资料截止：2026-09-06；长期观察终点：2036年。以下把可核事实与主观推演分开。讨论产业结构和经营质量，不做当前股价估值或买卖建议。用于学习与研究。
我的基准判断是：到2036年，最前沿通用模型研发会集中在少数有持续投入能力的组织；成熟能力会通过开放权重、蒸馏和专业化部署普及；利润由拥有持续技术进步、客户入口、任务执行能力和成本优势的公司共同争夺。今天的“一线基模公司”会分化为完整平台、专业模型及应用公司、集团内部实验室，也会有团队退出独立的前沿训练竞赛。
MiniMax已有实质技术差异，尤其是长任务效率的持续优化与音视频生成。但技术竞争力、可持续护城河和股东回报属于三个不同的判断。截至资料截止，前者有证据，后两者仍需经营数据验证。
一、为什么前沿会集中，通用能力又会普及
模型研发具有高前期成本。成功训练出模型后，权重可以服务许多用户；但每次推理仍耗费算力，下一代研发也需要持续投入。它兼具研发规模效应与交付成本，不能直接套用传统纯软件的利润率。
规模扩大可以提高算力利用率、摊薄研发投入、吸引人才，促使前沿研发集中。同时，架构论文、公开权重、人才流动和工程工具会扩散已实现的能力。企业还可以用不同模型处理不同任务。领先者能够收取的溢价，取决于它是否持续扩展可完成任务的边界，以及客户替换它后会损失什么。
已有供给支持后一种机制。DeepSeek的V4预览版同时提供开放权重、长上下文以及兼容常见工具的API；这些部署和接口路径降低了尝试替代模型的门槛。它们不能证明模型完全同质化，却限制了仅靠接口接入建立的锁定。DeepSeek官方发布，2026-04-24
我预期2036年的市场会出现这样的分层。这是主观情景，不是确定的公司数量预测。
| 层次 | 客户主要购买什么 | 可能留下的利润 | 主要约束 |
|---|---|---|---|
| 前沿智能平台 | 可完成此前无法完成的复杂任务 | 技术领先、可靠交付与客户入口带来的溢价 | 持续研发、算力与融资压力 |
| 成熟通用模型供给 | 足够好的、便宜且可部署的能力 | 成本领先、部署服务、规模化运维 | 同类替代、云厂商和开放生态竞争 |
| 专业模型与工作系统 | 可验收的代码、内容、设计或业务成果 | 行业数据、工作流、品牌、质量保障 | 通用模型升级可能吞掉专业优势 |
基模层不会因此没有价值。对复杂任务，客户应比较“交付一个合格结果的总成本”：推理、重试、工具调用、人工复核和错误损失都应计算。更强模型即使每Token更贵，也可能让总成本更低。反过来，某个模型Token价格最低，也不代表它最经济。
二、中美竞争会怎样不同
我更倾向于多个存在跨境联系的生态长期并存。客户对本地部署、数据处理、供给稳定性和服务的要求，会形成区域边界；开放权重、开发者工具和商业合作又会使能力跨区域传播。它既不是一套完全统一的全球市场，也未必变成两个彼此隔绝的技术体系。
下面评估的是长期生存路径，不是当前榜单，也不是股票回报排序。
| 公司或组合 | 我认为较有优势的长期路径 | 成为长期赢家需要证明什么 |
|---|---|---|
| 将前沿研发、搜索需求与产品分发结合，成为综合智能平台 | AI能保持客户入口与经济价值，同时处理原有商业模式的变化 | |
| OpenAI | 把消费者及开发者关系扩展成通用代理平台 | 掌握客户关系、稳定供给，并使增长覆盖持续投入 |
| Anthropic | 以编程及专业工作形成企业智能平台 | 从模型好用进一步变成可靠、可采购、可复购的工作系统 |
| Meta、xAI所在集团 | 模型服务集团已有产品和战略资产 | 集团内创造的增量价值足以支持前沿投入 |
| 阿里、字节 | 模型与云、消费产品、企业工具共同商业化 | 真实客户价值和成本纪律，而不仅是内部资源投入 |
| DeepSeek | 以研发效率、开放部署和开发者采用扩展影响力 | 把技术影响力转成可持续的商业供给与价值捕获 |
| MiniMax、智谱、Moonshot | 在全球开发者、专业任务、多模态或企业交付上形成位置 | 持续技术迭代之外，建立客户留存和可自我支持的经营模式 |
上述路径已有可观察动作。Google将新一代Gemini直接嵌入Search的AI Mode；OpenAI修订与微软的协议以扩大跨云交付自由；Anthropic将Claude平台进一步接入AWS账户、控制和账单体系。模型公司已经同时争夺客户入口和交付体系。Google，2026-05-19、OpenAI，2026-04-27、Anthropic，2026-04-20
阿里正在整合模型、云、企业代理与电商；字节Seed2.1同时进入豆包、TRAE和火山引擎。对这些公司，模型即使单独利润有限，也可以改善其他业务的收入、成本和客户关系。这使独立模型公司面对不同的竞争目标。但大集团也有组织协调和资源浪费风险，资源规模并不保证模型持续领先。阿里官方业绩说明，2026-05-13、字节官方发布，2026-06-23
公司“还在”也需要定义。xAI官方已于2026-02-02宣布被SpaceX收购；Meta的Muse Spark则扩展进社交产品及眼镜。未来一个模型品牌仍然知名，并不意味着背后实验室仍是独立融资主体，更不意味着早期股东一定取得理想回报。xAI公告、Meta发布及更新
在必须作出判断时，我更看好Google保持全球核心参与者的能力；OpenAI和Anthropic有建立新平台的路径；中国的阿里与字节具有较强的持续投入和分发基础。对独立实验室，我不会仅凭今天的位置判断谁能成为十年后的平台。研发组织的连续产出能力和客户经济性，比单个模型名称更重要。
三、MiniMax的基模差异究竟在哪里
先限定讨论对象。MiniMax的M3接受文本、图像和视频输入，输出文本；H3负责音视频生成，Speech与Music是其他模型系列。拥有多个模态的产品组合，可以扩大业务机会，但不能把所有能力归入一个统一的通用基模。M3官方模型卡、H3官方模型卡
第一项实质积累，是围绕长任务成本持续调整模型与推理系统。M3采用MSA稀疏注意力，在长输入中选择相关信息块再执行注意力计算。对于反复处理大型代码库、文档和多步骤任务，这种优化具有商业意义。论文提供了特定模型、硬件和上下文条件下的效率实验；这些结果不能直接视为所有生产负载的成本优势，更不能推导公司的毛利率。MSA论文，2026-06-11，修订06-12
尤其值得注意的是技术路线的变化。M2系列报告明确披露，团队曾从Text-01的混合Lightning Attention转回全注意力，因为更复杂的多跳推理暴露了质量差距；M3随后采用新的MSA方案。这个过程说明，它可能积累的是发现问题、做取舍、改进训练与工程的组织能力。某一种已经公开的注意力配方本身，难以承担十年护城河的论证。M2技术报告第二节
第二项潜在积累，是可执行任务、反馈与训练系统。M2报告与M3发布材料描述了软件、办公任务、结果反馈和长任务训练的建设。若一个团队能持续取得有使用权的真实任务和可信结果，并用这些数据改善下一代模型，它可能积累比普通聊天日志更有价值的资产。但这仍是待验证的机制：有API用户不等于有训练授权，有大量反馈不等于反馈能提升模型，其他头部公司也在建设类似能力。M2技术报告第四节及后训练部分、M3发布，2026-06-01
第三项更容易观察的差异，是音视频生成。H3已提供多模态参考输入和音视频联合生成；Artificial Analysis的原始盲评榜单也给出了其进入领先组的独立证据。这支持“MiniMax有生成模型竞争力”，但评测覆盖有限，不能据此认定所有创作任务或整体智能领先。H3发布，2026-07-31、AA文生视频榜、AA图生视频榜
H3也揭示了价值所在。官方卡明确说明，开放的基础权重之外，完整效果还依靠托管的输入理解编排和高分辨率再生成模块；其编码器使用Qwen的预训练权重。这并不抹去MiniMax的生成模型创新，而是说明客户最终体验来自模型、数据和完整系统的组合。真正的竞争问题是客户是否持续偏好并愿意支付这套系统。H3官方模型卡
第四项是开放部署与商业产品结合的路线。开放权重减少客户对单一供应商的顾虑，也允许第三方部署和改进。它能扩大采用，却不天然增加原厂的议价权；第三方同样可能捕获托管和应用利润。MiniMax需要靠稳定性、服务质量、持续更新或工作流来留住客户。其M3使用社区许可证，不能直接等同于无条件的宽松开源。M3模型卡、许可证
| 常见优势主张 | 当前判断 | 升级成护城河需要的证据 |
|---|---|---|
| 长上下文与稀疏架构 | 有技术积累，同类也在进步 | 在相同成功率和服务要求下持续降低客户总成本 |
| 编码与代理能力 | 具备竞争资格 | 新模型连续改善真实任务表现，同时客户保留使用 |
| 音视频模型组合 | 有较清晰的差异与独立评测支撑 | 持续的创作质量偏好、付费留存和可控交付成本 |
| 应用与开发者反馈 | 有机会形成循环 | 有权使用、可验证且真正改善后续模型的独有反馈 |
| 开放权重 | 有利于采用和生态传播 | 托管、服务、更新带来的持续付费，而不仅是下载量 |
四、商业数字支持到哪一步
以下全部是2026年上半年实际披露，金额单位为百万美元。
| 指标 | 披露值 |
|---|---|
| 总收入 | 116.573 |
| 开放平台及其他企业服务收入占比 | 63.4% |
| 集团毛利率 | 17.9% |
| 研发费用 | 296.870 |
原始数据来自MiniMax中期业绩发布，2026-08-26；收入和业务占比与路透报道核对，毛利率和研发费用与IBTimes报道核对。媒体金额取整造成轻微差异，均远低于百分之一。这是原始披露与独立媒体取数核对，不是第二次独立财务审计。
这些数字证明付费需求和平台业务已形成规模；也显示目前总收入仍小于研发费用，经营模式尚未证明能够自我支持持续的前沿研发。总毛利率不能当作API分部毛利率，开放平台及其他企业服务也不等于纯API收入。研发费用包括不同类型投入，现有披露不足以可靠拆分维持竞争力所需开支与扩张投入。
当前亏损不能直接证明终局失败：较大的收入规模和效率改善可能改变结构。但也不能把未来维持一流模型必需的研发永久当作一次性支出。判断长期价值应同时观察真实客户付费、交付贡献、持续训练成本与融资稀释。
五、2036年的三种情景与MiniMax的位置
以下是条件情景，顺序体现我的判断，不附缺乏校准依据的精确概率。
| 情景 | 关键条件 | 产业结构 | MiniMax可能的位置 |
|---|---|---|---|
| 基准：前沿集中、成熟能力普及 | 前沿继续进步，但已有能力能够扩散，客户保留多供应商选择 | 综合平台、专业公司和开放生态长期共存 | 高效率的全球模型服务商，或音视频与专业代理平台 |
| 前沿优势持续放大 | 更强模型显著加速自身研发，且成果难以外溢或被追赶 | 技术与利润比基准更集中 | 必须保持最前沿，或与更强平台结合；仅靠便宜和跟随更危险 |
| 能力迅速趋同 | 成熟模型足以完成大部分付费任务，开放部署替代性很强 | 工作流、客户关系、部署与成本占更大权重 | 应用与创作系统可能保留价值，纯模型API业务更难形成高回报 |
MiniMax无需在每个榜单都排第一，也有机会成为重要公司。它需要在足够大的真实工作负载上，持续做到质量、速度和总成本的组合有吸引力；然后让客户关系留下来，让新增收入支持下一代研发。
我认为其更有依据的成功路径，是把长任务模型效率与音视频能力转化为专业、可复购的全球服务。成为覆盖所有任务的通用智能平台，要求更强的分发和客户控制力，不能仅由目前模型表现推导出来。
最值得警惕的失败路径是：模型一直不错，需求一直增长，但价格竞争、算力采购和持续训练耗尽毛利，融资不断稀释原股东。技术成功与股东回报仍可能分离。另一条风险是通用模型进步吞掉原本有价值的专业能力，迫使公司持续寻找新任务边界。
六、未来如何验证这个判断
我会持续看五组指标。以下是研究观察项，不代表公司已经完整披露。
- 客户是否留下来。按客户群观察付费留存、净收入留存和真实生产调用；同时区分需求增加与补贴推动的流量。
- 每个合格结果是否更经济。用一致任务、相同验收标准、相同延迟要求比较费用，计入重试和人工复核；不要仅比较Token单价。
- 收入能否支持下一代模型。观察分业务交付贡献、持续研发投入、经营现金流和融资条件，避免以利润调整口径替代实际现金。
- 客户资产是否沉淀在公司。评估工作流、质量标准、授权数据、企业集成和服务能力；通用聊天量与模型下载数解释力有限。
- 技术组织能否连续产出。跨多个模型代际检查能力、效率、真实客户结果和关键团队稳定性，避免被发布日的单项成绩误导。
我的判断置信度：前沿研发集中与成熟能力扩散并存，中等；综合平台拥有更多变现路径，中等偏高；MiniMax可以成为有差异的长期参与者，中等偏低；任何一家2036年的份额、利润率和股东回报，低。
最可能推翻基准判断的变量，是AI对自身研发的加速程度：若领先能力能形成难以追赶的递增优势，终局会比这里设想的更集中。若这种能力很快通过工具和开放模型扩散，组织执行、客户关系与成本管理的重要性会进一步上升。
核查说明：财务取数已执行项目精确核算及交叉验证；财务报告抽检记录保存在同名核查目录。技术采用官方模型卡、原始论文和独立评测机构页面，发布方实验与独立评测已区分。十年情景属于推理，不能由数据抽检证明。