MiniMax เปิดเผยรายงานครึ่งปีฉบับแรกหลังเข้าตลาดหุ้นฮ่องกง รายได้เพิ่มขึ้น 283.1% เมื่อเทียบกับปีก่อน ซึ่งสูงกว่ารายได้ทั้งปี 2025 ถึง 1.5 เท่า กำไรขั้นต้นเพิ่มขึ้น 464.8% ARR ในเดือนสิงหาคมพุ่งเกิน 800 ล้านดอลลาร์สหรัฐ โดยรายได้จากภาคธุรกิจ (B2B) คิดเป็น 80% ปริมาณการใช้ Token ในเดือนกรกฎาคมสูงถึง 20 เท่าของเดือนมกราคม ผู้ก่อตั้งหยานจุนเจี๋ยเสนอแนวทางเทคโนโลยี “ลดต้นทุนการประมวลผลให้น้อยที่สุด และเพิ่มประสิทธิภาพปัญญาให้มากที่สุด” โดยใช้สถาปัตยกรรม MSA ที่พัฒนาขึ้นเอง เพื่อลดต้นทุนการคำนวณต่อ Token สำหรับข้อความยาวหลายแสนตัวอักษรลงเหลือประมาณ 1/20 เมื่อเทียบกับกลไกการให้ความสำคัญแบบเต็มรูปแบบแบบดั้งเดิม ทำให้สามารถบรรลุสมดุลระหว่างปัญญาและต้นทุนภายใต้พลังการประมวลผลที่จำกัด และเปิดทางใหม่ให้โมเดลขนาดใหญ่ของจีนสามารถแข่งขันในระดับโลก

ผู้เขียนบทความ แหล่งที่มา: ซือซีอี้

วันที่ 26 สิงหาคม บริษัทชั้นนำด้านโมเดล AI ของจีน MiniMax (Xiyu Technology) เปิดเผยรายงานครึ่งปีฉบับแรกนับตั้งแต่การเข้าจดทะเบียนในตลาดหุ้นฮ่องกง

รายงานการเงินแสดงว่า รายได้ของ MiniMax เพิ่มขึ้น 283.1% เมื่อเทียบกับช่วงเดียวกันของปีก่อน โดยรายได้ครึ่งปีได้รับถึง 1.5 เท่าของรายได้ทั้งปี 2025; กำไรขั้นต้นเพิ่มขึ้น 464.8%

ในการประชุมรายงานผลการดำเนินงาน ยาน จุนเจี๋ย ผู้ก่อตั้ง ประธานคณะกรรมการ ซีอีโอ และซีทีโอ ของ MiniMax เปิดเผยว่า ในเดือนสิงหาคม ARR ของ MiniMax พุ่งเกิน 800 ล้านดอลลาร์สหรัฐ สัดส่วนรายได้จากภาคธุรกิจ (B2B) พุ่งขึ้นเป็น 80% และปริมาณการใช้โทเค็นในเดือนกรกฎาคมสูงกว่าเดือนมกราคมถึง 20 เท่า

นอกเหนือจากข้อมูล คำพูดหนึ่งของหยานจุนเจี๋ยในการประชุมผลประกอบการเมื่อคืนนี้ที่ดึงดูดความสนใจของฉันคือ เขากล่าวว่า: “เฉพาะเมื่อต้นทุนปัญญาของหน่วยเล็กที่สุดถูกลดลง จึงจะสามารถเพิ่มระดับปัญญาให้สูงสุดได้”

ต้องเข้าใจว่าในสองปีที่ผ่านมา โมเดลขนาดใหญ่มีเพียงสองทางเลือกหลัก: หนึ่งคือการเพิ่มพารามิเตอร์ตามกฎการขยายขนาดเพื่อเพิ่มความฉลาด แต่มีค่าใช้จ่ายสูง; อีกทางคือการลดประสิทธิภาพเพื่อให้เข้าถึงได้กว้างขวาง แต่ระดับความฉลาดยังขาดหายไปบางอย่าง

อุตสาหกรรมดูเหมือนจะถือว่าสิ่งนี้เป็นเหมือนปลาและหมี ไม่สามารถได้ทั้งสองอย่างพร้อมกัน

ทำไม MiniMax จึงเลือกเส้นทางที่ขัดกับสัญชาตญาณของอุตสาหกรรม? เส้นทางนี้จะสามารถไปได้จริงหรือไม่?

ความฉลาดและต้นทุน ทำไมจึงยากที่จะได้ทั้งสองอย่าง?

กฎหมายการขยายตัวขับเคลื่อนเรื่องราวของ AI ในช่วงไม่กี่ปีที่ผ่านมา: พารามิเตอร์ยิ่งมาก ความฉลาดยิ่งสูง

ตามกฎการขยายขนาด ปัจจุบันพารามิเตอร์ของโมเดลได้ถูกเพิ่มขึ้นถึงระดับ 2-3 ล้านล้าน และความฉลาดของโมเดลก็เพิ่มสูงขึ้นตามไปด้วย ทุกคนต่างพากันร้องว่า AGI กำลังจะมาถึง

ในพื้นหลังของความเฟื่องฟู กฎนี้ยังได้ฝังระเบิดไว้: เมื่อโมเดลเข้าสู่ระดับพารามิเตอร์ล้านล้าน ต้นทุนการให้บริการเริ่มกลายเป็นเรื่องที่ไม่สามารถมองข้ามได้

เจ้าหน้าที่บริหารของ NVIDIA ฮวง เหรินซุน ระบุในการประชุม GTC 2026 ว่า: “ยุคที่ค่าใช้จ่ายในการฝึกอบรมเป็นปัจจัยขับเคลื่อนต้นทุนหลักได้สิ้นสุดลงแล้ว การให้บริการเชิงอนุมานคือภาระงานปัจจุบัน และกำลังขยายตัวอย่างรวดเร็ว”

ต้นทุนการประมวลผลที่เพิ่มขึ้น พร้อมกับการเติบโตของภาระงานของตัวแทน AI กำลังเปลี่ยนจากคำตอบแบบตอบคำถามเดียวไปสู่การดำเนินการอัตโนมัติหลายขั้นตอน คำขอของผู้ใช้เพียงครั้งเดียวอาจต้องเรียกใช้โมเดลหลายสิบครั้ง ทำให้ค่าใช้จ่ายด้านพลังการประมวลผลของอุตสาหกรรมทั้งหมดพุ่งสูงขึ้นในอัตราแบบเลขชี้กำลัง

ผลที่ตามมา อุตสาหกรรมจึงค่อยๆ แบ่งออกเป็นสองฝ่าย:

ด้านหนึ่งคือโมเดลเล็กที่มีความเร็วสูงและต้นทุนต่ำ แต่การแสดงผลทางปัญญาอยู่ในระดับปานกลาง

กูเกิลเป็นตัวแทนที่ชัดเจนของเส้นทางนี้ ในเดือนกรกฎาคมถึงสิงหาคมปี 2026 กูเกิลได้เปิดตัวโมเดลแบบเบาสามรุ่นพร้อมกัน ได้แก่ Gemini 3.7 Flash, Gemini 3.6 Flash, Gemini 3.5 Flash-Lite และ Gemini 3.5 Flash Cyber

3.5 Flash-Lite เป็นโมเดลที่เร็วที่สุดและมีต้นทุนต่ำที่สุดในซีรีส์ 3.5 ออกแบบมาเฉพาะสำหรับงานที่ต้องการปริมาณการประมวลผลสูงและงานย่อยในระบบตัวแทน AI ขนาดใหญ่ การใช้โทเค็นเอาต์พุตของ Gemini 3.6 Flash ลดลง 17% เมื่อเทียบกับรุ่นก่อนหน้า

แต่ราคาที่ต้องจ่ายก็ชัดเจนเช่นกัน จนถึงตอนนี้ โกเกิลยังไม่ได้เปิดตัวรุ่นฟลากรีฟ Gemini 3.5 Pro ซึ่งเดิมวางแผนจะเปิดตัวในงาน I/O ปีนี้เดือนพฤษภาคม แต่ยังไม่เคยปรากฏตัวเลย

อีกด้านหนึ่งคือโมเดลขนาดใหญ่ที่มีสติปัญญาสูง แต่มีต้นทุนการติดตั้งสูงและค่าใช้จ่ายเริ่มเพิ่มขึ้น

ผู้ผลิตโมเดลขนาดใหญ่ของจีนกำลังเร่งวิ่งบนเส้นทางนี้ ในเดือนกรกฎาคม 2026 月之暗面 เปิดตัว Kimi K3 ซึ่งมีขนาดพารามิเตอร์ประมาณ 2.8 ล้านล้าน ทำให้เป็นโมเดลแบบเปิดแหล่งที่มาที่มีพารามิเตอร์มากที่สุดในโลกตอนนี้

阿里随即推出 Qwen3.8 Max，参数量约为 2.4 万亿；百度文心 5.0 同样达到 2.4 万亿参数；DeepSeek V4-Pro 的参数量为 1.6 万亿

การเพิ่มขนาดพารามิเตอร์ทำให้ความสามารถทางปัญญาดีขึ้นอย่างเห็นได้ชัด Kimi K3 เหนือ Claude Fable 5 และ GPT-5.6 Sol บนรายการ Agent หลายรายการ Qwen3.8 Max ถูกอธิบายว่าเป็นหนึ่งในโมเดลโอเพนซอร์สที่มีขนาดพารามิเตอร์ใหญ่ที่สุดและประสิทธิภาพสูงสุด

แต่ต้นทุนก็สูงขึ้นตามไปด้วย

ราคา API ของ Kimi K3 ได้ปรับขึ้นจาก 6.5 หยวนต่อล้านโทเค็นเป็น 20 หยวนสำหรับอินพุตที่ไม่ใช่แคช และจาก 27 หยวนเป็น 100 หยวนสำหรับเอาต์พุต คิดเป็นการเพิ่มขึ้นร้อยละ 208 และร้อยละ 270 ตามลำดับ ทางบริษัทแนะนำให้ใช้การติดตั้งซูเปอร์โนดด้วยการ์ดเร่งความเร็วอย่างน้อย 64 ใบ

หลังจากเปิดตัวเพียงสองวัน 月之暗面 ก็ประกาศระงับการสมัครผู้ใช้รายย่อยใหม่ และนำกำลังการประมวลผลทั้งหมดไปใช้เพื่อรองรับผู้ใช้ที่มีอยู่แล้ว

ยิ่งปัญญาประดิษฐ์ล้ำหน้า ยิ่งต้องใช้พารามิเตอร์โมเดลขนาดใหญ่ ยิ่งมีค่าใช้จ่ายสูงในการเรียกใช้งาน ยิ่งมีอุปสรรคสูงในการปรับใช้ ยิ่งพลังการประมวลผลยิ่งขาดแคลน… ดูเหมือนจะกลายเป็นปมที่แก้ไม่ออก

MiniMax ไม่เลือก

สำหรับปัญหาการเลือกเพียงหนึ่งตัวระหว่างต้นทุนและปัญญาประดิษฐ์ ตัวเลือกของ MiniMax คือ: ฉันต้องการทั้งสองอย่าง

ยาน จุนเจี๋ยอธิบายกระบวนการทั้งหมดของ MiniMax อย่างชัดเจนในการประชุมรายงานผลการดำเนินงาน:

พลังการคำนวณนั้นมีจำกัดสำหรับทุกองค์กร เราหวังว่าจะบรรลุ “ปัญญาสำหรับทุกคน” ผ่านแนวทาง “ลดต้นทุนการอนุมาน ให้สูงสุดซึ่งปัญญา” นี่คือเส้นทางเทคโนโลยีที่เรายึดมั่นมาโดยตลอด และเป็นจุดเริ่มต้นของการเป็นผู้ประกอบการ

“ลดต้นทุนการให้เหตุผล ให้ปัญญาสูงสุด” หมายถึง “ลดต้นทุนการให้เหตุผลและเพิ่มปัญญาให้สูงสุด” MiniMax ได้วางการลดต้นทุนและการเพิ่มปัญญาไว้ในกรอบเรื่องเดียวกัน

ทำไมเหตุการณ์ทั้งสองอย่างนี้สามารถพูดถึงร่วมกันได้? เพราะ MiniMax มีความเข้าใจเกี่ยวกับ “การให้เหตุผล” ที่ต่างออกไป:

ประการแรก การให้เหตุผลคือปัจจัยการผลิตสำหรับการสร้างปัญญาในรุ่นถัดไป

ก่อนหน้านี้ เชื่อกันว่าการให้เหตุผลคือ “ใช้โมเดล” ส่วนการฝึกคือ “สร้างโมเดล” แต่ในปัจจุบัน กระบวนการหลักต่างๆ เช่น ข้อมูลสังเคราะห์ การ Rollout ของการเรียนรู้แบบเสริมแรง การประเมินและตรวจสอบโมเดล การโต้ตอบระหว่างเอเจนต์กับสภาพแวดล้อม ฯลฯ ล้วนแต่ดำเนินการด้วยโหลดการให้เหตุผล

สัดส่วนของขั้นตอนการฝึกหลังการฝึกซ้อมในปริมาณการประมวลผลการฝึกโดยรวมกำลังเพิ่มขึ้นเรื่อยๆ การให้ผลลัพธ์ไม่ใช่แค่งานที่เกิดขึ้นหลังจากการฝึกเสร็จสิ้น แต่เป็นการใช้ทรัพยากรที่เกิดขึ้นตลอดกระบวนการฝึก

ดังนั้น ประสิทธิภาพในการประมวลผลไม่เพียงแต่กำหนดพื้นที่การตั้งราคาของ API แต่ยังกำหนดระดับการฝึกโมเดลรุ่นถัดไปได้อีกด้วย

ที่สอง การปรับปรุงต้นทุนการประมวลผลเป็นเงื่อนไขจำเป็นสำหรับการปรับปรุงอย่างชาญฉลาด

พลังการคำนวณมีขีดจำกัดทางกายภาพ แต่ขนาดของโมเดลยังคงขยายตัวอย่างต่อเนื่อง หากต้นทุนการให้บริการไม่ลดลง ต้นทุนจะยิ่งเพิ่มขึ้นและยิ่งกีดขวางการพัฒนาความฉลาดในอนาคต

ภายในงบประมาณการประมวลผลที่จำกัด ความสามารถในการแปลงทุกเหรียญให้เป็นผลลัพธ์ที่ชาญฉลาดอย่างมีประสิทธิภาพ จะกำหนดว่าการปรับปรุงโมเดลจะไปได้ไกลแค่ไหน

ثالثly, ใช้ต้นทุนอัจฉริยะต่ำที่สุดเพื่อแสวงหาระดับอัจฉริยะสูงสุด—ทั้งสองสิ่งนี้เป็นสองด้านของเป้าหมายเดียวกัน

อุตสาหกรรมเคยชินกับการมองว่า “ความฉลาดเป็นหลัก” และ “ต้นทุนเป็นหลัก” เป็นสองเส้นทางที่แตกต่างกัน แต่หากต้นทุนการให้เหตุผลไม่สามารถลดลงได้ ความฉลาดที่สูงแค่ไหนก็ไม่สามารถนำไปใช้งานได้

เข้าใจอย่างง่าย แนวทางของ MiniMax คือการมองการปรับปรุงต้นทุนและการพัฒนาปัญญาให้สูงขึ้นเป็นเรื่องเดียวกัน ตั้งแต่วันแรกของการออกแบบโมเดล ได้กำหนดประสิทธิภาพการให้เหตุผลเป็นตัวชี้วัดหลัก และดำเนิน贯穿ตลอดวงจรการพัฒนา

ตามคำพูดของหยานจุนเจี๋ย: “MiniMax ไม่ได้ตั้งเป้าหมายที่จะเลือกระหว่างปัญญาและต้นทุน การแสวงหาปัญญาในระดับที่สูงขึ้นคือเป้าหมาย ส่วนการปรับปรุงต้นทุนและประสิทธิภาพในการประมวลผลอย่างต่อเนื่องเพื่อให้ได้ประสิทธิภาพทางเศรษฐกิจที่ดีขึ้นนั้นคือวิธีการ”

MiniMax ได้สร้างฐานเทคโนโลยีขึ้นมาโดยยึดมั่นในเจตนาเริ่มต้นนี้มาโดยตลอด

ที่สำคัญที่สุดคือสถาปัตยกรรม MSA (Sparse Attention) ที่พัฒนาขึ้นเอง โดยสรุปง่ายๆ คือมันลดต้นทุนการคำนวณต่อ Token สำหรับข้อความยาวหลายล้านคำลงเหลือประมาณ 1/20 ของกลไกการให้ความสนใจแบบเต็มรูปแบบแบบดั้งเดิม กล่าวคือ M3 มีปริมาณการคำนวณต่อ Token แค่ 1/20 ของรุ่นก่อนหน้าเมื่อใช้บริบท 1M

กุญแจสำคัญของการแตกหักนี้คือ: จำนวนพารามิเตอร์ทั้งหมดกำหนดขีดจำกัดของความสามารถในการเก็บความรู้ของโมเดล แต่จำนวนพารามิเตอร์ที่ถูกเปิดใช้งานกำหนดต้นทุนการประมวลผลต่อโทเค็นเดียว ทั้งสองสิ่งนี้สามารถแยกจากกันได้: การขยายขนาดพารามิเตอร์ไม่จำเป็นต้องทำให้ต้นทุนการประมวลผลเพิ่มขึ้นในอัตราส่วนเดียวกัน

ดังนั้น M3 สามารถเพิ่มระดับสติปัญญาโดยไม่เปลี่ยนแปลงราคา ในขณะที่ M3 Pro สามารถดำเนินการเรียนรู้แบบเสริมแรงและการฝึกฝนงานระยะยาวพร้อมกับขนาดพารามิเตอร์ประมาณ 3T

ในระดับโครงสร้างพื้นฐาน MiniMax สามารถบรรลุ ETTR (อัตราส่วนเวลาการฝึกที่มีประสิทธิภาพ) ที่ 97% และเป็นหนึ่งในบริษัทโมเดลขนาดใหญ่แบบอิสระรายแรกของจีนที่สร้างระบบพลังการคำนวณขนาดใหญ่และมั่นคงในระยะยาว

ได้สร้างเครือข่ายการจัดหาพลังการคำนวณผ่านการร่วมมือระหว่างคลัสเตอร์ของตนเอง ผู้ให้บริการคลาวด์ และ TokenFactory โดยพลังการคำนวณที่มีอยู่และที่วางแผนไว้สามารถรองรับการพัฒนาอย่างต่อเนื่องของโมเดลข้อความและวิดีโอขนาด 3T

สรุป: ไม่มีข้อได้เปรียบด้านพลังการคำนวณ โมเดลภายในประเทศจะตามทันได้อย่างไร?

เมื่อพูดถึงช่องว่างระหว่างโมเดลขนาดใหญ่ของจีนและสหรัฐอเมริกา ฮาร์ดแวร์มักเป็นหัวข้อที่หลีกเลี่ยงไม่ได้

ในอดีต ทุกคนถือว่าผู้ใดมีกระบวนการผลิตชิปที่ทันสมัยกว่าและพลังการคำนวณที่สูงกว่า จะสามารถสร้างโมเดลที่ดีกว่าได้ ตามตรรกะนี้ ปัญญาประดิษฐ์ของจีนดูเหมือนจะยังคงห่างจากปัญญาประดิษฐ์ของสหรัฐอเมริกาอยู่หลายเดือนถึงหกเดือน

ต้องเป็นแบบนี้เท่านั้นหรือ?

MiniMax ได้เปิดทางใหม่: ลดต้นทุนการประมวลผล ขยายความฉลาด

การลดต้นทุนต่อหน่วยของการประมวลผลอัจฉริยะ ก็เท่ากับการผลักดันขีดจำกัดสูงสุดของอัจฉริยะ เพราะการฝึกฝนหลังการสร้างแบบจำลอง ข้อมูลสังเคราะห์ และการเรียนรู้แบบเสริมแรงในวันนี้ ล้วนแต่ใช้โหลดการให้เหตุผลเป็นหลัก การเพิ่มประสิทธิภาพในการให้เหตุผลยิ่งสูงเท่าใด จำนวนการทดลองที่สามารถทำได้ภายใต้พลังการประมวลผลเดียวกันก็ยิ่งมากขึ้น และขีดจำกัดของอัจฉริยะก็ยิ่งสูงขึ้น

ผู้ใดสามารถผลิตปัญญาที่สูงกว่าด้วยต้นทุนที่ต่ำกว่า ผู้นั้นจะสามารถขับเคลื่อนขอบเขตที่กว้างขึ้นภายในทรัพยากรการประมวลผลที่จำกัด และนำปัญญาที่สูงกว่านั้นเข้าสู่ชีวิตประจำวันของผู้คนอย่างกว้างขวาง

นี่อาจเป็นทางที่มีศักยภาพมากที่สุดสำหรับโมเดลขนาดใหญ่ของจีนในการเข้าร่วมการแข่งขันระดับโลก และ MiniMax ได้เริ่มยืนยันแล้ว