面壁200億，壁壘有多厚

文 | 強調Next

7月15日，據媒體報道，面壁智能完成新一輪融資，2026年上半年累計融資超50億元，估值突破200億元，成為端側智能賽道估值最大的獨角獸。四天后，WAIC 2026現場，面壁智能公布了另一組數字：MiniCPM系列開源模型全球累計下載量突破3800萬次。

一家從清華實驗室走出來的公司，用四年時間把一門“非共識”生意，做成了資本市場愿意用200億元買單的“共識”。

但資本共識形成之時，通常也是先發優勢被稀釋的開始。過去兩年，阿里、字節、蘋果、高通等巨頭已經集中進入端側市場。面壁智能接下來要證明的，不再只是模型能否在終端運行，而是這些技術能否帶來持續收入，并沉淀為真正的商業壁壘。

01.半年50億，誰在下注

面壁智能的融資史，有一條清晰的主線。

據報道，面壁智能天使輪由知乎領投。2023年6月，時任知乎CTO的李大海出任面壁智能董事和CEO，負責公司戰略與日常運營。2024年，華為哈勃和春華創投領投新一輪融資，北京市人工智能產業投資基金等跟投。

2025年5月，洪泰基金、國中資本、清控金信和茅臺基金聯合投資。到當年12月，京國瑞、國科投資、中金保時捷基金、米聚資本與和基投資又共同投入數億元。

真正的加速發生在2026年。

2月底，面壁智能完成春節后的首輪融資，由中國電信領投，中信金石和中信私募跟投。4月，深創投和匯川產投聯合領投新一輪融資，道禾長期投資、國泰君安創新投、武岳峰科創等跟投。至此，北京、深圳兩地國資和多家產業資本均已進入股東名單。

7月披露的新一輪融資，又引入了國家級基金、央企、汽車制造商等投資方。按照面壁智能的說法，公司上半年累計融資金額已超過50億元。

這份股東名單里，幾乎看不到阿里、騰訊、字節這類同時布局云端模型、終端硬件和用戶入口的互聯網巨頭。相比之下，智譜、MiniMax等大模型公司都曾不同程度獲得大廠資本支持。面壁智能的資方結構更偏向“國資＋產業資本”：既有電信運營商、汽車制造商，也有地方國資基金和工業自動化企業。

背后的商業邏輯并不復雜。面壁智能希望成為車企、手機廠商和機器人公司的模型供應商，保持相對中立有利于拓展客戶。如果被某一家互聯網巨頭深度綁定，反而可能影響它與其他生態合作。

資本市場政策也改變了投資人的退出預期。2026年6月，證監會主席吳清在陸家嘴論壇上宣布，將科創板第五套上市標準的適用范圍擴大到人工智能領域，支持優質人工智能大模型企業上市。

這不等于面壁智能已經拿到上市入場券，但對于尚未形成穩定利潤的大模型公司，境內上市通道正在變得更清晰。對這一輪進入的國資和產業資本來說，面壁智能不再只是一個需要長期等待的技術項目，也可能成為一筆有明確退出方向的投資。

02.“密度定律”：學術成果，也是融資敘事

面壁智能能夠講出“我們更早看懂端側”的故事，核心支點是劉知遠團隊提出的“密度定律”（Densing Law）。

這一定律所說的“能力密度”，是模型的有效參數規模與實際參數規模之比。簡單理解，就是用更少的參數和更低的推理成本，做到過去只有更大模型才能完成的事情。

相關論文于2025年11月作為封面論文發表于《Nature Machine Intelligence》。論文分析了51個開源基礎模型，并在五項常用基準上擬合出一條經驗曲線：開源模型的最高能力密度大約每3.5個月翻一倍。

面壁智能國際知名度的提升，還與一場抄襲風波有關。

2024年5月，由兩名斯坦福本科生和另一名研究者組成的團隊發布Llama3-V，聲稱只花費約500美元便訓練出高性能多模態模型。項目很快被質疑大量套用了清華與面壁智能聯合發布的MiniCPM-Llama3-V 2.5。除模型結構和配置高度相似外，兩個模型在識別未公開的清華簡牘數據時，甚至出現了相同錯誤。

兩名團隊成員隨后公開道歉并下架項目。斯坦福人工智能實驗室主任Christopher Manning批評其沒有正視錯誤；時任谷歌DeepMind研究員Lucas Beyer則感嘆，表現相近的MiniCPM此前得到的關注太少。

面壁智能第一次在國際開源社區引發廣泛關注，不是靠一場發布會，而是由對手的翻車帶來的。

不過，“密度翻倍”的周期在不同階段出現過明顯變化。

2024年年中的多次演講和采訪中，劉知遠、李大海使用的口徑還是“知識密度平均每8個月翻一倍”。到2024年底正式提出“密度定律”時，口徑變成了大約每100天、即3.3個月翻一倍。最終發表于《Nature Machine Intelligence》的論文給出的結果約為3.5個月。

這幾組數字并非完全可比。早期說法更接近概念性觀察，正式論文則限定了模型樣本、時間范圍和評測方法。但這也意味著，“密度定律”更適合被理解為一條需要不斷更新的經驗曲線，而不是可以穩定預測未來數年的自然規律。

論文自身也承認，目前對模型能力的測量仍依賴有限的基準測試，可能受到數據污染、評測集飽和等因素影響，能力密度也不可能無限增長。

同樣需要謹慎看待的，還有面壁智能關于端側模型“追平GPT-4時代”的說法。2026年智源大會期間，李大海援引AA-Index榜單稱，MiniCPM5-1B的得分已接近2024年的GPT-4o。

這一比較能夠說明小模型效率提升很快，但單一榜單無法覆蓋不同模型在推理、代碼、多模態和真實任務中的綜合表現。把它概括為“智能水平追平GPT-4”，傳播效果很好，卻還不是一個經過統一基準和第三方交叉驗證的技術結論。

03.三條商業化管線尚未披露收入數字

面壁智能目前的商業化主要依靠汽車、手機和企業級市場，具身智能則是新加入的一條線。

汽車是落地相對清晰的業務。2025年，面壁智能端側模型已經搭載長安馬自達EZ-60、吉利銀河M9等量產車型。公司還與安波福簽署了戰略合作框架協議，希望借助后者的汽車供應鏈進入更多市場。

但此前部分報道中“已交付超過30萬臺量產車”的表述并不準確。面壁智能公開給出的口徑是，預計到2026年底有30萬輛汽車搭載其端側模型。這是年度目標，不是已經完成的交付量。

企業級市場上，面壁智能稱智能體平臺PilotDeck已經實現規模化商用，并在WAIC期間公布了面向專業法律服務的CPM for Legal。不過，現有公開材料仍未披露具體客戶數量、合同金額和收入貢獻。

手機端，面壁智能官宣MiniCPM系列將搭載于三星數款旗艦機型。雙方的合作已經進入產品和備案階段，但具體機型、出貨節奏以及面壁智能能夠從中獲得多少收入，目前仍不清楚。

具身智能則是最新的一條線。7月19日，面壁智能在WAIC期間發布MiniCPM-Robot系列，包括通用視覺—語言—動作模型MiniCPM-RobotManip和移動跟蹤模型MiniCPM-RobotTrack。其中，MiniCPM-RobotManip擁有1.5B參數，可以完成制作三明治等長程操作任務。

在面壁智能披露的RMBench評測結果中，MiniCPM-RobotManip得分約為53分，π0.5約為10分。不過，RMBench主要考察機器人在依賴上下文記憶的操作任務中的表現，不能代表模型在所有機器人場景中的綜合能力。

這些數字單獨看都不小，但大多是下載量、計劃搭載量、合作數量和評測成績。面壁智能至今沒有公開披露實際收入、毛利率和客戶續約情況。

這在未上市AI公司中并不罕見。但對一家半年融資超過50億元、估值突破200億元的公司來說，商業數據的缺席仍然值得關注。尤其是在上市通道逐漸明確之后，公開市場最終需要看的不是模型下載量，而是收入質量和現金流。

面壁智能在C端市場上的選擇也值得注意。對話助手“面壁露卡”Luca于2023年5月發布，同年11月面向公眾開放，此后公開渠道很少再看到持續更新的用戶數據。目前豆包月活已經達到 3.82 億，千問月活也達到 1.67 億。

面壁智能沒有繼續重投入C端，更主要是因為資源取舍。它把主要籌碼壓在了車企、手機廠商和機器人公司的底層模型供應上。這條路避開了昂貴的用戶獲取和運營成本，卻也加深了公司對少數大客戶、硬件周期和項目交付的依賴。

至少從公開信息看，面壁智能還沒有形成一個能夠直接觸達消費者、并為To B業務提供對沖的獨立收入來源。

04.端側進入紅海，護城河向芯片和系統轉移

面壁智能確實是國內較早把端側模型作為主線的大模型創業公司之一。2024年2月發布的MiniCPM，也讓它在輕量模型和終端部署上建立了較強辨識度。

但放在全球，情況就不同了。谷歌早在2023年12月就發布了運行于手機芯片上的Gemini Nano。蘋果則在2024年6月公布約30億參數的端側基礎模型。

在WAIC 2026上，北京智源人工智能研究院聯合端側智能北京市重點實驗室發布報告，將2026年定義為端側智能“規模化落地元年”。

根據弗若斯特沙利文的預測，全球端側AI市場規模將從2025年的3219億元增至2029年的1.22萬億元，年復合增長率約39.6%。政策信號也更加明確，2026年政府工作報告首次提出“打造智能經濟新形態”。此前國務院印發的《關于深入實施“人工智能＋”行動的意見》，則提出到2027年新一代智能終端、智能體等應用普及率超過70%。

問題也恰恰出在這里。端側AI從一條相對冷門的路線變成共識后，牌桌上的玩家已經完全不同。

阿里持續開源不同尺寸的千問模型，并將其接入夸克AI眼鏡等硬件；字節仍在調整豆包AI眼鏡的產品計劃；蘋果在2026年推出面向Apple芯片的Core AI框架；高通、聯發科和英特爾也在搭建各自的端側AI平臺。手機廠商則不斷把大模型和智能體能力嵌入操作系統。

這些公司分別掌握云端模型、芯片、操作系統或用戶入口，其中不少同時占據多個環節。相比面壁智能當年進入市場時，它們擁有更多可以直接調用的資源。

李大海在2026年6月的一次采訪中也承認，端側模型規模化落地的最大制約，已經不只是模型本身，而是模型與芯片的結合。終端設備的算力、內存帶寬、散熱和功耗都非常有限，模型必須與硬件反復磨合。

換個角度看，端側AI的競爭重點正在從“誰的模型更小、更強”，延伸到“誰能把模型、芯片和系統調到一起”。

面壁智能已經完成對AMD、英特爾、聯發科、高通等主流平臺的適配，也通過BitCPM-CANN等項目推進華為昇騰平臺上的原生訓練。這體現了它的工程能力和平臺中立性，但也意味著，面壁智能的產品始終要建立在其他公司的芯片、操作系統和硬件入口之上。

平臺中立既是面壁智能爭取客戶的優勢，也是它不得不長期面對的約束。

面壁智能靠密度定律、開源生態和工程能力獲得的先發位置，但能不能在巨頭迅速拉平模型差距之前，變成難以替代的客戶關系、交付體系和成本優勢，卻不得而知。

200億元估值回答的是資本是否相信端側AI，并不意味著面壁智能當下的收入、毛利和客戶續約能否支撐這份估值。

接下來真正的考驗是，面壁智能能不能在自己較早選中的路上，最終把生意做成自己的生意。