美國AI要抄我們作業，憑什么？

7000多億美元

堆不出一個"懂事"的AI

7000多億美元，這是今年美國四大巨頭的資本開支。

海量金錢，砸向AI數據中心。

萬億參數、萬卡集群、天價訓練成本，AI巨頭們生怕錢不夠多，堆不起更大的算力。他們都相信行業鐵律，參數量越大，效果越好。

難道AI就是場巨頭的游戲，普通人根本摸不到門？美國之外的其他國家，沒錢沒資源沒算力，AI注定落后？

鐵律并非牢不可破，AI還有很多機會，甚至就在身邊，就在你的手機里。

你有沒有覺得，自己手機里的AI特別笨？

我和手機里的AI語音聊天，只能我說一句，它答一句，和對講機似的。

我停頓換氣，稍一遲疑，它就以為我不說了，趕緊打斷。

它看不到我眼前的世界，猜不透我的言外之意。

這就是云端"算力軍備競賽"忽視的痛點，手機、汽車等直面物理世界的端側，缺少合適的智能覆蓋。

“云端”擴大數據規模，堆砌算力，訓練出的AI是算力強大的"實驗室工具"。

但AI終將走向人人都要用的基礎設施，這一過程中的關鍵躍遷就發生在端側。

歷史上就發生過類似的躍遷。

最初的計算機巨大笨重，IBM早年甚至說全球只需要五臺大型主機。幾十年后，手機和個人電腦卻把智能終端做小做普及了。

核心不是把計算機越做越大，而是越做越高效，離大眾越來越近。

美國靠著算力優勢，領跑云端大模型，中國就得找到差異化競爭路徑。

中國AI，給全球探路

中國擁有海量的人口和龐大的實體經濟規模，應用場景極為豐富，信息技術產業集群足以支撐端側AI在豐富的場景中落地。

美國跑出AI這條新賽道，想要對其他國家實現"單點技術碾壓"。

但這樣一邊倒的技術領先并未發生，反倒是在生態與場景的深度耦合上，中國AI正在率先定義技術路線。

比如這個月，OpenAI推出GPT-Live，全球媒體歡呼"語音交互革命"。AI終于能"邊聽邊說"，告別了死板的"回合制"。

可是"全雙工"，和人實時對話，早在五個月前，就由一款中國AI產品，面壁智能MiniCPM-o 4.5實現了。

而且MiniCPM-o 4.5的全雙工還是全模態的，只有9B參數的它，在端側能做到視覺理解、文檔解析、語音生成、聲音克隆。

舉個例子，你在外面玩的時候，和它對話，它不僅能邊聽邊說，還能隨時感知環境變化。你冷不丁問它“這是什么水果”，它也能“看到”手機鏡頭前的水果并對答如流。

OpenAI在端側晚了五個月，成了中國技術的追趕者。

而推出MiniCPM-o 4.5的公司面壁智能，可不是第一次受到美國學術界關注。

早在2024年，面壁智能推出的大模型就被斯坦福大學學生團隊套殼抄襲。

這次抄襲事件引發AI社區廣泛討論，以抄襲者刪庫跑路結束。很明顯，國內原創研究，早就在全球頂級學術機構關注范圍內了。

中國搭建技術生態，從底層原理做起

面壁智能怎么敢押注端側，走美國人沒走的那條路？

原因在于他們發現的密度定律：每隔3.5個月，實現相同智能所需的模型參數量就減半。

與此同時，摩爾定律揭示了每隔一年半，芯片性能提升一倍。

兩條趨勢相向而行，端側AI效果提升，成本降低，響應速度比云端快，高性能AI大規模下沉到小型終端芯片成為可能。

密度定律直接預測了端側AI的發展，依靠這一定律進行的優化，催生出了端側領先的技術。

有了底層原理，下一步是搭框架。

面壁智能聯合清華大學發布的ForgeTrain，就是全球首個完全由AI編寫、零人類代碼介入的生產級大模型訓練框架。

在英偉達H100上，訓練速度超越英偉達自研的Megatron框架10%。在華為昇騰上完整跑通預訓練。

AI寫的框架，在國產芯片上運行，訓出領先的AI模型，這個閉環被打通了。

AI制造AI，從寫函數、改腳本的碎片化環節，推進到了可展示、可評測、可復現的工程樣本，AI自我迭代的閉環初步實現。寫代碼的邊際成本趨近于零，我們不再需要花十年堆另一個CUDA，國產芯片將會由AI鍛造專屬軟件生態。

在此基礎上搭建的MiniCPM系列開源模型，在GitHub、Hugging Face等平臺累計下載量突破3800萬。MiniCPM-o 4.5一出，其覆蓋文本、全模態、語音等類別的能力肉眼可見。

端側全鏈路技術生態的閉環搭建好了，很快面壁智能就得到更多關注，在2026年初，作為共建單位參與北京市端側智能重點實驗室建設。面壁智能聯合創始人兼首席科學家劉知遠擔任實驗室主任。

更多的驚喜來自端側合作的廠商。

搭載MiniCPM多模態模型的長安馬自達EZ-60、吉利銀河M9已經量產上市。

面壁智能與全球頭部手機廠商深度合作。

AIPC、智能家居、具身智能等重要端側，廠商和面壁智能的合作全部落地。

中國的競爭優勢，在這些領域顯現出來——更豐富的智能終端市場、應用場景和產業集群。

在汽車、手機、具身智能等端側，AI的競爭不僅是算法競爭，更是"場景密度×數據反饋×產業協同"的系統競爭，AI就在這些社會和產業的神經末梢實現價值，滲透到千千萬萬差異化的場景中，在大量數據反饋中千錘百煉，不斷進化。

下半場，你的手機就是主戰場

你眼前的手機、電腦里藏著海量閑置算力。只要有電，甚至不需要聯網，它就能7×24小時本地運行，不斷理解你真實的需求。

這才是智能革命的底層邏輯。

面壁智能在端側細分賽道上，已經是在領跑了。

畢竟MiniCPM-o 4.5發布五個月后，GPT-Live才發布。

而業界把“AI制造AI”當做前沿AI研究路線時，劉知遠已經在展望端側AI自主訓練的未來了：

“在未來三到五年的時間里，會有越來越多的終端具備更強智能，當個人的模型也具備了自主學習能力和協同能力時，就會形成一個重要的奇點：這個世界上每個人都會有專屬于自己的，持續成長的模型，成為每個人越來越貼心的、懂你的助手。”

云端大模型參數規模固然重要，但歸根結底還是要落到應用，在離用戶最近的端側跑起來。

在端側的行業落地經驗、場景理解能力和產業化速度，正是中國大模型公司的差異化競爭力。回頭一看，中國公司甚至不僅僅是并跑，而是領先了。

上半場大模型在云端沖擊AI的高度，下半場在端側拓寬AI的廣度。

而抓住端側機遇的中國企業，滲透進汽車、手機、電腦、機器人，悄然定義端側競爭的技術路線與產業標準。

端側AI的終極目標不是替代云端，而是在端側讓AI實時反應、處理、運行、解決問題，形成的是"端云協同"的新基礎設施。

面壁智能做到的，是提出端側的原創理論，在此基礎上發展出支撐起生態的端側模型，并在落地場景中不斷進化。

中國AI的差異化新敘事，就是這樣跑出來的。