MiniMax 创始人闫俊杰很少接受长篇采访。11 月 3 日，他出现在 Scottish Mortgage 的播客《Invest in Progress》里。这是他第一次接受英文播客采访，也是 MiniMax 今年 1 月登陆港交所后，一次少见的创始人公开表达。
Scottish Mortgage 参与了 MiniMax 的 IPO，同时持有 Anthropic 等 AI 公司的期权。作为一家海外投资机构，它关心的是另一组问题：为什么中国模型可以用更少算力逼近前沿，开放权重怎样形成生意，中美 AI 生态会不会走向同一条路，以及一家持续亏损的模型公司最终靠什么赚钱。
闫俊杰也带来了一些新信息。截至 8 月，MiniMax 的年化收入运行率已经超过 8 亿美元，其中 B2B 贡献超过 80%；H3 在一个月内约有 2500 万次下载，开放两周后出现了约 300 个衍生模型；他自己最近的大部分时间，则花在尚未完成的 M3 Pro 上。
根据 MiniMax 2026 年中期业绩，上半年公司确认收入为 1.166 亿美元，同比增长 283.1%。开放平台及企业服务收入为 7390 万美元，占总收入的 63.4%。同期研发费用为 2.969 亿美元，调整后净亏损为 2.93 亿美元。
Scottish Mortgage 所关注的其实是，一家中国模型公司受到算力、芯片和资本约束后，会形成怎样的技术路线、组织和商业模式。
贯穿闫俊杰回答的判断是，效率本身就是智能的一部分。更便宜的推理既能带来市场，也能让模型获得更多后训练机会。资源约束则进一步塑造了 MiniMax 的架构、开放路线和公司文化。
以下内容根据 Scottish Mortgage 播客《Invest in Progress》整理、翻译，内容有删节。
01
盈利来自低成本：
95% 的性能、十分之一成本
Lawrence Burns：和很多 AI 公司一样，MiniMax 现在还在亏损。只要飞轮在转，产品越强、用的人越多、收入越多，再投回研发，我们对亏损是能接受的。你怎么看盈利这件事？长期能盈利的信心来自哪里？
闫俊杰：AI 的利润不是靠涨价实现的，是靠通过创新把推理成本压下去实现的。低推理成本是我们的护城河，对利润和收入都是。这种效率让我们建立起一个由 API 驱动、可持续的模式。今年到目前为止我们的 ARR 增长很快，截至 8 月已经超过 8 亿美元，B2B 业务贡献了 80% 以上。只要模型性能继续提升、价格优势保持住，收入的增长一定会快于成本，这就是我们的盈利计划。
Lawrence Burns：去年 12 月我拜访你时，你说最好的中国模型在性能上比美国顶级模型落后 5% 左右，成本却低 10 倍左右。这之后，能力差距和价格差距有什么变化？
闫俊杰：我觉得重要的不是某个时间点的差距，而是改进的速度。美国模型和中国模型在通往 AGI 的路上都还处在很早期的阶段。首先要说，这 5% 的差距，实际上可能比前 95% 难追得多，所以目前的差距可能还需要更多时间去解决。既然还这么早，关键就是我们能以多快的速度持续进步。
对我们来说，尤其作为一家中国 AI 公司，算力一直是约束，从第一天起我们就知道，必须让推理尽可能高效。过去三年，两边的改进速度其实已经大致相当。我们专注的是加快自己的进步速度，而不是某个时间点的排名。这带来了我们在芯片之外、在架构和基础设施上的创新。我们相信，如果能更高效地使用算力，就一定能做更多后训练，把模型推得更远。这可能一直给了我们一种不同的 scaling 智能的方式。
Lawrence Burns：能不能这么理解，很多美国前沿实验室被充裕的算力「宠坏了」，它们在前沿上推进得很成功，但没有像你们，也像中国 AI 实验室整体那样，从第一天起就被迫把效率放在首位？
闫俊杰：是的。中国的头部前沿实验室都在关注效率，但用的方法各不相同。比如我们在 Transformer 上用了不同的架构，在后训练上用了不同的基础设施，聚焦的模态也不一样。所以你会看到，中国不同前沿实验室做出来的模型各不相同，但都很有用。
Lawrence Burns：很多任务并不需要世界上最强的模型，企业要的是能力够用、价格能让 ROI 成立，最前沿的模型留给治愈癌症、对冲基金这样的场景。你是这样看这个机会的吗？
闫俊杰：除了价格，还有另一点，推理成本低，意味着我们能更高效地 scale 后训练。后训练里的强化学习、数据合成，全都依赖推理。推理越高效，后训练能做到的规模就越大。现在后训练变得越来越重要，某个时候，我们可能会拥有最大的后训练系统。我们相信这会通向前沿智能。
Lawrence Burns：如果全世界都像 MiniMax 这样高效地使用算力，对 NVIDIA 这类芯片的需求会不会和大家的预期很不一样？还是会出现杰文斯悖论（Jevons paradox），成本降下来，用量反而上去？
闫俊杰：首先，我们的架构设计目标是不管用什么芯片都能表现好，这是我们模型的设计原则。我们能做的，是在三个领域保持技术领先：模型架构、基础设施和优化。硬件受限的时候，这三样都会变得更有价值。这种约束让我们成了更好的工程师和研究员。算力受限时，算法效率会越来越重要。
02
美国靠资本建封闭系统，
中国靠效率建协作网络
Lawrence Burns：你在中国 AI 发展中的位置很重要。中国的 AI 生态和美国相比，发展路径有什么不同，各自的强项和弱项是什么，又会带来什么样的技术和产品创新？
闫俊杰：我认为美国生态在建的是由巨额资本支撑的封闭系统，中国生态在建的是由效率支撑的协作。美国公司有更多资本、更多芯片资源，中国公司必须在每单位算力上更高效。所以我不认为这两个生态会收敛到同一条路上。开源和闭源、高效和资源充裕，这些差异会决定各自做出什么东西。
Lawrence Burns：中美 AI 的另一个大差异是开源和闭源。OpenAI、Anthropic 用闭源模型，开源模型在中国要流行得多。你怎么看两者各自的优劣？
闫俊杰：开源不是变现的替代选项，它是变现和进一步创新的催化剂。拿我们的 H3 来说，发布头两周就有大约 300 个基于 H3 的开源模型，这是我们的模型继续创新能拿到的最好的反馈回路。
这 300 个模型里有一个很出名，是美国公司 fal.ai 做的 H3 Max。它在 H3 上做了后训练，速度快得多，3 秒就能生成 5 秒的视频，等于是一个实时视频生成器。这个速度带来了使用视频的全新方式，以前根本做不了的事现在可以做了。比如已经有开发者做出了 24 小时的 AI 直播，内容根据你想看什么实时生成。同样的能力也能用在实时游戏、教育和很多其他交互体验上。
第二个好处是，客户可以自己部署开源权重模型，就能保护自己的数据和隐私，这对企业和政府很重要。所以我认为开源对模型公司、用户和开发者是三赢的。我们计划一直开源我们的模型，直到实现 AGI。
Lawrence Burns：在中国，你们既要面对字节跳动、阿里巴巴这样雄心勃勃、财力雄厚的大公司，也要面对越来越多的生成式 AI 创业公司。MiniMax 相对这些对手的优势在哪？
闫俊杰：不管在中国还是西方，大公司都是在很多不同业务之间做优化，而我们只为一件事优化，做出最高效、最强的多模态 AGI。我们相信效率本身就是智能的一部分，算力用得越高效，就能 scale 得越远。
开源给了我们另一个优势。在中国，字节跳动是闭源的，我们是开源的。开发者基于我们的模型去做开发，会把它推到新的使用场景里，形成反馈回路，帮我们更快改进。还是拿 H3 举例，字节的 Seedance 是闭源的，生成效果很好，但速度很慢；基于 H3 的开源模型可以做到实时，这就带来了新东西。最终，我们想把最好的语言模型和生成模型整合到一个系统里，我们认为这会打开大得多的机会。
03
从 Glow 到统一模型，
Agent 要学会自己定目标
Lawrence Burns：你在 2021 年 12 月创立了 MiniMax，第一个消费产品 Glow 让用户和虚拟伙伴聊天，很快积累了数百万用户。没过多久 ChatGPT 发布了。它怎么改变了你对 AI 发展路径的判断？
闫俊杰：MiniMax 第一年，我们只知道 AGI 是可能的，但没有时间表。所以第一年只是在搭基础设施，训练第一版的语言模型、图像和音频生成模型。我们想做一个 app 去验证模型的性能，这就是 Glow。我们没想到会有那么多用户，当时只是想做个实验。
大概四个月后，ChatGPT 发布了，它改变了我们对时间线的判断。它让我们意识到 scaling 需要比预想的更大、更快。所以我们开始 scale 基础设施、数据和模型规模。在 ChatGPT 之前，中国只有 MiniMax 一家公司在做语言模型。它发布之后，很快就有大概 20 家公司在做基础模型，竞争变得非常激烈。
Lawrence Burns：你们从一开始就把多模态放在战略核心，文本、图像、视频、音乐、语音都做。ChatGPT 已经不再走这么宽的路线了，比如放弃了视频。多模态一定会摊薄资源，为什么你觉得这条路是对的？
闫俊杰：真正的原因是，MiniMax 刚开始的时候，我们并不确切知道智能早期会以什么形态出现，所以在每个方向上都测试 scale，等技术足够了再把它们结合起来。多模态丰富了数据的多样性，是未来 scaling 的必经之路。但它也带来更多挑战。如果一开始只做一个模态，我们初期的进展可能会更快。但多模态正是我们和其他公司不一样的地方。
Lawrence Burns：现在 MiniMax 的主要产品是什么？消费端和企业端分别在做什么？
闫俊杰：我们有一些产品，但已经收拢成两个模型家族。一个是 M 系列，是语言模型，面向智能和生产力，比如 coding 和 agent。另一个是 H 系列，是视频生成模型，覆盖视频、图像和音频。H 系列现在的旗舰是 H3，开源，可以通过 API 用，也提供开源权重。我觉得过去几个月，H3 已经成了全世界下载量最大的开源权重模型，一个月大概被下载了 2500 万次。
重要的是，我们不认为这会一直是两个分开的世界。两个系列都是开源的，下一步是先分别 scale，然后把它们合成一个统一模型，可能就在接下来几个月。
Lawrence Burns：你说过 agent 会成为主要的增长动力，你们的 agent 叫 Mavis，你让用户把它当成一个能规划并完成复杂任务的 AI 管家。agentic AI 的机会有多大？要发挥全部潜力还需要什么？
闫俊杰：我认为 AI agent 的下一个前沿，不只是在长程任务上和人竞争，而是能自己设定目标、自己验证结果，也就是在长程任务上的自主性，这是未来。眼下，coding 和 agent 能力是 M 系列最重要的事。这个月我所有的时间都花在下一代模型 M3 Pro 上，我觉得它会是这个时代的一个大突破。不过它还没做完。
04
Intelligence with Everyone，
而不是 for Everyone
Lawrence Burns：MiniMax 在解决什么问题？
闫俊杰：我们想解决的问题很简单，就写在名字里, 我们想 minimize the inference cost，同时 maximize the frontier of intelligence with everyone。尽可能降低推理成本，把智能边界往前推，并与所有人共享智能。我认为我们是中国市场上第一家 AGI 公司，那时 LLM 和 AGI 的概念还没有成为主流。我们相信智能带来的好处不应该被限制。
Lawrence Burns：对你来说，AGI 意味着什么？它到来时我们怎么认出来？
闫俊杰：AGI 意味着新的理论可以由 AI 提出，科学上的新突破主要依靠 AI。
Lawrence Burns：如果 MiniMax 实现了它的愿景，世界会变成什么样？
闫俊杰：我觉得问题不在于 AGI 会不会实现，而在于它会让谁受益。AGI 太重要了，它不应该属于某一家公司、某一个国家或某一个组织，它必须属于我们所有人。AGI 应该属于使用模型的人、构建模型的开发者，以及为它做出贡献的研究者，他们都是这个模型最终成为什么样子的一部分。
更大的问题是，如果世界上有了更多智能，我们对世界、甚至对宇宙的理解会不会改变？我认为会。这种可能性是我做这件事的动力。
Lawrence Burns：所以开源权重对你来说很重要，大家在开源模型上构建，就拥有了某种形式的 AI 所有权，不用依赖另一家公司持续供应模型。
闫俊杰：对。这就是为什么我们的口号是 Intelligence with Everyone，而不是 Intelligence for Everyone。我认为智能属于每一个人。
05
从百度实习生，
到 500 人的 MiniMax
Lawrence Burns：你在河南的一个小镇长大，父亲在当地学校教数学，你很小就开始学大学数学。是什么让你对数学有那么大的热情？
闫俊杰：小时候家里总是有很多书，所以我很小就做了大量自学，到初中的时候，我已经在学一些大学水平的数学和计算机科学了。真正让我感兴趣的是两者的结合，用算法和数学、通过编程去解决真实世界的问题。这很自然地把我带向了机器学习，在 20 年前那还是一个很小众的领域。本科毕业后我决定读机器学习的博士，因为我相信，如果能把这些方法 scale 得足够远，AI 最终会变得强大得多、有用得多。
Lawrence Burns：2014 年你在百度深度学习研究院（IDL）待过，当时的负责人是余凯，他后来创办了地平线。那段经历给了你什么？
闫俊杰：余凯博士帮了我很多，他是我的导师。那时我还是博士生，已经发了几十篇计算机视觉方面的论文。但真正让我震惊的是多伦多大学那篇 AlexNet 论文，它用深度学习做 ImageNet 图像分类，我认为是一个巨大的突破。所以当时我想去一家全世界 GPU 最多的公司。我觉得那时百度是 NVIDIA 最大的客户，拥有世界上最大的 GPU 集群，而且非常开放。作为研究实习生，最多的时候我能用到百度三分之一的 GPU。我用这些 GPU 做了很多图像分类、目标检测的研究，在那一年的 ImageNet 挑战赛上，我和另一位实习生搭档拿到了第三名。
Lawrence Burns：我听说你祖父想写一本回忆录，但对他来说很难。这件事让你意识到 AI 能为人类解锁多大的价值。
闫俊杰：对，这是另一个动机，也是为什么早在 ChatGPT 之前，我就认为通用的智能很重要。传统的计算机视觉或语音识别只能被大公司使用，普通消费者用不上，所以「通用」很重要。
Lawrence Burns：说回现在的 MiniMax。我会用扁平、专注、节俭来形容它的文化。你们的组织能对技术转向快速反应，更愿意内部培养人才，而不是开高价从别处挖人，也更偏好成本高效的方案，而不是堆算力。这种文化在多大程度上是约束逼出来的？
闫俊杰：这是个重要的问题。我认为文化来自算力和资本上的约束。我们只是一家 500 人的公司，必须聚焦在真正重要的事情上。研发上我们有两条核心原则。第一条是把事情做简单，所以即使我们有不同的模型，架构和基础设施也都很简单。第二条，也是我们不一样的地方，是永远先建基础设施。建基础设施有时候比直接快速交付要慢，但它是 scaling 的基础。资本效率、组织效率这些，都是这两条原则在约束之下自然产生的结果。
06
投资人复盘：
MiniMax 是练习球更便宜的那个球手
访谈结束后，Scottish Mortgage 组合总监 Claire Shaw 和 Lawrence Burns 复