端侧AI时代的游戏规则，面壁希望由自己来定。
作者｜刘杨楠
编辑｜栗子
最近，WAIC火热之余，两则新闻在AI圈悄然交汇。
7月15日，国家网信办公布最新一批生成式人工智能服务备案名单。
三星“盖乐世AI”正式获批，同日通过备案的手机端侧AI产品共7款，其中包括关注度颇高的Apple智能和努比亚豆包手机大模型。
值得注意的是，“盖乐世AI”的端侧大模型能力来自一家中国创业公司——面壁智能。
两天后的上海，2026世界人工智能大会（WAIC）开幕。
面壁智能出现在世博展览馆H1馆，带着超30万台量产车的交付成绩、业界首个大规模量产的AIBox，以及一只被拔掉网卡仍能继续工作的机器狗。
资本层面，这家公司2026年上半年累计融资已超过50亿元，估值突破200亿元，成为端侧智能领域公开估值最大的独角兽。
热闹属于面壁，信号却属于整个行业。大模型产业还在为云端的参数和跑分较劲时，另一场迁徙已经发生：AI正从云端走向汽车、手机、机器人等所有你目之所及的物理终端，甚至卫星。
面壁智能，是这场迁徙中出发最早、走得也最远的企业。
在面壁的展台上，「甲子光年」几乎看不到跑分榜，只有正在干活的AI。这家公司已经把AI融入了真实世界的肌理中。
端侧AI遍地开花
面壁把最重的笔墨留给了具身智能。
7月19日，面壁智能联合OpenBMB正式发布并开源了其首个具身智能技术成果MiniCPM-Robot系列模型，包括两个具身智能模型——通用VLA模型MiniCPM-RobotManip，与面向移动机器人跟踪导航的MiniCPM-RobotTrack。
MiniCPM-RobotManip是一款面向机器人操作的1.5B通用VLA模型，保留了面壁智能多模态基础模型MiniCPM-V 4.6的通用理解能力，并基于多任务进行统一训练，让同一模型学习处理不同指令和操作任务。
根据主流VLA基准测试，MiniCPM-RobotManip的综合性能位列 VLA 模型的第一梯队，与Qwen-VLA、π0.5等主流模型的性能相近、甚至有更出色的表现。
尤其是在考验VLA模型上下文记忆的RMBench上，MiniCPM-RobotManip更是明显超越多个主流模型，MiniCPM-RobotManip 得分53，而主流的π0.5只有10分，接近随机的水平。
MiniCPM-RobotTrack则由面壁智能和南京大学合作研发，是一款 0.9B的端到端视觉指令跟踪模型，支持真实本地断网部署，能够实现纯视觉的本地自主指令追踪。
模型原生适配宇树Go2 Edu ，仅依靠原装摄像头和本地算力即可完成单目标、动态多目标及模糊目标跟踪，稳定达到5+Hz，端到端响应时延约180毫秒，并构建了自进化数据管线、能够持续提升复杂动态环境下的跟踪能力。
这个看似炫技的能力，戳中了的是具身智能行业心照不宣的痛点——Demo很惊艳，落地很狼狈。背后原因很朴素。很多展馆、园区、厂区的许多角落根本没有稳定信号，依赖云端的机器人走进这些区域，就只能原地停机。但机器人能否离线工作，往往直接决定了一台其是否有资格上岗。
面壁与乐聚机器人联合发布的两套方案，都支持纯离线运行。展厅导览方案中，多模态大模型充当夸父机器人的“大脑”，实时理解展厅环境、人类指令与意图，离线讲解、自由问答、规划路线并避障导航；园区巡检方案中，模型能识别车辆违规停放、路面异常、公共设施异常等情况，敏感画面就地分析，数据主权归客户。
面壁与吉利则在模型层和应用层均有合作。
模型层，面壁具身模型团队与吉利人工智能中心共同训练VLA模型，从多模态理解大模型出发，在保持通用多模态理解能力的同时融入与真实世界交互的能力，在仿真评测的通用多任务统一训练中达到专家模型水平。
应用层，基于RoboHarness框架，面壁把自研VLM、吉利的机器人本体、VLA模型和导航系统集成到一起，在真实的生产仓储场景跑通了长程任务的规划与执行。RoboHarness还内置了可治理的数据闭环设计——机器人在工厂里边打螺丝，边成为数据飞轮的一部分。
如果说具身智能是面壁面向未来的押注，汽车则是它已经兑现的当下。
2026年，面壁自研端侧智能体SuperMate已在长安马自达EZ-60、吉利银河M9、上汽、广汽集团等量产车型上完成定点，完成超30万台量产车交付，完整跑通模型适配、硬件兼容、整车供应链、终端交付的全链路。
交付量背后，还有一个更少被讨论的产业难题：车机SoC从选型到量产需要两三年，大模型的迭代周期只有三到四个月，两者的生命周期严重错配，传统架构根本接不住快速进化的AI能力。
面壁的解法，是联合汽车主机厂与英特尔，在本届WAIC发布业界首个大规模量产的AIBox。它独立于原车座舱SoC，以可插拔、可扩展的模块化形态，成为专为大模型定制的车载AI算力中枢。英特尔提供面向大模型优化的芯片底座，汽车主机厂以前瞻电子电气架构开放整车生态接口，面壁把最新一代SuperMate 2.0部署其中，注入深度记忆、情景理解和主动行动能力。
这套方案已在长安马自达EZ-60等多款车型上落地，目标是年底助力30万辆量产车搭载。
更值得注意的是它的演进方向。AIBox将沿“车位路线”与“人位路线”双轨前行，一面纵深集成，推动整车电子电气架构变革；一面作为跨终端个人智能载体，打通汽车、PC与家居。一个独立于传统座舱的新品类，正在成形。
在手机端，面壁近期和三星的合作有收获了官方认证。7月15日，国家网信办公布最新一批生成式人工智能服务备案名单，三星“盖乐世AI”正式获批，同日通过备案的手机端侧AI产品共7款。其端侧大模型能力由面壁智能MiniCPM系列提供。
对手机厂商而言，端侧模型的价值朴素而直接，断网可用、数据不出设备，通信、相册这些最敏感的场景获得最高级别的隐私保护。
在车和手机之外，面壁的端侧版图还在向两个方向延伸：一头把门槛放到最低，一头把边界推到最远。
松果派开发板把多模态硬件、端侧模型与Agent环境打包成开箱即用的体系，没有技术背景的开发者也能做出端侧硬件；与一苇宇航合作的”端侧模型+太空算力”，则把智能送上了卫星，涵盖海洋天气灾害预警、广域协同目标监测、农林牧渔观测等场景，数据在轨处理，只把结果传回地面。
从机器人到汽车，从手机到卫星，端侧智能的版图在一个展台上完整铺开。这也引出一个更大的问题：为什么市场对端侧AI的热情，集中发生在2026年？
2026年，端侧AI为什么成了必答题？
2026年，智能体的大量涌现与物理AI的浪潮，让推理需求陡增。
端侧AI市场规模预计突破8000亿元，AI推理计算需求将达到训练需求的4到5倍。推理的主战场，正在从云端机房转移到亿万台终端设备上。
然而，传统的云端算力已经无法满足如此分散且多元的推理需求。
成本端，北京智源人工智能研究院与端侧智能北京市重点实验室联合发布的《端侧智能2026：规模化落地元年》报告显示，截至2026年6月，豆包大模型日均Token调用量已突破180万亿，较去年增长超10倍，云端推理的经济性持续承压。
时延端，自动驾驶需要10到50毫秒级的响应，云端往返在物理上就无法满足。
隐私端，《个人信息保护法》与GDPR持续收紧，敏感数据“不出端”成为刚需。稳定性上，弱网、断网环境里，纯云端方案存在天然的可用性短板。
真实世界的场景特征，例如实时性要求高、数据敏感、离线环境多，桩桩件件都指向端侧智能。
就在需求端出现巨大缺口时，供给侧能力恰好补位。芯片厂商持续提升端侧NPU算力，手机端已达数十TOPS，车端AI Box可达180 TOPS，端侧模型运行第一次有了坚实的硬件底座。
传统终端厂商也在以积极的姿态拥抱AI浪潮。手机、PC、汽车厂商纷纷把AI能力作为核心卖点，从“用云端AI”转向“必须有自己的端侧AI”。
产业条件加速成熟的前提下，顶层设计给出最后定调。
2026年政府工作报告写入“促进新一代智能终端和智能体加快推广”，《人工智能终端智能化分级》国家标准正式发布实施。7月15日那批手机端侧AI产品备案，则是监管侧给出的又一个清晰信号。
需求、供给、政策，几条线索在同一年交汇。因此，本届WAIC上端侧AI成为核心议题并不偶然。
整个AI产业正在从云端走向终端，2026年已端侧智能规模化落地的元年。这个判断，面壁智能CEO李大海在年初就已公开做出，三星合作的落地成了它最有力的印证。
创业本就是一场关于风险与时运的旅程，创业者借助时代的推力，踩中某个风口扶摇直上的故事并不少见，但面壁的故事并不遵循这套爽文逻辑。
在当下的端侧AI浪潮真正来临前，面壁已经在端侧AI的“非主流”赛道上走了三年，随之而来的问题是，面壁智能为何能在2023年的时间点上，先市场一步看懂端侧AI？
密度定律的胜利
面壁的答案，是一条不同于Scaling law的第一性原理。
2024年底，清华大学孙茂松、刘知远团队与OpenBMB开源社区提出“能力密度”概念，总结出大模型演进的密度定律（Densing Law），即大模型的最大能力密度随时间呈指数级增强，达到特定智能水平所需的参数量，约每3.5个月下降一半。
2025年，这项成果作为封面文章发表于《自然》子刊《自然·机器智能》。
这条定律无形中扭转了评价AI的坐标系。
ChatGPT让Scaling Law成为AI最新的世界观，大批海内外AI企业默认用更大的模型、更多的算力，换取更强的智能。但密度定律给出了另一套逻辑。
当参数规模不再是荣誉勋章，单位参数、单位能耗下的智能产出，才是衡量模型能否真正走进真实世界的硬指标。面壁展台上那些“小模型干大事”的应用案例，都是这条曲线的具象化。
更有说服力的是，面壁MiniCPM系列的模型迭代史，几乎就是密度定律的一部编年案例集。
面壁用两年半的时间完成了16个主要版本的迭代，形成覆盖文本、视觉、全模态、语音四大方向的完整端侧能力栈。截至2026年7月，MiniCPM系列全球下载量突破3600万次、GitHub星标超过14万。
本次WAIC上，面壁智能展出了在今年开源发布的四个最新端侧基础模型，涵盖4个能力纬度——文本模型 MiniCPM5、视觉模型 MiniCPM-V 4.6、全模态模型 MiniCPM-o 4.5，以及语音基础模型VoxCPM2。这四个模型均在密度定律的基础上，大幅优化模型推理效率。
具体来看，面壁在2026年5月发布的文本模型MiniCPM5-1B，仅以1B参数规模，在国际权威榜单Artificial Analysis上取得17.9分的成绩；仅用约1500万个输出Token达到这一水平，而更大规模的模型达到相近水平，需要消耗超过2.68亿Token。
支撑这一点的是自研的ForgeTrain预训练框架与UltraData数据治理体系，让每一个Token尽可能产生更高价值。其中，面壁联合清华大学、OpenBMB发布的ForgeTrain是一个由AI编写、零人类代码介入的生产级大模型训练框架。它在英伟达H100上的训练速度，超越英伟达自研的Megatron约10%，并原生适配华为昇腾。
在7月19日举办的端侧AI创新和行业发展论坛上，面壁智能发布了新一代高智能密度端侧大模型MiniCPM5-2B。MiniCPM5-2B支持512K上下文，支持工具调用、深度搜索、代码生成等智能体能力。
视觉侧，MiniCPM-V4.6参数仅1.3B，通过视觉早压缩和动态自适应混合压缩，实现视觉Token的极致压缩，简单画面高倍率压缩，复杂画面保留更多细节。
MiniCPM-V4.6的性能优势，也延续到了此次发布的通用VLA模型MiniCPM-RobotManip上。
当前大多数VLA模型只能基于当前观测决定下一步动作，因为保留历史观测的计算量太大。而MiniCPM-RobotManip凭借极致压缩，在保留上下文记忆的同时，通过流式计算方法实现推理成本与单帧反应式持平。
交互侧，9B参数的全模态模型MiniCPM-o 4.5实现了”边看、边听、主动说”的全双工能力，视觉、音频、文本输入输出互不阻塞，终结了大模型回合制的“对讲机”交互模式。
同样，基于密度定律，它以不到云端旗舰4%的参数量，对标甚至超越国际顶级云端旗舰的拟真体验。
低比特方向，面壁联合清华大学、OpenBMB发布的BitCPM-CANN，是中国首个基于华为昇腾训练的1.58-bit端侧大模型。
相比传统BF16精度，该模型推理阶段释放约6倍显存红利，能力保留率维持在90%以上。同样的模型能力在同一款终端上运行，只需要过去1/6的内存。这意味着，未来有望在手机上运行 60B 大模型，手机的智能会大幅提升。
可见，密度定律真正引领着面壁的模型迭代和产品落地节奏。这些模型证明了过去被认为依赖云端的能力，如今可以在端侧真正跑通。
不过，第一性的技术定律只能解释技术的加速度，却很难立体诠释一家公司在整个行业的身位。把认知变成身位，面壁用了整整三年。
从先行者到定义者
回看面壁的路径，时间差是最醒目的变量。
2023年下半年，全行业押注大参数、追赶OpenAI，端侧还是少有人关注的方向。
面壁在这一年反共识地成为国内第一家布局端侧大模型的公司。2024年2月开源了仅2B参数的MiniCPM，验证了端侧小模型同样拥有强大的智能。
当同行还停在Benchmark阶段，面壁第一个完成端侧量产交付，跑通从模型到整车的全链路。
如今，它第一个全栈All in端侧AGI，以密度定律为内核，构建起从模型层、训练层、系统层、硬件层到架构层、生态层的完整基础设施。
这些先发优势的本质，是认知领先换来的宝贵时间窗口。当一家公司能够果断下注非共识的技术方向，又一路实现规模化的商业交付，那么接下来，它便有足够的理由和底气开始做第三件事——定义规则。
学术侧，2026年初，面壁作为共建单位参与端侧智能北京市重点实验室建设，联合创始人兼首席科学家刘知远担任实验室主任。此次WAIC上，该实验室联合智源研究院发布《端侧智能2026：规模化落地元年》，为行业画出端侧智能的能力地图。
开源侧，OpenBMB社区的MiniCPM系列全球下载量已突破3800万，成为全球最受欢迎的中国开源模型之一，这已经构成了事实上的端侧开发者底座。
标准侧，面壁在7月19日与中国信通院联合启动《AI For AI标准》；此前的北京车展，它已联合产业多方发布《智能座舱白皮书》，明确下一代智能座舱的技术路径与标准方向。
生态侧，“面壁+”行业伙伴计划在本届WAIC正式落地，七家共创伙伴覆盖政务、财务、教研、金融、物业、审计、资产管理七个行业，跑在同一套AgentVerse底座上。例如，面壁与令才科技打造的财务审核系统，整单审核自动化率100%、准确率99%；与陆海新越合作的物业方案，人力成本降低30%到50%；与恒信启华合作的资产管理方案，工单响应时间缩短70%。
这并非单纯的“雨露均沾”，李大海点明了面壁端侧生态多点开花的底层逻辑：“行业深刻认知加端侧AI，才是真正的护城河。面壁智能要做‘能力放大器’，让懂行业的人用AI重新定义行业。”
所有这些布局，最终都指向通往AGI的下一站——AI for AI。
面壁的判断是，AI产业会走过三个清晰的周期：对话式的Chatbot、自主执行的Agent，以及AI自主迭代生产下一代模型。Chatbot是交互外壳，Agent是能力骨架，AI自主研发AI才是长期的产业终局。
这背后的逻辑很直接。
Scaling Law正在逼近三重天花板，高质量语料接近耗尽、集群规模逼近供给极限、电力消耗触及人类经济的承受力。正因如此，今天行业开始探索让AI加速AI自身的研发流水线，把单代研发周期从18个月压到6个月、再到1个月。毕竟，算力可能被封锁，工程效率不会。
面壁给自己定下的远期目标是，以低于30瓦的功耗，让端侧具备与普通人相当的运动、判断、智商与学习能力，在未来2到3年，全力推进端侧真实世界ASI落地。
这个远景或许解释了资本市场真正在押注什么。超200亿的估值对应的，不只是一串模型和订单，还有端侧智能时代游戏规则的制定权。
如果说云端时代的规则由别人写就，那么端侧AI时代的游戏规则，面壁希望由自己来定。
（封面图及文中图片来源：面壁智能）
END.
