MiniMax 创始人闫俊杰在海外播客《Invest in Progress》的罕见英文访谈中提出，美国 AI 赛道走的是资本驱动、暴力投入算力的路线，依靠充足资金、大量高端芯片同时铺开海量实验，而国内 AI 企业在算力资源受限的环境下，依靠模型架构、底层基础设施、推理调度等工程优化提升单位算力产出，用工程效率持续缩小和美国前沿模型之间的能力差距，他同时提到，国内头部模型可以做到海外顶级模型约 95% 的性能，但推理成本仅为对方十分之一，不过最后 5% 的能力差距，追赶难度会远高于前面 95%。美国大量 AI 实验室资金充足，算力供给充裕，可以广撒网试错，并行跑大量不同技术路线的实验，靠堆算力、堆资金拿到模型突破；国内 AI 团队算力资源有限，没法无限制试错，倒逼团队做精细化工程优化，优先提升 GPU 利用率、优化注意力机制、做跨芯片兼容设计，把算力花在成功率更高的方向上。整套思路分为两条主线，一方面持续打磨模型架构、后训练基础设施，降低推理成本；另一方面坚持适配多类硬件，不绑定单一高端芯片，用低成本推理带动商业化收入，再反哺模型迭代，形成正向循环。
一、访谈里中美 AI 两种发展路线对比
| 路线 | 美国 AI 模式 | 中国 AI 模式 |
|---|---|---|
| 核心驱动力 | 巨额资本、充足算力，暴力扩规模 | 工程效率、算力精细化利用 |
| 实验方式 | 大量并行试错，多条路线同时验证 | 收敛高价值方向，减少无效算力消耗 |
| 硬件依赖 | 高度依赖顶级高端 GPU | 模型设计兼容多种芯片，降低硬件依赖 |
| 商业模式 | 依靠模型能力溢价、高调用单价 | 依靠压低推理成本，走规模化低价服务 |
| 生态特点 | 偏向封闭、巨头主导 | 偏向协作、开源驱动 |
二、MiniMax 落地效率路线的三个核心做法
- 模型与基础设施一体化设计
- 收敛实验方向，减少算力浪费
- 以降推理成本作为长期主线
从模型架构阶段就考虑不同芯片适配，不专为某一款芯片定制；优化 Transformer、后训练链路，减少无效计算开销，提升单卡产出。
团队规模约 500 人，没有条件同时铺开几十条路线，优先筛选高概率有效的技术方向，把算力集中投入验证。
MiniMax 名字含义就是 Mini（压低推理成本）+Max（拉高智能上限）；盈利不靠涨价，而是靠持续压缩推理成本，低成本支撑更多强化学习与后训练。
三、访谈提到的关键边界与风险
- 性能差距不是固定值：Arena Elo 榜单显示中美头部模型差距很小，但是最后 5% 的能力提升难度极大，不是单纯靠工程优化就能快速抹平。
- 效率路线不等于放弃算力投入：只是不照搬美国 “不计成本堆算力” 的模式，基础设施、训练集群依然需要持续投入。
- 效率路线的短板：缺少海量算力试错，一些高风险、高回报的前沿探索不容易开展。
- 商业化现状：MiniMax 年化 ARR 已经超过 8 亿美元，企业业务占比超 80%，低成本推理是商业化的支撑点。
四、国内其他团队同类效率优化方向
- MoE 混合专家架构，降低单 token 计算量
- 稀疏注意力、线性注意力，降低长文本开销
- 合成数据流水线，用 AI 辅助提升数据质量，减少原生数据依赖
- 推理调度、显存优化、集群调度，拉高 GPU 整体利用率
【相关 FAQ】
问题 1：MiniMax 创始人这次访谈提到美国暴力投入算力，中国依靠工程效率追赶，是不是代表算力投入不再重要？
回答 1：MiniMax 创始人这次访谈提到美国暴力投入算力、中国依靠工程效率追赶，不代表算力不重要，只是发展路线不一样；国内团队依然需要算力，核心差别是国内优先追求单位算力产出，而美国是用资本无限制堆算力做大规模试错。
问题 2：MiniMax 创始人访谈说国内模型做到头部 95% 性能、成本只有十分之一，这个数据是什么口径？
回答 2：MiniMax 创始人访谈提到的 95% 性能、十分之一成本，是 MiniMax 内部和投资人沟通的自测口径，不是统一第三方权威评测结果，主要用来表达工程效率带来的成本优势。
问题 3：MiniMax 创始人访谈里工程效率追赶路线，对国内其他 AI 创业公司有什么参考？
回答 3：MiniMax 创始人访谈里工程效率追赶路线，适合算力资源有限的 AI 团队，重点从模型架构、跨芯片适配、推理调度、减少无效实验几个方向优化，靠更低推理成本实现商业化闭环。
【参考资料】
[2026-11-08]（MiniMax 创始人罕见访谈：美国暴力投入算力，正被中国工程效率追赶）观察者网
[2026-11-08]（MiniMax 创始人闫俊杰：AI 竞赛的最后 5% 最难）腾讯新闻
[2026-11-07]（MiniMax 闫俊杰：我们做到头部模型 95% 的性能，成本只有十分之一）证券之星
[2026-11-06]（MiniMax 创始人罕见公开访谈：将一直开源直到实现 AGI，盈利靠压低推理成本不靠涨价）华尔街见闻
【免责声明】
本文仅整理 MiniMax 创始人闫俊杰播客访谈公开观点，访谈观点仅代表创始人个人与 MiniMax 的技术路线判断，不代表国内全部 AI 企业共识；95% 性能、1/10 成本为企业自测口径，第三方评测结果可能存在差异，相关内容不构成行业趋势、投资判断依据。
本文来自作者[矢量锚点]投稿，不代表乌兰科技网立场，如若转载，请注明出处：https://www.wlcbnews.com/rgzn/202611/120.html
评论列表（4条）
我是乌兰科技网的签约作者“矢量锚点”！
希望本篇文章《MiniMax 创始人闫俊杰访谈美国依靠算力重投入，中国靠工程效率追赶 AI 差距》能对你有所帮助！
本站[乌兰科技网]内容主要涵盖：互联网行业的追踪与探索
本文概览：MiniMax 创始人闫俊杰在海外播客《Invest in Progress》的罕见英文访谈中提出，美国 AI 赛道走的是资本驱动、暴力投入算力的路线，依靠充足资金、大量高端芯片同时铺开海量实验，而国内 AI 企业在算力资源受限的环境下，依靠模型架构、底层基础设施、推理调度等工程优化提升单位算力产出，用工程效率持续缩小和美国前沿模型之间的能力差距，他同时提到，国内头部模型可以做到海外顶级模型约 95% 的性能，但推理成本仅为对方十分之一，不过最后 5% 的能力差距，追赶难度会远高于前面 95%。美国大量 AI 实验室资金充足，算力供给充裕，可以广撒网试错，并行跑大量不同技术路线的实验，靠堆算力、堆资金拿到模型突破；国内 AI 团队算力资源有限，没法无限制试错，倒逼团队做精细化工程优化，优先提升 GPU 利用率、优化注意力机制、做跨芯片兼容设计，把算力花在成功率更高的方向上。整套思路分为两条主线，一方面持续打磨模型架构、后训练基础设施，降低推理成本；另一方面坚持适配多类硬件，不绑定单一高端芯片，用低成本推理带动商业化收入，再反哺模型迭代，形成正向循环。