追求极致效率：避开算力军备竞赛
大家好，這裡是由 Best Partners，我是大飛。
「我們的模型性能達到了全球約 95% 的頂級模型，但推理成本只有它們的十分之一。」這是 MiniMax 創辦人嚴俊傑最近在一次播客訪談中所說的話。該播客的主辦單位是英國老牌投資信託公司蘇格蘭抵押公司，該公司也是參與 MiniMax 融資的機構之一。
我聽完了整個播客，還讀了幾篇中文分析文章。我最大的收穫不是 95% 和 10% 這幾個數字本身，而是隱藏在這些數字背後的整個運作邏輯。
在訪談中，閔曉楠明確表示：他不想在原始運算能力上與美國人競爭。從一開始他就知道這條路在中國行不通，所以他選擇了一條完全不同的路。那是什麼路線？這是為了最大限度地發揮每個 GPU 的表現；從他的個人背景中就能明顯看出這一點。
創辦人背景與早期算力體會
嚴俊傑出生於河南的一個小鎮。他的父親是當地的數學老師。他中學時就開始自學大學程度的數學和電腦科學，後來考入中國科學院自動化研究所攻讀研究生。
大約 20 年前，深度學習還是一個非常小眾的領域，但他當時已經確信，如果將這些方法擴展到足夠大的規模，人工智慧必然會變得更加強大。在攻讀博士學位期間，多倫多大學發表的 AlexNet 論文對他產生了巨大的影響。那是在 2012 年，當時深度學習首次在影像分類方面顯著優於傳統方法。
他當時做出了一個直接的決定：加入擁有最多 GPU 的公司。2014 年，百度是他的首選，因為它擁有全球最大的 GPU 叢集。
他加入時，研究氣氛非常開放。身為實習生，在高峰期，他可以獨自調動百度三分之一的 GPU。他利用這種運算能力進行影像分類和目標偵測研究，並與另一名實習生合作參加了 ImageNet 競賽，獲得了全球第三名。那是他第一次親身感受到運算能力如何改變研究速度。
後來，他加入商湯科技六年多，一路晉升為副總裁兼研究院副院長。2021 年底，他離開商湯科技，創立了 MiniMax。
創立 MiniMax 與 AGI 定義
公司成立時，GPT 還沒有發布。他知道通用人工智慧很重要，但他不確定這需要多長時間。
在成立的第一年，MiniMax 主要專注於建立用於訓練語言模型、影像生成模型和音訊生成模型等的基礎設施。為了測試其模型的有效性，他們還創建了一個名為 Glow 的虛擬伴侶產品。因此，用戶群成長非常迅速；最初只是一個實驗性產品，最終卻吸引了數百萬用戶。
四個月後，OpenAI 發布了 GPT-4。髕在一次訪談中表示，GPT-4 完全改變了他們對時間表的判斷。他原本以為人工智慧的擴展速度會慢得多，但現在看來並非如此，他們必須立即加快所有進程。MiniMax 開始增加計算設施，擴展數據，並擴大模型規模。
與此同時，競爭也突然出現；在 ChatGPT 發布之前，中國很少有創業公司認真研究大型模型，但此後不久，出現了大約 20 家公司，加上字節跳動、阿里巴巴和百度等巨頭及其各自的計劃，突然間，MiniMax 被擠到了一張更加擁擠的桌子上。因此，問題變得非常現實：在運算能力不如競爭對手的內部情況下，他們還能保持領先地位嗎？
嚴俊傑給的答案非常簡單：效率。
美國頂尖實驗室可以同時運行數十種技術路線，並選擇性能最佳的路線。MiniMax 的 GPU 數量不多；他提到公司目前約有 500 名員工。與資金雄厚的美國實驗室相比，MiniMax 必須將精力集中在成功機率更高的研究方向上；他們承擔不起盲目試驗的後果。因此，他們已在模型架構和訓練基礎設施方面投入巨資，以實現長期發展。這些努力不會立即轉化為新產品，但一旦訓練規模擴大，模型調度、資料處理和 GPU 利用率都依賴這些底層系統來維持運作。如果基礎設施建設不完善，即使是新購買的晶片也可能在一段時間內處於閒置狀態。
他很早就做了一件事：他將公司的發展方向直接融入了公司名稱「MiniMax」中——即最小化成本並最大化智能，這意味著將推理成本降至最低，將智能水平提升至最高。
閔在播客中表示，在大型模型和通用人工智慧成為主流概念之前，MiniMax 已經是中國第一家本土通用人工智慧公司。那麼，MiniMax 對 AGI 的定義是什麼？他說，關鍵不在於能否聊天或寫文章，而是人工智慧能否自主提出新的科學理論。未來重大科學突破將主要依賴人工智慧。因此，能否推動科學前沿發展是他評判通用人工智慧的標準。
產品佈局：走向多模態整合
在產品佈局方面，MiniMax 從一開始就選擇了多模式路線；後來證明，這項決定具有前瞻性，儘管當時實際上點迫不得已，因為在公司成立初期，他們不確定最終的人工智慧會採取什麼形式，所以他們向各個方向擴張，等待技術成熟後再進行合併。
現在，他們的產品已經整合到兩大產品系列中：
- 首先是 M 系列語言模型，面向編碼和 AI 代理等生產力場景；
- 第二款是 H 系列視訊生成模型，能夠對視訊、影像和音訊進行跨模態處理。
H3 是他們的旗艦型號，現在已開源；上個月，它是全球下載量最高的開源重量模型，下載量約為 2500 萬次。他表示，這兩個系列不會永遠分開。計劃是先分別擴展這些模型，然後在接下來的幾個月將它們合併成一個統一的大型模型。
SOTIMG 的投資經理 Lawrence Burns 在播客的後半部分專門分析了這個統一模型的價值。他說，目前的影片模型實際上偶有限制：它們雖然不錯，但卻無法理解編輯指令。
例如，如果你告訴它“剪掉中間部分，改變結尾，並將色調調暖”，它目前還無法做到。他們擅長從零開始製作影片片段，但很難理解剪輯行為背後的意圖和語言。這需要語言模式具備理解能力。反過來也是一樣：語言模型可以理解編輯的回饋，但它們自己卻無法拍攝影片。
如果 MiniMax 能夠將這兩者深度整合，人工智慧能力的邊界將會改變；它不再只是產生五秒鐘的短片，而是能夠處理完整的創意簡報、短片，甚至是設計項目，管理從理解需求到執行的整個過程。伯恩斯表示，一旦人工智慧達到這個階段，顧客願意支付的金額將不再以片段計算，而是以整個項目計算。
商業模式與財務現況
關於商業模式，嚴靜直言不諱：人工智慧公司的利潤不是來自於提價，而是來自於利用技術創新來降低推理成本。低推理成本既是他們創造收入的護城河，也是他們實現利潤的護城河；這種效率使他們能夠推行 API 驅動的商業模式，而不是依賴一次性交易。
今年的營收成長確實很快；截至 8 月，ARR 超過 8 億美元，其中 B2B 業務佔比超過 80%，儘管該公司仍處於虧損狀態。2026 年上半年的實際收入為 1.166 億美元，年成長超過 300%，但調整後的淨虧損為 9,300 萬美元，約為同期收入的 2.5 至 3 倍。研發投入不斷增加，運算能力採購也持續進行；2025 年 7 月，他們又籌集了 20 億美元，專門用於跟上前沿模型的步伐。
此外，中國模型車市場的價格戰仍在持續。DeepSeek、阿里巴巴和位元組跳動都有各自的商業模式和產品。即使 MiniMax 削減了成本，他們仍然面臨競爭對手降低價格的局面，因此顏俊傑表示，收入成長必須超過成本成長——這就是理想的道路。
後訓練與高爾夫球的比喻
文斯舉了一個高爾夫球的例子，我覺得特別好。他表示，人工智慧模型訓練分為兩個步驟：
- 第一步是消化大量資料以獲得知識，稱為預訓練；
- 第二個階段是訓練後階段，模型會反覆練習，嘗試完成一項任務，檢查結果是否良好，然後進行調整。
在過去兩年中，從編寫程式碼到執行任務，模型的所有重大飛躍都來自訓練後階段。而且這種練習過程非常昂貴，因為每次模型練習時都必須呼叫它，而每次呼叫都會產生推理費用鏈。
為了提高水平，如果一個人的練習球價格便宜得多，那麼在預算相同的內部情況下，他就可以購買更多的球，進行更多的練習，自然進步更快。MiniMax 希望成為提供廉價練習球的公司。
較低的推理成本不僅可以降低 API 的成本，還可以讓模型自行進行更多訓練後會話。由於強化學習和訓練後的資料合成依賴推理，因此更便宜的推理意味著更大規模的訓練後處理。Junjie 表示，在未來的某個時候，MiniMax 或許能夠建構世界上最大的後訓練系統，這可能會帶來前沿智慧。
開源策略與生態創新
開源是 MiniMax 的另一個獨特選擇。像 OpenAI 和 Anthropic 這樣的美國公司將其模型封閉起來，向用戶收取存取費用，同時扣留權重，因此用戶無法在自己的設備上運行它們。
MiniMax 公佈了其模型體重。海洛-3 發布僅兩週後，就出現了約 300 個衍生開放模型，其中比較知名的是美國 A-H 3 公司推出的「H3Max」。在海羅 3 號的基礎上，他們進行了快速的後訓練，在 3 秒內生成 5 秒的視頻，使其成為一個實時視頻生成器。
速度提升後，一些全新的應用場景就會出現。例如，開發人員已經建立了全天候不間斷的 AI 直播串流，視訊內容根據觀眾的輸入即時產生。文斯表示，這種即時視訊的想像潛力是巨大的。即時遊戲、互動教育和線上交易——以前不可能的事情現在都成為可能了。
開源還有另一層好處：企業和政府客戶可以自行部署和託管模型，而無需將資料傳送給 MiniMax，更容易控制隱私和安全。
過去六個月來，人工智慧主權問題變得越來越重要。如果你的一家企業採用集中式模式，你真的能指望長期持續訪問嗎？您的資料究竟會如何處理？這些顧慮使得開源模型具有天然優勢。
嚴雲傑表示，開源不是商業化的對立面，而是商業化的催化劑，也是持續創新的催化劑；這對模型供應商、最終用戶和開發人員來說是三贏。該計劃旨在持續致力於開源，直至實現通用人工智慧（AGI）。
核心目標是以 1% 的成本實現 95% 的效能。嚴雲傑提醒說，真正重要的不是某個特定時間點的差距，而是模型迭代的速度，因為中國和美國在邁向通用人工智慧的道路上仍處於非常早期的階段。他指出，最後這 5% 的差距可能比最初 95% 的進展更難彌合。因此，彌合目前的差距可能需要更多時間；過去三年，美國和中國車型的發展速度大致相當，他更關注迭代速度而不是排行榜排名。
算力限制下的工程創新與中美差異
關於運算能力限制的問題，他表示這是中國人工智慧公司必須共同面對的問題，但正是這些限制使他們成為了更優秀的工程師和研究人員。運算能力越有限，演算法創新和推理最佳化就越重要。
許多美國頂尖實驗室因為擁有充足的運算資源而變得有些得意忘形，這使得它們能夠大規模地探索模型能力的邊界，而無需像中國公司那樣從一開始就被迫優先考慮效率。
髕還表示，他設計該模型架構的目的是使其無論運行在何種晶片上都能保持優異的性能。當硬體資源有限時，模型架構、基礎設施和底層最佳化的價值會被放大很多倍。
對於中美人工智慧生態系統的差異，閔的判斷很明確：它們不會走同一條路。
美國生態系統利用巨額資本支持封閉系統，而中國生態系統則利用效率支持合作。美國公司擁有更多的運算能力、更多的資金和更容易取得晶片，而中國公司則被迫最大限度地提高單位運算能力的輸出效率。開源與閉源、高效率與資源豐富——這些根本差異將孕育不同類型的創新。
投資人視角：Scottish Mortgage 投資邏輯
為什麼要投資 01.AI？文斯總結了三個原因：
- 第一個目標是以 1% 的成本實現 95% 的性能，以及背後追求效率的文化。他說，2025 年 12 月他第一次見到髕雲傑時，他對中國人工智慧生態系統正在發生的事情感到非常好奇。他認為這種低成本模式在全球範圍內都具有價值。並非所有工作都需要最先進的模型，也不是每個用戶或公司都像西方國家那樣富有，能夠承擔如此高的成本。
- 其次是顏俊傑本人。伯恩斯說，他很少遇到既是備受尊敬的人工智慧科學家又是優秀的資本配置者的人。人工智慧實驗室，尤其是美國的那些實驗室，將投入大量資金同時運行數十條實驗路徑，以看看哪條路徑能夠成功。但髕的過人之處在於他能夠成功地縮小實驗數量，專注於更少的選擇，花費更少的錢，卻仍然取得巨大的成果。伯恩斯表示，他與許多與閔曉楠共事多年的中國人工智慧圈人士交談過，大家一致認為他預測技術趨勢的能力是其核心優勢，而他作為科學家的聲譽也幫助他吸引了頂尖的人工智慧人才。在人工智慧領域，人才和運算能力一樣稀缺且昂貴。
- 第三點是伯恩斯的基本評估：人工智慧在美國和中國的生態系統中都在快速發展，如果你只看一個地方，就很難判斷人工智慧的發展方向。
2026 年初，他們參與了 MiniMax 的 IPO，初始投資額約為 2000 萬英鎊。IPO 之後，該股票表現良好，他們已經套現了 4000 萬英鎊，在繼續持有股票的情況下，有效地使其初始投資翻了一番。他稱之為經典的非對稱賭注。
市場規模夠大；只要 MiniMax 能成功完成其使命，就不會缺少買家。然而，競爭和獲利能力確實是挑戰——價格戰十分激烈，像字節跳動這樣的巨頭都在降價，而且維護模型的成本也在上升，目前的虧損額約為收入的三倍。他表示，這是早期投資的正常狀態：結果可能非常好，但也存在很大的不確定性，因此 MiniMax 在整個投資組合中的權重不會太大。
組織文化與最終願景
關於組織文化，顏俊傑將 MiniMax 的原則總結為兩點：
- 第一，保持簡單；儘管存在多模式模型，但其底層架構和基礎設施仍然非常精簡。
- 第二，一定要做好基礎建設。完善基礎設施有時比快速推出產品更重要，因為它是規模化發展的基礎。
其他特徵，如扁平化的結構、效率和專注，都只是這兩個原則在限制下自然演化的結果。
最後，當被問及 MiniMax 實現其願景後世界會是什麼樣子時，顏俊傑表示，問題不在於人工智慧能否實現，而在於誰會從中受益。人工智慧非常重要，它不應該屬於任何一家公司、國家或組織；它必須屬於全人類。他說，公司的使命宣言是“與人共享智能”，而不是“為人人提供智能”，彷彿智能是他們向所有人提供的東西。在他看來，通用人工智慧應該屬於該模型的使用者、在其基礎上建立應用程式的開發者以及為其做出貢獻的研究人員；它們共同決定了該模型最終會變成什麼樣的系統。
看完這次採訪，我最大的收穫是嚴靜向我們展示了一條與矽谷主流模式完全不同的 AI 發展之路。矽谷的故事是關於更多的運算能力、更多的資金和訓練更大的模型，而馬克斯的故事是關於用更少的資源做更有效率的事情。很難說誰會在這條路上取得成功，但有一點是肯定的：全球人工智慧競賽不僅發生在矽谷。
你認為中國人工智慧公司這種以效率為先的方法最終能否趕上甚至超越它們？請在評論區告訴我。