文/王慧莹
编辑/子夜
7月的上海，世界人工智能大会展馆内人流如织。
如果说去年的主题词是大模型落地，那么今年最拥挤的赛道要加上具身智能。200余家企业扎堆亮相，占据近三分之一展区面积。
与往年主打表演式演示的风格不同，今年参展企业纷纷搬来真实产线、仓储货架与导览场景，几乎每一个展台都在展示AI与物理世界的结合。
但走出展台，不管是造机器人的，还是训模型的，行业判断都要比以往保守得多。面壁智能联合创始人、首席科学家刘知远在接受媒体采访时判断，“目前具身智能发展还处于非常早期阶段，甚至连ChatGPT时刻还远未到来。”
在这个展台热闹、落地冷静的节点上，面壁智能展台让不少行业人士驻足。
图源面壁智能微信公众号
究其原因，面壁智能在本届WAIC上发布并开源首个具身智能系列模型MiniCPM-Robot，没有云端传输的延迟，没有对预设程序的依赖，只有一颗装在机器内部的、独立思考的大脑，可以做三明治，也可以一键跟随。
在这场行业集体奔赴中，面壁智能的“反共识”路径是面壁智能探索的关键。早在2024年初，面壁智能就决定All in端侧大模型，在行业一味追求参数大的时期，转而提出了密度定律。
如今，一系列的“反共识”都逐渐被验证为共识，面壁智能也成为资本市场的香饽饽，这背后，是一段关于远见、定力与底层技术的故事。
不依赖网络，面壁智能进军具身智能
走进2026 WAIC的核心展区，不用看导览标识，顺着机械臂的运转声、四足机器人的踏步声和人群的惊叹声走，就能找到今年最火的具身智能专区。
上百台机器人同场竞技，有人形机器人端着咖啡杯平稳迈步，有机械臂精准分拣流水线上的零件，还有巡检机器狗沿着预设路线来回穿梭。围观观众举着手机拍照赞叹，却很少有人追问一句：这套演示，换个房间还能用吗？
这是当前具身智能行业半公开的“潜规则”。绝大多数亮眼的Demo，都是针对固定场景采集上千条数据、反复微调出来的定制化表演。场景不变、物体不变、网络不变，就能跑得丝滑顺畅；但凡换张桌面、换个水杯、断一次网，效果就会大打折扣。
面壁智能的展台，偏偏反着来。
没有反复彩排的完整剧情，一只宇树机器狗收到“跟随前面的人”这条指令后，开始一路跟在目标身后。从室外走进办公楼，再进入电梯、地下停车场，机器狗始终没有跟丢，全程没有卡顿，也没有等待云端指令的延迟。
图源面壁智能微信公众号
另一个场景是做三明治。如果只看动作难度，做三明治算不上惊艳，毕竟机器人们都在展示自己的干活能力，叠衣服、冲咖啡、切菜等场景随处可见。
但让行业停下脚步细看的，是另一层细节。这套机械臂没有连网，没有云端算力支持，所有推理都在本地完成。而且它的记忆是连续的，即便在做三明治的中途被人打断，拿走了火腿，它会停顿半秒，然后重新规划步骤，跳过缺失的食材继续完成。
两个场景中，机器人都能在端侧完成任务，这些并非预设程序，而是大模型的现场思考。支撑这一系列思考的，是面壁智能在本届WAIC发布的具身智能系列模型MiniCPM-Robot，包含MiniCPM-RobotManip、MiniCPM-RobotTrack两个模型，分别对应长程任务和跟踪导航任务。
其中，MiniCPM-RobotManip是基于面壁智能今年发布的MiniCPM-V 4.6多模态模型训练而来，参数规模仅1.5B，却做到了比肩3-4B级别模型的操作性能。在专门考验长时序任务能力的RMBench评测中，RobotManip达到53分，是海外同类型主流模型的5倍以上，单步决策延迟仅120毫秒，足以支撑真实场景的连贯操作。
MiniCPM-RobotTrack参数更小，只有0.9B，是业内首个真正实现本地断网部署的跟踪模型。在宇树Go2 Edu机器狗的原生算力上，它就能稳定跑在5Hz以上，端到端时延约180毫秒。
简单来说，MiniCPM-RobotManip打破了机器人上下文记忆碎片的瓶颈，MiniCPM-RobotTrack让大模型在无网环境下实现接近90%的追踪率，两个模型共同指向一个新变化——端侧AI正在把具身智能从有线木偶变成独立思考的个体。
这也是面壁智能会被行业关注的关键。正如面壁智能学术合伙人、多模态智能首席科学家姚远所说：“目前针对一个固定任务采集上千条数据，再训练一个专家模型，做出一段表现不错的视频并不困难，真正困难的是，机器人换一个房间、换一台本体、换一种物体之后，能不能继续完成任务。”
换句话说，具身智能要在真实世界中干活，需要的是一个能在本地完成感知、决策和执行闭环的端侧大脑，不依赖网络、不依赖预设、不依赖算力冗余。而做端侧大脑，恰恰是面壁智能一直在坚持的事。
“反共识”的选择如何被验证？
如果把时间拨回2023年，面壁智能的选择在当时几乎不被行业理解。
彼时，整条大模型赛道都在疯狂内卷云端大参数量，各家埋头追赶OpenAI路线，比拼千亿、万亿级基座。行业普遍遵循参数规模越大性能越强的法则，认为大模型的能力由Scaling Law决定，参数越大、数据越多、算力越强，模型就越聪明，算力投入水涨船高。
反之，端侧大模型，是云端模型压缩之后下放的地方，算不上主流赛道。
这样的行业氛围中，这个孵化清华大学NLP实验室的创业团队，经历了一场漫长而激烈的内部讨论后，团队做出了一个在当时看来“反共识”的决定：放弃加码千亿级云端基座的竞赛，全面All in端侧研发。
这个选择的背后，是面壁智能对AI产业发展规律的一个基本判断。刘知远曾明确提出：“未来的智能不可能只存在于云端。历史上，计算本身就一直同时存在超级计算、云计算、端侧计算，人工智能也一定会是这样。”
更现实的层面来自行业的竞争。2023年面壁智能在训练出千亿参数规模的基础模型后，发现千亿模型难以落地，不仅融资少、商业化路径不清晰，市场竞争尤为激烈。相反，端侧是一条差异化赛道。
于是，面壁智能选择了一条在当时被多数人认为“不可能”的路。训练参数规模更小、算力更低、但性能更强的端侧模型。
支撑这个决策的，是一套原创的理论框架。刘知远提出了“密度定律”——模型智能密度会随时间呈指数级增强，达到相同智能水平所需要的参数量，每3.3个月下降一半。
图源面壁智能官网
这套逻辑意味着，与其追逐当下的参数规模，不如押注未来单位参数能承载的智能水平。此后两年半，面壁智能用一系列产品验证了这条路。
2024年2月，面壁以仅2B参数的MiniCPM首次开源，验证了端侧模型同样拥有大智能，直接超越同期8B海外竞品的综合性能；
2024年9月，MiniCPM 3.0仅4B参数，在自然语言理解、知识、代码、数学等多项能力上实现对GPT-3.5的赶超；
2026年5月，新一代端侧文本基座模型MiniCPM5-1B，参数量仅10亿，在Artificial Analysis Intelligence Index中获得17.9分，超过多款参数规模更大的开源基座模型。
两年半时间，MiniCPM历经15个主要版本迭代，在GitHub、Hugging Face等平台累计下载量突破3800万次，成为全球开源社区热度最大的端侧大模型体系之一。
伴随面壁智能的不断验证，行业的转向来得比大多数人预期的更快。
进入2026年，云端大模型赛道的增长红利明显见顶。一方面，训练成本指数级攀升但能力边际收益递减，Scaling Law的天花板越来越近；另一方面，云端API的商业化模式遭遇瓶颈，调用量增长但盈利困难，Token成本居高不下成为制约大模型规模化应用的障碍。
面壁智能的融资节奏印证了这一转向。2026年上半年累计融资金额突破50亿元，投后估值超200亿元。投资方涵盖国家级产业基金、央企、整车厂商等产业资本，面壁智能一跃成为端侧智能领域公开估值最大的独角兽企业。
三年前，端侧AI还是少数派选择，到2026年端侧智能已跃升为AI大模型行业中不容忽视的叙事。
“密度定律”跑通产业闭环，
面壁智能加速商业化
概念共识之余，落地又是另一回事。
当端侧AI站在聚光灯下，越来越多的玩家涌入，一个不容忽视的现实是，多数竞争者仍停留在模型Demo演示、单点原型适配的早期阶段，真正能拿出规模化量产落地产品，并跑通商业闭环的玩家，依然凤毛麟角。
在面壁智能创始人李大海看来，2026年是一个明确的行业转折点——端侧AI正式告别参数竞赛阶段，进入以量产交付论英雄的下半场。他在WAIC期间的论坛上直言：“过去两年行业主要在'选技术'，今年开始集中讨论落地。这很像2012到2013年的移动互联网，底层技术仍在快速迭代，但产业机会已经开始转向与具体场景的深度结合。”
面壁智能创始人李大海，图源面壁智能微信公众号
这个判断的背后，是一套清晰的筛选逻辑。李大海认为，端侧赛道的玩家最终会经历三层淘汰：第一层是能不能做出能用的模型，第二层是能不能过车规级、消费级的量产标准，第三层是能不能形成可复制的商业模式。在李大海看来，只有最终用户愿意为这种'智能价值'买单，才能形成商业闭环。
正是基于这样的判断，面壁智能没有停留在Demo和原型阶段，而是率先啃下了量产交付这块硬骨头。
智能座舱是当前商业化的核心抓手。面壁智能自研的端侧智能体SuperMate方案，已经完整跑通了车规级量产链路，是国内首批实现端侧大模型规模化上车的企业。截至2026年上半年，长安马自达EZ-60、吉利银河M9两款车型已正式上市交付，上汽大众、广汽、马自达等多家车企完成定点合作，年内目标是超过30万台量产车搭载自研端侧方案。
消费电子是第二条增长曲线。WAIC开幕前夕确认的消息显示，MiniCPM系列端侧模型即将预装于三星数款旗舰机型全球上市。这意味着面壁智能的端侧模型正式进入全球消费电子的主流供应链。面壁提供从0.9B到8B的多尺寸模型矩阵，覆盖效率办公、图像智能、智慧生活、系统管家四大场景，核心卖点是“断网也能用，数据不出本地”。
图源面壁智能微信公众号
企业级智能体是第三条赛道。面壁智能推出了“面壁+”行业伙伴计划，提供基础模型、AI平台、私有化部署、算力资源和商业化渠道等深度场景功能。
支撑面壁智能跑起来的，除了先发优势，更重要的是技术护城河。将上文提到的“反共识”判断的底层逻辑扒开，是面壁智能提出的密度定律，其核心判断是智能的核心不在于模型体积的大小，而在于单位参数的信息密度与推理效率。
随着端侧AI成为行业共识，密度定律也在逐步被认可。近期，Meta的超级智能实验室近期公开了名为Scaling Ladder的训练效率曲线，其结论与面壁智能的判断如出一辙：要追平一年前同等性能的模型，新模型所需的训练算力仅需不到十分之一。
尤其在Token调用成本日益昂贵的今天，用更小的模型在本地完成更多、更复杂的任务，成为更合乎商业逻辑的选择。
当然，先发优势不代表最终胜势，随着端侧AI从边缘赛道变成黄金赛道，竞争格局也在快速变化。
云厂商方面，阿里云、腾讯云、华为云都在加码端侧布局，推出端云协同的完整方案；终端大厂方面，华为、小米、vivo等手机厂商都有自研端侧模型的投入，车企也在建立自己的AI团队。
巨头们拥有更完整的生态、更庞大的用户基数、更强的芯片协同能力，也推动端云协同赛道的竞争维度，从技术参数转向生态整合与场景深耕。
对于面壁智能这样的创业公司来说，挑战是实实在在的。在巨头环伺的赛道中建立长期壁垒，面壁智能不能只靠技术领先，还需要把开源社区的生态优势转化为产业落地的规模效应。
刘知远曾用“先通后专”来概括具身智能的发展路径，面壁智能的路径也与之类似。过去两年，面壁智能先明确了方向，接下来的深耕阶段，才是真正考验商业化能力和生态整合能力的深水区。
（本文头图来源于面壁智能微信公众号。）
富豪配资提示：文章来自网络，不代表本站观点。
