文 | 陆玖商业评论
Google I/O 大会的热度今年明显更胜以往，或许不只是因为 Gemini Omni 的亮相，更是业界希望 Gemini 需要从模型能力转化为搜索、广告、购物和云业务的收入增长。
在 Google I/O 大会之前，Google 甩出了一个新鲜热乎的大招：Gemini Omni。
具体来说，Omni 这次带来了两个 " 王炸 "。
第一个王炸：一句话生成一段完整的教学视频，如果你把 Omni 当成 Veo 系列的简单延续，那就错了。
Google 展示了一个例子——用户只输入了一条指令：
" 一位教授在传统黑板上写出三角恒等式的数学证明，同时用语言解释他当前正在推导的步骤。"
没有多轮对话，不用分步骤指挥，一次性搞定了三件事：
空间关系：手该怎么拿粉笔、写在哪里；
文字内容：公式写对了没有；
推理逻辑：推导到了哪一步、该说什么话。
它不只是 " 画 " 一个人，而是真正 " 理解 " 了这个人正在做什么。
Gemini Omni 搞懂了物理世界的关系
第二个王炸：一个对话框，搞定所有事。
写文章、生成图片、剪辑视频、记住上下文、执行复杂任务……以前你要换来换去打开四五个不同的工具，现在全部在同一个对话框里就能完成。Omni 把 Google 之前分散的能力，如文本、图像、视频、音频统统收拢到一个系统里，变成一个 " 什么都能做的生产力入口 "。
背后是一个很清晰的判断：未来的 AI Agent 要完成真实世界里的任务，就必须能看、能听、能说、能画、能剪。只会写字、写代码、分析数据的 Agent，注定是残缺的。
01 Coding 不是增长的全部
说到 AI Agent 的铺开，一位国内头部大厂的部门技术负责人，向陆玖商业评论反映了一个新苦恼。
推行 AI Coding 后，一位头部大厂技术负责人发现：交付快了，需求却更随意了，大量模糊、试错性质的需求涌入系统。
Uber 也有类似的情况：2026 年全年的 AI 工具预算，前四个月就耗尽，Uber 的 CFO 对此也很苦恼。
并非 AI Coding 本身不好，而是 AI 的价值早已溢出 " 写代码 "，渗透到需求分析、测试、运维、预算管理等全流程。正因如此，原本为编码准备的预算，才会被迅速消耗。
如果只盯着编码环节的降本增效，忽略需求质量前置和预算治理，就会陷入 " 快得停不下来 " 的窘境。所以 Anthropic 的 AI Coding 叙事虽火，但 To E（企业内部生产力）的天花板已经显现，市场也已 price in。
我们需要重新审视：AI 的故事远不止 coding。
还有 OpenAI，它最近的重心则是着急上市，把三大产品线彻底打碎重组，内部的大动荡，让 OpenAI 无法在短期内将 " 全模态实时交互 " 与 " 慢思考思维链 " 融合到一个统一架构中，两条路线最终只能各自为战、分道扬镳。
于是我们不得不问一个更根本的问题：我们当下讨论的 AI Agent，到底缺什么？缺的是一个能同时处理 " 看、听、说、写、画 " 的统一系统。
例如，你现在想做一个带字幕和背景音乐的短视频，可能得先用文本模型写脚本，切到图像模型生成封面，再打开视频工具剪辑，最后找个音乐模型配 BGM。四五个工具来回倒腾，中间但凡有一个环节不对，就得从头改。
所以，不管是 ToB（面向企业）、ToC（面向消费者）、ToG（面向政府），还是 ToE（面向企业内部员工），大家底层需要都是一套理解与生成文本、图像、视频、音频、音乐的模型系统。因为真实物理世界从来不和你分模态，一个任务往往天然地混合了多种信息形态，只有全模态的 Agent，才能真正跨越场景、适配角色、解决问题。
谷歌此前的架构是分开的：Veo 做视频，Gemini 做文本，Imagen 做图片，各管一摊。Omni 的发布标志着它正式转向统一多模态架构，在一个系统里完成所有生成和理解。这个转向本身，就是对 " 全模态到底重不重要 " 这个问题最直接的回答。
而在国内独立 AI 公司里，同时具备文本和多模态能力，且在各个模态都能做到领先的 pure-play 公司，也有一家：Minimax。
02 Pure Play 模型公司的魅力在哪里？
当然，全模态和技术路线说得再热闹，终究是纸上谈兵，最后绕不开一个问题：不赚钱的 AI，都是 " 耍流氓 "。
市场一直在等一个信号：到底什么时候能看到真金白银？
陆玖商业评论注意到，阿里财报里的一个数字很有价值：它的 MaaS 业务 ARR 已经超过 80 亿元人民币，预计 6 月到 100 亿，2026 年底到 300 亿，半年间涨了 3.75 倍。
AI 的回报时间真的到了，不是 " 快要到了 "。
但这里藏着一个反差。阿里能做到这个增速，靠的是它现成的家底：销售网络、客户关系、云基础设施。而 AI 原生公司（pure-play）没有这些存量优势，每一块钱收入都得靠模型本身的吸引力硬生生赢过来。
反过来想，如果阿里靠存量客户升级都能做到半年 3.75 倍增长，那一个纯粹靠模型差异化获客的公司，在同样的市场环境下，增速弹性会有多大？
要回答这个问题，得先回到需求本身，Token 消费在实打实地增加。以 Minimax 为例，旗下 M2 系列的 Token 用量，2026 年 2 月比 2025 年 12 月增长了 6 倍，而且每分钟 Token 处理量（TPM）保持着每周 10% 到 20% 的环比增速。
摩根士丹利的研报显示，Minimax 的 ARR 在 2026 年 2 月已经超过 1.5 亿美元，2026 年底有望达到 10 亿美元，与国际竞争对手处在同一量级。
再看具体的经济账。摩根士丹利在研报里点明了一个关键差异：Minimax 在单台 8xH800 推理服务器上，可实现每分钟约 1 美元营收，而相对应只有不到 0.3 美元的运行成本，营收规模是行业平均水平的 2 倍，单位经济效益大幅领先行业。
这种 " 做得更便宜，反而赚得更健康 " 的商业模式，反过来也呼应了一个更本质的逻辑，不是烧钱做增长，而是靠效率赢市场。
当前，Minimax 的毛利率已经从 2024 年的 12.2% 提升到 2025 年的 25.4%，而营销费用同比下降了 40.3%。这意味着用户和收入的增长，不再依赖广告投放驱动，而是工具使用带来的真实价值在自发性地裂变。
陆玖商业评论发现，就在昨天，被称为 " 龙虾之父 " 的 Peter Steinberger，晒出了自己一个月的 API Token 账单：高达 130 万美元。30 天总 Token 消耗量 6030 亿，请求量 760 万。有人直言：" 虾爹一个月烧 130 万美元太贵了，一般人和机构哪烧得起？"
不少人觉得 " 虾爹 " 成本太贵
所以，摩根士丹利还提到，它们对 Minimax 的 ARR 和毛利率（GPM）比同类上市公司更乐观，理由很简单：它在基础设施上的优势，最终会转化为更领先的用户体验，以及超出预期的 Token 消费。
摩根大通也提到，Minimax 在 ToB 和 ToC 两大市场 " 双管齐下 "，再加上它从创立初期就布局的全球化策略，为公司带来了同行里难得见到的经济灵活性。因为大多数 AI 创业公司要么只做 C 端应用（用户量涨得快但付费意愿低），要么只做 B 端 API（收入稳定但获客慢）。Minimax 同时跑通了两条路，意味着它的增长天花板比同行高出一大截。
讲完基本面，最后看催化剂。谷歌 Omni 的发布，让 " 全模态 " 这个方向被市场重新定价，而 Minimax 是国内最直接的映射公司。另外，Minimax 自己马上要发的 M3 系列，预计会大幅提升多模态理解能力；H3 也有望和 Seedance 一起，进入国产模型的第一梯队。
当一个市场从 " 谁有大流量 " 变成 " 谁有更好的模型 " 时，Pure Play 的弹性才刚刚开始释放。这种 " 行业 β 催化 + 公司 α 催化 " 一起出现的窗口，其实不常见。
03 为什么市场要给 " 全模态 " 重新定价？
过去一年，谷歌母公司 Alphabet 的股价大幅飙升了 140%。Plexo Capital 创始管理合伙人 Lo Toney 曾分析，" 谷歌可能是目前最具备 AI 大规模商业变现潜力的公司，因为它几乎扼守了技术栈的每一个核心生态位。"
Omni 的发布，会让 " 全模态 " 这件事再次重新定价。
而如果投资者想找到下一个谷歌，同样押注全模态、同样做统一架构、但没有庞大云业务和广告大盘来分摊成本的 pure-play 公司，环顾全球，可能也只有 Minimax 了。
很多人不知道，Minimax 从一开始做的就是文本与多模态并行发展，而不是先做文本模型，再在外面 " 拼接 " 其他模态。这个思路，和谷歌 Omni 如出一辙。
这意味着，它的 LLM 预训练、视觉模型、视频生成等环节，大部分底层能力是共用的。一份研发投入砸下去，文本能力和多模态能力一起涨。这种效率优势，在每一代模型迭代中只会越拉越大，这也是为什么很多人对即将发布的下一代视频模型抱有期待，它可能开启国内原生多模态的新空间。
瑞银还认为，市场可能忽视了一个关键点：Minimax 不只是模型强，" 工程层（harness）" 的能力才是它真正的护城河。模型是引擎，工程层是方向盘和刹车，光有引擎跑不快，还要有人会开车。
瑞银指出，Minimax 正在用 " 模型 + 工程层 " 两条腿走路，同时推动两个方向：创意场景（比如做视频、画画）和办公场景（比如写文档、处理任务）。
视频这边，瑞银预计 Hailuo 3 会在视频理解能力上甩开同行，同时通过更聪明的工程层设计，把使用门槛降下来，不只专业人士能用，普通小白也能轻松上手。文本这边，下一代 M3 模型会重点提升 AI Agent 自己规划、执行多步骤任务的能力，再配合工程层创新（如之前推出的 MaxHermes），把 AI 的应用范围从写代码扩展到自动处理文档、安排日程、跨工具协作等办公场景。
中信建投在这个观点上加了一层 buff：多模态训练产生的视觉理解能力，可以反哺文本模型，提升模型智能上限。
当然，这些都还只是过程。真正的机会在于：全模态会一步步走进日常生活场景，变成随时可以调用的基础智能资源。
想象一下，未来的 AI Agent 可以同时看懂你的设计草图、听懂语音指令、生成带字幕的演示视频、再配上背景音乐，全部在一个系统里完成，不用切换四五个工具。这个爆发量级，和现在单纯比代码生成能力、机器人聊天能力等，完全不是一个维度。
04 写在最后
如果说 ChatGPT 的出现是语言智能的启蒙时刻，Sora 的出现是视觉智能的觉醒时刻，那么 Gemini Omni 指向的，则是全模态智能的寒武纪大爆发时刻——各种能力不再各自为战，而是交织、融合、涌现，真正开始逼近真实世界的复杂度。
Google I/O 大会的热度今年明显更胜以往，或许不只是因为 Gemini Omni 的亮相，更是业界希望 Gemini 需要从模型能力转化为搜索、广告、购物和云业务的收入增长。这或许预示着，全模态的增长故事，已经走到了兑现的前夜？
