亮相WAIC2026的面壁智能，能否引領端側AI穿越商業深水區？

撰文 | 曾憲勇
出品 | 勇礪商業評論 阿桶觀察 全球商業風向

老王懵懵懂懂地把車開進了停車場的地下三層，這里燈光昏暗，車頭終于在一聲悶響后，結結實實地撞上了轉彎處的一道立柱。

發出一聲驚呼的老王下車查看，發現車身留下了一道明顯的劃痕，手機網絡時斷時續，車機屏幕上的云端助手也還在轉圈……

按照過去的處理方式，他需要拍照、聯系保險公司、描述現場情況、填寫信息，再無奈地等待手機另一端的人告訴他下一步應該做什么，但現實中的老王其實還有另一種選擇——他的車輛可以立即調用本地攝像頭，識別碰撞位置，整理事故信息，生成初步報告，并在沒有網絡的環境中，用語態平穩的車機語音一步步引導老王，完成后續步驟……

這并非科幻電影里的自動駕駛橋段，而是面壁智能在今年世界人工智能大會上展出的一款事故處理Agent。它被放進智能座艙SuperMate中，目的不是證明大模型又學會了一項新技能，而是無意中把一個尖銳的問題推到了行業面前：當網絡消失、涉及隱私或合規的數據不宜上傳、決定必須當場做出時，那些一度在云端“無所不能”的大模型，還能剩下多少真實戰力？

過去幾年，在人們的心目中，大模型可以寫詩、編程、分析財報、創作視頻，也可以和你高談闊論宇宙和人生，但一旦到了地下車庫，就似乎即刻變成一位失去大腦的將軍。

這不是因為大模型還不夠聰明，而是真實世界從來不會按照大模型的理想條件運轉——網絡并非永遠暢通，算力并非永遠充沛，電量并非永遠取之不盡，汽車與機器人也不可能永遠會在關鍵時刻，耐心等待遠方服務器的答復。

當時代的指針慢慢指向2026，大模型似乎來到了一個新的岔路口。

此前，行業話題的討論焦點主要發生在大模型內部——參數能否繼續增加？推理能否繼續增強？能力邊界能否繼續外擴？

站在岔路口的人們突然發現，下一階段的考驗其實大多發生在大模型之外——智能場景是否需要承受真實世界的約束？現實方案能否在有限成本下穩定工作？同一應用能否進入足夠多的設備，并最終變成一門可持續的生意？

面壁智能，這家成立不到四年的公司，把自己的答案押在了端側。

端側模型，并非在搶云端模型的飯碗

2023年下半年，當大多數公司仍把追趕云端旗艦模型視為“主航道”時，面壁智能卻一扭頭，專攻端側。

真正耐人尋味的地方是，最早看見“大模型”的這批人，后來并沒有沿著這個“大”字，一路走下去。因為這個“大”，并非捷徑。

面壁智能聯合創始人、首席技術官曾國洋

面壁智能聯合創始人、首席技術官曾國洋對此給出的判斷是：“生成模型讓我們看到了一個無法想象的上限。”

追求端側并非“反對云端”。把AI塞進設備里，很多人的第一反應是：端側模型是不是在搶云端巨頭的飯碗？

事實上，這是一個典型的“零和博弈”誤區。云端與端側從來不是相互排斥的技術路線。面壁智能首席科學家劉知遠也曾表示，計算歷史上始終同時存在超級計算、云計算和端側計算，人工智能也不會例外。“未來的智能不可能只存在于云端。”

但在很長一段時間里，端側AI被粗暴地理解為“把云端大模型做個精簡版裝進設備”。 這種理解掩蓋了真正的工程門檻。

曾國洋認為，端側智能僅僅具備基礎能力還不夠，它必須“真正懂你”。

在他看來，云端承擔大規模訓練、復雜推理和知識更新，端側則負責實時感知、本地處理與即時執行。它們不是互相取代的關系，而是像大腦和末梢神經一樣，各司其職。

近日，面壁智能聯合創始人、董事長、首席執行官李大海把這種“分工”更形象地概括成八個字：“端側主內，云端主外。”所謂“主內”，是由終端處理用戶的私有上下文和實時需求；所謂“主外”，則是把餐廳、導航、天氣等不斷變化的外部信息交給云端補足。

面壁智能聯合創始人、董事長、首席執行官李大海

在李大海看來，任務分發的主導權仍應掌握在端側，因為只有端側最清楚用戶處于什么情境，也最有條件先剝離敏感信息，再把必要任務交給云端。這不是強弱之爭，而是一種圍繞隱私、效率和場景建立的分工。

端側不是云端的“縮小版”，而是一場“密度競賽”

在很多營銷人看來，“端側”這條路線很容易被講成一個“漂亮故事”：把大模型壓縮后，裝進手機、汽車和機器人，AI便從屏幕走入現實。但真正做起來，困難恰恰從“裝進去”之后開始。

曾國洋對此深有感觸，團隊最初也低估了功耗、散熱、響應速度和硬件適配的復雜程度。一個模型在實驗室里分數很高，不代表它適合放進終端。智能眼鏡空間太小、電池有限，手機用戶不愿等待，汽車又要求可靠性。“端側模型不單看評測效果，還有響應時間、硬件成本，它很難從單一維度勝出。”

在一番摸索之后，面壁智能為端側找到的出路不是“小”，而是“密”。

面壁智能提出了“密度定律”。 它的核心邏輯是衡量單位參數能釋放多少有效智能。 面壁智能觀察到，模型智能密度大約每3.5個月翻一番，同等智能所需的參數規模呈指數級下降。

為了提高試錯效率，團隊還建立了“模型風洞”，他們先在較小規模實驗中驗證數據和訓練方法，再預測放大后的效果，避免每一種想法都在目標尺寸上重新付出完整訓練成本。

MiniCPM系列由此出現。面壁推出的MiniCPM5-1B端側大模型約有10億參數。據Artificial Analysis在2026年5月26日發布的評測結果，該模型在當時版本的Intelligence Index中獲得17.9分，運行整套評測共產生約1260萬個輸出Token。相比部分規模更大的推理模型，它以更少的輸出Token完成了同一套評測。

作為對比，達到相近水平的更大模型往往需要消耗數以億計的Token。這就意味著，企業不需要將“小”視為能力的妥協，小尺寸正是智能抵達海量終端的硬性前提。

參數和榜單只是起點，真正決定模型上限的仍是數據。甚至在曾國洋看來，“做模型就是做數據。”

為此，面壁發布了全球首個完全由AI編寫、零人類代碼介入的生產級大模型訓練框架ForgeTrain。

“在端側擁有簡單的智能是不夠的，它還必須真正懂你。”曾國洋表示，面壁智能開始嘗試建立行為模式庫，不只是保存用戶說過什么，還希望理解用戶如何行動。比如，用戶上車后不必再次確認，系統便把空調調整到常用溫度，并播放用戶最近常聽的音樂。用戶上車后的一句“去接孩子”，系統就能補全目的地、規劃路線并生成待辦事項。

這里的“分界線”，不在于AI是否記住了過去，而在于它能否與用戶形成默契。

對端側AI而言，一項技術不能僅僅“可以運行”，它要比用戶原有的操作方式更簡單，更及時，更值得信任。

倘若喚起AI、等待響應和糾正錯誤所花的時間，比手動點擊幾下更久，那么哪怕一款再先進的大模型，也只能成為藏在設備里的昂貴裝飾。

量產才是端側模型的“成人禮”

在端側落地的刺刀戰中，汽車、手機與機器人構成了面壁智能挺進真實世界的三大前線。

汽車是面壁智能較早找到的現實AI入口。其中的原因其實并不復雜：一輛汽車擁有攝像頭、麥克風、屏幕、傳感器和較充足的能源，又有明確的廠商付費主體，幾乎具備端側多模態模型落地所需的所有條件。

但汽車端側落地的用戶也最不好糊弄。一個手機應用崩潰，用戶重新打開即可。而一項車載功能出現錯誤，帶來的往往不只是一句差評。大模型進入車輛之后，要同時接受芯片適配、整車驗證、供應鏈管理和量產周期的共同審查。

面壁智艙SuperMate試圖讓座艙AI從單純的“語音遙控器”，進化為具備感知、推理和執行能力的智能體。 傳統車企的座艙SoC選型到量產需要兩三年，而大模型三四個月就迭代一次，為了解開這個死結，面壁智能聯合英特爾和汽車主機廠，直接拿出了物理形態的解決方案——AIBox。

面壁智能商業化副總裁周樹峰并沒有把座艙的未來寄托在某一個“殺手級應用”上。他更愿意把它稱為“一次交互范式的改變”。

面壁智能商業化副總裁周樹峰

據其介紹，SuperMate約80%的能力可以脫離屏幕交互，通過主動、全模態的感知，看見或聽見用戶，理解其狀態，并在不等待一句明確喚醒詞的情況下給出提醒和服務。

換言之，事故處理Agent只是一個容易被看見的切面，真正的變化，是座艙AI從“你叫它才回答”，轉向“它知道何時應該出現”。周樹峰認為，數據不出車、快速響應和減少錯誤打擾并非互相犧牲的三角關系，而應被視為同一套體驗與安全邏輯。

面壁智能智能體業務負責人王洪磊

圍繞真實用車過程，面壁智能沉淀了68個可量產場景。據面壁智能披露，目標在2026年年底前，助力約30萬輛量產車搭載相關端側智能能力。

面對“規模之后如何掙錢”的追問，面壁智能聯合創始人、總裁雷升濤給出了三個內部篩選標準：這個場景是否真的需要端側，能否規模化復制，最終能否給用戶創造足夠大的價值并形成付費。他借用了一個樸素的比喻：“做項目是打獵，我們是種莊稼。”

面壁智能聯合創始人、總裁雷升濤

手機市場剛剛給出了一個利好信號。此前媒體報道稱，面壁智能已與三星手機達成合作，其MiniCPM系列端側模型將搭載于三星數款旗艦機型。

面壁智能商業化副總裁劉豪杰向媒體表示，這是雙方在消費電子領域的首次合作，并將面壁在合作中的角色概括為“端側模型的賦能者”。截至發稿，雙方尚未披露具體機型和功能邊界。

面壁智能商業化副總裁劉豪杰

同時，近期一個“多款手機端側生成式人工智能服務完成備案”的消息也讓人們極為關注。值得注意的不是名單本身，而是一種全新的產業分工正在出現——手機廠商不必把每一種模型能力都獨立開發，大模型公司開始像芯片、影像和操作系統供應商一樣，成為智能終端能力的外部供給者。

這次合作也讓“第三方模型會不會進入手機”從設問變成現實。李大海對此的判斷是，手機端側智能仍處于早期階段，未來或許會像自動駕駛產業一樣形成自研與第三方供給并存的分工。

他以目前自動駕駛領域約“七成第三方、三成自研”的結構作類比，但也明確表示這只是推測。面壁智能無意親自包辦手機，而是希望成為廠商背后的基礎設施和“守門者”：在有限算力、內存和功耗中提供模型能力，同時滿足本地合規和內生安全要求。

如果這個產業鏈只有一家在做，那可能你在逆行

如果MiniCPM回答的是“如何讓模型進入終端”，ForgeTrain試圖回答的則是“模型未來如何被制造”。

“AI寫框架，再由框架訓練AI”，聽起來像一個漂亮的技術閉環，甚至帶有某種自我進化的意味。但更值得討論的，不是機器是否已經取代程序員，而是AI能否接手大量重復、可驗證的底層工程，讓研究人員把時間用在目標定義、架構判斷和結果驗收上。

曾國洋把大模型數據的發展分成三個階段：先使用公開數據，再由團隊創造和改造數據，第三階段則是“AI制造AI”——讓AI接管從數據生產到訓練評測的完整流程。

端側智能同樣不可能由一家企業獨立完成。大模型要進入真實設備，需要芯片、操作系統、終端廠商、行業客戶和開發者共同配合。端側市場高度碎片化，任何單點領先，如果不能被合作伙伴快速調用和復用，都很難轉化成規模。

面壁智能希望從端側模型的“先行者”，成為端側智能產業的“定義者”。但“定義”一個行業，從來不是簡單率先宣布新時代的到來，而是讓足夠多的參與者愿意使用你的接口、工具和標準，并逐漸發現，他們繞開你反而更加麻煩。

對于越來越多玩家進入端側，李大海的態度也比“護城河”敘事更開放：“如果這個產業鏈只有一家在做，那可能你在逆行。”他把一家公司的創新能力稱為有限的“創新帶寬”，認為更多模型公司、芯片廠商和行業伙伴加入，反而有機會更快篩出真正有價值的場景。

面壁想要“定義”的不是一個封閉領地，而是一套能夠讓不同參與者接入的基礎設施。

端側規模化落地元年已至？

面對“下半年會在哪個節點爆發”的追問，李大海開了個玩笑：“我們只能預測下一個Token，預測不了下半年具體發生的事件。”但把時間拉長，他仍給出一個帶有公司立場的判斷：云端AGI可能更早出現，端側通常會慢一至兩年，未來三至五年或許能夠抵達面壁期待的端側AGI水平。

在面壁智能辦公室的文化墻上，寫著“2030 AGI”。這不是拐點已經到來的證據，更像是一家公司為自己劃出的時間坐標——模型、芯片與商業化能否同時抵達，還要由未來幾年共同作答。

比爾·蓋茨曾有一個著名判斷：“人們總是高估未來兩年將發生的變化，卻低估未來十年將發生的變化。”

這些年來，人們總是喜歡討論“元年”和“拐點”，因為這兩個詞能夠把復雜的產業演進“壓縮”成一個清晰瞬間：舊時代在昨天結束，新時代于今天開始。但或許讓我們覺得意外的是，端側AI真正走向普及，很可能不會出現這樣一場戲劇性的交接儀式。

《連線》雜志創始主編凱文·凱利曾一針見血地指出：“技術成功的標志，是它逐漸變得不可見。”

終有一天，沒有人再去討論“端側智能的時代有沒有到來”。

因為，它已經藏進不被察覺、卻恰好有用的每一次場景響應里。（文/曾憲勇）