米哈游腾讯躺赢，MiniMax将成“AI大模型第一股”！图灵奖大佬却说“大模型路走错了”？

【GameLook专稿，禁止转载！】

GameLook报道/

2025年12月21日，上海人工智能独角兽 MiniMax 正式通过香港交易所聆讯。在摩尔线程引爆国产硬件赛道数周后，港股市场即将迎来首家以大模型为核心业务的中国 AI 公司。

根据此前市场预期，MiniMax 的估值约为 40 亿美元（约合 310 亿港元）。其招股书披露的股东名单堪称豪华：腾讯、阿里等互联网巨头位列其中，米哈游作为早期战略投资者更是重仓押注。

然而，剥离这些资本光环，MiniMax 的上市节点选在了一个极其微妙的时刻，全球科技圈正处于对大模型技术路线产生深刻分歧，但大模型的商业化落地却意外加速的十字路口。

图灵奖大牛：烧了万亿美元的LLM大模型是一条死路？

2025 年对于 AI 行业而言，是祛魅的一年。在 MiniMax 递表前后，关于“烧了万亿美元的大模型是否在大方向上走错了”的争论在学术界达到了沸点。

Yann LeCun

Meta 首席 AI 科学家、图灵奖得主杨立昆（Yann LeCun）近期在接受采访时直言不讳地指出，认为单纯扩大语言模型规模就能实现超级智能的想法是“完全的胡扯（Complete BS）”。而为了践行自己的“世界模型”理念，其将在纽约创立一家新的AI创业公司，而去纽约的原因、就是为了逃离全在做大模型、技术同质化严重的硅谷。

这种激烈的批评并非情绪宣泄，而是基于对 LLM 底层架构的数学洞察。LeCun 指出，当前的 GPT 类模型本质上是基于“自回归”机制运行的，即根据前面的词预测下一个词。这是一种典型的“System 1”（快思考）反应，模型每生成一个字所用的计算量是固定的，缺乏“停下来思考、规划、推演不同可能性”的“System 2”（慢思考）过程。

LeCun 警告称，这种机制存在致命的指数级误差累积：如果在每一步预测中都有 1% 的微小概率出错，那么生成一段长文本后，错误率会呈指数级上升，导致逻辑崩塌（即幻觉）。这就好比司机开车只看眼前 1 米的路，不看地图也不看远处，虽然这 1 米可能走对了，但最终大概率会开进沟里。

更深层的缺陷在于“世界模型”的缺失。LeCun 著名的“猫比 GPT 聪明”论断，指的正是物理常识。一只猫知道跳向桌子需要多大力气，知道杯子推下去会碎（因果律），知道物体被挡住后依然存在（客体永久性）。

而 LLM 学习的是文本的统计规律，它处理的是符号，脑海中并没有模拟现实世界的物理引擎。如果不从根本上改变架构，如采用他提出的 JEPA 联合嵌入预测架构（JEPA 预测的是抽象特征空间中的状态。它允许 AI 在内心构建一个模拟器，在行动之前先在脑海中“预演”后果，确认无误后再输出），目前的路线永远无法到达人类水平的智能，甚至连“猫狗级别”的物理世界理解力都难以企及。

Richard Sutton

无独有偶，强化学习之父、同为图灵奖得主的 Richard Sutton 此前也表达了类似的悲观情绪，并将大模型称为通向真正智能道路上的“死胡同”。

Sutton 的视角侧重于智能的来源。他认为当前的大模型陷入了“模仿学习（Imitation Learning）”的陷阱。它们阅读了人类写下的所有文字，试图模仿人类说话的语气和概率，但这与真正的智能背道而驰。真正的智能必须来自“接地气的体验”，就像 AlphaGo 不是靠死记硬背棋谱战胜人类，而是靠自我博弈，在胜负反馈中“悟”出了棋理。

此外，Sutton 指出 LLM 缺乏真正的目标。智能的定义应该是“以此为目标，灵活地改变行为”，而 LLM 本质上只有一个目标：降低预测下一个词的困惑度（Perplexity）。

这导致它们只能充当“复读机”或“观点的混合体”，无法像一个真正的智能体那样，为了达成一个复杂任务（如“设计一个不仅能跑而且省电的代码”）去进行多步试错和策略调整。

现有的AI商业模式不需要完美

按照学界大佬的逻辑，大模型似乎陷入了瓶颈。但在产业界，情况却截然不同。

Air Street Capital 在其 2025 年度《AI 现状报告》 中提出了一个与科学界截然不同的视角：AI 已经跨过了探索期，进入了“建设者手册（The Builder’s Playbook）”阶段。报告数据显示，超过 95% 的受访企业已将 AI 纳入生产流程。

这形成了一个有趣的“大妥协”：企业不再执着于寻找一个像人一样思考的硅基生命，而是务实地接纳了一个并不完美、但能干活的超级工具。特别是在 80% 的 AI 原生企业全力押注“智能体工作流（Agentic Workflows）”的当下，市场对 AI 的评判标准已经从“智商有多高”变成了“干活有多稳”。

然而，要让这个“超级工具”真正普及，横在面前的还有一座大山：成本。

红杉资本曾在 2024 年底警告，随着 AI 转向具备深度推理能力的“慢思考（System 2）”模式，推理成本将面临指数级上升的风险。如果这一预测成真，商业模式将难以跑通。

但 2025 年初，两家中国公司——DeepSeek 和 MiniMax，用工程化的手段修正了这一经济学模型。

DeepSeek 在年初发布的 V3 和 R1 模型，通过架构创新（如高效的 MoE 混合专家模型）证明了高性能并不一定伴随着高成本。紧随其后，MiniMax 此次上市的一大底气，正是源于其最新一代旗舰模型 MiniMax M2 在“效率战争”中的数据表现。

MiniMax M2 采用了极致的稀疏激活架构，在高达 2300 亿的总参数中，单次推理仅激活约 100 亿参数。这一技术路线带来的直接结果是，M2 的推理速度达到了 Claude 3.5 Sonnet 的两倍，而其 API 输出价格却被大幅压低至后者的 8%，仅约为每百万 token 1.20 美元。

这一数据至关重要。它意味着 MiniMax 不仅是在回应科学界的质疑，更是在解决商业落地的核心痛点，将高昂的“算力税”转化为廉价的“水电费”。当推理成本被压缩到原来的十分之一时，许多原本在大模型上跑不通的商业逻辑（如高频互动的 C 端应用、大规模数据处理的 B 端业务）瞬间变得有利可图。

既然技术上实现了降本增效，商业模式初见曙光，MiniMax 为何还要急于在此时进入二级市场？

答案藏在招股书的财务数据里。尽管 MiniMax 账面持有约 80 亿元人民币（约 11 亿美元）的现金储备，但面对 DeepSeek、阿里 Qwen 等开源模型的步步紧逼，以及 GPT-5 级别模型可能的军备竞赛，这些钱并不算多。

截至 2025 年 9 月，MiniMax 拥有 385 名员工，其中 73.8% 为研发人员。虽然公司 AI 原生产品收入占比已达 71.1%，且亏损在同比收窄，但绝对值依然高达 23.58 亿元人民币。

在美股 AI 板块高位震荡、一级市场融资通道逐渐收窄的背景下，MiniMax 的 IPO 本质上是一场“防御性抢跑”。

现在的上市，不是为了变现离场，而是为了储备未来 3-5 年消耗战的弹药。面对技术迭代的不确定性，通过上市确立财务透明度和融资渠道，是用空间换时间的必要手段。谁先拿到足够的筹码，谁就有资格在泡沫挤出后留在牌桌上。

MiniMax 的上市，在GameLook看来，标志着中国 AI 大模型行业正式告别了“讲故事”的阶段，进入了“拼刺刀”的深水区。

科学界的质疑依然存在，AGI 的圣杯依然遥远，但商业世界从来不等待完美。

硅谷投资人 Vinod Khosla 曾预言：“AI 产生的绝大多数经济价值最终将来自应用层。”如果说前两年大家都在争抢英伟达的“铲子”，那么现在的 MiniMax，正试图证明自己不仅有铲子，而且这把铲子更轻、更快、更便宜。

至于这把铲子能否挖出真正的金矿，不再取决于它是否像人类一样聪明，而取决于它能否以足够低的成本，在各行各业中不知疲倦地挥舞下去。