أصدرت MiniMax تقريرها النصفي الأول بعد إدراجها في سوق الأسهم الهونغ كونغية، حيث ارتفع الدخل بنسبة 283.1% ليصل إلى 1.5 ضعف إيرادات عام 2025 بأكمله، وارتفع الربح الإجمالي بنسبة 464.8%. وتجاوز ARR في أغسطس 8 مليارات دولار، حيث شكلت إيرادات القطاع B 80%، ووصل استهلاك الرموز في يوليو إلى 20 ضعف مستواه في يناير. وقد طرح المؤسس يان جونجjie مسارًا تقنيًا يركز على "تقليل تكلفة الاستدلال إلى أدنى حد، وتحقيق أقصى قدر من الذكاء"، من خلال بنية MSA المطورة داخليًا، خفض تكلفة حساب الرمز لكل نص طويل بحجم ملايين الكلمات إلى حوالي 1/20 مقارنة بآلية الانتباه الكامل التقليدية، مما يحقق توازنًا بين الذكاء والتكلفة ضمن قدرات حوسبة محدودة، ويوفر مسارًا جديدًا للموديلات الكبيرة الصينية للمشاركة في المنافسة العالمية.

كاتب المقال، المصدر: زهي شي دي

في 26 أغسطس، أصدرت MiniMax (Xiyu Technology)، الشركة الرائدة في نماذج الذكاء الاصطناعي الكبيرة في الصين، تقريرها النصفي الأول منذ إدراجها في سوق الأسهم الهونغ كونغية.

أظهرت التقارير المالية أن إيرادات MiniMax ارتفعت بنسبة 283.1% على أساس سنوي، حيث بلغ إيراداتها لستة أشهر 1.5 ضعف إيراداتها السنوية لعام 2025؛ وزادت الأرباح الإجمالية بنسبة 464.8%.

في اجتماع التقارير المالية، كشف يان جونجjie، المؤسس ورئيس مجلس الإدارة والرئيس التنفيذي وChief Technology Officer في MiniMax، أن ARR الخاص بـ MiniMax تجاوز 800 مليون دولار في أغسطس، وارتفع حصة الإيرادات من العملاء المؤسسيين إلى 80٪، وكان استهلاك الرموز في يوليو 20 ضعف استهلاك يناير.

بخلاف البيانات، فإن الجملة التي قالها يان جونجjie خلال اجتماع الأداء الليلة الماضية جذبت انتباهي. قال: "فقط من خلال تقليل تكلفة الذكاء الوحدوي، يمكن تحقيق أقصى مستوى من الذكاء."

يجب أن تعلم أنه خلال السنتين الماضيتين، كانت النماذج الكبيرة تتبع طريقين أساسيين: إما زيادة المعلمات وفقًا لقانون التوسيع لتعزيز الذكاء، بثمن مرتفع؛ أو تقليل الكفاءة لتحقيق الشمولية، لكن مستوى الذكاء كان دائمًا يفتقر إلى شيء ما.

يبدو أن الصناعة تفترض أن هذا مثلاً للسمكة والدبة، لا يمكن امتلاك كليهما.

لماذا اختارت MiniMax طريقًا يتعارض مع حدس الصناعة؟ هل يمكن حقًا أن ينجح هذا الطريق؟

الذكاء والتكلفة، لماذا يصعب تحقيق الاثنين معًا؟

قانون التحجيم دفع السرد الخاص بالذكاء الاصطناعي على مدار السنوات القليلة الماضية: كلما زاد عدد المعلمات، زاد الذكاء.

وفقًا لقانون التوسيع، وصلت معلمات النموذج حاليًا إلى مستوى 2-3 تريليون، وارتفع ذكاء النموذج معه، مما أثار دهشة الجميع من اقتراب AGI.

وراء الازدهار، يُخفي هذا القاعدة قنبلة موقوتة: عندما يصل النموذج إلى مستوى تريليونات المعلمات، تبدأ تكاليف الاستدلال في أن تصبح غير قابلة للتجاهل.

قال الرئيس التنفيذي لشركة NVIDIA، هوانغ رينشون، في مؤتمر GTC 2026: "لقد انتهت عصر إنفاق التدريب كعامل رئيسي للتكاليف. الاستدلال هو العبء الحالي، وهو يتوسع بسرعة."

ازدياد تكلفة الاستدلال، إلى جانب ارتفاع عبء عمل الوكلاء، ينتقل الذكاء الاصطناعي من التفاعل الواحد من سؤال وجواب إلى التنفيذ الذاتي متعدد الخطوات. قد يكمن طلب المستخدم الواحد خلف عشرات أو حتى مئات من استدعاءات النموذج، مما يؤدي إلى ارتفاع فواتير قوة الحوسبة في الصناعة بمعدلات أسية.

نتيجةً لذلك، انقسم الصناعات تدريجيًا إلى فريقين:

من ناحية، نماذج صغيرة بسرعة عالية وتكلفة منخفضة، لكن أدائها الذكي متوسط.

جوجل هي النموذج الكلاسيكي لهذا الطريق. بين يوليو وأغسطس 2026، أطلقت جوجل فجأة ثلاثة نماذج خفيفة: Gemini 3.7 Flash وGemini 3.6 Flash وGemini 3.5 Flash-Lite وGemini 3.5 Flash Cyber.

3.5 Flash-Lite هو أسرع نموذج وأقل تكلفة في سلسلة 3.5، مصمم خصيصًا لأحمال العمل ذات الإنتاجية العالية والمهام الأصغر في أنظمة الوكلاء الكبيرة للذكاء الاصطناعي. انخفض استخدام رموز الإخراج لـ Gemini 3.6 Flash بنسبة 17% مقارنة بالجيل السابق.

لكن الثمن واضح جدًا. لم تطلق جوجل حتى الآن نموذجها الرائد Gemini 3.5 Pro، الذي كان من المقرر إطلاقه في مؤتمر I/O في مايو، ولا يزال غير متاح.

من الناحية الأخرى، هناك النماذج الكبيرة التي تكون ذكية، لكنها مكلفة في النشر وبدأت تزداد تكلفتها.

تتسابق شركات النماذج الكبيرة المحلية على هذا الطريق. في يوليو 2026، أطلقت Yueju Anmian نموذج Kimi K3 بحجم معلمات يبلغ حوالي 2.8 تريليون، وهو أكبر نموذج مفتوح المصدر في العالم من حيث حجم المعلمات حاليًا.

أطلق علي لاحقًا Qwen3.8 Max بحجم معلمات يبلغ حوالي 2.4 تريليون؛ ووصل بaidu Wenxin 5.0 أيضًا إلى 2.4 تريليون معلمة؛ وبلغ حجم معلمات DeepSeek V4-Pro 1.6 تريليون.

الزيادة في حجم المعلمات تؤدي إلى تحسن ذكي واضح للعين المجردة. تفوق Kimi K3 على Claude Fable 5 وGPT-5.6 Sol في عدة قوائم Agent. وُصف Qwen3.8 Max بأنه "أحد أكبر نماذج المعلمات وأقوىها أداءً من حيث المصدر المفتوح".

لكن التكلفة ارتفعت أيضًا.

سعر واجهة برمجة تطبيقات Kimi K3، ارتفع سعر المدخلات غير المخزنة مؤقتًا من 6.5 يوان لكل مليون رمز إلى 20 يوان، وارتفع سعر المخرجات من 27 يوان إلى 100 يوان، بزيادة قدرها 208% و270% على التوالي. يُوصى رسميًا باستخدام مجموعة من 64 بطاقة تسريع أو أكثر لتكوين عقدة فائقة.

بعد يومين فقط من الإطلاق، أعلنت "الجانب المظلم للقمر" وقف الاشتراكات الجديدة للمستخدمين النهائيين، وتحويل جميع قدرات الحوسبة لضمان مستخدميهم الحاليين.

كلما أصبح الذكاء الاصطناعي أكثر تقدمًا، زاد حجم معلمات النموذج، وازدادت تكلفة الاستدعاء، وارتفعت عتبة النشر، وشحّت قوة الحوسبة... يبدو أن هذا يشكل عقدة صعبة الحل.

مينيماكس، لا تختار ولا تتخلى

لحل مشكلة الاختيار بين التكلفة والذكاء، اختار MiniMax: أريد كليهما.

يان جونجjie شرح بوضوح المنطق الكامل لشركة MiniMax في اجتماع التقارير المالية:

القوة الحسابية محدودة لكل شركة. نهدف من خلال "تقليل تكلفة الاستنتاج، وتعظيم الذكاء" إلى تحقيق "ذكاء للجميع". هذه هي مسارنا التقني الذي نتمسك به منذ البداية، وهي أيضًا رسالتنا الأصلية كشركة ناشئة.

"تقليل تكلفة الاستدلال، تعظيم الذكاء" تعني "تقليل تكلفة الاستدلال، تعظيم الذكاء". تضع MiniMax تقليل التكلفة وزيادة الذكاء ضمن نفس الإطار السردي.

لماذا يمكن ذكر هذين الأمرين معًا؟ لأن MiniMax لديها فهم مختلف لـ "الاستدلال":

أولاً، الاستدلال هو وسيلة إنتاج الذكاء القادم.

في الماضي، كان يُعتقد أن الاستدلال هو "استخدام النموذج"، بينما التدريب هو "إنشاء النموذج". لكن الآن، تشمل الدورات الأساسية مثل بيانات التوليف، وRollout في التعلم المعزز، وتقييم النموذج والتحقق منه، وتفاعل العوامل مع البيئة، جميعها تحمل أحمال استدلال في جوهرها.

يزداد حجم مراحل ما بعد التدريب كنسبة من إجمالي قوة التدريب. لم يعد الاستنتاج عبارة عن عبء عمل يظهر بعد انتهاء التدريب، بل هو استهلاك مستمر طوال عملية التدريب.

لذلك، فإن كفاءة الاستدلال لا تحدد فقط مساحة تسعير واجهة برمجة التطبيقات، بل تحدد أيضًا إلى أي مدى يمكن تدريب النموذج التالي.

ثانيًا، تحسين تكلفة الاستدلال شرط ضروري للتطوير الذكي.

هناك حدود فيزيائية للقوة الحسابية، بينما تستمر نماذج الذكاء الاصطناعي في التوسع. إذا لم تنخفض تكاليف الاستدلال، فستصبح التكاليف عائقًا متزايدًا أمام تحسين الذكاء مع مرور الوقت.

في ميزانية قوة حسابية محدودة، يحدد مدى قدرة كل دولار على التحول إلى إنتاج ذكي مدى تقدم تكرار النموذج.

ثالثًا، السعي لأعلى مستوى من الذكاء بأقل تكلفة وحدة ذكية — هاتان المهمتان وجهان لعملة واحدة.

في الماضي، اعتادت الصناعة على اعتبار "الأولوية الذكية" و"الأولوية التكلفة" طريقتين منفصلتين. لكن إذا لم ينخفض تكلفة الاستدلال، فلن يمكن تطبيق أي ذكاء عالٍ.

ببساطة، فلسفة MiniMax هي معاملة تحسين التكلفة وترقية الذكاء كشيء واحد. من اليوم الأول لتصميم النموذج، تم اعتبار كفاءة الاستدلال مؤشرًا أساسيًا، وتم تضمينه طوال دورة التطوير.

بكلمات يان جونجjie: "MiniMax لا تسعى إلى التنازل بين الذكاء والتكلفة. الهدف هو تحقيق مستوى أعلى من الذكاء، ووسيلة تحقيق ذلك هي تحسين مستمر في تكلفة الاستدلال وكفاءته لتحقيق قيمة أفضل."

لطالما اتبع MiniMax هذا المبدأ الأساسي لبناء بنية تحتية تقنية.

الأكثر جوهرية هو بنية MSA (الانتباه النادر) التي طورتها الشركة بنفسها. باختصار، تخفض تكلفة حساب Token لنصوص طويلة تصل إلى ملايين الكلمات إلى حوالي 1/20 مقارنة بآلية الانتباه الكاملة التقليدية، أي أن كمية الحساب لكل Token في M3 مع سياق 1M تساوي فقط 1/20 من الجيل السابق.

المفتاح لهذا الانفجار هو أن إجمالي عدد المعلمات يحدد الحد الأقصى لسعة معرفة النموذج، لكن عدد المعلمات المُفعّلة يحدد تكلفة الاستدلال لكل رمز. يمكن فصل هذين العاملين: زيادة حجم المعلمات لا تؤدي بالضرورة إلى ارتفاع تكلفة الاستدلال بنسبة متناسبة.

لذلك يمكن لـ M3 رفع مستوى الذكاء دون تغيير السعر، بينما يمكن لـ M3 Pro تحقيق مستوى معاملات يقارب 3T مع تعزيز التعلم المعزز وتدريب المهام الطويلة المدى.

على مستوى البنية التحتية، يمكن لـ MiniMax تحقيق نسبة وقت التدريب الفعال (ETTR) بنسبة 97٪، وهي واحدة من أولى الشركات المستقلة للنماذج الكبيرة في الصين التي أنشأت نظامًا مقياسًا ومستقرًا على المدى الطويل للقوة الحسابية.

تم بناء شبكة إمدادات الحوسبة من خلال التعاون بين المجموعات الذاتية، مزودي السحابة، وTokenFactory، حيث تكفي قدرات الحوسبة الحالية والمخططة لدعم التكرار المستمر لنماذج نصية وفيديو بسعة 3 تيرابايت.

خاتمة: بدون ميزة في القوة الحسابية، ما الذي يسمح للنماذج المحلية بالمسايرة؟

عندما يُذكر دائمًا الفرق بين النماذج الكبيرة في الصين والولايات المتحدة، فإن الأجهزة دائمًا ما تكون موضوعًا لا يمكن تجاهله.

في الماضي، كان يُفترض بشكل افتراضي أن من يمتلك عملية تصنيع رقائق أكثر تقدمًا وقوة حوسبة أعلى، يستطيع إنشاء نماذج أفضل. ووفقًا لهذا المنطق، يبدو أن الذكاء الاصطناعي الصيني سيظل يبعد عن الذكاء الاصطناعي الأمريكي بمدة تتراوح بين بضعة أشهر ونصف سنة.

هل لا يمكن إلا أن يكون الأمر هكذا؟

قدمت MiniMax طريقًا جديدًا: تقليل تكلفة الاستنتاج، وتعظيم الذكاء.

تخفيض تكلفة وحدة الذكاء هو أيضًا رفع الحد الأقصى للذكاء. لأن التدريب بعد التدريب، وبيانات التوليف، والتعلم المعزز اليوم، جميعها تعتمد في جوهرها على أحمال الاستنتاج. وكلما زادت كفاءة الاستنتاج، زاد عدد التجارب التي يمكن إجراؤها بنفس القدرة الحسابية، وبالتالي ارتفع سقف الذكاء.

من يستطيع إنتاج ذكاء أعلى بتكلفة أقل، يستطيع أن يحقق حدودًا أبعد ضمن قدرات الحوسبة المحدودة، مما يسمح للذكاء الأعلى بالدخول إلى حياة أوسع.

ربما تكون هذه هي أكثر الطرق وعودًا للموديلات الكبيرة المحلية للمشاركة في المنافسة العالمية. وقد بدأت MiniMax بالفعل في التحقق من ذلك.