MiniMax闫俊杰首谈英文播客：效率本身就是智能的一部分

MiniMax 创始人闫俊杰此前极少接受长篇采访。

11月3日，他第一次出现在英文播客里。这也是 MiniMax 今年1月登陆港交所之后，创始人少有的一次公开发声。

坐在他对面的提问者是一家持仓方的投资人，既参与了 MiniMax 的IPO，手里也拿着 Anthropic（美国大模型公司）等AI公司的仓位。

正因如此，他们提的问题和普通媒体问的不太一样。

他们想知道的是：算力受限、芯片买不到、资本实力又不如美国对手，一家中国模型公司靠什么活下来，又靠什么挣钱。

闫俊杰给出的答案是：效率，本身就是智能的一部分。

下面是这次访谈的精编整理，希望能给你一些启发。

一、钱不是靠涨价挣来的，是把成本压下来省出来的

不少人觉得，AI公司赚钱靠的是提价。其实不然，AI的利润并非来自涨价，而是来自用创新把推理成本压下去。

所谓推理成本，指的是模型每回答一次问题所消耗的算力费用。谁能在这上面省下钱，谁就赢了一半。

推理成本低，对MiniMax来说就是护城河——利润上是，收入上也是。

靠这种效率，公司可以搭出一个由API（应用程序接口）驱动、能长期跑下去的模式。说白了，就是让客户持续掏钱，而非一锤子买卖。

今年以来，我们的ARR（年化收入）涨得很快。到8月，这个数字已经超过8亿美元，其中B2B（面向企业客户的业务）占了80%以上。

只要模型性能还在往上走、价格上的优势守得住，收入增速就一定会快过成本增速。这就是我们的盈利计划。

有人问过我：这半年，中美模型之间的差距有没有变化？

在我看来，某个时间点上的差距并不重要，重要的是改进的速度。

无论是美国的模型还是中国的模型，在通往AGI（通用人工智能）的路上，都还处在很早期的阶段。

离AGI还这么远，真正要紧的其实是我们能多快持续往前跑。

作为一家中国AI公司，算力对我们始终是道紧箍咒。从第一天起我们就清楚，推理必须做到尽可能高效。

回头看这三年，中美两边的改进节奏大体持平。我们盯住的是自身进步的速度，而非某个时点上的排名。

也正因如此，我们被逼着在芯片以外找路，在架构和基础设施上做创新。

我坚信，算力用得更高效，后训练就一定能做得更多，模型也能推得更远。这或许一直在给我们一条不一样的、把智能做大的路子。

二、算力被卡住，反倒把我们练出来了

国内头部的前沿实验室都在抓效率，只是各自的路数不同。拿我们来说，Transformer（一种主流大模型架构）上用了不一样的架构，后训练用了不一样的基础设施，聚焦的模态也有差别。

中国各家前沿实验室做出来的模型形态各异，但都挺管用。

技术领先我们可以守在三处：模型架构、基础设施、优化。硬件吃紧的时候，这三样反倒更值钱。

这种约束，把我们磨成了更好的工程师和研究员。

算力一受限，算法效率的分量就越来越重。这是被逼出来的，可它也实实在在长在了我们身上。

还有一层，很多人没留意。推理成本低，不只是让客户少掏钱。它意味着后训练能更高效地做大。

后训练是模型学完海量数据之后，再一遍遍练任务的那一步。强化学习、数据合成，都得靠推理。推理效率越高，后训练能铺开的规模就越大。

后训练正变得愈发关键。闫俊杰说，某个时候，我们可能会拥有全世界最大的后训练系统。他相信，这条路能通向前沿智能。

三、开源不是做公益，是三赢的生意

中美AI还有一处明显不同，就在开源和闭源之间。

有人会问，把模型开源，是不是赔本赚吆喝。

闫俊杰不这么看。开源并非变现的替代品，它反而是变现和进一步创新的催化剂。

以H3为例。发布头两周，基于H3冒出来的开源模型就有大约300个。对MiniMax的模型来说，这是继续创新能拿到的最好的反馈回路。

美国公司 fal.ai 的 H3 Max 就是这批模型里的知名代表——300 个中的一员。它基于 H3 做后训练，速度提升明显：生成 5 秒视频只需 3 秒，相当于一个实时视频生成器。

有了这样的速度，视频的用法被彻底打开。过去做不了的事，如今能实现了。有开发者已经搭出 24 小时的 AI 直播——你想看什么，它就实时生成什么。

同样的能力，也能用在实时游戏、教育，还有很多别的交互体验上。

开源还有第二个好处。客户可以自己部署开源权重的模型，把数据和隐私攥在自己手里，这对企业和政府很重要。

所以在闫俊杰看来，开源对模型公司、用户、开发者，是三赢的。

闫俊杰说，开源这件事会一直做下去，直到AGI真正实现的那天为止。

四、大厂算的是全局账，MiniMax只盯一件事

在中国，字节跳动、阿里巴巴这类体量大、野心足的公司是躲不开的对手，同时做生成式AI的创业公司也越来越多。

常有人问闫俊杰，面对这些对手，MiniMax的优势究竟在哪。

他的回答是：中国也好、西方也好，大公司做的都是在多条业务线之间求最优，手里业务一大堆，顾的是全局；MiniMax不一样，只围绕一件事做优化。

这件事就是做出效率最高、能力最强的多模态AGI。

所谓多模态，是让模型除了写文字，还能生成视频、图像和声音。在闫俊杰看来，效率本身就是智能的组成部分，算力用得越省，规模就能推得越远。

只押一件事，具体怎么落地？也有人追问过：一家500人的公司，靠什么对技术转向做出快速反应，又靠什么比大公司更省。答案落在研发的两条原则上。

第一条是把事情做简单。模型可以有多个，但架构和基础设施尽量保持简单，就这一条。

第二条反过来：基础设施必须自建。这条路有时确实比直接把产品推出去要慢，但它是日后做大规模的底座。

归结起来就是两条：把事情做简单，基础设施永远自己建。

资本效率、组织效率这些词别人常提，我并不认为它们能单独练成。说到底，它们是在前面那两条原则之上，再叠加算力与资本的限制，自然而然长出来的东西。

开源还多给了我们一层优势。国内字节跳动走闭源，我们走开源；开发者拿我们的模型去开发，会把它带进新的使用场景，形成反馈回路，反过来帮我们改得更快。还拿H3来说，字节的Seedance是闭源的，生成效果很好，但速度慢；基于H3的开源模型，可以做到实时。

这是新东西。

最终，我们想把最好的语言模型和生成模型装进同一个系统。合成一个系统之后，机会会大得多。这就是MiniMax的优势所在。

五、智能体下一步，是自己定目标

2021年12月，我创立了MiniMax。第一年，我们只知道AGI是可能的，但没有时间表。那一年其实就是在搭基础设施，训练第一版的语言模型、图像和音频生成模型。

为了检验模型实际表现如何，我们做了个 app，叫 Glow，用户在里面可以和虚拟伙伴聊天。起初只当是一次尝试，没料到涌进来这么多用户。

大约 4 个月过去，ChatGPT 上线，我们对时间表的判断随之改变。它让我们看到，要把规模做上去，速度得比原来设想得更快，体量也得更大。于是基础设施、数据、模型规模，三头一起加码。

有个数字很能反映这种变化的剧烈程度：ChatGPT 出现前，国内做语言模型的只有 MiniMax 一家；它发布后没多久，做基础模型的公司就冒到 20 家左右，竞争骤然升温。

为什么我们一开始就要做多模态，不专攻一个方向？

说到底，MiniMax刚起步时并不清楚智能在早期会以哪种形态冒出来。于是每个方向都先试一遍，等手上技术够了，再往一起拼。多模态让数据的多样性更丰富，想做大，这条路绕不开。

代价当然也有。要是起步就只押一个模态，我们前期可能跑得更快。可多模态恰恰是MiniMax跟别的公司不一样的地方。

如今产品已经收成两个模型家族。M系列负责语言模型，面向智能和生产力，写代码、智能体都归它。两个系列都开源，下一步先把各自做大，几个月内再合成一个统一模型。

我们的智能体叫Mavis。可以把它看成一个会规划、能搞定复杂任务的AI管家。

AI智能体的下一个前沿，不在于长程任务上能不能跟人比，而在于能不能自己定目标、自己验证结果。换句话说，长程任务上的自主性才是未来。写代码和智能体能力，是M系列最要紧的事。

这个月，我全部时间都扑在下一代模型M3 Pro上。它会是这个时代的一次大突破——我是这么看的，不过它还没做完。

六、我的起点，和那句口号

有件小事让我很早就明白AI有多要紧。我祖父想写一本回忆录，可对他来说太难了。这件事让我意识到，AI能给普通人解锁多大的价值。

也正因为这样，早在ChatGPT出现之前，我就认定通用智能很重要。传统的计算机视觉、语音识别，只有大公司用得起，普通消费者根本碰不上。所以“通用”这两个字特别关键。

AGI太重要了，不该只归某一家公司、某一个国家、某一个组织，它必须属于我们所有人。使用模型的人、构建模型的开发者、为它出过力的研究者，都该算在内。这个模型最终长成什么样，他们本身就是其中一部分。

再往大处想一层：假如这个世界上的智能变得更多，我们看待世界、乃至看待宇宙的方式会不会跟着变？我的判断是会。正是这种可能性，推着我一路做下来。

也正因如此，我们立了一句口号，叫Intelligence with Everyone，也就是“与所有人共同拥有智能”，而不是Intelligence for Everyone，即“为所有人提供智能”。只差一个词，含义却差得很远。在我看来，智能这东西，原本就该归每一个人。

*文章为作者独立观点，不代表笔记侠立场。