Liang si è impegnato fermamente a mantenere open source i modelli più avanzati di DeepSeek, sostenendo che lo sviluppo open source e la commercializzazione non si escludono a vicenda . Ha descritto l'open source come una "cessione di profitto" — un compromesso deliberato che produce benefici interni (orgoglio dei dipendenti, coesione aziendale) ed esterni (la comunità IA più ampia ne trae vantaggio) . Ha rifiutato esplicitamente l'ipotesi di passare a un modello closed source, affermando che la moderazione stessa è una strategia per massimizzare la probabilità di raggiungere l'AGI .
Liang ha dichiarato che l'unica visione a lungo termine di DeepSeek è l'AGI (Intelligenza Generale Artificiale) — non la creazione di una piattaforma per i consumatori, una super app o la massimizzazione dei ricavi a breve termine . Ha delineato una roadmap tecnica a tappe:
Ha escluso esplicitamente investimenti in generazione 3D, generazione video o modelli del mondo, considerandoli distrazioni dal percorso verso l'AGI .
Liang ha rifiutato la massimizzazione del profitto in stile monopolistico. La sua filosofia sui prezzi delle API è semplice: fissare il prezzo per recuperare i costi hardware in circa dieci mesi — un profitto ragionevole, non massimizzato . Ha notato che la domanda in questa fascia di prezzo è anelastica — anche raddoppiando il prezzo, il consumo di token non diminuirebbe in modo significativo — ma ha scelto di non farlo . Quando DeepSeek ha ridotto il prezzo di un modello a un quarto, il team ha festeggiato; l'accessibilità economica era l'obiettivo stesso .
Sul monopolio, ha detto che l'azienda non combatte per il traffico dei consumatori, non insegue le mode del mercato B2B e non cerca di dominare nessun settore verticale . Il suo argomento chiave: "Più sei moderato, più è probabile che tu abbia successo" . L'unico monopolio che gli interessa è quello che conta per il progresso dell'AGI — l'accesso alla potenza di calcolo, che ha definito il vincolo più grande di DeepSeek, sottolineando che operano con circa 1/20 della potenza di calcolo dei laboratori di frontiera americani, con circa 20.000 GPU equivalenti a H100, e sono in ritardo di 12-18 mesi rispetto agli Stati Uniti .