MiniMax创始人闫俊杰谈AI：国产大模型突围实战指南

2024年我跑了好几场AI行业沙龙，发现一个有意思的现象：只要聊到国产大模型的技术路线，Minimax创始人闫俊杰谈AI的那些发言，总会被同行翻出来反复咀嚼。不是因为他讲得多玄乎——恰恰相反，他说的东西经常让人"不舒服"。

核心结论摘要：MiniMax创始人闫俊杰谈AI，可以浓缩成一句话——国产大模型不能只在应用层做"套壳生意"，必须在模型架构、推理效率和多模态能力上建立底层优势。他把MoE架构视为效率突破口，把Agent看作下一阶段的产品形态，多模态统一则是长期押注。

这篇不打算做新闻稿复读。我会结合自己跑模型、做产品的经历，把闫俊杰谈AI的几个关键判断拆开聊，顺便说清楚哪些我认同，哪些我保留意见。

闫俊杰是谁，他的观点凭什么值得听

先给不熟悉的朋友补个背景。闫俊杰是中科院博士出身，曾在商汤科技做到副总裁、研究院副院长，2021年底创立MiniMax。这家公司你可能没直接注册过，但它的产品大概率刷到过——海螺AI、星野、Talkie，都是MiniMax的手笔。据多家媒体报道，MiniMax在2024年完成新一轮融资，估值超过25亿美元。

闫俊杰的特别之处在于，他是国内少有的既做底层模型、又亲自盯C端产品的创始人。这种双重身份让他的判断往往比纯学术派更"接地气"，也比纯产品派多一层技术纵深。我个人觉得，这正是Minimax创始人闫俊杰谈AI值得细读的原因——他被迫在两套逻辑之间反复权衡，而大多数创业者只站在其中一边。

三层技术判断：从训练、推理到多模态

大模型训练：不做"套壳"的底层执念

闫俊杰反复强调一个观点：如果一家公司只是调用别人的API做应用，那它本质上不是AI公司。这话听着刺耳，但逻辑是成立的。API是租来的，模型能力的天花板由别人决定，你今天做出的爆款，明天对手改一次价格策略就可能土崩瓦解。

那怎么建立底层优势？MiniMax给出的答案之一是MoE架构。据MiniMax官方2024年4月发布的abab 6.5技术资料，该模型采用MoE（混合专家）架构，在保持参数规模的同时降低单次推理的激活参数量。说白了，就是让模型"按需调用脑细胞"，而不是每次推理都把整个大脑点亮一遍。

坦白讲，MoE不是什么独家秘方，DeepSeek、Mistral都在用。但MiniMax落得比较早、比较彻底。这里我想插入一段自己的判断：MoE真正难的不是架构本身，而是路由训练的稳定性。我自己复现过小规模MoE，最头疼的就是专家负载不均——少数专家被反复激活，其余专家"躺平"，最后模型退化回稠密结构。所以闫俊杰谈AI时强调训练侧的工程能力，不是客套话，是踩过坑的人才有的体感。

大模型推理：成本才是生死线

模型训出来只是第一步，真正的战场在推理成本上。这一层我特别有共鸣。

据斯坦福大学《AI Index 2024》报告（2024年4月发布），前沿模型的推理成本在18个月内下降了约280倍，远超训练成本的下降速度。这个数字背后是一整套工程优化：量化、KV Cache复用、批处理调度、投机解码……闫俊杰谈AI时多次提到，成本控制能力直接决定了商业化的天花板。

我去年帮一个团队做过推理服务选型，结论很扎心：同一个开源模型，配置优化得好和优化得差，单位token成本能差出5倍以上。所以国产大模型如果只拼"谁的评测分数高"，是拼不出护城河的——高分数低效率，规模化时就是烧钱黑洞。

多模态大模型：文本、语音、视频的统一战场

闫俊杰谈AI时，多模态是出现频率最高的词之一。他的判断是：未来不该有"文生文""文生图"这么细的分工，而应该有一个统一的多模态底座。海螺AI视频生成在2024年下半年出圈，某种程度上就是这个判断的一次公开验证。

统一底座的诱惑在于数据复用和任务迁移。但难点也明显——不同模态的数据分布差异极大，对齐成本高，训练稳定性差。我的看法是，多模态统一是方向没错，但短期内更现实的路径是"共享骨干 + 模态适配头"，而不是把所有模态硬塞进同一个表征空间。

一张表看懂：闫俊杰的判断 vs 行业现状

| 维度 | 闫俊杰的核心判断 | 行业主流做法 | 落地难点 | |---|---|---|---| | 模型架构 | MoE是效率必经之路 | 部分公司仍押注稠密模型 | 路由训练不稳定、专家负载不均 | | 推理成本 | 成本决定商业化天花板 | 靠融资补贴换规模增长 | 边际成本压不下去 | | 多模态 | 统一底座优于单点能力 | 各模态独立迭代 | 跨模态数据对齐成本高 | | 产品形态 | Agent是下一个入口 | 以聊天机器人为主要形态 | 长任务稳定性差、错误累积 |

这张表我改了三四版。核心想表达的是：判断本身不难获取，难的是每条判断落到工程细节上都要付出真金白银的代价。闫俊杰谈AI之所以有价值，是因为他把这些代价摆在台面上说，而不是只画饼。

实战应用：把判断落到自己的项目里

如果你不是创业者，只是想用好这些观点，我整理了几条可操作的建议：

• **选模型先看推理成本结构**，不要只盯榜单分数。跑一个真实业务场景的压测，算清每千token的落地成本，再决定用谁。
• **做多模态应用时，优先验证数据链路**。模型能力往往是够的，卡住项目的通常是数据标注、清洗和对齐。
• **押注Agent前先想清楚容错机制**。Agent的多步推理会累积错误，没有断点重试和人工兜底，线上事故率会很难看。
• **关注MoE的服务化部署**。MoE推理对显存和调度要求更高，自建服务需要提前评估硬件预算。

这些不是纸上谈兵。我在实际项目中发现，第一条和第三条能帮团队省下最多的试错预算——很多人卡在"选错模型 + Agent失控"这两件事上。

冷思考：哪些判断我持保留意见

说点不同意的。闫俊杰谈AI时对"统一多模态底座"的乐观，我认为略微超前。统一模型在演示场景很惊艳，但真到垂直行业，客户要的往往是"小而准的专用模型"，而不是"大而全的通用模型"。通用底座的边际价值在B端可能低于预期。

另外，Agent作为入口的判断，我部分认同但保持警惕。Agent的体验上限很高，但工程上限很低——一个工具调用失败、一次上下文丢失，用户体验就崩了。这条路要走通，恐怕还要一两年。

总结与学习路径

回头看，Minimax创始人闫俊杰谈AI对我最大的启发不是某个具体结论，而是他看问题的方式：从底层架构推导商业结果，而不是反过来。这种思路在AI行业尤其稀缺，因为大多数人都在追热点，而不是追第一性原理。

如果你想顺着这条线深入学习，我的路径建议是：先补MoE和Transformer的架构基础，再动手复现一个小规模推理服务，最后带着成本视角去看各家模型的技术报告。顺序别倒过来，否则容易停在"看懂新闻"的层面。

关键要点速览：

1. 闫俊杰强调底层架构能力，反对纯应用层套壳
2. MoE是效率突破口，但工程难点在路由训练稳定性
3. 推理成本而非评测分数，才是商业化的真正瓶颈
4. 多模态统一是方向，短期内"共享骨干+适配头"更现实
5. Agent前景被看好，但容错机制是落地前提

相关推荐

• **阅读相关专题**：想继续深入国产大模型的技术路线，可以浏览我们的大模型架构专题，横向对比MoE、稠密模型与多模态方案的取舍。
• **查看工具推荐**：想找当前主流的AI模型与开发工具，欢迎访问 [VergeX AI工具导航](https://nav.vergex.cn)，一站对比国内外大模型API、Agent框架和推理服务。
• **订阅更新**：VergeX 持续追踪AI前沿技术动态，可通过邮件或微信订阅，第一时间收到大模型领域的新内容。