題圖｜視覺中國

黃仁勛和奧特曼之間的“資本游戲”升級了，這次還多了一個新玩家——軟銀。

本周二，軟銀清倉英偉達，套現58億美元，遠超市場平均預期的4182億日元（約等于27億美元）；更微妙的是，這筆交易發生在英偉達市值沖上5萬億美元高點后僅一周半。

當全市場都在揣測軟銀“高位兌現”的真實動機時，軟銀宣布將加注OpenAI，并直言“英偉達是軟銀最大的銀行”。CFO后藤芳光（Yoshimitsu Goto）這句話的含義不言自明——英偉達，是軟銀當下所有AI野心的現金來源。

The Guardian《衛報》

這一幕聽起來似乎有些耳熟。它幾乎可以堪稱英偉達和OpenAI“左手倒右手”模式的放大版。

讓筆者來解讀一下，如果說之前英偉達的萬億市值，聽起來更像是黃仁勛和奧特曼合作的一場精密的資本劇本；

那么這次，軟銀就像是個超級玩家，將幾十億美金繞了一圈，從黃仁勛的口袋轉移進了奧特曼的腰包里。

這一劑量下去，當然對美股產生了不小的影響。

要知道就在2025年11月初，Nasdaq Composite與S&P 500均錄得近一個月以來的最大單日跌幅。

這已經是2025年第二次因AI引發的市場震蕩——上一次，還是在春節前，中國大模型DeepSeek-R1橫空出世。DeepSeek用遠低于OpenAI的成本，做出了可媲美GPT-4的模型，并選擇開源。

那是資本第一次認真思考：也許OpenAI的神話，并非不可挑戰。而這次則更是讓資本市場二次質疑：美國的AI估值，究竟被高估到何種程度？

在長期追蹤AI的過程中，筆者愈發發現中美正站在兩條分岔路口。以下將結合這一年的全球AI格局，剖析美國AI正遭遇的瓶頸與困局，并在這一對比下，從技術、產品到商業模式，逐層解析中國AI如何在壓強增長中完成“反向突破”。

美國AI的高估值困局

美國的AI泡沫真要破了嗎？

如果只看估值曲線，大概還談不上“破裂”；但如果從泡沫結構來看，美國AI其實已經踩進一個越來越深的高估值困局。

目前，美國AI整體面臨的困境是：技術沖得快，收入漲得也快，但利潤兌現極慢，而資本的預期卻已經提前飆到未來5～10年。

更麻煩的是，這還不是某家公司的問題，而是美國AI的“人力—算力—資本”三條成本曲線同時開始失衡。

先說“人”。美國的AI人才本來就呈現極端集中：OpenAI、Anthropic、Google DeepMind都在搶同一批博士，導致人才價格一路狂飆。

一個業內共識是，一個強一點的research scientist年包輕松150萬美元起步，頂級梯隊甚至能做到250～300萬美元。這些還都不是特例，而是行業常態。甚至，meta、OpenAI這類明星公司，AI人才的年薪部分高達千萬美金。

于是，一個大模型公司幾十名核心成員，光工資一年就要燒掉上億美元。

除了人貴，算力更貴。OpenAI是全球做得最好、也是付費率最高的Chatbot應用，這點毫無疑問；但它的訓練成本同樣也是全球第一。

有外界估算，GPT-4的訓練成本在7000–1.4億美元，而GPT-5只會更高。同樣，Anthropic也是一個典型樣本。一邊是增長極快的收入，據外媒報道，2025年預計接近90億美元；另一邊是不斷擴大的算力需求，用來維持訓練迭代。這意味著它的收入在增長，但算力和工程成本增長得更快。

也就是說，無論是OpenAI還是Anthropic，他們都必須不斷加杠桿才能維持領先。市場之所以緊張，是因為任何需要“持續加杠桿”才能維持技術優勢的商業模式，都很難在長期跑得穩。

英偉達的例子同樣說明問題。它當然是AI最大的“賣水人”，但股價上漲的速度已經遠遠超過了利潤兌現。

今年英偉達沖上5萬億美元市值之后，一旦訓練端和推理端的需求增速出現任何松動，英偉達就是最先感到沖擊的企業。就像年初DeepSeek給英偉達帶來的沖擊一樣，未來可能影響到英偉達市值的因素則有可能是國內AI六小龍的上市，如MiniMax或智譜。

軟銀的態度也很說明問題——在市值頂部附近迅速清倉英偉達，把賬面利潤抽走，轉身投向OpenAI。這不是看空AI，而是重新選擇在價值鏈中更靠前的位置站隊。

換句話說，連慣于在科技周期中吃盡紅利的軟銀都開始“換座位”，這說明美國AI的估值敘事已經開始動搖。

而相比之下，中國AI的估值構成則完全不同。

從成本的角度，中國AI已經在現有的壓強下盡力追趕，甚至還有反超的可能性。有海外Franchise報告指出，中國頭部云廠商23-25年的AI資本開支(Capex)總和，比美國同行低了82%。且該報告還指出，從投資回報率（ROI）的角度，中國遠超美國，甚至更有潛力。

Jefferies Franchise Report

另有行業人士也對虎嗅表示：“現在業內的共識是，美國用戶付費意愿確實高，但還得看成本結構。”

他接著補充：“反倒是國內某些團隊商業化跑得更快。我認為在C端，真正把商業模式做通的其實只有MiniMax。他們在海外的月活非常高，而且一大部分是付費用戶。關鍵是，他們的訓練成本遠低于OpenAI。這就是模式優勢。”

其背后的潛臺詞已經足夠明確：不是美國不賺錢，而是美國的“成本曲線”太陡，而中國的“效率曲線”反而更平。

中國AI的務實派路線：從DeepSeek到MiniMax

與美國AI的“高估值+高賭注”模式不同，中國AI走的是“務實”風。

首先，中國AI公司整體估值沒那么高。與海外OpenAI、Anthropic等明星AI公司動輒上百億美元的估值對比，中國大模型獨角獸的估值最高僅幾十億美金。

在這種顯性的估值對比下，國內AI自從2025年DeepSeek橫空出世后，務實的路徑更加清晰。

而所謂的務實派即“低成本高性能”。其中低成本一方面指推理成本降低，另一方面指通過模型架構創新來降低訓練成本。

中國大模型的轉向最直觀地體現在“參數不是第一優先級”這一點上。過去兩年，美國模型廠商幾乎默認以規模取勝，從70B、400B一路往萬億參數沖；

而國內廠商很快發現，這條路徑在中國并不現實：無論是算力價格、電力供給、數據中心布局，還是融資規模和資本周期，中國完全沒有條件走美國式的“高賭注”路線。

因此，中國公司的策略變成了：不是堆更大的模型，而是把同樣規模的模型訓練得更好、推得更快、跑得更穩、成本更低。

DeepSeek的出現是分水嶺。

但它的成功不是偶然，而是工程化提效、算子優化、異構訓練和混合精度等一整套底層投入的結果。它證明了一件非常重要的事：大模型的競爭不一定是“誰更大”，也可以是“誰更聰明地用算力”。

這種思路，直接加速了后續幾乎所有中國AI企業的模型競爭策略。

據該Franchise報告，在模型效果上，中國大模型能力完全不輸全球最強模型GPT-5，其中MiniMax M2模型僅略遜于前者10%。也就是說，在“誰更聰明地用算力”這件事上，中國的大模型公司已經派出了代表。

今年以來，MiniMax將架構創新發揮到了極致：M1用Linear Attention，用最少的算力追求最大的性價比；M2又回到Full Attention，強調模型穩定性和更復雜任務的表現。

盡管切換架構在行業內被解讀為“開倒車”，但實際上從成本、性能、效率三者平衡的角度來看，是為了滿足產品場景的真實需求——海外用戶長對話、多輪推理、工具調用需求高，Full Attention在這些任務上的穩定性遠勝于Linear。這種選擇不是炫技，而是實用為先的邏輯驅動。

再看訓練成本，MiniMax M1模型發布后，其技術報告清晰地向大眾告知了其模型的訓練成本。報告顯示，M1的強化學習階段只花了約54萬美元、用512塊H800訓練僅三周。

MiniMax M1技術報告Github

當然也有接近MiniMax方面知情人士向虎嗅透露道，“MiniMax的估值邏輯與國內其他AI獨角獸都不同，這家公司的高估值是建立在架構創新基礎上的，‘用更少的錢跑出跟別人同級別的訓練效果’，是MiniMax目前在技術上的主線”。

相得益彰的是，正因為這種務實路線，中國AI在商業化上的速度反而更快。從這點來看，美國的大模型公司的邏輯幾乎都把商業化放在第二階段：先把模型做到最強，再去找場景。

但國內公司通常是反過來的：相比于海外的“拿著錘子找釘子”的邏輯，國內更傾向于先選定明確的產品場景，把模型訓練得夠用好用，迅速推向市場，再用真實用戶反饋驅動模型迭代。

這種方法論在ToC端尤其明顯。MiniMax之所以能成為中國最早跑通大規模付費用戶的廠商之一，就是因為它的產品不是為了展示技術，而是為了服務真實用戶。

有接近MiniMax方面知情人士向虎嗅透露道，“MiniMax目前商業化路線最成熟的是多模態模型，其中包括語音模型、音樂模型和視頻模型。”

另有行業人士對虎嗅表示，“MiniMax在海外市場DAU、付費率都維持在非常健康的區間，而模型訓練成本卻遠低于OpenAI。這意味著它的商業閉環是成立的。”

中國有誰能挑戰OpenAI？

OpenAI正在逐漸演變成一個“參照物”。無論是模型能力、產品形態，還是商業化路徑，它都已為全球AI公司樹立了某種標準動作。

MiniMax 在很多方面最像 OpenAI，在技術、產品、商業化方面“三線全過關”，但在一些關鍵維度上又不像它。

一個有趣的對比是：MiniMax在很多方面最像OpenAI，但在一些關鍵維度上又不像它。

先來看兩者的相似之處。MiniMax和OpenAI都構建了“訂閱收入+ API調用”的雙輪驅動商業模式。

據外媒報道，MiniMax今年的ARR已經達到1億美元規模。而虎嗅從多方渠道注意到，包括某頭部視頻平臺、某大型教育科技公司以及一家全球語音通訊服務商，都在與MiniMax進行API形式的合作。這表明它的能力已經能夠為外部企業提供穩定供應能力。

但如果只停在“商業模式相似”，那MiniMax就只是跟隨者。

真正讓它具備挑戰OpenAI的可能性，是它所代表的另一條中國路徑：不是把AI做成“未來十年的操作系統”，而是把AI做成“當下三年的超級產品閉環”。

虎嗅注意到，自GPT-5發布后，OpenAI的產品路線正在悄然發生變化，其已經逐漸將多種智能體能力都整合在ChatGPT平臺上，不僅如此，ChatGPT甚至還打通了與外部鏈接的入口。

而背后的邏輯正是“長線OS化”，即構建一個覆蓋文本、語音、視頻、推理、工具鏈再到算力平臺的巨大體系。這種路線當然具備一定優勢，但節奏沉重，需要漫長的資本和算力周期支撐。

相反，MiniMax走的是另一條完全相反的路線。

先縱觀MiniMax的產品發布戰略，它不是把多模態當作孤立產品線，而是把語音模型、音樂模型、視頻生成模型與文本模型一起，構成一個可快速落地的能力矩陣。這些能力看似分散，實際上圍繞的是同一個目標：讓模型立即成為產品，立即商業化，立即推向市場，而不是成為未來的平臺。

也就是說，OpenAI在定義更長遠的AGI，而MiniMax則是一邊實現AGI，一邊抓住未來商業化關鍵的三年窗口期。?

值得注意的是，這種差異并不僅來自路徑選擇，更來自結構性成本優勢。上述報告指出，在同等智能水平上，中國模型的價格普遍低于美國模型。換句話說，在應用市場的正面競爭中，中國團隊往往以更低成本提供同等級能力，這對商業化而言幾乎是一種“降維打擊”，會讓全球市場在短期內更容易被中國模型快速滲透。

圖源：OpenRouter

而在此前提下，再疊加算力可控和訓練成本低等優勢，以MiniMax為代表的中國AI模型便正好踩中了一個非常罕見的時間窗口——在OpenAI忙著追逐AGI和構建未來超級系統的時間縫隙中，國內AI正好可以在短期的3～5年內做應用、做生態、做用戶。

與此同時，國內幾家頭部玩家也逐漸拉開了差異化的格局。阿里Qwen依托阿里云的算力體系與企業服務能力，在政企、金融、制造等場景中形成了深度落地，其模型版本更新快、穩定性強，為中國的大模型基礎設施提供了穩固底盤。

而在如今的大模型六小龍之中，Kimi在長文本能力上保持優勢，提供高質量的泛內容體驗、資料整理能力和大文本交互體驗；而作為最早提出“國內版OpenAI概念”的智譜，則是在模型技術路線以及ToB部署上保持扎實節奏，其企業合作廣度在行業領先。

這些公司都在中國AI的版圖中扮演關鍵角色，也分別滿足產業鏈的不同側面需求。

回到最開始的核心問題上，我們來重新審視今天的國內AI格局，會發現“誰能挑戰OpenAI”這個問題的答案顯而易見。

本內容由作者授權發布，觀點僅代表作者本人，不代表虎嗅立場。如對本稿件有異議或投訴，請聯系 tougao@huxiu.com。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4805292.html?f=wyxwapp