三年前押注端側AI，面壁終于等來行業拐點 ｜甲子光年

端側AI時代的游戲規則，面壁希望由自己來定。

作者｜劉楊楠

編輯｜栗子

最近，WAIC火熱之余，兩則新聞在AI圈悄然交匯。

7月15日，國家網信辦公布最新一批生成式人工智能服務備案名單。

三星“蓋樂世AI”正式獲批，同日通過備案的手機端側AI產品共7款，其中包括關注度頗高的Apple智能和努比亞豆包手機大模型。

值得注意的是，“蓋樂世AI”的端側大模型能力來自一家中國創業公司——面壁智能。

兩天后的上海，2026世界人工智能大會（WAIC）開幕。

面壁智能出現在世博展覽館H1館，帶著超30萬臺量產車的交付成績、業界首個大規模量產的AIBox，以及一只被拔掉網卡仍能繼續工作的機器狗。

資本層面，這家公司2026年上半年累計融資已超過50億元，估值突破200億元，成為端側智能領域公開估值最大的獨角獸。

熱鬧屬于面壁，信號卻屬于整個行業。大模型產業還在為云端的參數和跑分較勁時，另一場遷徙已經發生：AI正從云端走向汽車、手機、機器人等所有你目之所及的物理終端，甚至衛星。

面壁智能，是這場遷徙中出發最早、走得也最遠的企業。

在面壁的展臺上，「甲子光年」幾乎看不到跑分榜，只有正在干活的AI。這家公司已經把AI融入了真實世界的肌理中。

端側AI遍地開花

面壁把最重的筆墨留給了具身智能。

7月19日，面壁智能聯合OpenBMB正式發布并開源了其首個具身智能技術成果MiniCPM-Robot系列模型，包括兩個具身智能模型——通用VLA模型MiniCPM-RobotManip，與面向移動機器人跟蹤導航的MiniCPM-RobotTrack。

MiniCPM-RobotManip是一款面向機器人操作的1.5B通用VLA模型，保留了面壁智能多模態基礎模型MiniCPM-V 4.6的通用理解能力，并基于多任務進行統一訓練，讓同一模型學習處理不同指令和操作任務。

根據主流VLA基準測試，MiniCPM-RobotManip的綜合性能位列 VLA 模型的第一梯隊，與Qwen-VLA、π0.5等主流模型的性能相近、甚至有更出色的表現。

尤其是在考驗VLA模型上下文記憶的RMBench上，MiniCPM-RobotManip更是明顯超越多個主流模型，MiniCPM-RobotManip 得分53，而主流的π0.5只有10分，接近隨機的水平。

MiniCPM-RobotTrack則由面壁智能和南京大學合作研發，是一款 0.9B的端到端視覺指令跟蹤模型，支持真實本地斷網部署，能夠實現純視覺的本地自主指令追蹤。

模型原生適配宇樹Go2 Edu ，僅依靠原裝攝像頭和本地算力即可完成單目標、動態多目標及模糊目標跟蹤，穩定達到5+Hz，端到端響應時延約180毫秒，并構建了自進化數據管線、能夠持續提升復雜動態環境下的跟蹤能力。

這個看似炫技的能力，戳中了的是具身智能行業心照不宣的痛點——Demo很驚艷，落地很狼狽。背后原因很樸素。很多展館、園區、廠區的許多角落根本沒有穩定信號，依賴云端的機器人走進這些區域，就只能原地停機。但機器人能否離線工作，往往直接決定了一臺其是否有資格上崗。

面壁與樂聚機器人聯合發布的兩套方案，都支持純離線運行。展廳導覽方案中，多模態大模型充當夸父機器人的“大腦”，實時理解展廳環境、人類指令與意圖，離線講解、自由問答、規劃路線并避障導航；園區巡檢方案中，模型能識別車輛違規停放、路面異常、公共設施異常等情況，敏感畫面就地分析，數據主權歸客戶。

面壁與吉利則在模型層和應用層均有合作。

模型層，面壁具身模型團隊與吉利人工智能中心共同訓練VLA模型，從多模態理解大模型出發，在保持通用多模態理解能力的同時融入與真實世界交互的能力，在仿真評測的通用多任務統一訓練中達到專家模型水平。

應用層，基于RoboHarness框架，面壁把自研VLM、吉利的機器人本體、VLA模型和導航系統集成到一起，在真實的生產倉儲場景跑通了長程任務的規劃與執行。RoboHarness還內置了可治理的數據閉環設計——機器人在工廠里邊打螺絲，邊成為數據飛輪的一部分。

如果說具身智能是面壁面向未來的押注，汽車則是它已經兌現的當下。

2026年，面壁自研端側智能體SuperMate已在長安馬自達EZ-60、吉利銀河M9、上汽、廣汽集團等量產車型上完成定點，完成超30萬臺量產車交付，完整跑通模型適配、硬件兼容、整車供應鏈、終端交付的全鏈路。

交付量背后，還有一個更少被討論的產業難題：車機SoC從選型到量產需要兩三年，大模型的迭代周期只有三到四個月，兩者的生命周期嚴重錯配，傳統架構根本接不住快速進化的AI能力。

面壁的解法，是聯合汽車主機廠與英特爾，在本屆WAIC發布業界首個大規模量產的AIBox。它獨立于原車座艙SoC，以可插拔、可擴展的模塊化形態，成為專為大模型定制的車載AI算力中樞。英特爾提供面向大模型優化的芯片底座，汽車主機廠以前瞻電子電氣架構開放整車生態接口，面壁把最新一代SuperMate 2.0部署其中，注入深度記憶、情景理解和主動行動能力。

這套方案已在長安馬自達EZ-60等多款車型上落地，目標是年底助力30萬輛量產車搭載。

更值得注意的是它的演進方向。AIBox將沿“車位路線”與“人位路線”雙軌前行，一面縱深集成，推動整車電子電氣架構變革；一面作為跨終端個人智能載體，打通汽車、PC與家居。一個獨立于傳統座艙的新品類，正在成形。

在手機端，面壁近期和三星的合作有收獲了官方認證。7月15日，國家網信辦公布最新一批生成式人工智能服務備案名單，三星“蓋樂世AI”正式獲批，同日通過備案的手機端側AI產品共7款。其端側大模型能力由面壁智能MiniCPM系列提供。

對手機廠商而言，端側模型的價值樸素而直接，斷網可用、數據不出設備，通信、相冊這些最敏感的場景獲得最高級別的隱私保護。

在車和手機之外，面壁的端側版圖還在向兩個方向延伸：一頭把門檻放到最低，一頭把邊界推到最遠。

松果派開發板把多模態硬件、端側模型與Agent環境打包成開箱即用的體系，沒有技術背景的開發者也能做出端側硬件；與一葦宇航合作的”端側模型+太空算力”，則把智能送上了衛星，涵蓋海洋天氣災害預警、廣域協同目標監測、農林牧漁觀測等場景，數據在軌處理，只把結果傳回地面。

從機器人到汽車，從手機到衛星，端側智能的版圖在一個展臺上完整鋪開。這也引出一個更大的問題：為什么市場對端側AI的熱情，集中發生在2026年？

2026年，端側AI為什么成了必答題？

2026年，智能體的大量涌現與物理AI的浪潮，讓推理需求陡增。

端側AI市場規模預計突破8000億元，AI推理計算需求將達到訓練需求的4到5倍。推理的主戰場，正在從云端機房轉移到億萬臺終端設備上。

然而，傳統的云端算力已經無法滿足如此分散且多元的推理需求。

成本端，北京智源人工智能研究院與端側智能北京市重點實驗室聯合發布的《端側智能2026：規模化落地元年》報告顯示，截至2026年6月，豆包大模型日均Token調用量已突破180萬億，較去年增長超10倍，云端推理的經濟性持續承壓。

時延端，自動駕駛需要10到50毫秒級的響應，云端往返在物理上就無法滿足。

隱私端，《個人信息保護法》與GDPR持續收緊，敏感數據“不出端”成為剛需。穩定性上，弱網、斷網環境里，純云端方案存在天然的可用性短板。

真實世界的場景特征，例如實時性要求高、數據敏感、離線環境多，樁樁件件都指向端側智能。

就在需求端出現巨大缺口時，供給側能力恰好補位。芯片廠商持續提升端側NPU算力，手機端已達數十TOPS，車端AI Box可達180 TOPS，端側模型運行第一次有了堅實的硬件底座。

傳統終端廠商也在以積極的姿態擁抱AI浪潮。手機、PC、汽車廠商紛紛把AI能力作為核心賣點，從“用云端AI”轉向“必須有自己的端側AI”。

產業條件加速成熟的前提下，頂層設計給出最后定調。

2026年政府工作報告寫入“促進新一代智能終端和智能體加快推廣”，《人工智能終端智能化分級》國家標準正式發布實施。7月15日那批手機端側AI產品備案，則是監管側給出的又一個清晰信號。

需求、供給、政策，幾條線索在同一年交匯。因此，本屆WAIC上端側AI成為核心議題并不偶然。

整個AI產業正在從云端走向終端，2026年已端側智能規模化落地的元年。這個判斷，面壁智能CEO李大海在年初就已公開做出，三星合作的落地成了它最有力的印證。

創業本就是一場關于風險與時運的旅程，創業者借助時代的推力，踩中某個風口扶搖直上的故事并不少見，但面壁的故事并不遵循這套爽文邏輯。

在當下的端側AI浪潮真正來臨前，面壁已經在端側AI的“非主流”賽道上走了三年，隨之而來的問題是，面壁智能為何能在2023年的時間點上，先市場一步看懂端側AI？

密度定律的勝利

面壁的答案，是一條不同于Scaling law的第一性原理。

2024年底，清華大學孫茂松、劉知遠團隊與OpenBMB開源社區提出“能力密度”概念，總結出大模型演進的密度定律（Densing Law），即大模型的最大能力密度隨時間呈指數級增強，達到特定智能水平所需的參數量，約每3.5個月下降一半。

2025年，這項成果作為封面文章發表于《自然》子刊《自然·機器智能》。

這條定律無形中扭轉了評價AI的坐標系。

ChatGPT讓Scaling Law成為AI最新的世界觀，大批海內外AI企業默認用更大的模型、更多的算力，換取更強的智能。但密度定律給出了另一套邏輯。

當參數規模不再是榮譽勛章，單位參數、單位能耗下的智能產出，才是衡量模型能否真正走進真實世界的硬指標。面壁展臺上那些“小模型干大事”的應用案例，都是這條曲線的具象化。

更有說服力的是，面壁MiniCPM系列的模型迭代史，幾乎就是密度定律的一部編年案例集。

面壁用兩年半的時間完成了16個主要版本的迭代，形成覆蓋文本、視覺、全模態、語音四大方向的完整端側能力棧。截至2026年7月，MiniCPM系列全球下載量突破3600萬次、GitHub星標超過14萬。

本次WAIC上，面壁智能展出了在今年開源發布的四個最新端側基礎模型，涵蓋4個能力緯度——文本模型 MiniCPM5、視覺模型 MiniCPM-V 4.6、全模態模型 MiniCPM-o 4.5，以及語音基礎模型VoxCPM2。這四個模型均在密度定律的基礎上，大幅優化模型推理效率。

具體來看，面壁在2026年5月發布的文本模型MiniCPM5-1B，僅以1B參數規模，在國際權威榜單Artificial Analysis上取得17.9分的成績；僅用約1500萬個輸出Token達到這一水平，而更大規模的模型達到相近水平，需要消耗超過2.68億Token。

支撐這一點的是自研的ForgeTrain預訓練框架與UltraData數據治理體系，讓每一個Token盡可能產生更高價值。其中，面壁聯合清華大學、OpenBMB發布的ForgeTrain是一個由AI編寫、零人類代碼介入的生產級大模型訓練框架。它在英偉達H100上的訓練速度，超越英偉達自研的Megatron約10%，并原生適配華為昇騰。

在7月19日舉辦的端側AI創新和行業發展論壇上，面壁智能發布了新一代高智能密度端側大模型MiniCPM5-2B。MiniCPM5-2B支持512K上下文，支持工具調用、深度搜索、代碼生成等智能體能力。

視覺側，MiniCPM-V4.6參數僅1.3B，通過視覺早壓縮和動態自適應混合壓縮，實現視覺Token的極致壓縮，簡單畫面高倍率壓縮，復雜畫面保留更多細節。

MiniCPM-V4.6的性能優勢，也延續到了此次發布的通用VLA模型MiniCPM-RobotManip上。

當前大多數VLA模型只能基于當前觀測決定下一步動作，因為保留歷史觀測的計算量太大。而MiniCPM-RobotManip憑借極致壓縮，在保留上下文記憶的同時，通過流式計算方法實現推理成本與單幀反應式持平。

交互側，9B參數的全模態模型MiniCPM-o 4.5實現了”邊看、邊聽、主動說”的全雙工能力，視覺、音頻、文本輸入輸出互不阻塞，終結了大模型回合制的“對講機”交互模式。

同樣，基于密度定律，它以不到云端旗艦4%的參數量，對標甚至超越國際頂級云端旗艦的擬真體驗。

低比特方向，面壁聯合清華大學、OpenBMB發布的BitCPM-CANN，是中國首個基于華為昇騰訓練的1.58-bit端側大模型。

相比傳統BF16精度，該模型推理階段釋放約6倍顯存紅利，能力保留率維持在90%以上。同樣的模型能力在同一款終端上運行，只需要過去1/6的內存。這意味著，未來有望在手機上運行 60B 大模型，手機的智能會大幅提升。

可見，密度定律真正引領著面壁的模型迭代和產品落地節奏。這些模型證明了過去被認為依賴云端的能力，如今可以在端側真正跑通。

不過，第一性的技術定律只能解釋技術的加速度，卻很難立體詮釋一家公司在整個行業的身位。把認知變成身位，面壁用了整整三年。

從先行者到定義者

回看面壁的路徑，時間差是最醒目的變量。

2023年下半年，全行業押注大參數、追趕OpenAI，端側還是少有人關注的方向。

面壁在這一年反共識地成為國內第一家布局端側大模型的公司。2024年2月開源了僅2B參數的MiniCPM，驗證了端側小模型同樣擁有強大的智能。

當同行還停在Benchmark階段，面壁第一個完成端側量產交付，跑通從模型到整車的全鏈路。

如今，它第一個全棧All in端側AGI，以密度定律為內核，構建起從模型層、訓練層、系統層、硬件層到架構層、生態層的完整基礎設施。

這些先發優勢的本質，是認知領先換來的寶貴時間窗口。當一家公司能夠果斷下注非共識的技術方向，又一路實現規模化的商業交付，那么接下來，它便有足夠的理由和底氣開始做第三件事——定義規則。

學術側，2026年初，面壁作為共建單位參與端側智能北京市重點實驗室建設，聯合創始人兼首席科學家劉知遠擔任實驗室主任。此次WAIC上，該實驗室聯合智源研究院發布《端側智能2026：規模化落地元年》，為行業畫出端側智能的能力地圖。

開源側，OpenBMB社區的MiniCPM系列全球下載量已突破3800萬，成為全球最受歡迎的中國開源模型之一，這已經構成了事實上的端側開發者底座。

標準側，面壁在7月19日與中國信通院聯合啟動《AI For AI標準》；此前的北京車展，它已聯合產業多方發布《智能座艙白皮書》，明確下一代智能座艙的技術路徑與標準方向。

生態側，“面壁+”行業伙伴計劃在本屆WAIC正式落地，七家共創伙伴覆蓋政務、財務、教研、金融、物業、審計、資產管理七個行業，跑在同一套AgentVerse底座上。例如，面壁與令才科技打造的財務審核系統，整單審核自動化率100%、準確率99%；與陸海新越合作的物業方案，人力成本降低30%到50%；與恒信啟華合作的資產管理方案，工單響應時間縮短70%。

這并非單純的“雨露均沾”，李大海點明了面壁端側生態多點開花的底層邏輯：“行業深刻認知加端側AI，才是真正的護城河。面壁智能要做‘能力放大器’，讓懂行業的人用AI重新定義行業。”

所有這些布局，最終都指向通往AGI的下一站——AI for AI。

面壁的判斷是，AI產業會走過三個清晰的周期：對話式的Chatbot、自主執行的Agent，以及AI自主迭代生產下一代模型。Chatbot是交互外殼，Agent是能力骨架，AI自主研發AI才是長期的產業終局。

這背后的邏輯很直接。

Scaling Law正在逼近三重天花板，高質量語料接近耗盡、集群規模逼近供給極限、電力消耗觸及人類經濟的承受力。正因如此，今天行業開始探索讓AI加速AI自身的研發流水線，把單代研發周期從18個月壓到6個月、再到1個月。畢竟，算力可能被封鎖，工程效率不會。

面壁給自己定下的遠期目標是，以低于30瓦的功耗，讓端側具備與普通人相當的運動、判斷、智商與學習能力，在未來2到3年，全力推進端側真實世界ASI落地。

這個遠景或許解釋了資本市場真正在押注什么。超200億的估值對應的，不只是一串模型和訂單，還有端側智能時代游戲規則的制定權。

如果說云端時代的規則由別人寫就，那么端側AI時代的游戲規則，面壁希望由自己來定。

（封面圖及文中圖片來源：面壁智能）