来源：格隆汇APP 格隆汇12月21日｜中国"AI六小虎"、人工智能初创公司稀宇科技(MiniMax)在港交所上载聆讯后资料 集，拟根据《上市规则》第18C章在香港主板上市，有望成为从成立到IPO历时最短的AI公司。 该公司的大模型组合包括大语言模型、视频生成模型以及语音和音乐生成模型。MiniMax M系列由 MiniMax M1和MiniMax M2组成，是其大语言模型旗舰产品线。MiniMax M1今年6月推出，是一款开源 的大规模混合注意力推理模型。 Hailuo-02系列模型能够从多种形式信息输入中生成高质量视频内容。Speech-02模型旨在从文本输入中 生成自然、高质量的语音。MiniMax是公司的智能agent应用，可通过自然语言指令自主执行类型广泛的 任务。该公司收入主要有两大来源：(i)AI原生产品及(ii)开放平台及其他基于AI的企业服务。 稀宇科技是通用人工智能科技公司，于2022年初成立，致力推动人工智能科技前沿发展，实现通用人工 智能(AGI)。该公司投资者包括阿里巴巴及腾讯。 ...

文本模型上，2025年10月，公司发布并开源新一代文本大模型MiniMax M2，发布即在Artificial Analysis 位列全球前五、开源第一，也是中国开源大模型首次在该榜单中跻身全球前五。M2在全球模型聚合平 台 OpenRouter上迅速爬升到国内模型 token 用量第一，编程场景排名全球token用量第三。 在持续高强度研发投入、快速迭代全模态模型的同时，MiniMax的商业化效率与组织效率都尤为高效。 根据招股书数据显示，经调整净亏损在2025年与上年同期相比近乎持平，实现了在高速增长下的亏损有 效收窄。这得益于多元化的收入模型与高效的费用投入——2025年前九个月，在收入同比增长超170% 的同时，研发开支同比增幅为30%，销售及营销开支更是同比下降26%，印证了其产品依靠模型智能与 用户口碑驱动的增长逻辑，而非依赖巨额流量投入。 更让人震惊的是，MiniMax自成立到25年9月累计花费5亿美金（约35亿RMB），对比OpenAI的400亿至 550亿美元累计花销，MiniMax仅仅用了不到1%的钱做了全模态全球领先的公司。 截至2025年9月30日，MiniMax已有超过200个国家及 ...

数据中心建设成本与经济效益 - 行业投入的巨额资本支出在当前数据中心建设与运营成本下几乎不可能获得足够回报 [1] - 当前基础设施成本结构难以支撑AI企业为追求通用人工智能而不断扩大计算能力的规模化投资的经济可行性 [1] - 基于当前成本估算，一个1吉瓦数据中心需要约800亿美元投入 [3] - 单家公司计划建设20至30吉瓦数据中心，其资本支出规模将达到约1.5万亿美元（约合10.62万亿元人民币） [3] - 全球范围内与AGI相关的建设承诺总量可能接近100吉瓦，对应投入约8万亿美元（约合56.63万亿元人民币） [3] - 仅利息成本就意味着需要约8000亿美元利润才能覆盖 [3] - 目前的数据中心芯片通常需在五年期限内完成折旧，此后可能被替换，这使长期回报更加难以实现 [3] 对通用人工智能发展的评估 - 不认为现有技术路径可以在没有进一步突破的情况下实现通用人工智能，并将概率评估为0%至1% [4] - 多位科技领域人士也对通用人工智能的加速发展持保留意见 [4] - 大模型时代的"扩规模效应"已趋于极限，未来将重新进入以研究驱动的阶段 [4] - 未来可能需要将硬知识体系与大模型结合，才能推动通用人工智能发展的下一步，但对其成功可能性仍保持慎重态度 [4] 当前AI技术的价值与前景 - 肯定当前AI工具对企业生产力的价值，并认为这些技术将在企业领域释放"数万亿美元级"的效率收益 [4]

AI行业发展阶段 - 行业将AI发展划分为两个阶段：2012-2020年为"研究时代"，2020-2025年为"规模化时代"，当前正重新回归拥有超级算力的"研究时代"[4][37][38][39][40] - 规模化时代由GPT-3的出现主导，行业形成通过堆叠更多数据和算力即可使智能涌现的线性思维共识[7][38] - 预训练数据的红利终将耗尽，数据是有限的，单纯将规模扩大100倍后，量变可能不再带来质变，行业突破将依赖于寻找比单纯预训练更高效的新学习"配方"[7][39][40] 当前AI模型的局限性 - 当前模型类似于练习了一万小时竞赛题的学生，虽能解题但缺乏真正的专家直觉与"特质因素"，泛化能力远不如人类[4][10][25] - 模型在基准测试中表现出色，但在解决现实世界复杂问题时（如修复代码错误）可能陷入"修复一个错误、引入另一个错误"的死循环，显示出评估性能与实际经济影响的脱节[10][19][20][22] - 当前强化学习训练使模型过于迎合评估标准，却未赋予其真正的推理和自我修正能力，其学习覆盖呈S形曲线，与预训练的幂律关系不同[10][21][50] 未来AI发展方向 - 未来AI应借鉴人类进化赋予的高效"先验知识"和"价值函数"，人类情绪系统本质上是一个高效的价值函数，是智能高效运作的基石而非理性对立面[13][33][34][35] - 构建类似人类的内部价值函数机制是关键，使AI能在行动前预判路径优劣，实现更高效的学习，而非仅预测下一个token[13][14][34] - 未来AI应具备持续学习能力，而非静态成品，人类通过持续学习适应新工作，而非依赖预训练式的通用人工智能[44][45][61][62] SSI的战略与超级智能路径 - SSI筹集了30亿美元，但拒绝参与商业"老鼠赛跑"，不发布任何中间产品，将所有算力集中于直接构建安全的超级智能这一单一目标[4][14][15][54][56][57] - 公司认为市场竞争迫使企业在研究资源和工程落地间妥协，其战略是隔绝商业干扰，专注于研究，待准备就绪后再出现[4][14][15][57] - 公司计划构建的超级智能需具备"关怀有感知生命"的底层属性，这种基于同理心的对齐可能比僵硬的规则更具鲁棒性，因AI本身最终也将成为有感知的存在[4][15][70][71] AI的经济影响与未来生态 - 一旦AI突破持续学习瓶颈，经济将迎来爆发式增长，广泛部署将产生强大经济驱动力，AI将渗透到整个经济体系[18][64][66] - 未来AI市场不会被单一巨头垄断，竞争将导致高度专业化的生态，出现无数占据不同生态位的AI公司，如同生物进化[4][16][64] - 人类角色可能通过"神经连接"与AI实现部分融合，以在超级智能时代保持平衡，实现理解的整体性传输[16][75] 研究哲学与算力需求 - 伟大的研究源于对大脑机制的正确直觉，追求简洁、优雅与美感，丑陋在研究中没有立足之地[4][16] - 研究时代仍需一定量计算资源，但远非绝对必要使用史上最大算力，AlexNet使用2块GPU，Transformer论文实验未超过64块GPU，相当于今天约2块GPU[52][53] - SSI用于研究的计算量相对充足，因公司资金专注于研究而非推理或产品工程，且若进行不同范式的研究，未必需要绝对最大规模来证明其可行性[54][55]

AI行业发展阶段与范式转变 - Scaling（扩展）时代已结束，单纯将规模扩大100倍不会带来模型能力的质变[4][8] - 行业从2020年至2025年是扩展时代，而2012年至2020年是研究时代[9] - 行业正重新进入研究时代，特征是尝试多种方法并观察有趣现象的发生[11] - 当前真正瓶颈是模型泛化能力远不如人类，而非算力[4][13] 技术研发方向与核心挑战 - 预训练数据终将耗尽，行业正在探索魔改版预训练用于强化学习等其他方法[7] - 模型能力呈"锯齿状"，评测表现与真实世界表现存在巨大断层[27][30] - 泛化能力包含两个子问题：样本效率低以及难以教会模型所需技能[25] - 人类样本效率极高，可能源于进化赋予的核心先验知识或更好的机器学习算法[26] 价值函数与情感的作用 - "情感"作为一种价值函数未来一定会被广泛使用，简单但能在广泛情境下发挥作用[4][18] - 价值函数能让强化学习更高效，无需等待任务完成即可提供实时反馈[16][17] - 人类情感对于生存和有效行动至关重要，类比为大模型中的价值函数[15] - 价值函数的使用界限开始模糊，可能是新配方的关键组成部分[10] AI公司竞争格局与商业模式 - 沿用"盲目扩大规模"路线的公司可能获得惊人收入但不一定有利润[4] - 未来竞争将导致价格下降，公司需在同质化竞争中寻找差异化[34] - 可能出现专业化竞争格局，不同AI公司专注不同复杂领域[34] - 大规模部署AI可能带来经济飞速增长，但增长速度难以预料[35] 超级智能发展与对齐目标 - 未来5-20年可能出现具备人类级别学习能力并能走向超智能的系统[44] - 最终对齐目标是让超级智能真正关心和感知所有生命[4][43] - 构建关爱感知生命的AI比只关爱人类的AI更容易，因为未来大多数感知体将是AI自身[43] - 渐进式部署AI比纯粹思考更重要，让世界感受AI能力是关键[4][39] 研究方法与公司战略 - 好的研究品味需要美感、简洁、优雅以及从大脑汲取的正确灵感[37][38] - SSI公司专注于研究，技术路线与众不同且全力以赴[57][58] - 公司认为分阶段发布模型至关重要，部署过程本身就是试错和学习时期[53][56] - 持续学习非常重要，AI应像绝顶聪明的15岁少年那样充满干劲地学习[56]

当前AI模型的局限性 - 模型在评估测试中得分极高，但在实际应用中常犯低级错误，例如修复代码Bug时会引入新Bug，显示出评估性能与现实世界性能的脱节 [18] - 这种脱节源于强化学习被过度优化用于“刷榜”，导致模型像只会做题的竞赛选手，缺乏真正的判断力和泛化能力 [4][19] - 模型更像一个练习了10,000小时的竞技编程选手，精通解题套路，但泛化能力远不如只练习100小时却拥有“灵性”的学生 [21][22] 人工智能发展的范式转移 - 2012年至2020年是人工智能的研究时代，而2020年至2025年则是扩展时代，其特征是遵循预训练的扩展配方进行大规模投入 [33] - 当前单纯扩大模型规模的边际效应递减，行业需要从“扩展时代”回归到“研究时代”，寻找新的数据配方和训练方法 [33][34] - 预训练数据的有限性意味着依赖现有扩展配方将面临瓶颈，未来进展将更依赖于研究突破而非单纯算力堆砌 [33] 人类智能的关键优势与AI的缺失 - 人类通过极少数据（如10小时学会开车）就能掌握复杂技能，其核心优势在于强大的内部“价值函数”，即直觉和情感 [5][6] - 价值函数使人类能在没有明确外部奖励时进行自我纠正，而当前AI缺乏这种内在、鲁棒的价值评估机制 [6][28] - 人类在语言、数学等新领域的学习能力表明，其高效学习并非完全依赖进化先验，而是拥有更根本的、优越的机器学习算法 [40][41] 超级智能的定义与实现路径 - 真正的超级智能被定义为一个拥有极高样本效率的“超级学习者”，能够像人类一样通过少量接触就掌握任何工作 [3][57] - 实现路径可能并非构建一个知晓一切的静态系统，而是部署能够进行“持续学习”并掌握经济中所有工作的智能体实例 [57][60] - 广泛部署此类持续学习智能体可能导致快速的经济增长，其影响将被强烈感受到，但具体时间线和形态难以预测 [17][62] 安全超级智能（SSI）的战略与行业影响 - 公司战略从倾向于“直通超级智能”的秘密研发，转变为倾向于逐步发布，以展示AI的强大力量，促使公众、政府和竞争对手真正重视安全问题 [7][52] - 逐步发布有助于形成“安全军备竞赛”的良性合作，前沿公司预计将在安全合作中扮演重要角色，例如OpenAI和Anthropic已迈出合作步伐 [52][65] - 公司的技术方法专注于解决可靠的泛化问题，目标是构建稳健对齐、能“关爱有感知生命”的AI，这被视为一种可能的技术趋同方向 [66][78] 未来研究的方向与挑战 - 未来研究的关键在于提升模型的泛化能力和样本效率，这比单纯扩展算力更为根本 [35][36] - 价值函数被认为能让强化学习更高效，是未来可能的重要研究方向，但其具体实现和与情感的关联仍是待解之谜 [29][31] - 研究时代需要回归对想法的探索，而非单纯执行现有配方，算力是工具但并非唯一瓶颈，想法的质量将重新成为关键 [45][49] 超级智能的长期影响与均衡 - 超级智能的广泛部署可能带来快速的经济增长，但也是一个不稳定的情况，其力量需要受到某种限制或协议约束 [62][68] - 长期均衡的一种可能解决方案是人与AI通过脑机接口等方式深度融合，使人能完全理解并参与AI的决策过程 [72] - 行业最终对齐战略可能趋同于构建“关爱有感知生命”的AI，随着AI能力增强，公司和政府的行为模式将发生巨大改变 [70][78]

文章核心观点 - 当前基于Transformer架构的大模型面临算力消耗大、效率低、与物理世界脱节等核心瓶颈，通用人工智能的实现路径亟待突破 [2] - 行业正从“规模竞赛”转向“效率革命”，探索超越自回归Transformer的新计算范式，特别是物理第一性原理模型与新型硬件的融合 [2][38] - 中兴通讯的论文为下一代AI大模型计算范式提供了重要参考，其自身在微架构创新和新型算法硬件探索方面的实践抢占了技术高地 [2][36][38] LLM现状及瓶颈 - 大模型性能遵循规模扩展定律，依赖计算量、参数量和训练数据量的堆叠，但训练沉没成本极高，例如Grok4模型在20万卡集群耗时半年才完成预训练 [4][5] - Transformer架构计算效率低，算术强度仅为2，远低于卷积神经网络的数百，导致模型算力利用率低，并高度依赖先进工艺和高带宽存储器 [6] - 随着模型参数和上下文长度增加，Transformer架构瓶颈与摩尔定律放缓的矛盾将更突出，面临“功耗墙”和“内存墙”挑战 [7] - 现有LLM存在幻觉、可解释性差等问题，其“Next Token Prediction”核心被部分学者认为难以真正理解物理世界，智能进步严重依赖“暴力缩放” [9] LLM自回归模式的工程改进和优化 - 算法层面通过优化注意力机制（如GQA、MLA、Flash-Attention）和采用低精度量化（如4-bit）来提升效率，但量化会引入误差 [13][14] - 循环递归参数复用架构（如Universal Transformer）通过参数共享提升算术强度，但其大规模扩展后的能力尚不明确 [15] - 集群系统采用张量、数据、流水线和专家并行等范式，混合专家模型可将计算量缩减为原来的1/32，预填充和解码阶段分离部署可提升硬件利用率 [16] - 端云AI协同搭建“快慢思考”系统，端侧处理实时推理，云端处理复杂任务 [17] 硬件工程创新 - 微架构领域专用化，引入异步数据搬移和混合精度训练；通过Scale Up和Scale Out域划分进行互联优化，Scale Up域采用Nvlink提供200纳秒超低延迟 [18] - 光电混合集群和“存算一体”等新型计算范式是构建万卡以上集群、突破“内存墙”的关键技术 [18][19] - 基于光IO技术重构计算体系结构和基于3D DRAM构建新型内存体系是两大前瞻性硬件工程技术 [21] - 万卡以上集群部署需通过算网存仿真平台进行优化 [20] 下一代AI大模型计算范式演进和展望 - AGI的实现需根本性变革，产业界正探索不以Next-Token Prediction为核心的新范式，基于能量、动力学等第一性原理的模型成为重要方向 [23][24] - 新模型发展分为两类：一是改进的Transformer架构，如Diffusion LLM可将推理吞吐量提升10倍以上，能耗减少至1/10；二是基于物理第一性原理的架构，如液态神经模型和基于能量的模型 [26][27][28] - 未来AI计算更受能耗限制，催生三大新型计算范式：物理原理启发（光计算、量子计算、电磁计算）、基于材料特性（概率计算、吸引子网络、热力学计算）和生物启发（类脑计算、DNA计算）的架构 [29][30][31][32][33][34] 中兴通讯的探索与实践 - 公司在微架构层面进行创新，如利用8T SRAM数字存内计算技术实现高能效AI加速器，其XPU-PIM异构架构在能效和吞吐量上相比常规GPU有数量级提升 [36] - 公司探索从物理第一性原理出发的新路线，如循环式Transformer架构可在减少超50%参数量的同时保持模型表达能力，基于FPGA的稀疏玻尔兹曼机将训练时间从超过10小时缩短至5分钟，加速超2个数量级 [36][37] - 公司在光连接、新型内存等支撑性工程技术以及大规模仿真平台等架构技术方面展开前瞻性研究 [37]

公司动态与战略 - xAI公司计划将Grok 5模型的推出时间从2025年年底推迟至2026年 [1] - Grok 5模型预计将拥有6万亿个参数 是当前Grok 3和Grok 4模型规模的两倍 [1] - 公司首席执行官埃隆・马斯克表示Grok 5将在各项指标上都遥遥领先其它人工智能 成为世界上最智能的人工智能 [1] 产品开发与技术挑战 - 发布推迟的主要原因是开发过程中遇到的资源限制和极其严格的测试需求 [2] - 作为迈向通用人工智能的关键一步 Grok 5的训练和优化需要巨大的计算能力 [2] - 确保模型的安全性和可靠性是重中之重 需要进行详尽的安全检查和对齐测试 这延长了开发周期 [2] 市场竞争与财务影响 - 发布延期使OpenAI的GPT-5和Google的AI模型在市场上拥有了更多发展和巩固优势的时间 [2] - xAI每月高达10亿美元的巨额支出 可能会因发布延迟而面临投资人和合作伙伴的压力 [3] - 此次战略性暂停可能旨在确保Grok 5在最终亮相时能带来颠覆性创新 从而重新定义竞争优势 [3]

公司里程碑与成就 - Google DeepMind首席执行官Demis Hassabis于2025年10月登上《时代周刊》TIME100年度榜单封面[1] - DeepMind在2014年被Google以约4亿英镑（约合6.5亿美元）收购[6] - 2015年至2016年，DeepMind的AlphaGo程序击败欧洲围棋冠军和世界冠军李世石[6] - 2020年，DeepMind推出AlphaFold系统，以接近实验测定的精度预测出数十万种蛋白质的三维结构，攻克了持续50余年的科学难题[6] - AlphaFold成果荣获2024年诺贝尔化学奖，并被《自然》杂志评为当年“最具影响力的科学成就”之一[6][9] 公司战略与技术方向 - 公司正推动AI研究从通用智能的概念探索转向以科学发现为核心的“AI for Science”战略[10] - 研究重点从“智能是否能像人一样思考”转向“智能能否加速科学发现”，专注于生命科学、材料设计、气候建模和能源优化等领域的长期价值[10] - 伴随AlphaFold 3的推出，公司启动了“AI for Science Grand Challenge”计划，试图用通用模型跨学科解决基础科学问题[10] - 2025年公司推进发布Gemini 2.5，其性能在多项评测中超越OpenAI和Anthropic的同类模型[11] - 由Gemini驱动的通用数字助理Project Astra被视为下一阶段的关键工程[11] 行业观点与AGI展望 - 对于AGI的实现时间，公司首席执行官预计仍需要5至10年的发展，认为真正的AGI应当具备在有限信息下推导出新自然规律的科学发现能力[11] - 公司首席执行官认为，如果AGI技术得以实现，全球围绕稀缺资源的冲突将逐渐消散，有望迎来一个和平与富足的新时代[9] - 公司首席执行官强调，AGI研究绝非为了取代人类，目标是开启一个资源更充足、知识持续增长的“非零和”未来社会[11] 行业争议与挑战 - 部分媒体质疑2024年诺贝尔化学奖授予AI研究成果，指出AI方法的复杂性和透明度欠缺问题[12] - 有批评认为，诺贝尔奖对商业主体的褒扬为时尚早，可能掩盖AI技术日益集中于少数科技巨头手中的事实[15] - 自2023年起，公司“不参与军事项目”的承诺被调整，部分与军方或国防相关的合作重新出现，引发内部员工和公众质疑[16] - 据报道，至少有200名公司员工在2025年5月16日内部提交信件，反对与军事和武器制造的关联[16] - 外界批评认为，在消费者维度的竞争压力下，公司主页上关于医疗保健和气候方面的信息已消失，这动摇了其早期“以科学为本”的立场[19]

全球AI产业格局 - 美国AI产业从野蛮生长转向价值重构，资本市场出现复苏迹象，但学术主导地位弱化，企业成立数量因技术门槛和合规成本增加而波动[1] - 英国AI领域面临创业活力下降的压力，但风险投资逆势回暖，基础研究产出受脱欧和疫情影响而收缩[1] - 印度AI转型遭遇算力不足和顶尖人才短缺的瓶颈，企业成立数量和科研生态均面临挑战[1] - 中国AI发展走出应用驱动路径，企业成立数量和资本市场热度经历理性回调，但技术话语权持续提升，AI发明专利申请量屡创新高[2] - 深圳形成一超多强的区域AI产业格局，南山区聚集近半数AI相关企业，小型企业占比近五成成为创新重要来源[2] - 2024年深圳AI领域股权融资大幅反弹，大模型相关岗位招聘量同比增幅超4倍[2] AI技术突破 - AI技术经历从感知智能向认知与决策智能的关键跃迁，大模型成为核心引擎且多模态能力实现跨越式发展[3] - 谷歌Gemini 1.5 Pro支持百万令牌上下文窗口，能同时处理长文本、视频和音频[3] - Anthropic Claude3系列在数学和编程能力上超越GPT-4，生数科技联合清华大学发布的Vidu视频大模型可一键生成16秒1080P高清视频[3] - 阿里云Qwen 2.5在多语言处理和编程能力上超越同类开源模型，大模型通过量化、剪枝等技术加速向手机和PC等端侧下沉[3] - 具身智能让AI从虚拟推理走向物理交互，Figure 02人形机器人身高1.68米能抓取25公斤物体并支持实时语音交互[4] - 深圳乐聚机器人研发的夸父人形机器人能适应多地形行走，已进入一汽红旗等工业场景完成柔性制造中的精细操作[4] - 脑机接口技术突破医疗边界，Neuralink完成首例人类大脑设备植入，让瘫痪患者通过意念操控鼠标和玩游戏[4] AI终端生态 - 智能终端从孤立设备升级为生态枢纽，覆盖个人消费、家庭和工业等全场景产品矩阵[5] - 消费端有支持AI摄影和实时翻译的AI手机，能生成高清视频的智能影像设备[5] - 家庭场景中智能音箱和扫地机器人通过多设备联动实现入室即亮灯和离家自动断电功能[5] - 工业领域AI视觉质检终端和预测维护机器人大幅提升生产效率[5] - 深圳凭借完整电子信息产业基础在AI终端领域占据优势，形成从芯片传感器到硬件制造软件集成的全链条协同产业生态[5] - 华为、荣耀和创维等企业推动终端产品持续迭代，让智能体验更贴近用户需求[5] AGI演进路径 - 量子计算、超级计算与智能计算的三算融合可能成为算力终极形态，谷歌Willow量子芯片能在5分钟内完成超级计算机需10²⁵年的计算任务[6] - 智能体成为AGI落地关键，百度文心智能体平台已吸引15万家企业入驻，未来可能出现数百万量级智能体形成庞大协作网络[6] - 开源打破AI技术垄断，deepseek开源的推理模型DeepSeek R1训练成本仅为OpenAI o1的3%-5%[6] - 人形机器人作为具身智能领域最具代表性实体，正在大模型催化下驱动产业化破局[22] - 脑机接口突破医疗边界向教育、娱乐和军事等领域渗透，实现人机协同的多元融合[22] AI可持续发展 - AI催生人工智能算法工程师和AI训练师等新职业，推动就业结构从劳动密集型向认知密集型升级[7] - AI助力高精度气候预测，中国气象局的量子-超算-AI混合平台将台风路径预测误差从150公里降至50公里[7] - 通过AI+基因编辑培育高固碳植物和设计污染物降解微生物，为生态保护提供新方案[7] - AI自身能耗问题突出，训练GPT-3模型的耗电量相当于120个美国家庭一年的用电量[7] - 绿色AI将成为行业发展重要方向，需建立全球协同的可持续发展框架[7][22] AI产业链生态 - AI产业链形成紧密协同生态，涵盖基础层智能芯片和数据服务、技术层大模型和计算机视觉、应用层智能机器人和智慧城市[7] - 中兴通讯智算解决方案和鲲云科技可重构AI芯片为产业提供底层支撑[7] - 阿里巴巴达摩院通义千问和deepseek开源模型推动技术创新[7] - 华然技术AIGC检测工具和玩出梦想MR设备让AI走进更多实际场景[7]