Dalla scorsa notte, gli account WeChat pubblici stanno ripubblicando freneticamente la registrazione di Liang Wenfeng di DeepSeek, usando l'IA per riassumere e scrivere articoli.
Scarica il PDF della trascrizione originale della registrazione
📎
https://xiangyangqiaomu.feishu.cn/wiki/Ojsuw8gE6ieBZJkYOMtcOcaenwq
DeepSeek ha un modello chiamato DDCP. Il giorno in cui il suo prezzo è stato tagliato a un quarto dell'originale, la chat di gruppo dell'azienda era piena di esultanza.
In una normale riunione finanziaria aziendale, un taglio di prezzo significa un calo dei ricavi ed è una brutta notizia che porta a rimproveri.
DeepSeek lo ha trattato come un momento degno di essere festeggiato.
In questo incontro di tre ore e quarantaquattro minuti, Liang Wenfeng ha ripetuto una cosa: Non hanno soldi, non hanno carte, non hanno fama, non hanno talenti di alto livello nel team, e persino lui stesso non si è laureato alla migliore scuola.
Come ha fatto un gruppo di persone comuni a creare in due anni qualcosa che ha messo in ansia il mondo intero?
Il giudizio controintuitivo di Liang Wenfeng: Nella questione dell'IA, chi vuole prendere di più perderà per primo.
Più prendi, più velocemente muori
Liang Wenfeng ha fatto un calcolo. Supponiamo che l'IA possa eventualmente consumare il 10% del PIL globale, e OpenAI voglia prendere il 5% di questo; teoricamente il calcolo è valido.
Ma non appena appare un concorrente disposto a prendere solo l'1%, può schiacciare il primo con un prezzo più basso.
Poi arriverà qualcun altro che ne vuole solo lo 0,1%, schiacciando anche il precedente.
Questa catena continuerà a rotolare verso il basso fino a raggiungere un punto di equilibrio: se prendi troppo poco, il modello di business non regge e vieni naturalmente eliminato; se prendi troppo, vieni spremuto strato dopo strato da chi prende meno.
Liang Wenfeng lo ha detto chiaramente: Non ha dubbi che l'AGI avrà un enorme valore commerciale, ma più che a come ottenere una fetta più grande, lui tiene a come aumentare la probabilità di realizzarla.
E il modo per aumentare quella probabilità è proprio ridurre attivamente la porzione che vuole prendere.
Applicando questa logica ai prezzi, l'API di DeepSeek è progettata per raggiungere il pareggio in dieci mesi, corrispondenti a circa sei volte il profitto.
Questo non è massimizzazione del profitto. Se volessero davvero massimizzare il profitto, il prezzo dovrebbe essere più alto perché la domanda degli utenti nell'intervallo attuale è anelastica; un aumento di prezzo non ridurrebbe significativamente i consumi.
Ma il profitto di sei volte è bloccato attivamente a questo limite superiore per una ragione molto pratica: Mantenendo il margine di profitto abbastanza basso, diventa non redditizio per terzi rubare affari distribuendo modelli open-source.
Open source e basso profitto sono due facce della stessa medaglia.
Invece di fare affidamento sul closed source per bloccare i profitti, fanno affidamento sulla compressione dei profitti a un livello che altri non possono permettersi di replicare, preservando così il mercato stesso.
Liang Wenfeng ha calcolato che se volessero davvero guadagnare cento volte il profitto, l'open source diventerebbe una falla, poiché i costi di distribuzione di terzi potrebbero essere solo un ventesimo dei loro.
Ma DeepSeek non ha mai avuto intenzione di percorrere quella strada fin dall'inizio.
Non è preoccupato per l'open source perché non ha mai pensato di guadagnare cento volte il profitto attraverso un monopolio verticale.
Questa logica di "guadagnare intenzionalmente meno" spiega quasi ogni decisione apparentemente non redditizia che questa azienda prende.
Semi di sesamo davanti, angurie dietro
Lo scorso Capodanno cinese, la base utenti consumer (C-end) di DeepSeek è esplosa improvvisamente.
Non era nei piani. Il team ha persino considerato di non mantenere quegli utenti, ma gli utenti "non potevano essere allontanati" e alla fine sono rimasti.
La spiegazione di Liang Wenfeng per questo fenomeno è diretta: Trattare le cose che puoi afferrare proprio davanti a te come la massima priorità ti farà perdere opportunità più grandi.
Lo chiama "raccogliere semi di sesamo." Il traffico C-end dell'anno scorso e i ricavi business-end (B-end) di quest'anno sono, a suo avviso, solo semi di sesamo: raccoglierli di passaggio è sufficiente; non vale la pena fermarsi.
La vera anguria è l'AGI, e l'opportunità per l'AGI è sempre abbastanza grande che non c'è bisogno di calcolare precisamente quanta quota si possa occupare in questo momento.
Questo porta a un risultato interessante: DeepSeek realizza prodotti quasi per caso.
Liang Wenfeng ha detto che il punto di partenza per l'addestramento e l'API dell'azienda non è mai stato servire bene gli utenti, ma perché questo passo deve essere superato sulla strada verso l'AGI. Utenti e ricavi sono solo sottoprodotti generati lungo il percorso.
Questa strategia è, ai suoi occhi, una forma di attacco di riduzione dimensionale: un'organizzazione con l'AGI come obiettivo ci mette molta meno testa nei prodotti C-end e B-end rispetto alle aziende che trattano il prodotto stesso come obiettivo, eppure i risultati non sono necessariamente peggiori.
La sua spiegazione è che una visione più ampia può unire meglio i talenti di alto livello; il conseguente vantaggio di talento traboccherà naturalmente a livello di prodotto, diventando un attacco di riduzione dimensionale.
Al contrario, un'azienda che tratta "fare un buon prodotto" come obiettivo finale avrà vantaggi nell'esperienza del prodotto, nel traffico e nel servizio utente, ma in termini di capacità tecniche a monte, potrebbe non raggiungere mai un'azienda che tratta la tecnologia stessa come obiettivo finale.
La stessa moderazione determina anche le cose che DeepSeek sceglie di non fare.
Niente produzione di chip, niente catena industriale completa
Un investitore ha chiesto a Liang Wenfeng se si sarebbe spostato a monte per produrre chip o a valle in applicazioni verticali come finanza o sanità.
La sua risposta è stata no.
Il motivo è una metafora della centrale elettrica: la persona che gestisce la centrale non deve costruire il generatore da sola. Finchè può acquistarlo a un prezzo ragionevole, perché costruirlo?
Questa è un'estensione della stessa logica di "moderazione."
Liang Wenfeng ha detto che la torta dell'IA è abbastanza grande che in futuro emergeranno molte aziende da un trilione di dollari. DeepSeek deve solo essere una di queste, mangiando solo la parte in cui è più brava, senza bisogno di inghiottire l'intera catena industriale.
Mangiare troppo porterà invece a un'uscita anticipata.
Lo stesso atteggiamento vale per i concorrenti.
Liang Wenfeng ha detto che DeepSeek è disposto ad aiutare Alibaba, Zhipu e Moonshot AI a riprodurre meglio modelli open-source perché non danneggia i propri interessi.
Suona educato, ma l'algoritmo di fondo è coerente: Se il mercato è abbastanza grande, che gli altri facciano bene non è una minaccia; che gli altri facciano male e rovinino la fiducia dell'intero ecosistema è la vera perdita.
La moderazione spiega cosa DeepSeek non fa.
Per quanto riguarda cosa farà, la risposta è una scala tecnica che è stata pensata a lungo.
Una scala che si può salire senza fare straordinari
Liang Wenfeng descrive l'evoluzione della tecnologia dell'IA come salire una scala strato per strato, dove ogni passo è costruito sul precedente e nessun passo è sprecato.
Il passo dell'anno scorso è stato la Catena di Pensiero (CoT), far imparare al modello a pensare da solo, spingendo il limite superiore dell'intelligenza un passo avanti, superando già gli umani migliori nella programmazione e nei problemi delle Olimpiadi di Matematica.
Il passo di quest'anno sono gli Agenti, spingendo i confini delle capacità ulteriormente attraverso l'esecuzione di compiti a più fasi.
Ma anche il percorso degli Agenti raggiungerà la sua fine.
Dopo aver raggiunto la fine, il modello non può ancora sostituire un vero impiegato.
Liang Wenfeng ha fatto un esempio molto azzeccato: Quando un nuovo impiegato entra, passa due mesi a familiarizzare con l'ambiente. Dopodiché, se dici "chiama Xiao Wang", capisce.
L'IA manca di questi due mesi di accumulo; devi spiegare chi è Xiao Wang, dove si trova e qual è la sua posizione prima che possa eseguire.
Questo limite di "dover fornire il contesto completo" è il muro invisibile tra l'IA attuale e la vera intelligenza.
Il prossimo passo da superare è l'apprendimento continuo: Il modello può, come un nuovo impiegato, accumulare esperienza da solo attraverso il contatto continuo con l'ambiente, invece di fare affidamento sugli umani per fornire contesto nella sua bocca ogni volta?
Una volta risolto l'apprendimento continuo, apparirà una fase che Liang Wenfeng chiama "singolarità": La capacità del modello sarà abbastanza forte da iterare la versione successiva del modello stesso, fare le proprie ricerche e sviluppare una generazione successiva più avanzata.
Ha sottolineato specificamente che questa singolarità non è una mutazione improvvisa, ma un processo graduale e continuo, anche se convenzionalmente viene chiamata singolarità.
Solo dopo arriva l'intelligenza incarnata, in cui i robot entrano veramente nel mondo fisico per fare lavori domestici e assistenza agli anziani.
Per quanto riguarda il perché seguono quest'ordine, Liang Wenfeng ha detto: Questo è il percorso che richiede meno fatica.
Risolvendo prima l'apprendimento continuo, l'IA può aiutare ad accelerare ogni passo successivo della ricerca e sviluppo, così gli umani non devono portare tutto da soli.
Al contrario, se facessero prima l'intelligenza incarnata, sarebbe un percorso amaro e faticoso costruito sul lavoro umano, che DeepSeek non vuole scegliere.
C'è un dettaglio qui su cui vale la pena soffermarsi: L'obiettivo principale di DeepSeek nell'addestrare la prossima versione del modello non è che gli utenti esterni la usino bene, ma che il proprio team sviluppi più velocemente.
Il modello serve prima l'efficienza interna di R&S, e poi incidentalmente giova agli utenti esterni.
Quest'ordine di priorità, in una certa misura, determina la sequenza di quasi tutte le allocazioni di risorse in questa azienda.
20.000 Schede e un Fossato che si Scioglie
Quando parla del divario tra Cina e Stati Uniti, il giudizio di Liang Wenfeng è stato molto diretto: Il talento non è il collo di bottiglia; la potenza di calcolo lo è.
La Cina non manca di talenti nell'IA; la base è abbastanza grande e la distribuzione delle persone intelligenti è casuale. Non esiste che "tutte le persone più intelligenti siano andate negli Stati Uniti."
Il vero collo di bottiglia sono le risorse.
I numeri sono molto diretti: DeepSeek attualmente ha circa 20.000 schede di calcolo equivalenti alla serie H, la maggior parte arrivate solo nell'ultimo mese o due.
Per addestrare un modello dello stesso grado degli attuali modelli più grandi (con circa 800B parametri attivati), servono 50.000 schede GB300, o 200.000 delle ultime schede di Huawei. Questo è solo per l'addestramento stesso, senza includere gli enormi costi sperimentali durante la fase di ricerca.
Le risorse attuali di DeepSeek possono supportare esperimenti su scala di decine di miliardi di parametri attivati, che è ancora un ordine di grandezza lontano da 800B.
Per quanto riguarda i chip domestici, il giudizio di Liang Wenfeng è stato inaspettatamente ottimista.
Crede che il fossato ecologico di CUDA venga smantellato da tre forze contemporaneamente: l'IA stessa può aiutare a scrivere codice, abbassando significativamente la soglia per costruire un ecosistema; linguaggi di alto livello come TileLang possono riscrivere rapidamente l'intero sistema di operatori di CUDA; le schede da gioco e quelle di calcolo originariamente condividevano un'architettura perché il mercato del calcolo IA era più piccolo di quello dei giochi, ma ora il mercato del calcolo è più grande, e i due non devono più essere legati insieme: i chip specializzati stanno diventando mainstream.
Ha dato un giudizio temporale specifico: Nel prossimo anno, il fatto che l'ecosistema dei chip domestici sia a posto sarà dimostrato dai fatti.
L'unico ostacolo rimasto è la capacità produttiva.
Il confronto specifico costo-prestazioni è anche molto diretto: Il super-nodo 950 di Huawei può sostituire GB200 e GB300 di NVIDIA in termini di prestazioni e prezzo, al costo di aver bisogno di quattro schede per eguagliarne una, pur essendo in ritardo di due anni. Non importa se costa dal 50% al 200% in più, purché si possa acquistare.
DeepSeek attualmente ottiene circa 16.000 schede di capacità da Huawei. Questo volume è equivalente solo a 4.000 schede NVIDIA, che non sono nemmeno sufficienti per addestrare la prossima generazione di modelli, ma sono abbastanza per aiutare Huawei a far funzionare prima l'ecosistema.
Liang Wenfeng lo chiama "aiutare Huawei a fare questo bene prima." Non si aspetta di fare affidamento su queste schede per addestrare modelli più grandi; sta spianando la strada per il futuro.
Ancora più interessante è la narrazione di recupero che fornisce: In passato, l'IA cinese usava un ventesimo della potenza di calcolo altrui per produrre cose comparabili, pur essendo in ritardo di uno o due anni.
In futuro, questo "tempo di ritardo" deve essere compresso da uno o due anni a tre o sei mesi, mentre il divario di potenza di calcolo rimane altrettanto grande.
Non facendo affidamento su più risorse, ma su metodi più intelligenti.
Questo approccio di "usare l'astuzia per colmare il divario" si riflette anche nel modo in cui l'azienda gestisce se stessa.
Metà dei Ricercatori Core Etichettano i Dati
Qualcuno ha chiesto a Liang Wenfeng se il problema delle allucinazioni dei grandi modelli avrebbe influenzato l'esperienza utente. La sua risposta è stata molto franca: L'allucinazione non è un problema insolubile. Può essere migliorata con un migliore post-addestramento; è solo che nessuno ha ancora messo molto impegno per farlo.
All'interno di DeepSeek, questo è classificato come un problema di prodotto; verrà risolto, ma non è il focus.
Un dettaglio più degno di essere ricordato del problema delle allucinazioni è: Metà dei ricercatori core di DeepSeek stanno etichettando i dati.
Questo non perché etichettare i dati sia economico in Cina. Al contrario, Liang Wenfeng ha detto che il costo dell'etichettatura di dati di alta qualità in Cina non è diverso da quello degli Stati Uniti, specialmente per i dati di fascia alta dove non c'è alcun vantaggio di costo.
Quindi la strategia attuale è un approccio a due punte: etichettare prima quelli a basso costo e mettere da parte per ora quelli ad alto costo.
Giudica che sia una questione di tempo, non di capitale.
OpenAI e Anthropic hanno iniziato prima e sono in funzione da molto tempo. La Cina ha iniziato a investire seriamente solo circa sei mesi fa, ma si prevede che la maggior parte del divario possa essere colmata entro un anno.
Un'Azienda Senza Organizzazione: Cosa Tiene Insieme le Persone?
Liang Wenfeng ha detto che DeepSeek "non ha organizzazione" ed è guidata dalla visione.
Il funzionamento specifico: La gestione aziendale è divisa in due linee. Una è top-down per progetti collettivi, come il rilascio di V4 che richiede collaborazione e divisione del lavoro a livello di tutto il personale; questa parte è chiamata "formale." L'altra è bottom-up, dove ognuno ricerca ciò che vuole; nessuno li gestisce e non ci sono KPI.
Lo standard che Liang Wenfeng si pone è: Il lavoro formale non dovrebbe occupare più della metà del tempo di un impiegato.
Ci sono due considerazioni dietro questo.
Primo, la ricerca richiede un ambiente rilassato. Spingere troppo rende impossibile esplorare cose nuove. Poiché l'obiettivo è stimolare l'interesse spontaneo, bisogna lasciare spazio per "pensieri selvaggi."
Secondo, DeepSeek è abbastanza focalizzata che ci sono poche cose da fare. I prodotti dell'azienda sono generalmente imperfetti, e non hanno messo impegno per sistemarli, il che è di per sé una scelta attiva.
Questo stile organizzativo non ha un modello da copiare.
Liang Wenfeng ha detto che DeepSeek non ha imitato nessuna azienda, inclusi i Bell Labs che vengono spesso usati come paragone, perché i Bell Labs non dovevano essere responsabili dei propri profitti e perdite, mentre DeepSeek è in definitiva un'azienda che deve considerare come sopravvivere. Il governo non darà loro un solo centesimo.
Ogni scelta è un risultato calcolato in base alla situazione reale, non una risposta copiata.
Ritornando a Quell'Esultanza
Guardando indietro ora all'esultanza del giorno del taglio del prezzo di DDCP: Quella non era una storia isolata; era un microcosmo dell'intero algoritmo di sopravvivenza di questa azienda.
Moderazione nel non perseguire la quota massima perché, in un mercato abbastanza grande, gli avidi veranno spremuti per primi.
Raccogliere semi di sesamo senza indugiare perché fissare i guadagni immediati ti impedirà di vedere le angurie più grandi dietro.
Non produrre chip o applicazioni verticali perché mangiare troppo porta a un'uscita anticipata.
Scegliere l'ordine che richiede meno fatica per il percorso tecnico perché l'energia risparmiata può essere usata dove ci sono i veri colli di bottiglia.
Avere metà dei ricercatori che etichettano i dati perché il divario che la potenza di calcolo non può colmare può essere colmato solo con una base più solida.
Queste decisioni sembrano non correlate in superficie, ma in realtà sono modi diversi di scrivere la stessa frase: In un percorso abbastanza grande, non calcolare precisamente quanto puoi ottenere in questo momento è il prerequisito per ottenere di più.
Questo è un metodo di giudizio che può essere usato direttamente da chiunque in un settore competitivo.
La prossima volta che ti trovi di fronte a una scelta tra "quanto posso ottenere ora" e "quanto posso ottenere in futuro", non avere fretta di calcolare il conto immediato.
Fai una domanda più fondamentale: Questa faccenda, per il fatto che stai prendendo troppo ora, attirerà prematuramente un concorrente disposto a prendere meno?
Se la risposta è sì, allora non importa quanto sia allettante il guadagno a breve termine, non vale la pena scambiarlo con la probabilità di sopravvivenza.
