MiniMax闫俊杰谈中美AI差异：美国砸钱堆算力，中国靠工程效率追赶
（文/汤普济 编辑/吕栋）全球科技巨头仍在不断加码AI算力投资，中国大模型企业则在探索另一种竞争方式。当先进芯片和计算资源相对受限时，能否通过技术创新和工程优化，让每单位算力创造更多智能，并以更低成本提供模型服务？近日，MiniMax创始人、董事长兼CEO闫俊杰在接受英国投资信托Scottish Mortgage旗下播
全球科技巨头在AI算力上的投入还在加码，中国大模型公司却在试另一条路：先进芯片和计算资源相对吃紧的时候，能不能靠技术创新和工程优化，让每单位算力产出更多智能，同时把模型服务的成本压得更低？
近日，
MiniMax创始人、董事长兼CEO闫俊杰接受了英国投资信托Scottish Mortgage旗下播客《Invest in Progress》的采访，聊到中国AI企业在资源受限条件下形成的技术路线。
“我们想解决的问题其实很简单：最大限度地降低推理成本，同时让每个人都能够享受到最前沿的智能。”
闫俊杰说，MiniMax这个名字本身就装着公司的目标：Mini指把推理成本压到尽可能低，Max指把智能水平提到尽可能高。在他看来，算力约束不只是要迈过去的坎，某种程度上也塑造了中国AI公司的研发方式。“这种约束也让我们成为了更优秀的工程师和研究人员。”
不过，AI虽然还是市场追逐的热点，MINIMAX的股价却大幅下挫，从1330港元/股跌到目前的156港元/股，市值只剩549亿港元。
算力投入的差距，正在被工程效率追赶
闫俊杰把中美AI产业的差别归为两种发展模式。“美国的AI生态正在建立由巨额资本支撑的封闭系统，而中国的AI生态则正在建立一种由效率驱动的协作体系。”他判断，这两种生态不会走同一条路。
差异首先落在资源投入上。但在模型能力上，投入规模的差距并没有完全变成性能差距。截至2026年3月，Arena Elo评价体系里，美国领先模型得分1503分，中国最高分模型为1464分。斯坦福报告把两者的性能差距概括为2.7%。自2025年以来，中美模型还多次互换领先位置。
中国模型能在资源投入悬殊的情况下追上来，和技术架构、工程优化分不开。
DeepSeek用混合专家（MoE）架构，减少每个Token实际参与计算的参数量；智谱把线性注意力与稀疏注意力结合，压低长上下文处理的计算开销；月之暗面则靠注意力机制和稀疏专家架构提升计算效率。
各家企业选的技术路径不一样，目标却相当一致：砍掉不必要的计算，让有限的算力更多用在提升模型能力上。
闫俊杰也把这套思路带进了MiniMax的研发体系。据他介绍，公司在Transformer架构和后训练基础设施上做了不同设计，并且从模型架构设计之初就考虑模型在不同芯片上的运行表现，而不是完全依赖某一种硬件。
他把公司的研发原则归纳为两点：尽可能简化模型架构和基础设施，以及持续投入基础设施建设。后一件事短期内可能不如频繁推出产品见效快，但决定了企业能不能长期扩大研发规模。
推理成本下降，后训练才有更大空间
降低推理成本，意义不只是让用户少花钱用模型，还在于给模型自身的能力提升腾出更多计算资源。大模型完成预训练后，还得靠强化学习、数据合成等后训练方式反复练习，学会解决复杂问题、完成复杂任务。这些过程同样要吃进大量推理计算。
访谈中，Scottish Mortgage投资经理Lawrence Burns拿高尔夫球手打了个比方：两名球手都得不断练习，如果其中一人买练习球的成本更低，同样的预算就能换来更多练习机会。放到模型身上，推理成本降下来，意味着能用相同的资源做更多轮后训练，靠更多尝试和反馈把能力提上去。
闫俊杰表示，后训练的地位正变得越来越关键，“更高效的推理意味着能够开展规模更大的后训练”。在他看来越来越重要的后训练，未来甚至可能让 MiniMax 拥有全球规模最大的后训练系统，而模型也有望借此达到前沿智能水平。
今年2月，MiniMax 公开了专为智能体强化学习训练打造的 Forge 框架。MinimMax 在技术报告中称，开发 M2.5 模型时，这一框架接入了多种智能体脚手架和运行环境，模型因此得以在不同任务中反复练习。
对商业模式，闫俊杰的态度是一样的：“AI行业的盈利不是通过提高价格实现的，而是通过创新不断降低推理成本。”在他看来，推理成本低，既能降低客户的使用门槛，也能帮企业扩大服务规模，打开新的收入增长空间。
闫俊杰透露，截至今年8月，MiniMax的ARR（年度经常性收入年化运行率）超过8亿美元，其中B2B业务占ARR的80%以上。增长还没有变成盈利。MiniMax今年上半年实现营收1.166亿美元，同比增长283.1%，经调整净亏损仍达到2.93亿美元。同期，开放平台及其他AI企业服务收入占总营收的63.4%。
效率优势能不能变成持续的盈利能力，这仍是MiniMax要回答的问题。
AI接下来往哪走？
推理效率越来越关键，还有一个原因：大模型的使用方式本身在变。
以前用户提问、模型作答，一次或者少数几次推理就完事。智能体（Agent）发展起来后，模型开始拆解目标、调用工具、检索信息，再根据执行结果反复调整方案。
在多智能体系统里，主模型还能把任务分给多个子智能体一起完成，复杂任务可能要调用模型几十次甚至更多轮。
任务链条拉得越长，推理成本、执行稳定性和自主决策能力面临的要求就越高。
闫俊杰的判断是，Agent下一阶段的前沿不只是让模型在长周期任务中和人类竞争，更要紧的是让模型自己定目标、自己验证执行结果。“这意味着，它们需要在长期任务中具备真正的自主性。”
在闫俊杰看来，多模态融合也是未来模型发展的重要方向。
MiniMax眼下把模型分成两个系列：M系列做语言，主要面向编程、智能体和生产力应用；H系列做视频生成，同时能处理图像和音频。
闫俊杰说，公司从创立之初就选择同时积累不同模态的技术，等技���成熟后再把它们整合起来。多模态能丰富训练数据的多样性，也是未来扩大模型能力的必要路径。
他的设想是，未来把语言模型和视频模型整合成统一系统。语言模型的理解与规划能力，加上视频模型的内容生成能力，AI就有机会从生成单个视频片段，进一步承接广告、影视和设计等完整项目。
访谈中Lawrence Burns也谈到这一变化。他认为，现在的视频模型能生成视频片段，却不擅长理解创作指令，也很难像编辑人员那样按反馈修改内容。把语言模型的理解能力和视频模型的生成能力合到一起，AI就有机会承担完整项目。
在闫俊杰设想的AI产业未来里，开放生态是另一块重要拼图。
他觉得开源不是商业变现的替代方案，反倒能成为技术创新和商业化的催化剂。模型开放权重后，外部开发者可以微调、做二次开发，去探索原始模型还没覆盖的应用场景。他透露，MiniMax H3发布后的前两周，已经出现约300个基于该模型开发的开放模型。
这样选的不只MiniMax。DeepSeek、智谱、月之暗面和阿里等中国大模型企业，也在不同程度上走开放权重路线，靠吸引外部开发者参与模型部署、微调和应用开发。
大洋彼岸则是另一番景象。OpenAI、Anthropic等美国头部AI企业坚定站在闭源一边，不向外部公开模型权重，把核心技术和训练成果牢牢握在企业手里，构成自己的商业壁垒。
闫俊杰已经做了选择。他表示，MiniMax打算持续开放模型权重，直到AGI实现。他把公司理念概括为“Intelligence with everyone”，而不是“Intelligence for everyone”。在他看来，智能不光要服务所有人，也该由使用者、开发者和研究人员共同参与建设。
