端側AI的“火把”，為什么由面壁智能點燃？

最近，AI手機大戰已經愈演愈烈了。蘋果智能選擇與通義千問合作，采用端云結合的方案，而三星“蓋樂世AI”由面壁智能MiniCPM系列深度賦能，標志著中國端側AI大模型規模化賦能全球頂級終端廠商。

不僅終端廠商集體下場，政策層面也釋放了鮮明的信號。

7月15日，國家網信辦首次公布了7款手機端側大模型的備案名單，蘋果、華為、小米、三星等海內外主流終端品牌悉數上榜。端側AI正式告別“無證駕駛”，進入合規運營階段。

值得一提的是，在本次完成備案的七家手機端AI技術供給方中，面壁智能是唯一一家以端側模型能力參與備案的大模型企業。

回望過去三年，整個AI行業長期被云端優先的敘事主導。行業普遍認為模型參數越大、集中式算力越強，才是AI發展的唯一路徑。但如今，市場現實、政策導向與硬件迭代，正在合力推翻這套固有假設。

2026年，端側AI市場規模預計將突破8000億元，AI推理計算需求將達到訓練需求的4到5倍。政策層面，政府工作報告將“促進新一代智能終端和智能體加快推廣”寫入國家戰略，從消費電子到智能座艙，從具身機器人到行業應用，越來越多的終端正在擁有自己的端側模型。

行業浪潮下，端側AI急需一個全棧方案的提供者：一個不只給模型，還能打通從芯片適配到量產交付整條鏈路的人。但行業過去都在押注云端，誰能為端側AI點燃火種？

我們在WAIC 2026上注意到，面壁智能正在輸出這樣一套全棧方案。具身智能賽道，攜手樂聚機器人打造純離線運行的導覽、巡檢智能體方案；智能汽車領域，自研座艙系統SuperMate已落地超30萬臺量產車，合作覆蓋長安、吉利、上汽大眾、廣汽等多家車企。

從手機到具身智能、智能座艙，橫跨多賽道的落地成果證明面壁智能正在端側產業荒原上搭建起一套從底層模型到量產交付、完整閉環的產業助燃體系。扎實的技術實力與規模化落地能力也收獲了資本市場的高度認可。

2026上半年，面壁智能融資總額超50億元，估值突破200億，穩坐國內端側AI獨角獸頭部位置。

那么，面壁智能何以成為端側賽道上第一個舉起火把的人？這場由云向端的算力大遷移中，面壁如何將它傳遞到真實世界的每一個終端？

要理解端側智能的產業意義，不妨回溯一個簡單卻深刻的歷史類比。

人類掌握火種之后，很長一段時間里，火只在少數地方燃燒。部落的篝火、工坊的熔爐、城堡的壁爐……火的力量顯而易見，但大多數人對它的使用方式相當原始：集中在一個地方，需要用的時候走過去。直到有人開始把火種分裝成可攜帶的火把、火折、火柴，火才真正走進每個人的日常生活。

AI產業正在經歷同樣的演進。過去三年，以GPT、Claude等為代表的云端大模型就像集中發電站一般證明了AI的潛力。但正如火只有進入千家萬戶才有社會價值，AI只有走進真實世界的萬千終端，才能完成從炫酷技術到基礎設施的跨越。這就是端側智能崛起的底層邏輯。

而行業真實情況也驗證了這一趨勢。

一方面，傳統云端AI模式的結構性瓶頸日益凸顯，難以適配規模化、常態化的產業落地需求。云端推理高度依賴遠程算力調度，隨著AI用戶規模持續擴張、應用場景不斷豐富，算力成本呈指數級上漲。應用規模越大、虧損越嚴重的困境長期困擾著云端AI的商業落地，始終無法形成健康可持續的盈利模式。與此同時，云端遠程調用的架構天生存在諸多缺陷。實時交互場景下的網絡延遲問題嚴重影響工業、自動駕駛等終端用戶體驗。海量數據上傳云端的傳輸模式則滋生了隱私泄露、數據合規等風險。多重痛點疊加讓云端模式根本無法滿足AI應用隨取隨用、安全可控、低延遲響應的核心需求。

另一方面，終端算力的跨越式躍升，為端側智能的規模化落地筑牢了硬件根基，搭建起適配本地AI運行的專屬電網。各大芯片廠商持續深耕端側算力賽道，不斷迭代優化端側NPU架構，持續突破終端AI算力上限，如今各類智能終端已具備獨立輕量化、本地化運行大模型的硬件基礎。旗艦手機NPU普遍超過三十TOPS，車載AI Box算力最高可達180–200TOPS。在此背景下，手機、PC、汽車等終端廠商正在將AI能力作為核心競爭力與差異化賣點。行業整體正式從依賴云端AI調用轉向自主布局、自研自用端側AI的全新階段。

縱觀AI產業的發展歷程，行業已先后走完內容生成、智能推理、自主行動三大發展階段，如今正式邁入真實世界落地的全新階段。與前三個虛擬場景階段不同，真實物理世界的AI應用具備高實時性、高數據敏感性、多離線場景的核心特征，對AI的響應速度、數據安全、離線適配能力提出了極高要求。這恰恰是云端AI的短板、端側AI的優勢。

因此，端側要有足夠強的模型、足夠成熟的部署工具鏈、足夠完整的產業生態。而誰來構建端側智能的基礎設施，成了智能在終端全面爆發的第一個靈魂拷問。

在AI產業高速迭代的數年間，端側AI在很長一段時間里一度是一塊無人深耕的空白賽道。并非沒有人意識到終端智能的價值，但絕大多數團隊在評估了算力約束、模型壓縮的精度損失、端側部署的工程復雜度之后，選擇了繼續留在云端這片已經被驗證過的舒適區。

面壁智能卻在三年前就看到了這片沒有火種的荒蕪之地。2024年，當全行業仍在追逐云端大模型的參數規模時，面壁智能便開始將公司核心資源投向端側，成為業內首個布局、首個量產落地、首個全棧All in端側AGI的模型企業。

如今回看，面壁智能在WAIC 2026上展示的全棧成果，正是過去三年在這片荒蕪之地上持續耕作的結果。區別于行業多數企業單點突破、碎片化布局的模式，面壁智能以密度定律為內核，從模型層、訓練層、系統層、硬件層搭建了一套完整的端側AI基礎設施。

模型層，用最小的燃料燒出最旺的火，以輕量化高性能模型矩陣筑牢端側智能核心基座。端側AI基礎設施的起點是模型層，面壁智能自研MiniCPM多模態家族持續踐行高效的技術路線，重構了行業對輕量化模型的認知。從2024年首發2B參數初代MiniCPM、首次驗證小參數模型亦可承載高階智能能力，到迭代出多模態能力頂尖、適配全場景的MiniCPM-V 4.6，再到本次WAIC重磅開源的MiniCPM-Robot系列模型，面壁智能自研模型完成了從感知、理解到真實世界行動的能力躍遷。

作為面壁智能首個具身智能技術成果，MiniCPM-Robot系列成果包括兩個具身智能模型：通用VLA模型MiniCPM-RobotManip以及面向移動機器人跟蹤導航的MiniCPM-RobotTrack。

MiniCPM-RobotManip僅1.5B，但能實現體量更大的3-4B模型的性能，綜合性能與QwenVLA、π0.5等知名VLA模型性能相近。而作為業內首個本地斷網部署跟蹤模型，MiniCPM-RobotTrack原生適配宇樹Go2 Edu，模型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，實現了純視覺的本地自主指令追蹤。

簡言之，依托極致的視覺Token壓縮技術，整個MiniCPM系列實現了輕量化、高精度與低延遲的兼顧，成為面壁端側AI方案的核心技術底座。但模型層并非孤立存在，面壁在模型層面的快速迭代離不開訓練層的底層支撐。

訓練層，讓AI學會自己添柴，以自進化框架打通模型持續迭代閉環。為破解端側模型迭代周期長、工程成本高、人工依賴度高的行業難題，面壁智能自研并開源ForgeTrain AI自進化框架，這是全球首個完全由AI自主編寫、零人類代碼介入的生產級大模型訓練框架。該框架不僅在英偉達H100芯片上訓練速度超越Megatron框架10%，還原生適配國產昇騰算力，實現了國產算力、國產模型、AI自研框架的全閉環迭代。依托這套自動化引擎，端側模型可完成自主訓練、優化、迭代升級，大幅降低研發成本、縮短迭代周期，讓端側智能能力得以持續進化。

而模型層的進化，最終要落到真實世界的場景中才有意義。只有進入終端、進入場景，端側智能才算真正走完了從技術到價值的閉環。智能汽車領域，面壁智能聯合長安汽車、英特爾發布業界首個大規模量產車載AIBox，搭載SuperMate 2.0智能座艙能力，實現毫秒級本地推理、高隱私安全防護，已落地長安馬自達EZ-60、吉利銀河M9等車型，年度量產規模有望突破30萬臺。具身智能領域，攜手樂聚機器人推出純離線可用的展廳導覽、園區巡檢兩大Agent方案，依托端側模型無網運行能力，破解展館、園區等信號盲區的作業難題，實現敏感數據本地處理、全程不出設備，兼顧實用性與數據合規性。

在極度碎片化的終端世界里，全棧就是壁壘。沒有全棧能力，就不可能在不同場景中快速復制。全棧能力的完整性使面壁智能能夠將端側AI從一次性演示轉化為可持續交付的產業能力。從智能汽車到具身智能，從手機到PC，面壁智能的端側AI能力正在覆蓋越來越多的行業場景。

從無人問津的產業荒原到星火燎原的時代風口，面壁智能率先點燃了端側智能的產業火種，并用全棧技術能力與量產落地成果向全行業證明了端側AI的未來。如今火種已燃，但對于面壁智能而言，這只是端側AGI賦能千行百業、定義AI真實世界時代的全新起點。

一個行業的發展通常遵循這樣的節奏：少數先行者預判趨勢、率先探路，頭部玩家跑通技術與落地路徑，最終行業標桿成型、統一標準體系、開啟規模化時代。面壁智能在端側AI領域的三年，恰好走完了這條線的驗證和量產階段，成為端側賽道上第一個真正拾柴、生火、傳遞火種的人。而2026年，它正在邁入第三階段——成為端側行業定義者。

最早拾柴，面壁智能入局端側比同行早了12到18個月。2024年，當全行業都在押注大參數、追趕OpenAI時，面壁智能做出了一個反共識的決定：布局端側路線。2024年2月，面壁智能開源2B參數MiniCPM模型，首次向全行業驗證了“輕量化模型亦可承載高階通用智能”的可行性，顛覆了業界參數越大、智能越強的固有認知，為整個端側行業奠定了技術落地的共識。

最早生火，跑通從實驗室到量產的全程。端側AI行業有一個長期困境：demo驚艷、量產尷尬。面壁用自研的壓縮、量化、推理優化工具鏈，把適配周期從半年壓到數周。2026年，超30萬臺量產車搭載SuperMate交付。從長安汽車到吉利汽車，從上汽大眾到廣汽集團，面壁智能的技術方案正在加速滲透汽車產業。消費電子領域，三星“蓋樂世AI”由面壁MiniCPM系列深度賦能。

車規級要求的是安全與穩定性，消費電子要求的是體驗與響應速度。能同時滿足這兩套差異巨大的標準說明面壁的端側AI能力已經具備了跨場景、跨行業的通用性。從長安到吉利，從三星到更多正在驗證中的終端品牌，面壁正在用一個個量產交付的案例證明：端側智能已經走出實驗室，具備大范圍商業化普及的確定性。

截至當前，MiniCPM系列開源模型全球累計下載量突破3800萬次，技術方案同步覆蓋具身智能、車載、法律、消費電子等多條賽道，多條商業化管線同步跑通，完整證明端側路線具備大范圍復制、穩定變現的商業可行性。

但面壁智能的野心不止于落地千行百業，因此，面壁做出了第三個選擇：搭建火堆，成為端側行業定義者。

北京市科學技術委員會、中關村科技園區管理委員會正式公布2025年北京市重點實驗室名單。以清華大學為依托單位，面壁智能、趨境科技為共建單位的“端側智能北京市重點實驗室”成功獲批成立，實驗室主任由面壁智能聯合創始人兼首席科學家劉知遠擔任。

實驗室匯聚三方優勢，形成產學研協同的創新聯合體。清華大學提供跨學科團隊在人工智能、軟硬協同優化等領域的理論積淀，面壁智能輸出端側大模型、智能體、高效開源工具鏈等技術研發能力，趨境科技則補上全系統異構協同推理的專長。三方的合力之下，實驗室將重點攻關高能力密度理論體系、軟硬協同架構、多模態融合、端側智能體、產業生態等課題方向，推動從模型研發到芯片優化再到應用落地的全鏈條創新。

WAIC 2026期間，該實驗室聯合北京智源人工智能研究院發布《端側智能2026——規模化落地的元年》報告，系統性地繪制了端側智能的技術演進圖譜、能力地圖和規模化路徑。

同期面壁還同步落地兩大生態布局：一是發布“面壁 +”行業伙伴計劃，開放MiniCPM模型、AgentVerse智能體平臺、工程交付全套能力，聯動政務、金融、教研、物業等七大領域頭部企業共建標準化行業AI方案，打通通用大模型垂直落地的“最后一公里”；二是聯合中國信通院啟動《AI For AI標準》制定，針對傳統Scaling Law受數據、算力、成本三重約束的瓶頸，以標準化體系錨定“AI 自主迭代研發”新路徑，大幅壓縮大模型迭代周期，為全行業提供 AI 自研生產的統一標尺。

多線布局之下，面壁智能正在清晰界定端側AGI與云端AGI的差異化定位標準。面壁智能的端側目標是：以低于30瓦功耗，讓端側具備與普通人相當的運動、判斷、智商及學習能力，實現機器人實用化與端側AGI。

未來兩到三年，面壁智能將全力推進端側真實世界ASI落地。對于行業而言，這意味著端側智能的火種已經點燃并傳遞到了足夠多的場景和伙伴手中；對于面壁智能自身而言，從先行者到定義者的角色轉變才剛剛開始。