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

一边是全球科技巨头还在往AI算力上不停加钱，另一边，中国大模型公司走的是另一条路。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，让每一份算力产出更多智能，把模型服务做得更便宜？

最近，MiniMax创始人、董事长兼CEO闫俊杰做客英国投资信托Scottish Mortgage旗下播客《Invest in Progress》，聊了中国AI企业在资源受限条件下形成的技术路线。

闫俊杰在访谈中说：“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。”

他解释，MiniMax这个名字就装着公司的目标：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。算力约束在他眼里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虽是市场追捧的热点，MINIMAX的股价却一路暴跌，从1330港元/股掉到目前的156港元/股，市值只剩549亿港元。

算力投入的差距，正被工程效率一点点追上

在闫俊杰看来，中美AI产业的差异可以归为两种发展模式。

他说：“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。”这两种生态不会走同一条路。

差异首先落在资源投入上。斯坦福大学《2026年人工智能指数报告》显示，2025年美国私人AI投资达到2859亿美元，是中国的124亿美元的23倍。

可到了模型能力这一环，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%。2025年以来，中美模型还多次互换过领先位置。

中国模型能在投入悬殊的情况下追上来，跟技术架构和工程优化分不开。

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起来，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。

各家企业走的技术路径不一样，目标却相当一致：砍掉不必要的计算，把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，而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，没有完全押在某一种硬件上。

他把公司的研发原则归结为两条：把模型架构和基础设施尽量简化，同时持续往基础设施建设里投钱。后一件事短期内可能不如频繁发产品见效快，但企业能不能长期扩大研发规模，靠的就是它。

推理成本降下来，后训练才有更大空间

推理成本下降，不只是让用户花更少的钱用模型，它还替模型自身的能力提升腾出了更多计算资源。

大模型预训练完成之后，还得靠强化学习、数据合成这些后训练方式反复练，学会怎么解决复杂问题、完成复杂任务。这些过程同样要消耗大量推理计算。

访谈中，Scottish Mortgage投资经理Lawrence Burns拿高尔夫球手打比方：两名球手都得不断练习，谁买练习球的成本更低，同样的预算下谁就能多练。放到模型身上，推理成本降下来，意味着同样的资源能跑更多轮后训练，靠更多尝试和反馈把能力提上去。

“更高效的推理意味着能够开展规模更大的后训练。”闫俊杰认为，后训练的重要性正在不断上升。他还说，MiniMax未来甚至可能拥有全球规模最大的后训练系统，并相信这能推动模型达到前沿智能水平。

今年2月，MiniMax公布了专用于智能体强化学习训练的Forge框架。技术报告中，MinimMax介绍，M2.5模型开发期间，该框架接入了多种智能体脚手架和运行环境，让模型能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，长出新收入。

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。增长还没变成盈利。今年上半年，MiniMax营收1.166亿美元，同比增长283.1%，经调整净亏损仍有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赚钱的能力，这是MiniMax眼下绕不开的一道题。

AI接下来往哪走？

大模型的使用方式正在变，推理效率也就越来越关键。

以前用户提问、模型回答，一次或几次推理就能收工。智能体（Agent）发展起来后，模型要先拆目标、调工具、查信息，再根据执行结果反复调整方案。

到了多智能体系统里，主模型还能把任务分给多个子智能体一起做，复杂任务动辄涉及数十次乃至更多轮模型调用。

任务链条一长，推理成本、执行稳定性、自主决策能力这三样要求就跟着往上走。

闫俊杰判断，Agent下一阶段的前沿不只是让模型在长周期任务里跟人较劲，更要紧的是让它们自己定目标、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。”

多模态融合，也被闫俊杰看作未来模型发展的重要方向。

MiniMax现在把模型分成两个系列。M系列是语言模型，主攻编程、智能体和生产力应用；H系列是视频生成模型，图像和音频也能一并处理。

据闫俊杰介绍，公司从创立之初就同时积累不同模态的技术，打算等技术成熟后再整合起来。在他看来，多模态既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。

他的设想是把语言模型和视频模型合成一个统一系统。语言模型负责理解和规划，视频模型负责内容生成，两者结合后，AI就有机会从生成单个视频片段，走到承接广告、影视和设计等完整项目。

访谈中，Lawrence Burns也提到这一变化。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改内容。把语言模型的理解能力和视频模型的生成能力拼到一起，AI才有机会承担完整项目。

在闫俊杰的设想里，开放生态是AI产业未来的另一块重要拼图。

他不认为开源是商业变现的替代方案，反倒觉得它能当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、可以二次开发，去探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，已经冒出约300个基于该模型开发的开放模型。

这么选的不只MiniMax一家。DeepSeek、智谱、月之暗面和阿里等中国大模型企业，也或多或少走开放权重这条路，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企业是闭源路线的坚定拥趸，不向外部公开模型权重，把核心技术和训练成果牢牢攥在企业手里，当成自己的商业壁垒。

闫俊杰已经选好了。他说，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、开发者和研究人员一起参与建设。