2026 WAIC后记:“从云入端”,AI开启一个新价值叙事

产业互联网第一媒体。产业家

“大模型竞争已进入行业应用落地的下半场。行业深刻认知到端侧AI，才是真正的护城河。面壁智能要做的是‘能力放大器’——将基础模型和Agent平台的能力开放给行业伙伴，让懂行业的人用AI重新定义行业。”

独行快，众行远。端侧AI的浪潮，正在加速到来。

作者|皮爷

出品|产业家

“现在端侧智能正处于爆发前夜。”今年WAIC现场，一位刚刚围观了AI手机、具身机器人的投资人告诉产业家。过去的6月，他所在的资本正式完成转向，投资标的倾向从Agent应用项目全面All in端侧智能。

如果说过去两年大语言模型和智能体是这场盛会的核心话题，那么在今年，主题开始向更真实的世界演进：端侧AI。这个话题对应的交卷几乎涵盖了所有厂商，从具身机器人到AI硬件，从端侧推理芯片到端侧模型、算力。所有AI企业被拉到了同一个战场。

热度不仅在会场内，也在会场外。就在大会正式开启的两天前，国家网信办正式公布了最新一批生成式AI服务备案，包括苹果、华为小艺、三星"盖乐世AI"等产品正式获批。其中，苹果的AI落地主要是阿里和百度提供支持，三星“盖乐世AI”端侧大模型能力则是由面壁智能MiniCPM系列提供。

这个信息并不突然，即伴随着端侧AI的持续发展，手机作为最成熟的端侧场景之一，AI与其的结合已是必然趋势，这次公布的手机厂商名单也在市场预料之中。但如果沿着手机场景向模型侧延伸，在阿里、百度这些大厂之外，外界还看到了一家端侧模型的垂直厂商：面壁智能，其是这次备案中唯一一家以端侧模型能力参与的大模型企业。

实际上，经过这次WAIC大会，人们对面壁智能的印象更加清晰。即在诸多眼花缭乱的终端AI硬件底层，人们频频看到这个端侧AI独角兽的身影，在机器人，在手机，在汽车。

一个真实的感受是，这家从最开始就瞄准端侧战场的模型企业，如今正在成为推动甚至是引领端侧智能向前的核心玩家。4年后的今天，它和端侧AI一起全面站上聚光灯舞台。

一

端侧AI，站上C位背后

在全面理解面壁智能之前，一个必须要厘清的问题是，如今的端侧AI到底走到哪了？

站在2026年的产业十字路口回望，AI的叙事逻辑正在发生一场不可逆的位移，即如果说过去几年市场对大模型的期待聚焦在AGI叙事本身，那么如今它开始被给予更多现实期待：AI要真实落地，成为企业和人们真实世界的助力。

这种期待也更对应着AI发展趋势下市场对端侧AI的迫切需求。

首先，成本方面，尽管过去几年时间各大云厂商Token调用量持续攀升，但云端推理仍在持续承压，市场需要端侧“消化“部分推理成本，也就是业内常说的“端侧优先处理，处理不了再上云端”；其次，时延方面，如自动驾驶要求10-50毫秒级响应，云端往返无法满足；以及数据隐私，当下《个人信息保护法》与GDPR持续收紧，敏感数据“不出端”、保护企业核心资产成为刚需，最后相较于云端，端侧AI可以适配企业特殊的弱网、断网环境。

这些外部需求的另一面也伴随着内部土壤的成熟。比如算力供给侧，如今智能手机NPU算力普遍达到45TOPS以上，较2022年提升约3倍，智能汽车领域，头部域控平台芯片算力也已突破1000TOPS关口。

与此同时，过去两年，原生端侧模型也更在愈发成熟。比如提出“密度定律”的面壁智能MiniCPM系列模型一度频频破圈，在相关基准测试中的表现已逼近甚至超越不少大尺寸模型智能水平，同时推理能耗持续降低。

那么，解决了算力、模型尺寸和能耗问题，端侧智能就可以实现了吗？答案显然是否定的，从某种程度来说，把大模型“塞进”终端只是物理上的胜利，能不能成为真正的端侧大脑还需要靠模型来说话。

这恰是当下AI走进真实世界的核心卡点：AI能否读懂真实场景？

从技术路线看，目前各个终端厂商基本沿用了两条腿走路：要么烧钱自研底座，要么采购市面通用语言大模型后在端侧做蒸馏、剪枝与量化，但这套在AI界熟悉的打法在端侧落地时却频频出现问题。

以手机为例，上述路线往往会出现两个主要卡点。首先，泛化性差，即智能手机中的AI往往只能识别固定的场景和执行单链条任务，一旦涉及到复杂工具调用和专业场景，如医疗、教育等方向的内容识别，往往很难完成执行；此外，能耗，根据测算，长期使用手机的AI功能，手机的整体续航会有明显的缩短。中低端机型在执行相应任务时还会出现明显的相应延迟过长、卡顿等情况。

同样的泛化问题在具身赛道更普遍。即对不少厂商而言，不论是基于开源具身模型的场景封装，还是自研，其路径往往都是基于特定场景进行行为数据训练，一旦真实世界场景发生变化，或任务从短程执行变为长程推理，前端的本体就很难满分完成任务。

这些具身大脑的问题也出现在不久前宇树科技的招股书内，其明确指出，“宇树当下的前端出货量主要受限于具身大脑的技术瓶颈。”

在这些单点之外，一个更底层的问题在今年也更在逐渐暴露：重复造轮子。即对终端的多个场景，如手机、具身机器人、智能汽车等等，其中的端侧模型训练在底层有大量的相似性和模块可复用性，但行业本身缺乏一个统一的端侧AI标注体系和数据格式标准，这种彼此之间的技术墙导致了当下端侧模型的烟囱式开发——“单点突破，各自为政”，无法让端侧模型形成合力。

2026年，这些真实影响端侧AI进度的难题，有解吗？

二

面壁智能，全面走到台前

实际上，这也是面壁智能在这次WAIC上被市场广泛关注的原因。即这家定位端侧模型的企业，如今已经在具身智能、消费电子、法律等多个终端场景实现真实落地。

尤为值得一提的是，这些落地不是单纯的特定场景demo演示，而是真实转化为企业和产品的增量。

比如在这次大会现场，面壁智能联合乐聚机器人发布的两款Agent方案—展厅导览Agent解决方案和园区巡检 Agent 解决方案。

前者结合了面壁端侧多模态大模型和乐聚的夸父机器人本体和导航系统，可以让机器人在无网的情况下，纯端侧运行导览系统，实时理解展厅环境，根据人类指令和意图，规划导览路线并进行避障导航；后者则是结合了面壁的多模态大模型，搭载乐聚机器人本体和巡检系统，可以高效准确地识别园区内车辆不按规定停放、路面异常、公共设施异常等情况。

同样的亮眼展示也更在汽车领域。在本届WAIC现场，面壁智能与吉利汽车开展深度合作。面壁智能的 VLM 多模态大模型与吉利机器人的本体、VLA模型及导航系统深度集成，成功实现吉利机器人在生产仓储场景的落地应用。

实际上，早在2025年，搭载面壁MiniCPM多模态模型的吉利AI科技大六座旗舰SUV银河M9就在全球市场上市，而这次RoboHarness的发布则是实现了双方核心能力的进一步协作。

一个真实的感受是，和其他端侧模型厂商不同，面壁智能在端侧AI能力上的表达方式是“以终为始”，即从终端企业的真实场景和商业模型出发，让自身的端侧模型能力充分融入企业的新AI内核，帮助其构建出“不局限于实验室”、可见可感可持续的AI新价值。

此外，这次WAIC大会上，在具身智能方向，面壁智能也更向前迈了一步——其首个具身智能技术成果 MiniCPM-Robot 系列模型宣布正式开源，包含两款具身智能模型：通用 VLA 模型MiniCPM-RobotManip，和面向移动机器人跟踪导航的 MiniCPM-RobotTrack。

前者MiniCPM-RobotManip 是一款面向机器人操作的 1.5B 通用 VLA 模型，其是基于面壁智能最新多模态端侧模型 MiniCPM-V 4.6 训练完成，保留了其通用理解能力，同时模型支持 1 分钟的具身原生记忆，可以高效完成考验上下文记忆的操作任务。

根据主流 VLA 基准测试数据显示，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。

此外，更值得一提的是，其将 MiniCPM-V 4.6 的视觉 Token 高效压缩优势进一步应用在了机器人场景，可以大幅降低机器人的视觉输入计算量与推理时延，使其在保留1分钟上下文记忆的推理成本与行业普遍的传统反应式的推理成本相当。换言之，其可以用更低的成本，让前端机器人实现更好的执行效果。

后者MiniCPM-RobotTrack 则是由面壁智能和南京大学合作研发，其是业内首个支持真实本地断网部署的跟踪模型，可以做到纯视觉的本地自主指令追踪。

以宇树 Unitree Go2 为例，经过系统性优化后的MiniCPM-RobotTrack 模型，在机器狗原生本地算力下稳定达到 5+ Hz，端到端响应时延约 180 毫秒。在现场的真机演示中，即使拔掉了网卡，机器狗仍能依靠视觉画面与文本指令持续完成目标识别、跟踪与运动控制。

这也意味着，基于MiniCPM-RobotTrack的机器人，可以更好地被用于楼宇巡检、人员陪护和园区安防等真实场景。

客观来看，这两款具身模型都不同于行业既有路线。比如MiniCPM-RobotManip特殊的上下文记忆机制设计，其自带的基于多模态的通用智能，以及MiniCPM-RobotTrack能做到的“断网、弱网可运行”，这些特殊的设计也恰是面壁智能独有的端侧模型“工程理解”，即让模型以机器人在真实世界的运行和价值验证为本质目标，从而构建出模型侧所需的框架和能力体系。

三

端侧AI爆发，

需要一个“行业坐标系”

2026年CES大会，在英伟达CEO黄仁勋宣布的一个个新芯片产品外，外界普遍对他的一个观点记忆犹新，“AI仅通过电脑屏幕和扬声器交流的时代已经结束，物理AI的‘ChatGPT时刻’即将到来。”

实际上，在中国这片土地上，这样的故事更在加速上演。资本市场往往是变革的最真实反射场，根据不完全统计，仅过去半年时间里，在端侧发生的融资数量就有数十起，总额超过百亿美元，其中仅面壁智能一家就融资超50亿，企业总估值超200亿。

这些大额融资面向的恰是对端侧模型这张拼图最有能力补全的企业标的。以面壁智能为例，和其它面向云端基模方向的AI独角兽不同，面壁的核心战场定位在端侧，这种定位对应的是国内最全的端侧全栈体系——从训练层（ForgeTrain AI自进化框架）到系统层（AgentVerse智能体平台+PilotDeck操作系统）到模型层（MiniCPM多模态家族），以及上层的硬件层（松果派端侧原生开发板）、架构层（"车-端-云"分层协同与网状供应链）和产业生态全布局（汽车、手机、具身智能、航天等六大场景）。

这种“端侧AGI智能”和“实用落地”双重导向的全栈端侧模型体系，也为面壁智能构建出一些极为鲜明的符号特征——比如面壁智能是如今国内甚至全球市场少有的拥有开源参数规模10B以下“端侧模型全家桶”的厂商；比如截至2026年7月，面壁智能MiniCPM系列全球下载量突破3800万次、GitHub星标超过14万；再比如，如今面壁智能端侧智能座舱方案SuperMate已实现超30万台车辆的量产交付，2026年底预计将搭载于30万辆汽车。

这些从模型能力到场景落地的综合交卷，在过去几年里也恰推动着整个中国端侧AI的发展，从星星之火到今天的燎原之势。

此外，这种端侧产业价值的引领和带动在这次WAIC上面壁智能也有更具体的表达。由面壁智能作为共建单位的端侧智能北京市重点实验室联合智源研究院联合发布了《端侧智能2026：规模化落地元年》报告，报告面向端侧智能给出一张清晰的“能力地图”，即不同终端的端侧AI应该达到怎样的能力，以及划定了对应的标准。换言之，双方联合为端侧AI的能力和发展制定了一个清晰的“度量衡”，让端侧智能的发展有一条可预见的清晰价值路径。