深扒Minimax与智谱：大模型生意模式的底层逻辑与生存困局

日期：2026-01-28 20:35:23 / 人气：2

2026年初，ChatGPT发布三周年之际，中国两大AI大模型创业公司Minimax与智谱迎来关键节点——二者均以约60亿美元估值同期上市，上市后股价暴涨，带动整个AI应用板块掀起普涨行情。然而，光鲜市值背后，两家公司的财报却暴露了“亏无止境”的底色：一边是全球大模型赛道疯狂内卷价格、争抢算力资源，一边是研发投入如同无底洞，冰与火的交织之下，大模型到底是一门怎样的生意？本文结合两家上市公司核心数据，拆解大模型的投入要素、算力角色、经济平衡逻辑，揭开其商业模式的真实面貌。

一、收入高增却难掩巨亏：投入与产出的极端失衡

Minimax与智谱均属于“短小精悍”的大模型玩家——人员精简、产品迭代快、收入增长迅猛。截至2025年下半年，两家公司员工规模均未突破千人，其中Minimax不足400人；收入从零起步，两三年间年化收入均快速向一亿美元靠拢，展现出强劲的商业化潜力。从盈利表现看，To B模式的智谱持续维持50%的高毛利率，To C模式的Minimax也实现毛利率翻正，看似具备了盈利基础。

但高额投入迅速吞噬了增长的红利，收入与支出形成刺眼反差。2024年，两家公司的成本与运营开支总和，基本达到当期收入的10倍左右；即便2025年前三季度Minimax收入大幅扩容，支出仍为收入的5倍以上，智谱则呈现出更明显的规模不经济态势——收入越高，亏损率反而未见收窄。这引出了大模型行业的核心疑问：随着规模扩张，大模型公司究竟会走向亏损率收窄的良性循环，还是陷入亏损加剧的死局？答案的关键，藏在大模型生意的投入密度与底层经济学逻辑中。

大模型的核心投入要素的是数据、算力、算法，三者共同决定了生意的门槛与成本结构。数据层面，公共语料库已基本被挖掘殆尽，2026年起行业普遍转向合成数据与思维链数据，未来的数据竞争将聚焦于场景接入速度、自有数据储备及私有数据付费能力，但因合规与隐私限制，数据投入难以在财报中量化体现。而算法精进的核心是人才，算力则对应芯片与云服务支出，这两项投入直接反映在报表中，构成了大模型成本的核心骨架。

二、人才并非核心矛盾：脑力密度取代人力密度

从两家公司的人力结构看，大模型行业的人力投入逻辑已与传统互联网行业截然不同。两家公司研发人员占比均接近75%，单人头月成本（不含期权激励）在6.5-8.5万元人民币，其中Minimax研发人员单人月成本高达16万元，凸显出顶尖AI人才的稀缺性。但整体来看，人力成本并非拖垮盈利的核心因素：Minimax凭借精炼的人员结构，收入增长过程中已能覆盖薪资支出；智谱因To B业务需配套更多销售人员，且在通用模型研发上投入更大，人力成本改善不明显，但整体仍处于可控范围。

这一现象预示了AI时代互联网公司的人力结构雏形：以少而精的顶尖研发人才为核心，大量非核心岗位被模型自身取代，形成“单人薪资超高、总薪资可控”的格局。Minimax一年总薪资支出约1亿美元，仅占收入的90%左右，对比海外AI赛道动辄上亿美金的单人挖角成本、上亿美金的年度人力投入，这样的支出水平并不算夸张。真正的成本黑洞，在于算力投入。

三、算力成吸金黑洞：训练投入与收入增长的反向赛跑

相较于人力成本，算力投入才是大模型公司亏损的核心推手。薪资成本可随收入扩张逐步稀释，但算力投入的增长斜率远超收入，且Minimax与智谱均采用轻资产模式，几乎无固定资产开支，算力需求全部依赖第三方云服务，进一步放大了成本压力。财报中，算力投入分为训练算力与推理算力，二者的会计处理与商业逻辑差异显著。

训练算力投入属于研发阶段的“沉淀支出”，无论模型是否成功落地产生收益，均需计入研发费用，是模型从0到1的必要投入；推理算力投入则属于收入创造过程中的直接成本，仅当模型落地应用、产生收入时才会发生，计入成本项。从两家公司数据看，训练算力投入占总支出的比例超50%，是绝对的开支大头，直接贡献了5-10倍亏损率中的半数以上支出，印证了“算力吸空产业链利润”的行业现状。

收入与训练投入的失衡更为直观：2024年Minimax的创收仅为2023年训练算力投入的65%，2025年前三季度收入高增后，覆盖率反而降至50%；智谱2025年上半年的收入对训练成本覆盖率仅为30%。Minimax凭借海外To C情感陪聊产品的互联网规模效应与较强付费能力，压力相对较小；而智谱因训练成本增长斜率更高，即便收入高增，成本回收能力仍持续弱化。这种“模型越优秀、训练成本越高，收入永远追不上投入”的矛盾，成为大模型生意的核心痛点。

四、大模型的商业模式本质：资本驱动下的长期资产博弈

动辄1000%的亏损率，揭示了大模型生意“人才+算力+数据”三重密集的本质。强投入与快迭代的共振，使得这门本应属于强资产负债表的资金密集型业务，被扭曲为“全长在利润表上”的短期亏损生意。其商业价值的核心，在于能否从“短期费用化”转向“长期资产化”——当模型训练投入可覆盖未来10-20年的创收，训练成本能进行长期摊销时，大模型才算真正具备可持续的商业基础。

算力投入的指数级增长，是商业模式难以闭环的关键。以Minimax与智谱为例，2023年一代模型的训练成本约4000-5000万美元，而下一代模型要实现线性的性能提升，数据量、参数量与算力投入需呈指数级增长，即便算力效率提升，总需求量仍持续拉高，模型每升级一代，训练成本便上涨3-5倍。当前行业竞争节奏为一年一代模型，前代模型的创收周期仅能覆盖一年，高昂的训练成本无法摊销，只能全额计入当期费用，直接导致巨亏。

快迭代带来的“猫鼠游戏”，进一步加剧了资本依赖。两家公司均面临“收入覆盖不了算力投入”的困境，要维持迭代节奏、不被市场淘汰，需在当期收入覆盖薪资支出后，再额外投入3-5倍于收入的融资资金，用于下一代模型研发。这形成了“收入追不上投入、越做大融资窟窿越大”的循环，商业模式的核心从技术比拼，异化为持续融资能力的竞赛。

五、终局预判：缩放定律失效后的寡头格局

大模型生意的破局点，在于缩放定律（scaling law）的失效——当模型性能提升所需的算力投入暴涨，边际收益趋近于零时，高频迭代的必要性消失，算力投入将进入稳定期。此时，一代模型可长期产生收入，形成类似“长江电力”的稳定现金流模式，训练成本的资本化与长期摊销成为可能，商业模式真正闭环。

但在这一“黎明时刻”到来前，行业将经历残酷的淘汰赛。当前中国大模型赛道已从“百模大战”浓缩至基模五强（字节、阿里、阶跃、智谱、DeepSeek），原“六小龙”中的零一万物、百川智能已因开源冲击、创收困难掉队；海外市场也形成OpenAI、Anthropic、谷歌Gemini、xAI、Meta Llama五虎争霸的格局。最终能存活至终局的玩家，需在三大维度形成竞争力：顶尖人才的储备与留存、模型性能的持续领先（智能化程度、幻觉率、响应速度等）、产品落地与创收能力的稳步提升。

融资能力是阶段性核心竞争力，但并非终极答案。资金的持续注入本质上是对人才、技术与落地能力的背书，只有在资本竞赛中熬到缩放定律失效，同时凭借技术壁垒与市场份额形成寡头垄断，大模型公司才能摆脱“吞金兽”标签，真正兑现商业价值。在此之前，每一家玩家都在“烧钱续命”与“快速迭代”的平衡中，奔赴未知的终局。

作者：奇亿娱乐