人工智能正在经历一次重要迁移。过去几年大模型竞争的核心是“让AI变得更聪明”更大的参数规模、更强的推理能力、更丰富的知识储备推动AI能力边界不断突破。AI不仅需要理解世界更需要进入世界。具身智能需要在复杂环境中实时感知与行动汽车需要成为持续进化的智能终端手机需要真正理解用户工业设备、航天装备等场景也需要AI在有限资源和复杂环境中稳定运行。AI发展下一阶段不只是云端模型能力竞争更重要的是智能如何走向终端、连接真实世界的竞争。端侧AI是其中的关键基础设施。端侧AI正重新定义人工智能进入产业的方式通过更高效的模型、更紧密的软硬件协同以及更完善的生态体系让AI从数据中心走向千行百业。在这一趋势下企业竞争的核心也正在发生变化。未来的领先者不仅需要拥有强大的模型研发能力更需要具备将模型转化为产业能力的全栈能力。面壁智能正是这一产业演进过程中的探索者之一。从较早布局端侧大模型路线到构建MiniCPM系列模型体系再到探索训练框架、系统平台和产业生态面壁智能试图解决是“如何让AI进入更多设备和真实场景”。WAIC 2026提供了一个观察窗口端侧AI是否已经跨过从技术验证走向规模化落地的关键节点答案或许正在具身智能、手机、汽车以及更多智能终端中逐渐显现。01 从模型能力到产业落地端侧AI正在跨过关键节点过去几年人工智能产业的竞争主要围绕云端展开。大模型参数规模、训练算力投入以及通用能力提升成为行业关注的核心指标。随着AI从技术探索走向产业应用新问题浮现当AI真正进入具身智能、手机、汽车、工业设备等真实环境仅依靠云端模式是否能够满足需求现实场景对AI提出了不同要求。具身智能需要在动态环境中实时感知和决策智能汽车需要低延迟处理复杂信息手机需要在保护用户隐私的同时提供个性化服务而工业设备则要求AI能够稳定运行于不同网络和硬件条件下。这些需求推动AI产业进入新的阶段从单纯追求模型能力转向探索如何让智能能力进入更多终端。端侧 AI正成为这一趋势的重要方向。端侧AI的价值非常明朗。过去端侧AI最大的落地挑战在于模型能力、硬件资源和应用需求之间难以平衡。如今端侧AI正跨过这些规模化落地门槛。受限于算力、存储和功耗端侧模型长期被视为云端大模型的“缩小版”。但随着模型架构优化、低比特量化、推理加速等技术发展端侧模型正在突破资源限制通过提升智能密度实现“端侧模型也具备高能力”。与此同时产业需求正在加速释放。从具身智能到智能手机从汽车座舱到工业设备越来越多场景需要AI具备本地化、实时化能力。尤其是在具身智能等真实世界场景中AI不仅需要理解信息更需要基于环境变化快速行动这使端侧推理成为不可或缺的能力。另一个重要变化是产业链正在逐渐成熟。端侧AI需要模型、芯片、终端和应用生态的协同。只有实现从模型训练、硬件适配到场景落地的完整链路AI才可能真正进入规模化应用阶段。02 从具身智能到手机端侧AI正在进入真实世界如果说云端大模型证明了AI的智能潜力那么端侧AI正在解决另一个更现实的问题如何让AI真正进入人类生活和生产环境。2.1 具身智能AI从“会思考”走向“会行动”与文本生成、知识问答等数字场景不同具身智能面对的是一个动态变化的环境。它需要通过视觉、声音等多模态信息感知周围世界理解人的意图并在复杂环境中完成规划和执行。在这一过程中完全依赖云端并不现实。一方面具身智能运行环境通常要求低延迟响应另一方面家庭、办公、工业等场景涉及大量敏感数据本地处理能够更好保障数据安全。因此端侧模型正在成为具身智能发展的关键基础。面壁智能将具身智能作为端侧AI进入真实世界的重要场景并探索从通用智能出发构建具身智能的技术路径。其推出的MiniCPM-Robot是基于 1.5B 参数的端侧 VLA视觉-语言-动作模型。与传统具身智能方案通常针对单一任务训练专用模型不同面壁智能尝试让具身智能具备更强的通用理解能力使其能够处理更加开放、多样的任务环境。在实际产业应用中面壁智能也正在推动具身智能从实验验证走向场景落地。例如面壁智能联合乐聚具身智能推出展厅导览Agent和园区巡检Agent解决方案。其中展厅导览Agent结合端侧多模态模型和具身智能本体实现具身智能在无网络环境下完成知识库问答、环境理解和路线规划园区巡检Agent则通过多模态模型与视觉算法结合实现对异常情况的本地分析满足工业场景对于数据安全和实时性的需求。2.2 智能手机端侧AI最接近大众用户的入口如果说具身智能代表AI进入真实世界的未来方向那么智能手机则是端侧AI当前最具规模化潜力的应用场景。过去手机中的AI功能更多依赖云端服务。但随着生成式AI的发展用户对于更加自然、实时和个性化的交互体验提出了更高要求。例如用户希望AI能够理解本地照片、分析个人文件、辅助办公甚至成为长期了解自己的智能助手。这些需求涉及大量个人数据也对响应速度提出更高要求。因此端侧部署正在成为智能手机AI发展的重要方向。面壁智能围绕智能手机及智能终端场景推出覆盖文本、多模态等能力的MiniCPM系列模型并提供从模型优化、芯片适配到端侧部署的一体化能力。其中MiniCPM5-1B是面壁智能面向端侧场景推出的小参数语言模型。尽管参数规模仅为10亿级但通过模型结构优化和训练效率提升在综合知识、推理、代码和智能体能力等方面保持较强表现。相比单纯扩大模型规模端侧模型更关注如何在有限资源下释放更高智能密度。这一思路也体现在面壁智能对模型研发的探索中。面壁智能通过低比特量化技术模型能够降低运行所需资源同时保持较高能力水平使更强AI能力能够进入手机、平板、电脑等终端设备。此外面壁智能还参与三星盖乐世AI等手机端侧AI能力建设。随着手机厂商逐渐将AI作为下一代终端竞争的重要方向端侧模型能力正在成为手机产业链中的关键组成部分。2.3 从汽车到航天端侧AI正成为基础能力除了具身智能和手机汽车也是端侧AI商业化的重要验证场景。汽车智能化面临一个特殊挑战车辆生命周期通常较长而AI模型迭代速度远快于汽车硬件更新。因此如何让汽车持续获得AI能力升级成为产业需要解决的问题。面壁智能联合英特尔与汽车主机厂探索AIBox方案通过独立于原车座舱SoC的模块化设计为汽车提供面向大模型的计算能力并结合智能座舱系统实现本地推理。目前该方案已在部分车型中展开落地探索推动汽车AI从功能增强走向持续进化。在航天领域端侧AI则解决的是另一类问题。由于空间环境存在通信限制和数据传输成本高等挑战卫星和空间设备需要具备一定程度的自主分析能力。面壁智能探索“端侧模型太空算力”的结合方式将大模型能力应用于海洋气象、目标监测、农林牧渔观察等场景提高数据处理效率和实时分析能力。03 端侧AI竞争进入深水区企业比拼的不只是模型能力随着端侧AI加速进入产业场景一个新的行业趋势正在形成未来的竞争不只是“谁拥有更强的端侧大模型”而是谁能够让模型真正运行在更多设备、适配更多场景并形成规模化交付能力。原因在于端侧AI的落地链路比云端模型复杂。在云端环境中模型能力是核心竞争因素之一但在终端环境中一个模型从研发到应用需要跨越模型训练、芯片适配、系统集成、场景调优以及供应链交付等多个环节。任何一个环节存在短板都可能影响最终体验。因此端侧AI正从单点技术竞争进入全栈能力竞争阶段。3.1 从模型开发者到产业推动者过去大模型企业的核心价值更多体现在基础模型能力上训练更大规模模型、提升benchmark表现、扩大模型生态影响力。但端侧AI对企业提出了不同要求。由于终端设备高度分散不同行业存在不同硬件环境和业务需求模型企业不仅需要提供基础模型还需要帮助产业完成从模型到设备的适配过程。这意味着端侧AI企业需要具备连接模型、芯片、终端和应用生态的能力。面壁智能较早关注到了这一趋势。在2023年下半年当行业普遍关注超大规模参数模型和云端能力竞争时面壁智能开始探索端侧模型路线并于2024年推出MiniCPM系列模型通过仅 2B 参数规模验证端侧模型也可以具备较强智能能力。这一选择背后是对AI发展方向的一种判断随着模型能力不断提升决定AI普及速度的不再只是模型规模而是模型能否进入更多真实场景。围绕这一方向面壁智能提出“密度定律”即随着模型技术演进达到相同智能水平所需的参数规模会持续下降未来AI的关键竞争点将从“大”转向“高效”。这一趋势正在MiniCPM系列模型中体现。3.2 从“端侧模型”到“高智能密度”在端侧环境中模型规模并不是越大越好。设备的算力、内存和功耗存在客观限制因此如何在有限资源下释放更高智能密度是端侧模型发展的核心问题。面壁智能此次WAIC展出的MiniCPM系列最新模型覆盖文本、多模态、全模态和语音等方向体现了其围绕端侧场景构建模型体系的思路。其中MiniCPM5-1B是面向端侧部署的文本模型仅有 10 亿参数规模但通过训练效率优化和模型设计提升在知识理解、数学推理、代码能力以及智能体能力等方面保持同尺寸领先表现。其背后的关键并不仅是模型本身而是训练体系的优化。面壁智能构建了ForgeTrain预训练框架和UltraData数据治理体系通过提升数据利用效率和训练效率让更少的计算资源产生更高价值。在多模态方向MiniCPM-V4.6则进一步探索如何让视觉能力进入资源受限设备。端侧视觉模型需要处理图片、文档、视频等复杂信息同时受到内存和计算限制。通过视觉 Token 压缩和动态混合压缩技术模型能够根据不同画面复杂程度调整信息保留比例在保证理解能力的同时降低计算成本。而MiniCPM-o4.5则代表了端侧AI交互方式的进一步变化。传统AI交互更多采用“一问一答”模式而全模态模型正在推动AI从被动响应走向实时交流。通过视觉、语音和文本能力融合端侧AI开始具备更加自然的人机交互体验。此外面壁智能还布局端侧语音模型VoxCPM2。VoxCPM2 支持多语言、多音色控制以及高保真语音生成使端侧 AI不仅能够理解和分析信息也能够更加自然地与用户进行交流。3.3 构建覆盖模型、训练、系统和生态的完整体系如果说模型能力是端侧AI的基础那么产业体系能力则决定了技术能否规模化。围绕这一目标面壁智能正在构建覆盖模型、训练框架、系统平台、硬件生态和行业应用的端侧AI基础设施。在模型层MiniCPM系列覆盖语言、多模态、语音等不同能力方向在训练层面壁智能通过ForgeTrain探索更加高效的大模型训练方式并推动AI辅助AI研发的新范式在系统层面壁智能布局AgentVerse智能体平台和PilotDeck操作系统为终端智能应用提供运行基础在硬件层则通过端侧开发板等方式探索模型与设备之间的协同。这一体系建设的意义在于端侧AI企业需要构建的不只是一个模型而是一套能够支持不同设备、不同场景快速落地的智能基础设施。与此同时开源生态也成为推动端侧AI发展的重要力量。OpenBMBOpen Lab for Big Model Base由清华大学自然语言处理实验室与面壁智能共同发起聚焦推动大模型技术在端侧设备和智能硬件中的应用。通过开源MiniCPM系列模型以及量化、推理优化等工具链OpenBMB 试图降低开发者使用端侧大模型的门槛加速大模型能力向更多终端扩散。3.4 资本市场关注与认可端侧AI产业化进程随着端侧智能从技术验证走向产业落地具备模型研发能力和产业交付能力的企业开始获得资本市场认可。2026年上半年面壁智能累计融资金额超过50亿元估值超过200亿元成为端侧智能领域公开估值最大的独角兽企业。04 AI制造AI面壁智能推动端侧AI进入技术新阶段人工智能的发展正在进入一个新的阶段。过去AI主要依靠人类设计算法、构建数据体系、编写训练框架再通过大量算力训练模型。但随着模型复杂度不断提升传统研发方式正在面临新的挑战模型规模越来越大训练成本越来越高软硬件协同要求越来越复杂如何提高AI研发效率正在成为产业竞争的新问题。“AI制造AI”应运而生成为人工智能产业的重要探索方向。4.1 从人制造 AI到AI辅助制造 AI过去提升模型能力往往依赖增加参数规模、投入更多算力和获取更多数据。但随着模型进入产业应用阶段仅依靠规模扩张的路径正在受到限制。一方面训练成本持续提升另一方面端侧AI对模型效率提出更高要求。未来的智能系统需要在更低资源消耗下实现更强能力。这推动行业探索新的研发范式让AI参与AI的研发过程。包括自动化代码生成、训练流程优化、数据治理提升以及模型结构探索等都可能成为未来AI研发体系的重要组成部分。面壁智能正在这一方向进行探索。2026年5月面壁智能联合清华大学、OpenBMB 开源社区发布ForgeTrain大模型训练框架。ForgeTrain 探索了一种新的研发方式通过AI参与训练框架构建和优化提高大模型研发效率。重要意义在于它改变的不只是某一个训练工具而是大模型生产方式。从产业角度看这意味着大模型竞争可能进入新的阶段除了比拼模型能力也比拼“制造模型的能力”。4.2 从训练效率到国产算力适配对于中国AI产业而言训练效率提升还有另一层意义。当前大模型发展高度依赖算力基础设施如何让模型训练和推理更加充分利用国产算力是产业持续关注的问题。据面壁智能披露ForgeTrain在华为昇腾系列上已完整跑通预训练流程证明了其强⼤的跨硬件平台适配能⼒。同时面壁智能利用ForgeTrain完成MiniCPM5-1B模型预训练实现了“AI编写训练框架—国产芯片运行—训练领先模型”的完整闭环。4.3 端侧AI需要新的基础设施从端侧AI的发展来看模型小型化只是第一步。真正实现规模化应用需要解决一系列系统性问题模型如何持续迭代如何适配不同芯片如何降低部署成本如何让开发者更容易调用这些问题最终指向同一个方向端侧AI需要新的基础设施体系。面壁智能正在围绕这一方向构建从模型、训练框架到系统和生态的完整能力体系。此次WAIC期间面壁智能联合中国信息通信研究院启动《AI For AI标准》相关工作也体现了产业对于AI自我增强、自我演进能力探索的进一步深入。未来随着AI参与自身研发过程人工智能产业可能形成新的技术循环更高效的AI研发方式推动更强模型产生更强模型又进一步提升AI辅助研发能力。这一循环将成为推动人工智能持续发展的重要动力。05结语端侧AI是AI进入真实世界的新基础设施过去几年人工智能解决的是一个核心问题如何让机器拥有更强的智能能力。从大语言模型到多模态模型AI在理解、生成和推理能力上不断突破让人工智能第一次具备接近通用智能的可能。但当AI从实验室走向产业新的问题随之出现智能能力如何真正进入现实世界答案正在逐渐清晰。未来的 AI不会只存在于云端服务器中而会进入具身智能、手机、汽车、工业设备以及更多智能终端。端侧AI承担的正是连接数字世界与真实世界的重要角色。端侧AI的价值并不仅仅在于模型部署位置的变化而在于人工智能产业基础设施的一次重构。这一过程中行业竞争也将从单一模型能力竞争转向覆盖模型、芯片、系统、生态和产业应用的综合能力竞争。面壁智能的发展路径提供了一个观察端侧AI演进的样本——从端侧模型探索到多场景落地再到训练体系和产业生态建设其探索反映了AI从技术突破走向产业规模化阶段的重要方向。