以克制开源和持续学习推进AGI
主要观点
交流内容以AGI为长期目标，将开源、低价和商业克制解释为愿景与竞争策略：短期业务负责形成现金流，但不应挤占智能主线。技术上，语言模型、CoT和Agent之后的关键瓶颈被归结为持续学习，未来再走向自我迭代与具身智能。组织采用正式协作与自由探索并存的模式，优先保障团队稳定。资源配置集中于算力、训练和高质量数据，产品端暂时优先通用及Coding Agent。多项算力、收入和追赶时间数据均为口头预测，且转写可能有误。
关键要点
- 公司不以上市或利润最大化为初衷，而以对人类有用的长期愿景统领开源、定价、组织和产品取舍；发言者认为主动限制短期利益能提高AGI成功概率。
- API定价参考设备约十个月回本，而非收入最大化；DDCP模型曾降至原价四分之一。需求弹性、继续降价的社会增益及“十个月回本对应六倍利润”等说法均缺乏公开测算。
- 开源版与公司自部署版据称保持一致。商业能力主要来自部署优化、成本控制、服务和组织效率，公司还表示愿意帮助社区乃至竞争者复现和部署。
- 春节C端用户激增后，公司未优先变现或打造超级App；C端、B端和API被视为AGI研发的副产品，但未来可贡献现金流，最坏情况下API服务被设想为商业保底。
- 技术阶梯为语言模型、CoT、Agent、持续学习、自我迭代及具身智能。当前最明确的缺口是长期积累现实上下文的持续学习，但全球尚无成熟方法，路线及时间表均未证实。
- 公司实行混合管理：正式发版等任务自上而下协作，自由研究自下而上展开且无KPI；正式安排最好不超过一半时间。规模扩大后，部分部门将建立层级，研究部门继续保持扁平。
- 团队稳定被称为公司最大甚至唯一不可退让的核心利益，融资和期权用于降低核心人员流失风险；这一判断属于发言者立场，未提供人员流动数据。
- 算力被视为中美AI差距的主要来源。公司口头披露约两万张H等效算力并积极采购，但离约800B激活模型所需资源仍远，短期先在十B至几十B激活规模实验。
建议带着这些问题阅读
- 开源与有限利润商业模式依靠哪些能力形成壁垒？
- 持续学习为何被视为Agent之后的关键瓶颈？
- 愿景驱动、无KPI和混合层级在扩张后能否持续？
- 算力、数据和团队稳定中，真正的约束条件分别是什么？
- 哪些收入与算力数字是事实，哪些只是附带条件的预测？