深扒Minimax與智譜：大模型，一場算力強度與融資耐力的殘酷絕殺？

26年初ChatGPT發布三年之際，中國兩大AI大模型創業公司Minimax和智譜幾乎同時，均以大約60億美金的估值上市，且上市后都以暴漲，并帶動整個AI應用的普漲行情。但同時，扒開兩個大模型公司的報表，都是“虧無止境”的面相。

一邊是全球大模型瘋狂卷價格、越來越多大宗商品，一邊是模型無底洞的研發投入，但同時還有這種即翻倍的盛景。冰火交織下，海豚君一直的疑問是大模型到底是一種什么樣的生意。

這次，海豚君就結合兩個上市的公司數據，來認真探討一下這個問題：

1）大模型到底需要怎樣的投入要素和密度？

2）算力到底扮演了什么角色？

3）模型經濟學如何算，才能平衡？

4）最終，大模型到底是怎樣的生意模式？

以下是詳細分析

一、拔高的收入、驚悚的投入

兩個大模型公司Minimax和智譜，都是“短小精悍”型——人手少、產品迭代快，收入增長快。人數到2025年下半年沒超一千人，收入零起步，兩三年年化收入都在快速邁向一億美金。

但到了支出層，再高增的收入都被兇猛的投入比得相形見絀：即使收入增長過程中，Model to B公司智譜持續保持在50%的高毛利，還是Model to C公司Minimax毛利率翻正。

2024年兩個公司的支出（成本與運營開支）加總基本在當期收入的10倍上下。Minimax 2025年前九個月收入快速做大后支出仍然是收入的5倍以上；而智譜到了2025年上半年看起來反而更加規模不經濟了。

這里的核心問題是，對于模型公司而言，到底收入越大、虧損率收窄，還是收入越大、虧損率越高的規模不經濟結局？

模型經濟學的底層三要素——數據、算力、算法，大家已耳熟能詳。但要解答模型到底適不適用互聯網規模經濟規模，關鍵是理解大模型到底需要怎樣的投入密度。

在大語言模型訓練中，用了什么訓練數據從來沒有模型廠真正公開，但這個問題大致有這么兩個共識; a.公共語料庫有百科、代碼庫、Common Crawl語料庫等; b.但公共和標準語料庫幾乎已被模型訓練完畢。

到了2026年，大模型公司開始依賴合成數據和思維連數據。但未來，要給模型投喂更多數據，要么靠自身超快的落地速度去接入更多場景；要么大模型公司本有自有數據，比如說互聯網大廠更具數據優勢；剩下就是比拼對私有數據的付費能力。

但數據投喂量因涉及數據合規和隱私等，沒有模型廠會在報表中展示。真正能體現在報表端的，主要是算力和算法，算法的精進本質是靠人，算力對應的是芯片和云服務。對于這兩個問題，我們就一個一個來看一下。

二、人太貴了？不是核心問題！

兩個公司員工整體都沒超1000人，尤其是Minimax都不足400人；兩家公司研發人員都接近75%，單人頭月成本6.5-8.5萬元人民幣（不含期權激勵），其中Minimax研發人員單人月成本是16萬。

Minimax因人員更為精煉，收入做大過程中，薪資支出至少已能夠收入覆蓋。而智譜因為商業變現上主要是to B落地，需要匹配更多銷售人員；而且研發上對通用模型著力更高，所以人力成本改善并不明顯。

其實，從這兩家公司可以看出，大模型在人力上的投入，更多是人才“腦力”密度的投入，而非人力密度的投入。甚至從Minimax的人才密度，可能已經預示了AI時代互聯網公司的人力結構雛形：

少而精的大模型研發人才，大量其他的部門崗位都在被模型取代（Minimax旗下AI產品眾多，但并未對應超大的人頭量），總體薪資呈現出單人薪資超高，但總體可控的狀態。

比如Minimax一年總薪資支出大約1億美金（大約收入的90%上下），考慮到這兩家公司基座模型的迭代能力和多模態的發布速度、海外AI動輒上億美金的搶人戰慘烈程度（動輒挖一人開出的薪資就上億美金），這樣的人員支出還不算夸張。

三、核心矛盾：創收 vs 投入，到底能有平衡的時候嗎？

雖然薪資成本基本已經把當期的收入“吃光了”。相比于算力投入，人力薪資只是小菜一碟。薪資至少可以隨著收入的擴張而有效稀釋，但算力投入從兩家目前的情況看下來，是一個比收入增長斜率更高的投入類型。

而且從報表上來看，由于Minimax和智譜固定資產開支都非常少，幾乎可以確定，兩家公司的算力都是使用的第三方云服務，這種相對輕資產的模式，而非OpenAI高度自控數據中心的方式。

大模型公司的報表中，算力的使用都分為了訓練算力和推理算力。

模型在訓練階段，就等于要做出來一個可以產生經濟效益的商品和服務，需要做研發投入，在產品投用（模型進入推理場景）之前，對應的模型訓練支出，都是推出產品之前的“沉淀支出”，計入研發費用當中。

而研發好的模型投入了推理使用場景中，產生的收益記為收入，而推理階段模型對于算力的消耗，就記為收入創造過程中的直接成本，記在成本項當中。

背后的邏輯也簡單：大模型公司砸人、砸算力、砸數據先在實驗室里做模型的研發，這個是無論模型是否做出為客戶所用，是模型公司都必須要做“沉淀投入”。

只有當模型被研發出來，可以用到推理環節，無論是客戶調用模型接口還是自己直接用模型做出來APP來產生收入，才會產生推理收入和推理計算的成本。

這Minimax和智譜兩家公司來看，為了研發模型，單單訓練算力投入全部占到了總支出的50%以上，是開支的絕對大頭，也是妥妥的“吸金黑洞”，貢獻了兩家公司5-10倍虧損率中的一半以上的支出。

這一占比，直接量化了海豚君在《》中所說的算力吸空產業鏈利潤的說法。

再拿收入創造和模型訓練投入相比，就更能直觀感受到訓練投入的強度了：

從Minimax來看，2024年創收只有23年模型訓練算力投入的65%，25年前三季度雖然收入成長很快，但也對24年同期訓練算力成本覆蓋能力反而進一步降低到了50%；智譜到25年上半年更是僅有30%的覆蓋率。

Minimax由于產品落地上，以海外to C情感AI陪聊為主，設計上有很多游戲和互聯網增值的變現模式（詳細產品和商業化落地會另外詳細分析），to C的互聯網規模效應+海外付費能力較強，收入對訓練成本情況壓力尚小一些。

但智譜的情況就是一個非常明顯的收入高增，但對訓練成本的回收能力，因為訓練成本增長斜率更高，反而越來越弱。

這兩年趨勢看，雖然兩家作為中國獨立模型公司的佼佼者，收入增長斜率都很高，但當年創收對上一年研發投入的代償全都不盡如人意。

這兩年趨勢看，雖然兩家作為中國獨立模型公司的佼佼者，收入增長斜率都很高，但當年創收對上一年研發投入的代償全都不盡如人意。

模型要優秀，訓練成本就越高；收入跑得再快，也跟不上一代更比一代高的模型投入。那么矛盾來了，模型越做越虧，這種生意如何理解商業價值？

四、大模型到底是怎樣的商業模式？

大模型動輒1000%的虧損率，再次形象地說明了它的研發是一個人才+算力+數據三重密集的商業模式。

強投入和快迭代的共振，在海豚君看來，本質上是把一個強資產負債表的資金密集性業務，做成了“全長在”利潤表上的生意。

而當它具備長期的經濟和商業價值的時候，就是模型回歸成真正的“資產負債表”業務——模型不再需要年年投，而是投一年的訓練成本可管之后10年甚至20年，讓模型持續產生收入。這個時候，訓練成本可以做長期攤銷的時候，也只有這樣，模型研發的訓練成本才會有研發資本化的真正商業基礎。具體來看：

1）算力：節節高的“固定資產投入”

Minimax和智譜為例，23年研發一代模型，訓練成本要四、五千萬美金之間； 而下一代模型的訓練要實現代際的線性差異，在數據量、模型參數量和算力投入反而是指數級的提升。最終算力效率提升，反而拉高了算力的總需求量。

從這兩家公司來看，模型升級一代，訓練成本基本要提高3-5倍。

當下大模型的競爭節奏，基本都是一年出一代模型。也就是說之前一年訓練出的模型，只對應接下來一年的推理創收期。

這么高的算力投入，沒有辦法做攤銷折舊，只能全部計入當期的研發費用當中，結果就是上文高于收入5-10倍的虧損這種 “慘不忍睹”的虧損率。

2）快迭代：收入vs 投入，追不上的“貓鼠游戲”？

智譜和Minimax兩家公司面臨的共同情況都是，模型的創收能力尚且覆蓋無法模型的算力投入。雖然收入跑不過訓練成本，一邊狂虧一邊狂投，幾乎是研發大模型必然的宿命。

為了讓自己活到黎明時刻，公司要把這代模型的創收，再考慮上研發薪資支出，幾乎要再貼上高于收入3-5倍的融資資金，才能為下一代的模型研發續命，以保證模型不被市場淘汰。

而這樣一直滾雪球下去，就是一個收入一直追不上未來投入；且只要還在大模型競爭的牌桌上，就需要不斷融資，而且越做大、融資窟窿越大的“資本比拼”游戲。

3）縮放定律失效：資本游戲結束？

一個自然而然的問題是，這么下去，到底什么時間才是個頭？很顯然，在成本端投入巨大的情況下，這里矛盾的核心已不是簡單的收入成長速度能否匹配訓練成本增速的問題，更加重要的問題是，什么時間模型不需要這么大的投入，或者迭代速度不需要這么快了。

對于大模型技術本身而言，不需要投入的時候，其實就是縮放定律（scaling law）失效的時候，換句話說，當增加一點點的智力所需要的算力開始暴漲式上升的時候，模型訓練的必要性就不大了。

模型不再需要高頻的訓練來迭代，也意味著高密集的訓練重資產投入告一段落。算力投入一代新模型后，這代模型能有10年甚至更長的時間來創收。甚至當模型不再需要訓練投入，但大模型能夠一直創收，這時一個類似“長江電力”的商業模式也就呼之欲出了。

但這個假設的基本前提是，頭部大模型廠商在長期的資本、人力和數據消耗戰中，已經熬死了一眾對手，僅剩的幾個對手之間達成默契，不再打價格戰，最終形成類似當下云服務市場一樣、市占率高度集中的寡頭市場，那么大模型的商業模式自然也就立住了。

4）終局之前，是殘酷的資本游戲

但縮放定律失效時刻到來之前，大模型公司會是持續的吞金獸。這種情況下，商業模式的競爭本質上就變成了一場持續融資的資本競賽。

當然，如果像蔚來一樣，真有大模型公司能把融資做成一種差異化的生存能力，確實也是一項核心技能。但對于大多數公司而言，融資不是博傻游戲，資金愿意融資，本身是要看企業的產品和執行能力，能融到資金，而且估值越來越高，本身也是一個雙向選擇的過程。

按媒體報道，中國的模型之戰，也已經從剛開始的百模之戰走到基模五強——字節、阿里、階躍、智譜和DeepSeek。

原本的模型創業“六小龍”階躍、智譜、MiniMax、百川智能、月之暗面與零一萬物中，在DeepSeek一夜爆紅并用完全的開源顛覆了模型收費之后，零一萬物和百川智能已經掉隊。

海外同樣也已經變成五虎爭霸：OpenAI、Anthropic、谷歌Gemini、xAI和 Meta Llama，甚至Meta的模型也已經落后。

一些能夠持續融資且估值能夠水漲船高、有一些在快速的死在了半路上。從大模型生存的路徑來看，融資能力背后真正的是核心人才、模型實力和產品落地進度能力綜合作用的結果。

核心人才是AI的上億美金搶人大賽，這個還是持續進行中，而另外兩個一個看模型本身智能化程度，而另外一個最終要落地到創收能力上。

1）模型實力：

從下文可以看到，模型創業公司能生存下來，大多在模型的榜單上能找得到名字，這背后是模型在各個細分顆粒度上（模型智能化程度、幻覺率、模型參數、回答時首個Token輸出前的等待時長等）的競爭相對靠前。

2）產品落地能力

過去一年中，多數獨立創業公司，要么在與互聯網大廠競爭中被挖走了人，要么產品落地上創收困難，要么是模型價格比拼中，干不過性價比高的開源模型，模型隱沒在了半路上。

如果用一句話來概括的話，在Scaling Law撞墻的“黎明時分”之前，甚至到來之后的一段時間內，我們都會看到一個個模型在“人才搶奪、模型研發和產品落地”三維度的比拼中，一個個倒下去。

而真正能走向決賽的，除了看人和背后的資金實力，更加重要的是看模型研發的進度和產品落地的水平。

下一篇分析，海豚君就會圍繞智譜和Minimax的模型和產品落地，來理解如何去評價大模型的資本市場價值。

//轉載開白

本文為海豚研究原創文章，如需轉載請添加微信：dolphinR124 獲得開白授權。

//免責聲明及一般披露提示

本報告僅作一般綜合數據之用，旨在海豚研究及其關聯機構之用戶作一般閱覽及數據參考，並未考慮接獲本報告之任何人士之特定投資目標、投資產品偏好、風險承受能力、財務狀況及特別需求投資者若基於此報告做出投資前，必須諮詢獨立專業顧問的意見。任何因使用或參考本報告提及內容或信息做出投資決策的人士，需自行承擔風險。海豚研究毋須承擔因使用本報告所載數據而可能直接或間接引致之任何責任或損失。本報告所載信息及數據基於已公開的資料，僅作參考用途，海豚研究力求但不保證相關信息及數據的可靠性、準確性和完整性。

本報告中所提及之信息或所表達之觀點，在任何司法管轄權下的地方均不可被作為或被視作證券出售邀約或證券買賣之邀請，也不構成對有關證券或相關金融工具的建議、詢價及推薦等。本報告所載資訊、工具及資料並非用作或擬作分派予在分派、刊發、提供或使用有關資訊、工具及資料抵觸適用法例或規例之司法權區或導致海豚研究及／或其附屬公司或聯屬公司須遵守該司法權區之任何註冊或申領牌照規定的有關司法權區的公民或居民。

本報告僅反映相關創作人員個人的觀點、見解及分析方法，並不代表海豚研究及/或其關聯機構的立場。

本報告由海豚研究製作，版權僅為海豚研究所有。任何機構或個人未經海豚研究事先書面同意的情況下，均不得(i)以任何方式製作、拷貝、複製、翻版、轉發等任何形式的複印件或複製品，及/或(ii)直接或間接再次分發或轉交予其他非授權人士，海豚研究將保留一切相關權利。

文章不易，點個“分享”，給我充點兒電吧~