一家长线基金眼里的MiniMax，与一场时隔一年的再对话

👦🏻 作者: Koji

🥷 整理：十字路口

🧑‍🎨 排版: NCon

最近我听了一场播客，Baillie Gifford（BG）合伙人 Lawrence Burns、 投资总监 Claire Shaw 和 MiniMax 创始人闫俊杰（IO）的对话。

BG 是一家有118年历史的英国长线基金，1908 年成立，持有亚马逊超过20年，期间亚马逊至少6次股价跌超30%，BG 陪它几次穿越低谷。特斯拉、腾讯也是它早期识别并长期拿住的案例。

这样一家老牌机构，在去年年底 MiniMax 香港 IPO 时认购了股份，初始投入约 2000 万英镑。时隔一年，BG 在自家播客《Invest in Progress》里和 IO 坐下来聊了一个多小时。

这是 IO 的英文播客首秀，也是中国模型公司一号位最近半年唯一一次播客专访。

今年 7 月，IO 宣布在实现 AGI 之前不再从公司领取任何薪酬，而且拿出个人名下相当于公司总股本4%的股份用于团队激励。过去一个月，他几乎所有时间都花在了下一代模型 M3 Pro 上。

BG 持有 Anthropic，也长期看好中国大模型，他们在播客中提到自己的观点：中国 AI 可能走一条不同于以往技术浪潮的发展路径，只要能看到中国大模型公司的增长飞轮持续运转，BG都会坚定持有。

👨‍🦱 Lawrence

去年12月我拜访你时，你说，最好的中国模型，性能比美国顶尖模型落后约 5%，但成本只有它们的十分之一。一年过去，这个差距有什么变化？

👨🏻‍💼 闫俊杰 IO

无论美国模型还是中国模型，距离 AGI 都还很远。

最后这5%的差距，可能比做到前面的95%更难追上。所以，缩小当前的差距，可能还需要一些时间。

作为一家中国 AI 公司，算力是我们的制约之一。这些限制也让我们成为了更好的工程师和研究者。

所以从第一天起，我们就知道，必须尽可能提高推理效率，让每一份算力发挥更大的作用。这也推动了我们在模型架构和基础设施上的创新。

除了芯片本身，我们也相信，如果能更高效地使用算力，就能做更多后训练，进一步提升模型能力。

👨‍🦱 Lawrence

能不能这样理解：很多美国前沿实验室算力充足，某种程度上被“惯坏了”，所以走上了另一条路？而MiniMax和许多中国AI实验室，从第一天起就不得不高度重视效率。

👨🏻‍💼 闫俊杰 IO

中国顶尖的前沿实验室都很关注效率，大家采用的方法不同。

我们相信，效率本身就是智能的一部分。

👨‍🦱 Lawrence

你认为 MiniMax 长期能够盈利的信心在哪里？

👨🏻‍💼 闫俊杰 IO

低推理成本是我们在利润和收入上的护城河。

有了这样的效率，我们就能依靠 API 业务建立可持续的商业模式，不必依赖一次性的交易。

👨‍🦱 Lawrence

MiniMax 很早就把多模态作为核心战略。相比之下，ChatGPT显然已经收缩了多模态布局。为什么不集中精力做好一两件事？为什么你认为这条路是对的？

👨🏻‍💼 闫俊杰 IO

MiniMax刚成立时，我们并不清楚AI最终会以什么形态出现。所以我们在不同方向上扩大规模，希望等技术积累到一定程度，再把它们结合起来。

我认为，多模态能提供更丰富的数据，是未来继续扩大规模的必经之路。多模态也是我们与其他公司的不同之处。当然，这也给我们带来了更多挑战。

在产品层面，我们有几款产品，现在主要围绕两类模型系列展开。

第一个是 M 系列，它是大语言模型，重点提升智能和生产力，主要用于编程和智能体等场景。

第二个是 H 系列，它是视频生成模型，覆盖视频、图像和音频等。目前，H 系列的旗舰模型是 H3。它是开源的，用户可以调用 API、下载模型权重，也可以通过 MiniMax Design 产品使用它。

我想，H3 已经成为全球下载量最高的开放权重模型之一，下载量可能有 2500 万次。

我们不认为这两个领域会一直彼此分离。这两个系列都是开源的，接下来会继续扩大各自的规模，再合并成一个统一的模型。

👨‍🦱 Lawrence

开源模型在中国更普遍，这是中美AI发展的重要差别之一。你如何看待开放模型和闭源模型各自的优缺点？

👨🏻‍💼 闫俊杰 IO

我认为，开源与商业化并不冲突，它能促进商业化，也能推动进一步创新。

以 MiniMax H3 为例，发布后的前三周，就出现了约300个基于它开发的开放模型。这样的反馈循环最有利于模型持续创新。

其中一个比较有名的模型是H3 Max，由美国公司fal.ai开发。他们在H3的基础上做后训练，大幅提高了生成速度。它可以在3秒内生成5秒的视频，相当于一个实时视频生成器。

速度提高之后，视频也有了全新的用法。比如，有开发者已经搭建了全天24小时运行的AI直播，它可以根据你想看的内容实时生成画面。

第二个优势是，客户能自行部署开源模型，从而保护自己的数据和隐私。

我认为，开源让模型公司、用户和开发者三方都受益。我们也会继续把AI模型开源，直到实现AGI。

👨‍🦱 Lawrence

MiniMax 的文化也是“扁平、专注和注重效率”。这种文化有多少是资源限制塑造的？面对这些限制，你们是如何建立起公司文化的？

👨🏻‍💼 闫俊杰 IO

我们其实只有500多人，所以必须专注于真正重要的事情。

在研发中，我们有两个核心的原则。

第一，尽量把事情做简单。虽然我们做不同的模型，但架构和基础设施都尽量保持简单。

第二，坚持建设基础设施。我认为这也是我们的不同之处。比起快速推出产品，建设基础设施有时会慢一些，但这是扩大规模的基础。

MiniMax 创办的第一年，当时我们只知道要追求 AGI，但没有明确的时间表。 所以第一年我们主要在搭建基础设施，训练最初版本的语言模型、图像和音频生成模型。

大概四个月后，ChatGPT 发布了。ChatGPT 改变了我们对 AI 发展速度的判断。我们意识到，必须以远超原先预期的速度，把规模做得更大。于是，我们开始扩大基础设施、数据和模型的规模。

在资源有限的情况下，我们一直坚持把事情做简单，持续建设基础设施。资本效率、组织效率以及其他一些特点，都是坚持这两项原则的结果。

👨‍🦱 Lawrence

MiniMax 想解决的问题是什么？

👨🏻‍💼 闫俊杰 IO

我们想解决的问题很简单。公司名字也说明了这一点。

MiniMax：尽可能降低推理成本，尽可能提升智能的边界，让每个人都能从中受益。

在大语言模型或 AGI 的概念流行前，我们就相信，智能不应该只让少数人受益，它应该由所有人共享。

👨‍🦱 Lawrence

你相信，开源模型能让更多人和组织用上 AI，而不必依赖某一家公司持续提供模型，这是你看重的吗？

👨🏻‍💼 闫俊杰 IO

是的。这也是我一直坚持做这件事的原因。

AGI 如此重要，它不应该属于某一家企业、某一个国家或某一个组织。它必须属于我们所有人。

我们的口号是“Intelligence with Everyone”——与所有人共同拥有智能，而不是“Intelligence for Everyone”——为所有人提供智能。

我认为，智能属于每一个人。

在播客中，主持人 Claire Shaw 向 Lawrence Burns 提了一个关于商业模式的问题：MiniMax 是如何把限制转化为优势的？

她提到，IO 称他们要保持低成本，让 MiniMax 能在模型初步训练完成后，投入更多资源继续改进，这一点对 Lawrence 的投资判断有多重要？

Lawrence Burns 称这非常关键。“MiniMax 就像那个练球更便宜的球手，同样的预算可以支持更多练习”。

他解释说，AI 模型先通过训练消化大量数据，然后进入“后训练”阶段，反复尝试任务、学习哪些方法有效。过去几年，大多数重大进步都来自后训练，比如模型编写代码、执行任务的能力。这个“练习”阶段成本很高，每次练习都相当于向模型提问，都会产生成本。

他拿高尔夫打个比方。两名球手都能通过练习进步，但其中一个人买练习用球的成本，比另一人低得多。其他条件相同，练习用球更便宜的那个人能练得更多，通常也会成为更好的球手。

低成本是 MiniMax 所有工作的核心。

成本理念已经融入这家公司的基因中。

MiniMax 诞生于资源相对有限的环境，从公司创办时 IO 就强调，要让每一小时的算力完成更多有价值的工作，让芯片持续高效运转——它把成本放在模型设计的核心位置。

而且，不同于美国的实验室在正式训练模型之前就花大量资金做实验，MiniMax 的做法是缩小实验范围、选择更准的方向，在提高资本效率的同时取得商业化结果。

BG认为，“低成本”的做事方法，形成了 MiniMax 的结构性优势，这种优势可能比他们最初认识到的还要更深。

市场是确定的，但挑战也同样存在。

中国市场价格竞争极其激烈，紧跟技术前沿的成本也在不断攀升，IO 提到的“能用十分之一的成本，干到头部模型95%的性能”优势能不能维持？我们拭目以待。