殺進機器人賽道，面壁智能怎么打出差異化？對話首席科學家

智東西
作者 ZeR0
編輯 漠影

智東西7月23日報道，在世界人工智能大會WAIC 2026期間，北京大模型獨角獸面壁智能開源了其首個具身智能技術成果MiniCPM-Robot系列模型，包括通用VLA模型MiniCPM-RobotManip與面向移動機器人跟蹤導航的MiniCPM-RobotTrack，正式進軍機器人領域。

面壁智能成立于2022年8月，今年上半年累計融資超過50億元，估值超過200億元，是當前我國端側智能領域公開估值最大的獨角獸企業。

MiniCPM-RobotManip基于面壁智能最新多模態端側模型MiniCPM-V 4.6訓練完成，延續了MiniCPM-V 4.6“小尺寸、高性能”與視覺Token極致壓縮的技術優勢，以僅1.5B的參數規模實現比肩體量更大的3-4B模型的性能、但流式實時推理計算成本減半，模型支持1分鐘的具身原生記憶，從而能夠高效完成考驗上下文記憶的操作任務。

MiniCPM-RobotTrack由面壁智能和南京大學合作研發，是業內首個支持真實本地斷網部署的跟蹤模型，首次實現純視覺的本地自主指令追蹤。

該模型原生適配宇樹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。

GitHub地址：https://github.com/OpenBMB/MiniCPM-Robot

Hugging Face地址：

https://huggingface.co/openbmb/MiniCPM-RobotManip

https://huggingface.co/openbmb/MiniCPM-RobotTrack

截至2026年6月30日，面壁智能MiniCPM開源模型系列累計下載量突破3800萬次，覆蓋文本、視覺、語音全模態。

在具身智能領域，面壁智能與吉利汽車、樂聚機器人開展深度合作，形成面向工業制造與商業服務的雙線布局。

在工業制造方向，面壁智能的VLM多模態大模型與吉利機器人的本體、VLA模型及導航系統深度集成，成功實現吉利機器人在生產倉儲場景的落地應用。

在商業服務方向，面壁智能與樂聚機器人聯合推出展廳導覽Agent解決方案，可在無網絡環境下純端側運行導覽系統，支持基于本地知識庫的離線講解和自由問答。

在巡檢場景中，依托面壁智能的多模態能力，搭載樂聚機器人本體和巡檢系統，可高效識別園區內車輛違規停放、路面異常、公共設施異常等情況，所有敏感數據均在本地處理。該方案覆蓋6大類商用導覽場景，可識別30余種巡檢異常，檢測成功率超過95% 。

WAIC期間，面壁智能創始人兼首席科學家劉知遠、面壁智能多模態智能首席科學家姚遠與智東西等媒體進行交流，進一步分享了面壁智能做具身智能的動力、優勢、打法與目標。

一、為什么要做具身智能？目標與技術積累雙重驅動

劉知遠認為，具身智能是AI走向物理世界的必由之路，面壁智能內部團隊的共同目標是端側智能，機器人是下一代智能終端非常重要的形態。

從技術角度而言，具身智能屬于多模態的直接下游，面壁智能在高效多模態路線上有很多技術積累，這也是為什么面壁智能做具身智能時間不長，但基礎工程鏈路認知建立得較快。

語言模型具備思考、決策、規劃能力；過去三年，姚遠在面壁智能補齊了感知能力，有了更多的模態，如語音、視覺，未來可能還有雷達、遙感等各種來自自然界的信號；具身智能則補齊了動作、行動能力。人類智能包括感知、思考和行動，未來要形成一個嚴格閉環，這就是面壁智能團隊在努力完成的工作。

據姚遠透露，面壁智能的語言模型、多模態模型、具身智能模型團隊相互支撐，底層數據、工程鏈都是共享的，具身智能團隊訓的VLA模型是直接基于多模態團隊的工作，很多通用能力能快速拉到一起做，因此能在較短時間內達到相對第一梯隊的效果。

“具身智能模型連ChatGPT時刻還沒有找到。”劉知遠說。在他看來，大語言模型、感知、行動成熟度不同，語言模型聚焦在讓密度持續變高，多模態要補足最后幾個拼圖，讓它達到完全態，然后再進一步的追求密度，讓它反應更快；行動成熟度還沒有那么高，更多還是在做探索性的工作，技術成熟后才有可能商業化。

數據是當前具身智能行業面臨的共同瓶頸。姚遠說，沒有一種數據是完美的，要么是量不夠，要么是精度不夠。真實世界的一大難點來自多樣性、隨機性，無法通過少數幾條過擬合去解決的。面壁智能將具身智能模型和多模態模型底層數據打通，同時也會有各種類型的具身智能數據。

在劉知遠看來，具身智能的數據不是能從互聯網獲取的，要有意識地從自然界的交互反饋中去收集，把感知、思考和行動形成一個閉環。現在越來越多的具身智能企業將主要精力放在數據集的構建上，這會極大加速具身智能的進展。

二、具身智能發揮大腦角色，要走先通后專模式

面壁智能的具身智能模型以通用智能為起點，旨在讓機器人能夠直接處理普適、長程、流水線式任務。

據劉知遠分享，面壁智能的具身智能模型發揮“大腦”角色，會與很多不同類型的本體廠商合作，包括做人形機器人、機器狗、靈巧手、機械臂的，通過大小腦協同等方式工作。

相比之下，一些本體廠商更適合做本體上的“小腦”，偏具體行動，可能會涉及感知，不太涉及思考。感知與行動要形成一個快速閉環，不需要經過大腦。

面壁智能做的是通用具身智能。它在語言模型和多模態模型上看到的一個重要趨勢，是基礎能力上來后，很多場景就會迎刃而解。

劉知遠解釋說，大語言模型是“先通后專”，先具備通用能力，也就是關于這個世界的常識，再把它培養為相關領域的專家，這樣專家水平的上限才會更高。

他預測，未來3到5年，具身智能同樣要走“先通后專”的模式。

“通用”意味著能在廣闊場景里廣泛應用，比如Anthropic Claude擅長的編程專業能力，是基于大語言模型做的。

好比它首先是一個非常聰明的大學生，再讓它變成一個很聰明的程序員。如果只是用代碼訓這個模型，達不到現在的效果。

就像一位學者曾說過的，你的目標是登月，但如果你以爬樹的形式來嘗試著離月亮更近，你是永遠不可能到月亮上去的。

姚遠談道，很多模型為了展示出好的效果，會針對專門任務、專門場景去訓練一個專家模型，提前可能會采集該任務的很多數據，這樣做出一段demo還是相對簡單的。但這不代表該領域發展的進度，目前具身智能基礎模型的基礎性、泛化性、通用性仍存在很大問題。

面壁智能并沒有對某一個場景做特別深度的優化，希望先把基礎的數據、 Infra工程鏈路打磨好，實現較好的泛化基礎。

三、兼顧上下文記憶與響應效率，單決策步推理時延遠低于π0.5

面壁智能的通用VLA具身模型MiniCPM-RobotManip融合多模態技術沉淀與視覺Token極致壓縮能力，保留完整歷史觀測記憶的同時，計算量與不保留記憶時持平，在考驗VLA模型上下文記憶的基準測試RMBench上取得顯著優勢。

根據測試，在包含60幀歷史觀測的機器人操作任務中，傳統重新計算方式每個決策步需要125TFLOPS，采用流式推理后僅需3.3TFLOPS，低于π0.5在無歷史幀輸入下的5.0TFLOPS。在H100、BF16精度下，MiniCPM-RobotManip單決策步推理時延為120ms，相比π0.5的234ms降低近一半，實現了上下文記憶與響應效率的兼顧。

當前上下文記憶難在哪兒？姚遠談道，現在的視覺是三路甚至四路的，每秒保持一幀，要支持一分鐘的原生，大概是幾百幀圖片、幾萬個Token甚至高達十萬個Token的長度，要求模型有極致的視覺Token壓縮，這是基于面壁智能的技術直接做的。

在這方面，面壁智能的核心技術壁壘主要源自高效多模態技術。視覺Token爆炸是多模態領域的一大瓶頸，面壁智能從2024年開始與實驗室一起，做了一系列高效視覺編碼的先進技術探索，除了發表的論文外，技術也演進到第四代，能夠支撐模型更加高效。

相比市面上絕大多數的模型都是4倍的視覺壓縮率，面壁智能在無損的情況下做到16倍的壓縮率，甚至能通過視覺編碼器內部的融合，實現計算量再進一步的發展。

端側VLA注重高效，因為云側和端側計算門檻不同，姚遠說：“我們一些原生的上下游記憶、世界模型都是值得期待的東西。”

他補充道，面壁智能首先想看模型智能密度是不是相對緊湊，因此選擇1B左右的先發模型基座。數據上的Scaling Law一定是成立的，越大量的數據會帶來更好的提升；參數的Scaling Law還沒有達成非常好的共識，可能是受限于實時推理速度的要求。

四、端側智能需要軟硬協同，達到GPT-5.6級水平還需兩三年

姚遠說，端側智能大腦是兩個趨勢共同疊加的效果：一是模型密度越來越高，相同的水平可以做的越來越小；另一方面就是終端計算能力越來越強。

劉知遠認為，將模型密度做得更高非常有挑戰性，并不是模型越大，技術含量就越高。

以芯片為例，制程最高的芯片是放在終端上的芯片，因為終端對空間、功耗要求更高，所以要求有一個電路密度更密的芯片。

云側和端側模型的能力區別很大：云側模型要求高并發，MoE架構會是它的默認選擇；端側模型用MoE架構不劃算，因為MoE架構需要一個大顯存，而顯存很貴。

端側是一個復雜的技術生態，需要軟硬協同、端云協同。端側智能的模型應與硬件密切結合。一些智能分別發生在云上和端上。同時，端側能起到數據采集作用。

劉知遠認為要讓端側模型達到像今年Claude或GPT-5.6模型這樣的水平，還需要1-2年、2-3年的時間。

受限于算力水平與模型尺寸，當前端側模型相對比較專用，可處理的任務類型有限。但面壁智能團隊相信，只要能夠在這個方向上再堅持1-2年的時間，就會迎來端側智能的大爆發。

他預測，未來智能會走向分化，每個行業都是充分競爭的，不會出現一家獨大。

五、開源是“AI留在血液里的信仰，面壁智能只做模型、不碰本體

“開源這個事情，應該是人工智能流在血液里面的信仰。”劉知遠說，AI行業能實現這么快的發展，有賴于開源，讓全球從業者都能第一時間站在最前沿的方向上接著往前走。

未來的具身智能發展一定有賴于開源的支持，因為有那么多本體，要做各種各樣的適配。

姚遠補充道，面壁智能希望先通過開源提供一個基礎設施，在端側設備上實現加速，同時在云端，比如高并發的產品上，也有較好的拓展性。

其意義在于，有時可以通過云端部署非常高效，由于模型本質上是高效的，因此能通過云端多并發的很多場景來提供服務。

這也能對訓練起到好的加速作用，比如強化學習，需要快速推理出結果去評判，用了面壁智能的框架之后能顯著降低訓練成本。

面壁智能只做模型，不碰本體，判斷“兩者都做”不如“只把模型做好”的勝算更大，希望通過技術的創新，嵌入到整個智能終端生態中，與上下游伙伴共建下一代智能終端。

“我們要去尋找好的合作伙伴，大家都能明確自己的邊界在哪兒，比如本體廠商目標就是要做質量最好、最便宜的、最有競爭力的本體，他能把這個事情做好，就已經是一個巨大的市場了。”劉知遠說。

他預測，未來具身智能發展路線會演化成不同的生態打法：一種是蘋果模式，什么都自己做；一種是安卓模式，有各種硬件廠商，共選統一的操作系統。

“我覺得完全就看這個企業有沒有喬布斯，有喬布斯了就可以蘋果，沒有喬布斯我建議就做兼容的模式。”劉知遠認為，更健康的生態應該是這樣的，任何一個企業的稟賦、基因、特點，決定了不可能每個東西都能做的對，只能聚焦把自己能做好的事情做到最好。

“我們還沒有找到我們的喬布斯。”劉知遠說，面壁智能希望未來是一個生態打法，就像“Wintel聯盟”互相協同，生態需要珠聯璧合、雙向奔赴，與廣泛本體廠商充分合作來推動快速發展。

面壁智能堅持做商業化，即便不認為當前是商業化的好階段，也要做，要跟上下游跟生態成為朋友。劉知遠相信，未來商業化不止是講技術，還關乎信任問題，面壁智能從不承諾自己做不到的事情。

結語：端側智能迎來規模化落地元年

北京智源人工智能研究院聯合端側實驗室發布的《端側智能2026——規模化落地元年》報告顯示，2026年端側智能正從概念驗證邁向規模落地，產業化拐點已然到來。

“跑得早、跑得快都不重要，重要的是你跑得準，你的未來發展方向是對的。”劉知遠談道，關鍵是能夠準確研判未來的發展趨勢，在當前這個時代，大家都在同一個起跑線上，誰能夠真正的做創新，誰才有可能在這一輪科技革命里取得先機。