今天是单仁行陪伴您的第 3738 天

( 点击录音框，自由调整录音倍速 )

这两天如果你看到一条信息，大概率会有点恍惚，一家 AI 公司融资大概 510 亿，估值接近 4000 亿。

但真正让人停顿的不是数字，而是融资的几条细节：

投资人没有投票权、不以传统股权治理方式参与决策、资金还被长期锁定。

你可能会想，这是不是写错了？

但这就是被曝出来的 DeepSeek 融资条款。

所以，这里有一个很有意思的问题，如果资本不能影响公司，那资本还算资本吗？

在过去的商业世界里，这个问题几乎不会出现，因为我们默认一个简单规则，钱进入公司，拿到了股份，就有投票权，甚至是控制权。

但今天，不一样的变化正在发生，它并不是只属于 DeepSeek 的个别事件，而是 AI 行业里的新常态。

表面上看，各大 AI 公司是技术路线不同，但如果在企业经营层面去理解，就会看到它们在用不同方式重新定义 " 谁有权决定 AI 往哪里走 "。

也就是 AI 公司不仅在卖产品，也在设计产品如何被控制。

我们先从 DeepSeek 说起。

用传统 VC 逻辑看，投资人出钱，获得股份，进入董事会，多多少少会影响战略。

这是一条标准路径，但 DeepSeek 是资本进入之后，没有自动进入决策链条，它把 " 钱 " 跟 " 决策权 " 拆成了两个不同的系统。

当然，这不是说 DeepSeek 的创始人梁文锋有多大的控制欲，而是他希望让公司以工程效率为导向，让技术尽量不被外部干扰，把决策集中在研发系统。

所以，DeepSeek 代表的是资本与控制权的分离，而另一家 OpenAI 又不同了，它也很有意思。

OpenAI 虽然也有着技术部门、商业部门跟管理层，但它不是一个单一目标的 AI 公司，而是一个被三种力量同时约束的组织。

第一层是技术系统，这个很好理解，就是负责让 AI 模型能力更强。

这一层的世界观非常纯粹，只问一句话，能不能做出来更好的 AI？

第二层是商业系统，它关心的是成本能不能下降？用户能不能增长？产品能不能变现？

特别是 OpenAI 的大股东微软，不仅出钱，还是深度绑定的参与者，微软影响着它的云算力、产品生态、收入规模，自然也对变现有要求。

这一层的逻辑就变得很现实，AI 能不能养活自己，赚到钱？

到了第三层管理系统，它是 OpenAI 结构变化的关键。

因为它既不是传统意义上的管理层，也不是行政部门，而是非营利性质的董事会，它会约束 AI 的能力、安全跟社会责任，也就是它要规范，企业这么去做能不能被允许？

在传统公司里，这三件事其实是统一的，因为你能把产品做出来，就能卖，公司管理层当然也会批准，所以，做任何事都是先对齐目标，然后决策统一，执行统一。

但在 OpenAI 这种结构里，它们开始变成三种独立判断，技术想要更强，商业想要回报，治理想要更安全，每个都是系统的一部分，但不能自由决定公司发展的方向。

最终能落地的不是谁效率最高，赚钱最多就选谁，而是三个都能接受的那个版本，这就变成了目标分层，决策协调，然后折中执行。

我们对比一下，DeepSeek 让资本进入，但不准影响决策，怎么发展技术团队说了算。

就像你投钱建厂，但工厂的生产线由内部团队独立运行，钱和生产是分开的，你只能享受收益，当然，运气不好亏了也是白亏。

OpenAI 是让资本、技术、治理同时进入系统，但用分层结构互相制衡、互相影响。

我们再来看 Anthropic，也就是做出现役 AI 排名第一的 claude 的母公司。

它又有什么不同呢？

它有一个关键创新叫宪法式 AI，简单来理解就是在训练 AI 的时候，就给它画好了边界，直接把规则写进模型中，让系统从一开始就按规则长出来，不是等到 AI 做出来之后再管它。

我们做个比喻，OpenAI 就像是先把车造好，然后开始上路，根据情况再去装刹车系统，做完再管。

Anthropic 是在造车的时候就规定各种规则，教 AI 怎么约束自己，这就是在塑造 AI 的行为方式，有点像地铁、铁路。

听起来很像，但本质并不同。

当然，讲到这里，很多人可能想问，这些企业的组织结构，跟我有什么关系呢？

因为任何一家 AI 公司的治理结构、产品路线、资金结构，最后都不会停留在新闻标题里，它一定会慢慢变成三件非常现实的东西：AI 的发展方向、用户使用 AI 的方式、企业采购 AI 的方式。

就像在商业层面，这种差异会非常明显。

OpenAI 这类结构更强调 " 在使命框架下追求商业化 "，所以，它的迭代会很快，会尝试各种商业化路径，更灵活，也更容易出现边界变化。

Anthropic 这类结构会更强调 " 先定义模型该成为什么，再谈能力最大化 "，所以，它会更保守，但也更稳定，有明确的安全边界。

DeepSeek 这类结构会更强调 " 把能力做得足够便宜、足够可用、足够容易接入 "，所以，它会更便宜，更容易被开发者跟重度用户拿去做本地化、定制化和规模化使用。

我们就会越来越明显地感受到，不同 AI 不是同一种东西，它们的区别不只是能力本身，更是能力怎么被组织出来的。

以后我们不是谁更好用，我就用谁，而是在选一种 AI 的性格跟边界。

你是要一个更谨慎、更稳、更少越界的 AI，还是要一个更开放、更便宜、更适合自己改的 AI，还是要一个迭代快，生态大，但用起来更复杂，随时会变化的 AI？

它们就分别适合不同的行业、不同的场景。

包括对企业来说，以后买 AI，不是只看谁便宜，而是要看四件事：

第一，它是不是能长期稳定地接进你的业务系统？

第二，它的输出边界，适不适合你所在的行业？

第三，它会不会让你把业务做成只能依赖某一家？

第四，它未来的治理结构，会不会影响你调用成本跟使用自由度？

这四件事，今天看起来像技术问题，实际上都是经营问题，因为企业怕的不是工具不够强，而是今天便宜，明天贵，今天能用，明天就被风控卡死了。

所以，企业会越来越需要为 AI 建立自己的选择策略，不是谁最热门就用谁，而是谁更适合你的业务结构、行业属性跟风险承受能力，包括不同的应用场景。

我们目前也在文思子牙专业营销 AI 系统里测试跟集成不同的模型底座，根据它们的能力结构跟输出边界做微调，把不同的模型放在最合适的环节，比如说生图、视频、短视频文案、标题、关键词、产品卖点总结、人群画像分析等等。

帮助企业先把 AI 变成自己的成本优势、效率优势跟决策优势，用 AI 让自己换一种工作方式。