原文讲解：陈昱怎样把 MiniMax 讲成一条“模型—产品—资本”链
音频 00:00–00:30 是后半段观点预告，正式片头约 00:30 开始。公开章节从 01:00 计入自我介绍；自动转写会把 MiniMax、Talkie、Glow、Transformer 等专名识别错误，以下按公开章节、上下文和公司常用名称统一。融资金额、用户数、收入、创业公司数量和估值，均保留为节目时期嘉宾口述。
| 节目时间 | 张小珺在问什么 | 陈昱把问题推进到哪里 |
|---|---|---|
| 01:00–11:39 | 为什么投资人都去旧金山？美国基金如何看中国创始人与中国资本？ | 从 GenAI Summit 的现场、华人创业者、CFIUS 语境、人才成本和中美 VC 条款差异讲起 |
| 11:40–18:21 | 过去十年 AI 浪潮怎样演进？ | 回顾计算机视觉、L4 自动驾驶和大模型，解释 L4 的长尾、成本与商业化难点 |
| 18:22–24:24 | 大模型从 2022 年底到现在经历了什么阶段？ | 从规模化训练、MOE、多模态和 GPT-4o 的低延迟交互，转到算力和能源约束 |
| 24:25–29:33 | 陈昱怎样成为 MiniMax 的第一位投资人？ | 从约翰·霍普金斯校友圈、叶怡和闫俊杰的相识，讲到“中国 OpenAI”的创业愿景 |
| 29:34–36:21 | 严俊杰、商汤和高度保密的项目是什么关系？ | 解释 IO 代号、商汤 2B 项目的局限、离职时机和早期数字人路线 |
| 36:22–43:37 | Glow、Talkie、海螺 AI、星野和张前川怎样进入 MiniMax？ | 把产品迭代、图灵测试、海外收入、产品经理直觉、创始人分工和合伙人制度串起来 |
| 43:38–47:11 | 巨头降价会怎样影响创业公司？ | 比较云业务补贴与独立创业公司的成本，提出“模型质量第一”的应对路线 |
| 47:12–50:14 | 大模型资本牌局有哪些玩家？ | 把巨头、头部创业公司和融资落后的公司放到不同筹码层级 |
| 50:15–56:55 | 为什么 Club Deal 盛行？创业公司的入围线是什么？ | 解释投资人都在“看牌”、为什么还不能确定创业公司有机会，以及 MiniMax 每轮跟投 |
| 56:56–结束 | 如果巨头要收购 MiniMax，投资人会接受吗？ | 从中国并购历史、团队意愿、Google 文化和开放论文的代价收尾 |
一、先从旧金山的 GenAI Summit 讲起：大家去的未必是会议，而是人
陈昱先介绍自己的背景：约翰·霍普金斯大学计算机科学毕业，曾在 Google 纽约做个性化搜索和展示广告，后来在芝加哥大学读 MBA，做过创业公司 CTO，2014 年加入云启资本，负责 AI、大数据、云计算、机器人和自动驾驶投资。这段经历很重要，因为他不是只从财务报表看 AI，而是经历过搜索工程、产品基础设施和创业公司。
2024 年 5 月，他去旧金山参加 GPTDAO 组织的 GenAI Summit SF 2024。陈昱对会议组织并不客气：排队很久、日程临时变化、一些重量级演讲没有兑现，看起来有点“草台班子”。但他认为会议仍然有价值，因为同行、LP、基金、创业者和大厂的人都集中在一个地方。很多平时约不到的人，在硅谷一周内反而见到了。
中美关系和资本审查是现场讨论的核心。陈昱从一位在 Goodwater 做投资的同学那里得出的判断是：美国基金并不必然排斥中国创始人，甚至可以接受研发团队在中国，只要商业运营主要在美国；真正让不少基金谨慎的，也可能是退出环境、申报和合规，而不只是国籍。中国资本投资美国项目时，CFIUS 等审查、政府资金背景、回购权和后续轮领投位置都会影响条款。陈昱提醒，这不是一句“中美资本不能合作”可以概括的，而是不同法域对回购、税务、申报和治理的具体要求不同。
美国 AI 工程师的薪资也改变了融资结构。陈昱说，一个初级 AI 工程师很容易拿到二三十万美元 offer，创业公司如果不提供相应薪资就难以吸引人才，所以 AI 创业的融资额和估值天然被抬高。美国华人创业者与中国创业者方向差别并不大，仍然以软件、企业服务和 AI 应用为主；硬件因为供应链成本和投资偏好，更多仍是中国公司的优势。
二、过去十年三波 AI 浪潮：技术进步和投资回报不是同一条时间线
陈昱把过去十年拆成技术史和投资史两条线。第一波是 2014 年前后的计算机视觉，CNN 让图像识别成为可用技术，于是出现“AI 四小龙”等公司。问题在于，视觉算法容易被论文、开源代码和项目交付复制；很多安防或手机方案最后甚至把算法免费送掉，公司的壁垒变成项目关系和工程交付，而不是长期模型资产。
第二波是 2016 年前后的自动驾驶。当时行业主流目标是 L4 全无人驾驶，但它面对两个比“比人开得好”高得多的要求：必须处理真实道路里几乎无穷的 corner cases，还要在接近 99.99% 的安全标准下形成规模经济。陈昱在旧金山再次体验 Waymo，认可其体验不错，但也看到车少、等待时间长、路线偶发抖动、价格高的问题。Waymo 在少数城市运营，同时每年承担巨额研发费用，说明技术可行和经济可行仍是两回事。
L4 之后，市场更多转向 L2+ 或接近 L3 的方案。陈昱提到他投资的公司把软硬件成本降到约 2000 美元，让车企愿意采用，再把功能以几万元人民币的增量卖给消费者。这个故事的作用不是证明某一家公司一定成功，而是说明自动驾驶的普及线可能先由“性能—成本—车厂愿意买”共同决定。
第三波是 2022 年 11 月 ChatGPT 引爆的大模型。陈昱按阶段描述：先是改善推理能力，再遇到规模化训练成本和网络结构问题，于是出现 MOE；随后是多模态，Sora、GPT-4o 和低延迟语音输入输出把交互向前推进。大模型的独特难点在于参数规模、训练算力、电力和晶圆产能；他认为台积电产能最终会被解决，能源成本尤其是美国本土数据中心供电可能更难。
三、从商汤到“做中国 OpenAI”：陈昱为什么愿意押 MiniMax
讲到投资缘起，陈昱把故事放回约翰·霍普金斯的校友圈。他和出门问问创始人李志飞是同学，也认识 MiniMax 的早期联合创始人贠烨祎。贠烨祎 2018—2019 年前后已经有创业想法，但一直没有找到足够大的方向和合适团队。到 2021 年初，对方约陈昱在上海见面，说准备出来创业，方向是基础模型、解决 AI 问题，最终希望做通用人工智能。
第二次见面，贠烨祎把严俊杰介绍给陈昱。团队称严俊杰为 IO，取自 Input/Output。那时行业主流仍是 BERT 及其变体，许多创业者谈的是某个具体模型微调；严俊杰却直接和陈昱讨论 foundation model 与 AGI。陈昱说，他当时并没有能力判断这个方向一定能成功，但对严俊杰的理性、野心和深入思考留下了好感：要做的是一个千亿甚至万亿美元市场，而不是在已有项目上做一个小功能。
团队也讨论过智慧城市、智慧文旅、Talkie 和超写实数字人等方向。陈昱认为，商汤的局限不在“算法不够聪明”，而在很多 2B 项目需要一个个交付，难以像软件产品一样低成本规模化；计算机视觉算法本身又容易被论文和开源代码复制。大模型的壁垒不同：核心难点变成能否买到、组织好并高效使用巨量算力。融资不到十亿美元以上，想长期维持竞争优势就会很难——这是他对当时牌局的判断。
MiniMax 没有立刻公开创业。严俊杰在商汤承担重要业务，商汤又处在上市前后，团队选择等一个合适时间点；贠烨祎的下属 Simon 先注册公司、处理早期事务。最终在国庆前后，团队陆续与高瓴、米哈游、云启等投资人接触，IDG 后来加入。项目被描述为“一把手、高度保密”，因为创始人要在不影响原公司关键节点的情况下完成退出和融资。
四、早期路线不是直接做聊天机器人，而是从数字人和多模态技术往上长
MiniMax 早期做过超写实数字人：用一组摄像机采集人的全方位数据，进行精确 3D 建模。当时类似能力主要在 Meta 等公司中出现，服务于元宇宙等战略。陈昱认为，这条路线留下了声音、文字和多模态模型的基础，所以 MiniMax 并不是在 ChatGPT 之后才突然转向大模型。
ChatGPT 发布后，团队把文字基础模型抽出来，做了 Glow。Glow 的界面当时还粗糙，但模型在当时已经足够强，迅速获得数百万注册用户，在小红书等社区形成大量聊天记录。用户甚至怀疑后面是不是有真人，恰好说明它在进行一种产品化的图灵测试：如果用户在自然对话中感觉不到机器边界，模型就跨过了一个重要的体验门槛。
后来监管要求生成式 AI 产品备案，Glow 下架或调整并没有改变 MiniMax 的主线。团队继续推出海螺 AI、Talkie 和星野。陈昱尤其强调 Talkie 的海外化：产品面向全球用户，张前川没有长期在美国生活，却依靠产品直觉和数据分析打造出在美国受欢迎的产品；节目时期他估计 Talkie 已有千万级注册用户、百万级日活，并产生千万美元级别收入。数字应按节目时期口径理解，重点在于它成为少数能收费、能出海、能验证产品差异的模型公司产品。
五、MiniMax 的分工：模型质量是根，融资与产品是两条外延
陈昱对严俊杰的描述很具体：理性、推理严密、对商业有敏感度，但核心信念是产品最终要回到模型质量。如果模型不够好，上层应用就是“空中楼阁”。因此严俊杰亲自带模型团队，CEO 仍然在一线做模型；贠烨祎主要负责融资、战略和团队搭建；张前川则带来搜索、推荐和内容产品经验。
张前川原本想独立创业，后来在高瓴牵线下加入 MiniMax。陈昱强调，MiniMax 不把许多人都叫“联合创始人”，而是采用合伙人说法，台上大约有五位合伙人，尽量保持平等。人才来源以字节和商汤较多，但并不只看某个大厂或学校，也不鼓励小团体。这里的组织设计与产品路线相互配合：技术负责人保持模型质量，产品负责人把模型放进用户场景，融资和战略负责人让公司获得训练和试错时间。
这也解释了为什么陈昱愿意在相对高估值下持续跟投。他的判断不是“每轮都稳赚”，而是如果 MiniMax 做得好，可能成为百亿美元级公司。节目中他称自己参与了约五轮融资，基本每轮都追加，只有某一轮因为只有一个投资人、老股东没有放钱而例外。投资行为因此不是简单看牌，而是对团队、模型路线、产品收入和未来融资能力同时下注。
六、巨头降价：对用户是好消息，对独立创业公司却可能是毁灭性竞争
2024 年中国大模型市场正在降价。陈昱解释，大厂可以把模型价格压得很低，因为它们背后有云计算、广告、手机、内容或企业业务，模型只要作为获客入口，亏损可以在别处赚回来。独立创业公司没有云业务补贴，模型价格一降就可能直接进入亏本状态。
MiniMax 的策略因而不是跟每一家打价格战，而是坚持模型质量第一。陈昱用 GPT-4 在中国 API 市场的高占比举例：即使有更便宜的模型，用户仍愿意为质量付费。与此同时，降价也会加速应用普及，更多开发者会愿意试模型；这对整个生态是好事，对没有独特模型或产品的创业公司却可能是坏事。
应用层同样有困境。ChatGPT、豆包、Kimi、海螺等产品的切换成本很低，手机可以同时安装多个应用；如果一个大厂产品免费且质量差距不大，独立产品就很难收费。广告可以变现，但会损害体验。Talkie 之所以重要，是它有清晰的社交/角色产品差异，不只是一个可以被替换的通用聊天入口。
七、大模型资本扑克牌：巨头筹码最多，创业公司必须先证明自己有资格继续下注
陈昱把牌局分成三类。第一类是大厂：钱、云、用户和业务协同都在手里，可以承受长时间投入。第二类是已经融资领先的创业公司，如 MiniMax、月之暗面等，它们有机会继续训练，但仍要不断融资。第三类是融资落后的创业公司，首要问题不是产品营销，而是能不能继续获得资金。
Club Deal 盛行，是因为投资人还看不清楚 clear winner。腾讯、红杉、顺为、阿里等机构可能同时投几家公司，一方面分散风险，另一方面保留获取信息和后续加注的选择权。对独立投资机构来说，这种“看牌”并不等于一定会在未来拥有巨额加注能力；如果创业公司最后没有机会，投资人也只能认赔，这正是风险投资的本质。
节目时期的入围线包括三件事。第一，模型质量不能明显落后于领先的开源模型；第二，多模态和产品功能必须跟上；第三，必须找到商业模式，无论是 API、2B 项目还是 2C 产品，都不能永远亏损。陈昱直说，今天还不能确定一定存在创业公司的机会，即便这些公司已经跑了一年多，也还没有答案。
如果巨头收购 MiniMax，陈昱认为概率不算高：中国历史上缺少几十亿美元级别的科技并购，且团队未必愿意被收购。但他也不把它排除。真正的判断不在于投资人是否“接受并购”，而在于团队能否继续保持模型与产品的独立性、资本是否允许它继续成长，以及大厂能否提供比独立发展更强的资源。
八、结尾回到 Google：开放论文怎样变成整个行业的共同武器
陈昱最后回忆自己在 Google 纽约工作的五年。那时 Google 全球约四千人、工程师约两千人，人才密度很高，很多后来创办拼多多、快手、安克、出门问问等公司的工程师都来自那一代 Google。对他影响最大的是 Google 的文化、全球基础设施和“把产品做到最好”的技术理想主义。
Google 的另一个历史教训是开放与保密的平衡。GFS、Bigtable、Spanner 等论文曾让开源世界理解 Google 如何支撑全球用户，随后这些思想被复刻成行业基础设施；到了 OpenAI，技术报告越来越少，产品发布和内部秘密之间的边界变得更严格。陈昱用“CloseAI”这个外部戏称收尾：当模型训练成本和商业竞争变高，过去开放的知识分享会逐渐变成竞争优势的一部分。
以上是原文讲解。下面才进入本文自己的结构化抽象、证据审计与独立判断。
核心判断：MiniMax 的差异化不是某个 App，而是把模型质量、产品出海和资本续航接在一起
这期节目最重要的不是给 MiniMax 做投资结论，而是呈现一家大模型创业公司如何同时面对三种约束：模型质量决定上限，产品和出海决定用户是否愿意付费，融资决定公司能不能等到下一代模型。只要其中一条线断掉，另外两条线也很难独立成立。
模型根基
严俊杰把 CEO 时间放在模型一线，赌的是质量能带来溢价，而不是用价格换规模。
产品验证
Glow、Talkie、海螺 AI 和星野让团队测试对话、角色、海外社交和多模态场景。
资本续航
巨量算力和工程人才要求长期资金，Club Deal 反映的是投资人仍在等待清晰赢家。
问题背景：为什么大模型公司的“技术领先”不能自动变成商业领先
大模型不像普通 SaaS：训练成本大、模型能力持续变化、API 价格容易下降、用户可以同时使用多个应用。创业公司既要投入基础设施，又要面对云厂商把模型当作生态补贴。它不能只说“我的模型更好”，还要证明用户愿意为差异付费、应用能在海外或企业场景建立入口、收入能够覆盖下一轮训练。
MiniMax 的路径是把三件事同时做：基础模型保持上限，面向用户做可收费的 Talkie 等产品，融资保持算力和人才的时间窗口。它不是消除了竞争，而是让公司有机会在竞争中继续存在。
机制拆解：大模型创业公司的四重飞轮与两种失败方式
根据节目叙述，可以把 MiniMax 的经营系统画成：模型质量 → 产品体验 → 用户与收入 → 训练投入 → 更强模型，外面再套一层资本和人才。这个飞轮成立，需要用户愿意为质量付费；如果大厂免费提供相近质量，或者产品没有差异，飞轮就会被价格战打断。
| 层次 | MiniMax 的做法 | 需要验证什么 | 可能的断点 |
|---|---|---|---|
| 基础模型 | CEO 亲自带模型，强调质量第一 | 模型在真实任务、长上下文、多模态和 API 稳定性上的差异 | 质量优势不明显，或训练成本远高于收入 |
| 应用产品 | Glow、Talkie、海螺 AI、星野等多线测试 | 留存、付费、海外收入、内容安全和可持续获客 | 注册量高但无法留存或变现 |
| 组织分工 | 模型、融资战略、产品各有负责人，合伙人制度相对平等 | 创始人离开一线后系统能否独立运行，产品和研究是否协同 | 过度依赖一人，或多个合伙人目标不一致 |
| 资本续航 | 早期投资人与老股东多轮跟投，借助 Club Deal 形成筹码 | 下一轮资金、估值与收入能否匹配，训练周期是否可持续 | 估值高、收入低、市场等待清晰赢家 |
| 生态位置 | 与大厂模型、云、海外渠道和创业者互相依赖 | 能否在巨头降价后保持产品差异和议价权 | API 可替换，模型被当作普通供应商 |
两种失败方式也很清楚：第一种是“模型不够强但应用没有差异”，既无法收费，也无法抵抗大厂；第二种是“模型很强但没有产品和资本续航”，训练投入无法转成用户和收入，最终在下一轮融资前失去时间。
关键证据与口径审计
陈昱是投资人和早期股东，信息密度高，但也有天然视角。以下把可用于理解判断的口述与需要外部核对的数字分开。
| 节目主张 | 原文中的作用 | 证据边界 |
|---|---|---|
| MiniMax 早期由贠烨祎、闫俊杰等商汤背景成员筹备，项目高度保密 | 解释创业时机、团队来源和投资人接触方式 | 嘉宾口述；成员身份、职责和时间线应以公司公开资料核对 |
| Glow 获数百万注册用户，Talkie 有千万级注册用户、百万级日活和千万美元级收入 | 说明产品测试与海外商业化差异 | 节目时期的投资人口径，用户定义、收入确认和地域未公开 |
| 国内大模型创业公司最终可能不到六家，需十亿美元以上融资 | 说明模型训练的资本门槛 | 行业判断；公司数量、融资门槛和有效算力没有统一定义 |
| 美国 AI 工程师年薪二三十万美元、AI 估值普遍偏高 | 解释融资规模和中美创业成本差异 | 访谈观察，岗位、地区、股票和周期差异很大 |
| MiniMax 约五轮融资，老股东大多数轮次跟投 | 说明早期投资人对团队的持续下注 | 嘉宾披露；具体轮次、金额和投资方应以公告或工商资料核对 |
| 大厂降价对创业公司特别不利，但会加速应用普及 | 解释模型价格战的双重效果 | 机制性判断，要用后续毛利、调用量、应用收入验证 |
| 创业公司必须达到领先开源模型质量、多模态功能和可持续收入 | 给出节目时期的入围线 | 投资人判断，不是行业监管或统一技术标准 |
术语解释
Foundation Model
基础模型。先在广泛数据上训练，再被不同产品和任务调用；它是能力底座，不等于完整应用。
MOE
Mixture of Experts，混合专家。多个较小专家组成大模型，推理时只激活部分专家，以降低有效计算量。
多模态
同时处理文字、图像、音频、视频等输入输出。GPT-4o 在节目中被用作低延迟、端到端交互的例子。
Club Deal
俱乐部交易。多家投资机构联合参与同一项目，常见于金额大、风险高、赢家不清晰的融资。
2B / 2C
2B 面向企业，2C 面向个人消费者。大模型公司可以同时做 API、企业项目和消费应用，但每条线的销售与成本结构不同。
模型质量第一
节目中的经营信念：不把价格战当作主要差异化，而是相信真实任务效果足够好时，用户会为质量支付溢价。
边界与风险：这期节目没有证明什么
陈昱的判断来自早期投资关系，能解释为什么愿意下注，却不能替代模型评测、产品留存、收入和现金流。
Glow 的注册用户、Talkie 的海外增长和收入都需要定义与核对。注册量可以很大，但留存、付费和内容成本决定是否可持续。
若大厂模型质量逐步接近、API 切换成本继续下降，独立公司仍需要产品、渠道、数据或品牌差异。
陈昱的投资人位置也会自然强化“牌桌”“筹码”和“融资续航”的语言。它很适合描述基础模型的资本密度，但不应让读者忽略另一条可能路径：小团队通过垂直产品和现金流建立生存空间，而不一定和巨头在基础模型规模上正面竞争。
独立判断：MiniMax 的真正赌注是“把研究公司的时间换成产品公司的现金流”
我认为这期最值得留下的不是 MiniMax 的某个产品名称，而是它在两个时间尺度之间做平衡：基础模型需要几年级别的训练、数据和人才积累；产品收入却必须在几个月到一年内证明自己。Talkie、Glow、海螺 AI 和星野的意义，是把研究能力暴露到真实用户面前，尽早知道模型在哪些场景能产生钱。
这种路径有一个结构性优势：产品收入可以帮助公司获得下一轮训练时间，海外产品还可能绕开国内同质化价格战。但它也有结构性风险：产品团队会被短期增长牵引，模型团队会被长期质量牵引，两者如果没有同一套反馈指标，就会互相觉得对方拖慢了公司。
所以判断 MiniMax 或其他模型创业公司，最重要的不是问“融资了多少钱”，而是问四个问题：模型质量是否在用户愿意付费的任务上显著领先？产品收入是否能覆盖一部分推理成本？组织能否在创始人不亲自盯每个细节时继续迭代？下一轮资本是否愿意基于真实数据，而不是只基于故事继续下注？这四个问题比单一榜单更接近牌局的终局。
证据边界与资料索引
本文以完整节目音频和公开章节为主要材料，按正式片头约 00:30 之后重建问答。陈昱的履历、MiniMax 创始团队、产品用户与收入、融资轮次、估值、模型质量、AI 工程师薪资、自动驾驶成本和行业入围线，均按节目时期投资人口述或判断处理；自动转写中的专名按公开节目资料统一，不把机器转写错误当作原文引语。