和开发工具组成的完整软件栈。

因此，“英伟达在掘自己的坟墓”更准确的理解是：随着 AI 编程、编译器和专用芯片共同发展，CUDA 积累的迁移成本可能下降。国产芯片未来能不能真正接住机会，最终仍取决于产能、实训与迁移成本：能否稳定产出足够多的芯片，能否在真实的大模型训练中证明集群可靠性，以及开发者能否以可接受的成本迁移现有工作负载。

我们的判断是，国产算力的估值锚应从“能否适配”转向“能否训练”。真正的重估节点只有一个：出现完全基于国产芯片训练、效果公开、工程路径可复现的主流旗舰模型。兼容工具发布再多，都到不了这个证明强度；软件层的改善是必要条件，却还不是最终证明。

二、开源的底气是成本优势，不是理想主义

梁文锋将 DeepSeek 的开源、低价与商业模式归入同一套逻辑：当官方服务的运行成本足够低，开放模型权重并不会自动摧毁 API 业务。

用户拿到开源权重之后，仍然需要采购硬件、建设集群、优化算子、维护服务和处理峰值需求。大多数企业真正比较的只有一件事：自行部署的综合成本，能不能低于模型公司的 API 价格。权重免费与否，反而在其次。

这也是 DeepSeek 不断强调计算效率的原因。对资源充足的大公司而言，部分问题可以靠增加 GPU 解决；对受算力约束的团队而言，提高模型和基础设施效率，不只是优化利润率，更直接决定它能训练多大的模型、做多少次实验。

低成本因此身兼数职：它扩大开发者和企业的使用规模，压低第三方独立部署的经济吸引力，也让 DeepSeek 能用有限算力推进更大规模的研究。

DeepSeek 目前的公开 API 价格仍然体现这一路线。其官方文档显示，V4 Flash 与 V4 Pro 的每百万输出 token 价格分别为 $0.28 和 $0.87（2026 年 7 月报价，未来可能调整）。据 SVTR AI 创投库同期收录的中美主流模型报价，这一水平不到 OpenAI 同档模型的十分之一，处于全球主流模型的最低一档。

但转写稿中提到的“设备十个月回本”“六倍利润”以及第三方部署成本的具体倍数，缺乏成本结构和计算周期，不能直接按标准财务指标理解。更可靠的结论是：DeepSeek 试图把价格设在一个既能覆盖研发与基础设施投入，又足以压缩中间部署商利润空间的位置。

顺着这笔账往下推，一个行业事实正在成形：模型 API 层在主动放弃暴利。

这对 AI 应用投资提出了一个更严苛的问题：如果底层模型能力持续提升、价格持续下降，中间层公司究竟积累了什么不会被基础模型吞掉的资产？仅仅转售 token、包装工作流或者连接几个模型接口，很难形成长期壁垒。真正有价值的应用公司，必须拥有独立的数据闭环、业务执行能力、客户关系或结果交付能力。

三、中美差距不只是算力，但算力决定试错权

梁文锋将中国与美国前沿模型之间的大部分差距归因于算力。

这并非没有道理。算力决定的不只是最终训练一次大模型的规模，更重要的是研究团队在正式训练前能完成多少实验、淘汰多少错误路线。一家公司拥有十倍算力，并不只是可以把模型做大十倍，它还可以同时尝试更多架构、数据方案和后训练方法，在失败之后迅速重来。算力本质上购买的是试错权和时间领先。

DeepSeek 过去形成的叙事，是以远低于美国头部实验室的资源投入，缩小模型能力差距。下一阶段的挑战，则是在保持效率优势的同时，把能力落后的时间进一步缩短。

不过，“所有差距都是算力差距”仍然把问题算窄了。梁文锋在同一场交流中也承认，高质量数据和后训练是另一项关键约束。算力可以通过采购迅速增加，但高质量数据生产、研究人员协作和训练方法积累需要时间，无法单纯靠资本开支即时补齐。

SVTR 更看重的是竞争标准的切换：中国模型公司的资本竞争，正在从“谁融资更多”转向“谁能把算力变成模型能力”。

未来衡量一家基础模型公司，不应只看 GPU 数量，而应同时观察：

• 单位算力产生了多少有效实验；
• 训练和推理效率是否持续改善；
• 新增算力是否真正转化为模型能力；
• 数据与后训练团队是否同步扩张。

“买卡即资产”只在卡能稳定运行、被高效利用，并持续产出模型进步时成立。否则，昂贵集群同样可能成为快速折旧的基础设施负担。

四、Agent 之后，真正的台阶是持续学习

相比算力和开源，梁文锋对技术路线的判断更值得长期关注。

他将大模型的发展理解为一组连续台阶：语言模型解决知识表达，思维链提高推理上限，Agent 扩大任务范围，下一步则是持续学习。

今天的 Agent 可以调用工具、分解任务并执行复杂流程，但它仍然高度依赖人类提供上下文。一个新员工在公司工作两个月后，会逐渐理解人物关系、内部规则和隐性经验；大多数 AI 系统在任务结束后，并不会真正把这些经历转化为长期能力。

持续学习要解决的问题是：AI 如何在无需完整重训时吸收新经验、更新对环境与用户的理解、保留长期记忆，并把上一次任务所得迁移到下一次，同时不让新知识破坏原有能力。

梁文锋也承认，这仍是全球尚未解决的问题。DeepSeek 内部将此类研究形容为“摸奖”：它不一定需要立刻投入最大规模的训练资源，却需要大量研究者不断探索可能的突破路径。

这也解释了 DeepSeek 为何把“模型首先服务自己的研发”放在重要位置。如果 AI 能参与数据处理、编写训练代码、分析实验结果并帮助设计下一代模型，AI 研发就不再是线性过程：每一代模型不仅提供产品能力，也会提高下一代模型的研发效率。这比“再做一个 Agent 应用”更接近前沿实验室真正争夺的目标：谁能最早建立 AI 加速 AI 研究的正反馈。

但这里也需要保持克制。持续学习并不等于简单增加记忆数据库，也不等于参数规模扩大。一个模型能记住对话，不代表它真正形成了可迁移的新能力。未来判断持续学习是否兑现，不能只看产品是否多了“长期记忆”按钮，而要观察模型能否在长期任务中持续吸收反馈，并在无需大规模重训的情况下，稳定改善后续行为。

五、梁文锋真正交出的，是一套取舍原则

这场闭门交流最值得记录的，不是某一组未经核实的卡量或收入数字，而是 DeepSeek 如何理解自身边界。

它希望把基础模型、计算效率和 AGI 研究留在内部，把更多应用机会留给外部伙伴；通过开源降低产业阻力，通过低价扩大使用，通过效率弥补算力差距，再把商业化控制在不改变研究优先级的范围内。

这套逻辑并不天然正确。国产算力可能迟迟无法通过旗舰模型验证，持续学习可能多年没有突破，低价 API 也可能不足以覆盖不断上升的研发投入。随着团队、资本和客户规模增长，DeepSeek 同样会面对所有科技公司都无法回避的问题：研究目标与商业责任如何共存。

但梁文锋的稀缺之处，在于他试图用同一个目标解释所有选择，而非把开源、低价、国产替代和 AGI 包装成彼此独立的口号。这种稀缺已经外溢成一种现象：过去两个月，SVTR 接触的硅谷基金里，追问 DeepSeek 组织方式的已多过追问其模型能力的，这份转写稿流出后只会更甚。

对创业者和投资人，值得借鉴的是这套决策方式，答案本身无法复制：当机会同时出现，哪些事情能提高抵达终局的概率，哪些事情只是提前兑现尚未建立的优势？

📡 信号追踪

• 国产芯片能否完成旗舰模型训练
  验证窗口：2027 年年中前
  观察是否出现主要依靠国产 AI 芯片完成训练、拥有公开模型结果和相对完整技术说明的主流旗舰模型。只有训练结果出现，“国产软件栈不可用”的判断才算真正被推翻。

• TileLang 能否跨越单点算子优化
  验证窗口：未来 12 到 18 个月
  观察 TileLang 及类似工具能否从高性能内核开发，进一步覆盖更完整的跨平台编译、通信和部署流程。它能否在非 NVIDIA 硬件上形成大规模生产案例，比项目热度和代码数量更重要。

• 持续学习是否超越“长期记忆”
  验证窗口：2026 年底至 2027 年
  观察前沿模型能否在长期任务中吸收新经验、稳定更新行为，并将学习结果迁移到后续任务。如果变化仍停留在上下文扩展、记忆检索和参数规模增加，说明下一层台阶尚未跨过。

• 低价 API 能否支撑长期研发
  验证窗口：下一轮融资或公开财务信息出现后
  观察 DeepSeek 的企业收入、基础设施支出与研发投入能否形成可持续循环。若 API 和企业业务能覆盖主要运营成本，“商业化是研究副产品”的模式将获得初步验证；若不能，资本市场将开始要求它重新定义商业优先级。