MiniMax闫俊杰对话BG：中国模型效率优势与5%差距
“算力是我们的制约之一。这些限制也让我们成为了更好的工程师和研究者”。 作者: Koji 整理：十字路口 排版: NCon最近我听了一场播客，Baillie Gifford（BG）合伙人 Lawrence Burns、 投资总监 Claire Shaw 和 MiniMax 创始人闫俊杰（IO）的对话。BG 是一家有1
作者 Koji，整理 十字路口，排版 NCon。
近日我收听了 Baillie Gifford（BG）合伙人 Lawrence Burns、投资总监 Claire Shaw 与 
MiniMax 创始人闫俊杰（IO）的一场播客对谈。
BG 是英国一家长线基金，历史 118 年，1908 年成立。亚马逊它拿了超过 20 年，这期间亚马逊至少有 6 次股价跌幅超过 30%，BG 都陪它熬了过来。特斯拉和腾讯，也是它早早看中、长期持有的案例。
去年年底 MiniMax 在香港 IPO，这家老牌机构认购了股份，初始投入约 2000 万英镑。一年之后，BG 在自己的播客《Invest in Progress》中请来 IO，聊了一个多小时。
MiniMax 创始人闫俊杰做客《Invest in Progress》
这是 IO 第一次用英文录播客，也是中国模型公司一号位近半年仅有的一次播客专访。
今年 7 月，IO 表态：在实现 AGI 之前，他不再从公司领任何薪酬，还拿出个人名下相当于公司总股本4%的股份，用于团队激励。刚过去的这一个月，他的时间几乎全投在下一代模型 M3 Pro 上。
BG 是 Anthropic 的持有者，对中国大模型也长期看好。播客里他们讲了自己的判断：中国 AI 的发展路径可能和以往的技术浪潮不一样，只要中国大模型公司的增长飞轮还在持续转，BG 就会坚定持有。
👨🦱 Lawrence
去年12月我去拜访你，当时你说，中国最好的模型性能比美国顶尖模型落后约 5%，成本却只有后者的十分之一。一年过去了，这个差距变了没有？
👨🏻💼 闫俊杰 IO
美国模型也好，中国模型也好，离 AGI 都还差得远。
最后这5%的差距，追起来可能比前面那95%还难。所以要缩小眼下的差距，恐怕还得花些时间。
算力是中国 AI 公司的制约之一。不过这些限制，反倒把我们逼成了更好的工程师和研究者。
所以从第一天起我们就清楚，推理效率必须尽量往上提，让每一份算力都派上更大用场。我们在模型架构和基础设施上的创新，也是被这一点推着走的。
除了芯片本身，我们还相信，算力用得越高效，后训练就能做得越多，模型能力也能再往上走一步。
👨🦱 Lawrence
能不能这么理解：美国很多前沿实验室算力充裕，某种程度上被“惯坏了”，于是走了另一条路？而 MiniMax 和不少中国 AI 实验室，从第一天起就不得不把效率看得极重。
👨🏻💼 闫俊杰 IO
国内几家做得靠前的前沿实验室，没有一个不盯着效率，只是各自选的路径不一样。
在我们看来，智能本身就包含效率这回事。
👨🦱 Lawrence
那 MiniMax 能长期赚钱，你的底气从哪儿来？
👨🏻💼 闫俊杰 IO
推理成本压得低，这就是我们在利润和收入上的护城河。
效率做到这个程度，API 业务就能撑起一套能持续运转的商业模式，不用靠一锤子买卖。
👨🦱 Lawrence
多模态很早就被 MiniMax 定为核心战略。反观 ChatGPT，多模态布局明显收了。为什么不集中火力做一两件事？你凭什么认定这条路是对的？
👨🏻💼 闫俊杰 IO
MiniMax 刚起步那会儿，AI 最后会长成什么样，我们心里也没数。于是几个方向同时铺开做大规模，想着等技术攒够了，再把它们捏到一起。
多模态能给的数据更丰富，在我看来，往后要继续把规模做大，这一步绕不过去。它也是我们跟别的公司不一样的地方。当然，挑战也跟着多了。
产品这块我们有好几款，眼下主要围着两个模型系列转。
头一个是 M 系列，属于大语言模型，主打智能和生产力，编程、智能体这些场景是它的用武之地。
另一个是 H 系列，做视频生成，视频、图像、音频都管。这个系列目前的旗舰是 H3，开源，用户既可以调 API、下载模型权重，也能通过 MiniMax Design 这款产品来用它。
我印象里，H3 已经是全球下载量最高的开放权重模型之一，下载次数大概有 2500 万次。
这两个领域在我们看来不会一直各走各的。两个系列都开源，下一步是各自继续把规模做大，然后并成一个统一的模型。
👨🦱 Lawrence
开源模型在国内更常见，这也是中美 AI 发展的一大差别。开放模型和闭源模型，各自的好处和短板你怎么看？
👨🏻💼 闫俊杰 IO
开源和商业化，我觉得不打架。它反而能帮着把商业化做起来，也能带动更多创新。
拿 MiniMax H3 来说，发布后头三周，基于它做出来的开放模型就冒出来大约 300 个。这种反馈来回转起来，对模型持续创新最有利。
美国公司fal.ai做出的H3 Max算是其中名气较大的一个。团队在H3基础上做了后训练，把生成速度大幅拉高——5秒视频3秒就能出，差不多等于实时生成。速度上来以后，视频的用法也变了。有开发者已经搭起全天24小时不打烊的AI直播，观众想看什么，画面就实时生成什么。
再一个好处是，客户可以把开源模型拿过去自己部署，数据和隐私握在自己手里。闫俊杰的判断是，开源这件事，模型公司、用户、开发者三方都能拿到好处。他也表态，公司会一直把AI模型开源下去，直到AGI实现。
👨🦱 Lawrence
MiniMax 的文化讲的是“扁平、专注和注重效率”。这些文化里有多少是被资源逼出来的？面对限制，公司文化又是怎么长起来的？
👨🏻💼 闫俊杰 IO
我们其实只有500多人，所以必须专注于真正重要的事情。
在研发中，我们有两个核心的原则。
第一，尽量把事情做简单。虽然我们做不同的模型，但架构和基础设施都尽量保持简单。
第二，坚持建设基础设施。我认为这也是我们的不同之处。比起快速推出产品，建设基础设施有时会慢一些，但这是扩大规模的基础。
公司创办的第一年，我们只知道要追求AGI，时间表并不清楚。那一年主要精力放在搭基础设施上，训练了最初版本的语言模型、图像和音频生成模型。
大约四个月后，ChatGPT 面世。它改变了我们对AI发展速度的判断。我们意识到，必须以远超原先预期的速度，把规模做得更大。于是，我们开始扩大基础设施、数据和模型的规模。
资源有限，我们的做法一直是把事做简单、持续建基础设施。资本效率、组织效率这些特点，说到底都是这两条原则带来的结果。
👨🦱 Lawrence
MiniMax 想解决的问题是什么？
👨🏻💼 闫俊杰 IO
我们想解决的问题很简单。公司名字也说明了这一点。
MiniMax：尽可能降低推理成本，尽可能提升智能的边界，让每个人都能从中受益。
在大语言模型或 AGI 的概念流行前，我们就相信，智能不应该只让少数人受益，它应该由所有人共享。
👨🦱 Lawrence
你相信，开源模型能让更多人和组织用上 AI，而不必依赖某一家公司持续提供模型，这是你看重的吗？
👨🏻💼 闫俊杰 IO
没错，这也正是我始终把这件事做下去的理由。
AGI 的分量太重，不该由哪一家企业、哪一个国家或者哪一个组织独占。它得归我们所有人。
我们喊出的口号是“Intelligence with Everyone”，也就是与所有人共同拥有智能；不是“Intelligence for Everyone”，不是替所有人把智能提供出来。
在我看来，智能属于每一个人。
播客里，主持人 Claire Shaw 问 Lawrence Burns 一个跟商业模式有关的问题：MiniMax 是怎么把限制转成优势的？
她接着问，IO 说他们要保持低成本，好让 MiniMax 在模型初步训练完成后还能投更多资源继续改进，这一点对 Lawrence 的投资判断来说有多重要？
Lawrence Burns 回答，这非常关键。“MiniMax 就像那个练球更便宜的球手，同样的预算可以支持更多练习”。
他解释，AI 模型先靠训练消化大量数据，随后进入“后训练”阶段，反复试任务、摸索哪些办法管用。过去几年，多数重大进步都出自后训练，比如模型写代码、执行任务的能力。这个“练习”阶段花钱很多，每练一次都等于向模型提问，都会产生成本。
他拿高尔夫打比方。两名球手都能靠练习长进，可其中一人买练习球的价钱比另一人低得多。别的条件一样，练习球更便宜的那位能练得更多，往往也会成为更好的球手。
低成本贯穿 MiniMax 的所有工作。
成本理念已经写进这家公司的基因里。
MiniMax 起步于资源相对有限的环境，公司创办时 IO 就强调，要让每一小时算力干出更多有价值的事，让芯片一直高效转起来——成本被它摆在了模型设计的核心位置。
另外，美国的实验室在正式训练模型之前就先砸大笔钱做实验，MiniMax 不走这条路：它把实验范围收窄、挑更准的方向，在提升资本效率的同时拿到商业化结果。
BG 认为，“低成本”这套做事办法给 MiniMax 带来了结构性优势，这种优势也许比他们当初认识到的还更深。
市场是确定的，挑战也照样摆在那里。
国内市场价格竞争极其激烈，紧跟技术前沿的成本也在不断往上走，IO 说的“能用十分之一的成本，干到头部模型95%的性能”这一优势能不能守住？我们拭目以待。
