AI应用轻量化，商业化加速，MiniMax闫俊杰展望AI未来

一年前，业界还在热议基座大模型的参数与性能，而今在世界人工智能大会（WAIC）的现场，轻量级Agent系统、AI应用解决方案成为了焦点。AI厂商们展现出更加务实、贴近商业化的姿态，各展台纷纷展示着自家的商业化能力、产品落地实力及客户合作案例。

MiniMax的展台上，主要展示的是MiniMax Agent、海螺AI、MiniMax Audio、星野等AI应用产品，涵盖智慧家居、穿戴设备、智能座舱、智能音响、智能耳机及交互设备等AI智能硬件产品，以及文旅、电商、办公、教育、游戏、医疗、金融等领域的应用。

摄影：未知

背后的原因在于，大模型行业正经历一场结构性变革。推理成本一年内骤降一个数量级；开源生态如雨后春笋般涌现，逼近闭源模型的性能；Agent应用商业化加速，垂直领域的新兴厂商有望与巨头形成差异化竞争。

在此背景下，7月26日，MiniMax创始人、CEO闫俊杰在开幕式上发表了题为《每个人的AI》的主题演讲。

核心要点包括：

1.随着模型性能提升，人工智能正逐步成为社会的生产力。

2.AI公司并非传统互联网公司的复制，而是更基础的生产力。

3.AI领域将有多家玩家持续存在。

4.AI能力将越来越强，且这种增强近乎无限。

5.创新将降低AI研发的烧钱程度。

以下为闫俊杰演讲内容（有删减）：

AI正进化为更强的生产力

在我从事AI研究工作的15年里，每天面对任务编写代码、阅读论文进行实验时，我一直在思考：人工智能到底是什么？它与社会的联系是什么？

随着模型性能提升，人工智能正逐步成为社会的生产力。例如，我们在进行AI研究时，需分析大量数据。起初需编写软件来处理这些数据，后来我们发现，利用AI生成软件能更高效地分析数据。作为研究员，我关注AI领域的所有进展。起初设想开发一款APP追踪各领域进展，后来发现使用AI Agent自动跟踪更高效。

来源：受访者

AI正逐步进化为更强生产力的同时，也能产生更强大的创意。例如，15年前上海世博会吉祥物“海宝”，过去15年上海全面发展。若用“海宝”IP生成更具上海特色、符合潮流的衍生形象，AI可做得更好。再如Labubu创意视频，过去需两个月、花费数百万元制作。如今通过强大的AI视频模型，一天即可生成类似视频，成本仅几百元。

高质量的AI模型使得互联网上的大部分内容与创意变得更加普及，低门槛让每个人的创意得以充分发挥。

除了释放生产力与创意外，我们注意到AI的使用已超出最初设计预期，出现各种意想不到的应用场景：如解析古文字、模拟飞行、设计天文望远镜……仅需少量协作，即可将每个人的想法变为现实。

面对这些变化，一个想法在我心中浮现：AI公司并非传统互联网公司的复制，而是更基础的生产力，是对个人和社会能力的持续增强。

其中关键两点是：首先，AI是一种能力；其次，AI是可持续的。人类难以突破生物定律实现永不停歇的学习与变聪明，而AI可以做到。当建造出更好的AI模型时，我们会发现AI与人类共同进步。例如，我们公司内约70%的代码由AI编写，90%的数据由AI分析。

在这种情况下，AI如何变得越来越专业？一年前训练模型需大量人力进行基础标注工作。而今年专业AI可完成大量机械标注工作，标注员可专注于更有价值的专家型工作，帮助模型变得更好。标注工作不再简单给出答案，而是教会AI学习人类思考过程，使AI能力更加泛化并接近人类顶尖专家水平。

基于这些观察我们有一个明确判断：AI会变得越来越强且这种增强近乎无限。

AI不会被单一组织垄断

随着AI对社会影响越来越大未来它会不会被垄断？是掌握在一家组织里还是在多家组织里？

我们认为AI领域将有多家玩家持续存在。原因有三点：

首先所有模型都依赖对齐（Model Alignment）。不同模型对齐目标不同例如有的模型对齐目标是靠谱程序员则Agent能力强；有的模型对齐目标是与人交互则情商高能做流畅对话；有的模型充满想象力……不同对齐目标反映不同公司或组织价值观最终导致模型表现不同且长期存在。

其次我们最近半年用的AI系统已不是单个模型而是一个多Agent系统涉及多个模型不同模型可使用不同工具这会让AI智能水平越来越高解决越来越复杂的问题但也会带来一个结果单一模型优势在多Agent系统里逐渐变弱。

第三在过去半年很多非常智能的系统并非大公司所拥有原因在于过去一年开源模型如雨后春笋般涌现并变得有影响力。过去一年中最好的模型虽为闭源但好的开源模型越来越多且不断逼近最好的闭源模型。

基于这三点原因我们认为AI一定会被多家公司掌握。同时我们认为AI将变得越来越普惠使用成本也将更加可控。

过去一年半我们可用算力更多但AI模型大小未发生太大变化。对所有实用模型而言计算速度是关键因素。如果模型计算速度慢会降低用户的使用意愿因此所有公司都关注模型的参数量与智能水平之间的平衡。

此前模型增长与芯片进步速度基本成正比。而现在虽然大家有更多算力但模型参数未变大。那么这些增长的算力花在哪了？我认为有以下几点：

首先训练上过去半年规模增长已变得缓慢训练单个模型的成本没有显著增加算力更多花在研究探索上。这导致拥有非常多算力的公司与没有那么多算力的公司在训练上的差异可能并不大。没有那么多算力的公司可通过持续提升实验设计、思考能力和组织形式让实验探索变得更加高效。

其次在推理层面过去一年最好模型的推理成本降了一个数量级。我们认为在接下来一两年之内通过大量计算网络系统和优化算法最好模型的推理成本可能还能再降一个数量级。总之训练单个模型的成本不会显著增加。

大量创新将使AI研发变得不那么烧钱但算力使用仍会增加。尽管Token会变得很便宜但使用Token的数量会显著增加。去年ChatBot单个对话仅消耗几千个Token而Agent单个对话可能消耗几百万个Token且由于AI解决的问题越来越复杂实用未来用户也会越来越多。

让每个人都用得起AI这是我们对AI发展的判断。我们认为AGI一定会实现且将服务大众普惠大众。