AI 的战场,正在换地方:下一站是端侧

前阵子参加一场行业大会，期间我参加了一场饭局。

其中一位是头部云厂商的 AI 专家，做的是大模型和 AI 基础设施。我这边是 AI 和 IoT 方向的产业投资。严格意义上来说，我们算是他们的客户。不过不是正式会议，没有 PPT，也没有对外口径，就是几个人坐下来吃饭聊天。

这种场合聊出来的东西，往往比发布会上的更有意思。

发布会讲的是已经确定的事。饭桌上讲的是还没确定、但已经在发生的事，又或者是对曾经发生过的事情做一些复盘。

坦白讲，整场下来，我基本就是在记录和点头，确实能插上话的地方不多。回来整理的时候发现，这些零散的话串起来，其实指向同一件事：AI 的战场，正在换地方。

下面我摘录几条，是我觉得有价值、可以分享的部分。为了避免误导，我会尽量写清楚哪些是他们的判断，哪些是我听完之后自己的理解。

一、明年，AI 要从"听得懂"变成"说得出"

先说模型层。

这两年我们习惯的 AI，是"多模态输入"。你能给它看图、说话、传文件，但它吐出来的还是文字。

他们的判断是，明年会翻过来。模型开始直接输出视频、语音，而且是实时的。

举个他们提到的例子。你戴着一副 AI 眼镜看一台需要维护的设备，它不只是告诉你"这是什么"，而是直接在你的视野里标出拆解步骤，先拆哪里，再动哪个螺丝，边说边标。

这不是炫技，是交互成本结构变了。

支撑这件事的，是"全模态"架构的成熟。语音识别、语音合成、图像理解，过去是几套独立模型拼起来的，现在一套模型全干。他们的说法是，理论上所有跟语音相关的应用都能迁过去，成本会下去一大截。

同时还有一个变化容易被忽略：轻量版模型的能力这两年涨得很快，通用任务已经能接住，推理成本却在大幅下降。

我的判断：语音交互的商业化，过去一直卡在成本和延迟上。当"听懂"和"说出"变成一套模型的事，这个结基本就解开了。接下来一两年，这里应该会有一波机会。

二、AI 的最后一公里，在你家的弱电箱里

第二个判断，跟算力有关。

大模型这两年的叙事都在云端。谁的集群大，谁的卡多。但那晚聊得最多的，反而是端侧。

有一个数字我特意记下来了：100 亿参数左右的模型，在经济效益上是最优的。再往上，能力涨得慢，成本涨得快。而这个规模的模型，一张消费级显卡就能跑起来。

这意味着 AI 能力可以下沉到设备里。

他们提到一个我很喜欢的例子：家用 NAS。

很多人买 NAS 是为了存照片。但如果它上面跑一个小模型，就能自动给照片打标签、做分类，还能在本地跑一些私人助手的功能。数据不出家门，隐私和响应速度一起解决。

NAS 本来就是一台 24 小时开着、有存储也有算力的设备。它天然就是家庭的 AI 算力底座，只是过去没人这么用它。

关于专业模型，我们还探讨了一个更硬的场景。在一些相对封闭的垂直行业，数据根本不允许外流。怎么办？把开源模型量化、蒸馏，塞进本地服务器里跑。数据不出厂区，能力照用。

当然也不是所有东西都往端侧走。像云游戏那种实时渲染，算力还在往云端集中。

我的理解：端侧适配会是一个巨大的存量市场。

注意"存量"两个字。不是要再去卖多少全新高算力的设备，而是那些已经卖出去、已经在跑的芯片，怎么把模型高效地跑上去。

真正的瓶颈不在模型，有两个：一是模型到芯片的运行效率，二是垂直场景里的轻量化模型。

所以更准确的说法是：算力在分层，不是在搬家。

三、智能家居卡在连接层，不在 AI 层

这一段是我最熟悉的领域，也最想吐槽。

智能家居喊了这么多年，体验为什么还是上不去？

那晚聊下来，答案有点反直觉：不是 AI 不够聪明，是设备连不上。

现场有人提了个特别生活化的问题：我家的网关为什么老掉线？

原因很朴素。2.4G 频段干扰严重，ZigBee 穿墙衰减大。就这么简单。

几个主流协议的取舍，其实是一道没法全都要的选择题：

WiFi 稳定性相对好，但设备一多就互相干扰。ZigBee 能 Mesh 组网、功耗低，但穿墙能力有限。蓝牙的体验，在全屋智能里说实话最差。

那有没有稳定到极致的解法？有。有厂商做全屋智能走的是有线方案，稳定性确实没话说，但造价跟普通无线方案完全是几个量级的差距，更别提前装改造的成本。

这已经不是技术问题，是商业问题。

我的判断：智能家居的上限，短期看不取决于模型有多强，取决于连接有多稳。

AI 再聪明，设备掉线了也白搭。不管产品外观多好看、性价比多高，连不上就是连不上。

这个环节是所有做物联网的人都要过的坎。智能家居可以做什么，这些年下来已经相对清楚了。但怎么让这些产品稳定地在家庭里跑起来，还有蛮大的空间。

四、硬件不堆参数了，抢的是"任务总线"

这一段偏前瞻，但我认为是那晚最有分量的一句。

他们提到一个说法：随着模型能力溢出，硬件竞争不再是参数竞争，而是"谁能定义 AI 任务总线"。

什么意思？

过去卖硬件，比的是 CPU 多快、内存多大、摄像头多少像素。这些参数消费者看得懂，也愿意买单。

但如果 AI 成了设备的核心，参数就不重要了。重要的是：设备上跑的这些 AI 能力，听谁调度。

说白了，就是"AI 操作系统"之争。手机有 iOS 和安卓，未来的 AI 硬件也会有这么一层。谁掌握这一层，谁就掌握硬件之上的生态。

硬件层本身也在往这个方向走。国内已经有厂商在做存算一体的芯片，用 3D 堆叠和高带宽内存，专门解决大模型推理的带宽瓶颈。这是为 AI 重新设计硬件，而不是把 AI 塞进旧硬件。

我的判断：硬件公司最危险的想法，就是"我只要把算力堆上去"。

堆算力是代工厂的活。定义任务总线，才是品牌方的活。

五、最小可行规模，正在从一个团队缩到一个核

这一段跟组织有关。

我们在尝试一件事：组建一个纯 AI 驱动的小团队，5 个人。

不是"5 个人用 AI 提效"，而是这 5 个人的工作方式，从一开始就是围绕 AI 设计的。写代码的活 AI 干，写内容的活 AI 干，人负责判断和把关。

其中一个细节我觉得特别有意思。我们搭了一套 Agent 的协作方式，用一个"项目经理 Agent"去盯下面一堆子 Agent 的进度。人则动态调整这些 Agent 的提示词，其中一个用途是——去 AI 味。

对，AI 生成的东西有股 AI 味，连我们自己都要专门想办法去掉。

但更触动我的，是另一句话。大公司在推 AI 变革时，最大的阻力往往不是技术，是组织。流程管控是一层，员工对岗位被替代的恐惧是另一层。

我的判断：这件事让我想到一个词，OPC，一人公司。

它的核心不是公司里只有一个人，而是用最少的人，把过去一个团队才能做的事做完。

几个人就能撑起一摊事，已经在被真实地验证。创业的"最小可行规模"，正在从一支团队，缩小到一个很小的核。

六、真正的壁垒，是理解物理空间

最后一个技术判断：

聊到什么才算真正的智能体，他们举了个例子：一个 AI 看到洗衣机门没关，它能不能判断出为什么没关？

听起来简单，其实极难。

它要求的不只是图像识别——"门是开着的"，而是空间理解和常识推理。是衣服卡住了，还是密封条变形了，还是里面有东西挡着。

我的判断：文字处理这件事，模型已经做得很好，而且会越来越同质化。你能写，别人也能写，这不是护城河。

能理解物理世界、能在真实空间里做判断，才是下一道门槛。

这也是我一直觉得 AI 在物联网领域最有想象力的原因。因为物联网设备，天生就长在物理世界里。

七、开源与封闭，两条路正在分岔

还有一个大判断，我觉得值得单独拿出来说。

他们的观察是，当前海外的 AI 生态在趋向封闭。有头部厂商开始限制思维链的输出，不再让用户看到模型是怎么想的。而国内的厂商，尤其是开源阵营，反而在放。

开源加蒸馏平台，让更多人和更多公司能用上、改得动。他们的原话我没记全，大意是这有点像"农村包围城市"。

我的判断：短期看，封闭能保住体验优势和技术神秘感。长期看，用的人多、改的人多，才会长出生态。

这不是情怀判断，是商业判断。生态这种东西，从来不是设计出来的，是长出来的。

顺带提一个他们聊到的灰色地带。有模型产品在模型层没做强安全对齐，只靠外部滤网拦截。短期确实能带来巨大的流量，但合规风险不小。

这种打法能不能持续，我不下结论。但它说明一件事：这一行的规则还没定，很多人在抢时间窗口。

我记下的三个机会

聊完技术，说点我自己的本行。

做投资的人听这些，脑子里转的是另一个问题：这些变化里，钱会往哪流？

我记下三条。

第一，端侧适配是存量市场，也是刚需。 前面说了，瓶颈在模型到芯片的运行效率。这件事没有标准答案，谁先做出通用方案，谁就卡住位置。

第二，芯片设计的 AI 化，比 PCB 设计更值钱。 现场聊到，已经有人在试着用大模型生成 RTL 数据，做芯片布局验证。EDA 软件的市场价值远高于 PCB 设计工具，如果 AI 在这一层跑通，商业价值不小。

第三，AI 的计费体系，现在还是一笔糊涂账。 他们说内部一直在争一个问题：AI 服务到底该按什么计价？有个提议是锚定"一核一小时"这种算力单位。但真正的难点在事后治理——你怎么界定一次调用消耗了多少资源，怎么跟客户说清楚。

这三条里我最看好第一条。因为它不是创造需求，是接住已经存在的需求。

饭局最后聊到一个有点远的话题：知识平权。

AI 正在消除两种差距。一种是信息差，过去我知道而你不知道的事。另一种是智力差，过去你想得清楚而我想不清楚的事。

这两道墙被推平之后，靠信息不对称收费的行业会先被冲击。律师、咨询、培训，这些赛道过去的核心价值，有相当一部分建立在"我懂你不懂"上面。

这个判断我不是第一次听到。但从一线技术团队嘴里说出来，分量不太一样。

回酒店的路上我一直在想一个问题。

这两年我们都在讨论 AI 能做什么。但那晚真正有价值的信息，不是"能做什么"，而是"正在往哪走"。

从云端往端侧走，从文字往空间走。硬件不比参数了，改比谁能定义任务总线。团队也在变小，小到几个人就能成一摊事。

方向比速度重要。

尤其是对我们这些不在头部、但想在这波浪潮里做点事的人来说，看清方向，比跟上每一波热点要紧得多。

最后说明一句。以上观点来自一次非正式的私下交流，我做了脱敏处理，也不代表任何机构的官方立场。有些是对方的判断，有些是我自己的延伸思考，我在文中尽量做了区分。说得不对的地方，责任在我。

你所在的行业，AI 正在往哪个方向走？

评论区聊聊。我很好奇，不同行业的人看到的，是不是同一张地图。