近日，人工智能领域备受瞩目的DeepSeek公司宣布启动大规模招聘计划，这一动作被视为其在获得巨额融资后，加速向平台型公司转型的关键一步。据相关消息，此次招聘涉及27类技术和支持岗位，涵盖从全栈开发、算法研发到运维、产品，再到HR、行政、法务、财务等职能体系，旨在全面补齐公司从模型实验室走向平台型组织所必需的能力。
DeepSeek此次大规模招聘并非偶然。此前，公司凭借相对较低的训练成本、较高的工程效率和开源策略，在大模型行业崭露头角，改写了行业成本叙事。然而，随着技术发展，做出强模型与推动工程落地是截然不同的挑战。前者考验研究判断、工程效率和模型训练能力，后者则涉及算力供给、系统稳定性、产品交付和组织协同等多个方面。如今，DeepSeek已进入一个与早期完全不同的成本结构，最新一轮融资规模超过70亿美元，折合人民币超500亿元，这笔资金将用于增强算力能力和改善员工福利。
在国产算力适配方面，DeepSeek与华为昇腾等国产AI芯片的合作，使其成为国产AI算力生态里的关键应用方。但模型能否在国产算力上运行只是第一步，真正困难的是在大规模用户和开发者调用中保持可用。一方面，高端算力容量直接影响模型服务的成本和吞吐，如V4 - Pro价格下降与昇腾950超节点规模出货相关；另一方面，V4发布前后，用户侧不时出现“服务器繁忙”、响应失败、对话中断等问题，暴露出公司走向平台化面临的压力。
DeepSeek早期优势不仅在于模型能力，还得益于其独特的组织形态。短决策链条使研究人员和工程人员协作摩擦低，方向判断能快速传导到模型训练、系统优化和开源发布等环节。这种组织形态在模型早期突破阶段优势明显，新想法能马上试验、工程优化能立刻进入训练流程、模型开源和技术路线决策能快速响应。小团队凭借短决策链条，在前沿技术竞赛中往往能打出大公司的效果，而大公司虽资源丰富，但人才、算力、资金等资源需有效组织才能转化为能力，否则可能陷入会议多、审批长、组织协调慢的困境。
以Google为例，Transformer、AlphaGo、AlphaFold、Gemini等均诞生于Google体系，其研究积累、基础设施和人才厚度堪称世界领先。但在生成式AI领域，Google表现却不尽如人意。Pichai Sundararajan承认Google在agentic coding上“有点落后”，Sergey Brin要求团队“紧急弥合”AI编程能力差距。等Google意识到AI编程成为独立战场时，Claude Code、Cursor和Codex等已占据开发者心智。近期，Google还连续失去多名核心AI人才，Transformer论文作者之一、Gemini联合负责人Noam Shazeer去了OpenAI，AlphaFold核心人物、2024年诺贝尔化学奖得主John Jumper去了Anthropic等。外界认为，大公司流程、技术自主权和决策效率是这些人才离职的重要原因，更集中的目标、更大的技术自主权和更少的官僚流程能让研究员更快做出成果。
对于DeepSeek而言，走向平台化意味着要面临诸多新问题。一方面，要避免陷入“大公司病”，不能因规模扩大而变得迟钝，失去早期宝贵的速度和判断力；另一方面，要平衡好研究小队时代的锋利度与平台公司所需的交付能力和组织厚度。平台化后，外界对DeepSeek的衡量标准将发生变化，组织能力只是其中一方面，高峰期响应速度、API调用稳定性、产品功能一致性、企业客户接入后的可用性以及国产算力适配后的低成本服务能力等，都将成为关键考量因素。对免费用户，服务器繁忙可能只是体验波动；但对付费用户、开发者和企业客户，响应失败等问题会直接影响他们是否将DeepSeek接入真实工作流和业务系统。模型能力决定用户是否愿意尝试，稳定性则决定用户是否愿意长期使用。
从国产算力适配、融资到大规模招聘，DeepSeek正经历走向平台化的关键阶段。将模型突破转化为稳定的平台能力并非易事，它既要保持研究小队的高效，又要具备平台公司的综合实力；既要持续打造强模型，又要让模型成为用户、开发者和企业客户可依赖的服务。在资本、算力和巨头垄断大模型竞赛的当下，DeepSeek曾证明前沿模型突破有多种路径，如今它正迈向更复杂、更真实的下一阶段。
