DeepSeek 常被市場解讀為“用更少算力做更強模型”的代表，但其自身給出的判斷卻與這一敘事形成反差：效率提升不會終結算力投入，中國 AI 與美國的核心差距仍是資源，而非人才或模型能力。
DeepSeek 指出，中美 AI 的差距首先體現在算力上。國內並不缺少足夠聰明的研究人員，但美國頭部實驗室擁有更大的叢集，可以進行更多輪架構試驗、引數搜尋和失敗訓練。算力不足不僅限制最終模型規模，也限制研究人員積累大規模訓練經驗。因此，看似是人才、模型能力和應用上的差距，向前追溯，很大程度上仍是算力差距。
大模型研發並非湊齊一批 GPU、完成一次正式訓練即可。真正的領先來自訓練前的大量實驗、消融測試和錯誤迭代。即使國內企業勉強堆出一個超大模型，如果沒有足夠算力支援此前的研究，也很難複製美國公司的研發密度。這決定了國內更現實的路線，是在可以承受的規模內提升演算法、架構和工程效率，再隨著資源增加逐步擴大模型。
DeepSeek 證明了模型可以更高效，但這並不意味著 Scaling 已經失效。梁文鋒仍然相信，更大的資料、模型和訓練計算能夠改善效果、解鎖新能力。DeepSeek 沒有繼續大幅擴大模型規模，並不是認為現有規模已經足夠，而是因為當前資源只能支援相應規模。他認為，矽谷可以討論 Scaling 是否逐漸接近瓶頸，但中國 AI 企業離這個問題還很遠。中國尚未獲得足夠算力去充分檢驗 Scaling 的邊界，當前主要矛盾不是“擴大規模還有沒有收益”，而是“有沒有條件擴大規模”。
在國產卡生態方面，DeepSeek 認為正出現明確解決路徑。過去業界普遍擔憂國產晶片的軟體生態不完善、難以替代輝達 CUDA，但實際進展顯示，適配與遷移工作正在加速。未來更硬的約束可能從“能不能用”轉向“有沒有足夠多的卡”——即產能瓶頸。這意味著，國產晶片的製造能力將成為決定中國 AI 發展速度的關鍵變數。