Wie realisiert MiniMax AGI? Die Methode von Yan Junjie ist, den „hinteren“ Weg zu beschreiten.

„Die verbleibende Lücke von 5 % ist wahrscheinlich viel schwieriger zu schließen als das Erreichen der vorherigen 95 %.“

In einer kürzlich veröffentlichten Folge des britischen Podcasts „Invest in Progress“ sprach Yan Junjie, Gründer von MiniMax, über die Schwierigkeiten, mit denen chinesische Großmodelle bei der Aufholjagd gegenüber ihren US-amerikanischen Pendants konfrontiert sind.

Sein Gesprächspartner war Lawrence Burns, Investmentmanager bei Scottish Mortgage. Im Dezember 2025 reiste Burns nach China, um Yan Junjie zu besuchen, und traf auf ein Urteil, das ihn tief beeindruckte: Die besten chinesischen Modelle erreichen bereits etwa 95 % der Leistung der führenden US-Modelle, und das zu nur einem Zehntel der Kosten. Anschließend beteiligte sich Scottish Mortgage am Hongkong-IPO von MiniMax.

Dieses Mal wollte Burns wissen, wie sich diese beiden Lücken verändert haben.

Yan Junjie nannte keine neuen Prozentzahlen. Er sagte, dass die verbleibenden 5 % immer noch Zeit brauchen, um aufgeholt zu werden, und dass sowohl chinesische als auch US-amerikanische Modelle sich auf dem Weg zur AGI noch in einem frühen Stadium befinden. Ihm geht es viel mehr um die Geschwindigkeit des Fortschritts.

Die Kosten waren ein Thema, das im Laufe des Gesprächs immer wieder angesprochen wurde. Yan Junjie ist der Ansicht, dass die Senkung der Inferenzkosten nicht nur mehr Menschen den Zugang zu Modellen ermöglichen, sondern es MiniMax auch erlauben wird, mehr Nachschulungen durchzuführen und die Fähigkeiten der Modelle weiter zu verbessern. Er erklärte dies anhand des Firmennamens: Mini steht dafür, die Inferenzkosten zu senken; Max steht dafür, die Obergrenze der Intelligenz nach oben zu schieben.

Im Rahmen dieses Konzepts gab er zudem ein Versprechen ab: „Wir beabsichtigen, so lange Open Source zu betreiben, bis die AGI erreicht ist.“

Die letzten 5 % aufholen

Als er über die Lücke zwischen chinesischen und US-amerikanischen Modellen sprach, erwähnte Yan Junjie zuerst die Rechenleistung.

„Für uns, insbesondere für ein chinesisches KI-Unternehmen, ist Rechenleistung stets eine Einschränkung.“

MiniMax musste seit seiner Gründung darüber nachdenken, wie mit begrenzter Rechenleistung mehr Arbeit erledigt werden kann. Die Gestaltung der Modellarchitektur, der Aufbau der Infrastruktur und die Optimierung des Inferenzprozesses müssen alle auf Effizienz ausgerichtet sein. Yan Junjie sagte, eines der Designprinzipien des Unternehmens sei, dass das Modell unabhängig von dem verwendeten Chip eine gute Leistung erbringen soll.

Seiner Ansicht nach suchen mehrere führende chinesische Modellunternehmen nach Wegen, die Effizienz zu steigern, wobei sie unterschiedliche Wege einschlagen: Einige passen die Transformer-Architektur an, andere verbessern die Infrastruktur für die Nachschulung, wieder andere konzentrieren sich auf verschiedene Modalitäten. Dies führt dazu, dass die Unterschiede zwischen den chinesischen Modellen erhalten bleiben.

Burns fragte im Interview noch direkter: Sind die führenden Labore in den USA durch die reichlich vorhandene Rechenleistung „verwöhnt“? Sie haben die Möglichkeit, die technischen Grenzen stetig voranzutreiben, ohne von Anfang an gezwungen zu sein, Effizienz in den Mittelpunkt zu stellen.

Yan Junjie lenkte die Diskussion auf die Situation chinesischer Unternehmen. Je stärker die Hardware eingeschränkt ist, desto wichtiger werden Verbesserungen bei Algorithmen, Architektur und Infrastruktur.

„Die Einschränkungen machen uns zu besseren Ingenieuren und Forschern.“

Yan Junjie möchte die eingesparten Inferenzkosten zudem für die Nachschulung verwenden.

Reinforcement Learning erfordert, dass das Modell wiederholt Versuche unternimmt und Rückmeldungen erhält; die Erstellung synthetischer Trainingsdaten erfordert ebenfalls den Aufruf des Modells. All diese Prozesse verbrauchen Inferenz-Rechenleistung. Wenn die Kosten für eine einzelne Inferenz gesenkt werden, können die gleichen Ressourcen mehr Trainingsvorgänge unterstützen.

Er geht davon aus, dass die Bedeutung der Nachschulung bei der Modelliteration immer größer wird. Die Steigerung der Inferenzeffizienz bei MiniMax dient auch dazu, das Volumen der Nachschulung zu vergrößern. Er schlug sogar vor, dass MiniMax zu einem bestimmten Zeitpunkt in der Zukunft über das größte Nachschulungssystem verfügen könnte und damit an die Spitze der Intelligenz vorstoßen könnte.

Dies ist nach wie vor ein Ziel. In Bezug auf die aktuelle Kluft zwischen China und den USA ist sein Urteil relativ vorsichtig: In den letzten drei Jahren war die Fortschrittsgeschwindigkeit der Modelle auf beiden Seiten ungefähr gleich, aber die verbleibenden 5 % sind möglicherweise schwieriger zu erreichen als die vorherigen 95 %.

Die Effizienz erstreckt sich auch auf die Organisationsweise des Unternehmens. Laut Yan Junjie im Interview hat MiniMax nur 500 Mitarbeiter, und die Forschung und Entwicklung folgt zwei Prinzipien: Die Architektur und die Infrastruktur so einfach wie möglich zu gestalten; und die Infrastruktur selbst zu entwickeln, auch wenn dies die Produktveröffentlichungen kurzfristig verlangsamt.

Das erste Prinzip zielt darauf ab, das begrenzte Team zu konzentrieren, während das zweite die Grundlage für die spätere Erweiterung von Modell und Trainingsumfang schafft. Seiner Ansicht nach bilden sich die Kapitaleffizienz und die Organisationseffizienz des Unternehmens allmählich durch diese Entscheidungen und die äußeren Einschränkungen.

Dennoch ist die Frage, ob niedrige Kosten zu Gewinnen führen können, ein Anliegen von Burns als Investor. MiniMax schreibt noch Verluste, und die Verbesserung der Modellfähigkeiten, das Nutzerwachstum und die Umsatzsteigerung müssen letztendlich die kontinuierlichen Investitionen tragen.

Yan Junjie skizzierte den Ansatz, durch technische Innovationen die Inferenzkosten zu senken, bei gleichzeitiger Beibehaltung von Preisvorteilen die Fähigkeiten der Modelle zu verbessern und dafür zu sorgen, dass das Umsatzwachstum das Kostenwachstum übertrifft.

Bis August lag die annualisierte Umsatzlaufrate von MiniMax bei über 800 Millionen US-Dollar, wobei das Unternehmensgeschäft mehr als 80 % beitrug. Die annualisierte Umsatzlaufrate ergibt sich aus der Multiplikation des Umsatzes im August mit 12 und stellt nicht dar, dass das Unternehmen bereits einen Jahresumsatz von 800 Millionen US-Dollar erzielt hat.

Als Referenz gab MiniMax für das erste Halbjahr 2026 einen Umsatz von 116,6 Millionen US-Dollar bekannt, was einem Anstieg von 283,1 % gegenüber dem Vorjahr entspricht; der Umsatz der offenen Plattform und anderer KI-Unternehmensdienstleistungen betrug 73,9 Millionen US-Dollar, was 63,4 % des Gesamtumsatzes entspricht. Dieser Anteil bezieht sich auf die im ersten Halbjahr tatsächlich erzielte Umsatzstruktur und unterscheidet sich von dem annualisierten Maßstab für August im Interview.

Im gleichen Zeitraum belief sich der bereinigte Nettoverlust des Unternehmens auf 293 Millionen US-Dollar. Im Interview nannte Yan Junjie keinen Zeitplan für die Erreichung der Profitabilität.

Mein Großvater möchte eine Memoiren schreiben

Während Yan Junjie beschloss, sich der Entwicklung der allgemeinen künstlichen Intelligenz zu widmen, berührte ihn eine familiäre Angelegenheit.

Sein Großvater wollte eine Memoiren schreiben, um seine jahrzehntelangen Lebenserfahrungen festzuhalten. Aber der alte Mann konnte nicht tippen und konnte die Erinnerungen kaum selbst zu Texten zusammenfügen. Yan Junjie war der Meinung, dass KI dabei helfen könnte, aber die damalige Technik war dazu noch nicht in der Lage.

Dieses Ereignis ließ ihn die Bedeutung des „Allgemeinen“ noch stärker wertschätzen. Seinen Erinnerungen nach dienten die Computer Vision und die Spracherkennung zu dieser Zeit hauptsächlich Unternehmen und waren noch weit von den alltäglichen Bedürfnissen normaler Verbraucher entfernt. Dass ein alter Mann sein Leben aufzeichnen wollte, war eine dieser noch nicht erfüllten Anforderungen.

Yan Junjie kam schon sehr früh mit Mathematik und Informatik in Kontakt. Er wuchs in der Provinz Henan auf, sein Vater war Mathematiklehrer, und zu Hause gab es viele Bücher. In der Mittelschule begann er bereits, Mathematik und Informatik auf Universitätsniveau selbst zu lernen. Was ihn anzog, war die Kombination beider Fächer, um durch Programmierung reale Probleme zu lösen.

2014 absolvierte er ein Praktikum am Deep Learning Institute von Baidu, wobei Yu Kai sein Betreuer war. Zu diesem Zeitpunkt hatte er bereits Dutzende von Arbeiten im Bereich Computer Vision veröffentlicht, und der Durchbruch von AlexNet bei der Bildklassifizierung beeindruckte ihn nach wie vor stark. Er wollte ein Unternehmen mit vielen GPUs finden, um zu überprüfen, wie weit das Deep Learning wirklich reichen kann.

Laut Yan Junjie konnte er während des Praktikums in Spitzenzeiten ein Drittel der GPUs von Baidu nutzen. Mit diesen Ressourcen erforschte er die Bildklassifizierung und die Objekterkennung, nahm gemeinsam mit einem anderen Praktikanten an der damaligen ImageNet-Challenge teil und belegte den dritten Platz.

Als er MiniMax gründete, war er sich sicher, dass die AGI es wert ist, verfolgt zu werden, wusste aber noch nicht, wann sie kommen würde.

Im ersten Jahr baute das Team die Infrastruktur auf, trainierte die ersten Versionen von Modellen zur Generierung von Text, Bildern und Audio und entwickelte eine Anwendung, um die Leistung der Modelle zu testen. Diese Anwendung ist Glow, mit der Nutzer mit virtuellen Partnern chatten können. Sie gewann schnell Millionen von Nutzern, was die ursprünglichen Erwartungen des Teams an das Experiment übertraf.

Anschließend wurde ChatGPT veröffentlicht. Yan Junjie sagte, dies habe seine Einschätzung des Zeitplans für die technische Entwicklung verändert: Infrastruktur, Daten und Modellumfang müssen in größerem Ausmaß und schneller expandieren als ursprünglich erwartet.

MiniMax entschied sich ebenfalls, gleichzeitig in Text, Bild, Video, Musik und Sprache zu investieren. Für ein Unternehmen mit begrenzten Ressourcen bedeutet dies, dass die Forschungs- und Entwicklungsressourcen auf mehrere Richtungen verteilt werden müssen.

Yan Junjie räumte ein, dass er bei der Gründung nicht genau wusste, welche Form die Modelle letztendlich annehmen würden, und deshalb zuerst alle Richtungen vorantrieb, um sie zu verschmelzen, wenn die Technik ausreichend ausgereift ist. Seiner Ansicht nach bringt Multimodalität reichhaltigere Daten und ist ein unvermeidbarer Weg, um die Modelle weiter zu skalieren.

„Wenn wir uns am Anfang nur auf eine Modalität konzentriert hätten, wären unsere frühen Fortschritte wahrscheinlich schneller gewesen“, sagte er.

Im Interview ordnete er die Modelle von MiniMax in zwei große Serien ein: Die M-Serie sind Sprachmodelle, die sich auf Programmierung und Agenten konzentrieren; die H-Serie ist hauptsächlich auf Videogenerierung ausgerichtet und deckt Video, Bild und Audio ab. Der nächste Plan ist, die Fähigkeiten beider Modellreihen weiter zu verbessern und sie dann in dasselbe System zu integrieren.

Im Bereich der Agenten hofft er, dass die KI in längeren Aufgabenzyklen selbst Ziele festlegen und die Ausführungsergebnisse überprüfen kann. Er sieht diese Autonomie als die Richtung an, in der Agenten als Nächstes Fortschritte machen müssen.

Während der Aufnahme des Interviews konzentrierte Yan Junjie seine Hauptenergie auf das nächste Modell M3 Pro. Er sagte, das Modell sei noch nicht fertiggestellt, aber er erwarte, dass es einen wichtigen Durchbruch bringen werde.

Für die AGI hat er auch einen klaren Bewertungsmaßstab: Die KI soll in der Lage sein, neue Theorien zu entwickeln, und wichtige neue Durchbrüche in der Wissenschaft sollen hauptsächlich von der KI abhängen.

Open Source bis zur Erreichung der AGI

MiniMax erhebt Gebühren über APIs und gibt gleichzeitig die Modellgewichte frei, sodass Entwickler die Modelle selbst bereitstellen und modifizieren können.

Yan Junjie ist der Ansicht, dass Open Source die Kommerzialisierung fördern und mehr Entwickler dazu bringen kann, an der Verbesserung der Modelle mitzuwirken. Die Erkundungen, die MiniMax nicht alleine durchführen kann, kann die Gemeinschaft fortsetzen.

Als Beispiel nannte er H3. Laut seinen Angaben im Interview wurde dieses Modell im Vormonat etwa 25 Millionen Mal heruntergeladen; in den ersten zwei Wochen nach der Freigabe sind bereits etwa 300 offene Modelle auf seiner Basis entstanden.

Ein Beispiel dafür ist H3 Max, das das US-Unternehmen fal.ai durch Nachschulung auf Basis von H3 erhalten hat. Laut Yan Junjie kann es 5-Sekunden-Videos in 3 Sekunden generieren, wobei die Generierungsgeschwindigkeit schneller ist als die Wiedergabegeschwindigkeit des Videos.

Eine solche Geschwindigkeit ermöglicht mehr interaktive Anwendungen für Videos. Yan Junjie erwähnte, dass Entwickler bereits 24-Stunden-KI-Livestreams erstellt haben, die Bilder in Echtzeit basierend auf dem generieren, was die Zuschauer sehen möchten. Die gleichen Fähigkeiten können auch in Szenarien wie Spielen und Bildung eingesetzt werden.

Diese Versuche geben MiniMax wiederum Rückmeldungen und helfen ihm, herauszufinden, was die Modelle bereits können und was ihnen noch fehlt. Yan Junjie betrachtet dies als den direktesten Nutzen von Open Source für die Forschung und Entwicklung.