MiniMax 首份年报深度解读：Token 消耗 6 倍增长、1 亿日活、2400 亿港元市值背后的 AI 商业化样本

2026 年 5 月，MiniMax 发布了其成立以来的首份年度财报——这是一家从 AI 初创公司走向公众视野的关键时刻。三个数据引发了整个行业的震动：

数据一：全年 Token 消耗量同比增长 6 倍——这不是「增长」，这是爆发。在全球 AI 公司中，这种量级的增长极为罕见。

数据二：日活跃用户突破 1 亿——这意味着 MiniMax 的产品已经从「技术爱好者的小众工具」变成了**「大众消费级 AI 应用」**。

数据三：市值达到 2400 亿港元（约 300 亿美元）——在 AI 泡沫争议不断、大量 AI 公司估值回调的大背景下，MiniMax 的估值不仅没有缩水，反而逆势增长。

这三个数据组合在一起，勾勒出了一个前所未有的AI 商业化样本：一家中国 AI 公司，在没有大模型垄断优势（相比 OpenAI、Anthropic）、没有生态垄断优势（相比 Google、Microsoft）的情况下，通过产品定位和用户策略，实现了从技术到商业的正向循环。

本文将深度解读 MiniMax 年报中的关键数据，拆解其商业化策略，对比全球 AI 公司的变现路径，并预判 2026-2027 年中国 AI 商业化的核心趋势。

「MiniMax 的成功不在于它做出了最强的模型，而在于它找到了最会花钱的用户群体——并且让他们愿意持续付费。」

本文将从四个维度展开：用户增长模型、Token 经济学、商业化策略对比、趋势预判与行业影响。

理解 MiniMax 的增长，首先要理解它的产品定位——它不是一家「做大模型」的公司，而是一家「做AI 社交」的公司。

这个定位差异决定了它的增长曲线与 OpenAI、Anthropic、Google 等公司的增长曲线完全不同。

OpenAI 的增长模型：以 ChatGPT 为核心，增长主要来自生产力场景——写邮件、写代码、写报告、做研究。用户群体以职场人士和开发者为主。增长驱动力是产品功能迭代——每次大版本更新（如 GPT-4、GPT-4o、o1）带来一波新用户。

Anthropic 的增长模型：以 Claude 为核心，增长主要来自企业用户和开发者。Claude 的优势在于长上下文、安全合规和代码能力，吸引了大量对质量和安全有高要求的用户。增长驱动力是企业采购和开发者生态建设。

MiniMax 的增长模型：以 AI 角色对话（AI Character）为核心，增长主要来自社交娱乐场景——用户与 AI 角色进行沉浸式对话，涵盖虚拟伴侣、游戏 NPC、角色扮演、情感陪伴等场景。增长驱动力是用户自发传播（社交分享、口碑推荐）和内容创作者生态（用户创建和分享 AI 角色）。

1 亿日活的构成（基于公开信息的合理估算）：

核心用户群（约 4000 万）：每天使用 AI 对话功能 30 分钟以上的活跃用户。这部分用户是 MiniMax 的核心收入来源——他们中的大多数是付费订阅用户，月费约 30-60 元。

轻度用户群（约 4000 万）：每天使用 AI 对话功能 5-10 分钟的用户。这部分用户使用免费额度或偶尔付费，是 MiniMax 的增长引擎——他们中的一部分会逐渐转化为核心用户。

边缘用户群（约 2000 万）：每周使用 1-2 次的用户。这部分用户的价值在于网络效应——他们虽然不是高价值用户，但他们分享的内容（有趣的 AI 对话、角色卡片）会吸引新用户加入。

MiniMax 增长的关键驱动力：

驱动力一：AI 角色的网络效应——每个用户创建的 AI 角色都可能被其他用户发现和交互。这种用户生成内容（UGC）的模式，使得平台上的角色数量呈指数增长，而角色越多，平台对新用户的吸引力就越大。

驱动力二：社交分享机制——用户可以将有趣的 AI 对话一键分享到社交媒体（微信、微博、小红书）。这种分享不是「我在用 AI」，而是「你看这个 AI 角色多有趣」——这是一种内容营销，而非产品推广。

驱动力三：情感粘性——AI 角色对话的核心价值是情感连接。用户与 AI 角色建立了情感纽带后，迁移成本极高——换一个新的 AI 平台意味着「重新开始一段关系」。这种粘性是生产力类 AI所不具备的。

增长曲线的启示：

MiniMax 的增长模型揭示了一个被行业长期忽视的事实：AI 的最大市场可能不是生产力，而是情感娱乐。

全球 AI 生产力工具（Copilot、Notion AI、Jasper 等）的付费用户总和约 5000 万，而 MiniMax 一家的日活就达到了 1 亿——尽管付费转化率可能低于生产力工具，但用户基数的数量级差异意味着市场潜力的数量级差异。

Token 消耗量同比增长 6 倍——这是 MiniMax 年报中最引人注目的数据。要理解这个数据，需要拆解其背后的用户行为变化和技术效率变化。

Token 消耗的三重驱动力：

驱动力一：用户数量增长——日活从约 2000 万增长到 1 亿，用户基数扩大了 5 倍。这是 Token 消耗增长的最大因素。

驱动力二：单次会话长度增加——随着模型能力的提升（上下文窗口从 8K扩展到 128K），用户的单次对话越来越长。2025 年平均单次会话消耗约 2000 Token，2026 年增长到约 5000 Token——增长了 2.5 倍。

驱动力三：多模态交互的引入——MiniMax 在 2026 年引入了语音对话和图像生成功能。语音对话的 Token 消耗是纯文本的 3-5 倍（需要音频编码和解码），图像生成则消耗更多。多模态功能的引入显著拉升了平均每用户的 Token 消耗。

Token 消耗 vs. 收入的关系：

在 AI 公司的商业模型中，Token 消耗与收入之间存在非线性的关系。这是因为：

订阅制下，用户支付固定月费（如 30 元/月），但 Token 消耗量因用户而异。一个重度用户可能每天消耗 50 万 Token，而一个轻度用户可能只消耗 5 万 Token——两者支付的月费相同。这意味着重度用户的 Token 成本侵蚀了利润率。

按量付费（Pay-as-you-go）下，Token 消耗直接转化为收入，但需要用户持续付费。一旦用户觉得「用得太多、花得太多」，就可能减少使用频率或转向免费替代品。

MiniMax 采用的是混合模式：免费用户每天有一定的免费 Token 额度，超出后需要付费；付费订阅用户享有更高的额度和优先访问权。这种模式的优势是：免费用户转化为付费用户的漏斗始终存在，而重度用户通过付费订阅贡献主要收入。

单位经济学（Unit Economics）分析：

假设 MiniMax 的月度活跃用户（MAU）为 1.5 亿，其中 10%（1500 万）为付费用户，月费 40 元，则月度收入约 6 亿元。

推理成本：1.5 亿月活用户 × 平均每用户每天 3000 Token × 30 天 = 1350 亿 Token/月。假设推理成本为 0.05 元/千 Token（混合模型策略下的加权平均成本），则月度推理成本约 6.75 亿元。

这意味着在当前规模下，MiniMax 的推理成本接近甚至略高于收入——这是一个临界状态。要实现盈利，MiniMax 必须：

1. 提高付费转化率——从 10% 提升到 15-20%
2. 降低推理成本——通过模型优化、量化、蒸馏等手段将推理成本降低 30-50%
3. 增加高价值场景——推出企业版、API 服务等高利润率的业务

行业对比：

OpenAI 的 ChatGPT 付费用户约 2 亿（包含 Plus、Team、Enterprise），年收入约 130 亿美元，推理成本约 70 亿美元，毛利率约 46%。

MiniMax 目前处于亏损换增长阶段——将收入投入到模型研发和用户获取中，追求用户规模和市场地位，而非短期利润。这是互联网公司的经典策略——先做大蛋糕，再考虑怎么分。

# AI 公司 Token 经济学模型
class TokenEconomics:
    """AI 公司的 Token 经济学分析"""
    
    def __init__(self, mau: int, paid_ratio: float,
                 monthly_price: float, tokens_per_user_day: int,
                 cost_per_k_tokens: float):
        self.mau = mau
        self.paid_ratio = paid_ratio
        self.monthly_price = monthly_price
        self.tokens_per_user_day = tokens_per_user_day
        self.cost_per_k_tokens = cost_per_k_tokens
    
    def monthly_revenue(self) -> float:
        """月收入（元）"""
        paid_users = self.mau * self.paid_ratio
        return paid_users * self.monthly_price
    
    def monthly_tokens(self) -> float:
        """月 Token 消耗总量"""
        return self.mau * self.tokens_per_user_day * 30
    
    def monthly_cost(self) -> float:
        """月推理成本（元）"""
        total_tokens = self.monthly_tokens()
        return total_tokens / 1000 * self.cost_per_k_tokens
    
    def gross_margin(self) -> float:
        """毛利率"""
        revenue = self.monthly_revenue()
        cost = self.monthly_cost()
        return (revenue - cost) / revenue if revenue > 0 else 0
    
    def breakeven_paid_ratio(self) -> float:
        """盈亏平衡所需的付费转化率"""
        cost = self.monthly_cost()
        revenue_per_user = self.monthly_price
        return cost / (self.mau * revenue_per_user)

# MiniMax 模型
minimax = TokenEconomics(
    mau=150_000_000,         # 1.5 亿月活
    paid_ratio=0.10,         # 10% 付费
    monthly_price=40,        # 40 元/月
    tokens_per_user_day=3000,# 每用户每天 3000 Token
    cost_per_k_tokens=0.05,  # 0.05 元/千 Token
)

print(f"月收入: {minimax.monthly_revenue()/1e8:.1f} 亿元")
print(f"月 Token 消耗: {minimax.monthly_tokens()/1e9:.1f} B Token")
print(f"月推理成本: {minimax.monthly_cost()/1e8:.2f} 亿元")
print(f"毛利率: {minimax.gross_margin():.1%}")
print(f"盈亏平衡付费率: {minimax.breakeven_paid_ratio():.1%}")

MiniMax 的商业化策略与 OpenAI 和 Anthropic 有根本差异。理解这些差异，是理解全球 AI 商业格局的关键。

路线一：OpenAI ——「生产力工具 + 订阅制」

OpenAI 的商业化核心是将 AI 作为生产力工具销售给个人和企业。ChatGPT Plus（20 美元/月）、ChatGPT Team（25 美元/用户/月）、ChatGPT Enterprise（定制定价）——这些产品面向的都是有明确工作场景的用户：写报告、写代码、做数据分析、做研究。

OpenAI 的优势：品牌认知度最高（ChatGPT 是 AI 的代名词）、产品覆盖最广（从个人到企业全栈覆盖）、生态最成熟（GPTs 市场、API 平台、插件生态）。

OpenAI 的挑战：用户增长放缓——在全球范围内，ChatGPT 的月活增长已经趋缓，增量市场有限；竞争加剧——Claude、Gemini、Grok 等竞争对手的产品能力不断逼近；利润率压力——随着模型越来越大，推理成本居高不下。

路线二：Anthropic ——「企业安全 + API 服务」

Anthropic 的商业化核心是将 AI 作为企业级安全解决方案销售给中大型企业。Claude 的核心卖点是安全性（Constitutional AI）、长上下文（200K token）和可靠性（输出一致性高）。

Anthropic 的优势：企业客户信任度高——安全性是企业的核心关切，Anthropic 在这方面建立了差异化优势；API 收入增长快——企业通过 API 将 Claude 集成到自有系统中，这种收入模式比订阅制更稳定、更可预测。

Anthropic 的挑战：消费者市场缺失——Anthropic 几乎没有 C 端产品，这意味着它缺少了一个巨大的用户增长渠道和品牌曝光渠道；产品矩阵单一——主要依赖 Claude 一个产品线，缺乏 GPTs、Copilot 等扩展生态。

路线三：MiniMax ——「AI 社交 + 情感经济」

MiniMax 的商业化核心是将 AI 作为社交娱乐产品销售给大众消费者。这与前两条路线完全不同——OpenAI 和 Anthropic 卖的是「效率」，MiniMax 卖的是「情感」。

MiniMax 的优势：用户粘性极高——情感连接比功能依赖更难被替代。用户可能因为「Claude 写代码更好」而迁移，但不太可能因为「另一个 AI 角色更聪明」而放弃已经建立情感连接的 AI 角色；获客成本极低——社交分享和用户推荐是主要获客渠道，CAC（获客成本）远低于依赖广告或 SEO 的产品；文化优势——在中国市场，AI 社交和 AI 娱乐的需求远超西方市场——中国用户对 AI 角色的接受度和付费意愿都高于西方用户。

MiniMax 的挑战：监管风险——AI 情感陪伴涉及内容安全、未成年人保护、数据隐私等多重监管领域，政策环境不稳定；天花板争议——AI 社交的市场规模是否足够大？当用户的新鲜感消退后，留存率能否维持？这仍然是一个未经验证的假设；国际化难度——AI 社交高度依赖文化和语言，MiniMax 的模式在中国市场成功，但在国际市场上可能需要完全不同的策略。

服务 1 亿日活用户，每个用户平均每天进行 20-30 轮对话，总日请求量达到 20-30 亿次——这是一个超大规模分布式系统的工程挑战。

MiniMax 的技术架构需要解决三个核心问题：推理延迟、并发吞吐、成本控制。

推理延迟优化：

对于社交类 AI 产品，用户对响应速度的敏感度远高于生产力类产品。在办公场景中，用户可以接受 5 秒的响应时间（毕竟是在「工作」），但在社交场景中，超过 2 秒的延迟就会让对话体验变得不自然——就像和朋友聊天时对方总是慢半拍。

MiniMax 的延迟优化策略包括：

流式输出（Streaming）——不等待完整回答生成完毕再发送，而是逐 Token 发送。用户可以在 200-300ms 内看到第一个字，虽然完整回答可能需要 3-5 秒，但用户体验是「AI 在实时说话」而非「AI 在思考」。

模型分层——将用户请求按复杂度分级，简单请求（闲聊、问候、简短回答）用小模型（1-3B 参数，延迟 <100ms），复杂请求（长对话、角色扮演推理、多轮上下文理解）用大模型（10-70B 参数，延迟 1-3 秒）。这种策略可以将 60-70% 的请求用小模型处理，大幅降低整体延迟和成本。

预生成缓存——对于高频场景（如热门 AI 角色的常见回复），提前生成并缓存回答。当用户触发相同的对话路径时，直接返回缓存结果，延迟接近 0ms。

并发吞吐优化：

20-30 亿次日请求意味着每秒约 2-3 万次请求的峰值吞吐。这对推理集群的并行处理能力提出了极高要求。

MiniMax 采用的关键技术包括：

Continuous Batching（持续批处理）——类似 vLLM 的 PagedAttention 策略，在 GPU 上同时处理多个不同长度的请求，最大化硬件利用率。

请求路由优化——将请求智能分配到最合适的 GPU 实例上。空闲 GPU 优先接收新请求，负载高的 GPU 暂时停止接收，确保集群整体负载均衡。

弹性扩缩容——根据实时流量自动调整 GPU 实例数量。白天高峰时扩展到数千张 GPU，夜间低谷时缩减到数百张。这种按需伸缩的策略可以将硬件成本降低 40-60%。

成本控制：

支撑 1 亿日活的硬件成本是一个天文数字。如果全部使用云端 GPU，月成本可能在数亿元级别。

MiniMax 的成本优化策略包括：

混合模型策略——如前所述，70% 的请求用小模型，30% 的请求用大模型。假设小模型的推理成本是大模型的 1/10，则整体推理成本仅为「全部用大模型」的 37%。

自研芯片探索——像大多数头部 AI 公司一样，MiniMax 也在探索自研推理芯片，以进一步降低推理成本。虽然短期效果有限，但长期来看，专用芯片可以将推理成本降低 50-70%。

模型蒸馏压缩——通过知识蒸馏将大模型的能力压缩到小模型中，在保持用户体验的同时降低推理成本。这是 MiniMax 年报中提到的重点投入方向。

// AI 推理集群弹性扩缩容控制器
interface GPUPool {
  instanceId: string;
  status: 'idle' | 'running' | 'loading' | 'error';
  modelSize: 'small' | 'medium' | 'large';
  activeRequests: number;
  maxRequests: number;
  gpuMemoryUsed: number;
}
class AutoScaler {
  private pool: GPUPool[] = [];
  private minInstances = 100;  // 最小实例数
  private maxInstances = 2000; // 最大实例数
  private targetUtilization = 0.75; // 目标利用率 75%

  getPoolUtilization(): number {
    const total = this.pool.reduce((s, p) => s + p.maxRequests, 0);
    const used = this.pool.reduce((s, p) => s + p.activeRequests, 0);
    return total > 0 ? used / total : 0;
  }

  async scale(): Promise<void> {
    const utilization = this.getPoolUtilization();
    if (utilization > this.targetUtilization && this.pool.length < this.maxInstances) {
      // 扩容：增加 10% 实例
      const toAdd = Math.ceil(this.pool.length * 0.1);
      for (let i = 0; i < toAdd; i++) await this.provisionGPU();
    } else if (utilization < 0.3 && this.pool.length > this.minInstances) {
      // 缩容：移除空闲实例
      const idle = this.pool.filter(p => p.activeRequests === 0 && p.status === 'idle');
      const toRemove = Math.min(idle.length, Math.ceil(this.pool.length * 0.1));
      for (let i = 0; i < toRemove; i++) this.decommission(idle[i]);
    }
  }
}
// 核心思想：保持 75% 目标利用率，高于则扩容，低于 30% 则缩容。
// 配合 20-30% 缓冲容量，可应对突发流量。

2400 亿港元（约 300 亿美元）的市值，放在全球 AI 公司中处于什么水平？这个估值是合理还是泡沫？

全球 AI 公司估值对比：

OpenAI：最新估值 3000 亿美元（2025 年底），年收入约 130 亿美元，P/S（市销率）约 23 倍。

Anthropic：最新估值 1800 亿美元（2025 年底），年收入约 30 亿美元（估算），P/S 约 60 倍。

MiniMax：估值 300 亿美元，年收入约 7-10 亿美元（估算），P/S 约 30-43 倍。

从 P/S 比率来看，MiniMax 的估值高于 OpenAI（23x vs 30-43x），但低于 Anthropic（60x vs 30-43x）。这意味着市场认为 MiniMax 的增长潜力高于 OpenAI 但确定性低于 Anthropic。

支撑 MiniMax 高估值的三个因素：

因素一：增长速度——Token 消耗量同比增长 6 倍，用户数增长 5 倍。在全球 AI 公司中，这种增长速度是顶级水平。高增长意味着未来的收入基数会远大于现在，当前的 P/S 比率会随着收入增长而快速下降。

因素二：差异化定位——MiniMax 的「AI 社交」定位在全球范围内具有稀缺性。OpenAI 和 Anthropic 都在做「通用 AI」，而 MiniMax 在「情感 AI」这个细分赛道上几乎没有同等规模的竞争对手。稀缺性带来估值溢价。

因素三：中国市场溢价——中国 AI 市场正在经历爆发式增长。DeepSeek 的崛起证明了中国公司可以在通用模型层面与西方公司竞争，而 MiniMax 在应用层的优势更加明显——它对中国用户的文化理解和产品设计是西方公司无法复制的。市场对中国 AI 龙头公司的战略溢价正在推高估值。

估值风险的三个方面：

风险一：盈利时间表不确定——MiniMax 目前仍处于亏损或接近盈亏平衡的状态。如果未来 1-2 年内无法实现稳定的正向利润，市场信心可能动摇，估值可能大幅回调。

风险二：竞争加剧——中国 AI 市场的竞争异常激烈。字节跳动（豆包）、阿里巴巴（通义千问）、腾讯（混元）都在发力 AI 社交和 AI 娱乐，它们拥有更大的用户基数和更强的资金实力。MiniMax 的先发优势可能被巨头的资源碾压所抵消。

风险三：政策不确定性——AI 社交和 AI 情感陪伴涉及的监管领域尚不明确。如果中国出台更严格的AI 内容监管政策（如限制 AI 角色的拟人化程度、要求更严格的内容审核），MiniMax 的核心产品体验可能受到实质性影响。

MiniMax 的成功不仅仅是一家公司的成功——它代表了中国 AI 生态的一个新范式。

长期以来，中国 AI 产业的叙事集中在**「追赶西方」**——GPT-4 出了，我们什么时候有对标的模型？Claude 3 发布了，我们的模型能力如何？这种叙事的核心假设是：中国 AI 的价值在于「追赶」。

MiniMax 的年报提供了一个不同的叙事：中国 AI 的价值不在于「追赶」，而在于「差异化」。

差异化的三个维度：

维度一：应用场景的差异化——西方 AI 公司的主战场是生产力（办公、编程、数据分析），而 MiniMax 找到了情感社交这个被西方公司忽视的巨大市场。这不是「追赶」，这是开辟新战场。

维度二：用户行为的差异化——中国用户对 AI 的接受模式与西方用户不同。中国用户更倾向于娱乐化、社交化的 AI 使用方式，而西方用户更倾向于工具化、效率化的使用方式。MiniMax 深刻理解这一点，并据此设计了产品。

维度三：商业模式的差异化——MiniMax 的混合变现模式（免费额度 + 付费订阅 + 增值服务）更适合中国用户的消费习惯。中国用户对「先免费体验，再逐步付费」的模式接受度极高，而对「直接收费」的模式接受度较低。

对行业的影响：

MiniMax 的成功将激励更多中国 AI 公司探索差异化路线，而非一味「追赶西方模型能力」。我们可能看到：

更多 AI 社交产品——模仿 MiniMax 的模式，但聚焦于不同的细分市场（如 AI 教育陪伴、AI 健康咨询、AI 游戏 NPC）。

更多垂直行业 AI——将 AI 能力与中国特有的行业需求结合，如 AI + 电商（智能客服、商品推荐）、AI + 教育（个性化辅导）、AI + 医疗（健康咨询）。

更多出海 AI 应用——MiniMax 的模式在东南亚、中东等市场可能同样有效——这些市场的用户特征（年轻人口多、移动互联渗透率高、AI 接受度快速提升）与中国市场有诸多相似之处。

对全球 AI 格局的影响：

MiniMax 的成功表明：全球 AI 市场不是一个「赢者通吃」的市场，而是一个多极化的市场。OpenAI 可以主导通用 AI，Anthropic 可以主导企业安全 AI，MiniMax 可以主导AI 社交——每个公司都有自己的护城河，而不是一个公司吃掉整个市场。

这种多极化趋势对投资者、创业者和用户都是好消息——它意味着更多选择、更多创新和更激烈的竞争。

基于 MiniMax 年报揭示的信号，以及对中国 AI 生态的整体观察，我们预判 2026-2027 年将发生以下四个结构性拐点：

拐点一：AI 应用公司的估值首次超过大模型公司

过去三年，资本市场的逻辑是「做大模型的公司最值钱」。但 MiniMax 的年报可能标志着这个逻辑的转变——一家不做基础大模型、只做应用层的公司，市值达到了 300 亿美元，超过了多家中国大模型公司的估值。

这意味着资本市场开始意识到：应用层的价值可能大于基础模型层的价值。因为基础模型的竞争最终会收敛到少数几家巨头（模型能力趋同），而应用层的创新空间是无限的——每个细分场景都需要定制化的 AI 应用。

拐点二：AI 情感经济成为一个独立的产业类别

当一家以「AI 社交」为核心的公司市值达到 300 亿美元时，「AI 情感经济」就不再是一个边缘概念，而是一个独立的产业类别。

我们将看到：专业的AI 角色创作平台（类似 Roblox 的 UGC 模式）、AI 情感咨询师（帮助健康地管理 AI 情感连接）、AI 社交数据分析服务（为企业提供用户情感行为洞察）。

这个产业的市场规模预计将从 2026 年的 500 亿元增长到 2027 年的 1500 亿元。

拐点三：AI 推理成本下降 50%，推动行业从「亏损」走向「盈利」

2026 年，AI 推理成本（每千 Token）约为 0.05-0.15 元。到 2027 年，随着模型蒸馏、量化技术、专用推理芯片和推理引擎优化的成熟，推理成本预计下降 50-70%，降至 0.015-0.05 元/千 Token。

这将使得大量目前亏损的 AI 公司实现盈利转折（Profitability Inflection）。MiniMax 可能在 2027 年 Q1-Q2 实现首次季度盈利，其他中国 AI 公司也将陆续跟进。

拐点四：AI 出海从「技术输出」转向「产品输出」

过去，中国 AI 公司的出海策略主要是技术输出——将模型 API 服务提供给海外开发者。2027 年，策略将转向产品输出——将完整的 AI 应用（如 AI 社交、AI 教育、AI 娱乐）直接提供给海外消费者。

目标市场：东南亚（印尼、越南、泰国——年轻人口多，移动互联渗透率高）、中东（沙特、阿联酋——高 ARPU、政府支持 AI）、拉美（巴西、墨西哥——大基数、低竞争）。

对创业者和投资者的行动建议：

对于创业者：2026 年下半年是垂直 AI 应用的最佳创业窗口期。基础模型的能力已经足够好（Qwen、DeepSeek、MiniMax 的模型能力已经接近西方顶级水平），但应用层的创新空间才刚刚打开。

对于投资者：关注应用层 AI 公司而非基础模型公司。基础模型的投资窗口已经关闭（格局已定），而应用层的投资窗口才刚刚打开。重点关注有明确盈利路径和差异化定位的 AI 应用公司。

对于用户：享受 AI 红利——随着推理成本下降和竞争加剧，AI 服务的价格将持续下降，而质量将持续提升。现在是体验各类 AI 应用的最佳时机。

MiniMax 的首份年报不仅仅是一份财务数据——它是一个信号，一个关于AI 商业化方向的信号。

这个信号的核心信息是：AI 的商业化不只有「生产力工具」一条路。

在过去三年里，全球 AI 行业的叙事被 OpenAI 和 Anthropic 主导——AI 是效率工具、是代码助手、是研究助理。这种叙事没有错，但它不完整。

MiniMax 用 1 亿日活和 2400 亿港元市值证明了一个被忽视的事实：AI 也可以是情感伴侣、是娱乐伙伴、是社交纽带。这不是对生产力路线的「替代」，而是对 AI 商业化可能性的扩展。

这个扩展的意义远超 MiniMax 本身：

对于全球 AI 行业，它意味着：AI 的市场规模比我们想象的更大——不只是办公桌上的工具，而是每个人口袋里、生活中、情感里的存在。

对于中国 AI 生态，它意味着：中国公司不需要在每一个赛道上都「追赶」西方公司——在差异化赛道上，中国公司完全有能力定义新的游戏规则。

对于AI 创业者，它意味着：不要只做「更好的 ChatGPT」——找到你的用户群体最独特、最深层的需求，用 AI 去满足它。那个需求可能不是「写代码更快」，而是「让我不那么孤独」。

最终的商业真理：

无论 AI 的技术多么先进，商业的本质不变——找到一群有需求的人，用产品满足他们的需求，让他们愿意为此付费。MiniMax 的年报告诉我们：在 AI 时代，这群人可能比我们想象的更多，他们的需求可能比我们想象的更深，他们愿意付费的金额可能比我们想象的更高。

AI 商业化的新篇章，才刚刚开始。