写在前面：这篇文章是我（Challen）根据梁文锋的一段录音文字稿转写、重构而成。内容属于梁文锋本人，是他的表达，不是我的观点。我只做了编辑性的整理，让它更适合阅读，并非梁文锋正式署名或逐字审定的稿件。放在这里，是因为我觉得这些判断值得被更多人读到。
我一直不太愿意用商业成功来解释我们为什么做 DeepSeek。不是因为商业不重要，而是因为一家公司从哪里出发，决定了它后来会被什么驱动。我们最初聚在一起时，没有人讨论上市、估值或者资本市场，也没有人认真计算最后能赚多少钱。最开始的几十个人，如果是为这些而来，大概不会选择加入。
我们只是觉得，人工智能是一件对人类有用的事情。它足够重要，也足够有趣，值得一群普通人把时间放进去。对我们来说，它首先是一件金钱以外的事情。
后来，行业变得越来越大，利益越来越多，诱惑也越来越多。公司做大以后，外界会自然地用收入、用户、市场份额和估值来衡量你。每一个指标都合理，但它们不是我们的起点。我们的出发点一直不是商业利益最大化，而是提高把智能这件事做成的概率。理解这一点，才能理解我们为什么坚持开源，为什么愿意降价，为什么没有在用户最多的时候全力做商业化，也为什么不愿意把产业链上的所有业务都抓在自己手里。
愿景不是墙上的一句话
大概二十年前，我在管理上比较崇拜杰克·韦尔奇。现在回头看，他讲过的很多东西可能已经不适用于今天，但有一点我仍然认同：一家公司最重要的是它的愿景。
愿景不是挂在墙上的一句标语。愿景是你怎么做，不是你怎么说。
很多公司会写使命、价值观和文化手册。我们没有写过这样的东西。至少在很长时间里，我们的愿景不是成文的，它存在于我们做事情的方法里，存在于我们怎样对待利益、怎样对待同行、怎样对待用户，也存在于我们决定不做什么的时候。
公司里的每个人，对这个愿景的理解可能并不完全一样。每个人进入公司的原因也不一样。但在一个更大的方向上，大家是一致的：我们希望怀着对这个世界的善意，做一点真正有用的事情。
这就是我们最早的组织方式。
所以我有时会说，我们公司没有组织。
这当然不是说完全没有分工，也不是说所有事情都随便做。我的意思是，我们不是主要依靠规章、考核和层级把人组织起来的。我们更依靠一种没有被明确写下来的共识。
一群人为什么愿意在一起研究一个很难的问题？为什么没有 KPI，很多人还是会主动做很多事情？为什么模型降价以后，团队里的很多人不是失落，而是高兴？因为他们认为，这正是自己来这里的原因。
这种组织方式有好处，也有坏处。人少的时候，它让我们非常灵活；人多以后，它也一定会遇到边界。未来，我们需要建立更清晰的部门和协作机制，有些团队需要更加严谨的层级，有些团队则应该继续保持松散。
但不管组织形式怎么变化，我希望最核心的东西不要变。制度帮助一个组织运转，愿景决定一个组织为什么值得运转。
开源不是一种姿态
外界经常把开源理解为一种商业策略。这当然没错，开源对商业是有帮助的。但对我们来说，事情的顺序不是先有商业计算，再决定开源。
首先是愿景本身要求我们开源。
如果我们认为人工智能是一件应该对更多人有用的事情，就很难一边这么说，一边把最重要的能力全部锁起来。我们希望别人能够使用它，也希望别人能够在我们的基础上继续做东西。
有些公司的开源带着一种被迫的感觉，可能是为了应对市场竞争，也可能是为了获得开发者生态。我们不是这样。对我们来说，开源就是本意。
但开源也不只是价值选择，它背后还有一套商业判断。人工智能和过去的软件不一样。过去，一个软件市场可能一年只有几十亿美元，一旦开源，原本属于一家公司的收入可能大幅缩水。但人工智能可能影响人类社会非常大的一部分生产活动。它最终创造的价值会非常大，大到任何一家公司都不可能独占。
你越想独占，就越不可能做成。
因为当一个事物大到会影响整个社会的时候，它就不再只是一个公司的商业问题。它会遇到产业、政策、技术、资本和社会认知上的各种阻力。
所以，如果我们真的想把这件事做成，就必须接受一个事实：我们能够获得的利益是有限的。
这不是悲观，而是一种历史观。一个足够大的技术，必须和很多人分享。你需要让产业链上的其他人有利益，让应用公司有利益，让开发者有利益，让用户得到足够低的成本，也让同行有继续探索的空间。
我把这种选择叫作克制。
克制不是道德装饰，而是一种战略
很多人听到克制，会把它理解成一种道德态度。但对我来说，克制首先是一种战略。
假设 AGI 最终具有非常大的商业价值，我最应该考虑的事情，不是怎么多拿一点份额，而是怎么提高我们把 AGI 做成的概率。
这两个目标看起来相似，实际上经常冲突。你想拿到更多短期利益，就会做更多短期业务；做更多短期业务，就需要更多人、更多管理、更多销售、更多产品线和更多协调。组织的注意力会逐渐从技术突破转向收入、用户和竞争。
这些事情本身没有错。问题是，它们会不会提高我们做成 AGI 的概率？
如果不能，甚至会降低这个概率，那么收入越高、用户越多，未必越接近真正的目标。
所以，我们在定价的时候，也不是以收入最高为第一原则。我们的逻辑很简单：公司应该获得合理利润，能够覆盖风险、研发和长期投入，但没有必要把用户愿意支付的每一分钱都拿走。
我们曾经按照一批设备大约十个月回收成本来计算 API 价格。从纯粹的利润最大化角度看，这个价格可以更高。因为在某些价格区间里，用户需求没有那么强的价格弹性，价格即使提高，使用量也未必明显下降。
但我们不认为这意味着应该涨价。
有一次，一个模型刚开始上线时，因为担心需求太多，价格定得比较高。后来价格降到了原来的很小一部分，公司群里很多人都很高兴。
这种反应对我很重要。它说明，团队不是把降价看成收入损失，而是认为自己做的东西终于能被更多人充分使用。大家花了那么多精力把模型做好，本来就是希望它效果足够好，也足够便宜。
十个月回本仍然可以被认为利润不低。我也承认，随着模型和系统继续优化，价格还有下降空间。但价格并不是越低越好。当价格已经低到大多数人都能负担，再继续降价，未必会创造更多需求，也未必会增加多少社会价值。合理的价格，不是无限接近零，而是在企业能够持续投入与用户能够充分使用之间找到平衡。
克制并不意味着我们不赚钱。它意味着我们不以赚到最多的钱为目标。这两者差别很大。
不要把路边所有的芝麻都捡起来
去年春节，用户突然变得很多。那不是我们原来的剧本。我们并没有提前计划要做一个超级 App，也没有准备和大厂争夺 C 端流量。用户突然涌进来以后，按照通常的商业逻辑，我们应该立刻做留存、增长、广告、会员和商业化。
我们当然有能力做其中一些事情，也可以投入大量资金去争夺用户，试图把它做成下一个流量入口。
但我们没有那么做。
不是因为那些用户没有价值，而是因为我们不希望把它当成公司的主要目标。我们努力把服务维持好，也用相对低的成本保留了用户，但没有围绕用户规模重构整个组织。
我当时的判断是，后面还有西瓜，前面这些可能只是芝麻。
有些芝麻也很大，顺手能够捡起来，我们会捡。但我们不应该为了捡芝麻停下来，更不应该把所有人都调过去捡芝麻。
B 端和 API 的收入也可能成为一个很大的机会。如果需求继续增长，它可以覆盖研发费用，甚至让公司的现金流回正。这当然是好事，我们会把它做好，但它依然不是第一优先级。
因为 To C 也好，To B 也好，本质上都是我们做 AGI 过程中产生的中间结果。我们不是为了做一个聊天产品，才去训练更好的模型；也不是为了卖 API，才去研究模型架构。
我们是为了做 AGI 而做 AGI。
走在这条路上，阶段性的模型能力可以服务用户，也可以形成收入。我们就把这些能力提供出来。
这和很多公司的方向相反。很多公司先确定产品和市场，再围绕产品需要训练模型。我们先提高智能的上限，再让这些能力自然溢出到产品和商业化里。
这可能是一种降维。当你站在更高的技术目标上，去完成一个相对局部的产品目标，有时候不需要投入那么多额外精力。
技术快速变化的时候，最好的产品战略有时不是把更多人放到产品上，而是先把底层能力推得更远。
AGI 不是突然出现的一道闪电
每个人对 AGI 的定义不一样。对我来说，可以从一个很现实的问题来理解。
现在这一代人工智能，如果你能够把问题描述清楚，给它完整的上下文和准确的指令，它在很多任务上已经能超过人类。难点就在完整的上下文。
假设公司里来了一位新员工。最开始的两个月，他需要了解业务、同事、流程和历史。他逐渐知道谁负责什么，知道一句话背后的真实意思，也知道哪些事情不需要写在文档里。
过了两个月，你对他说，把小王叫过来。他知道小王是谁，在哪里，为什么要找他，也知道应该用什么方式沟通。
但对 AI 来说，你必须把所有这些信息重新解释一遍。小王是谁，他是什么职务，他在哪里，为什么找他，沟通时需要注意什么。
这在现实中是不可行的。
所以，今天的 AI 可以在一个局部、完整、清晰的上下文里做得很好，却还不能像一个真正的员工那样进入组织、理解环境并持续成长。这里缺少的是持续学习。
回头看，人工智能的发展很像一段阶梯。最早是语言模型。之后是思维链，模型开始通过思考提高自己的能力上限。再往后是 Agent，模型不仅回答问题，还能调用工具、拆解任务，完成更长的工作流程。
Agent 之后，下一道能够看见的障碍，就是持续学习。
模型不能只在训练结束的那一刻拥有能力。它需要像人一样，在长期工作中积累经验，理解新的环境，形成新的记忆，并把这些经验真正转化为能力。
持续学习之后，模型可能进入自我迭代的阶段。它可以参与开发自己的下一代版本，帮助研究新的算法，优化训练系统，也可以进一步提高人工智能研究本身的效率。
很多人把这个阶段叫作奇点。但我不认为它一定是一个突然发生的瞬间。它可能是一个连续的过程，只是这个过程并不是线性的。
因为当 AI 开始帮助研究 AI，研发速度就会被进一步加快。每一代模型都会成为开发下一代模型的工具，所以后面的进步可能越来越快。
再往后，才是具身智能。当智能能够进入现实世界，它可以做家务，可以照顾老人，可以制造和维护下一代机器人，最终真正进入人的衣食住行。
这是我们更愿意相信的一条路线：语言模型、思维链、Agent、持续学习、自我迭代，然后是具身智能。
它不一定是唯一正确的路线，但它可能是一条相对省力的路线。
我们并不崇拜困难，也不认为一件事越苦越有价值。理想的技术路线，应该让前一步成为后一步的工具。如果先解决持续学习，模型就能帮助我们研究自我迭代；如果先实现能够自我迭代的智能，再去做具身，很多机器人研发工作也不必完全依赖人。
我们希望走一条不用长期依靠堆人、加班和重复劳动的路。
下一代模型，首先应该对我们自己有用
我们内部有一个看起来比较奇怪的想法。我们做出的模型，第一目标不一定是让所有用户立刻觉得好用，而是先让 DeepSeek 自己觉得好用。
它应该先帮助我们开发下一代模型。
它应该能够帮助研究员写代码、做实验、阅读结果、寻找异常、生成新的假设。即使还不能独立完成研究，只要它能让人与 AI 的协作效率明显提高，就已经很有价值。
为什么首先强调对自己有用？因为这是实现 AGI 更快的路径。
当模型能够帮助我们提高研究效率，我们就能更快地做出下一版模型。下一版模型又能提供更强的帮助。这个循环一旦成立，研发效率就不再只取决于团队增加了多少人。
今天我们已经很确定，人工智能会帮助我们研究人工智能。它还不能自主完成全部工作，但它已经能够参与很多环节。
持续学习之所以重要，也在这里。现在的 Agent 能力会受到上下文、记忆和长期适应能力的限制。它可以完成一次任务，却很难像一个长期同事那样，在反复工作中形成稳定经验。
如果持续学习能够解决，AI 对研究的帮助会大幅提高。到那时，很多原本需要依靠大量人力、数据和工程投入的问题，可能会变得容易多。
所以，持续学习并不只是 AGI 的一个功能。它可能是加速通往 AGI 的工具。
我们唯一不能退让的，是团队稳定
如果一定要问，DeepSeek 的核心利益是什么，我觉得只有一个。就是团队的稳定性。
钱和资源都可以想办法解决。算力不够，可能让我们晚半年或者晚一年；一次模型效果不好，也可以继续迭代；商业化速度慢一点，公司仍然可以寻找其他收入。
但如果真正重要的人不断离开，团队失去连续性，很多积累就会中断。
只要团队能够保持稳定，我们就可以一直做下去。遇到挫折，也可以重新开始；路线走错了，可以调整；模型没有达到预期，可以再做下一版。
所以，相对于收入、用户和市场份额，我更关心团队能不能长期待在一起。
我们的人才优势并不是每个人都比别人聪明。
我不喜欢一群天才改变世界这样的叙事。我们更愿意把自己看成一群平凡的人。大家是在一个比较随机的过程中聚在一起的。
我更喜欢另外一种叙事：一群平凡的人，通过共同的愿景和合适的组织方式，做出一件不平凡的事情。
真正的优势不只是人才本身，而是人才如何被组织起来。把很多聪明人放在同一个地方，不代表他们自然会合作，也不代表他们会长期保持热情。你需要让每个人理解自己为什么做这件事，也需要让人相信，自己的工作和一个更大的目标有关。
模型能力可以被追赶。某一代模型领先几个月，并不是永久优势。但一个能够长期稳定合作、愿意探索真正困难问题的研究团队，没有那么容易被复制。
没有 KPI 的组织，也要学会长大
我们公司的管理，大体上有两条线。一条从上到下，一条从下到上。
从上到下，是公司需要共同完成的正式任务。比如要发布一代模型，需要明确分工，需要很多团队一起配合，需要有人负责训练、评估、部署和发布。这种工作不可能完全依靠兴趣。
但我希望，正式任务最好不要占据一个研究员全部时间，甚至不要超过一半。
剩下的时间，应该由个人决定。他认为哪个问题重要，就去研究哪个问题。他可以验证自己的想法，也可以参与其他人的探索。只要需要的资源在合理范围内，不一定要先获得层层批准。
很多真正重要的问题，并不是公司设立一个项目组就能够解决的。比如持续学习。现在全世界都没有明确答案。它不是一个已经知道路径、只需要执行的工程项目。
对于这种问题，我们内部有时会说是在摸奖。参与门槛并不高，不一定需要大量算力，也不一定需要一个固定团队长期投入。很多人都可以想，都可以做小规模尝试。但最后谁能够摸到一个真正有效的方法，并不容易提前规划。
所以，公司需要让人有时间思考这些问题。
研究文化需要松弛感。如果每天都被任务填满，被进度和考核追赶，人就很难长期思考那些没有确定答案的问题。
我们不太加班，一方面是研究本身需要相对宽松的环境；另一方面，是因为我们做的事情比较少。
聚焦意味着少做事情。我们没有把所有产品细节补齐，没有进入所有热门方向，也没有因为某个新概念突然变热就立刻建立团队。
因为我们克制，所以任务少；任务少，每个人就不需要依靠长时间加班完成工作。
这不是一种福利设计，而是组织战略的结果。
当然，随着人数增加，这种方式必须改变。有些部门需要明确的层级、流程和责任，否则事情无法推进；但研究部门仍然需要保留更扁平的结构和自由探索空间。
我们没有一个可以直接模仿的对象。我们不是 OpenAI，也不是 Google，更不是贝尔实验室。贝尔实验室不需要独立解决商业生存问题，我们需要。
所以，只能根据现实不断调整。一个研究组织最危险的事情，不是发生变化，而是在规模变化以后，仍然假装原来的方式可以永远不变。
中国真正缺少的，不是聪明人
很多人会问，中国和美国在人工智能上的差距究竟是什么。我的看法比较简单：主要是资源。
人才当然有差距，但人才差距背后仍然有很大一部分是算力差距。
当一个团队拥有更多算力，就可以做更多实验。研究员有更多机会验证想法，也有更多机会在失败中积累经验。实验做得多，人才成长就更快。
所以，算力不仅影响模型规模，也影响研究能力和人才培养。
中国并不缺聪明人。国内外本来就是相近的人群。有些人留在国内，有些人出国，很难说最聪明的人都去了某一个地方。中国每年还有非常大的工程师和研究人才供给。
真正的问题是，国内的资本投入和可获得算力远少于美国。
在这样的约束下，我们只能训练更小的模型，或者用更长时间追赶。我们的现实叙事曾经是：比美国晚一段时间，用它很小一部分的算力，把相近的能力做出来。未来，我们希望把时间差进一步缩短，也希望在部分重点能力上取得领先。
但如果总体算力仍然存在数量级差距，全面领先是不现实的。
承认资源约束，并不等于放弃竞争。资源不足会迫使我们更重视效率。我们必须在模型架构、训练方法、推理系统和工程实现上做更多优化。
这也是为什么我们一直强调低成本。低成本不仅影响 API 定价。在同样的算力下，计算效率更高，我们就能训练更大的模型，做更多实验，也能承担更长的上下文和更多推理。
效率对资源充足的公司可能只是一个优化项，对我们来说，它会直接决定哪些研究能够进行。
在国产算力上，我相对乐观。过去国产芯片最大的障碍之一是生态。大家买到卡，却很难像使用英伟达一样方便地用起来。
但这个问题正在发生变化。人工智能本身可以帮助编写代码，高级编译语言也可以大幅降低构建算子和迁移系统的成本。我们正在尝试用更高层的编译工具，减少对传统 CUDA 生态的依赖。
生态问题可能比很多人想象中更容易解决。真正更困难的是产能。软件可以在相对短的时间里重写，制造能力和供应链不能。未来几年，国产算力可能仍然会受到产能限制，但我不相信更长时间以后，我们还会停留在今天的位置。
最后的差距，是成本、时间和体验
很多人会问，当所有大模型继续发展，最后各家模型的差距会体现在哪里。
我的判断是，长期来看，能力差距未必会像今天想象得那么大。最终可能主要体现为三件事：成本、时间和用户体验。
第一是成本。
在提供相同质量服务的情况下，谁能够用更低成本完成，谁就拥有更稳定的优势。很多人觉得，只要技术原理公开，大家就都能做出同样的成本。事实不是这样。
知道原理和真正建立一套高效率系统，中间有很长距离。模型架构、训练工程、编译系统、推理部署、硬件利用率，每个环节都需要很多细节积累。
第二是时间。
同样一个能力，早三个月和晚三个月，意义不一样。尤其在快速发展的行业里，时间本身就是竞争力。
第三是体验。
用户会形成习惯，不同产品在速度、稳定性、交互方式和任务完成质量上也会有差异。
但长期最重要的，可能仍然是成本和时间。
我们为什么会比一些公司更重视成本？一方面，是因为资源有限；另一方面，也和团队的出发点有关。
我们很多同学本身就是普通用户。他们知道使用模型需要花钱，也会自然地站在用户角度想：如果成本更低，别人是不是可以用得更多？这是一种很朴素的同理心。
从传统商业角度看，公司不一定有动力把成本降得非常低。只要用户愿意支付，成本高一些甚至可能意味着更高收入。但如果我们的目标是让人工智能被更广泛地使用，逻辑就不一样。
而且，长期来看，试图拿走过多利益的人，也会被愿意拿得更少的人替代。
假设一个公司希望拿走整个市场很大一部分价值，另一个公司只希望获得合理利润，并把更多价值留给用户和合作伙伴，那么后者通常更容易获得支持，也更容易扩张。如果还有第三家公司愿意获得更少，只要它仍然能够生存，它又可能替代前面的公司。
所以，合理利润是一种平衡。拿得太少，公司活不下去；拿得太多，会被拿得更少的人打败。
克制不是放弃商业。克制是在理解竞争规律以后，主动选择一个能够长期存在的位置。
我不希望把所有事情都做了
人工智能会产生很多机会。基础模型、芯片、云服务、开发工具、行业应用、消费产品、机器人，每一层都可能出现非常大的公司。
但我不希望 DeepSeek 把所有东西都做了。
我们只需要做好其中一块。
如果芯片能够以合理价格买到，就没有必要自己造芯片；如果合作伙伴更擅长做行业应用，就应该由他们来做；如果其他公司愿意把模型用到生产环境里，提高行业效率，我们也愿意提供帮助。
这不是因为其他业务不赚钱。恰恰相反，很多业务会很好。视频生成可能是一门好生意，垂直 Agent 可能是一门好生意，行业解决方案也可能是一门好生意。
但一个方向商业上成立，不代表它就在我们的主线上。
我们只做智能主线上的事情。语言模型、推理、Agent、持续学习，以及通往自我迭代的能力，是我们认为应该长期投入的方向。
多模态、搜索和其他能力很重要，但在我们的理解里，它们更多是组件，不一定是提高智能上限的主线。
当一个新概念出现，所有公司都做，不代表我们也必须做。公司的边界不应该由市场上的热度决定，而应该由自己的目标决定。
人工智能足够大，未来可能产生很多家规模非常大的公司。我们成为其中一家，已经足够。没有必要把产业里的每一块利益都拿到手里。
我们是一家公司，但不只为利润而存在
我们不是慈善机构，也不是一个不需要考虑收入的实验室。我们本质上是一家公司。
政府不会因为我们的理想给我们持续拨款。员工需要工资，算力需要采购，研究需要长期投入。
所以，我们必须商业化，也必须活下去。B 端收入很重要，API 业务很重要，C 端用户也有价值。它们构成了公司长期生存的基础。
只是现阶段，它们不是最重要的目标。
最坏的情况下，假设技术停在今天，不再发生新的突破，我们也可以把 API 服务做好，依靠现有能力经营一家公司。这是我们的保底。
但保底不是梦想。梦想仍然是 AGI。
一家伟大的公司可以有利润以外的追求。这样的追求未必妨碍商业化，反而可能让商业变得更可持续。因为它能够吸引真正认同目标的人，也能够让公司在短期诱惑面前保持方向。
我们和贝尔实验室不一样。贝尔实验室背后有一个能持续提供资源的体系，而我们必须自己形成收入。我们和纯粹的商业公司也不完全一样。
我们会考虑赚什么钱、什么时候赚钱、赚多少钱，以及哪些钱不应该由我们来赚。
区别不在于要不要商业化，而在于商业化服务于什么。
我们希望商业化能够让公司继续走向 AGI，而不是让 AGI 最终变成商业化叙事中的一个口号。
真正困难的，是拒绝那些看起来正确的机会
我无法给出一个准确的 AGI 时间表。持续学习还没有被解决。全世界都在研究，大家有很多想法，也有一些看起来很有希望的方向，但还没有出现一个被证明真正有效的方法。
这就是研究。
如果路径已经清楚，只剩下投入人力和算力，那就不再是最困难的研究问题了。我们能够看到下一道障碍，但还不知道跨过去的确切方式。
这并不让我悲观。相反，能够看见问题本身，就已经意味着方向比过去更清晰。
接下来，我们会继续训练更好的模型，提高效果，降低成本，提升推理速度，也会让它更好地帮助我们的研究。
我们会继续做商业化，但不会把商业化当成终点。我们会调整组织，但不会把组织变成一个只会完成任务的机器。我们会购买更多算力，也会继续用效率弥补资源差距。我们会和很多公司合作，也会把很多机会留给别人。
在人工智能这个行业里，几乎每天都会出现一个看起来不能错过的机会。新的产品、新的市场、新的概念、新的商业模式，每一件事情都有人告诉你，现在不做，以后就来不及了。
但真正困难的，往往不是抓住机会。
而是拒绝那些看起来完全正确、却不会提高最终成功概率的机会。
克制不是因为我们的野心小。正是因为想做的事情足够大，我们才不能在每一个路口都停下来。
我们想证明的事情
我并不认为克制是一种消极态度。恰恰相反，它需要更大的野心。只有当你相信后面存在更大的事情，才有可能放下眼前已经确定的利益；只有当你把成功定义为提高做成 AGI 的概率，才会愿意把一部分价值留给用户、开发者、伙伴和同行。
人工智能会把整个世界带到哪里，现在没有人能给出确定答案。我们也不知道持续学习会在什么时候被真正解决，不知道自我迭代会以什么形式出现，更不知道具身智能最终会怎样进入人的生活。
但研究本来就是在不确定中寻找确定性。我们能做的是把方向看清，把组织保持稳定，把每一代模型做得更强、更便宜、更有用，然后拒绝那些会让我们偏离主线的机会。
我更愿意相信，伟大的技术不是由一家公司占有，而是由很多人共同完成。DeepSeek 不需要拥有所有应用、所有用户、所有利益。我们只需要把自己最擅长、也最重要的那一部分做到足够好，并让它成为其他人继续向前的基础。
我们是一群平凡的人。没有比别人更多的钱，也没有天然更好的资源。我们能够依靠的，是共同的愿景、长期稳定的团队，以及在每一个诱惑面前做减法的能力。
如果有一天我们真正接近 AGI，我希望回头看时，最值得保留的不是我们占有了多少，而是我们让多少人因此获得了新的能力。
这就是我理解的克制。
不是退让，不是清贫，也不是对商业的拒绝。
它是把有限的资源留给最重要的事情，把合理的利益留给自己，把更大的价值留给世界。