关于ZAKER Skills GEO服务 合作
钛媒体 7分钟前

下跌周期中的 MinMax:早期投资者和闫俊杰的 AI 畅谈

文 | 数智奔流,作者 | 田渝,编辑 | 沈校

H3 发布两周后,外部开发者就在它的基础上做出了约 300 个新模型。

其中一个来自美国 AI 公司 fal.ai 的模型 H3 Max,经过二次训练后,已经能够在 3 秒内生成一段 5 秒的视频。

速度提升之后,开发者开始施展想象力。有人用它搭建了一个 24 小时的 AI 直播,直播什么内容,全看观众想看什么。

通常,新模型发布意味着研发成果交付了。但如果选择开源,新一轮创造才刚刚开始。模型交到开发者手里,就像打开一扇未知的门。有人继续训练,有人改造应用,也有人把它带进原本没有覆盖的场景。

对 MiniMax 来说,这比模型本身获得多少下载量更有意思。也是 MiniMax 创始人闫俊杰想要的结果。

11 月 3 日,Baillie Gifford 旗下 Scottish Mortgage 的官方播客《Invest in Progress》上线了对闫俊杰的专访。这是他第一次接受英文播客采访。与闫俊杰展开对话的,是 Scottish Mortgage 投资经理 Lawrence Burns。

Lawrence Burns 并不只是提问者,他所在的 Scottish Mortgage 本身就是 MiniMax 的投资者。

Lawrence Burns 透露,Scottish Mortgage 在 MiniMax IPO 时投入约 2000 万英镑。上市后股价大幅上涨,他们曾出售部分股份,累计回收约 4000 万英镑,目前仍保留约 2000 万英镑的持仓价值。

50 多分钟的对话中,有一个问题贯穿全程:为什么 MiniMax 选择了一条与不少美国 AI 公司不同的路,坚持开放模型?

创始人的答案,或许可以让不少人在下跌周期中保持对 Minimax 更清醒的认识。

闫俊杰介绍了 MiniMax 的产品布局,目前主要有两条模型产品线:M 系列面向语言理解、编程和 Agent 等生产力场景;H 系列以视频生成为核心,同时覆盖图像和音频。

不同的是路线,相同的是开源。MiniMax 为什么愿意开放?在闫俊杰看来,这是模型公司应该如何与外部世界建立关系的问题。

访谈中 Lawrence Burns 专门就开源与闭源模型的差异向闫俊杰提问。闫俊杰表示,开源能够成为商业化和创新的催化剂。对模型公司来说,开源能让模型进入更多人的工作和应用场景。

这也是 MiniMax 面对竞争时的一种选择。

当 Lawrence Burns 问到 MiniMax 如何与字节跳动、阿里巴巴等拥有大量资源的对手竞争时,闫俊杰再次提到了开源。

至少在视频生成领域,两家公司走了不同的路:字节跳动的 Seedance 选择闭源,MiniMax 选择开放 H3。

开源是 MiniMax 深入企业市场的一个重要抓手,企业和政府机构会更倾向于使用开源模型,因为只要仍通过第三方 API 调用,哪怕模型再强,数据也得流经外部服务。只有部署到自有基础设置,数据和隐私才能留在自己手里,模型还能按业务需求调整。

从这个角度看,模型公司和外部用户不单单是简单的买卖关系,公司提供模型底座,企业和开发者根据自己的需求使用、部署和调整模型,各自在生态中创造价值。

当然,开放模型和保留商业边界,MiniMax 都要。

以 H3 为例,官方开放了模型权重,但负责理解复杂多模态输入的 H3-Context-IR 还是通过托管服务提供。

H3 的 Community License 也对商业使用和授权地域作出了限制。比如,使用 H3 的商业产品年收入超过 2000 万美元,就需要另行获得 MiniMax 的书面授权。

开源战略必须面对的一环,就是处理技术出口和海外授权的问题。10 月 23 日,MiniMax 宣布已在中国商务部完成相关技术出口登记,涉及部分近期发布及未来发布模型的开源发布和海外授权。

闫俊杰甚至表示,MiniMax 计划一直开放模型,直到 AGI 实现。

这条路也有个前提,开放的模型必须足够好,而且要让开发者和企业用得起。开源生态能持续扩大的基础,是把模型做得更强的同时把运行成本降下来。

MiniMax 这个名字,表达了公司的目标:Minimise inference cost,Maximise the frontier of intelligence,尽可能降低推理成本,尽可能推高智能上限。

降低推理成本,是公司成立之初就确定的方向。闫俊杰表示,算力对中国 AI 公司来说一直是一种约束,MiniMax 从第一天起就知道,必须尽可能提高推理效率。

这条路线的形成,还得从 ChatGPT 说起。

2021 年 12 月 MiniMax 成立后,没有着急推出聊天机器人,它选择先搭建基础设施,训练语言模型以及图像、音频生成模型。Glow 是公司推出的第一个消费级产品,用户可以在里面与虚拟角色聊天。

闫俊杰说:" 我们想开发一款应用来测试并验证模型的性能。这就是我们推出 Glow 应用的原因。当时我们没想到会吸引这么多用户,但初衷只是做个实验,结果它就这么发展成了 Glow。"

Glow 上线四个月后,ChatGPT 正式上线了。ChatGPT 的出现彻底改变了闫俊杰对时间节奏的认知。之后,MiniMax 开始扩大基础设施、数据和模型规模。

闫俊杰回忆,在 ChatGPT 发布之前,中国当时只有 MiniMax 一家企业在做大语言模型;ChatGPT 发布后,很快就有大约 20 家公司进入这一领域。

从这个角度看,ChatGPT 改变了中国大模型行业的竞争节奏,原本还在探索阶段的技术路线,迅速变成一场需要资金、算力、人才和产品能力的竞赛。

可是,这场竞赛里,中美公司手里的筹码不一样。访谈中,Lawrence Burns 专门问到中美 AI 生态的差异。

闫俊杰概括出两者不同:美国 AI 生态正在建立由巨额资本支撑的封闭系统,中国 AI 生态建立的是一种由效率驱动的协作体系。

美国有丰富的算力、资本和芯片资源;中国公司必须提高单位算力的使用效率。中美 AI 生态将走向不同的技术和产品路线。

他在去年就表示,当时中国最好的模型,性能已经达到美国顶尖模型的 95%,但成本只有后者的十分之一。

不过,最后 5% 的差距比赶超前 95% 更困难。

对 MiniMax 来说,重要的是能否保持足够快的进步速度。闫俊杰认为过去三年中美模型的改进速度大致相当。

在具体技术上,闫俊杰提到,公司采用了不同的 Transformer 架构,从模型设计之初就考虑不同芯片之间的适配,希望模型不必过度依赖某一种硬件。

他把需要持续保持技术领先的方向归纳为三个:模型架构、基础设施和优化能力。

多模态也是 MiniMax 选择的一条不同路线。OpenAI 早期也曾投入较广泛的多模态方向,后来还是逐渐调整了布局。为什么 MiniMax 仍然愿意同时投入文本、图像、视频、音乐和语音?

闫俊杰说,在项目初期,大家不确定 MiniMax 最终会走向何种形式,所以就在多个方向上尝试,计划在技术积累到一定程度时再整合起来。闫俊杰希望,未来能够把最好的语言模型和视频生成模型整合到同一个系统中。

如果一开始只专注单一模态,或许初期进展会更快。但是,正是多模态的特性让 MiniMax 有了独特性,这就是 " 不把鸡蛋放在同一个篮子里 " 的道理。

技术路线之外,这种资源约束也影响了 MiniMax 的组织方式。

谈到 MiniMax 的企业文化,Lawrence Burns 概括为扁平化、专注且节俭。而且组织架构设计得十分灵活,不花高价从其他公司挖人,倾向于内部培养人才。

闫俊杰把这件事情看得很重要,企业文化源于计算能力和资本的限制。MiniMax 的员工只有 500 名,所以在研发工作中要保持两点原则:首要是力求简化,第二是始终重视基础设施建设。

基础设施建设有时比直接推出产品慢,但这是公司未来扩大规模的基础。哪怕同时研发不同模型,MiniMax 也希望尽量保持架构和基础设施的简洁。

10 月 19 日发布的 M3.1 Flash 就是这套效率思路在产品上的具体体现。

MiniMax 官方称,新模型的在线推理速度接近上一代的 3 倍,Agent 任务的整体使用成本降低了 70%。它重点覆盖编程、Computer Use 和网络安全等场景,日常使用的输出速度最高可达每秒 200 多个 Token。

模型运转的越快,成本就越低。闫俊杰对推理成本的期待,不止于让用户少花钱。效率战略的下一步,是把省下来的算力重新投入模型能力的提升。

访谈中,Lawrence Burns 专门解释了后训练(Post-training)的重要性。他把模型的训练过程分成两个阶段:预训练让模型通过大量数据获得知识,而后训练则是让模型反复尝试任务,在一次次实践中学习什么是有效的、什么是无效的。

过去几年,模型在编程和执行任务上的很多重要进步都来自后训练。后训练的过程不便宜,每一次尝试和验证都要消耗算力。

Lawrence Burns 比喻,两名高尔夫球手都需要不断练习,如果其中一个人购买练习球的成本远低于另一人,在相同预算下他就能练习更多次,自然有机会成为更好的球手。

MiniMax 就是那个能够以更低成本购买练习球的人。

闫俊杰认同,甚至提出,未来某个阶段,MiniMax 可能会拥有规模最大的后训练系统。

这条路也不是只有 MiniMax 一家在尝试。DeepSeek 的 V4.1-Flash 就采用新的非对称架构,在输入和输出阶段分别激活不同规模的参数,同时大幅压缩 KV Cache。相比上一代,V4.1-Flash 的 KV Cache 对 HBM 的需求降至四分之一,对 SSD 存储的需求降至八分之一。DeepSeek 还特别强调,新模型采用了更大规模的强化学习后训练。

11 月 11 日,MiniMax 又发布了开放权重的 H3-Image。官方专门介绍了后训练环节的优化,包括数据、强化学习、减少采样步数和部署优化。按照官方说法,整个后训练流程的改进共同提高了生成速度和图像质量。

后训练不单是简单地增加尝试次数,还有题出得好不好、判分准不准、模型能不能从错误里学到东西,都会影响结果。在未来道路上,MiniMax 都要从以上地方努力。

Lawrence Burns 直接问闫俊杰:MiniMax 目前仍然处于亏损状态,未来准备如何实现盈利?

闫俊杰回答,通过技术创新降低推理成本,既是 MiniMax 收入增长的护城河,也是未来利润的护城河。

MiniMax 已经形成以 API 为核心的商业模式,截至 2026 年 8 月,公司的 ARR 已经超过 8 亿美元,其中 B2B 业务占比超过 80%。

MiniMax 的收入结构正在发生变化,越来越多的企业和开发者开始直接购买模型能力。

8 月 26 日,MiniMax 公布 2026 年上半年业绩。公司实现收入 1.166 亿美元,同比增长 283.1%,已经超过 2025 年全年 7900 万美元的收入。

其中,开放平台及其他 AI 企业服务收入达到 7390 万美元,同比增长 703.1%,占总收入的 63.4%;AI 原生产品收入为 4260 万美元,同比增长 100.9%。

一年前,企业服务收入只占公司收入的 30.3%,到了 2026 年上半年已经超过六成。API 调用量增长、付费用户增加,以及企业客户对 Token Plan 的采用,是公司给出的主要增长原因。

闫俊杰所说的 API 商业模式,也正是在这个过程中逐渐成形。

2026 年上半年,公司毛利润达到 2080 万美元,同比增长 464.8%,毛利率从去年同期的 12.1% 提升至 17.9%。

但同期研发费用达到 2.969 亿美元,同比增长 138.8%;经调整净亏损为 2.93 亿美元,较去年同期的 1.387 亿美元进一步扩大。

今年 7 月,MiniMax 通过增发股份和发行可转换债券,计划合计融资约 20.5 亿美元,资金主要用于研发、商业化和业务扩张。

技术能力越往上走,投入的资金和算力也越多。

Lawrence Burns 觉得,MiniMax 要实现盈利,至少面临两项挑战。

第一是中国市场的价格竞争非常激烈,DeepSeek 等公司的存在,让模型厂商很难提高价格。

第二是保持在前沿模型的位置,成本还在持续上升。

更何况,DeepSeek、Anthropic 以及其他模型公司都在提高模型能力、优化推理效率,价格战不会因为某家公司更早重视成本就结束。

在资本市场,大家对 MiniMax 的态度也发生一轮变化。

2026 年 1 月 9 日,MiniMax 在港交所上市,发行价为 165 港元,上市首日收盘达到 345 港元,涨幅 109.1%。

到了 11 月 16 日,MiniMax 股价收于 124.9 港元,单日下跌 18.05%,较上市首日的收盘价回落约 63.8%。

这场访谈还有一个特殊之处,Lawrence Burns 并不只是提问者,他所在的 Scottish Mortgage 本身就是 MiniMax 的投资者。

Lawrence Burns 认为闫俊杰是一位优秀的 AI 科学家,同时也是出色的资本配置者。

他认为 MiniMax 没有美国 AI 实验室的资源条件,闫俊杰需要做的是缩小实验范围,减少技术上的押注。这种判断技术方向、合理分配研发资源的能力,正是 MiniMax 值得关注的地方。

Lawrence Burns 还明确表示,MiniMax 仍是一项早期投资,未来还有很多不确定性。

Lawrence Burns 问,如果 MiniMax 最终实现了自己的目标,世界会发生什么变化?

闫俊杰谈到,他期待的 AGI,不只是能够完成更多任务,还应该帮助人类发展新的理论,推动科学发现,让一些过去无法解决的问题有机会得到答案。

他特别喜欢 MiniMax 的一句话:不是 Intelligence for Everyone(让所有人都能使用智能),而是 Intelligence with Everyone(让所有人都能参与创造智能)。

原视频链接(内容有删减):https://www.youtube.com/watch?v=4co_FC8sUqE

相关阅读

最新评论

没有更多评论了

觉得文章不错,微信扫描分享好友

扫码分享

热门推荐

查看更多内容

企业资讯

查看更多内容