梁文锋在 4 小时闭门会上反复强调「克制是战略」：API 定价只求十个月回本，主动放弃利润最大化；开源模型与线上部署版本完全一致，不阉割性能；融资时强制写入「禁止挖人」条款。这背后是一套反共识的资本观——他接受 500 亿融资，但用有限合伙模式锁死投资方决策权。外界看到的是「200 亿自掏腰包」的豪赌，内部人看到的是「只要团队不散，AGI 迟早做成」的控盘逻辑。这种刻意与资本保持距离、用愿景替代 KPI 的组织设计，才是 DeepSeek 3.7% 离职率的结构性原因。

梁文锋说 CUDA 护城河正在瓦解，核心武器是自研的 TileLang。它是由北京大学团队开发的领域特定语言，能将 FlashAttention 等算子的 CUDA 代码从 500 行压缩到 80 行，且性能不降。更关键的是，TileLang 不绑定硬件，同一段代码可编译到英伟达、华为昇腾、AMD 等不同芯片上运行。英伟达 2025 年初推出的 CUDATile，被业内视为对 TileLang 的防御性回应——这等于中国在 AI 编译器层面反向倒逼了英伟达的生态策略。

梁文锋坚信 Scaling Law 未到尽头，但 2026 年 7 月，前 OpenAI 研究员 Diogo Almeida 自曝：原始 Scaling Law 论文存在统计 bug——loss 被平均而非求和，导致全球行业长期「重参数、轻数据」，浪费了海量算力。DeepMind 研究员 Sander Dieleman 也公开支持这一判断，认为业界此前在「体量过大、训练不足」的模型上烧掉了无数 GPU。同一批实验数据，在中国创业者眼里是「算力不够所以没到头」，在欧美研究者眼里是「路线本身就错了」——两种叙事本质是立场差异，而非事实分歧。

梁文锋给出具体数据：四张华为卡顶一张英伟达卡，硬件代差两年。华为 Atlas 950 超节点计划 2026 年 Q4 上市，单柜 64 卡，满配 8192 卡，FP8 算力 8 EFLOPS，互联带宽 16 PB/s——四个指标分别碾压英伟达 NVL144 的 56.8 倍、6.7 倍、15 倍和 62 倍。但算力规模不等于训练效率，中间件 CANN 的代码兼容性才刚逼近 95%。下一步的关键变量是：DeepSeek V4 在华为昇腾上推理速度提升 35 倍后，训练侧能否复制这一效率跃升？2026 年 Q4 超节点交付后，中国 AI 企业的算力瓶颈将从「硬件有或无」切换到「软件好不好用」。

梁文锋把「持续学习」列为当前 AI 最大短板，也是通往 AGI 的必经阶梯。问题在于：持续学习不只是一项技术，而是一套「算法+工程」的组合。目前全球仍在摸索阶段，主流做法是「经验回放 + 弹性权重巩固 + 动态架构扩展」的混合方案，但每一条都有副作用——回放消耗显存，弹性权重限制新能力，动态架构训练不稳定。真正值得追问的是：如果持续学习本质上是让模型在部署后还能「在线更新」，那它和「过拟合」「灾难性遗忘」之间的边界在哪？有没有可能，解决持续学习需要先解决模型的「记忆架构」根本问题——比如从 Transformer 转向某种可微分神经计算机？