從2B參數模型到200億元估值，面壁智能押中了什么？｜愛分析調研

原創愛分析ifenxi 2026-07-20 18:25

30+硬核演講，洞見EDA與CAE前沿｜KDES上海 瑞薩×物聯網：4 場直播，搞定全棧無線連接開發

人工智能正在經歷一次重要遷移。

過去幾年，大模型競爭的核心是“讓AI變得更聰明”：更大的參數規模、更強的推理能力、更豐富的知識儲備，推動AI能力邊界不斷突破。

AI不僅需要理解世界，更需要進入世界。

具身智能需要在復雜環境中實時感知與行動，汽車需要成為持續進化的智能終端，手機需要真正理解用戶，工業設備、航天裝備等場景也需要AI在有限資源和復雜環境中穩定運行。

AI發展下一階段，不只是云端模型能力競爭，更重要的是智能如何走向終端、連接真實世界的競爭。端側AI是其中的關鍵基礎設施。

端側AI正重新定義人工智能進入產業的方式：通過更高效的模型、更緊密的軟硬件協同以及更完善的生態體系，讓AI從數據中心走向千行百業。

在這一趨勢下，企業競爭的核心也正在發生變化。未來的領先者，不僅需要擁有強大的模型研發能力，更需要具備將模型轉化為產業能力的全棧能力。

面壁智能正是這一產業演進過程中的探索者之一。

從較早布局端側大模型路線，到構建MiniCPM系列模型體系，再到探索訓練框架、系統平臺和產業生態，面壁智能試圖解決是“如何讓AI進入更多設備和真實場景”。

WAIC 2026提供了一個觀察窗口：端側AI是否已經跨過從技術驗證走向規模化落地的關鍵節點？

答案，或許正在具身智能、手機、汽車以及更多智能終端中逐漸顯現。

從模型能力到產業落地，端側AI正在跨過關鍵節點

過去幾年，人工智能產業的競爭主要圍繞云端展開。大模型參數規模、訓練算力投入以及通用能力提升，成為行業關注的核心指標。

隨著AI從技術探索走向產業應用，新問題浮現：當AI真正進入具身智能、手機、汽車、工業設備等真實環境，僅依靠云端模式是否能夠滿足需求？

現實場景對AI提出了不同要求。具身智能需要在動態環境中實時感知和決策，智能汽車需要低延遲處理復雜信息，手機需要在保護用戶隱私的同時提供個性化服務，而工業設備則要求AI能夠穩定運行于不同網絡和硬件條件下。

這些需求推動AI產業進入新的階段：從單純追求模型能力，轉向探索如何讓智能能力進入更多終端。端側AI正成為這一趨勢的重要方向。

端側AI的價值非常明朗。過去，端側AI最大的落地挑戰在于模型能力、硬件資源和應用需求之間難以平衡。

如今，端側AI正跨過這些規模化落地門檻。

受限于算力、存儲和功耗，端側模型長期被視為云端大模型的“縮小版”。但隨著模型架構優化、低比特量化、推理加速等技術發展，端側模型正在突破資源限制，通過提升智能密度實現“端側模型也具備高能力”。
與此同時，產業需求正在加速釋放。從具身智能到智能手機，從汽車座艙到工業設備，越來越多場景需要AI具備本地化、實時化能力。尤其是在具身智能等真實世界場景中，AI不僅需要理解信息，更需要基于環境變化快速行動，這使端側推理成為不可或缺的能力。
另一個重要變化是產業鏈正在逐漸成熟。端側AI需要模型、芯片、終端和應用生態的協同。只有實現從模型訓練、硬件適配到場景落地的完整鏈路，AI才可能真正進入規模化應用階段。

從具身智能到手機，端側AI正在進入真實世界

如果說云端大模型證明了AI的智能潛力，那么端側AI正在解決另一個更現實的問題：如何讓AI真正進入人類生活和生產環境。

2.1 具身智能：AI從“會思考”走向“會行動”

與文本生成、知識問答等數字場景不同，具身智能面對的是一個動態變化的環境。它需要通過視覺、聲音等多模態信息感知周圍世界，理解人的意圖，并在復雜環境中完成規劃和執行。

在這一過程中，完全依賴云端并不現實。一方面，具身智能運行環境通常要求低延遲響應；另一方面，家庭、辦公、工業等場景涉及大量敏感數據，本地處理能夠更好保障數據安全。

因此，端側模型正在成為具身智能發展的關鍵基礎。

面壁智能將具身智能作為端側AI進入真實世界的重要場景，并探索從通用智能出發構建具身智能的技術路徑。

其推出的MiniCPM-Robot，是基于1.5B參數的端側VLA（視覺-語言-動作）模型。與傳統具身智能方案通常針對單一任務訓練專用模型不同，面壁智能嘗試讓具身智能具備更強的通用理解能力，使其能夠處理更加開放、多樣的任務環境。

在實際產業應用中，面壁智能也正在推動具身智能從實驗驗證走向場景落地。

例如，面壁智能聯合樂聚具身智能推出展廳導覽Agent和園區巡檢Agent解決方案。其中，展廳導覽Agent結合端側多模態模型和具身智能本體，實現具身智能在無網絡環境下完成知識庫問答、環境理解和路線規劃；園區巡檢Agent則通過多模態模型與視覺算法結合，實現對異常情況的本地分析，滿足工業場景對于數據安全和實時性的需求。

2.2 智能手機：端側AI最接近大眾用戶的入口

如果說具身智能代表AI進入真實世界的未來方向，那么智能手機則是端側AI當前最具規模化潛力的應用場景。

過去，手機中的AI功能更多依賴云端服務。但隨著生成式AI的發展，用戶對于更加自然、實時和個性化的交互體驗提出了更高要求。

例如，用戶希望AI能夠理解本地照片、分析個人文件、輔助辦公，甚至成為長期了解自己的智能助手。這些需求涉及大量個人數據，也對響應速度提出更高要求。

因此，端側部署正在成為智能手機AI發展的重要方向。

面壁智能圍繞智能手機及智能終端場景，推出覆蓋文本、多模態等能力的MiniCPM系列模型，并提供從模型優化、芯片適配到端側部署的一體化能力。

其中，MiniCPM5-1B是面壁智能面向端側場景推出的小參數語言模型。盡管參數規模僅為10億級，但通過模型結構優化和訓練效率提升，在綜合知識、推理、代碼和智能體能力等方面保持較強表現。

相比單純擴大模型規模，端側模型更關注如何在有限資源下釋放更高智能密度。這一思路也體現在面壁智能對模型研發的探索中。面壁智能通過低比特量化技術，模型能夠降低運行所需資源，同時保持較高能力水平，使更強AI能力能夠進入手機、平板、電腦等終端設備。

此外，面壁智能還參與三星蓋樂世AI等手機端側AI能力建設。隨著手機廠商逐漸將AI作為下一代終端競爭的重要方向，端側模型能力正在成為手機產業鏈中的關鍵組成部分。

2.3 從汽車到航天，端側AI正成為基礎能力

除了具身智能和手機，汽車也是端側AI商業化的重要驗證場景。

汽車智能化面臨一個特殊挑戰：車輛生命周期通常較長，而AI模型迭代速度遠快于汽車硬件更新。因此，如何讓汽車持續獲得AI能力升級，成為產業需要解決的問題。

面壁智能聯合英特爾與汽車主機廠探索AIBox方案，通過獨立于原車座艙SoC的模塊化設計，為汽車提供面向大模型的計算能力，并結合智能座艙系統實現本地推理。目前，該方案已在部分車型中展開落地探索，推動汽車AI從功能增強走向持續進化。

在航天領域，端側AI則解決的是另一類問題。由于空間環境存在通信限制和數據傳輸成本高等挑戰，衛星和空間設備需要具備一定程度的自主分析能力。

面壁智能探索“端側模型+太空算力”的結合方式，將大模型能力應用于海洋氣象、目標監測、農林牧漁觀察等場景，提高數據處理效率和實時分析能力。

端側AI競爭進入深水區，企業比拼的不只是模型能力

隨著端側AI加速進入產業場景，一個新的行業趨勢正在形成：未來的競爭，不只是“誰擁有更強的端側大模型”，而是誰能夠讓模型真正運行在更多設備、適配更多場景，并形成規模化交付能力。

原因在于，端側AI的落地鏈路比云端模型復雜。

在云端環境中，模型能力是核心競爭因素之一；但在終端環境中，一個模型從研發到應用，需要跨越模型訓練、芯片適配、系統集成、場景調優以及供應鏈交付等多個環節。

任何一個環節存在短板，都可能影響最終體驗。

因此，端側AI正從單點技術競爭，進入全棧能力競爭階段。

3.1 從模型開發者到產業推動者

過去，大模型企業的核心價值更多體現在基礎模型能力上：訓練更大規模模型、提升benchmark表現、擴大模型生態影響力。

但端側AI對企業提出了不同要求。

由于終端設備高度分散，不同行業存在不同硬件環境和業務需求，模型企業不僅需要提供基礎模型，還需要幫助產業完成從模型到設備的適配過程。

這意味著，端側AI企業需要具備連接模型、芯片、終端和應用生態的能力。

面壁智能較早關注到了這一趨勢。

在2023年下半年，當行業普遍關注超大規模參數模型和云端能力競爭時，面壁智能開始探索端側模型路線，并于2024年推出MiniCPM系列模型，通過僅2B參數規模驗證端側模型也可以具備較強智能能力。

這一選擇背后，是對AI發展方向的一種判斷：隨著模型能力不斷提升，決定AI普及速度的不再只是模型規模，而是模型能否進入更多真實場景。

圍繞這一方向，面壁智能提出“密度定律”，即隨著模型技術演進，達到相同智能水平所需的參數規模會持續下降，未來AI的關鍵競爭點將從“大”轉向“高效”。

這一趨勢正在MiniCPM系列模型中體現。

3.2 從“端側模型”到“高智能密度”

在端側環境中，模型規模并不是越大越好。

設備的算力、內存和功耗存在客觀限制，因此如何在有限資源下釋放更高智能密度，是端側模型發展的核心問題。

面壁智能此次WAIC展出的MiniCPM系列最新模型，覆蓋文本、多模態、全模態和語音等方向，體現了其圍繞端側場景構建模型體系的思路。

其中，MiniCPM5-1B是面向端側部署的文本模型，僅有10億參數規模，但通過訓練效率優化和模型設計提升，在知識理解、數學推理、代碼能力以及智能體能力等方面保持同尺寸領先表現。

其背后的關鍵，并不僅是模型本身，而是訓練體系的優化。

面壁智能構建了ForgeTrain預訓練框架和UltraData數據治理體系，通過提升數據利用效率和訓練效率，讓更少的計算資源產生更高價值。

在多模態方向，MiniCPM-V4.6則進一步探索如何讓視覺能力進入資源受限設備。

端側視覺模型需要處理圖片、文檔、視頻等復雜信息，同時受到內存和計算限制。通過視覺Token壓縮和動態混合壓縮技術，模型能夠根據不同畫面復雜程度調整信息保留比例，在保證理解能力的同時降低計算成本。

而MiniCPM-o4.5則代表了端側AI交互方式的進一步變化。

傳統AI交互更多采用“一問一答”模式，而全模態模型正在推動AI從被動響應走向實時交流。通過視覺、語音和文本能力融合，端側AI開始具備更加自然的人機交互體驗。

此外，面壁智能還布局端側語音模型VoxCPM2。

VoxCPM2支持多語言、多音色控制以及高保真語音生成，使端側 AI不僅能夠理解和分析信息，也能夠更加自然地與用戶進行交流。

3.3 構建覆蓋模型、訓練、系統和生態的完整體系

如果說模型能力是端側AI的基礎，那么產業體系能力則決定了技術能否規模化。

圍繞這一目標，面壁智能正在構建覆蓋模型、訓練框架、系統平臺、硬件生態和行業應用的端側AI基礎設施。

在模型層，MiniCPM系列覆蓋語言、多模態、語音等不同能力方向；
在訓練層，面壁智能通過ForgeTrain探索更加高效的大模型訓練方式，并推動AI輔助AI研發的新范式；
在系統層，面壁智能布局AgentVerse智能體平臺和PilotDeck操作系統，為終端智能應用提供運行基礎；
在硬件層，則通過端側開發板等方式探索模型與設備之間的協同。

這一體系建設的意義在于，端側AI企業需要構建的不只是一個模型，而是一套能夠支持不同設備、不同場景快速落地的智能基礎設施。

與此同時，開源生態也成為推動端側AI發展的重要力量。

OpenBMB（Open Lab for Big Model Base）由清華大學自然語言處理實驗室與面壁智能共同發起，聚焦推動大模型技術在端側設備和智能硬件中的應用。

通過開源MiniCPM系列模型以及量化、推理優化等工具鏈，OpenBMB試圖降低開發者使用端側大模型的門檻，加速大模型能力向更多終端擴散。

3.4 資本市場關注與認可端側AI產業化進程

隨著端側智能從技術驗證走向產業落地，具備模型研發能力和產業交付能力的企業開始獲得資本市場認可。2026年上半年，面壁智能累計融資金額超過50億元，估值超過200億元，成為端側智能領域公開估值最大的獨角獸企業。

AI制造AI，面壁智能推動端側AI進入技術新階段

人工智能的發展正在進入一個新的階段。

過去，AI主要依靠人類設計算法、構建數據體系、編寫訓練框架，再通過大量算力訓練模型。

但隨著模型復雜度不斷提升，傳統研發方式正在面臨新的挑戰：模型規模越來越大，訓練成本越來越高，軟硬件協同要求越來越復雜，如何提高AI研發效率，正在成為產業競爭的新問題。

“AI制造AI”應運而生，成為人工智能產業的重要探索方向。

4.1 從人制造AI，到AI輔助制造AI

過去，提升模型能力往往依賴增加參數規模、投入更多算力和獲取更多數據。但隨著模型進入產業應用階段，僅依靠規模擴張的路徑正在受到限制。

一方面，訓練成本持續提升；另一方面，端側AI對模型效率提出更高要求。未來的智能系統，需要在更低資源消耗下實現更強能力。

這推動行業探索新的研發范式：讓AI參與AI的研發過程。

包括自動化代碼生成、訓練流程優化、數據治理提升以及模型結構探索等，都可能成為未來AI研發體系的重要組成部分。

面壁智能正在這一方向進行探索。2026年5月，面壁智能聯合清華大學、OpenBMB開源社區發布ForgeTrain大模型訓練框架。

ForgeTrain探索了一種新的研發方式：通過AI參與訓練框架構建和優化，提高大模型研發效率。

重要意義在于，它改變的不只是某一個訓練工具，而是大模型生產方式。

從產業角度看，這意味著大模型競爭可能進入新的階段：除了比拼模型能力，也比拼“制造模型的能力”。

4.2 從訓練效率到國產算力適配

對于中國AI產業而言，訓練效率提升還有另一層意義。當前，大模型發展高度依賴算力基礎設施，如何讓模型訓練和推理更加充分利用國產算力，是產業持續關注的問題。

據面壁智能披露，ForgeTrain在華為昇騰系列上，已完整跑通預訓練流程，證明了其強?的跨硬件平臺適配能?。

同時，面壁智能利用ForgeTrain完成MiniCPM5-1B模型預訓練，實現了“AI編寫訓練框架—國產芯片運行—訓練領先模型”的完整閉環。

4.3 端側AI需要新的基礎設施

從端側AI的發展來看，模型小型化只是第一步。

真正實現規模化應用，需要解決一系列系統性問題：

模型如何持續迭代？
如何適配不同芯片？
如何降低部署成本？
如何讓開發者更容易調用？

這些問題最終指向同一個方向：端側AI需要新的基礎設施體系。

面壁智能正在圍繞這一方向構建從模型、訓練框架到系統和生態的完整能力體系。

此次WAIC期間，面壁智能聯合中國信息通信研究院啟動《AI For AI標準》相關工作，也體現了產業對于AI自我增強、自我演進能力探索的進一步深入。

未來，隨著AI參與自身研發過程，人工智能產業可能形成新的技術循環：更高效的AI研發方式，推動更強模型產生；更強模型，又進一步提升AI輔助研發能力。這一循環將成為推動人工智能持續發展的重要動力。

結語：端側AI是AI進入真實世界的新基礎設施

過去幾年，人工智能解決的是一個核心問題：如何讓機器擁有更強的智能能力。

從大語言模型到多模態模型，AI在理解、生成和推理能力上不斷突破，讓人工智能第一次具備接近通用智能的可能。

但當AI從實驗室走向產業，新的問題隨之出現：智能能力如何真正進入現實世界？

答案正在逐漸清晰。

未來的AI，不會只存在于云端服務器中，而會進入具身智能、手機、汽車、工業設備以及更多智能終端。端側AI承擔的，正是連接數字世界與真實世界的重要角色。

端側AI的價值并不僅僅在于模型部署位置的變化，而在于人工智能產業基礎設施的一次重構。

這一過程中，行業競爭也將從單一模型能力競爭，轉向覆蓋模型、芯片、系統、生態和產業應用的綜合能力競爭。

面壁智能的發展路徑，提供了一個觀察端側AI演進的樣本——從端側模型探索，到多場景落地，再到訓練體系和產業生態建設，其探索反映了AI從技術突破走向產業規模化階段的重要方向。

登錄閱讀全文



免責聲明：該內容由專欄作者授權發布或作者轉載，目的在于傳遞更多信息，并不代表本網贊同其觀點，本站亦不保證或承諾內容真實性等。若內容或圖片侵犯您的權益，請及時聯系本站刪除。侵權投訴聯系：? nick.zong@aspencore.com！

愛分析ifenxi 愛分析ifenxi是專注于AI市場的研究咨詢機構

進入專欄

評論

愛分析ifenxi 愛分析ifenxi是專注于AI市場的研究咨詢機構

文章：1223篇粉絲：15人

 私信

從2B參數模型到200億元估值，面壁智能押中了什么？｜愛分析調研

最近文章

熱門文章

推薦

最新資訊