中國第一家大語言模型公司，就是MiniMax。開源不是慈善。
2026 年 11 月 3 日，Baillie Gifford 旗下 Scottish Mortgage 的官方播客 Invest in Progress 上線了最新一期：《MiniMax: The Chinese AI Lab Doing More With Less》。
主持人Claire Shaw表示，這是MiniMax創始人閆俊傑，第一次接受英文播客訪談。
採訪者是 Scottish Mortgage 副經理、BG 合夥人 Lawrence Burns。去年 12 月，他飛了一趟中國，在 MiniMax 上市前見了閆俊傑一面。
今年 1 月，Scottish Mortgage 參與了 MiniMax 的港股 IPO。
Baillie Gifford，一家 1908 年成立的機構，投過亞馬遜、騰訊、特斯拉、輝達，也在 MiniMax 港股 IPO 時買了 2000 萬英鎊。
全文約 53 分鐘。本文實錄基於 Scottish Mortgage 官網發佈訪談直播，口語重複與語氣詞奇偶工作室進行了修剪，問答內容保持完整。
開場
先認識一下對話裡的人。
閆俊傑（IO）：MiniMax 創始人，董事長兼 CEO，兼 CTO。河南小鎮出身，機器學習博士，曾在百度深度學習研究院做研究實習生，導師是余凱。
Lawrence Burns（LB）：Scottish Mortgage 副經理。2021 年上任，2009 年加入 Baillie Gifford，2020 年成為合夥人。
Claire Shaw（CS）：Scottish Mortgage 組合總監，主持人和開場旁白。
Invest in Progress 是 Scottish Mortgage 的旗艦播客，形式固定：投資經理對話被投公司創始人，最後由投資經理復盤投資邏輯。這一期的結構也不例外。
正片前先放訪談片段的精華。
閆俊傑：對我們，尤其是中國的一家 AI 公司來說，算力從來都是一個約束。而這個約束讓我們成了更好的工程師和研究者。
Burns：我第一次見 IO（閆俊傑暱稱） 是去年 12 月。最讓我們好奇的是，用他自己的話說，MiniMax 能以頭部前沿模型大約 95% 的性能水平，做到只有十分之一成本。
閆俊傑：我認為，美國生態在用巨額資本建設封閉系統，而中國生態在用效率建設協作。
Burns：這種低成本模式和美國看到的很不一樣，它在全世界可能都非常有價值。第一，不是所有工作都需要最頂尖的水平；第二，不是所有使用者和企業都像歐美的使用者和企業那樣付得起錢。
閆俊傑：AGI 不應該屬於任何一家公司、任何一個國家或者任何一個組織。它必須屬於我們所有人。
MiniMax 的訪談的骨架：窮、快、開源、平權。
1、
MiniMax 的戰略
就是MiniMax
Burns：IO，非常感謝你今天來做客。我們上一次聊，還是去年 12 月我去中國見你，就在 MiniMax 上市之前，Scottish Mortgage 作為 IPO 的一部分投資了你們。先恭喜你們成為上市公司。還是從一個老問題開始吧：MiniMax 是做什麼的？公司想解決什麼問題？
閆俊傑：我們試圖解決的問題，我覺得非常簡單，就寫在名字裡。我們要最小化推理成本，同時把智能的邊界向每個人最大化擴展。在 LLM 或者 AGI 這些概念變成主流之前，我們就是中國第一家 AGI 公司。我們相信，智能的紅利不應該是有限的，它應該與每一個人分享。
（奇偶工作室：MiniMax 的名字即 min（最小化推理成本）+ max（最大化智能邊界）。推理（inference）指模型訓練完成後，每次回答使用者問題時的計算過程，這是 AI 公司最大的持續性成本項。）
Burns：對你來說，AGI 意味著什麼？它到來的時候，我們怎麼識別它？
閆俊傑：我認為 AGI 意味著 AI 能提出新的理論。意味著科學的下一次重大突破，主要由 AI 來完成。
2、
M 系列和 H 系列
Burns：給不熟悉你們產品的聽眾簡單介紹一下，主要產品面向消費者和企業各做什麼？
閆俊傑：我們有一些產品，但現在已經收斂成兩條模型產品線。第一條是 M 系列，語言模型，面向智能與生產力場景，比如程式設計和智能體（agent）。
第二條是 H 系列，視訊生成模型，橫跨視訊、圖像和音訊。
閆俊傑補充：目前 H 系列的旗艦是 H3，完全開源，通過 API、開放權重和 MiniMax 自己的產品三種方式提供。過去一個月，H3 成了全世界下載量最大的開放權重模型，一個月下載了大約 2500 萬次。
我們不認為這兩個世界永遠分開。兩條線都會繼續 scale，下一步是合併成一個統一模型。可能就在未來幾個月。
3、
河南、GPU 和爺爺的回憶錄
Burns：你是創始人，也是董事長、CEO 和 CTO，很多事情壓在你一個人身上。先聊聊你走到今天的路。
你在中國河南的一個小鎮長大，那裡是農業重地。你父親在當地學校教數學，你很早就顯露出數學天賦。回想起來，你很年輕就在做大學水平的數學題。是什麼驅動你投入那麼多額外的時間？
閆俊傑：河南在中國的中部，"河南"的意思是黃河以南，黃河是中華民族的母河。我小時候家裡到處都放著書，我很小就大量自學。到中學的時候，我已經在學一些大學水平的數學和電腦科學了。
真正吸引我的是數學和電腦科學的結合。它讓我能用演算法和數學，通過程式設計解決真實世界的問題。這自然把我引向機器學習，在那個時候，那還是個相當獨特的領域，大概是 20 年前。所以本科畢業後我決定讀機器學習方向的博士，因為我相信，只要把這些方法 scale 得足夠遠，AI 最終會強大到非常有用。
Burns：你 2014 年還在百度的深度學習研究院待過，當時的負責人是余凱博士，老聽眾知道他後來創辦了自動駕駛公司地平線，那也是我們的持倉之一。那段經歷給你留下了什麼？
閆俊傑：余凱博士幫了我很多，他是我當時的導師，我還是個博士生，已經發了大概幾十篇電腦視覺的論文。但真正讓我震撼的是多倫多大學的 AlexNet 論文。那篇論文給出了一種用深度學習做圖像分類的方法，我覺得那是一個巨大的突破。
所以那時候我想去一家全世界 GPU 最多的公司。當時百度是輝達最大的客戶，意味著它有全世界最大的 GPU 叢集。而且百度那時候非常開放，作為一個研究實習生，巔峰時期我能用到百度三分之一的 GPU。
我用這些 GPU 做了大量圖像分類、目標檢測的研究，那一年我們參加了 ImageNet 挑戰賽，我和我的搭檔——他也是實習生——拿到了第三名。
（幾樓工作室：AlexNet 是 2012 年引爆深度學習革命的圖像識別論文。ImageNet 挑戰賽是電腦視覺領域最重要的競賽，2012 年正是 AlexNet 奪冠掀翻傳統方法的一年。閆俊傑參賽拿到第三，是在那之後的兩三年。）
Burns：還有一些個人經歷塑造了你對 AI 的信念。我聽說的一個，是你爺爺想寫一本回憶錄，但很難做到。這件事給你留下了很深的印記。
閆俊傑：是的，這是另一個動機。這也是我在 ChatGPT 出現之前就覺得通用智能很重要的原因。傳統的電腦視覺、語音識別，只有大公司能用，普通消費者用不上。所以"通用"很重要。
（奇偶工作室：這段沒有展開，但意思大概是：技術如果不能到每個人手裡，就不算數。這個判斷後來寫進了公司的名字。）
4、
ChatGPT 前夜
Burns：你在 2021 年 12 月創立 MiniMax。第一款消費產品是 Glow，一個能和虛擬角色聊天的平台，很快積累了數百萬使用者。不久之後 ChatGPT 發佈了，它徹底改變了消費端。我好奇的是，它的發佈如何改變了你對 AI 發展節奏的判斷？
閆俊傑：MiniMax 的第一年，我們只知道 AGI 很重要，但沒有時間表。第一年我們就是在建基礎設施，訓練最初版本的語言模型和圖像、音訊生成模型。我們想做一個 app 來測試和驗證模型的性能，這就是 Glow。我們沒料到會有那麼多使用者，當時只是想做一個實驗。
大概四個月後，ChatGPT 發佈了。它改變了我們對時間表的感知。它讓我們意識到，scaling 必須比我們預想的大得多、快得多。於是我們開始 scale 基礎設施、scale 資料、scale 模型的尺寸。
Burns：它是一個催化劑？
閆俊傑：對。其實在 ChatGPT 發佈之前，中國只有一家公司在做大語言模型——就是 MiniMax。
ChatGPT 之後，中國很快有了大概 20 家做大語言模型的公司。競爭變得非常激烈。
5
為什麼死磕多模態
Burns：你從一開始就把多模態放在戰略核心：文字、圖像、視訊、音樂、語音都要生成。OpenAI 反而縮小了路線，比如砍掉了視訊。多模態顯然會攤薄資源。為什麼這對你是正確的路，而不是聚焦一兩件事？
閆俊傑：真正的原因是，MiniMax 剛開始的時候，我們並不確切知道它最終會是什麼形態。所以我們就把每個方向都 scale 起來，等技術積累夠了再把它們合併。多模態豐富了資料多樣性，是未來 scaling 的必由之路。但它也確實帶來更多挑戰。如果一開始只聚焦單一模態，我們可能初期進步更快。
不過，多模態正是我們區別於其他公司的地方。
6、
Agent 的下一步
自己定目標
Burns：你說過智能體（agent）會成為主要增長驅動力。你們把自己的 agent 品牌命名為 Mavis，定位是能規劃並完成複雜任務的 AI 管家。你怎麼看 agentic AI 的增長機會？它要釋放全部潛力，還需要發生什麼？
閆俊傑：我認為 AI agent 的下一個前沿，不是在長程任務上和人類競爭，而是自己形成目標、自己驗證結果。也就是長程任務上的自主性。我認為這就是未來。在當下，我們把程式設計能力和 agent 能力作為 M 系列模型最重要的兩件事。
實際上，這個月我所有的時間都花在我們的下一代模型上。M3 Pro。我認為它會是這個時代的一次大突破。雖然它還沒有完成。
7
利潤的演算法
Burns：和很多 AI 公司一樣，你們目前還在虧損。只要能看到飛輪在轉，產品能力越強，用的人越多，收入越多，再投入研發，最終走向盈利，我們對此沒有意見。MiniMax 是這麼想的嗎？你憑什麼相信長期能盈利？
閆俊傑：我認為 AI 的利潤不是靠提價實現的，是靠創新把推理成本打下來實現的。低推理成本是我們利潤和收入的雙重護城河。
這種效率讓我們得以建立一個由 API 驅動的高度可持續的商業模式，而不是一次性交易。
比如今年我們的 ARR 增長非常好，截至 8 月，ARR 已經超過 8 億美元，其中 B2B 佔比超過 80%。只要模型性能持續提升、價格 leadership 保持住，收入增速一定會超過成本。這是我們的完美計畫。
（奇偶工作室：ARR（annualized revenue run rate，年化收入運行率）指把當月收入乘以 12 得到的年化口徑。）
8
最後 5% 最難追
Burns：回到你去年 12 月說的那句話：中國最好的模型性能大約落後美國頭部 5%，但成本低 10 倍。這十個月裡，能力和價格的差距怎麼變化的？
閆俊傑：我認為重要的不是某一個時點的差距，而是改進速度的提升。因為無論美國模型還是中國模型，都還處在通往 AGI 的非常早期的階段。
第一，那 5% 的差距，可能比前 95% 都難追得多。所以我認為目前的差距可能需要一些時間來解決。我們還處在 AGI 的非常早期，重要的是我們能改進得多快。
對我們來說，尤其是一家中國 AI 公司，算力從來都是一個約束。所以從第一天起，我們就知道必須讓推理儘可能高效。實際上，過去三年，雙方的改進速度已經大致相當了。我們關注的是進展的速率，不是某個時點的排名。這引導我們去做架構創新和晶片之外的基礎設施創新。
我們相信，如果能更高效地使用算力，就一定能做多得多的後訓練（post-training），把模型推得更遠。這可能給我們一條不同的智能 scaling 路徑。
（奇偶工作室：post-training（後訓練）指模型預訓練完成後，通過強化學習、資料合成等方式繼續訓練的階段。過去幾年模型能力最大的幾次躍遷，寫程式碼、做 agent，主要來自後訓練。後訓練的每一步都消耗推理算力，所以推理成本直接決定後訓練的規模。）
Burns：可以這麼理解嗎：美國的前沿實驗室被算力寵壞了，他們非常成功地推動了前沿，但從來沒有像你們這樣，從第一天就被逼著重視效率？
閆俊傑：是的。中國頂尖的前沿實驗室都在聚焦效率，但我們用的方法各不相同。比如在 Transformer 裡用不同的架構，在後訓練裡用不同的基礎設施，聚焦不同的模態。你能看到中國不同前沿實驗室的模型是不一樣的，但它們都有用。
9
開源不是慈善
Burns：中美 AI 的另一個重大分歧是閉源和開源。OpenAI、Anthropic 是閉源。開源在中國更流行。開源模型允許別人免費下載、在第三方硬體上運行。你怎麼看兩者的優劣？
閆俊傑：我認為開源不是變現的對立面，而是變現和進一步創新的催化劑。比如我們剛說的 H3，發佈頭兩周，就有大約 300 個基於 H3 的開放模型被做了出來。這是對我們的模型而言最好的創新反饋回路。
舉個例子：那 300 個模型裡有個很有名的，是美國公司 fal.ai 做的 H3 Max，在 H3 的基礎上做後訓練，速度快得多。它 3 秒鐘就能生成 5 秒鐘的視訊，是一個即時視訊生成器。
這種速度帶來了完全全新的視訊用法，以前根本不可能。比如開發者做出了 24 小時不間斷的 AI 直播，內容根據你想看的東西即時生成。同樣的能力可以讓即時遊戲、教育和很多其他互動體驗成為可能。
第二個優勢是，當客戶能自己託管開放權重模型時，他們能保護自己的資料和隱私。這對企業和政府很重要。所以開源對模型公司、對使用者、對開發者是三贏。我們計畫一直開源下去，直到實現 AGI。
10
500 人的紀律
Burns：聊聊 MiniMax 的文化。用三個詞形容的話，是扁平、聚焦、節儉。你傾向於內部培養人才，而不是花極高的薪水從別處挖人。這種文化在多大程度上是被你們所處的約束塑造出來的？
閆俊傑：這是個重要的問題。我認為文化來自算力和資本上的約束。我們其實只有 500 人，所以必須聚焦在真正重要的事上。我們的研發有兩條核心原則。
第一條，把東西做簡單。儘管我們有不同的模型，但我們的架構和基礎設施非常簡單。
第二條不一樣：始終建設基礎設施。建基礎設施有時候比直接發產品要慢，但它是我們 scale 的地基。
基於這兩條原則——把東西做簡單、始終建基礎設施——其他的差別，比如資本效率、組織效率，都是約束之下自然長出來的結果。
11
推理成本壓得極低
Burns：中國和很多中國實驗室把推理成本壓得極低。這讓我想問：如果全世界都像你們一樣高效，對算力和輝達晶片的需求還會像人們預期的那麼大嗎？還是說這就是傑文斯悖論，成本降下來，用量會升上去，人們永遠想要更多晶片？
閆俊傑：首先，我們的架構設計原則是，無論用什麼晶片都能跑得好。我們能做到的是三個領域的技術領先：模型架構、基礎設施、最佳化。這三樣東西在硬體受限的時候反而更值錢。約束讓我們成了更好的工程師和研究者。算力越受限，演算法和推理就越重要。
Burns：回到更宏觀的視角。中國 AI 生態和美國相比，各自的強項和弱項是什麼？這會導向什麼樣的技術和產品創新？
閆俊傑：我認為美國生態在用巨額資本建設封閉系統，中國生態在用效率建設協作。美國公司有更多算力、更多資本、更多晶片獲取管道；中國公司被迫把每一單位算力用到更高效。
我不認為兩個生態會收斂到同一條路上。開放對封閉、高效對資源充裕——這些差異會塑造各自生態最終能造出什麼。
12
壁壘
Burns：在中國內部，你們的對手是字節跳動這樣雄心勃勃、資金雄厚的大公司，還有阿里巴巴，以及 ChatGPT 之後冒出來的 20 多家生成式 AI 創業公司。
聽眾應該怎麼理解 MiniMax 相對這些對手的壁壘？
閆俊傑：大公司，無論中國還是西方，都是在為很多不同的業務做最佳化；而我們只為一件事做最佳化：建設最高效、能力最強的多模態 AGI。我們相信，效率本身就是智能的一部分。你對算力的使用效率越高，能 scale 得就越遠。開源是我們的另一個優勢。比如在中國，字節跳動是閉源的，我們是開放原始碼的。
在我們模型上做開發的開發者，把它推向新的應用場景，形成幫助我們更快改進的反饋回路。還可以拿 H3 舉例：字節的 Seedance 是閉源的，生成的效果不好，速度還很慢。而基於 H3 的開放模型可以做到即時。這帶來了全新的東西。
最終，我們想把自己最好的語言模型和視訊生成模型合成一個系統。我們認為那會打開一個作為單一模型的大得多的機會。這就是 MiniMax 的壁壘。
13
AGI 屬於誰
Burns：最後一個問題，我們問每一位來節目的創始人：如果 MiniMax 實現了它的願景，世界會變成什麼樣？會改變什麼？
閆俊傑：我認為問題不是 AGI 能不能實現，而是它會造福誰。AGI 太重要了，它不應該屬於任何一家公司、任何一個國家或者任何一個組織，它必須屬於我們所有人。這就是我持續做這件事的原因：實現 AGI，確保智能與每個人同在。
更大的問題是，如果世界上有了更多的智能，我們對世界、乃至宇宙的理解，會不會改變？我認為會。這種可能性就是驅動我的東西。
Burns：也就是說，開放權重模型讓 AI 的力量擴散到更多人和組織，因為他們對 AI 有一種所有權——它是開放原始碼的，他們在它之上建構，不依賴另一家公司持續供給你這個模型。這是關鍵所在？
閆俊傑：是的。所以我們的口號是 intelligence with everyone，而不是 intelligence for everyone。因為我認為它屬於每一個人。
（奇偶工作室：給所有人（for everyone）是分發，與所有人同在（with everyone）是共有。）
14
投資人怎麼看
正片結束，主持人 Claire Shaw 留下 Burns 做例行的投資復盤。
BG 到底為什麼投資 MiniMax？
Claire Shaw：最讓我著迷的是 IO 說的，中美 AI 生態不會收斂到同一條路上。拿不到美國對手那麼多頂級晶片，反而成了 MiniMax 的長期優勢。
Burns：三件事。第一件是我去年 12 月第一次見 IO。我們對他本人、對中國 AI 生態聽到的資訊非常好奇——用他自己的話說，MiniMax 能以頭部前沿模型 95% 的性能、十分之一的成本交付。
第二件，是我們非常欽佩這種成本優勢是如何長在公司的骨子裡的。它生於稀缺，這塑造了他們做事的方式，給了我們一種比當初認知更結構性的優勢。他們沒有同等等級的高端 GPU 獲取管道，所以 IO 把公司建成了這樣一個形態：從每一小時算力裡榨出更多有用功，讓晶片時刻滿載，把成本放在模型設計的中心。
這個模式和美國很不一樣，在全世界都可能非常有價值。第一，不是所有工作都需要最頂尖的水平；第二，不是所有使用者和企業都像歐美那樣付得起錢。
第三件事是 IO 本人。他是一位備受尊敬的 AI 科學家，同時是一位很好的資本配置者。這個組合非常罕見。所以我們認為值得支援他。
還有一點，AI 作為一項技術發展得非常快，美國和加州在發生有趣的事，中國也在發生有趣的事。只有同時和這兩個生態保持接觸，你才有更好的機會理解 AI 會怎麼發展。只看其中一個，這個工作會難得多。所以我們認為，對中國生態保持一定敞口非常重要。
Burns：對我們來說，MiniMax 這一路波動不小。我們 1 月在 IPO 時投資了大約 2000 萬英鎊。上市之後股價反應非常強烈，這讓我們取出了 4000 萬英鎊——是投入的兩倍——同時仍持有大約 2000 萬英鎊的頭寸。所以對我們來說，這是一筆不錯的投資，更是一次極好的學習機會。
Burns：AI 實驗室普遍的做法，尤其在美國，是花大錢在訓練模型之前做大量實驗，看那些路線走得通。他們有資本、有晶片這麼做。IO 最難得的能力是大幅縮小實驗的押注範圍，做更少的選擇，因此資本效率更高，但依然能拿到好結果。在中國 AI 生態裡和他共事多年的人說，這是他最大的強項之一：比別人更早看清技術要往那走。
Claire Shaw：再深入聊一下商業模式。通過壓縮每次回答的成本，公司可以給客戶更低的價格、贏得更多業務。但 IO 還提到了第二點，不那麼顯眼：成本低，意味著模型發佈之後，公司負擔得起更多改進工作。
Burns：低成本是他們一切的中心，第二點也非常重要。極簡地講，AI 模型先消化大量資料獲得知識，這叫訓練；之後還有一個階段叫後訓練，模型在那裡反覆練習完成任務，學習什麼有用什麼沒用。過去幾年模型能力最大的幾次飛躍都來自後訓練。而練習是貴的——每一次練習都是在向模型提問，都有成本。
打個比方：兩個高爾夫球手，都會因為練習而進步，但其中一個的練習球便宜得多。其他條件相同的情況下，能拿到更多更便宜練習球的人，球技會更好。這個比喻裡，MiniMax 就是練習球更便宜的那一個，同樣的預算能練更多。所以便宜的回答不只是讓終端使用者和企業用得起，它讓產品能以更快、更省錢的方式持續變好。
15
風險清單
Claire Shaw：MiniMax 增長很快，但風險也要談。公司還在虧損。IO 的想法是收入增速超過成本增速來實現盈利。你覺得最大的挑戰是什麼？
Burns：這個挑戰是真實的，不應該迴避。今年上半年收入接近翻了兩番，但報告虧損大約是收入的 3 倍。熟悉 AI 實驗室公司的人都會注意到，這個量級的投入並不罕見。
但最終，你需要一個能盈利的模型。
我認為有兩個真實的挑戰。第一，中國的價格競爭極其激烈——你在和 DeepSeek 這樣的對手競爭。第二，追平前沿的成本在持續上升，這就是 MiniMax 7 月融資 20 億美元的原因。
解法就是我們談的這些：保持精簡的成本結構、做正確的技術選擇、在收入能規模化的市場增長。關鍵的一點是，模型每進步一代，就給公司解鎖更大的市場。現在研究支出的增速已經低於銷售增速，這是個好訊號。銷售也在從消費者端轉向企業端——企業收入增長了大約 8 倍，現在佔收入的 63%。IO 提到年化口徑是 80%，你能看到這個趨勢正在兌現。
但我們必須說清楚：退一步看，這是一個早期持倉。它高度不對稱——通往成功的路有很多條，但可能的結果分佈也很寬。這也是為什麼它在組合裡的倉位是這個規模。
16
市場有多大
Claire Shaw：最後一個問題。IO 說，把更強的 AI agent 和 MiniMax 最好的語言模型、視訊模型合成一個系統，會打開更大的機會。但這個行業變化太快，很難判斷。作為長期投資者，你覺得 MiniMax 服務的市場能有多大？
Burns：這筆投資裡我唯一不擔心的就是市場夠不夠大。只要你能以更低的成本提供越來越強的智能，市場就一定在。市場會隨著你的能力提升持續長大。
你提到把語言模型和視訊模型合起來，這是個絕佳的例子。多數工作是多種技能的混合，而不是單一技能。今天的視訊模型擅長生成片段，但不太能接受指揮——它沒法像一個剪輯師那樣修改這個片段，而這需要語言模型的理解力。一旦系統兩者兼備，AI 就從"做片段"變成"承接整個項目"——廣告、電影、設計。人們會為這種智能付高得多的錢。所以需求會隨著一代代新模型的發佈階梯式地到來，比如 IO 描述的即時視訊。這裡真正的大問題是競爭、盈利能力和利潤率，但市場規模本身，我們非常有信心。
訪談結束。(奇偶工作室)