梁文锋与杨植麟：AI发展路线深度对比

月之暗面（简称Kimi）与DeepSeek，如今已是大模型赛道上最受瞩目的两家公司。有趣的是，它们正走向趋同。

先看融资。过去半年，Kimi接连完成多轮融资，估值持续攀升。而另一边，一直被外界视为“弹药充足”的DeepSeek，也终于启动了融资。放在两年前，这种局面几乎不可想象。

彼时，这两家公司代表着截然不同的路线。Kimi是典型的明星创业公司，融资频繁、高速扩张；DeepSeek则显得特立独行——梁文锋几乎从不现身融资新闻，外界对它的最深印象始终停留在技术层面。

但到了今年，一个显著的变化是：两家公司同时坐上了资本市场的牌桌。

再看技术路线。过去很长一段时间，行业总习惯将两者放在一起比较，但实际上，它们的发力点并不完全重合。

Kimi一直更贴近产品端。从长文本、搜索，到后来的Agent、Coding，月之暗面始终致力于将模型能力转化为产品体验。而DeepSeek更像一家研究机构——无论是V2、R1还是V3，行业讨论的焦点始终是模型能力本身。不过，从今年的V4开始，DeepSeek的技术布局也明显转向了长文本、Coding和Agent。

这两家公司的边界正在模糊。Kimi开始愈发重视底层模型能力，而DeepSeek则越来越关注推理效率、工程体系以及大规模部署问题。就连招聘方向也开始重叠。据虎嗅了解，近期Kimi和DeepSeek都在持续招聘Harness相关岗位。Harness并非模型本身，而是模型背后的基础设施——训练、推理、调度、资源管理，全部依赖这套系统。

换句话说，当两家公司同时开始扩招Harness团队，说明它们关注的已不仅是模型能力，更是模型如何被更快训练出来、更稳定地运行，以及更低成本地被使用。

除融资和技术路线外，创始人的风格也颇为相似。杨植麟和梁文锋都属于典型的技术型创始人，都不喜欢站在聚光灯下，也很少主动讲故事。相比市场、营销或融资，他们更愿意聊模型、算法和技术本身。过去几年，“技术理想主义”几乎成了贴在两家公司身上最统一的标签。

但融资之后，两条线可能又会走向新的分岔。

DeepSeek的资本，准备投向哪里？

对DeepSeek而言，今年最大的变量就是融资。过去很长一段时间，外界对它的印象都是“不缺钱”。毕竟，梁文锋背后的幻方量化本身具备持续投入AI研发的能力，相比那些需要不断融资才能维持训练节奏的大模型公司，DeepSeek确实显得特殊。

这也是为什么，当融资消息传出时，除了金额、估值和投资方，大家最关心的问题是：DeepSeek为何突然开启融资？

人才或许是原因之一。过去一年，大模型行业最激烈的竞争，已经从模型能力逐渐转向人才争夺。无论是OpenAI、Meta还是国内头部公司，都在持续争夺顶级研究员和工程人才。对DeepSeek来说，融资无疑能提供更充足的激励工具，帮助其留住核心团队。

但如果仅仅是留人，或许还不足以解释DeepSeek近期的一系列动作。虎嗅注意到，DeepSeek近期正在招聘“数据中心高级交付经理”。从岗位职责来看，其负责内容包括数据中心项目从立项、建设、交付到运营的全流程管理，同时还需要参与IDC自动化运维平台建设、资源管理以及运维标准体系建设。更值得关注的是，在任职要求中，DeepSeek特别提到了GPU算力相关交付运维经验，以及大型集群规划建设经验。

对普通互联网公司来说，这或许只是一个基础设施岗位。但对一家大模型公司而言，这背后对应的是另一套能力体系。过去两年，行业讨论最多的是模型能力——R1、V3、V4，每一次模型发布都会引发关注。但随着模型规模不断扩大，以及Agent带来的Token消耗持续增长，模型公司面临的问题已经不再只是如何把模型训练出来。

越来越多的问题开始出现在模型之外：如何管理越来越庞大的GPU集群？如何提升算力资源利用率？如何保证训练和推理任务稳定运行？以及，如何支撑下一代模型训练所需的基础设施规模？

这些恰恰是数据中心团队需要解决的问题。与此同时，DeepSeek也在持续扩张Harness团队。对很多模型公司来说，Harness更接近训练和推理的基础设施平台——它不直接参与模型研发，但负责让模型训练、推理以及资源调度能够更高效地运行。

从这个角度看，DeepSeek当下的关注点已经不只是模型能力，还有决定模型上限的基础设施能力。这或许也是DeepSeek融资后，最值得关注的变化之一。

一个流向用户，一个流向GPU

2026年对Kimi来说是至关重要的一年，这一点从它半年融资三次、估值涨了5倍就能看出来。今年年初，OpenClaw带来了惊人的收入增长，让月之暗面第一次真正看到了商业化的曙光。

与此同时，从Kimi今年发布的几款模型变化中也可以发现，技术越来越明显地服务于产品。无论是Agent、Coding还是海外市场，月之暗面都在试图证明：模型能力最终能够转化为收入和增长。

所以，对Kimi来说，既要继续摸高模型能力，又要加速推进商业化。而DeepSeek的关注点并不相同。两家公司都在融资、都在扩张，但它们要解决的问题完全不同。

对Kimi来说，市场关心技术，但更关心技术与产品带来的增长——Agent能否催生新的付费场景？海外市场能否复制国内的成功经验？这些问题最终都会回归到商业化本身。

但DeepSeek面临的压力不在这里。从成立至今，DeepSeek最大的竞争力始终来自模型能力——无论是V2时期的低成本训练，还是R1带来的推理模型热潮，核心优势都建立在技术领先之上。因此，对DeepSeek而言，最重要的问题不是如何找到更多用户，而是如何持续保持领先。

这也是为什么，融资之后外界看到的并不是大规模产品扩张，而是Harness团队扩张、数据中心岗位出现，以及更多围绕基础设施建设的动作。因为对DeepSeek来说，模型能力本身仍然是最重要的资产。相比为某一个产品功能做针对性优化，DeepSeek更需要保证的是下一代模型能够继续迭代，下一次技术突破仍然发生在自己身上。

某种程度上，这也是两家公司最根本的区别。背靠量化的DeepSeek本质上不是一家创业公司。Kimi需要向市场证明“好的模型能够赚钱”；DeepSeek则需要向市场证明“模型能够继续领先”。前者的资金最终会流向技术、产品、用户和收入；后者的资金则会流向算力、集群和基础设施。

这也决定了，同样是一笔融资，两家公司最终会走向完全不同的方向。