เปิดเนื้อหาจากบันทึกการประชุมนักลงทุนของ Liang Wenfeng ผู้ก่อตั้ง DeepSeek

ตั้งแต่เมื่อคืนที่ผ่านมา บัญชีสาธารณะ WeChat ต่างก็แชร์บันทึกเสียงของ Liang Wenfeng แห่ง DeepSeek กันอย่างบ้าคลั่ง พร้อมใช้ AI สรุปและเขียนบทความ

ดาวน์โหลดไฟล์ PDF ถอดเทปบันทึกเสียงต้นฉบับ

📎

https://xiangyangqiaomu.feishu.cn/wiki/Ojsuw8gE6ieBZJkYOMtcOcaenwq

DeepSeek มีโมเดลชื่อ DDCP ในวันที่ราคาถูกปรับลดเหลือหนึ่งในสี่ของราคาเดิม แชทกลุ่มบริษัทก็เต็มไปด้วยเสียงเฮ

ในการประชุมการเงินของบริษัททั่วไป การลดราคาหมายถึงรายได้ที่ลดลง และเป็นข่าวร้ายที่นำไปสู่การถูกดุ

DeepSeek กลับมองว่ามันเป็นช่วงเวลาที่น่าฉลอง

ในการประชุมแลกเปลี่ยนความเห็นที่ยาวสามชั่วโมงสี่สิบสี่นาทีนี้ Liang Wenfeng พูดย้ำสิ่งหนึ่งอยู่เรื่อย ๆ: พวกเขาไม่มีเงิน ไม่มีการ์ด ไม่มีชื่อเสียง ไม่มีคนเก่งระดับท็อปในทีม และแม้แต่ตัวเขาเองก็ไม่ได้จบจากโรงเรียนที่ดีที่สุด

คนธรรมดากลุ่มหนึ่งสร้างสิ่งที่ทำให้คนทั้งโลกรู้สึกกังวลได้ภายในสองปีได้อย่างไร?

การตัดสินใจที่ขัดกับสัญชาตญาณของ Liang Wenfeng: ในเรื่องของ AI คนที่ต้องการเอาส่วนแบ่งมากที่สุดจะแพ้ก่อน

ยิ่งอยากได้มาก ก็ยิ่งตายเร็ว

Liang Wenfeng คำนวณไว้ สมมติว่าในที่สุด AI จะกิน 10% ของ GDP โลก และ OpenAI ต้องการกิน 5% ในส่วนนี้ การคำนวณนี้ฟังดูมีหลักการในทางทฤษฎี

แต่ตราบใดที่มีคู่แข่งที่ยินดีจะกินแค่ 1% พวกเขาก็บดขยี้ฝ่ายแรกด้วยราคาที่ต่ำกว่าได้

แล้วก็จะมีคนอื่นเข้ามาอีกที่ต้องการแค่ 0.1% บดขยี้ฝ่ายก่อนหน้านั้นเช่นกัน

ห่วงโซ่นี้จะกลิ้งลงมาเรื่อย ๆ จนกว่าจะถึงจุดสมดุล: ถ้าคุณกินน้อยเกินไป โมเดลธุรกิจก็ไปไม่รอด และจะถูกคัดออกไปโดยธรรมชาติ ถ้าคุณกินมากเกินไป คุณก็จะถูกบีบออกทีละชั้นโดยคนที่กินน้อยกว่า

Liang Wenfeng พูดตรง ๆ: เขาไม่สงสัยเลยว่า AGI จะมีมูลค่าทางการค้ามหาศาล แต่สิ่งที่เขาสนใจมากกว่าวิธีการจะได้ส่วนแบ่งที่ใหญ่ขึ้นคือ วิธีการเพิ่มโอกาสในการทำให้มันเกิดขึ้น

และวิธีเพิ่มโอกาสนั้นก็คือการลดส่วนแบ่งที่เขาต้องการจะกินลงอย่างจริงจังนั่นเอง

การใช้ตรรกะนี้กับเรื่องราคา API ของ DeepSeek ถูกออกแบบมาให้คุ้มทุนในสิบเดือน ซึ่งสอดคล้องกับผลกำไรประมาณหกเท่า

นี่ไม่ใช่การทำกำไรสูงสุด ถ้าพวกเขาอยากทำกำไรสูงสุดจริง ๆ ราคาควรตั้งให้สูงกว่านี้ เพราะความต้องการของผู้ใช้ในช่วงปัจจุบันนั้นไม่ยืดหยุ่น ราคาที่สูงขึ้นจะไม่ทำให้การบริโภคลดลงอย่างมีนัยสำคัญ

แต่การจำกัดกำไรไว้ที่หกเท่าไว้ที่เพดานบนนี้ด้วยเหตุผลที่ใช้งานได้จริง: การรักษาอัตรากำไรให้ต่ำพอ จะทำให้บุคคลที่สามไม่สามารถแย่งธุรกิจด้วยการปรับใช้โมเดลโอเพนซอร์สด้วยตัวเองได้อย่างมีกำไร

โอเพนซอร์สและกำไรต่ำเป็นเหรียญเดียวกันคนละด้าน

แทนที่จะพึ่งพาโซลูชันแบบปิดเพื่อล็อกกำไร พวกเขาพึ่งพาการบีบอัดกำไรให้อยู่ในระดับที่คนอื่นไม่สามารถลอกเลียนแบบได้ ซึ่งจะช่วยรักษาตลาดเอาไว้ได้

Liang Wenfeng คำนวณว่าถ้าพวกเขาอยากทำกำไรเป็นร้อยเท่าจริง ๆ โอเพนซอร์สก็จะกลายเป็นช่องโหว่ เพราะต้นทุนการปรับใช้ของบุคคลที่สามอาจเป็นแค่หนึ่งในยี่สิบของต้นทุนพวกเขาเท่านั้น

แต่ DeepSeek ไม่เคยตั้งใจจะเดินเส้นทางนั้นตั้งแต่แรก

เขาไม่กังวลเรื่องโอเพนซอร์ส เพราะเขาไม่เคยคิดจะทำกำไรเป็นร้อยเท่าผ่านการผูกขาดในแนวดิ่ง

ตรรกะ "จงใจหาให้น้อย" นี้ อธิบายการตัดสินใจที่ดูเหมือนจะไม่ทำกำไรเกือบทุกอย่างของบริษัทนี้

งาข้างหน้า แตงโมข้างหลัง

ปีใหม่จีนที่ผ่านมา ฐานผู้ใช้ฝั่งผู้บริโภค (C-end) ของ DeepSeek ก็ทะยานขึ้นอย่างกะทันหัน

นี่ไม่ได้อยู่ในแผน ทีมงานถึงกับคิดว่าจะไม่ดูแลผู้ใช้เหล่านั้น แต่ผู้ใช้ "ไล่ไปก็ไม่ไป" และในที่สุดก็อยู่ต่อ

คำอธิบายของ Liang Wenfeng สำหรับปรากฏการณ์นี้ตรงไปตรงมา: การเอาสิ่งที่คว้าได้ตรงหน้าขึ้นมาเป็นสิ่งสำคัญที่สุด จะทำให้คุณพลาดโอกาสที่ใหญ่กว่า

เขาเรียกสิ่งนี้ว่า "เก็บงา" ทราฟฟิก C-end ของปีที่แล้วและรายได้ฝั่งธุรกิจ (B-end) ของปีนี้ ในมุมมองของเขา เป็นแค่ "งา" เท่านั้น หยิบติดมือมาก็พอ ไม่คุ้มที่จะหยุด

แตงโมที่แท้จริงคือ AGI และโอกาสของ AGI นั้นใหญ่พออยู่แล้ว ไม่จำเป็นต้องคำนวณอย่างละเอียดว่าตอนนี้เราจะได้ส่วนแบ่งเท่าไหร่

สิ่งนี้นำไปสู่ผลลัพธ์ที่น่าสนใจ: DeepSeek ทำผลิตภัณฑ์แทบจะโดยบังเอิญ

Liang Wenfeng บอกว่าจุดเริ่มต้นของการฝึกอบรมและ API ของบริษัทไม่เคยเป็นการให้บริการผู้ใช้อย่างดี แต่เป็นเพราะขั้นตอนนี้ต้องผ่านไปให้ได้บนหนทางสู่ AGI ผู้ใช้และรายได้เป็นแค่ผลพลอยได้ที่เกิดขึ้นระหว่างทาง

ในสายตาของเขา กลยุทธ์นี้คือรูปแบบหนึ่งของการโจมตีแบบลดมิติ: องค์กรที่มีเป้าหมายเป็น AGI จะใช้ความคิดกับผลิตภัณฑ์ฝั่ง C-end และ B-end น้อยกว่าบริษัทที่มองว่าตัวผลิตภัณฑ์เป็นเป้าหมาย แต่ผลลัพธ์ก็ไม่ได้แย่กว่าเสมอไป

คำอธิบายของเขาคือ วิสัยทัศน์ที่ใหญ่กว่าสามารถรวมคนเก่งระดับท็อปเข้าด้วยกันได้ดีกว่า ความได้เปรียบด้านคนที่เกิดขึ้นจะล้นออกมาสู่ระดับผลิตภัณฑ์ตามธรรมชาติ กลายเป็นการโจมตีแบบลดมิติ

ในทางกลับกัน บริษัทที่มองว่า "การทำผลิตภัณฑ์ที่ดี" เป็นเป้าหมายสูงสุด จะมีข้อได้เปรียบด้านประสบการณ์ผลิตภัณฑ์ ทราฟฟิก และการบริการลูกค้า แต่ในด้านความสามารถทางเทคนิคต้นน้ำ อาจไม่มีวันตามบริษัทที่มองว่าเทคโนโลยีเป็นเป้าหมายสูงสุดได้ทัน

ความยับยั้งชั่งใจแบบเดียวกันนี้ยังกำหนดสิ่งที่ DeepSeek เลือกที่จะไม่ทำ

ไม่ผลิตชิป ไม่ทำห่วงโซ่อุตสาหกรรมเต็มรูปแบบ

นักลงทุนคนหนึ่งถาม Liang Wenfeng ว่าเขาจะขยับขึ้นไปต้นน้ำเพื่อผลิตชิป หรือลงไปปลายน้ำเพื่อทำแอปพลิเคชันแนวตั้งอย่างการเงินหรือการดูแลสุขภาพหรือไม่

คำตอบของเขาคือ ไม่

เหตุผลคือการเปรียบเทียบกับโรงไฟฟ้า: คนที่เดินเครื่องโรงไฟฟ้าไม่จำเป็นต้องสร้างเครื่องกำเนิดไฟฟ้าเอง ตราบใดที่ซื้อได้ในราคาสมเหตุสมผล จะสร้างมันทำไม?

นี่คือการขยายตรรกะ "การยับยั้งชั่งใจ" แบบเดียวกัน

Liang Wenfeng บอกว่าพายของ AI ใหญ่พอที่จะมีบริษัทมูลค่าหลายล้านล้านดอลลาร์เกิดขึ้นในอนาคต DeepSeek แค่ต้องเป็นหนึ่งในนั้น กินเฉพาะส่วนที่ตัวเองถนัด โดยไม่ต้องกลืนห่วงโซ่อุตสาหกรรมทั้งหมด

กินมากเกินไปก็จะทำให้ต้องออกจากเกมก่อนกำหนด

ทัศนคติแบบเดียวกันนี้ใช้กับคู่แข่งด้วย

Liang Wenfeng บอก DeepSeek เต็มใจที่จะช่วยให้ Alibaba, Zhipu และ Moonshot AI ทำซ้ำโมเดลโอเพนซอร์สให้ดีขึ้น เพราะมันไม่เป็นอันตรายต่อผลประโยชน์ของตัวเอง

ฟังดูสุภาพ แต่อัลกอริทึมเบื้องหลังก็สอดคล้องกัน: ถ้าตลาดใหญ่พอ คนอื่นทำได้ดีก็ไม่ใช่ภัยคุกคาม คนอื่นทำได้แย่แล้วทำลายความเชื่อมั่นของทั้งระบบนิเวศต่างหากคือความเสียหายที่แท้จริง

การยับยั้งชั่งใจอธิบายว่า DeepSeek ไม่ทำอะไร

ส่วนสิ่งที่มันจะทำ คำตอบคือบันไดทางเทคนิคที่คิดไว้ล่วงหน้ามานานแล้ว

บันไดที่ปีนได้โดยไม่ต้องทำงานล่วงเวลา

Liang Wenfeng อธิบายวิวัฒนาการของเทคโนโลยี AI เหมือนการปีนบันไดทีละชั้น โดยทุกย่างก้าวสร้างบนฐานของขั้นก่อนหน้า และไม่มีขั้นไหนที่สูญเปล่า

ขั้นของปีที่แล้วคือ Chain of Thought (CoT) ทำให้โมเดลเรียนรู้ที่จะคิดด้วยตัวเอง ผลักดันขีดจำกัดบนของความฉลาดขึ้นไปอีกขั้น ซึ่งเหนือกว่ามนุษย์ระดับท็อปในด้านการเขียนโค้ดและโจทย์คณิตศาสตร์โอลิมปิกแล้ว

ขั้นของปีนี้คือ Agents ผลักดันขอบเขตความสามารถออกไปอีกผ่านการทำงานหลายขั้นตอน

แต่เส้นทาง Agent ก็จะถึงจุดสิ้นสุดด้วย

เมื่อถึงจุดสิ้นสุดแล้ว โมเดลก็ยังไม่สามารถแทนที่พนักงานจริงได้

Liang Wenfeng ยกตัวอย่างที่เหมาะสมมาก: เมื่อพนักงานใหม่เข้ามา พวกเขาใช้เวลาสองเดือนในการทำความคุ้นเคยกับสภาพแวดล้อม หลังจากนั้นถ้าคุณบอกว่า "เรียกเสี่ยวหวางมา" พวกเขาก็เข้าใจ

AI ขาดการสะสมสองเดือนนี้ คุณต้องอธิบายว่าเสี่ยวหวางคือใคร อยู่ที่ไหน ตำแหน่งอะไร ก่อนที่มันจะดำเนินการได้

ข้อจำกัด "ต้องให้บริบททั้งหมด" นี้คือกำแพงที่มองไม่เห็นระหว่าง AI ในปัจจุบันกับความฉลาดที่แท้จริง

ขั้นต่อไปที่จะก้าวข้ามคือการเรียนรู้อย่างต่อเนื่อง: โมเดลจะสามารถสะสมประสบการณ์ด้วยตัวเองผ่านการสัมผัสกับสิ่งแวดล้อมอย่างต่อเนื่อง เหมือนพนักงานใหม่ แทนที่จะต้องพึ่งพามนุษย์ป้อนบริบทเข้าปากทุกครั้งหรือไม่?

เมื่อการเรียนรู้อย่างต่อเนื่องถูกแก้ไขแล้ว จะเกิดขั้นที่ Liang Wenfeng เรียกว่า "ภาวะเอกฐาน": ความสามารถของโมเดลจะแข็งแกร่งพอที่จะพัฒนาโมเดลเวอร์ชันถัดไปด้วยตัวเอง ทำการวิจัยของตัวเอง และพัฒนาเจเนอเรชันถัดไปที่ก้าวหน้ากว่า

เขาเน้นย้ำเป็นพิเศษว่าภาวะเอกฐานนี้ไม่ใช่การกลายพันธุ์อย่างกะทันหัน แต่เป็นกระบวนการค่อยเป็นค่อยไปอย่างต่อเนื่อง แม้จะเรียกตามธรรมเนียมว่าภาวะเอกฐานก็ตาม

หลังจากนั้นถึงจะเป็น embodied intelligence ที่หุ่นยนต์จะเข้ามาในโลกกายภาพจริงเพื่อทำงานบ้านและดูแลผู้สูงอายุ

ส่วนเหตุผลที่พวกเขาทำตามลำดับนี้ Liang Wenfeng บอกว่า: นี่คือเส้นทางที่ประหยัดแรงที่สุด

ด้วยการแก้ปัญหาการเรียนรู้อย่างต่อเนื่องก่อน AI จะช่วยเร่งการวิจัยและพัฒนาในทุกขั้นตอนต่อ ๆ ไป ทำให้มนุษย์ไม่ต้องแบกทุกอย่างด้วยตัวเอง

ในทางกลับกัน ถ้าพวกเขาทำ embodied intelligence ก่อน นั่นจะเป็นเส้นทางที่ขมขื่นและเหนื่อยล้าซึ่งสร้างขึ้นบนแรงงานมนุษย์ ซึ่ง DeepSeek ไม่ต้องการเลือก

มีรายละเอียดที่ควรหยุดคิด: เป้าหมายหลักของ DeepSeek ในการฝึกอบรมโมเดลเวอร์ชันถัดไป ไม่ใช่เพื่อให้ผู้ใช้ภายนอกใช้งานได้ดี แต่เพื่อให้ทีมของตัวเองพัฒนาขึ้นเร็วขึ้น

โมเดลให้บริการประสิทธิภาพการวิจัยและพัฒนาภายในเป็นอันดับแรก จากนั้นจึงเป็นประโยชน์ต่อผู้ใช้ภายนอกโดยอ้อม

ลำดับความสำคัญนี้ ในระดับหนึ่ง กำหนดลำดับของการจัดสรรทรัพยากรแทบทุกอย่างในบริษัทนี้

การ์ด 20,000 ใบกับคูเมืองที่กำลังละลาย

เมื่อพูดถึงช่องว่างระหว่างจีนและสหรัฐฯ การตัดสินของ Liang Wenfeng ตรงไปตรงมามาก: คนไม่ใช่คอขวด การประมวลผลต่างหากคือปัญหา

จีนไม่ขาดแคลนคนเก่งด้าน AI ฐานคนกว้างพอ และการกระจายตัวของคนฉลาดเป็นแบบสุ่ม ไม่มีเรื่อง "คนที่ฉลาดที่สุดทั้งหมดไปอเมริกา"

คอขวดที่แท้จริงคือทรัพยากร

ตัวเลขชัดเจนมาก: ปัจจุบัน DeepSeek มีการ์ดประมวลผลเทียบเท่า H-series ประมาณ 20,000 ใบ ซึ่งส่วนใหญ่เพิ่งมาถึงในหนึ่งหรือสองเดือนที่ผ่านมา

การฝึกโมเดลระดับเดียวกับโมเดลที่ใหญ่ที่สุดในปัจจุบัน (ที่มีพารามิเตอร์เปิดใช้งานประมาณ 800B) ต้องใช้การ์ด GB300 จำนวน 50,000 ใบ หรือการ์ดรุ่นล่าสุดของ Huawei 200,000 ใบ นี่แค่สำหรับการฝึกฝนเท่านั้น ยังไม่รวมค่าใช้จ่ายในการทดลองมหาศาลในช่วงการวิจัย

ทรัพยากรปัจจุบันของ DeepSeek สามารถรองรับการทดลองในระดับพารามิเตอร์เปิดใช้งานหลายหมื่นล้าน ซึ่งยังห่างจากระดับ 800B อยู่หนึ่งลำดับความสำคัญ

เกี่ยวกับชิปในประเทศ การตัดสินของ Liang Wenfeng กลับมองในแง่ดีอย่างไม่คาดคิด

เขาเชื่อว่าคูเมืองของระบบนิเวศ CUDA กำลังถูกรื้อถอนโดยแรงสามอย่างพร้อมกัน: AI เองสามารถช่วยเขียนโค้ด ลดเกณฑ์ในการสร้างระบบนิเวศลงอย่างมาก ภาษาระดับสูงอย่าง TileLang สามารถเขียนระบบปฏิบัติการทั้งหมดของ CUDA ใหม่ได้อย่างรวดเร็ว การ์ดเกมและการ์ดประมวลผลแต่เดิมใช้สถาปัตยกรรมร่วมกัน เพราะตลาดการประมวลผล AI เล็กกว่าการเล่นเกม แต่ตอนนี้ตลาดการประมวลผลใหญ่กว่าแล้ว และทั้งสองไม่จำเป็นต้องผูกติดกันอีกต่อไป ชิปเฉพาะทางกำลังกลายเป็นกระแสหลัก

เขาให้การตัดสินด้านเวลาโดยเฉพาะ: ภายในปีหน้า ความจริงที่ว่าระบบนิเวศชิปในประเทศใช้ได้ดี จะได้รับการพิสูจน์ด้วยข้อเท็จจริง

อุปสรรคที่เหลืออยู่เพียงอย่างเดียวคือกำลังการผลิต

การเปรียบเทียบประสิทธิภาพต่อราคาที่เฉพาะเจาะจงก็ตรงไปตรงมามาก: ซูเปอร์โหนด 950 ของ Huawei สามารถแทนที่ GB200 และ GB300 ของ NVIDIA ในแง่ประสิทธิภาพและราคา โดยแลกกับการต้องใช้สี่ใบเพื่อเทียบกับหนึ่งใบ ขณะที่ตามหลังอยู่สองปี ไม่สำคัญว่ามันจะแพงกว่า 50% ถึง 200% ตราบใดที่สามารถซื้อได้

ปัจจุบัน DeepSeek ได้รับกำลังการผลิตประมาณ 16,000 การ์ดจาก Huawei ปริมาณนี้เทียบเท่ากับการ์ด NVIDIA เพียง 4,000 ใบ ซึ่งไม่พอแม้แต่จะฝึกโมเดลเจเนอเรชันถัดไป แต่มันก็เพียงพอที่จะช่วยให้ Huawei ทำให้ระบบนิเวศทำงานได้ก่อน

Liang Wenfeng เรียกสิ่งนี้ว่า "ช่วย Huawei ทำสิ่งนี้ให้ดีก่อน" เขาไม่คาดหวังจะพึ่งพาการ์ดเหล่านี้เพื่อฝึกโมเดลที่ใหญ่ขึ้น เขากำลังปูทางไปสู่อนาคต

ที่น่าสนใจยิ่งกว่านั้นคือคำอธิบายการไล่ตามของเขา: ในอดีต AI จีนใช้กำลังประมวลผลหนึ่งในยี่สิบของคนอื่นเพื่อผลิตสิ่งที่เทียบเคียงได้ ขณะที่ตามหลังอยู่หนึ่งถึงสองปี

ในอนาคต "ระยะเวลาตามหลัง" นี้ต้องถูกบีบอัดจากหนึ่งหรือสองปีเหลือสามถึงหกเดือน ในขณะที่ช่องว่างด้านกำลังประมวลผลยังคงเท่าเดิม

ไม่ใช่โดยการพึ่งพาทรัพยากรที่มากขึ้น แต่โดยการพึ่งพาวิธีการที่ฉลาดกว่า

แนวทาง "ใช้ความฉลาดเพื่อลดช่องว่าง" นี้ยังสะท้อนให้เห็นในวิธีที่บริษัทจัดการตัวเอง

ครึ่งหนึ่งของนักวิจัยหลักกำลังติดป้ายข้อมูล

มีคนถาม Liang Wenfeng ว่าปัญหาการหลอน (hallucination) ของโมเดลใหญ่จะส่งผลต่อประสบการณ์ผู้ใช้หรือไม่ คำตอบของเขาตรงไปตรงมามาก: การหลอนไม่ใช่ปัญหาที่แก้ไม่ได้ สามารถปรับปรุงได้ด้วยการ post-training ที่ดีกว่า แค่ยังไม่มีใครทุ่มเทความพยายามอย่างมากที่จะทำมัน

ภายใน DeepSeek สิ่งนี้ถูกจัดเป็นปัญหาผลิตภัณฑ์ จะได้รับการแก้ไข แต่ไม่ใช่จุดสนใจ

รายละเอียดที่น่าจดจำยิ่งกว่าปัญหาการหลอนคือ: ครึ่งหนึ่งของนักวิจัยหลักของ DeepSeek กำลังติดป้ายข้อมูล

นี่ไม่ใช่เพราะการติดป้ายข้อมูลถูกในจีน ตรงกันข้าม Liang Wenfeng บอกว่าต้นทุนการติดป้ายข้อมูลคุณภาพสูงในจีนก็ไม่ต่างจากในสหรัฐฯ โดยเฉพาะสำหรับข้อมูลระดับสูงที่ไม่มีข้อได้เปรียบด้านต้นทุนเลย

ดังนั้นกลยุทธ์ปัจจุบันคือสองง่าม: ติดป้ายข้อมูลที่มีต้นทุนต่ำก่อน และกันข้อมูลที่มีต้นทุนสูงไว้ก่อนสำหรับตอนนี้

เขาตัดสินว่านี่เป็นเรื่องของเวลา ไม่ใช่เงินทุน

OpenAI และ Anthropic เริ่มต้นก่อนและดำเนินการมานานแล้ว จีนเพิ่งเริ่มลงทุนอย่างจริงจังเมื่อประมาณหกเดือนที่แล้ว แต่คาดว่าส่วนใหญ่ของช่องว่างจะถูกปิดได้ภายในหนึ่งปี

บริษัทที่ไม่มีองค์กร: อะไรที่ทำให้คนอยู่ด้วยกัน?

Liang Wenfeng บอก DeepSeek "ไม่มีองค์กร" และขับเคลื่อนด้วยวิสัยทัศน์

การดำเนินการเฉพาะ: การจัดการบริษัทแบ่งออกเป็นสองสาย สายหนึ่งคือจากบนลงล่างสำหรับโครงการที่ทำร่วมกัน เช่น การปล่อย V4 ที่ต้องอาศัยความร่วมมือและการแบ่งงานของพนักงานทุกคน ส่วนนี้เรียกว่า "เป็นทางการ" อีกสายหนึ่งคือจากล่างขึ้นบน ทุกคนค้นคว้าสิ่งที่ตัวเองอยากได้ ไม่มีใครจัดการพวกเขา และไม่มี KPI

มาตรฐานที่ Liang Wenfeng ตั้งไว้สำหรับตัวเองคือ: งานที่เป็นทางการไม่ควรกินเวลามากกว่าครึ่งหนึ่งของเวลาพนักงาน

มีสองเหตุผลที่อยู่เบื้องหลังนี้

ประการแรก การวิจัยต้องการสภาพแวดล้อมที่ผ่อนคลาย การกดดันมากเกินไปจะทำให้ไม่สามารถสำรวจสิ่งใหม่ ๆ ได้ เนื่องจากเป้าหมายคือการกระตุ้นความสนใจที่เกิดขึ้นเอง จึงต้องมีพื้นที่สำหรับ "ความคิดนอกกรอบ"

ประการที่สอง DeepSeek มีจุดโฟกัสมากพอจนมีสิ่งที่ต้องทำน้อย ผลิตภัณฑ์ของบริษัทโดยทั่วไปไม่สมบูรณ์แบบ และพวกเขาก็ไม่พยายามแก้ไข ซึ่งเป็นการเลือกที่กระตือรือร้นด้วยตัวเอง

รูปแบบองค์กรนี้ไม่มีแม่แบบให้ลอกเลียนแบบ

Liang Wenfeng บอก DeepSeek ไม่ได้เลียนแบบบริษัทใด ๆ รวมถึง Bell Labs ที่มักถูกนำมาเปรียบเทียบ เพราะ Bell Labs ไม่จำเป็นต้องรับผิดชอบกำไรขาดทุนของตัวเอง ในขณะที่ DeepSeek ท้ายที่สุดก็คือบริษัทที่ต้องคิดว่าจะอยู่รอดได้อย่างไร รัฐบาลจะไม่ให้เงินสักบาท

ทุกทางเลือกเป็นผลลัพธ์ที่คำนวณจากสถานการณ์จริง ไม่ใช่คำตอบที่ลอกมา

กลับไปสู่เสียงเฮนั้น

เมื่อมองย้อนกลับไปตอนนี้ เสียงเฮในวันที่ลดราคา DDCP: นั่นไม่ใช่เรื่องราวที่โดดเดี่ยว มันเป็นภาพย่อของอัลกอริทึมการอยู่รอดทั้งหมดของบริษัทนี้

การยับยั้งชั่งใจในการไม่แสวงหาส่วนแบ่งสูงสุด เพราะในตลาดที่ใหญ่พอ คนที่โลภจะถูกบีบออกก่อน

การเก็บงาโดยไม่หยุด เพราะการจ้องมองผลประโยชน์เฉพาะหน้าจะทำให้คุณไม่เห็นแตงโมที่ใหญ่กว่าข้างหลัง

การไม่ผลิตชิปหรือแอปพลิเคชันแนวตั้ง เพราะกินมากเกินไปก็ต้องออกจากเกมก่อนกำหนด

การเลือกลำดับที่ประหยัดแรงที่สุดสำหรับเส้นทางเทคนิค เพราะพลังงานที่ประหยัดได้สามารถใช้ในจุดที่เป็นคอขวดที่แท้จริง

การให้นักวิจัยครึ่งหนึ่งติดป้ายข้อมูล เพราะช่องว่างที่กำลังประมวลผลไม่สามารถเติมเต็มได้ก็ต้องเติมเต็มด้วยรากฐานที่มั่นคงกว่า

การตัดสินใจเหล่านี้ดูเหมือนไม่เกี่ยวข้องกันบนพื้นผิว แต่จริง ๆ แล้วเป็นวิธีที่แตกต่างกันในการเขียนประโยคเดียวกัน: ในเส้นทางที่ใหญ่พอ การไม่คำนวณอย่างละเอียดว่าตอนนี้คุณจะได้เท่าไหร่ คือเงื่อนไขเบื้องต้นในการได้มากขึ้น

นี่คือวิธีการตัดสินที่ใครก็ตามในอุตสาหกรรมที่มีการแข่งขันสามารถใช้ได้โดยตรง

ครั้งต่อไปที่คุณเผชิญกับทางเลือกระหว่าง "ตอนนี้จะได้เท่าไหร่" กับ "อนาคตจะได้เท่าไหร่" อย่ารีบร้อนคำนวณบัญชีเฉพาะหน้า

ถามคำถามพื้นฐานกว่านี้: เรื่องนี้จะทำให้คุณ เพราะคุณกำลังเอาส่วนแบ่งมากเกินไปตอนนี้ ดึงดูดคู่แข่งที่ยินดีจะเอาส่วนแบ่งน้อยกว่าเข้ามาก่อนวัยอันควรหรือไม่?

ถ้าคำตอบคือใช่ ไม่ว่าผลประโยชน์ระยะสั้นจะน่าดึงดูดแค่ไหน มันก็ไม่คุ้มที่จะแลกกับโอกาสในการอยู่รอด