摘要

MiniMax于2026年1月9日敲钟上市，四年出头的资本化速度可能破了历史纪录，天使投资人、云起资本陈昱在本期复盘中坦承：当年投它时成功概率很小，甚至称得上“Mission Impossible”。但他给出的美元投资风格解释是——早期就该投成功概率很低、一旦成功极度 disruptive 的想法：“作为一张彩票，我是愿意去赌的”。被问及是否预见到大模型会深刻改变人类，他的回答是“诚实的回答是没有”。
MiniMax融资PPT中从未改变的一页，就是语言、声音、视频三模态同时做，这个 Day One 的判断至今未变。 2023年公司押注 MoE 架构时这并非共识，“实际上到2025年才被全行业跟进”；动机与谷歌同源：产品成功后推理算力必然爆炸，“能省1%的算力，就是账单上的巨大节省”。陈昱称其为“商业 sense 最好的大模型公司”——2023年 Talkie、2024年海螺，“它都没有正面卷着 LLM 的变现”。
技术浪潮的投资窗口极窄：自动驾驶留在牌桌上的四家独角兽全部出现在2016年第四季度到2017年第一季度，大模型的所有玩家则在2023年前两个季度悉数登场。分水岭在2024年3月——Kimi拿到“传说中阿里最后杀进来的那一轮”8亿美元，引发智谱疯狂融资，2024年上半年成为融资大战；但陈昱作为旁观者当时就认为Kimi把钱砸投放“不太理性”：豆包坚持免费，“如果别人不收钱的话，凭什么你能收钱？”
DeepSeek是整个行业的转折点：V3与R1发布后，日活迅速超过投入大量获客费用的豆包和Kimi，“一分钱广告费都没花，一下子就是数倍于它们的一些数字”，直接造成了行业反思。 MiniMax由此站上岔路口——股东讨论是否收缩到已领先的视频模型，但闫俊杰坚持做六边形战士，2025年M1、M2两个版本让M2“全方位达到第一梯队”，股东们才把石头放下。reasoning被视为 agent 与 coding 的基础。
差异化的终局裁判不是 benchmark，而是用户付费和“用脚投票”：刷榜方法无穷——把测试数据混进训练、同一道题多做几次、把20秒限时改成200秒思考；“只要它还有宣传的价值，大家肯定会想着去攻破这个 benchmark”。闫俊杰的路线被概括为“沿途下蛋”，在 AGI 长路上持续做产品和商业化。应用层的机会在 model orchestration——集众模型之所长，“它是个权衡综合的艺术”。
自动驾驶的历史给出大模型商业化的模板：“便宜、好用”两个指标一旦同时达到，商业化就会指数级爆发。 新石器低速无人车从2018到2024年发展缓慢，去年部署1,000台、今年1.5万台、明年5万到6万台；元戎今年装机20万台、明年突破100万台。“大模型也会有这么一个拐点”——OpenAI和Anthropic收入已是百亿美元量级，语言模型的商业化速度已远超自动驾驶。
中美差距的一个解释是资本体量：OpenAI一位 CTO 出来创业，Thinking Machines Lab 第一轮就是100亿美元估值，中国估值离这还有很大距离。 主持人还认为，中国公司受限资源倒逼其在架构与基础设施上省钱，用更少算力做出不错的成绩，模型与美国的差距“也就是六个月以内”；陈昱则判断，“如果你今天是个投资人投 AI 项目，除了美国你唯一的选择就是中国”，并坚信“未来中国的首富肯定来自科技界”。
云起资本今年推出 Y Transformers 计划，专投27岁及以下创业者——“二十七岁是条金线”，Google、Facebook、微软和比尔·盖茨创业时都没有超过27岁。 具身智能的出手逻辑是十年前自动驾驶的镜像：demo完成度已高，等待性能提升与成本拐点，但陈昱如实承认，“到底是今年、五年后还是十年后，我是说不清楚这个 timing 的”。

精读

1. 自称猎手而非等闪电：top-down研究先于出手

开场对照曹曦“看到好的投资就像看到一道闪电”的说法，陈昱直言风格不同：“我更像是个猎手，我在决定进入一个行业的时候，会对它做深入的研究”——先定行业，再 top-down 研究，最后实施投资。
入行的种子埋在2008—09年的谷歌：Paul Graham到谷歌分享YC经历，让他意识到从英特尔、思科到 Google、Facebook 背后都离不开风投，“你可以通过资本的有效配置去影响这个世界”，于是开列清单——行业背景已有，缺金融知识与创业经历，去芝加哥大学读MBA、回国先创业，都是补课。
偶像是雷军，取两点：选手机是因为“只有做一个足够大的行业，你才有可能做出一个足够大的公司”，这直接塑造了他对赛道大小给予大权重的逻辑；顺为的“顺势而为”则解释了为何很多行业做不下去——先决条件没 ready。

2. 2016年的两个决定：从国策与一次乘车读出物理AI

看机器人的触发点是国家修改实施二十多年的计划生育基本国策——“国家不会无缘无故地去修改国策”，翻人口年鉴发现生育率下降与老龄化已显著，科技解法无非两种：生殖科技，或用机器人补充劳动力。
看自动驾驶源于当年去匹兹堡出差亲乘 Uber 无人车的震撼——尽管早知道 Waymo 和百度 Apollo（带头人还是他谷歌前老板王劲），“这些信息都不如你亲身去试来得震撼”，判断自动驾驶“已经不仅仅是个 demo”，而中国年销2,000万台乘用车的市场必定大有可为。

3. 投人三要素与谷歌留下的判断力

一句话概括投资风格：“我喜欢投那些聪明、诚实、有野心的年轻人”——聪明提高成事概率，野心保证结果够大，诚实则是双重的：创始人要客观面对每个决策、不为短期利益变形，投资人也才敢把钱交给他。
谷歌（他工号约一万号）留下的肌肉记忆是甄别天才工程师的方法：不必懂其技术本身，通过他如何分解复杂问题、思考终极愿景时能否兼顾规模与成本、商业模式的联系，“大概就能够判断出来他有没有这个能力”。
对“除却巫山不是云”的追问，他不认同：像 Jeff Dean 一样的人“其实也是有很多的”，天才是万分之一、十万分之一的比例，但地球人口基数够大，“缺的是发现他的眼光”。主持人随后称全球参与AI研究的研究者和工程师中有六七成是中国人或华裔，这是主持人的判断，并非陈昱在此处给出的结论。

4. 百度的早发现与执行难题

闫俊杰在罗永浩访谈中提出的观点是：Scaling Law 最早于2017年在百度硅谷人工智能实验室被发现，最终却被 OpenAI 做成 GPT-3.5 和 ChatGPT。陈昱补充百度的“伟大与神奇”：2013年成立深度学习研究院、2014年启动 Apollo，连 Anthropic 的 Dario 都曾在百度做过语音识别，并在那时发现 Scaling Law——百度“每次都发现得很早”，却没能把方针执行下去，最终没有成为大成的公司。
他的诊断不是人才而是组织目标：“目标到底是每个季度给华尔街交一份漂亮的报表，还是我真的要勇攀高峰，就像 OpenAI 一样，最终要实现 AGI？”按季度规划的组织，注定解不了长期、未知的问题，顶尖人才也不喜欢天天做短期的事。

5. 初见闫俊杰：一张值得赌的彩票

第一次见面聊了一个晚上，主要是技术问题：闫俊杰的核心观点是基础大模型可能是通向 AGI 的路径——不像自动驾驶时代变道一个模型、特殊情况一个模型再耦合成系统，而是“训练一个基础大模型，这个大模型能够解决所有问题”，更高效也更像人脑。陈昱的锤钉比喻是：过去所有 AI 项目都是“有一个钉子就造一把适配的锤子”，但没有人说要造一把“可以锤世界上任何一个钉子”的大锤。
闫俊杰当时没解释判断从何而来，但陈昱“敏锐地把握到这可能真是一个全新的技术范式”，决定投资没有太大挣扎——尽管成功概率很小。他归因于美元投资风格：早期投的就是成功概率很低、但一旦成功就极度 disruptive 的想法，“作为一张彩票，我是愿意去赌的”。
关键的诚实时刻——被问是否看到了后续影响：“我诚实的回答是没有。”2021年一级市场低迷、技术在2019—2021年相对停滞，投 MiniMax 本身就是对新技术变量的一次尝试；对早期VC而言，“投的是一个变量”，需要的是大的技术变革。

6. Day One蓝图：三模态、To C与提前两年的MoE赌注

2022年 MiniMax 确定的几件事：做 To C（天花板更高），且语言、声音、视频三个模态同时做——融资PPT里“从来没有变的一页就是三个模态都做的那一页，最让人印象深刻而且最重要的一页”，至今仍在坚持。
很早押注 MoE 架构，2023年这不是共识，“实际上到2025年才被全行业跟进”。动机与谷歌如出一辙：假设产品成功、1,000万人同时和AI聊天，算力必然爆炸，“能省1%的算力，就是账单上的巨大节省”——出于成本压力，探索在最大程度保留智商的同时降低算力需求。MoE当时已有 Mistral 在做，闫俊杰看到价值后愿意全力去赌，虽然想法简单，里面却有无数工程细节。
压力当然存在：“如果六个月里面你的模型性能没有任何变化，其实就已经落后同行很多了”——现在的说法是“大模型的排名是三个月季度排位赛”，只有不断训出最好的模型才能留在牌桌上。

7. 2023投资乱战：窄窗口与旧体系的难题

陈昱的窗口论：自动驾驶留在牌桌的四家独角兽全出现在2016年第四季度和2017年第一季度，“回头看两个季度不投的话后面你就很难投到这四家”；大模型同样，2021年还不是共识，2023年迅速形成共识后，“所有玩家在前两个季度悉数登场，无论是成功的还是失败的”。
同学李志飞的故事保留了细节：当时李志飞每周给陈昱打一个小时电话，陈昱的建议（李本人也认同）是“这个东西不能在旧体系里面做”——需要职业经理人接盘、与老股东沟通，还曾想与王慧文搭档，最终都没成。对照杨植麟从循环智能出来是“很正确的决定”：李志飞是即将上市公司的掌舵者，难以替代；杨植麟在循环智能里甚至还不是 CTO。教训被他反复强调：在“具有历史负担的旧体系”里，很难做出改变世界的项目。
强技术项目的另一条铁律：最后还是得技术人做一号位，“不然的话你对人才没有号召力，也很难去把控这个项目的走向”。至于如果李志飞真出来了会不会投——“我有可能会支持他，出于对同学的支持。”

8. 为什么没投第二家大模型公司

他的重复下注原则：同一赛道的每一家都必须在技术或商业模式上有极大差异化——自动驾驶投元戎启行（乘用车）和新石器（商用车），就是成功要素完全不同的两个项目。
而大模型的技术路线“高度趋同”，无非 MoE 早做晚做、现在大家都研究 Efficient Attention，MiniMax 又已经是把多模态都做了的六边形战士，“再去投一家相似的公司可能性其实是不大的”——但他坦言仍在了解竞争对手，“万一他们真的是有独特之处呢”。

9. 从Talkie到Kimi的八亿美元：融资大战与烧钱的分岔

2023年下半年 MiniMax 开始做社交：从2022年底的 Glow 开始，到 Glow、星野、Talkie 这样的完整社交产品，“第一次让大家看到了大模型的变现方式”。年底市场开始质疑基模公司“估值这么贵又看不到赚钱的希望”——而当年 MiniMax 的收入体量已接近1亿美元，这种声音会小一点。
分水岭在2024年3月：春节刚过陈昱就接到电话说 Kimi 很快会拿到大额融资——“传说中阿里最后杀进来的那一轮”8亿美元，一下子改变市场格局，又引发智谱的疯狂融资，2024年上半年成了融资大战。
钱怎么花各家分化。Kimi重投放，陈昱作为旁观者当时就觉得“不太理性”：豆包坚持免费不收钱，“如果别人不收钱的话，凭什么你能收钱？”——大厂有其他变现渠道，创业公司只能靠融资去补贴“一个没有商业模式也没有留存的 App”。反观 MiniMax 看到 Sora 揭示的视频生成潜力后迅速跟进，8月推出海螺，效果“出人意料地好”。

10. Llama 3清场、字节all in与DeepSeek的史前史

2024年4月 Llama 3 开源是大节点：“当你还在谈我要如何追上 GPT 的时候，Llama 3 已经把开源基础能力推到了新高度”，直接让一批号称做基础模型的创业公司下桌；下半年阿里、字节提高战略投入，价格战开打。MiniMax的差异化在于：2023年别人卷基模时它在做语言模型产品化，2024年别人卷 LLM 商业化时它已提前布局视频生成，“从来没有放弃实现模应一体，形成变现的闭环”。
字节早期接触过 MiniMax、也想过投资，但2024年6月内部做了大决定要自己 all in——“投资是没意义的，要么我去收购，要么我就 all in 自己做”。无论当时在谈的 MiniMax 还是阶跃，都不可能这么早被收购，于是字节自己下场。同期幻方也决定自己做大模型。
DeepSeek 的早期经历是本期的重要细节：幻方很早囤卡，一度拥有最多的 NVIDIA A 系列卡，2023年曾传有1万张；更早的2022年、甚至疫情期间，DeepSeek 的人还联系过陈昱，想把算力平台卖给自动驾驶公司，他帮忙对接了几家。幻方也以投资名义接触过市面上的大模型创业公司——陈昱强调以下是“外人的猜测”：梁文锋可能在接触中意识到此事的重要性，决定自己做，且据传希望对公司有绝对把控、做类似 OpenAI 的非营利组织。对于中国VC来说，这可能不可接受，最后梁文锋用自己的钱做了这件事。

11. DeepSeek石破天惊：MiniMax的岔路口与M2的验证

2024年12月 V3、2025年春节前 R1 发布，超一流的模型性能“一下子把大家拉回到现实”：商业化的根本是模型能力，而非营销花架子。日活迅速超过烧了大量获客费用才到千万级的豆包和 Kimi，“DeepSeek一分钱广告费都没花，一下子就是数倍于它们的一些数字”，直接造成行业反思。
岔路口随之出现：股东与公司讨论——是否把更多资源投入已经领先的视频模型并保持优势，还是语言模型也不能落下？闫俊杰明显有一股劲：“我要所有东西都能做好”，要做六边形战士。他和投资人沟通时说的两点是：第一，“我能做”；第二，几个月内就能让投资人看到成果——“他的判断一直都是我能做的”，这是他根据团队技术水平和手头资源做出的判断，投资人很难替他做出这个判断，因为没有下场做这件事。
结果是2025年的 M1 与 M2：“M2 的模型全方位达到了第一梯队，这个时候股东们才把一块石头放下来”。方向调整的技术逻辑是：DeepSeek让市场确认 reasoning 很重要，而 reasoning 也是后续做 agent、做 coding 的基础——这正是一号位懂技术的价值：在重大决策时做出基于技术的、更本质的选择。至于是否放弃过短期变现，“既要、又要、还要，在 MiniMax 身上发挥得淋漓尽致”。

12. 硅谷2025：巨头没有一个不焦虑，Meta被认为已不在牌桌

对“大模型最终是巨头赢面大”的声音，陈昱的拆解是：OpenAI和 Anthropic 手握百亿美元资金，某种意义上也是巨头，“Google能投入的也不会比它们多太多”；Google人才密度和产品线最全，自然长成六边形战士；Anthropic小而美，发现代码编程是很好的变现模式，就往这个方向 all in——主持人指出，其 coding 能力年中曾有断代式领先，但到2025年年底其他公司已追得差不多。
主持人提出的观察是，中国创业公司具有人才成本较低、资源受限倒逼其从模型架构到底层基础设施省钱等特点，并认为用更少算力也能做出不错的成绩，模型与美国的差距“也就是六个月以内”。GPT-4o验证多模态路线时，陈昱说 MiniMax 反而没有那么焦虑：到2024年大家已经知道训练一个模型需要多少卡、多少资源，“只要你兜里有钱的话，心底是有底气的”。
谷歌内部的变化他每年回去都看得到：2023年一周去一两天办公室，“有效工作时间有三十个小时就不错了”；2025年 Gemini、Google Cloud 相关组平均每周工作80个小时——“重赏之下必有勇夫”，且“自从有了 Meta 这个搅屎棍以后，硅谷的薪酬涨到了大家无法想象的水平”。
Meta的判词很重：“大家已经觉得 Meta 现在已经不在大模型这张桌上了”——Llama 3之后再没推出让大家满意的模型，“那肯定是组织架构出了问题”，这也是 Zuckerberg 请 Alex Wang 整顿 AI 组织的原因之一，“可能是太多老人躺在功劳簿上不作为”。至于新的闭源模型基于千问做后训练的说法，他标注为传闻：“众说纷纭，我们就看2026年它到底能够拿出什么让大家满意的产品”。

13. Model orchestration：模型差异化给应用层留出的活路

硅谷巨头的模型已有差异化：Gemini是“性价比很高的六边形战士”，OpenAI是“非常能够提供情绪价值的陪伴者”，Anthropic是“编码必备”——主持人补充一位算法程序员的观察：算法层面 coding 最好的其实还是 Gemini。
陈昱的推论是：“这其实是给了应用层一个机会，不然的话如果模型把应用都做了，那其实就没有 AI 应用的机会了。”应用层的关键词是 model orchestration：不必只使用自家模型，按要解决的问题调不同模型，在 performance、cost 等方面做 balance——“它是个权衡综合的艺术”。

14. 中国牌桌：四小龙、千问生态与绕不开的字节

中国的差异化与美国类似但更小：千问开源生态做得特别好；陈昱还提到，有公司公开承认内部使用通过千问调出的模型，再放进自己的系统。字节模型表现不是最好但产品最创新、触达消费者最多——豆包手机 Agent、智能座舱合作，都体现了它“把大模型的触角渗透到大家生活的方方面面”。主持人提到阿里也在探索 To C、做夸克，陈昱认为夸克虽有精兵强将，但与字节的深厚积累相比仍有距离；快手可灵长于多模态，也有自己的编程模型。
四小龙中，MiniMax是多面手，语音尤其强；智谱做 To B、To G，但也意识到要做 To C 才能突破天花板；Kimi一方面是聊天 App，另一方面投入较多做 Thinking 推理模型，陈昱认为这“可能也和股东的资源有关”。
差异化更小的根源是资本环境：“OpenAI一个 CTO 出来，Thinking Machines Lab 第一轮就是100亿美元估值，中国的估值离这个还有很大距离。”主持人据此认为美元投资人会觉得中国AI项目划算；陈昱的判断是：“如果你今天是个投资人投 AI 项目，除了美国你唯一的选择就是中国。”
面对拥有云和算力、能低价卖API的阿里云与火山引擎，创业公司的解法是“不能够去和它比拼它的优势”：卖API肯定卖不过云厂商，所以要做产品——“卖的不仅仅是模型性能，也不是算力的价格，更多的是综合体验”。To B有服务的壁垒；至于“MiniMax跟字节是不是早晚有一战”，他的回答是社交产品也好、模型产品也好，“大家无非就是用脚投票”——且 Talkie 在 AI 陪伴社交领域“也没有占过下风”。

15. Benchmark难成绝对裁判；L4/L2之争的大模型镜像

Benchmark为何难以完全相信：把公开测试数据“不小心”放进训练数据等于提前背答案；同一道题做多次，或把限时20秒改成200秒思考，都可能提高分数——“只要它还有宣传的价值，大家肯定会想着怎么攻破这个 benchmark”。没有绝对裁判时，大家就是“用脚投票”，因为使用大模型要花钱，商业化收入因此成为重要检验。闫俊杰的主张被译作“沿途下蛋”：AGI是长路，“如何可持续地坚持到那一天很重要”，而且这是他们天生的想法，不是投资人教的。
自动驾驶的 L4/L2 之争不会原样重演，因为“大模型没有这么大的技术理念分歧，大家的做法都是大同小异的”——连喊实现 AGI 最响、曾被认为技术信仰最强的 OpenAI，现在做的也都是商业化的事。原因一是预训练遇到瓶颈：“大家已经穷尽了这个世界上可以使用的高质量文本数据”，专家生成数据速度太慢，精力转向后训练；二是资本压力——“到最后还是要用商业化来检验这个技术可用性”。
但两段历史殊途同归：多年研发之后，技术一旦“便宜、好用”就指数级爆发。新石器所在的低速无人车赛道从2018到2024年发展缓慢，2025年整个行业爆发——去年部署1,000台，今年1.5万台，明年5万到6万台；元戎今年20万台，明年装机量突破100万台。“大模型也会有这么一个拐点，真正变得好用、价格足够低的时候，它的收入就会上得很快”——何况 OpenAI 和 Anthropic 的收入已是百亿美元量级，大语言模型的商业化速度远超自动驾驶。
AGI本身的定义在膨胀：原来觉得和人类小孩智商差不多就算，现在预期是超越人类智能，甚至达到“人类智商总和”的水平。他的哥德巴赫猜想类比值得保留：“一加二永远做不到一加一——可能现在走预训练模型、Transformer 这样的路径，你可能永远只能无限接近 AGI 的智能，但达不到 AGI。”而相信通用智能体的底层理由很朴素：科幻养大的人性使然，“每一个像我一样经常出差的人都想要一个像哆啦A梦一样的任意门”。

16. AI新基建的收获期、具身的出手逻辑与27岁金线

当年投云计算、大数据是给AI时代打基础：所有推理和训练都在云上进行。PingCAP最知名的近例是支撑了 Manus 的底层，刘奇的一句话被他视为经典：“未来95%的数据库都会是 AI 创建的”——成千上万的 agent 每天自行创建和销毁数据库，“时代倒逼底层技术往前发展”；Zilliz则与大模型更直接相关，因为向量数据库是大模型的外部记忆体。自动驾驶已进入真正的普及阶段，对他而言是“商业化爆发、收入暴涨、最后形成资本化”的收获期；MiniMax能否超越 PingCAP 成为回报最高案例？“那要看二级市场股民们给不给力了。”
对“具身还没到VC出手的时候”的同行质疑，他的回应是历史对照：十年前自动驾驶的状态与今天具身智能类似——完成度很高的 demo 已在，需要资金推动性能提升与成本下降，达到“便宜、好用”的拐点后商业化迅速实现。但 hedge 如实保留：“到底是今年、五年后还是十年后，我说不清楚这个 timing。我们有能力，也有耐心去等待。”上一代不重注机械臂，是因为工业机器人是相对较小的行业；而通用智能让机器人像人一样用一个大脑完成通用工作，市场潜力被打开了。
云起资本今年推出 Y Transformers 年轻人计划，专投27岁及以下创业者——Google、Facebook、微软和比尔·盖茨创业时都没有超过27岁，“二十七岁是条金线”。主基金不限年龄，但基金专门划出一笔钱支持年轻创业者，“这是一个立场，我们站在年轻人这一边”。一号位不必都是技术信仰者：元戎做 L4 式未知难题需要科研型人才，新石器要搞定路权、运营、生产、销售以及批发市场商贩到小旅馆布草运输的各种小B，需要商业能力更强的一号位——“不是天赋不可兼得，而是时间不可兼得”。被问及万亿美元级模型公司中是否会有中国公司，陈昱回答相信中国公司肯定会出现，并坚信未来中国首富会来自科技界，而不是像现在更多来自消费品和地产。

Howard Lutnick：美国如何在2026年实现6%的GDP增长 Artificial Analysis：独立 LLM 分析机构——与 George Cameron 和 Micah Hill-Smith 对谈