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。

OpenBMB（Open 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。