本文来自微信公众号： 青萍见 ，作者：shushuhn
数据说明：截至发稿，DeepSeek本轮融资交易条款（含具体出资方、金额、股权比例）未获官方确认。文中融资数据引自The Information、《金融时报》、36氪、晚点LatePost等多家媒体2025—2026年公开报道，不同信源在金额、投资方名单、股权比例上存在差异，实缴金额与意向金额可能存在偏差。本文分析基于上述公开报道交叉验证，具体数据以工商登记及官方披露为准。
“我们一开始来做这个公司，初衷没有想到说我最后要赚多少钱，要到资本市场上去，要上市，要怎么样的。最开始的几十个人完全没有这么想过。如果他这么想，他就不会来。”
这场交流会前后，DeepSeek完成了首轮超500亿元融资——据多家媒体报道，腾讯100亿元，宁德时代50亿元，京东、网易各30亿元，国家人工智能产业投资基金10亿元，梁文锋个人出资200亿元跟投。另有部分投资方未披露。
一组自相矛盾的信号：一个不想上市、不想赚钱的公司，正在以前所未有的速度吸纳巨额资本。
一、愿景驱动不是口号，是技术自信
梁文锋反复强调一个叙事：DeepSeek的成功靠的不是天才。
“我们就是一群非常平凡的人。没有比别人有钱，没有卡，没有知名度。”
那为什么能做成？“一个公司最重要的是它的愿景。”在DeepSeek，这个愿景具体到近乎“反管理”——没有KPI，没有考核，没有成文的规章制度。
但真正支撑这种反管理能够运转的，是一套高度工程化的技术方法论——通过PTX指令集接近GPU底层进行优化，突破硬件内存带宽限制；通过MoE架构和稀疏激活策略降低计算负担；通过流水线并行减少GPU间通信延迟，有效应对芯片互连技术的出口管制。
这套方法论既带来了优势，也付出了代价：MoE稀疏模型推理延迟更高；PTX底层定制仅适配英伟达高端卡。据运营商财经网行业报道，同等参数量下MoE架构集群的3年综合运维成本（含硬件折旧、电力、互联带宽）约为稠密模型的1.3至1.5倍，推理成本约为传统稠密模型的3倍。这套方法论的成本，最终会以现金流的形式传导到资本关系上。
不是口号驱动机器，是技术自信支撑了方向选择。
二、融资的真正逻辑：反向约束资本
DeepSeek本轮融资最值得关注的不是金额，是交易结构。
据The Information报道，除国家人工智能产业投资基金外，其他外部投资者不获得投票权、不设董事会席位，仅能按出资比例分享财务收益，同时接受五年锁定期约束。梁文锋在本轮融资前已通过工商增资将个人直接持股比例提升至34%，叠加间接持股后最终受益股份达84.29%，手握100%表决权。
国家人工智能产业投资基金直投10亿元是唯一的例外——该基金保留投票权且不受五年锁定期约束。这折射出算力主权的优先级：DeepSeek在商业逻辑上拒绝了所有机构的控制权，却在算力层面给国家队留了一扇门。
这一交易结构颠覆了科技创业融资的常规剧本。有行业网友如此直观概括这套失衡的投融资权利关系：“腾讯和京东拿出了数十亿美元，却没有投票权，而且5年内不能退出。这足以说明梁文锋现在拥有多大的谈判筹码。”
三、资本为什么愿意接受“不平等条约”？
大模型行业正在加速分化。2025年，AI模型层公司全年仅完成22笔融资（统计口径：仅包含通用大模型底座企业，剔除算力基建、垂直AI应用项目），单轮融资规模在10亿元以上的大模型公司仅有MiniMax、智谱和Kimi三家。钱没有消失，而是在快速向头部集中。
DeepSeek是当下唯一坚持纯开源路线的中国头部大模型公司，多项基准测试显示其性能超越了主流开源模型。但这种技术影响力构成筹码的同时，各投资方的诉求截然不同：
| 投资方 | 诉求 | 商业化容忍度 | 未来行为预判 |
| 国家AI产业基金 | 算力自主，政策导向 | 极高，不计短期回报 | 长期持有，支持整合 |
| 腾讯、宁德时代 | AI能力战略卡位 | 高，可接受5-10年持有 | 若业务协同兑现，持续增持 |
| 京东、网易 | 通用API需求 | 中等，需3-5年见成效 | 视业务落地进度而定 |
| 财务VC类 | 中期退出、回报 | 低，需5年可见退出路径 | 若上市不及预期，施压回购 |
这种诉求差异，决定了5年后不同资本的博弈态势，而非简单的逐利资本与理想创始人的二元对立。
四、人才流失：被简化的真相
据《金融时报》报道，融资的核心目的之一是“为员工股票期权定出更清晰的价值，避免被竞争对手挖走”。
过去几个月，DeepSeek确实有多位研究人员离职——R1论文主要作者之一郭达雅加入字节跳动，训练团队老将王秉轩转投腾讯。但流失人员中有部分从事多模态、视频生成方向，恰好匹配梁文锋不做视频生成的战略取舍。人员的去留本身就是战略选择的结果。
更深层的问题在于：长期放弃多模态赛道，会持续流失多模态方向优质人才，制约通用多模态AGI迭代。当然，“多模态=通用智能必要条件”是当前AI领域存在争议的判断，并非学术定论——但DeepSeek的战略取舍本身值得审视。
五、技术短板：幻觉与过度思考的独特危害
开发者社区实测反馈显示：DeepSeek-R1在简单问题上存在过度思考——把简单问题复杂化后出错；抽取类任务容易出现幻觉；一些回答看似有道理，但在业务视角下可能是正确的废话。
用户案例同样值得警惕：有用户向DeepSeek咨询如何挽回前男友，模型给出的措施包括“向公安备案情感骚扰记录”、“报名南极科考志愿者”以及“攻读清华大学脑机接口与情感神经学硕士”——这种看似荒诞的过度联想，恰恰被包裹在极其严密、分点清晰的逻辑推理外壳下，使得用户在第一眼看去甚至难以察觉其荒谬性。有用户要求推荐旅游地附近十家口碑外卖店，结果十家店铺全部是模型虚构的。
当然，上述案例属于极端场景，不构成系统性对比测试——但它揭示了一个方向性的问题：幻觉是所有大模型的共性缺陷，目前没有公开对比数据证明DeepSeek的幻觉率显著高于竞品。DeepSeek幻觉的独特之处在于其逻辑自洽性和专业伪装——传统模型的错误容易被识别，而DeepSeek的错误因为表达流畅、推理严密，反而更具迷惑性。这种伪装能力在B端严谨场景（如法律文书审查、医疗建议、财务分析）中破坏力更大，直接限制企业付费客户规模。
六、开源商业模式的裂痕与护城河
梁文锋认为开源不影响商业化：“只赚六倍利润——按十个月回本对应约六倍利润——在这个前提下，开源对商业模式没有任何影响。”
开源模式的双刃性在于：客户可自主本地化部署，长期锁定能力弱；免费模型分流付费API用户；第三方低质应用引发信任危机而DeepSeek缺乏管控。
但DeepSeek也建立了独有的护城河：模型权重开源，但底层PTX优化、MoE训练方案未完全开源，中小企业复刻成本极高；10个月回本的定价体系击穿行业利润空间，第三方本地化部署无利可图；全球千万级开发者社区持续提供场景数据，缩小与闭源巨头的数据差距。
仅从算力硬件摊销与API调用费的直接毛利来看，理论回报率极高。但前提是规模化——需要足够的付费流量分摊固定硬件投入。以当前DeepSeek的API调用量级，能否覆盖每年百亿级算力投入？这个问题的答案，决定了现金流承压是真实风险还是过渡状态。
DeepSeek所言的持续学习，指模型在不遗忘旧知识的前提下，通过增量数据（如用户反馈、新API文档、行业数据库）实现自我纠错和知识更新的能力框架。公开论文显示，DeepSeek团队在该方向的核心探索是：通过优化灾难性遗忘阈值，将单次增量学习的算力消耗从全量预训练大幅降低。如该路线实现工程化落地，意味着每年百亿级的重复预训练成本可显著压缩——这才是解决持续学习就能变轻松的技术注脚。这一能力若打通，同时支撑三个现实场景：①减少海量人工标注投入，适配无KPI研发组织；②解决幻觉和过度思考等模型缺陷，解锁B端商业付费场景；③为通用Agent铺路，补齐纯文本模型商业化短板。
七、真正的裂缝在哪里？
将第一部分的组织设计（无KPI、不追逐短期现金流）作为底层放大器，三条负循环链共享同一个起点：愿景驱动型组织本身的特性——不追求短期商业回报，会在客观上延长融资依赖周期，放大技术与资本之间的传导压力。当然，这一传导路径的每一环都受到市场竞争、宏观经济、客户认知等多重因素调节。
链一（技术→资本）：技术短板（幻觉/推理冗余）往往限制企业付费客户规模→API收入可能难以覆盖硬件成本→持续依赖外部融资→5年后财务资本集中要求退出→加剧创始人与资本的博弈。
链二（路线→技术→资本）：放弃多模态/视频→可能丢失高现金流场景和多模态数据→长期或制约通用智能迭代速度→技术代差缩小→缺乏技术溢价→商业化更难。
链三（组织→商业→资本）：无KPI、无短期商业回报压力的组织设计→可能放大前两条负循环→不追逐短期现金流→商业化滞后→融资需求延长→期权留人效用递减。
三条链共同汇入一个节点：5年后，当财务资本锁定期到期、员工期权集中解禁，如果AGI尚未兑现为可验证的商业成果，DeepSeek将面临资本退出、人才流失和估值压力的三重叠加。
八、外部变量：算力地缘政治
上述三条链都是内部闭环，外部变量同样致命。据晚点LatePost 2025年12月报道《DeepSeek的算力账》，DeepSeek目前约2万张H800等效GPU；一位接近DeepSeek算力采购的人士则表示，实际可用训练算力远低于公开宣称的规模。无论哪种说法准确，一个共识是：DeepSeek的算力规模仅为国内头部云厂商一个零头。如果遭遇极端算力封锁，国产算力适配不及预期，研发进度可能停滞。
更完整的负循环应插入这个外部节点：
API收入难以覆盖算力投入→持续依赖外部融资→（若遭遇算力封锁或国产替代不及预期）→研发进度停滞→5年后财务资本集中退出→创始人控制权与资本压力正面冲突。
算力地缘政治不是背景板，而是这条因果链的加速器。
九、终局：三种可能性
DeepSeek这套“愿景驱动+约束资本”的模式，长期存在三种终局可能：
乐观终局（高度依赖持续学习技术突破性落地这一核心前置条件）：持续学习等技术目标取得突破，AGI实现路径被验证。DeepSeek成为下一代AI基础设施的底层供应商，所有投资方获得超额回报。
悲观终局（在算力供给、竞品追赶双重压力下具备现实发生可能）：AGI落地周期远超预期，技术优势被竞品追平。持续亏损导致多轮融资稀释股权，财务资本集中施压，创始人控制权被架空或被迫接受商业化转型。
中性终局（基于现有公开信息，最贴合公司当下发展路径的演化方向）：持续学习取得阶段性突破，但完整AGI落地周期拉长至8-10年。公司开放垂直行业有限商业化，创造稳定现金流但不追求利润最大化。产业资本持续跟投，财务资本通过老股转让分批退出，创始人控制权完整保留。
需要指出的是，A股科创板允许同股不同权的制度安排，为DeepSeek提供了制度缓冲空间——即便未来启动IPO，创始人依托84.29%受益股权可设置高倍数表决权架构，公众股东仅享有分红权而无经营决策权，上市仅作为财务退出通道，不必然动摇愿景驱动的路线。
第三种状态，可能才是DeepSeek最真实的未来。
十、行业启示
DeepSeek的案例指向几个超越个案的结构性问题：
第一，控制权设计是AI创业的生存前提。本轮融资最值得复制的不是“500亿”这个数字，而是“无投票权资本+五年锁定期”这套模板。国内头部大模型公司应借鉴此模式，用制度隔离资本的短期压力。
第二，开源路线大模型需要找到自己的半开源护城河。权重开源但核心优化保留、定价体系击穿对手利润空间、开发者社区反哺数据——这三条防线缺一不可。
第三，无KPI管理模式的天花板约300-500人。超过此规模需分阶段引入轻量化管理工具，愿景驱动需要“组织收缩”的勇气。
第四，多模态不是做不做的选择题，而是何时做的时机题。放弃多模态的代价，3年内是现金流，5年以上是数据规模壁垒。但如果资源只够押注一条路线，专注本身也是一种战略——风险在于，错过窗口期后补课成本可能远超预期。
第五，技术短板必须被财务模型量化。幻觉、推理冗余等技术问题，不能停留在“用户吐槽”层面，需要转化为“客户流失率”“付费转化率”“API调用量增速”等可量化指标，才能纳入融资路演模型。
第六，地缘政治不是背景板，是AI创业的第一性约束。DeepSeek的融资条款给国家队留了“一扇门”，这与其说是主动设计，不如说是现实倒逼。未来任何中国AI公司的融资框架，都必须把算力自主与资本结构绑定。
第七，区分哪些经验可复制、哪些不可复制。DeepSeek本轮融资条款的核心——无投票权资本+五年锁定期——具有普遍借鉴意义，任何具备技术稀缺性的AI公司均可尝试复制。但梁文锋个人出资200亿跟投（占融资额40%）、最终受益股份84.29%，建立在其个人财富积累基础上，是极少数创始人才具备的条件。同样，国家人工智能产业投资基金的例外条款属于特定时期政策资源，不具有行业普适性。对大多数AI创业者而言，可复制的是条款设计的逻辑，而非条款本身。
