亮相WAIC2026的面壁智能，能否引领端侧AI穿越商业深水区？

撰文 | 曾宪勇
出品 | 勇砺商业评论 阿桶观察 全球商业风向

老王懵懵懂懂地把车开进了停车场的地下三层，这里灯光昏暗，车头终于在一声闷响后，结结实实地撞上了转弯处的一道立柱。

发出一声惊呼的老王下车查看，发现车身留下了一道明显的划痕，手机网络时断时续，车机屏幕上的云端助手也还在转圈……

按照过去的处理方式，他需要拍照、联系保险公司、描述现场情况、填写信息，再无奈地等待手机另一端的人告诉他下一步应该做什么，但现实中的老王其实还有另一种选择——他的车辆可以立即调用本地摄像头，识别碰撞位置，整理事故信息，生成初步报告，并在没有网络的环境中，用语态平稳的车机语音一步步引导老王，完成后续步骤……

这并非科幻电影里的自动驾驶桥段，而是面壁智能在今年世界人工智能大会上展出的一款事故处理Agent。它被放进智能座舱SuperMate中，目的不是证明大模型又学会了一项新技能，而是无意中把一个尖锐的问题推到了行业面前：当网络消失、涉及隐私或合规的数据不宜上传、决定必须当场做出时，那些一度在云端“无所不能”的大模型，还能剩下多少真实战力？

过去几年，在人们的心目中，大模型可以写诗、编程、分析财报、创作视频，也可以和你高谈阔论宇宙和人生，但一旦到了地下车库，就似乎即刻变成一位失去大脑的将军。

这不是因为大模型还不够聪明，而是真实世界从来不会按照大模型的理想条件运转——网络并非永远畅通，算力并非永远充沛，电量并非永远取之不尽，汽车与机器人也不可能永远会在关键时刻，耐心等待远方服务器的答复。

当时代的指针慢慢指向2026，大模型似乎来到了一个新的岔路口。

此前，行业话题的讨论焦点主要发生在大模型内部——参数能否继续增加？推理能否继续增强？能力边界能否继续外扩？

站在岔路口的人们突然发现，下一阶段的考验其实大多发生在大模型之外——智能场景是否需要承受真实世界的约束？现实方案能否在有限成本下稳定工作？同一应用能否进入足够多的设备，并最终变成一门可持续的生意？

面壁智能，这家成立不到四年的公司，把自己的答案押在了端侧。

端侧模型，并非在抢云端模型的饭碗

2023年下半年，当大多数公司仍把追赶云端旗舰模型视为“主航道”时，面壁智能却一扭头，专攻端侧。

真正耐人寻味的地方是，最早看见“大模型”的这批人，后来并没有沿着这个“大”字，一路走下去。因为这个“大”，并非捷径。

面壁智能联合创始人、首席技术官曾国洋

面壁智能联合创始人、首席技术官曾国洋对此给出的判断是：“生成模型让我们看到了一个无法想象的上限。”

追求端侧并非“反对云端”。把AI塞进设备里，很多人的第一反应是：端侧模型是不是在抢云端巨头的饭碗？

事实上，这是一个典型的“零和博弈”误区。云端与端侧从来不是相互排斥的技术路线。面壁智能首席科学家刘知远也曾表示，计算历史上始终同时存在超级计算、云计算和端侧计算，人工智能也不会例外。“未来的智能不可能只存在于云端。”

但在很长一段时间里，端侧AI被粗暴地理解为“把云端大模型做个精简版装进设备”。 这种理解掩盖了真正的工程门槛。

曾国洋认为，端侧智能仅仅具备基础能力还不够，它必须“真正懂你”。

在他看来，云端承担大规模训练、复杂推理和知识更新，端侧则负责实时感知、本地处理与即时执行。它们不是互相取代的关系，而是像大脑和末梢神经一样，各司其职。

近日，面壁智能联合创始人、董事长、首席执行官李大海把这种“分工”更形象地概括成八个字：“端侧主内，云端主外。”所谓“主内”，是由终端处理用户的私有上下文和实时需求；所谓“主外”，则是把餐厅、导航、天气等不断变化的外部信息交给云端补足。

面壁智能联合创始人、董事长、首席执行官李大海

在李大海看来，任务分发的主导权仍应掌握在端侧，因为只有端侧最清楚用户处于什么情境，也最有条件先剥离敏感信息，再把必要任务交给云端。这不是强弱之争，而是一种围绕隐私、效率和场景建立的分工。

端侧不是云端的“缩小版”，而是一场“密度竞赛”

在很多营销人看来，“端侧”这条路线很容易被讲成一个“漂亮故事”：把大模型压缩后，装进手机、汽车和机器人，AI便从屏幕走入现实。但真正做起来，困难恰恰从“装进去”之后开始。

曾国洋对此深有感触，团队最初也低估了功耗、散热、响应速度和硬件适配的复杂程度。一个模型在实验室里分数很高，不代表它适合放进终端。智能眼镜空间太小、电池有限，手机用户不愿等待，汽车又要求可靠性。“端侧模型不单看评测效果，还有响应时间、硬件成本，它很难从单一维度胜出。”

在一番摸索之后，面壁智能为端侧找到的出路不是“小”，而是“密”。

面壁智能提出了“密度定律”。 它的核心逻辑是衡量单位参数能释放多少有效智能。 面壁智能观察到，模型智能密度大约每3.5个月翻一番，同等智能所需的参数规模呈指数级下降。

为了提高试错效率，团队还建立了“模型风洞”，他们先在较小规模实验中验证数据和训练方法，再预测放大后的效果，避免每一种想法都在目标尺寸上重新付出完整训练成本。

MiniCPM系列由此出现。面壁推出的MiniCPM5-1B端侧大模型约有10亿参数。据Artificial Analysis在2026年5月26日发布的评测结果，该模型在当时版本的Intelligence Index中获得17.9分，运行整套评测共产生约1260万个输出Token。相比部分规模更大的推理模型，它以更少的输出Token完成了同一套评测。

作为对比，达到相近水平的更大模型往往需要消耗数以亿计的Token。这就意味着，企业不需要将“小”视为能力的妥协，小尺寸正是智能抵达海量终端的硬性前提。

参数和榜单只是起点，真正决定模型上限的仍是数据。甚至在曾国洋看来，“做模型就是做数据。”

为此，面壁发布了全球首个完全由AI编写、零人类代码介入的生产级大模型训练框架ForgeTrain。

“在端侧拥有简单的智能是不够的，它还必须真正懂你。”曾国洋表示，面壁智能开始尝试建立行为模式库，不只是保存用户说过什么，还希望理解用户如何行动。比如，用户上车后不必再次确认，系统便把空调调整到常用温度，并播放用户最近常听的音乐。用户上车后的一句“去接孩子”，系统就能补全目的地、规划路线并生成待办事项。

这里的“分界线”，不在于AI是否记住了过去，而在于它能否与用户形成默契。

对端侧AI而言，一项技术不能仅仅“可以运行”，它要比用户原有的操作方式更简单，更及时，更值得信任。

倘若唤起AI、等待响应和纠正错误所花的时间，比手动点击几下更久，那么哪怕一款再先进的大模型，也只能成为藏在设备里的昂贵装饰。

量产才是端侧模型的“成人礼”

在端侧落地的刺刀战中，汽车、手机与机器人构成了面壁智能挺进真实世界的三大前线。

汽车是面壁智能较早找到的现实AI入口。其中的原因其实并不复杂：一辆汽车拥有摄像头、麦克风、屏幕、传感器和较充足的能源，又有明确的厂商付费主体，几乎具备端侧多模态模型落地所需的所有条件。

但汽车端侧落地的用户也最不好糊弄。一个手机应用崩溃，用户重新打开即可。而一项车载功能出现错误，带来的往往不只是一句差评。大模型进入车辆之后，要同时接受芯片适配、整车验证、供应链管理和量产周期的共同审查。

面壁智舱SuperMate试图让座舱AI从单纯的“语音遥控器”，进化为具备感知、推理和执行能力的智能体。 传统车企的座舱SoC选型到量产需要两三年，而大模型三四个月就迭代一次，为了解开这个死结，面壁智能联合英特尔和汽车主机厂，直接拿出了物理形态的解决方案——AIBox。

面壁智能商业化副总裁周树峰并没有把座舱的未来寄托在某一个“杀手级应用”上。他更愿意把它称为“一次交互范式的改变”。

面壁智能商业化副总裁周树峰

据其介绍，SuperMate约80%的能力可以脱离屏幕交互，通过主动、全模态的感知，看见或听见用户，理解其状态，并在不等待一句明确唤醒词的情况下给出提醒和服务。

换言之，事故处理Agent只是一个容易被看见的切面，真正的变化，是座舱AI从“你叫它才回答”，转向“它知道何时应该出现”。周树峰认为，数据不出车、快速响应和减少错误打扰并非互相牺牲的三角关系，而应被视为同一套体验与安全逻辑。

面壁智能智能体业务负责人王洪磊

围绕真实用车过程，面壁智能沉淀了68个可量产场景。据面壁智能披露，目标在2026年年底前，助力约30万辆量产车搭载相关端侧智能能力。

面对“规模之后如何挣钱”的追问，面壁智能联合创始人、总裁雷升涛给出了三个内部筛选标准：这个场景是否真的需要端侧，能否规模化复制，最终能否给用户创造足够大的价值并形成付费。他借用了一个朴素的比喻：“做项目是打猎，我们是种庄稼。”

面壁智能联合创始人、总裁雷升涛

手机市场刚刚给出了一个利好信号。此前媒体报道称，面壁智能已与三星手机达成合作，其MiniCPM系列端侧模型将搭载于三星数款旗舰机型。

面壁智能商业化副总裁刘豪杰向媒体表示，这是双方在消费电子领域的首次合作，并将面壁在合作中的角色概括为“端侧模型的赋能者”。截至发稿，双方尚未披露具体机型和功能边界。

面壁智能商业化副总裁刘豪杰

同时，近期一个“多款手机端侧生成式人工智能服务完成备案”的消息也让人们极为关注。值得注意的不是名单本身，而是一种全新的产业分工正在出现——手机厂商不必把每一种模型能力都独立开发，大模型公司开始像芯片、影像和操作系统供应商一样，成为智能终端能力的外部供给者。

这次合作也让“第三方模型会不会进入手机”从设问变成现实。李大海对此的判断是，手机端侧智能仍处于早期阶段，未来或许会像自动驾驶产业一样形成自研与第三方供给并存的分工。

他以目前自动驾驶领域约“七成第三方、三成自研”的结构作类比，但也明确表示这只是推测。面壁智能无意亲自包办手机，而是希望成为厂商背后的基础设施和“守门者”：在有限算力、内存和功耗中提供模型能力，同时满足本地合规和内生安全要求。

如果这个产业链只有一家在做，那可能你在逆行

如果MiniCPM回答的是“如何让模型进入终端”，ForgeTrain试图回答的则是“模型未来如何被制造”。

“AI写框架，再由框架训练AI”，听起来像一个漂亮的技术闭环，甚至带有某种自我进化的意味。但更值得讨论的，不是机器是否已经取代程序员，而是AI能否接手大量重复、可验证的底层工程，让研究人员把时间用在目标定义、架构判断和结果验收上。

曾国洋把大模型数据的发展分成三个阶段：先使用公开数据，再由团队创造和改造数据，第三阶段则是“AI制造AI”——让AI接管从数据生产到训练评测的完整流程。

端侧智能同样不可能由一家企业独立完成。大模型要进入真实设备，需要芯片、操作系统、终端厂商、行业客户和开发者共同配合。端侧市场高度碎片化，任何单点领先，如果不能被合作伙伴快速调用和复用，都很难转化成规模。

面壁智能希望从端侧模型的“先行者”，成为端侧智能产业的“定义者”。但“定义”一个行业，从来不是简单率先宣布新时代的到来，而是让足够多的参与者愿意使用你的接口、工具和标准，并逐渐发现，他们绕开你反而更加麻烦。

对于越来越多玩家进入端侧，李大海的态度也比“护城河”叙事更开放：“如果这个产业链只有一家在做，那可能你在逆行。”他把一家公司的创新能力称为有限的“创新带宽”，认为更多模型公司、芯片厂商和行业伙伴加入，反而有机会更快筛出真正有价值的场景。

面壁想要“定义”的不是一个封闭领地，而是一套能够让不同参与者接入的基础设施。

端侧规模化落地元年已至？

面对“下半年会在哪个节点爆发”的追问，李大海开了个玩笑：“我们只能预测下一个Token，预测不了下半年具体发生的事件。”但把时间拉长，他仍给出一个带有公司立场的判断：云端AGI可能更早出现，端侧通常会慢一至两年，未来三至五年或许能够抵达面壁期待的端侧AGI水平。

在面壁智能办公室的文化墙上，写着“2030 AGI”。这不是拐点已经到来的证据，更像是一家公司为自己划出的时间坐标——模型、芯片与商业化能否同时抵达，还要由未来几年共同作答。

比尔·盖茨曾有一个著名判断：“人们总是高估未来两年将发生的变化，却低估未来十年将发生的变化。”

这些年来，人们总是喜欢讨论“元年”和“拐点”，因为这两个词能够把复杂的产业演进“压缩”成一个清晰瞬间：旧时代在昨天结束，新时代于今天开始。但或许让我们觉得意外的是，端侧AI真正走向普及，很可能不会出现这样一场戏剧性的交接仪式。

《连线》杂志创始主编凯文·凯利曾一针见血地指出：“技术成功的标志，是它逐渐变得不可见。”

终有一天，没有人再去讨论“端侧智能的时代有没有到来”。

因为，它已经藏进不被察觉、却恰好有用的每一次场景响应里。（文/曾宪勇）