百人牛牛怎么玩才赢

百人牛牛怎么玩才赢

当整个 AI 圈都在为 DAU（日活跃用户数）和融资额焦虑时，MiniMax 创始人闫俊杰却表现出一种近乎冷酷的淡漠。

坐在罗永浩对面的闫俊杰，并不像一位掌管着 AI 独角兽企业的技术新贵。

他拒绝谈论改变世界，反而坦承恐惧。那种恐惧不是来自商业竞争，而是来自技术本身——当模型的能力开始超越人类时，创造者反而成了最先感到不安的人。

只要是一个东西能被量化，模型就一定会强于人，或者一定是能到最好的人类的那一档水平。所有做得比较成功的模型，在做出来之前都会有点害怕。

据晚点采访，在 MiniMax 内部，互联网行业奉为圭臬的 DAU ，被闫俊杰直接定义为「虚荣指标」。

在巨头环伺、算力短缺、热钱褪去的 2025 年，MiniMax 正在进行一场关于认知的修正：不再沿用移动互联网的逻辑，即通过大规模投放换取增长、通过堆砌功能留住用户，而是回归本质：把模型当作最重要的产品。

在大模型时代，真正的产品其实是模型本身，传统意义上的产品更像是一个渠道。如果模型不够聪明，产品做得再好也没有用。

在罗永浩和闫俊杰这期对谈里，我发现 MiniMax 这家 AI 公司从创业第一天就选择了注定与主流背道而驰的技术路径。

当所有人都试图寻找中国的 OpenAI 和 Sam Altman 时，闫俊杰却在试图证明「非天才」的价值。MiniMax 的故事不是关于天才的灵光乍现，而是一场关于如何在资源受限的缝隙中，通过极度理性地计算与修正，撕开一道通往 AGI 窄门的精密实验。

用 1/50 的筹码通往 AGI

MiniMax 过去三年的技术路线，表面看是一连串孤立的赌注，实则暗藏着一条统一的逻辑线索：在资源受限的前提下，如何用更聪明的方式优化，而非更多的算力堆砌，逼近 AGI 的上限。

当行业还在卷文本时，MiniMax 做了一个在当时看来极度冒险的决定：创业第一天就押注全模态。闫俊杰后来解释说，他们一开始就想得很清楚，真正的 AGI 一定是多模态的输入、多模态的输出。

三年多前创业时完全没有现成的技术路线，他们的策略就是每个模态至少先走通，等时机成熟再融合。这种坚持在当时备受质疑——业界主流认为应该先聚焦单一模态做到极致。

但闫俊杰的逻辑是，AGI 的本质是多模态融合，如果现在不同步推进，等到需要融合时技术债会成为致命伤。这种非共识的坚持，让 MiniMax 在 2025 年拥有了全球音频第一、视频第二、文本稳坐第一梯队的全模态能力。

前不久 OpenAI 的 Sora 2 通过多模态融合取得了显著成果，这在一定程度上也印证了 MiniMax 早在创业初期就选择这一技术路径的前瞻性。

但更激进的是，闫俊杰在创业初期就打破了 AI 研究的传统模式。

这是公司刚组建时打破的第一个认知——把大模型做好这件事一定不能迷信之前的经验，得用第一性原理拆开来看。大概在四五年前，人工智能领域大家追求的是写很多数学公式，把理论搞得很好、很花哨。 但这代人工智能最核心的其实就是 Scaling（缩放定律），就是让它能够用最简单的方法把效果做得更好，并且随着数据跟算力变多，效果就能够持续往上涨。

闫俊杰的技术直觉源自 2014 年在百度的实习经历。那时 Anthropic 的 CEO Dario Amodei 也在百度实习，正是在那里他发现了 Scaling Law 的雏形。

闫俊杰说，Scaling Law 其实在 2014 年做语音识别时就已经被发现了，但真正被广泛认知是大概 2020 年左右。「六年前就有了，并且那件事发生在中国公司，所以后面的事就有点遗憾。」

这段往事让闫俊杰意识到，中国并非没有机会，而是错失了把技术洞察转化为产业优势的时机。

现实是残酷的。闫俊杰很清楚中美之间的差距。他算过一笔账：美国最好的公司的估值是中国创业公司的 100 倍，收入基本上也是 100 倍，但技术可能就领先 5%，花的钱大概是 50 到 100 倍之间。

那为什么中国的公司可以花他们 1/50 的钱就做出来效果，差距可能只差 5%？核心原因是中国的人才还是非常好的。而更关键的是，中国的算力比美国有很大差距，因此必须得用更加创新的方式，才有可能做到同样的效果。 原则可能是一样，但方法上，在每个模块上其实都有很多创新。

算力限制不一定是诅咒，反而能成为倒逼创新的鞭子。

这就解释了为什么 MiniMax 从 2023 年起就率先探索 MoE 架构，为什么在 2025 年敢于押注线性注意力机制，又为什么在 M2 模型中回归全注意力机制。

每一次技术选择，都是在有限资源下寻找质量、速度、价格的三角平衡。

如果说 DeepSeek的逻辑是「用极致的工程优化榨干每一分算力」，那么MiniMax 就是在通过算法突破和机制创新在有限资源中撬动更大可能。

一个稳扎稳打，一个剑走偏锋。

其中一个出奇的创新， 是 MiniMax 在模型推理机制提出的「交错思维（Interleaved Thinking）」，让模型在「动手做事—停下来思考—再动手」的循环里推进任务。

这一新的机制很快推动了 OpenRouter、Ollama 等国外主流推理框架的适配支持，也带动 Kimi 和 DeepSeek 等国内模型陆续补齐类似能力。

但这些成果背后，更值得追问的是：一支没有硅谷海归坐镇、被外界视作「草根」的团队，如何做出全球领先的模型？

闫俊杰的回答出人意料。

AI 不是玄学，而是可以被第一性原理拆解的工程问题，比如算法该怎么设计，数据的链路该怎么搭建，训练效率该怎么优化，每个东西都有非常明确的目标。

正是基于这一判断，让闫俊杰放弃了寻找「天才」，转而相信科学方法论可以让普通人发挥非凡价值。 他还提到，公司的海归是不少的，但真正能起到关键作用的同学，很多人基本上都是第一份工作。

在 MiniMax 会议室墙上有一行字——Intelligence with Everyone，这是闫俊杰创业的初衷，也是不少人选择加入 MiniMax 的理由。

这行字今天也正在成为现实，全球超过两百个国家和地区的用户正在使用 MiniMax 的多模态模型，其中既有 2.12亿用户，也有 10 多万企业和开发者来创造更多产品和服务。

非天才主义的 AI 掌舵人

如果说技术路线的非共识是显性的，那么闫俊杰本人的成长轨迹，则是一场关于「反脆弱性」的修行。

闫俊杰出身河南小县城，在资源极度匮乏的环境下培养了极强的自学能力。

上小学的时候自己会看很多书，而且这些书有可能不应该是那个时间点的人来看的。比如很多高中甚至大学的书，上小学的时候提前就看。我爸爸是教初中的，就开始看初中的东西，上初中的时候就开始看高中的东西，高中的时候又开始学微积分，那些东西其实也没有人教，就是自己看。

小学自学初中，高中自学微积分——这种不受环境限制、超前学习的特质，贯穿了闫俊杰的整个创业生涯。当别人在等待导师指点时，他已经通过第一性原理自我拆解问题；当别人在抱怨资源不足时，他已经通过极致的自学能力补上了差距。

但自学能力并不意味着一帆风顺。这和闫俊杰在商汤受到的「残酷训练」不无关系。那时候他开始意识到要真正做一个最好的东西，就做了人脸识别，从倒数到第一大概花了一年半。

这一年半是非常痛苦的，每次技术测试都是倒数第几名，这种煎熬足以击垮大多数人。 但闫俊杰没有放弃，反而从这段经历中提炼出了核心方法论：一定要做取舍，一定要选一些更加长期、能够根本性发生变化的东西，而不是去做一些修补的东西。

经历这事之后，最核心的还是对自己这些最底层的判断有信心。

这段磨炼锻造了闫俊杰两个关键特质：一是极致的取舍能力，愿意放弃短期修补，聚焦长期突破；二是极高的心理韧性，能够承受长周期的失败和质疑。

这两个特质，恰恰是 MiniMax 能够在技术路线上坚持非共识这种近乎「佛系」的定力，让闫俊杰在硅谷银行危机、模型训练失败等困境中都能保持冷静。

中国 AI 的第三条路

MiniMax 的故事讲到这里，一个更大的问题自然浮出水面：当人才培养需要时间，技术追赶需要周期，中国 AI 公司靠什么在当下就建立自己的生存空间?

MiniMax 不一定是标准答案，但闫俊杰倒是有三个创业至今一直坚持的原则：

第一，不做项目，只做用户；第二，国内海外同时做。

2022 年，国内大厂还在观望 AI 是否值得投入，创业公司普遍选择 ToB 路径（做项目、卖解决方案）以求快速变现。但闫俊杰选择了最难的一条路：ToC，并且从第一天就瞄准全球市场。

因此，闫俊杰选择在海外更激烈的竞争中打磨技术，而非卷入国内与巨头的流量争夺。事实证明，这是正确的——MiniMax 在海外市场的 DAU 和付费率都维持在健康区间，而这正在成为它的护城河。

但最难的，是第三个原则：技术驱动 vs 用户增长。

这是对所有 AI 创业公司的终极拷问。闫俊杰坦白也纠结过，最终选择了前者，哪怕这意味着短期数据的牺牲、中层的流失和外界的质疑。

通过模型能力推动产品和业务发展，或者通过移动互联网时代的增长方式来发展，两者有可能都是对的，但它们是没法共存的。最后我们发现技术驱动的这种方式才适合我们。

在技术驱动的战略下，闫俊杰做出另外一个关键选择：开源。

年初 DeepSeek R1 横空出世后不久，闫俊杰曾表示，如果可以重新选，应该第一天就开源。在和罗永浩的对谈里他再次谈到开源。 实际上开源这件事，在手机操作系统上其实都发生过。苹果是闭源的，安卓是开源的，第二名后面的人必须得开源才有自己的独特定位，才能发出新的生态。

为了让我们能够进展，需要别人有选择我们的理由，模型的开放性恰好是一个非常重要的理由，因为它可以让你有足够强的技术信任，知道你的研发能力，也愿意更加深度来合作。

而 MiniMax 也延续着 DeepSeek 掀起的开源浪潮， MiniMax M2 发布后，大模型分析平台 Artificial Analysis 是这样介绍的：

中国 AI 实验室在开源领域持续保持领先地位。 MiniMax 的发布延续了中国 AI 在开源领域的领先地位，这一地位由 DeepSeek 在 2024 年底开启，并由 DeepSeek 的后续发布、阿里巴巴、智谱、和 Kimi 等公司持续保持。

最近全球模型聚合平台 OpenRouter 联合a16z 发布了一份报告 State of AI 的100 Trillion Tokens ，可以看到 M2 开源之后，快速受到了全球开发者欢迎和采纳。

中国开源模型在全球使用量占比从 2024 年初的 1.2%，现在这个数字已经飙升至 30%，全球开源生态的重心已经向中国倾斜。

但这场竞赛远未结束。闫俊杰的判断是，算力和芯片的物理限制，决定了模型参数量和成本是有天花板的。在一个有限的参数量的情况下，不同的人来做不同的取舍，就一定会有些不一样的成果。

AI 不会一家独大，但也不会百家争鸣，最终会收敛到少数几家基于不同取舍的共存格局。

罗永浩关于「中国错失 GPT-3.5」的追问，闫俊杰展现出了一种务实的乐观。他表示把技术做好最重要的东西，说到底其实是两个词，一个是想象力，一个是自信。

美国那些企业很多浪潮是他们引领的，所以有自信在，要引领这个行业。在中国有些产业里面其实也是这样的，比如通讯、还有其他领域。 至少人工智能这个行业目前还没有到引领这个地步，但这个事情已经越来越具备了。

这或许就是中国 AI 公司需要走出的第三条路：

用更聪明的架构设计，对抗算力差距；

通过科学的组织进化，培养 AI 原生人才 ；

在夹缝中长出自己的形状，而非附庸于巨头。

MiniMax 的故事还在继续，中国 AI 的篇章墨迹尚未干。胜负不由起跑线决定，而由你选择在哪条路上、用什么样的节奏、坚持多久来定义。

闫俊杰在访谈中说道：

再往后三年看，即使不是我们，也会有中国其他的人能够做到这件事。

三年后，会是谁?又会用怎样的方式？

没有一部续集如此令人期待，因为我们都会是其中的角色。