MiniMax劉華：基礎大模型公司將只剩個位數，十萬卡是少數公司的追求

國內大模型創業公司已經走出六家獨角獸，即便頭部已清晰，關於創業公司哪家的路線更好、未來誰能留在牌桌上的討論仍未停止。

12月初，第一財經記者在上海見到了MiniMax副總裁劉華，他給出的判斷是，基礎大模型賽道將會侷限在個位數的企業，其中包括大廠和創業公司，除此之外，很多人要轉去做AI應用。

MiniMax是六家獨角獸之一。佈局上看，如今已有獨角獸捨棄做視頻模型，有的在B端和C端應用間做出了選擇，MiniMax則涉獵較廣，佈局了語言、視頻大模型以及面向B端和C端的產品，其中包括海螺AI、Talkie及對應的國內版產品星野。

MiniMax此前較少面對媒體，在這次一個多小時的採訪中，劉華談到創業公司商業化的思路、對o1路線的判斷和現下的行業格局，就算力需求變化，他和算力提供方騰訊雲北區雲原生總經理田豐都認爲並非所有模型訓練都需要10萬卡集羣。

“前提是比Meta的開源模型更好”

“國內AI產業總體上沒有太多泡沫。”劉華告訴記者，此前之所以行業存在一些資源浪費，是因爲太多企業認爲自己能做基礎大模型。泡沫撇去，更好的情況將是大家認識到能做基礎模型的企業不多，更多人有志於做大模型應用。

近一年間，大模型的浪潮從文本涌向多模態，除了有能力多個領域同步出擊的大廠，要不要做視頻大模型、要聚焦哪類應用，六家獨角獸需要量力而行，其中一些已做出選擇。其中，月之暗面是聚焦C端應用的代表，智譜AI對B端應用相對側重，百川智能已決定不跟進Sora視頻大模型的路線。MiniMax則同時跨進文本和視頻大模型領域，應用上佈局C端和B端，其中C端產品進入超180個國家和地區。據AI產品榜數據，11月AI社交產品Talkie的全球月活躍用戶量2519萬，在全球榜單中排第9名。

劉華告訴記者，對創業公司而言，比較好的路線是把大模型做好，並做更多B端標準化產品，C端只做少量應用。做To B和To C產品是爲了讓大模型技術觸達更多用戶，通過用戶反饋知道如何改進模型，盈利問題則還要慢慢看。公司會對產品做少量推廣宣傳，但目前單純以擴大用戶規模的投流價值不大，這種方式獲得的用戶黏性差，僅30天留存率就“沒法看”。

應用變現上，劉華判斷，中國市場的優勢在於用戶規模大，國內做C端產品最終要靠流量變現，廣告是一種方式，海外C端用戶的付費習慣比較好，付費會員也是合適的方式。

關於B端應用大模型定製更好還是標準化更好，業內目前則存在爭論。有大模型定製化廠商負責人告訴記者，定製模型推理成本更低，客戶也能完全控制並調整模型。劉華的判斷則是，創業公司做B端產品較好的方式是標準化。

“國內做AI定製項目快的半年，慢的一年多，如果要花一年半時間做定製化項目，說不定我們的模型迭代兩個版本就能滿足（要求）了，那還不如花更多時間迭代模型。”劉華解釋，至於客戶對數據安全的疑慮，能通過與騰訊雲開創雲上專區的方式保證企業數據的安全，預計國內會有更多企業接受標準化調API（接口）的方式。

基於公司商業化以及獲得大廠支持兩種方式，劉華認爲創業公司能留在大模型賽道內並繼續迭代模型的可能性還是很大。

在做應用和做大模型之間，劉華還認爲，大模型玩家要提供商業化服務並形成營收，意味着要爲客戶提供其他廠商提供不了的服務，特別是要與開源模型拉開差距。“比開源模型更好是一個最基本的門檻，如果基礎大模型做不到這一點就可以不用玩了，可以轉做AI應用了。在國內做商業化一個最基本的前提就是比現在Meta的Llama模型更好，否則別人可以用Llama，爲什麼花錢用你的模型？這很現實。”劉華表示。

“o系列的方向能降低模型錯誤率”

技術路徑上，大模型業內也在迭代。北京時間週五凌晨，OpenAI推出了“滿血版”推理模型o1，這款在今年9月以預覽版上線的模型已在AI業界掀起波瀾。國內多家大模型創業廠商紛紛表態，月之暗面創始人楊植麟稱o1標誌着AI範式遷移，百川智能創始人王小川認爲標誌着範式升級。不過，o1指出AI新路徑的同時，並非所有大模型廠商都在改變自身的研發範式。

“o系列模型是一個能降低模型錯誤率，讓大模型能被嚴肅的生產、研發、科研、設計領域應用的重要發展方向，這與我們降低模型錯誤率的目標相通。”劉華告訴記者，上一代GPT系列模型的一個問題是錯誤率偏高，在30%左右，而要進入這些嚴肅領域，錯誤率至少要降到2%~3%。

不過，劉華認爲，o系列模型僅僅是開闢了一個方向，未來可能導向一些場景，例如大模型對一個問題思考幾周、幾個月，來解答人類社會的重大問題。而就MiniMax而言，公司不會受其他廠商的影響輕易調整發展模式或技術路線，除了降低錯誤率，公司研發方向還包括做多模態、確保大模型能以較低的輸入輸出成本處理複雜計算。

大模型廠商技術迭代的同時，算力方也在適應大模型提出的新要求。田華告訴記者，MiniMax早期用到幾千卡集羣，現在要大幾千卡、上萬卡，後續還會有更大規模的算力需求，這對算力提供方的組網、集羣運維能力提出了高要求。以網絡爲例，萬億參數大模型下，訓練通訊佔比基本能達50%，傳統的網絡協議容易造成擁堵，導致訓練效率下降。騰訊云爲此優化了星脈網絡，使之能支持10萬卡超大規模訓練集羣。

海外廠商也在佈局大規模算力集羣。此前，特斯拉CEO馬斯克旗下的AI公司xAI初步建成了具備10萬張H100 GPU算力的超級AI訓練集羣 Colossus，當地時間12月5日，大孟菲斯商會表示，xAI計劃將Colossus算力再擴大十倍。

從1萬卡到10萬卡集羣，田華告訴記者，除了模型本身，更多還需解決集羣的網絡和運維問題，並不是所有的訓練廠商都需要1萬卡或10萬卡規模，同一個模型用10萬卡的效率也不一定就大於1萬卡，這並非正向疊加的過程。

劉華則告訴記者，10萬卡集羣目前還是美國極少數企業的追求。