端側(cè) AI，開始進(jìn)入量產(chǎn)時(shí)代。
圖由 AI 生成
文 | Alex
7 月 19 日，WAIC 2026 期間，面壁智能在上海舉辦端側(cè) AI 創(chuàng)新與行業(yè)發(fā)展論壇?，F(xiàn)場(chǎng)發(fā)布的《端側(cè)智能 2026 ——規(guī)?；涞卦辍穲?bào)告，將 2026 年定義為端側(cè)智能從概念驗(yàn)證走向規(guī)?；瘧?yīng)用的產(chǎn)業(yè)拐點(diǎn)。
圍繞這一判斷，面壁智能在現(xiàn)場(chǎng)集中發(fā)布了一系列產(chǎn)品與產(chǎn)業(yè)合作進(jìn)展。公司推出 MiniCPM5-2B 端側(cè)文本模型和全新 VLA 具身模型，并公布 AI for AI 標(biāo)準(zhǔn)、開發(fā)者生態(tài)計(jì)劃、汽車 AIBox、CPM for Legal、具身智能解決方案及 AgentVerse 行業(yè)方案。產(chǎn)品橫跨模型、訓(xùn)練工具、硬件、智能體平臺(tái)和行業(yè)應(yīng)用，覆蓋手機(jī)、汽車、機(jī)器人、法律、園區(qū)和工業(yè)等場(chǎng)景。
當(dāng)大模型進(jìn)入這些場(chǎng)景，過去以參數(shù)規(guī)模、榜單成績(jī)和通用能力為主的評(píng)價(jià)體系開始失效了。因?yàn)榻K端設(shè)備的內(nèi)存、功耗和散熱空間有限，芯片架構(gòu)高度分散，產(chǎn)品生命周期又遠(yuǎn)長(zhǎng)于模型迭代周期。一個(gè)模型即使能力足夠，也可能因?yàn)檫\(yùn)行速度、適配成本、車規(guī)驗(yàn)證或供應(yīng)鏈問題，最終無法進(jìn)入量產(chǎn)。
端側(cè) AI 的競(jìng)爭(zhēng)門檻也隨之抬高。傳統(tǒng)模型公司需要在壓縮模型之后再解決適配芯片，軟硬件協(xié)同、開發(fā)工具、行業(yè)數(shù)據(jù)和規(guī)模交付等關(guān)卡。即使模型被壓的足夠小，也只解決 " 能不能裝進(jìn)去 " 的問題；能否進(jìn)入真實(shí)設(shè)備和業(yè)務(wù)流程，并在幾十萬乃至上百萬臺(tái)終端上長(zhǎng)期穩(wěn)定運(yùn)行，才真正決定一家公司的競(jìng)爭(zhēng)地位。
面壁智能 CEO 李大海在采訪中用 " 端側(cè)主內(nèi)，云端主外 " 概括端云分工，并進(jìn)一步明確了公司作為端側(cè) AI 基礎(chǔ)設(shè)施提供者的定位。模型、智能體、行業(yè)解決方案、開發(fā)者生態(tài)，構(gòu)成了這一定位的具體支撐。
面壁智能 CEO 李大海
這一定位也開始在客戶和資本兩端得到驗(yàn)證。近日，三星選擇面壁智能作為端側(cè)模型合作方；另據(jù)媒體報(bào)道，面壁智能 2026 年上半年累計(jì)融資超過 50 億元，估值超過 200 億元，本輪融資引入國(guó)新基金、中網(wǎng)投等國(guó)家級(jí)產(chǎn)業(yè)基金，多重國(guó)資與產(chǎn)業(yè)資本加注，充分印證市場(chǎng)對(duì)其端側(cè)全棧路線的高度認(rèn)可。
對(duì)一家 2022 年孵化于清華大學(xué) NLP 實(shí)驗(yàn)室的模型公司來說，這些變化也在重新劃定它的競(jìng)爭(zhēng)邊界。面壁需要回答的，不再只是如何訓(xùn)練出更高密度的大模型，還包括如何穿過芯片、硬件、供應(yīng)鏈和行業(yè)交付之間的層層接口。
這也是端側(cè) AI 走向規(guī)?；仨毣卮鸬膯栴}：
當(dāng)模型離開云端、進(jìn)入真實(shí)設(shè)備和生產(chǎn)現(xiàn)場(chǎng)，競(jìng)爭(zhēng)的核心究竟是模型能力，還是一套貫穿模型、芯片、硬件、開發(fā)生態(tài)和行業(yè)交付的全棧體系？
云端大模型可以不斷增加參數(shù)和算力，終端卻受制于內(nèi)存、功耗、散熱，以及不同芯片、計(jì)算架構(gòu)和軟件棧。模型太大，設(shè)備裝不下；功耗太高，續(xù)航和發(fā)熱難以控制；響應(yīng)太慢，實(shí)時(shí)交互也很難成立。
在有限空間里，裝下更強(qiáng)智能
面壁智能 CTO 曾國(guó)洋此前接受媒體采訪時(shí)直言：" 如果模型太大，跑不動(dòng)就是跑不動(dòng)，補(bǔ)貼錢沒用；功耗太高會(huì)發(fā)熱，你不可能補(bǔ)貼一個(gè)冰塊。"
因此，端側(cè)模型很難沿用云端大模型的競(jìng)爭(zhēng)方式。能力強(qiáng)不強(qiáng)依然重要，但還要看這些能力消耗了多少參數(shù)、內(nèi)存和算力。同樣的硬件條件下，模型的知識(shí)密度越高、運(yùn)行效率越高，留給操作系統(tǒng)、傳感器和其他應(yīng)用的資源就越多，整機(jī)成本也更容易控制。
面壁智能所說的 " 知識(shí)密度 "，指的正是單位參數(shù)和單位資源能夠承載多少有效智能。它并非單純追求把模型做密，是希望在濃縮的同時(shí)，盡量保留推理、知識(shí)、代碼和智能體等能力。對(duì)端側(cè)產(chǎn)品來說，這種比例往往比模型的絕對(duì)規(guī)模更重要。
MiniCPM 過去兩年的演進(jìn)，基本圍繞這條路線展開。2024 年 2 月，面壁智能首次開源 2B 規(guī)模的 MiniCPM，嘗試證明輕量化模型也可以達(dá)到可用水平。此后，MiniCPM 逐步擴(kuò)展到文本、多模態(tài)、語音和具身智能，并開始進(jìn)入汽車和智能硬件。截至 2026 年 6 月底，系列模型累計(jì)下載量超過 3800 萬次，已搭載于吉利銀河 M9、長(zhǎng)安馬自達(dá) EZ-60 等車型。
開源下載量反映關(guān)注度，終端搭載才是真正的檢驗(yàn)。模型能否在既定芯片、功耗和成本下運(yùn)行，比榜單上的幾分之差更重要。
論壇上發(fā)布的 MiniCPM5-2B 延續(xù)了這一路線。同系列此前開源的 1B 版本只有 10 億參數(shù)，INT4 量化后體積約 0.5GB，可以部署在手機(jī)、平板、電腦和車機(jī)上。按照面壁公布的數(shù)據(jù)，這款模型在 AA 榜單中獲得 17.9 分，達(dá)到這一水平所使用的輸出 Token 約為 1500 萬，部分能力相近的大尺寸模型則需要超過 2.68 億輸出 Token。
這組數(shù)據(jù)所反映的，不只是訓(xùn)練效率。訓(xùn)練成本越低，模型迭代和適配的速度越快；量化后對(duì)存儲(chǔ)和內(nèi)存的占用越少，也越容易進(jìn)入現(xiàn)有終端。這些技術(shù)指標(biāo)最終會(huì)影響芯片選型、響應(yīng)速度、續(xù)航和整機(jī)成本。
李大海在采訪中給出了一個(gè)更直觀的參照。按照面壁的評(píng)測(cè)口徑，1B、2B 規(guī)模的 MiniCPM 模型，已經(jīng)可以在部分任務(wù)上達(dá)到兩年前 GPT-4o 的能力水平。不同模型很難脫離具體任務(wù)和評(píng)測(cè)方法直接比較，但這個(gè)變化本身值得注意，過去只能由更大模型完成的一部分任務(wù)，正在被壓縮進(jìn)更小的參數(shù)空間。
面壁智能總裁雷升濤提到，一家合作伙伴曾用 20 多億參數(shù)的 Dense 模型完成產(chǎn)品原型，但模型在可接受成本的硬件上運(yùn)行太慢，遲遲無法投產(chǎn)。換用知識(shí)密度更高、運(yùn)行效率更好的模型后，能力和速度達(dá)到要求，產(chǎn)品才得以上市。
原型驗(yàn)證可以依靠額外算力，量產(chǎn)卻會(huì)受很多因素約束。模型少占一些內(nèi)存、降低一點(diǎn)功耗、縮短一些延遲，都可能影響產(chǎn)品能否落地。知識(shí)密度因此不只是模型指標(biāo)，也關(guān)系到產(chǎn)品能否成立。
面壁智能與清華大學(xué)團(tuán)隊(duì)此前提出 " 密度定律 "，認(rèn)為開源大模型的最高能力密度約每 3.5 個(gè)月翻一番，同等智能所需的參數(shù)規(guī)模會(huì)持續(xù)下降。李大海將其稱為面壁的 " 第一性原理 "。面壁選擇端側(cè)路線，很大程度上建立在這個(gè)判斷之上。李大海稱，未來模型能力還會(huì)繼續(xù)提高，但承載這些能力所需的參數(shù)、算力和能耗會(huì)不斷下降。
在李大海的設(shè)想中，端側(cè)模型最終要在遠(yuǎn)低于 30 瓦的功耗下，形成接近甚至超過普通人的智能水平。這仍是一個(gè)長(zhǎng)期目標(biāo)，但它解釋了面壁為什么從文本模型一路擴(kuò)展到視覺、語音、全模態(tài)和具身智能。幾條產(chǎn)品線看似分散，但底層方向相同，都是把更多能力壓縮進(jìn)有限的計(jì)算資源，再送入不同類型的終端。
此次展示的 MiniCPM-V 4.6、MiniCPM-o 4.5 和 VoxCPM2，分別覆蓋視覺、全模態(tài)和語音。相比文本模型，它們要處理更多圖像、聲音和環(huán)境信息，對(duì)內(nèi)存、帶寬和響應(yīng)速度要求更高。模型壓縮得夠不夠、響應(yīng)快不快、能否適配不同手機(jī)和車載平臺(tái)，都會(huì)直接影響部署成本和使用體驗(yàn)。
模型變小，只解決了 " 裝得進(jìn)去 " 的問題。手機(jī)、汽車和機(jī)器人采用的芯片與軟件環(huán)境不同，同一模型可能需要分別適配。面壁的 ARK 推理框架，就是為了縮短這一步。
端側(cè)模型的競(jìng)爭(zhēng)因此有兩層，即先把更多能力融入知識(shí)密度更高的模型，再讓它在不同設(shè)備上穩(wěn)定運(yùn)行。終端廠商最終關(guān)心的是能否裝進(jìn)去，跑得夠不夠快，功耗能能否控制，以及成本能否支撐量產(chǎn)。
02
VLA 具身模型發(fā)布，AI 進(jìn)入真實(shí)世界
面壁智能在論壇上發(fā)布的全新 VLA 具身模型，將端側(cè) AI 進(jìn)一步帶入機(jī)器人和物理世界。
過去的大模型主要處理寫作、搜索、問答等數(shù)字任務(wù)，機(jī)器人則要在真實(shí)環(huán)境中感知周圍、規(guī)劃動(dòng)作、執(zhí)行任務(wù)，并在失敗后及時(shí)調(diào)整。
這類任務(wù)很難完全依賴云端。因?yàn)檎桂^、園區(qū)、工廠和倉(cāng)儲(chǔ)的網(wǎng)絡(luò)未必穩(wěn)定，部分視頻和業(yè)務(wù)數(shù)據(jù)也不適合上傳。況且，機(jī)器人操作還要求實(shí)時(shí)響應(yīng)，延遲不僅影響效率，在一些場(chǎng)景中還關(guān)系到安全。
云端提供外部能力，端側(cè)完成實(shí)時(shí)感知、本地判斷與現(xiàn)場(chǎng)執(zhí)行
面壁智能此前已發(fā)布 MiniCPM-Robot，這是一款 1.5B 參數(shù)端側(cè) VLA 模型。VLA 即 Vision-Language-Action，從多模態(tài)理解模型出發(fā)，融入與真實(shí)世界交互的能力。面壁智能采取了一條 " 從面到點(diǎn) " 的反向路徑，以通用智能為起點(diǎn)，讓機(jī)器人直接處理普適、長(zhǎng)程、流水線式任務(wù)，而非先鎖定單一場(chǎng)景做專用 Skill 再擴(kuò)展。兩年半的 MiniCPM-V/O 多模態(tài)積累，讓 MiniCPM-Robot 具備高效的視覺 Token 壓縮能力，在保留完整歷史觀測(cè)記憶的同時(shí)，計(jì)算量與不保留記憶時(shí)持平。
此次發(fā)布的 VLA 具身模型延續(xù)了這一路線。通過壓縮視覺 Token，機(jī)器人在長(zhǎng)程任務(wù)中可以保留完整的歷史觀察，用于后續(xù)判斷，同時(shí)不會(huì)明顯增加計(jì)算開銷。
雷升濤將面壁選擇具身智能的標(biāo)準(zhǔn)概括為三點(diǎn)：場(chǎng)景是否真正需要端側(cè)，方案能否規(guī)模復(fù)制，產(chǎn)品能否形成商業(yè)閉環(huán)。園區(qū)和倉(cāng)儲(chǔ)網(wǎng)絡(luò)不穩(wěn)定，部分?jǐn)?shù)據(jù)不宜上傳；相比一次性交付項(xiàng)目，面壁更看重可復(fù)制的產(chǎn)品；模型裝進(jìn)設(shè)備后，也要給用戶帶來愿意付費(fèi)的價(jià)值。具身智能同時(shí)符合這三個(gè)條件。
WAIC 期間，面壁智能聯(lián)合樂聚機(jī)器人展示了展廳導(dǎo)覽和園區(qū)巡檢 Agent。導(dǎo)覽機(jī)器人可在無網(wǎng)環(huán)境下完成講解、問答、環(huán)境理解、路線規(guī)劃和避障；巡檢方案結(jié)合多模態(tài)模型與 CV 模型，可識(shí)別 30 余種異常，檢測(cè)成功率超過 95%，敏感數(shù)據(jù)留在本地處理。
進(jìn)入企業(yè)現(xiàn)場(chǎng)后，機(jī)器人還要完成一連串連續(xù)任務(wù)，并能在某個(gè)環(huán)節(jié)出錯(cuò)時(shí)及時(shí)重試和恢復(fù)。面壁為此推出 RoboHarness 框架，負(fù)責(zé)統(tǒng)一調(diào)度 VLA 模型、導(dǎo)航系統(tǒng)等模塊，管理長(zhǎng)程任務(wù)中的上下文和記憶。
在與吉利汽車的合作中，雙方圍繞生產(chǎn)倉(cāng)儲(chǔ)場(chǎng)景共同訓(xùn)練 VLA 模型，將多模態(tài)模型、機(jī)器人本體和導(dǎo)航系統(tǒng)接入 RoboHarness，推動(dòng)具身智能進(jìn)入實(shí)際生產(chǎn)流程。
機(jī)器人進(jìn)入真實(shí)生產(chǎn)場(chǎng)景后，穩(wěn)定運(yùn)行、失敗恢復(fù)和持續(xù)迭代都成為硬性指標(biāo)，端側(cè)模型也由單一功能模塊逐漸進(jìn)入企業(yè)生產(chǎn)系統(tǒng)。
03
從 "AI for AI" 標(biāo)準(zhǔn)到開發(fā)者生態(tài)，
端側(cè) AI 補(bǔ)基礎(chǔ)設(shè)施
端側(cè) AI 規(guī)?；涞?，還有一個(gè)經(jīng)常被忽略的問題，那就是模型如何真正被企業(yè)和開發(fā)者使用。
在云端，大模型通常以 API 或私有化部署方式提供服務(wù)。到了端側(cè)，不同設(shè)備采用不同芯片平臺(tái)，對(duì)應(yīng)不同軟件棧、量化方案和推理優(yōu)化路徑，同一個(gè)模型進(jìn)入手機(jī)、汽車、機(jī)器人和工業(yè)設(shè)備，需要分別處理部署和適配。
論壇上，面壁智能與中國(guó)信息通信研究院人工智能所聯(lián)合啟動(dòng)《AI For AI 標(biāo)準(zhǔn)》并做前瞻發(fā)布。"AI for AI" 是指用 AI 參與模型訓(xùn)練、代碼開發(fā)、系統(tǒng)優(yōu)化和應(yīng)用構(gòu)建，提升 AI 系統(tǒng)本身的開發(fā)效率。
補(bǔ)齊基礎(chǔ)設(shè)施，模型才能跑向更多終端
該標(biāo)準(zhǔn)將 AI 參與模型研發(fā)的程度分為五級(jí)，從 L1 提示建議、L2 輔助研發(fā)，到 L3 自主生產(chǎn)、L4 自我改進(jìn)，再到 L5 協(xié)同演化，面壁深度參與標(biāo)準(zhǔn)制定。
這套標(biāo)準(zhǔn)要解決三個(gè)問題，即能力分級(jí)是否可對(duì)齊，信任判斷是否可傳遞，評(píng)測(cè)判據(jù)是否可驗(yàn)證。從更長(zhǎng)的技術(shù)周期看，AI for AI 是 Scaling Law 之后的 " 二級(jí)火箭 "，當(dāng)算力和電力成為一級(jí)火箭的天花板，提升智能轉(zhuǎn)換效率成為新的增長(zhǎng)變量。
面壁在中國(guó)的訓(xùn)練實(shí)踐中，模型工程效率提升了 100 倍。
ForgeTrain 訓(xùn)練框架是這一方向的落地。它是全球首個(gè)完全由 AI 編寫、零人類代碼介入的生產(chǎn)級(jí)大模型訓(xùn)練框架，在英偉達(dá) H100 上訓(xùn)練速度超過英偉達(dá)自研的 Megatron 框架 10%，在華為昇騰系列上已完整跑通預(yù)訓(xùn)練流程。
面壁使用 ForgeTrain 在昇騰芯片上完成 MiniCPM5-1B 預(yù)訓(xùn)練，該模型在 AA 榜單位列 2B 規(guī)模以下第一。BitCPM-CANN 是中國(guó)首個(gè)基于昇騰訓(xùn)練的 1.58-bit 端側(cè)大模型，包含 0.5B 到 8B 四個(gè)尺寸，相比傳統(tǒng) BF16 精度，推理階段釋放約 6 倍顯存紅利，模型能力保留率維持在 90% 到 97.2%，意味著同樣的設(shè)備內(nèi)存可以承載遠(yuǎn)超以往的模型能力。
標(biāo)準(zhǔn)和工具之外，端側(cè) AI 還需要開發(fā)者生態(tài)。論壇上，面壁聯(lián)合開源社區(qū) OpenBMB 啟動(dòng) " 全球開發(fā)者大使計(jì)劃 " 和 "MiniCPM 火種計(jì)劃 "，面向開發(fā)者開放資源。上海期智研究院、光速進(jìn)化等開發(fā)者代表分享了在智能眼鏡、智能家庭領(lǐng)域的成果。
Neuters
松果派是面壁推出的端側(cè) AI 原生開發(fā)硬件，集成多模態(tài)硬件、MiniCPM 系列模型和 Agent 運(yùn)行環(huán)境，開發(fā)者可通過自然語言指令直接驅(qū)動(dòng)硬件功能開發(fā)，支持全鏈路離線運(yùn)行。
PilotDeck 是面壁聯(lián)合清華大學(xué) THUNLP 實(shí)驗(yàn)室、OpenBMB 和 AI9stars 在 5 月開源的智能體操作系統(tǒng)，以 "WorkSpace" 為核心設(shè)計(jì)，可同時(shí)操作多個(gè)互不干擾的任務(wù)，支持 AI 智能體 24 小時(shí)在線工作。AgentVerse 則面向智能體開發(fā)和協(xié)作，端側(cè)模型加入后可在本地設(shè)備上承擔(dān)實(shí)時(shí)和隱私敏感任務(wù)。
面向行業(yè)伙伴，面壁同步推出了 " 面壁 + 行業(yè)伙伴計(jì)劃 "。面壁提供基礎(chǔ)模型、AgentVerse 平臺(tái)、私有化部署、算力和商業(yè)化渠道，合作伙伴則帶來行業(yè)認(rèn)知、業(yè)務(wù)規(guī)則、私有數(shù)據(jù)、應(yīng)用場(chǎng)景和客戶資源。
論壇現(xiàn)場(chǎng)，來自政務(wù)、財(cái)務(wù)、教育、風(fēng)控等領(lǐng)域的八位合作伙伴分享了落地成果。雷升濤在采訪中提到，客戶現(xiàn)在更關(guān)心論文中的技術(shù)細(xì)節(jié)和具體落地周期，而不再只是了解模型和公司。
在他看來，面壁也正從單純的技術(shù)提供者，轉(zhuǎn)向端側(cè) AI 生態(tài)的建設(shè)者?？蛻魡栴}的變化，反映出端側(cè) AI 正在從技術(shù)展示走向?qū)嶋H部署。
04
AIBox 首發(fā)，
模型公司進(jìn)入汽車量產(chǎn)體系
機(jī)器人驗(yàn)證了端側(cè) AI 進(jìn)入物理世界的可能性，汽車則是端側(cè)智能規(guī)?；桓蹲钪匾娜肟凇?/p>
論壇上，長(zhǎng)安汽車與面壁智能完成戰(zhàn)略合作簽約，汽車行業(yè)共研 AIBox 正式首發(fā)。三方角色清晰，長(zhǎng)安以前瞻 EE 架構(gòu)開放整車生態(tài)接口，英特爾提供面向大模型優(yōu)化的芯片底座，面壁將 SuperMate 2.0 部署其中，注入深度記憶、情景理解和主動(dòng)行動(dòng)能力。
英特爾副總裁、端側(cè)計(jì)算和物理 AI 事業(yè)部中國(guó)區(qū)總經(jīng)理高嵩現(xiàn)場(chǎng)致辭并與面壁簽署合作備忘錄，合作從車載拓展到家居領(lǐng)域。目前方案已在長(zhǎng)安馬自達(dá) EZ-60 等多款車型落地，目標(biāo)年底助力 30 萬輛量產(chǎn)車搭載。
端側(cè)智能上車面臨一個(gè)現(xiàn)實(shí)矛盾，即車機(jī) SoC 從選型到量產(chǎn)通常需要兩三年，大模型卻每三四個(gè)月就會(huì)迭代一輪。傳統(tǒng)座艙架構(gòu)很難跟上模型更新速度。
AIBox 試圖用獨(dú)立算力模塊解決這一問題。它不依賴原有座艙 SoC，可以獨(dú)立升級(jí)和擴(kuò)展，為車載大模型提供本地算力，兼顧低延遲與數(shù)據(jù)隱私。未來，這套方案還計(jì)劃從汽車延伸到 PC 和家居等終端。
AIBox，連接兩種速度
面壁目前已完成 5 款主流座艙芯片的量產(chǎn)級(jí)適配，并在 6 款 AIBox 平臺(tái)上推進(jìn)商業(yè)化，驗(yàn)證了 68 個(gè)可量產(chǎn)場(chǎng)景。
但從產(chǎn)業(yè)落地看，車載 AI 仍面臨一個(gè)現(xiàn)實(shí)問題，即如何從語音助手升級(jí)，走向真正有價(jià)值的智能交互。
面壁智能相關(guān)負(fù)責(zé)人認(rèn)為，汽車座艙正在從屏幕操作轉(zhuǎn)向主動(dòng)的全模態(tài)交互。座艙通過聲音、圖像和車內(nèi)環(huán)境理解用戶需求，主動(dòng)提供服務(wù)，不再依賴用戶反復(fù)喚醒。
這類持續(xù)感知和本地推理，對(duì)延遲、隱私和算力都有較高要求，也是 AIBox 需要獨(dú)立算力的原因。李大海將端云分工概括為 " 端側(cè)主內(nèi)，云端主外 "，也就是說，端側(cè)掌握用戶狀態(tài)、場(chǎng)景和隱私信息，負(fù)責(zé)理解需求；云端補(bǔ)充外部知識(shí)和復(fù)雜能力。
30 萬輛交付本身也是一場(chǎng)壓力測(cè)試。面壁智能副總裁周樹峰在牛透社的采訪中談到，最容易被外界低估的是算法和芯片的融合。今天 95% 以上的汽車座艙沒有辦法直接運(yùn)行任何大模型，必須采用激進(jìn)的技術(shù)策略讓模型快速部署，同時(shí)還要兼容座艙平臺(tái)其他應(yīng)用和傳統(tǒng)算法占用的算力與存儲(chǔ)帶寬資源。
進(jìn)入汽車領(lǐng)域后，大模型廠商還要跨過芯片適配、整車集成、車規(guī)驗(yàn)證和長(zhǎng)期交付等環(huán)節(jié)。商業(yè)模式也從一次性交付，逐步轉(zhuǎn)向 License 授權(quán)、訂閱收費(fèi)和按效果付費(fèi)。
05
從行業(yè)方案到全棧布局，
端側(cè) AI 開啟體系化競(jìng)爭(zhēng)
此外，面壁智能還發(fā)布了 CPM for Legal、具身智能解決方案和 AgentVerse 行業(yè)方案，分別面向法律服務(wù)、機(jī)器人和企業(yè)智能體應(yīng)用，探索端側(cè) AI 進(jìn)入行業(yè)、融入業(yè)務(wù)流程的具體路徑。
CPM for Legal 是面壁推出的首款專業(yè)法律服務(wù)基礎(chǔ)設(shè)施級(jí)產(chǎn)品，由面壁與法信數(shù)智、競(jìng)天公誠(chéng)聯(lián)合打造，將大模型與智能體能力嵌入法律業(yè)務(wù)的具體流程。該業(yè)務(wù)由副總裁舒怡牽頭，面壁也由此開始圍繞行業(yè)落地，搭建專門的業(yè)務(wù)團(tuán)隊(duì)與交付體系。
具身智能解決方案則將 MiniCPM-Robot、RoboHarness 與機(jī)器人本體、導(dǎo)航系統(tǒng)連接起來，形成完整方案。這一方案已在吉利汽車的生產(chǎn)倉(cāng)儲(chǔ)場(chǎng)景，以及樂聚機(jī)器人的導(dǎo)覽、巡檢場(chǎng)景中得到驗(yàn)證。AgentVerse 主要服務(wù)企業(yè)智能體應(yīng)用，端側(cè)模型可以在本地承擔(dān)實(shí)時(shí)響應(yīng)和隱私敏感任務(wù)。/p>
這套行業(yè)拓展路徑，需要依靠合作伙伴補(bǔ)足行業(yè)能力。面壁提供基礎(chǔ)模型、AgentVerse 平臺(tái)、私有化部署和商業(yè)化渠道，合作伙伴則帶來行業(yè)知識(shí)、業(yè)務(wù)規(guī)則、私有數(shù)據(jù)和客戶場(chǎng)景。
李大海將 " 行業(yè)認(rèn)知與端側(cè) AI 的結(jié)合 " 視為護(hù)城河。雷升濤則將面壁定位為技術(shù)使能者，由面壁提供模型及智能體的感知、決策和執(zhí)行能力，合作伙伴補(bǔ)充行業(yè)知識(shí)、業(yè)務(wù)規(guī)則與客戶場(chǎng)景。
目前，面壁已進(jìn)入航天、工業(yè)、民航、醫(yī)療和家居等領(lǐng)域。圍繞這些場(chǎng)景，面壁正在搭建覆蓋模型、訓(xùn)練工具、AIBox、Agent 平臺(tái)和行業(yè)方案的端側(cè) AI 體系。
從模型到交付，形成完整鏈路
手機(jī)、汽車、機(jī)器人和工業(yè)設(shè)備的芯片與軟件環(huán)境各不相同，模型進(jìn)入終端后，還要解決適配、部署和交付問題。
這也在改變大模型公司的競(jìng)爭(zhēng)方式。模型能力仍是基礎(chǔ)，但真正拉開差距的，是能否把技術(shù)做成產(chǎn)品，嵌入設(shè)備和業(yè)務(wù)流程，并實(shí)現(xiàn)規(guī)?；桓?。
端側(cè) AI 也許不會(huì)取代云端，更現(xiàn)實(shí)的分工是，云端負(fù)責(zé)復(fù)雜計(jì)算和知識(shí)供給，端側(cè)承擔(dān)實(shí)時(shí)感知、本地決策和現(xiàn)場(chǎng)執(zhí)行。競(jìng)爭(zhēng)重心也將從模型榜單轉(zhuǎn)向真實(shí)終端。芯片能否適配，設(shè)備能否穩(wěn)定運(yùn)行，方案能否批量復(fù)制，決定了技術(shù)最終能走多遠(yuǎn)。模型跑分只能證明能力，規(guī)模交付才能建立壁壘。
●他給銀行寫了一年盡調(diào)報(bào)告，發(fā)現(xiàn) AI 最難的不是快，是準(zhǔn)
●她招了 20 個(gè) 00 后駐場(chǎng)寫代碼，一年半踩完兩類坑
●「用結(jié)果評(píng)價(jià)決策」是 AI 正在放大的一個(gè)誤區(qū)
點(diǎn)擊左下角 " 閱讀原文 ", 報(bào)名 ToBAI 產(chǎn)研大會(huì)
