DeepSeek Kurucusu Liang Wenfeng'in Yatırımcı Toplantısı Kaydında Neler Söylendi?

Dün geceden beri, WeChat genel hesapları DeepSeek'ten Liang Wenfeng'in kaydını çılgınca yeniden paylaşıyor, yapay zeka kullanarak özetliyor ve makaleler yazıyor.

Orijinal kayıt dökümü PDF'ini indirin

📎

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

DeepSeek'in DDCP adında bir modeli var. Fiyatının orijinalinin dörtte birine düşürüldüğü gün, şirket grup sohbeti sevinç çığlıklarıyla doldu.

Normal bir şirketin mali toplantısında fiyat indirimi, gelirde düşüş anlamına gelir ve azarlanmaya yol açan kötü haberdir.

DeepSeek bunu kutlamaya değer bir an olarak değerlendirdi.

Bu üç saat kırk dört dakikalık değişim toplantısında Liang Wenfeng defalarca bir şey söyledi: Paraları yok, kartları yok, şöhretleri yok, ekipte birinci sınıf yetenek yok ve hatta kendisi bile en iyi okuldan mezun olmadı.

Sıradan bir grup insan, iki yılda tüm dünyayı tedirgin eden bir şeyi nasıl yarattı?

Liang Wenfeng'in sağduyuya aykırı yargısı: Yapay zeka konusunda, en çok almak isteyenler önce kaybeder.

Ne Kadar Çok Alırsan, O Kadar Hızlı Ölürsün

Liang Wenfeng bir hesap yaptı. Yapay zekanın sonunda küresel GSYİH'nın %10'unu tüketebileceğini ve OpenAI'in bunun %5'ini almak istediğini varsayalım; bu hesap teorik olarak doğru.

Ancak sadece %1 almak isteyen bir rakip ortaya çıktığı anda, daha düşük bir fiyatla birincisini ezip geçebilirler.

Sonra sadece %0,1 isteyen başka biri gelir ve bir öncekini de ezer.

Bu zincir, bir denge noktasına ulaşana kadar aşağı doğru yuvarlanmaya devam eder: çok az alırsanız, iş modeli ayakta kalamaz ve doğal olarak elenirsiniz; çok fazla alırsanız, daha az alanlar tarafından katman katman sıkıştırılırsınız.

Liang Wenfeng açıkça söyledi: AGI'nin büyük ticari değeri olacağına hiç şüphesi yok, ancak daha büyük bir pay almanın yollarından ziyade, bunu gerçekleştirme olasılığını nasıl artıracağıyla daha çok ilgileniyor.

Ve bu olasılığı artırmanın yolu, tam olarak almak istediği payı aktif olarak küçültmektir.

Bu mantığı fiyatlandırmaya uyguladığımızda, DeepSeek'in API'si on ayda başa baş noktasına gelmek üzere tasarlanmıştır ve bu da kabaca altı kat kara tekabül eder.

Bu kar maksimizasyonu değil. Gerçekten karı maksimize etmek isteselerdi, fiyat daha yüksek belirlenmeliydi çünkü mevcut aralıktaki kullanıcı talebi esnek değildir; fiyat artışı tüketimi önemli ölçüde azaltmaz.

Ancak altı kat kar, çok pratik bir nedenle aktif olarak bu üst limitte kilitlenmiştir: Kar marjını yeterince düşük tutarak, üçüncü tarafların açık kaynak modelleri kendileri dağıtarak iş çalması kârsız hale gelir.

Açık kaynak ve düşük kar, aynı madalyonun iki yüzüdür.

Kârı kilitlemek için kapalı kaynağa güvenmek yerine, kârı başkalarının kopyalayamayacağı bir seviyeye sıkıştırarak pazarın kendisini korumaya güvenirler.

Liang Wenfeng, gerçekten yüz kat kar kazanmak isteselerdi, açık kaynağın bir açık haline geleceğini, çünkü üçüncü taraf dağıtım maliyetlerinin onlarınkinin yalnızca yirmide biri olabileceğini hesapladı.

Ancak DeepSeek en başından beri bu yolu izlemeyi hiç düşünmedi.

Açık kaynak konusunda endişelenmiyor çünkü dikey tekel yoluyla yüz kat kar kazanmayı hiç düşünmedi.

Bu "bilerek daha az kazanma" mantığı, bu şirketin verdiği neredeyse tüm kârsız kararları açıklıyor.

Önde Susam Taneleri, Arkada Karpuzlar

Geçen Çin Yeni Yılı'nda DeepSeek'in tüketici tarafı (C-tarafı) kullanıcı tabanı aniden patladı.

Bu planın bir parçası değildi. Ekip, bu kullanıcıları sürdürmemeyi bile düşündü, ancak kullanıcılar "kovulamadı" ve sonunda kaldı.

Liang Wenfeng'in bu fenomen için açıklaması açık sözlüydü: Önünüzde hemen kapabileceğiniz şeyleri en öncelikli olarak görmek, daha büyük fırsatları kaybetmenize neden olur.

Buna "susam tanelerini toplamak" diyor. Geçen yılki C-tarafı trafiği ve bu yılki iş tarafı (B-tarafı) geliri, onun görüşüne göre, sadece susam taneleri—geçerken toplamak yeterli; durup almak için değmez.

Gerçek karpuz AGI'dir ve AGI için fırsat her zaman yeterince büyüktür, bu yüzden şu anda ne kadar pay alabileceğini tam olarak hesaplamaya gerek yoktur.

Bu ilginç bir sonuca yol açar: DeepSeek neredeyse tesadüfen ürün yapar.

Liang Wenfeng, şirketin eğitim ve API'sinin başlangıç noktasının hiçbir zaman kullanıcılara iyi hizmet vermek olmadığını, çünkü bu adımın AGI yolunda geçilmesi gerektiğini söyledi. Kullanıcılar ve gelir, yol boyunca oluşan yan ürünlerdir.

Bu strateji, onun gözünde, bir tür boyut indirgeme saldırısıdır: AGI'yi hedef olarak belirleyen bir organizasyon, ürünün kendisini hedef olarak gören şirketlere kıyasla C-tarafı ve B-tarafı ürünlerine çok daha az kafa yorar, ancak sonuçlar mutlaka daha kötü değildir.

Onun açıklaması, daha büyük bir vizyonun en iyi yetenekleri daha iyi birleştirebileceği; ortaya çıkan yetenek avantajının doğal olarak ürün seviyesine taşacağı ve bir boyut indirgeme saldırısı haline geleceğidir.

Tersine, "iyi bir ürün yapmayı" nihai hedef olarak gören bir şirket, ürün deneyimi, trafik ve kullanıcı hizmeti konularında avantajlı olacaktır, ancak yukarı yönlü teknik yetenekler açısından, teknolojinin kendisini nihai hedef olarak gören bir şirkete asla yetişemeyebilir.

Aynı kısıtlama, DeepSeek'in yapmamayı seçtiği şeyleri de belirler.

Çip Üretimi Yok, Tam Endüstri Zinciri Yok

Bir yatırımcı, Liang Wenfeng'e çip yapmak için yukarı yönde mi yoksa finans veya sağlık gibi dikey uygulamalara doğru aşağı yönde mi hareket edeceğini sordu.

Cevabı hayırdı.

Sebebi bir enerji santrali benzetmesidir: enerji santralini işleten kişinin jeneratörü kendisinin yapması gerekmez. Makul bir fiyata satın alabildiği sürece neden yapsın ki?

Bu, aynı "kısıtlama" mantığının bir uzantısıdır.

Liang Wenfeng, yapay zeka pastasının yeterince büyük olduğunu ve gelecekte birçok trilyon dolarlık şirketin ortaya çıkacağını söyledi. DeepSeek'in sadece onlardan biri olması, yalnızca en iyi oldukları kısmı yemesi gerekiyor, tüm endüstri zincirini yutmasına gerek yok.

Çok fazla yemek, aslında erken çıkışa yol açar.

Rakiplere karşı aynı tutum geçerlidir.

Liang Wenfeng, DeepSeek'in Alibaba, Zhipu ve Moonshot AI'nin açık kaynak modelleri daha iyi yeniden üretmesine yardımcı olmaya istekli olduğunu çünkü bunun kendi çıkarlarına zarar vermediğini söyledi.

Kulağa kibar geliyor, ancak altında yatan algoritma tutarlı: Pazar yeterince büyükse, başkalarının iyi yapması bir tehdit değildir; başkalarının kötü yapması ve tüm ekosistemin güvenini mahvetmesi asıl kayıptır.

Kısıtlama, DeepSeek'in ne yapmadığını açıklar.

Ne yapacağına gelince, cevap uzun zamandır düşünülmüş teknik bir merdivendir.

Fazla Mesai Yapmadan Tırmanılabilecek Bir Merdiven

Liang Wenfeng, yapay zeka teknolojisinin evrimini, her adımın bir öncekinin üzerine inşa edildiği ve hiçbir adımın boşa gitmediği, katman katman bir merdiven tırmanmaya benzetiyor.

Geçen yılın adımı Düşünce Zinciri (Chain of Thought - CoT) idi, modelin kendi kendine düşünmeyi öğrenmesini sağlayarak zekanın üst sınırını bir adım daha ileriye taşıdı, kodlama ve Matematik Olimpiyatı problemlerinde en iyi insanları çoktan geride bıraktı.

Bu yılın adımı Ajanlar (Agents), çok adımlı görev yürütme yoluyla yeteneklerin sınırlarını daha da ileriye taşıyor.

Ancak Ajan yolu da sonuna ulaşacak.

Sona ulaştıktan sonra, model hala gerçek bir çalışanın yerini alamaz.

Liang Wenfeng çok uygun bir örnek verdi: Yeni bir çalışan işe başladığında, ortama alışmak için iki ay harcar. Bundan sonra, "Xiao Wang'ı çağır" derseniz, anlarlar.

Yapay zeka bu iki aylık birikimden yoksundur; Xiao Wang'ın kim olduğunu, nerede olduğunu ve pozisyonunun ne olduğunu açıklamanız gerekir, ancak o zaman yürütebilir.

Bu "tam bağlam sağlama zorunluluğu" sınırlaması, mevcut yapay zeka ile gerçek zeka arasındaki görünmez duvardır.

Aşılması gereken bir sonraki adım sürekli öğrenmedir: Model, tıpkı yeni bir çalışan gibi, her seferinde insanların bağlamı ağzına vermesine güvenmek yerine, çevreyle sürekli temas yoluyla kendi başına deneyim biriktirebilir mi?

Sürekli öğrenme çözüldüğünde, Liang Wenfeng'in "tekillik" dediği bir aşama ortaya çıkacaktır: Modelin yeteneği, modelin bir sonraki sürümünü kendisinin yinelemesi, kendi araştırmasını yapması ve daha gelişmiş bir sonraki nesli geliştirmesi için yeterince güçlü olacaktır.

Bu tekilliğin ani bir mutasyon değil, kademeli, sürekli bir süreç olduğunu, ancak geleneksel olarak tekillik olarak adlandırıldığını özellikle vurguladı.

Ancak bundan sonra cisimleşmiş zeka (embodied intelligence) gelir, robotların ev işi ve yaşlı bakımı yapmak için fiziksel dünyaya gerçekten girmesiyle.

Neden bu sırayı izlediklerine gelince, Liang Wenfeng şunları söyledi: Bu en az emek gerektiren yoldur.

Önce sürekli öğrenmeyi çözerek, yapay zeka sonraki her araştırma ve geliştirme adımını hızlandırmaya yardımcı olabilir, böylece insanlar her şeyi kendileri taşımak zorunda kalmaz.

Tersine, önce cisimleşmiş zekayı yapsalardı, bu insan emeği üzerine inşa edilmiş acı ve yorucu bir yol olurdu ve DeepSeek bunu seçmek istemiyor.

Burada üzerinde durulmaya değer bir ayrıntı var: DeepSeek'in modelin bir sonraki sürümünü eğitmedeki birincil amacı dış kullanıcıların onu iyi kullanması değil, kendi ekibinin daha hızlı geliştirmesidir.

Model önce dahili Ar-Ge verimliliğine hizmet eder ve ardından tesadüfen dış kullanıcılara fayda sağlar.

Bu öncelik sırası, bir dereceye kadar, bu şirketteki neredeyse tüm kaynak tahsisinin sırasını belirler.

20.000 Kart ve Eriyen Bir Hendek

Çin ile ABD arasındaki fark hakkında konuşurken, Liang Wenfeng'in yargısı çok açık sözlüydü: Yetenek darboğaz değil; işlem gücü darboğazdır.

Çin'de yapay zeka yeteneği eksikliği yok; taban yeterince büyük ve akıllı insanların dağılımı rastgele. "En akıllı insanların hepsi ABD'ye gitti" diye bir şey yok.

Gerçek darboğaz kaynaklardır.

Rakamlar çok doğrudan: DeepSeek'in şu anda yaklaşık 20.000 H-serisi eşdeğeri bilgi işlem kartı var ve bunların çoğu sadece son bir veya iki ayda geldi.

Mevcut en büyük modellerle (yaklaşık 800B etkinleştirilmiş parametre ile) aynı seviyede bir modeli eğitmek için 50.000 GB300 kartına veya Huawei'nin en yeni kartlarından 200.000'e ihtiyaç vardır. Bu sadece eğitimin kendisi içindir, araştırma aşamasındaki büyük deney maliyetlerini içermez.

DeepSeek'in mevcut kaynakları, on milyarlarca etkinleştirilmiş parametre ölçeğindeki deneyleri destekleyebilir ve bu, 800B'den hala bir büyüklük sırası uzaktadır.

Yerli çipler konusunda, Liang Wenfeng'in yargısı beklenmedik bir şekilde iyimserdi.

CUDA'nın ekolojik hendeğinin aynı anda üç güç tarafından söküldüğüne inanıyor: yapay zekanın kendisi kod yazmaya yardımcı olabilir, bir ekosistem oluşturma eşiğini önemli ölçüde düşürebilir; TileLang gibi üst düzey diller CUDA'nın tüm operatör sistemini hızla yeniden yazabilir; oyun kartları ve bilgi işlem kartları başlangıçta ortak bir mimariyi paylaşıyordu çünkü yapay zeka bilgi işlem pazarı oyun pazarından daha küçüktü, ancak şimdi bilgi işlem pazarı daha büyük ve ikisinin artık birbirine bağlı olması gerekmiyor—özelleşmiş çipler ana akım haline geliyor.

Spesifik bir zaman yargısında bulundu: Önümüzdeki yıl içinde, yerli çip ekosisteminin iyi olduğu gerçeği, eylemlerle kanıtlanacaktır.

Geriye kalan tek engel üretim kapasitesidir.

Spesifik maliyet-performans karşılaştırması da çok doğrudan: Huawei'nin 950 süper düğümü, performans ve fiyat açısından NVIDIA'nın GB200 ve GB300'ünün yerini alabilir, ancak bunun maliyeti dört kartın bir karta eşit olması ve iki yıl geride kalmasıdır. %50 ila %200 daha pahalı olması fark etmez, yeter ki satın alınabilsin.

DeepSeek şu anda Huawei'den yaklaşık 16.000 kart kapasitesi alıyor. Bu hacim sadece 4.000 NVIDIA kartına eşdeğerdir, bu da bir sonraki nesil modeli eğitmek için yeterli değildir, ancak Huawei'nin önce ekosistemi çalıştırmasına yardımcı olmak için yeterlidir.

Liang Wenfeng buna "önce Huawei'nin bunu iyi yapmasına yardımcı olmak" diyor. Daha büyük modelleri eğitmek için bu kartlara güvenmeyi beklemiyor; geleceğin yolunu döşüyor.

Daha da ilginç olanı, sağladığı yetişme anlatısıdır: Geçmişte, Çin yapay zekası, başkalarının bilgi işlem gücünün yirmide birini kullanarak karşılaştırılabilir şeyler üretti ve bir ila iki yıl geride kaldı.

Gelecekte, bu "gecikme süresinin" bir veya iki yıldan üç ila altı aya sıkıştırılması gerekiyor, bilgi işlem gücü farkı ise aynı büyüklükte kalıyor.

Daha fazla kaynağa güvenerek değil, daha akıllı yöntemlere güvenerek.

Bu "akıllı gücü kullanarak farkı kapatma" yaklaşımı, şirketin kendini yönetme biçimine de yansıyor.

Çekirdek Araştırmacıların Yarısı Veri Etiketliyor

Birisi Liang Wenfeng'e büyük modellerin halüsinasyon sorununun kullanıcı deneyimini etkileyip etkilemeyeceğini sordu. Cevabı çok açık sözlüydü: Halüsinasyon çözülemez bir sorun değil. Daha iyi eğitim sonrası (post-training) ile iyileştirilebilir; sadece henüz kimse çok fazla çaba harcamadı.

DeepSeek'in içinde bu, bir ürün sorunu olarak sınıflandırılıyor; çözülecek, ancak odak noktası değil.

Halüsinasyon sorunundan daha hatırlanmaya değer bir ayrıntı: DeepSeek'in çekirdek araştırmacılarının yarısı veri etiketliyor.

Bunun nedeni, Çin'de veri etiketlemenin ucuz olması değil. Aksine, Liang Wenfeng, Çin'de yüksek kaliteli veri etiketleme maliyetinin ABD'den farklı olmadığını, özellikle üst düzey veriler için hiçbir maliyet avantajı olmadığını söyledi.

Bu nedenle mevcut strateji iki yönlü bir yaklaşımdır: önce düşük maliyetli olanları etiketleyin ve yüksek maliyetli olanları şimdilik bir kenara koyun.

Bunun sermaye değil, zaman meselesi olduğunu düşünüyor.

OpenAI ve Anthropic daha erken başladı ve uzun süredir çalışıyor. Çin, ciddi anlamda yatırım yapmaya sadece yaklaşık altı ay önce başladı, ancak farkın çoğunun bir yıl içinde kapatılabileceği tahmin ediliyor.

Organizasyonu Olmayan Bir Şirket: İnsanları Bir Arada Tutan Nedir?

Liang Wenfeng, DeepSeek'in "organizasyonu olmadığını" ve vizyon tarafından yönlendirildiğini söyledi.

Spesifik işleyiş: Şirket yönetimi iki hatta ayrılmıştır. Biri, V4'ü yayınlamak gibi tüm personelin işbirliğini ve iş bölümünü gerektiren kolektif projeler için yukarıdan aşağıyadır; bu kısma "resmi" denir. Diğeri, herkesin canının istediğini araştırdığı aşağıdan yukarıyadır; kimse onları yönetmez ve KPI'ları yoktur.

Liang Wenfeng'in kendisi için belirlediği standart şudur: Resmi iş, bir çalışanın zamanının yarısından fazlasını almamalıdır.

Bunun arkasında iki düşünce var.

Birincisi, araştırma rahat bir ortam gerektirir. Çok fazla zorlamak yeni şeyleri keşfetmeyi imkansız hale getirir. Amaç, kendiliğinden ilgiyi teşvik etmek olduğundan, "çılgın düşüncelere" yer bırakılmalıdır.

İkincisi, DeepSeek yeterince odaklanmıştır, yapacak çok az şey vardır. Şirketin ürünleri genellikle kusurludur ve bunları düzeltmek için çaba harcanmamıştır, bu da başlı başına aktif bir seçimdir.

Bu organizasyonel tarzın kopyalanacak bir şablonu yok.

Liang Wenfeng, DeepSeek'in hiçbir şirketi taklit etmediğini, sık sık karşılaştırma yapılan Bell Laboratuvarları dahil, çünkü Bell Laboratuvarları'nın kendi kar ve zararlarından sorumlu olması gerekmediğini, oysa DeepSeek'in sonuçta nasıl hayatta kalacağını düşünmesi gereken bir şirket olduğunu söyledi. Hükümet onlara bir kuruş bile vermeyecek.

Her seçim, eldeki fiili duruma göre hesaplanmış bir sonuçtur, kopyalanmış bir cevap değil.

O Sevince Dönüş

Şimdi geriye dönüp DDCP fiyat indirimi günündeki sevince bakıldığında: Bu, izole bir hikaye değildi; bu şirketin tüm hayatta kalma algoritmasının bir mikrokozmosuydu.

Maksimum payı kovalamamakta kısıtlama, çünkü yeterince büyük bir pazarda, açgözlü olanlar ilk önce sıkıştırılacaktır.

Susam tanelerini oyalanmadan toplamak, çünkü anlık kazançlara bakmak, arkasındaki daha büyük karpuzları görmeyi engelleyecektir.

Çip veya dikey uygulamalar yapmamak, çünkü çok fazla yemek erken çıkışa yol açar.

Teknik rota için en az emek gerektiren sırayı seçmek, çünkü tasarruf edilen enerji, gerçek darboğazların olduğu yerde kullanılabilir.

Araştırmacıların yarısının veri etiketlemesi, çünkü işlem gücünün dolduramadığı boşluk ancak daha sağlam bir temel ile doldurulabilir.

Bu kararlar yüzeyde ilgisiz görünüyor, ancak aslında aynı cümlenin farklı yazma biçimleridir: Yeterince büyük bir pistte, şu anda ne kadar alabileceğinizi tam olarak hesaplamamak, daha fazlasını almanın ön koşuludur.

Bu, rekabetçi bir sektördeki herkesin doğrudan kullanabileceği bir yargılama yöntemidir.

Bir dahaki sefere "şimdi ne kadar alabilirim" ile "gelecekte ne kadar alabilirim" arasında bir seçimle karşı karşıya kaldığınızda, hemen mevcut hesabı yapmak için acele etmeyin.

Daha temel bir soru sorun: Bu mesele, şimdi çok fazla aldığınız için, daha az almaya istekli bir rakibi erken çekecek mi?

Cevap evetse, kısa vadeli kazanç ne kadar cazip olursa olsun, hayatta kalma olasılığını onunla takas etmeye değmez.