中国第一家大语言模型公司，就是MiniMax。开源不是慈善。
2026 年 11 月 3 日，Baillie Gifford 旗下 Scottish Mortgage 的官方播客 Invest in Progress 上线了最新一期：《MiniMax: The Chinese AI Lab Doing More With Less》。
主持人Claire Shaw表示，这是MiniMax创始人闫俊杰，第一次接受英文播客访谈。
采访者是 Scottish Mortgage 副经理、BG 合伙人 Lawrence Burns。去年 12 月，他飞了一趟中国，在 MiniMax 上市前见了闫俊杰一面。
今年 1 月，Scottish Mortgage 参与了 MiniMax 的港股 IPO。
Baillie Gifford，一家 1908 年成立的机构，投过亚马逊、腾讯、特斯拉、英伟达，也在 MiniMax 港股 IPO 时买了 2000 万英镑。
全文约 53 分钟。本文实录基于 Scottish Mortgage 官网发布访谈直播，口语重复与语气词奇偶工作室进行了修剪，问答内容保持完整。
开场
先认识一下对话里的人。
闫俊杰（IO）：MiniMax 创始人，董事长兼 CEO，兼 CTO。河南小镇出身，机器学习博士，曾在百度深度学习研究院做研究实习生，导师是余凯。
Lawrence Burns（LB）：Scottish Mortgage 副经理。2021 年上任，2009 年加入 Baillie Gifford，2020 年成为合伙人。
Claire Shaw（CS）：Scottish Mortgage 组合总监，主持人和开场旁白。
Invest in Progress 是 Scottish Mortgage 的旗舰播客，形式固定：投资经理对话被投公司创始人，最后由投资经理复盘投资逻辑。这一期的结构也不例外。
正片前先放访谈片段的精华。
闫俊杰：对我们，尤其是中国的一家 AI 公司来说，算力从来都是一个约束。而这个约束让我们成了更好的工程师和研究者。
Burns：我第一次见 IO（闫俊杰昵称） 是去年 12 月。最让我们好奇的是，用他自己的话说，MiniMax 能以头部前沿模型大约 95% 的性能水平，做到只有十分之一成本。
闫俊杰：我认为，美国生态在用巨额资本建设封闭系统，而中国生态在用效率建设协作。
Burns：这种低成本模式和美国看到的很不一样，它在全世界可能都非常有价值。第一，不是所有工作都需要最顶尖的水平；第二，不是所有用户和企业都像欧美的用户和企业那样付得起钱。
闫俊杰：AGI 不应该属于任何一家公司、任何一个国家或者任何一个组织。它必须属于我们所有人。
MiniMax 的访谈的骨架：穷、快、开源、平权。
1、MiniMax 的战略
就是MiniMax
Burns：IO，非常感谢你今天来做客。我们上一次聊，还是去年 12 月我去中国见你，就在 MiniMax 上市之前，Scottish Mortgage 作为 IPO 的一部分投资了你们。先恭喜你们成为上市公司。还是从一个老问题开始吧：MiniMax 是做什么的？公司想解决什么问题？
闫俊杰：我们试图解决的问题，我觉得非常简单，就写在名字里。我们要最小化推理成本，同时把智能的边界向每个人最大化扩展。在 LLM 或者 AGI 这些概念变成主流之前，我们就是中国第一家 AGI 公司。我们相信，智能的红利不应该是有限的，它应该与每一个人分享。
（奇偶工作室：MiniMax 的名字即 min（最小化推理成本）+ max（最大化智能边界）。推理（inference）指模型训练完成后，每次回答用户问题时的计算过程，这是 AI 公司最大的持续性成本项。）
Burns：对你来说，AGI 意味着什么？它到来的时候，我们怎么识别它？
闫俊杰：我认为 AGI 意味着 AI 能提出新的理论。意味着科学的下一次重大突破，主要由 AI 来完成。
2、M 系列和 H 系列
Burns：给不熟悉你们产品的听众简单介绍一下，主要产品面向消费者和企业各做什么？
闫俊杰：我们有一些产品，但现在已经收敛成两条模型产品线。第一条是 M 系列，语言模型，面向智能与生产力场景，比如编程和智能体（agent）。
第二条是 H 系列，视频生成模型，横跨视频、图像和音频。
闫俊杰补充：目前 H 系列的旗舰是 H3，完全开源，通过 API、开放权重和 MiniMax 自己的产品三种方式提供。过去一个月，H3 成了全世界下载量最大的开放权重模型，一个月下载了大约 2500 万次。
我们不认为这两个世界永远分开。两条线都会继续 scale，下一步是合并成一个统一模型。可能就在未来几个月。
3、河南、GPU 和爷爷的回忆录
Burns：你是创始人，也是董事长、CEO 和 CTO，很多事情压在你一个人身上。先聊聊你走到今天的路。
你在中国河南的一个小镇长大，那里是农业重地。你父亲在当地学校教数学，你很早就显露出数学天赋。回想起来，你很年轻就在做大学水平的数学题。是什么驱动你投入那么多额外的时间？
闫俊杰：河南在中国的中部，”河南”的意思是黄河以南，黄河是中华民族的母河。我小时候家里到处都放着书，我很小就大量自学。到中学的时候，我已经在学一些大学水平的数学和计算机科学了。
真正吸引我的是数学和计算机科学的结合。它让我能用算法和数学，通过编程解决真实世界的问题。这自然把我引向机器学习，在那个时候，那还是个相当独特的领域，大概是 20 年前。所以本科毕业后我决定读机器学习方向的博士，因为我相信，只要把这些方法 scale 得足够远，AI 最终会强大到非常有用。
Burns：你 2014 年还在百度的深度学习研究院待过，当时的负责人是余凯博士，老听众知道他后来创办了自动驾驶公司地平线，那也是我们的持仓之一。那段经历给你留下了什么？
闫俊杰：余凯博士帮了我很多，他是我当时的导师，我还是个博士生，已经发了大概几十篇计算机视觉的论文。但真正让我震撼的是多伦多大学的 AlexNet 论文。那篇论文给出了一种用深度学习做图像分类的方法，我觉得那是一个巨大的突破。
所以那时候我想去一家全世界 GPU 最多的公司。当时百度是英伟达最大的客户，意味着它有全世界最大的 GPU 集群。而且百度那时候非常开放，作为一个研究实习生，巅峰时期我能用到百度三分之一的 GPU。
我用这些 GPU 做了大量图像分类、目标检测的研究，那一年我们参加了 ImageNet 挑战赛，我和我的搭档——他也是实习生——拿到了第三名。
（奇偶工作室：AlexNet 是 2012 年引爆深度学习革命的图像识别论文。ImageNet 挑战赛是计算机视觉领域最重要的竞赛，2012 年正是 AlexNet 夺冠掀翻传统方法的一年。闫俊杰参赛拿到第三，是在那之后的两三年。）
Burns：还有一些个人经历塑造了你对 AI 的信念。我听说的一个，是你爷爷想写一本回忆录，但很难做到。这件事给你留下了很深的印记。
闫俊杰：是的，这是另一个动机。这也是我在 ChatGPT 出现之前就觉得通用智能很重要的原因。传统的计算机视觉、语音识别，只有大公司能用，普通消费者用不上。所以”通用”很重要。
（奇偶工作室：这段没有展开，但意思大概是：技术如果不能到每个人手里，就不算数。这个判断后来写进了公司的名字。）
4、ChatGPT 前夜
Burns：你在 2021 年 12 月创立 MiniMax。第一款消费产品是 Glow，一个能和虚拟角色聊天的平台，很快积累了数百万用户。不久之后 ChatGPT 发布了，它彻底改变了消费端。我好奇的是，它的发布如何改变了你对 AI 发展节奏的判断？
闫俊杰：MiniMax 的第一年，我们只知道 AGI 很重要，但没有时间表。第一年我们就是在建基础设施，训练最初版本的语言模型和图像、音频生成模型。我们想做一个 app 来测试和验证模型的性能，这就是 Glow。我们没料到会有那么多用户，当时只是想做一个实验。
大概四个月后，ChatGPT 发布了。它改变了我们对时间表的感知。它让我们意识到，scaling 必须比我们预想的大得多、快得多。于是我们开始 scale 基础设施、scale 数据、scale 模型的尺寸。
Burns：它是一个催化剂？
闫俊杰：对。其实在 ChatGPT 发布之前，中国只有一家公司在做大语言模型——就是 MiniMax。
ChatGPT 之后，中国很快有了大概 20 家做大语言模型的公司。竞争变得非常激烈。
5 为什么死磕多模态
Burns：你从一开始就把多模态放在战略核心：文本、图像、视频、音乐、语音都要生成。OpenAI 反而收窄了路线，比如砍掉了视频。多模态显然会摊薄资源。为什么这对你是正确的路，而不是聚焦一两件事？
闫俊杰：真正的原因是，MiniMax 刚开始的时候，我们并不确切知道它最终会是什么形态。所以我们就把每个方向都 scale 起来，等技术积累够了再把它们合并。多模态丰富了数据多样性，是未来 scaling 的必由之路。但它也确实带来更多挑战。如果一开始只聚焦单一模态，我们可能初期进步更快。
不过，多模态正是我们区别于其他公司的地方。
6、Agent 的下一步
自己定目标
Burns：你说过智能体（agent）会成为主要增长驱动力。你们把自己的 agent 品牌命名为 Mavis，定位是能规划并完成复杂任务的 AI 管家。你怎么看 agentic AI 的增长机会？它要释放全部潜力，还需要发生什么？
闫俊杰：我认为 AI agent 的下一个前沿，不是在长程任务上和人类竞争，而是自己形成目标、自己验证结果。也就是长程任务上的自主性。我认为这就是未来。在当下，我们把编程能力和 agent 能力作为 M 系列模型最重要的两件事。
实际上，这个月我所有的时间都花在我们的下一代模型上。M3 Pro。我认为它会是这个时代的一次大突破。虽然它还没有完成。
7 利润的算法
Burns：和很多 AI 公司一样，你们目前还在亏损。只要能看到飞轮在转，产品能力越强，用的人越多，收入越多，再投入研发，最终走向盈利，我们对此没有意见。MiniMax 是这么想的吗？你凭什么相信长期能盈利？
闫俊杰：我认为 AI 的利润不是靠提价实现的，是靠创新把推理成本打下来实现的。低推理成本是我们利润和收入的双重护城河。
这种效率让我们得以建立一个由 API 驱动的高度可持续的商业模式，而不是一次性交易。
比如今年我们的 ARR 增长非常好，截至 8 月，ARR 已经超过 8 亿美元，其中 B2B 占比超过 80%。只要模型性能持续提升、价格 leadership 保持住，收入增速一定会超过成本。这是我们的完美计划。
（奇偶工作室：ARR（annualized revenue run rate，年化收入运行率）指把当月收入乘以 12 得到的年化口径。）
8 最后 5% 最难追
Burns：回到你去年 12 月说的那句话：中国最好的模型性能大约落后美国头部 5%，但成本低 10 倍。这十个月里，能力和价格的差距怎么变化的？
闫俊杰：我认为重要的不是某一个时点的差距，而是改进速度的提升。因为无论美国模型还是中国模型，都还处在通往 AGI 的非常早期的阶段。
第一，那 5% 的差距，可能比前 95% 都难追得多。所以我认为目前的差距可能需要一些时间来解决。我们还处在 AGI 的非常早期，重要的是我们能改进得多快。
对我们来说，尤其是一家中国 AI 公司，算力从来都是一个约束。所以从第一天起，我们就知道必须让推理尽可能高效。实际上，过去三年，双方的改进速度已经大致相当了。我们关注的是进展的速率，不是某个时点的排名。这引导我们去做架构创新和芯片之外的基础设施创新。
我们相信，如果能更高效地使用算力，就一定能做多得多的后训练（post-training），把模型推得更远。这可能给我们一条不同的智能 scaling 路径。
（奇偶工作室：post-training（后训练）指模型预训练完成后，通过强化学习、数据合成等方式继续训练的阶段。过去几年模型能力最大的几次跃迁，写代码、做 agent，主要来自后训练。后训练的每一步都消耗推理算力，所以推理成本直接决定后训练的规模。）
Burns：可以这么理解吗：美国的前沿实验室被算力宠坏了，他们非常成功地推动了前沿，但从来没有像你们这样，从第一天就被逼着重视效率？
闫俊杰：是的。中国顶尖的前沿实验室都在聚焦效率，但我们用的方法各不相同。比如在 Transformer 里用不同的架构，在后训练里用不同的基础设施，聚焦不同的模态。你能看到中国不同前沿实验室的模型是不一样的，但它们都有用。
9 开源不是慈善
Burns：中美 AI 的另一个重大分歧是闭源和开源。OpenAI、Anthropic 是闭源。开源在中国更流行。开源模型允许别人免费下载、在第三方硬件上运行。你怎么看两者的优劣？
闫俊杰：我认为开源不是变现的对立面，而是变现和进一步创新的催化剂。比如我们刚说的 H3，发布头两周，就有大约 300 个基于 H3 的开放模型被做了出来。这是对我们的模型而言最好的创新反馈回路。
举个例子：那 300 个模型里有个很有名的，是美国公司 fal.ai 做的 H3 Max，在 H3 的基础上做后训练，速度快得多。它 3 秒钟就能生成 5 秒钟的视频，是一个实时视频生成器。
这种速度带来了完全全新的视频用法，以前根本不可能。比如开发者做出了 24 小时不间断的 AI 直播，内容根据你想看的东西实时生成。同样的能力可以让实时游戏、教育和很多其他交互体验成为可能。
第二个优势是，当客户能自己托管开放权重模型时，他们能保护自己的数据和隐私。这对企业和政府很重要。所以开源对模型公司、对用户、对开发者是三赢。我们计划一直开源下去，直到实现 AGI。
10 500 人的纪律
Burns：聊聊 MiniMax 的文化。用三个词形容的话，是扁平、聚焦、节俭。你倾向于内部培养人才，而不是花极高的薪水从别处挖人。这种文化在多大程度上是被你们所处的约束塑造出来的？
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。我们其实只有 500 人，所以必须聚焦在真正重要的事上。我们的研发有两条核心原则。
第一条，把东西做简单。尽管我们有不同的模型，但我们的架构和基础设施非常简单。
第二条不一样：始终建设基础设施。建基础设施有时候比直接发产品要慢，但它是我们 scale 的地基。
基于这两条原则——把东西做简单、始终建基础设施——其他的差别，比如资本效率、组织效率，都是约束之下自然长出来的结果。
11 推理成本压得极低
Burns：中国和很多中国实验室把推理成本压得极低。这让我想问：如果全世界都像你们一样高效，对算力和英伟达芯片的需求还会像人们预期的那么大吗？还是说这就是杰文斯悖论，成本降下来，用量会升上去，人们永远想要更多芯片？
闫俊杰：首先，我们的架构设计原则是，无论用什么芯片都能跑得好。我们能做到的是三个领域的技术领先：模型架构、基础设施、优化。这三样东西在硬件受限的时候反而更值钱。约束让我们成了更好的工程师和研究者。算力越受限，算法和推理就越重要。
Burns：回到更宏观的视角。中国 AI 生态和美国相比，各自的强项和弱项是什么？这会导向什么样的技术和产品创新？
闫俊杰：我认为美国生态在用巨额资本建设封闭系统，中国生态在用效率建设协作。美国公司有更多算力、更多资本、更多芯片获取渠道；中国公司被迫把每一单位算力用到更高效。
我不认为两个生态会收敛到同一条路上。开放对封闭、高效对资源充裕——这些差异会塑造各自生态最终能造出什么。
12 壁垒
Burns：在中国内部，你们的对手是字节跳动这样雄心勃勃、资金雄厚的大公司，还有阿里巴巴，以及 ChatGPT 之后冒出来的 20 多家生成式 AI 创业公司。
听众应该怎么理解 MiniMax 相对这些对手的壁垒？
闫俊杰：大公司，无论中国还是西方，都是在为很多不同的业务做优化；而我们只为一件事做优化：建设最高效、能力最强的多模态 AGI。我们相信，效率本身就是智能的一部分。你对算力的使用效率越高，能 scale 得就越远。开源是我们的另一个优势。比如在中国，字节跳动是闭源的，我们是开源的。
在我们模型上做开发的开发者，把它推向新的应用场景，形成帮助我们更快改进的反馈回路。还可以拿 H3 举例：字节的 Seedance 是闭源的，生成的效果不好，速度还很慢。而基于 H3 的开放模型可以做到实时。这带来了全新的东西。
最终，我们想把自己最好的语言模型和视频生成模型合成一个系统。我们认为那会打开一个作为单一模型的大得多的机会。这就是 MiniMax 的壁垒。
13 AGI 属于谁
Burns：最后一个问题，我们问每一位来节目的创始人：如果 MiniMax 实现了它的愿景，世界会变成什么样？会改变什么？
闫俊杰：我认为问题不是 AGI 能不能实现，而是它会造福谁。AGI 太重要了，它不应该属于任何一家公司、任何一个国家或者任何一个组织，它必须属于我们所有人。这就是我持续做这件事的原因：实现 AGI，确保智能与每个人同在。
更大的问题是，如果世界上有了更多的智能，我们对世界、乃至宇宙的理解，会不会改变？我认为会。这种可能性就是驱动我的东西。
Burns：也就是说，开放权重模型让 AI 的力量扩散到更多人和组织，因为他们对 AI 有一种所有权——它是开源的，他们在它之上构建，不依赖另一家公司持续供给你这个模型。这是关键所在？
闫俊杰：是的。所以我们的口号是 intelligence with everyone，而不是 intelligence for everyone。因为我认为它属于每一个人。
（奇偶工作室：给所有人（for everyone）是分发，与所有人同在（with everyone）是共有。）
14 投资人怎么看
正片结束，主持人 Claire Shaw 留下 Burns 做例行的投资复盘。
BG 到底为什么投资 MiniMax？
Claire Shaw：最让我着迷的是 IO 说的，中美 AI 生态不会收敛到同一条路上。拿不到美国对手那么多顶级芯片，反而成了 MiniMax 的长期优势。
Burns：三件事。第一件是我去年 12 月第一次见 IO。我们对他本人、对中国 AI 生态听到的信息非常好奇——用他自己的话说，MiniMax 能以头部前沿模型 95% 的性能、十分之一的成本交付。
第二件，是我们非常钦佩这种成本优势是如何长在公司的骨子里的。它生于稀缺，这塑造了他们做事的方式，给了我们一种比当初认知更结构性的优势。他们没有同等级别的高端 GPU 获取渠道，所以 IO 把公司建成了这样一个形态：从每一小时算力里榨出更多有用功，让芯片时刻满载，把成本放在模型设计的中心。
这个模式和美国很不一样，在全世界都可能非常有价值。第一，不是所有工作都需要最顶尖的水平；第二，不是所有用户和企业都像欧美那样付得起钱。
第三件事是 IO 本人。他是一位备受尊敬的 AI 科学家，同时是一位很好的资本配置者。这个组合非常罕见。所以我们认为值得支持他。
还有一点，AI 作为一项技术发展得非常快，美国和加州在发生有趣的事，中国也在发生有趣的事。只有同时和这两个生态保持接触，你才有更好的机会理解 AI 会怎么发展。只看其中一个，这个工作会难得多。所以我们认为，对中国生态保持一定敞口非常重要。
Burns：对我们来说，MiniMax 这一路波动不小。我们 1 月在 IPO 时投资了大约 2000 万英镑。上市之后股价反应非常强烈，这让我们取出了 4000 万英镑——是投入的两倍——同时仍持有大约 2000 万英镑的头寸。所以对我们来说，这是一笔不错的投资，更是一次极好的学习机会。
Burns：AI 实验室普遍的做法，尤其在美国，是花大钱在训练模型之前做大量实验，看哪些路线走得通。他们有资本、有芯片这么做。IO 最难得的能力是大幅收窄实验的押注范围，做更少的选择，因此资本效率更高，但依然能拿到好结果。在中国 AI 生态里和他共事多年的人说，这是他最大的强项之一：比别人更早看清技术要往哪走。
Claire Shaw：再深入聊一下商业模式。通过压缩每次回答的成本，公司可以给客户更低的价格、赢得更多业务。但 IO 还提到了第二点，不那么显眼：成本低，意味着模型发布之后，公司负担得起更多改进工作。
Burns：低成本是他们一切的中心，第二点也非常重要。极简地讲，AI 模型先消化大量数据获得知识，这叫训练；之后还有一个阶段叫后训练，模型在那里反复练习完成任务，学习什么有用什么没用。过去几年模型能力最大的几次飞跃都来自后训练。而练习是贵的——每一次练习都是在向模型提问，都有成本。
打个比方：两个高尔夫球手，都会因为练习而进步，但其中一个的练习球便宜得多。其他条件相同的情况下，能拿到更多更便宜练习球的人，球技会更好。这个比喻里，MiniMax 就是练习球更便宜的那一个，同样的预算能练更多。所以便宜的回答不只是让终端用户和企业用得起，它让产品能以更快、更省钱的方式持续变好。
15 风险清单
Claire Shaw：MiniMax 增长很快，但风险也要谈。公司还在亏损。IO 的想法是收入增速超过成本增速来实现盈利。你觉得最大的挑战是什么？
Burns：这个挑战是真实的，不应该回避。今年上半年收入接近翻了两番，但报告亏损大约是收入的 3 倍。熟悉 AI 实验室公司的人都会注意到，这个量级的投入并不罕见。
但最终，你需要一个能盈利的模型。
我认为有两个真实的挑战。第一，中国的价格竞争极其激烈——你在和 DeepSeek 这样的对手竞争。第二，追平前沿的成本在持续上升，这就是 MiniMax 7 月融资 20 亿美元的原因。
解法就是我们谈的这些：保持精简的成本结构、做正确的技术选择、在收入能规模化的市场增长。关键的一点是，模型每进步一代，就给公司解锁更大的市场。现在研究支出的增速已经低于销售增速，这是个好信号。销售也在从消费者端转向企业端——企业收入增长了大约 8 倍，现在占收入的 63%。IO 提到年化口径是 80%，你能看到这个趋势正在兑现。
但我们必须说清楚：退一步看，这是一个早期持仓。它高度不对称——通往成功的路有很多条，但可能的结果分布也很宽。这也是为什么它在组合里的仓位是这个规模。
16 市场有多大
Claire Shaw：最后一个问题。IO 说，把更强的 AI agent 和 MiniMax 最好的语言模型、视频模型合成一个系统，会打开更大的机会。但这个行业变化太快，很难判断。作为长期投资者，你觉得 MiniMax 服务的市场能有多大？
Burns：这笔投资里我唯一不担心的就是市场够不够大。只要你能以更低的成本提供越来越强的智能，市场就一定在。市场会随着你的能力提升持续长大。
你提到把语言模型和视频模型合起来，这是个绝佳的例子。多数工作是多种技能的混合，而不是单一技能。今天的视频模型擅长生成片段，但不太能接受指挥——它没法像一个剪辑师那样修改这个片段，而这需要语言模型的理解力。一旦系统两者兼备，AI 就从”做片段”变成”承接整个项目”——广告、电影、设计。人们会为这种智能付高得多的钱。所以需求会随着一代代新模型的发布阶梯式地到来，比如 IO 描述的实时视频。这里真正的大问题是竞争、盈利能力和利润率，但市场规模本身，我们非常有信心。
访谈结束。
