大模型“下凡”：从云端算力竞赛到终端智能普惠

　　2026世界人工智能大会期间，端侧AI成为展馆内最受关注的议题之一。面壁智能同期主办的“智在终端，惠及千行”端侧AI论坛，也是本届WAIC议程上最具分量的场次之一—高通、英特尔等芯片巨头代表出席，吉利、乐聚等整车与机器人企业参与，三星等手机品牌到场，从芯片、车机到手机、模型的产业链各方在此交汇，共同探讨端侧AI的产业化路径。

　　北京智源人工智能研究院联合端侧智能北京市重点实验室在本次论坛上发布的《端侧智能2026——规模化落地元年》报告指出，囿于成本、时延、隐私三大约束，大模型正经历第二次结构性跃迁——从以云端为唯一算力中枢的单点智能，走向端云分工、协同共生的分布式智能系统。

　　面壁智能联合创始人、CEO李大海在论坛上对《华夏时报》记者等媒体表示，每隔约100天，就能用一半参数量的模型实现当前最优性能。“密度定律”直接验证了一条技术路径的可行性——不是越大越好，而是越密越好。从2024年的“少数派选择”到2026年端侧智能成为“产业最大共识”，端侧AI用了三年时间完成了验证。产业界的共识正在形成：2026年是端侧AI规模化落地的元年，大模型正在从云端走向手机、汽车、机器人等终端设备，AI从“能聊”走向“能干”。

　　从少数人选择到行业共识

　　三年前的端侧AI，还是一条“少有人走的路”。

　　彼时，行业目光几乎全部聚焦于云端大模型的参数竞赛，千亿、万亿参数是衡量模型能力的核心标尺。面壁智能在2023年下半年反共识地开始思考端侧路线，并于2024年2月以仅2B参数的MiniCPM首次开源验证：端侧模型同样拥有大智能。

　　这一判断的核心支撑，正是李大海提到的“密度定律”——大模型的能力密度约每3.5个月翻一番。截至2026年6月30日，MiniCPM开源模型系列累计下载量突破3800万次，覆盖文本、视觉、语音全模态。

　　但仅有模型远远不够。面壁智能联合创始人、总裁雷升涛对《华夏时报》记者等媒体表示，端侧AI的发展分两个阶段：第一阶段是技术提供者，第二阶段是生态建设者。目前已有开发者基于面壁模型做出了智慧物业、智能巡检等产品，证明了端侧AI在真实场景中的价值。“千行百业都有对纯端侧的需求，”雷升涛说，“比如智慧物业通过多模态视频分析派单，看到地上有垃圾就通知保洁，窗户没关就提醒业主——如果用云端模型，token消耗量根本无法承受。”

　　李大海对记者表示：“如果这个产业链只有一家在做，那可能你在逆行。有越来越多的合作伙伴、友商参与到赛道来，其实更论证了我们的前瞻性。”他引用了一个概念——“创新带宽”，“一家公司在这么大领域里面做创新，带宽是有限的。这么多朋友一起加入，能让创新带宽拓得非常宽，更快找到真正有价值的场景和落地方式。”他说。

　　量产交付才是真正的考验

　　共识确立之后，真正的考验在于：端侧AI能否从技术可行走向产业普惠？行业正在经历三重考验。

　　第一重是算法与芯片的深度融合。端侧AI的最大限制在于终端设备有限的算力、功耗和内存。面壁智能端侧智能业务总经理周树峰对《华夏时报》记者表示，今天95%以上的汽车座舱无法运行任何大模型，必须采用非常激进的技术策略让模型快速部署，同时还要兼容座舱平台的其他应用和算法所占用的算力资源。“算法和芯片的融合是最容易被低估的难度，”他说，“芯片厂商需要调整芯片上的算子，模型适配完了还要做模型校准，在芯片上保持尽量接近原模型的精度。”

　　面壁智能已完成对AMD、英特尔、联发科、高通等全球主流芯片厂商的端侧模型适配。高通公司全球副总裁、中国区研发负责人徐晧在论坛上表示，“密度定律”的实现需要芯片与模型协同演进。英特尔与面壁智能签署合作备忘录，围绕AI大模型与芯片平台的协同优化展开合作。

　　第二重是从POC到量产的跨越。周树峰以汽车30万辆交付为例对记者表示：不同车型环境不一样，摄像头位置不一样，必须在量产节点前让模型在固定车型上表现出稳定效果。“当你决定做交付的时候，车机有量产周期，到某个节点必须做到什么能力，模型适配和芯片融合必须快速完成。”2026年，面壁端侧智能体SuperMate已超30万台量产车交付，搭载于吉利银河M9、长安马自达EZ-60等车型的智能座舱。已跑通从模型适配、硬件兼容到整车供应链、终端交付的全链路。

　　第三重则是内生安全与监管适配。7月15日，国家网信办备案通过了7款AI手机端侧模型。与传统云端模型不同，端侧模型无法通过云端策略进行安全拦截和更新，必须实现“内生安全”——在预训练早期就知道什么是正确的、什么是该回答的。这一技术门槛正在成为端侧AI行业的核心壁垒之一。

　　面壁智能副总裁刘豪杰对记者表示，三星选择面壁合作有多重考量：端云分工是基础——云端模型与端侧模型有不同的适用场景；合规需求同样关键——“端侧AI的安全在技术上更难，因为需要内生安全。”

　　端侧AGI还要等多久？

　　技术路线的多元化是端侧AI行业的另一个重要特征。从传统NPU优化到SRAM存算、RRAM存算、光计算等，端侧AI芯片路线繁多。雷升涛对记者表示，面壁不会“单押某一条技术路线”，“本质都是解决端侧推理效率问题，根本是带宽瓶颈。我们追求把知识密度提升到极致，通过系统推理框架快速适配到各家芯片和计算架构。”

　　李大海分析：“人类技术发展史一直都是发散、收敛再发散再收敛的过程，多条路线分散探索是全局更高效的方式。”面壁把住的是最底层的技术范式——数据驱动预训练，在上层不管架构、数据治理还是推理效率如何演进，都能持续推进。

　　关于端侧与云端的关系，行业判断正在趋同。李大海将端侧与云端的分工概括为八个字：“端侧主内，云端主外”——终端掌握用户需求与上下文，保护隐私安全；云端补充实时、动态的外部信息。“最终一定是由端侧为主导，”他对《华夏时报》记者说，“因为端侧掌握了用户需求的背景，要把背景剥离开保护好用户隐私，再把拆开的任务分给云端。”

　　至于未来的技术收敛，李大海的判断是：端侧的AGI会比云端慢1—2年，“3—5年后端侧的AGI一定会到来”。

　　本次论坛上释放的一大信号是：2026年端侧AI产业化拐点已经到来。从云端到终端的结构性跃迁正在发生，芯片与模型的协同适配、算法与硬件的融合效率、开发者生态的成熟度，将成为决定端侧AI规模化落地速度的关键变量。产业正在从“要不要做”的阶段，进入“谁能先跑通”的竞争阶段。