[控场AI]
· 5 分钟阅读· 2,680 字

DeepSeek视觉负责人张博开源Linger:千亿融资后的出走与智能体新战事

DeepSeek视觉负责人张博开源Linger:千亿融资后的出走与智能体新战事

DeepSeek千亿融资后核心科学家张博离职,推出开源电脑端智能体Linger,与云端API路线形成分野。

DeepSeek完成1055亿元第二轮融资仅三天,其视觉语言模型项目负责人张博便官宣新公司及开源产品Linger——一款专攻电脑端的个人智能体,不做手机App。张博履历亮眼,曾参与VQ Diffusion与Rodin数字人工作,2023年加入DeepSeek并负责VL项目。Linger主张将智能拉回本地设备,接入第三方模型并优化本地大模型运行,据称12G显存RTX 3060可跑125B参数模型、每秒45.5个token。与此同时,DeepSeek已有多位核心成员流向小米、腾讯、字节等大厂,涉及基座模型、推理、OCR、多模态多条主线。文章由此引出开源本地智能体与云端按token计费两种路线的理念之争,并指出留住科学家靠的是方向认同而非估值。

千亿融资刚落袋,核心科学家却官宣单干

据B站UP主“36克”在视频中披露,DeepSeek广告第二轮融资刚完成工商变更,31家出资方进入梁文峰搭建的持股平台,涉及金额达1055亿元。然而就在融资消息落地三天后,前DeepSeek视觉语言模型项目负责人张博公开了自己的新公司与新产品——Linger,一款开源的电脑端个人智能体。

张博教育背景介绍

这个时间点的巧合,让外界很难不把两件事放在一起解读。一边是千亿现金到账、军心看似稳定;另一边是核心项目负责人选择出走创业。张博并非边缘角色:浙江大学本科、香港科技大学博士,曾在微软亚洲研究院工作,是VQ Diffusion与Rodin数字人的作者,2023年加入DeepSeek后,参与了第一代大模型V1的研发,并担任DeepSeek VL项目负责人。这样的履历,足以让他的离开成为一个信号。

VQ Diffusion(Vector Quantized Diffusion) 是一类将扩散模型与向量量化结合的生成模型,主要用于高质量图像生成。其核心思想是先用 VQ-VAE 把图像编码到离散的潜空间,再在离散 token 上做扩散过程,从而兼顾生成质量与采样效率。张博是该模型的作者之一,相关工作发表于 2022 年前后,在图像生成领域有一定影响力。

Rodin(Digital Human) 是张博参与的另一项工作,聚焦于数字人(digital human)的生成与建模,通常涉及三维人体重建、表情驱动或神经渲染等技术。这两项工作都体现了张博在生成式视觉与多模态方向上的积累,也解释了为何他能在 DeepSeek 担任视觉语言模型(VL)项目负责人。

Linger的产品逻辑:不做手机App,只做电脑端

张博对Linger的定位非常明确:开源的个人智能体,专攻电脑端,不做手机App。他在官宣中的表述颇具锋芒——上世纪60年代计算是中心化的,直到个人电脑把权力交到每个人手上;而现在人工智能在数据中心里训练,然后按token租给你。

张博关于电脑端智能体的表述

这套思路的落点很具体:你电脑里现成的网页、邮箱、日历,不需要重新配置一堆登录凭据,Linger作为中间层随时接管。它接各种第三方模型,同时专门为本地大模型做了优化。据视频内容,一块12G显存的RTX 3060就能跑起125B参数的QN模型,每秒45.5个token——这个数字放在本地电脑上已经不算丢人。更关键的是整套系统开源,用张博的话说,算力和模型不必租,可以搬回你自己的机器上。

这个逻辑正好顶在DeepSeek刚开闸的API生意模型上。当头部公司把智能包装成按token计费的云服务,张博选择把智能拉回本地、拉回个人设备,这既是产品路线之争,也是理念之争。

智能体(Agent) 指能够感知环境、自主规划并调用工具完成多步任务的 AI 系统。与单轮问答不同,智能体通常具备记忆、工具调用(如浏览器、邮件、日历 API)和任务分解能力。个人智能体(personal agent)则强调以个人设备为中心,处理用户日常事务,数据与执行都在本地或受控环境中完成。云端智能体按 token 计费、依赖远程 API,而本地智能体则把模型推理放在用户机器上,隐私与可控性更强,但对硬件算力有要求。Linger 正是本地个人智能体的典型代表。

人才流失不是孤例:DeepSeek的出走名单

张博的离开并非孤例。据B站视频梳理,DeepSeek已有多位核心成员流向大厂:罗福利去了小米带MIMO,王炳轩去了腾讯,郭达亚进入字节SEED担任智能体负责人。视频提到,某技术报告近300人的研发名单里,有10个人的名字后面标注了“已离职”,横跨基座模型、推理、OCR、多模态四条主线。

罗福利加入小米带MIMO

郭达亚的离职理由尤其值得玩味:他看好智能体方向,但该方向在DeepSeek内部优先级不高,而字节愿意砸资源让他专门做。直到今年10月,DeepSeek才成立产品部,把Harness、Web、App、Platform四个团队合并,交给量化出身的崔天逸负责。补票的时候,最想开这艘船的人已经在另一条船上了。

DeepSeek组建产品部

澎湃一篇稿件的标题被视频作者称为“很妙”——“DeepSeek无人创业,梁文峰终于留住了人”。融资确实稳住了军心,大半年没再听到核心成员出走。但张博这一枪提醒所有人:留住人不靠估值,靠的是让他做他相信的事。这家公司不打卡、不加班、没有明确绩效,梁文峰的逻辑是一个人一天能——视频到此戛然而止,但意思已经很清楚:组织自由度不等于方向认同。

开源智能体与云端API:两条路线的分野

Linger的出现,把一个问题摆到了台面上:个人智能体的未来,是长在云端的按量付费服务,还是长在每个人电脑里的开源软件?

张博的选择是后者。开源意味着用户可以自己掌控模型与算力,不必把数据和行为托付给远程API;本地优化意味着门槛在降低,消费级显卡就能跑起可观参数的模型。这对习惯用云服务解决一切的叙事,是一次反向下注。

当然,这条路也有明显挑战:本地模型的性能上限、多模型调度的稳定性、开源项目的商业化路径,都是Linger需要回答的问题。而DeepSeek一侧,产品部的成立说明它也在补智能体这一课。两边如今站在同一条赛道的不同入口,一个从云端往下走,一个从本地往上走。

张博的出走与Linger的开源,或许不会立刻改变格局,但它清晰地标记了一件事:当头部公司用融资和估值留住人时,真正让科学家留下的,是方向本身。

开源智能体 通常指模型权重、推理框架与工具调用逻辑对公众开放,用户可以自行部署、修改和审计。其优势在于数据不出本地、可定制、无按量计费;挑战在于本地模型性能往往落后于云端旗舰模型,且多模型调度、工具生态维护和商业可持续性需要额外投入。云端 API 模式 则由厂商托管模型,按 token 或调用次数计费,用户无需关心算力与运维,但数据需上传、成本随用量增长。两条路线并非完全互斥,许多开源智能体也支持接入云端模型作为补充。

分享:

相关推荐