题图｜视觉中国

黄仁勋和奥特曼之间的“资本游戏”升级了，这次还多了一个新玩家——软银。

本周二，软银清仓英伟达，套现58亿美元，远超市场平均预期的4182亿日元（约等于27亿美元）；更微妙的是，这笔交易发生在英伟达市值冲上5万亿美元高点后仅一周半。

当全市场都在揣测软银“高位兑现”的真实动机时，软银宣布将加注 OpenAI，并直言“英伟达是软银最大的银行”。CFO 后藤芳光（Yoshimitsu Goto）这句话的含义不言自明——英伟达，是软银当下所有AI野心的现金来源。

来源：The Guardian《卫报》

这一幕听起来似乎有些耳熟。它几乎可以堪称英伟达和OpenAI“左手倒右手”模式的放大版。

让笔者来解读一下，如果说之前英伟达的万亿市值，听起来更像是黄仁勋和奥特曼合作的一场精密的资本剧本；

那么这次，软银就像是个超级玩家，将几十亿美金绕了一圈，从黄仁勋的口袋转移进了奥特曼的腰包里。

这一剂量下去，当然对美股产生了不小的影响。

要知道就在2025年11月初，Nasdaq Composite 与 S&P 500 均录得近一个月以来的最大单日跌幅。

这已经是2025年第二次因AI引发的市场震荡——上一次，还是在春节前，中国大模型 DeepSeek-R1 横空出世。DeepSeek用远低于OpenAI的成本，做出了可媲美GPT-4的模型，并选择开源。

那是资本第一次认真思考：也许OpenAI的神话，并非不可挑战。而这次则更是让资本市场二次质疑：美国的AI估值，究竟被高估到何种程度？

在长期追踪AI的过程中，笔者愈发发现中美正站在两条分岔路口。以下将结合这一年的全球AI格局，剖析美国AI正遭遇的瓶颈与困局，并在这一对比下，从技术、产品到商业模式，逐层解析中国AI如何在压强增长中完成“反向突破”。

美国AI的高估值困局

美国的AI泡沫真要破了吗？

如果只看估值曲线，大概还谈不上“破裂”；但如果从泡沫结构来看，美国AI其实已经踩进一个越来越深的高估值困局。

目前，美国AI整体面临的困境是：技术冲得快，收入涨得也快，但利润兑现极慢，而资本的预期却已经提前飙到未来5～10年。

更麻烦的是，这还不是某家公司的问题，而是美国 AI 的“人力—算力—资本”三条成本曲线同时开始失衡。

先说“人”。美国的 AI 人才本来就呈现极端集中：OpenAI、Anthropic、Google DeepMind 都在抢同一批博士，导致人才价格一路狂飙。

一个业内共识是，一个强一点的research scientist年包轻松 150 万美元起步，顶级梯队甚至能做到250～300万美元。这些还都不是特例，而是行业常态。甚至，Meta、OpenAI这类明星公司，AI人才的年薪部分高达千万美金。

于是，一个大模型公司几十名核心成员，光工资一年就要烧掉上亿美元。

除了人贵，算力更贵。OpenAI是全球做得最好、也是付费率最高的Chatbot应用，这点毫无疑问；但它的训练成本同样也是全球第一。

有外界估算，GPT-4的训练成本在7000–1.4亿美元，而GPT-5只会更高。同样，Anthropic也是一个典型样本。一边是增长极快的收入，据外媒报道，2025年预计接近 90 亿美元；另一边是不断扩大的算力需求，用来维持训练迭代。这意味着它的收入在增长，但算力和工程成本增长得更快。

也就是说，无论是OpenAI还是Anthropic，他们都必须不断加杠杆才能维持领先。市场之所以紧张，是因为任何需要“持续加杠杆”才能维持技术优势的商业模式，都很难在长期跑得稳。

英伟达的例子同样说明问题。它当然是 AI 最大的“卖水人”，但股价上涨的速度已经远远超过了利润兑现。

今年英伟达冲上5万亿美元市值之后，一旦训练端和推理端的需求增速出现任何松动，英伟达就是最先感到冲击的企业。就像年初DeepSeek给英伟达带来的冲击一样，未来可能影响到英伟达市值的因素则有可能是国内AI六小龙的上市，如MiniMax或智谱。

软银的态度也很说明问题——在市值顶部附近迅速清仓英伟达，把账面利润抽走，转身投向 OpenAI。这不是看空 AI，而是重新选择在价值链中更靠前的位置站队。

换句话说，连惯于在科技周期中吃尽红利的软银都开始“换座位”，这说明美国 AI 的估值叙事已经开始动摇。

而相比之下，中国AI的估值构成则完全不同。

从成本的角度，中国AI已经在现有的压强下尽力追赶，甚至还有反超的可能性。有海外Franchise报告指出，中国头部云厂商 23-25 年的 AI资本开支 (Capex)总和，比美国同行低了 82%。且该报告还指出，从投资回报率（ROI）的角度，中国远超美国，甚至更有潜力。

来源：Jefferies Franchise Report

另有行业人士也对虎嗅表示：“现在业内的共识是，美国用户付费意愿确实高，但还得看成本结构。”

他接着补充：“反倒是国内某些团队商业化跑得更快。我认为在C端，真正把商业模式做通的其实只有MiniMax。他们在海外的月活非常高，而且一大部分是付费用户。关键是，他们的训练成本远低于OpenAI。这就是模式优势。”

其背后的潜台词已经足够明确：不是美国不赚钱，而是美国的“成本曲线”太陡，而中国的“效率曲线”反而更平。

中国AI的务实派路线：从DeepSeek到MiniMax

与美国AI的“高估值+高赌注”模式不同，中国AI走的是“务实”风。

首先，中国AI公司整体估值没那么高。与海外OpenAI、Anthropic等明星AI公司动辄上百亿美元的估值对比，中国大模型独角兽的估值最高仅几十亿美金。

在这种显性的估值对比下，国内AI自从2025年DeepSeek横空出世后，务实的路径更加清晰。

而所谓的务实派即“低成本高性能”。其中低成本一方面指推理成本降低，另一方面指通过模型架构创新来降低训练成本。

中国大模型的转向最直观地体现在“参数不是第一优先级”这一点上。过去两年，美国模型厂商几乎默认以规模取胜，从70B、400B一路往万亿参数冲；

而国内厂商很快发现，这条路径在中国并不现实：无论是算力价格、电力供给、数据中心布局，还是融资规模和资本周期，中国完全没有条件走美国式的“高赌注”路线。

因此，中国公司的策略变成了：不是堆更大的模型，而是把同样规模的模型训练得更好、推得更快、跑得更稳、成本更低。

DeepSeek的出现是分水岭。

但它的成功不是偶然，而是工程化提效、算子优化、异构训练和混合精度等一整套底层投入的结果。它证明了一件非常重要的事：大模型的竞争不一定是“谁更大”，也可以是“谁更聪明地用算力”。

这种思路，直接加速了后续几乎所有中国AI企业的模型竞争策略。

据该Franchise报告，在模型效果上，中国大模型能力完全不输全球最强模型GPT-5，其中MiniMax M2模型仅略逊于前者10%。也就是说，在“谁更聪明地用算力”这件事上，中国的大模型公司已经派出了代表。

今年以来，MiniMax将架构创新发挥到了极致：M1 用 Linear Attention，用最少的算力追求最大的性价比；M2 又回到Full Attention，强调模型稳定性和更复杂任务的表现。

尽管切换架构在行业内被解读为“开倒车”，但实际上从成本、性能、效率三者平衡的角度来看，是为了满足产品场景的真实需求——海外用户长对话、多轮推理、工具调用需求高，Full Attention 在这些任务上的稳定性远胜于 Linear。这种选择不是炫技，而是实用为先的逻辑驱动。

再看训练成本，MiniMax M1模型发布后，其技术报告清晰地向大众告知了其模型的训练成本。报告显示，M1的强化学习阶段只花了约 54万美元、用512 块 H800 训练仅三周。

MiniMax M1 技术报告 来源：Github

当然也有接近MiniMax方面知情人士向虎嗅透露道，“MiniMax的估值逻辑与国内其他AI独角兽都不同，这家公司的高估值是建立在架构创新基础上的，‘用更少的钱跑出跟别人同级别的训练效果’，是MiniMax目前在技术上的主线”。

相得益彰的是，正因为这种务实路线，中国AI在商业化上的速度反而更快。从这点来看，美国的大模型公司的逻辑几乎都把商业化放在第二阶段：先把模型做到最强，再去找场景。

但国内公司通常是反过来的：相比于海外的“拿着锤子找钉子”的逻辑，国内更倾向于先选定明确的产品场景，把模型训练得够用好用，迅速推向市场，再用真实用户反馈驱动模型迭代。

这种方法论在ToC端尤其明显。MiniMax 之所以能成为中国最早跑通大规模付费用户的厂商之一，就是因为它的产品不是为了展示技术，而是为了服务真实用户。

有接近MiniMax方面知情人士向虎嗅透露道，“MiniMax目前商业化路线最成熟的是多模态模型，其中包括语音模型、音乐模型和视频模型。”

另有行业人士对虎嗅表示，“MiniMax在海外市场DAU、付费率都维持在非常健康的区间，而模型训练成本却远低于OpenAI。这意味着它的商业闭环是成立的。”

中国有谁能挑战OpenAI？

OpenAI 正在逐渐演变成一个“参照物”。无论是模型能力、产品形态，还是商业化路径，它都已为全球 AI 公司树立了某种标准动作。

MiniMax 在很多方面最像 OpenAI，在技术、产品、商业化方面“三线全过关”，但在一些关键维度上又不像它。

一个有趣的对比是：MiniMax 在很多方面最像 OpenAI，但在一些关键维度上又不像它。

先来看两者的相似之处。MiniMax和OpenAI都构建了“订阅收入+ API调用”的双轮驱动商业模式。

据外媒报道，MiniMax 今年的 ARR 已经达到1亿美元规模。而虎嗅从多方渠道注意到，包括某头部视频平台、某大型教育科技公司以及一家全球语音通讯服务商，都在与MiniMax进行API形式的合作。这表明它的能力已经能够为外部企业提供稳定供应能力。

但如果只停在“商业模式相似”，那MiniMax就只是跟随者。

真正让它具备挑战 OpenAI 的可能性，是它所代表的另一条中国路径：不是把 AI 做成“未来十年的操作系统”，而是把AI做成“当下三年的超级产品闭环”。

虎嗅注意到，自GPT-5发布后，OpenAI的产品路线正在悄然发生变化，其已经逐渐将多种智能体能力都整合在ChatGPT平台上，不仅如此，ChatGPT甚至还打通了与外部链接的入口。

而背后的逻辑正是“长线OS化”，即构建一个覆盖文本、语音、视频、推理、工具链再到算力平台的巨大体系。这种路线当然具备一定优势，但节奏沉重，需要漫长的资本和算力周期支撑。

相反，MiniMax 走的是另一条完全相反的路线。

先纵观MiniMax的产品发布战略，它不是把多模态当作孤立产品线，而是把语音模型、音乐模型、视频生成模型与文本模型一起，构成一个可快速落地的能力矩阵。这些能力看似分散，实际上围绕的是同一个目标：让模型立即成为产品，立即商业化，立即推向市场，而不是成为未来的平台。

也就是说，OpenAI 在定义更长远的AGI，而MiniMax则是一边实现AGI，一边抓住未来商业化关键的三年窗口期。


值得注意的是，这种差异并不仅来自路径选择，更来自结构性成本优势。上述报告指出，在同等智能水平上，中国模型的价格普遍低于美国模型。换句话说，在应用市场的正面竞争中，中国团队往往以更低成本提供同等级能力，这对商业化而言几乎是一种“降维打击”，会让全球市场在短期内更容易被中国模型快速渗透。

图源：OpenRouter

而在此前提下，再叠加算力可控和训练成本低等优势，以MiniMax为代表的中国AI模型便正好踩中了一个非常罕见的时间窗口——在OpenAI忙着追逐AGI和构建未来超级系统的时间缝隙中，国内AI正好可以在短期的3～5年内做应用、做生态、做用户。

与此同时，国内几家头部玩家也逐渐拉开了差异化的格局。阿里 Qwen 依托阿里云的算力体系与企业服务能力，在政企、金融、制造等场景中形成了深度落地，其模型版本更新快、稳定性强，为中国的大模型基础设施提供了稳固底盘。

而在如今的大模型六小龙之中，Kimi 在长文本能力上保持优势，提供高质量的泛内容体验、资料整理能力和大文本交互体验；而作为最早提出“国内版OpenAI概念”的智谱，则是在模型技术路线以及 ToB 部署上保持扎实节奏，其企业合作广度在行业领先。

这些公司都在中国 AI 的版图中扮演关键角色，也分别满足产业链的不同侧面需求。

回到最开始的核心问题上，我们来重新审视今天的国内 AI 格局，会发现“谁能挑战 OpenAI”这个问题的答案显而易见。

本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@huxiu.com。