2026 年的中国 AI 行业正在经历一次叙事转向——资本市场对大模型公司的关注点正从技术能力转向商业价值兑现。在此背景下，端侧 AI 这条曾被视为 " 小众选择 " 的路线，开始进入验证期。

面壁智能是这条路线上最早的押注者之一。这家成立于 2022 年的大模型公司脱胎于清华大学自然语言处理实验室，过去几年，当多数同行在云端模型规模上竞速时，面壁智能却选择把资源集中投向端侧。这一战略决策的核心，源自该公司提出的 " 密度定律 " ( Densing Law ) ——模型的知识密度提升不亚于规模扩张带来的收益，而端侧恰好是承接这种密度红利的场景。截至 6 月末，面壁智能 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。目前，MiniCPM 已落地手机、汽车、具身智能、航天等多元终端，并搭载于多款车型的智能座舱。

" 我们把今年定义为端侧落地元年。" 面壁智能联合创始人、总裁雷升涛在接受采访时表示，公司将继续坚定走端侧 AI 路线，并携手千行百业的合作伙伴推动产业落地，" 随着模型知识密度和算力的不断提升，这个行业会越来越繁荣。"

在 7 月举办的世界人工智能大会 ( WAIC 2026 ) 期间，面壁智能展示了智能体方面的多项新成果，包括智能体操作系统 PilotDeck、面向数字员工场景的 StaffDeck，以及基于 AgentVerse 智能体协作平台的多行业落地成果。从政务协同、财务审核到循证教研、金融风控，面壁智能正以 " 大模型 +Agent" 双引擎战略，打造可复制、可规模化的行业 AI 产品。该公司的一系列布局也获得了资本认可。今年 7 月，面壁智能宣布完成新一轮融资，今年上半年累计融资金额已超 50 亿元，估值突破 200 亿元。

在雷升涛看来，中国大模型厂商单纯依靠 API 调用或 SaaS 订阅很难走通商业闭环，端侧才是模型能力与商业价值兑现的交汇点。面对日益激烈的行业竞争，雷升涛在对谈中深入剖析了面壁智能的技术路线、核心竞争力以及商业模式，并就当前智能体落地的现实挑战给出了他的见解。

面壁智能联合创始人、总裁雷升涛

三年前 ChatGPT 掀起 AIGC 浪潮时，大部分模型厂商都在比拼参数规模，而面壁从一开始就选择押注端侧，背后的思考是什么？

我们当时做端侧主要基于几方面的考虑。

第一，我们提出了密度定律。一方面，我们发现其他大模型公司在不断把模型做大，希望通过扩大规模来提升它的智能，但我们同时观察到，模型的知识密度也在持续提升，单位参数上的能力在增强。另一方面，芯片算力也在不断提升。基于这两点，我们判断未来在端侧运行更高智能的模型是可行的路线。

第二，我们类比了信息革命的发展路径：芯片算力密度的提升带来了信息技术的普及。我们认为，在智能革命时代，模型知识密度的提升同样应该带来智能的普及。

第三，在中国，我们很难看到有公司仅凭 API 调用收费或 SaaS 收费就获得商业成功。我记得 2023 年我们 CEO 大海就说过，API 调用的价格最终一定会被卷到零——这件事其实正在发生。

基于这几个因素，我们在 2023 年非常笃定地把所有资源押在端侧，三年之后，我们看到端侧智能已经开始开花结果。

密度定律认为模型能力密度约每 3.5 个月翻倍，目前来看这个规律还成立吗？密度提升的边际收益会继续放大还是收敛？有没有上限？

我们认为知识密度提升的速度以及它带来的收益还在加速，而且这种加速效果在产业落地层面会更加明显。比如我们今年刚发布的 MiniCPM5-1B，能力已经基本追平一年多前的模型水平。无论是在 IoT、车载还是桌面超算场景，知识密度的提升都能在千行百业中发挥更大的效果。

当前很多模型厂商都在加码布局落地应用，你如何判断端侧 AI 的市场趋势？未来的竞争格局会是什么样？

我认为，随着模型知识密度和算力的不断提升，这个行业会越来越繁荣。我们把今年定义为端侧落地元年，根本原因是我们看到了越来越多优秀的落地案例。我们将通过 " 面壁 +" 行业伙伴计划引入算力合作伙伴和行业合作伙伴。过去一年里，他们已经在各行各业做出了非常好的场景应用，我们希望和他们一起把这个行业做大做强。

面壁的核心护城河体现在哪些方面？

我把核心护城河总结为 "AIM"，即 Agent（智能体）、Infra（基础设施）和 Model（模型）。

第一是 Agent 框架。无论是手机、汽车，还是千行百业的场景，一个高可用的 Agent 框架都非常关键——它是否足够聪明，是否具备良好的记忆和进化能力，能否规划和执行复杂任务，这在行业落地中至关重要。一个好的 Agent 能更充分地发挥基模的能力，所以我们做了 PilotDeck，昨天也开源了面向企业级场景的智能体框架 StaffDeck。

第二是 Infra，也就是让模型或 Agent 框架更好地运行在芯片上。我们是国内最早做大模型的公司之一，核心团队从 2019 年就开始投入，因此在 Infra 层面积累了很强的经验，在各类芯片上都做了深入适配，尤其是在国产芯片上做了大量打磨。在低位宽模型方面，目前主流大模型多用 16 位表示一个参数权重，我们探索用更低的位数——比如 1.58 位或 2 位——来表示参数权重，从而占用更少的存储和计算资源。更进一步，我们在 "AI 训练 AI"（AI for AI）方面也走在前列，此前发布的 ForgeTrain 就是由 AI 编写的训练框架，能大幅提升训练和推理效率。

第三是 Model。我们和一些厂商以及 ISV 合作伙伴交流时发现，他们往往能用最强的云端模型把业务场景跑通，但真正落地的时候，需要在 200T 或 300T 算力的设备上，用一个 20B+ 参数的 Dense 模型或 100B+ 参数的 MoE 模型去运行——这正是我们价值体现的地方，我们能用更小的模型，在客户能够承担的硬件成本内完成训练和部署。

端侧大模型商业化的一个普遍质疑是天花板有限——很多硬件厂商倾向自研或用开源模型压低成本。面壁会担心这类替代风险吗？

就开源本身而言，我们的 MiniCPM 系列全球下载量已经超过 3800 万，我们是开源生态非常积极的参与者。我们认为开源实际上推动了整个行业的发展，很多客户和合作伙伴都是先用了我们的开源模型，后来才找到我们。

回到你的问题，我们并不太担心硬件厂商或芯片公司自研模型，因为训练模型需要全栈能力——从底层、数据、模型架构到评测、发布，整条链路的技术难度非常高。芯片行业或硬件行业需要发挥自身价值链上最大的优势，我们也同样专注于自己的模型训练。我认为双方结合、相互支持，才是最可能发生也最经济的方式。

面壁目前主要采用哪种商业模式？从整体收入结构来看，近两年各类收费方式的占比有没有发生明显变化？

我们大概从 2024 年开始启动端侧模型的商业化，2025 年逐渐成熟，2026 年开始探索新的商业模式。这个过程中经历了几种模式。

最早是 NRE+License 费用（一次性工程费用‌ + 知识产权授权费），比如为一辆车开发智能座舱模型，客户会支付一次性费用，覆盖我们的算力和人力成本，之后每卖出一辆车或做一次升级，会持续支付 License 费用。随着模型能力持续提升，我们也在探索其他模式，比如软硬一体的出货——有的客户直接向我们购买一个 AI Box，这个 AI Box 能提供整车的座舱智能，我们已经将模型、Infra、场景 Agent 层面的适配都做好，客户直接采购即可。

我认为未来值得关注的一种模式是按效果付费。一个智能体最初可能只是做问答，但当它真正能够在行业里、岗位上替代人力完成工作时，按效果付费其实更具性价比。我们的一些 ISV 合作伙伴已经开始尝试这种模式，我认为这有可能是未来的大趋势。

你怎么看当下 Token 经济的定价逻辑？随着推理成本持续下降，行业普遍担心 " 降价快于放量 "，这个问题在端侧场景是否同样存在？

大家讨论的 token 成本不断下降、不断侵蚀厂商利润的问题，对我们做端侧的公司影响不大。事实上，这恰恰是端侧的优势所在，因为硬件是一次性购买的，推理一次还是一万次，成本基本相同。

面壁在端侧的布局已覆盖多个场景，包括智能手机、汽车、机器人、法律服务等，公司内部如何判断哪一个场景优先级更高，会集中资源倾斜？

在端侧落地时，我们选择了汽车、手机、无人机、卫星等方向，判断标准主要基于以下几点。

第一，是否能够快速上量。比如和某个合作伙伴合作，如果投入之后对方一年只能生产三五万台，我们可能就会往后排；而手机厂商每年可能会部署 MiniCPM 到几百万甚至上千万台设备上，这种快速上量的场景我们就会优先考虑。第二，模式是否具备可复用性——我们和一家厂商合作后形成的技术和方案，能否快速复制到行业里的其他伙伴身上。第三，AI 或大模型能否在行业中产生真正的用户价值、解决当下或未来的问题。此外还有其他因素，比如合作伙伴或所在行业对 AI 的接受能力和基础如何。

目前我们做得比较有特色、护城河较深的领域是手机、汽车、法律以及部分 IoT 场景。接下来，我们希望把端侧基础设施提供给千行百业的合作伙伴，通过合作伙伴的能力延伸到各个行业。

面壁在具身智能领域的定位是什么？未来会作为模型能力供应商，还是有可能涉足硬件集成？

在具身智能方面，我们认为最有价值的部分在于 " 大脑 "。对于如何打造一个具身大脑，我们追求两个维度的泛化。一是跨本体的泛化，即具身大脑能在所有机器人本体上通用。二是跨任务的泛化，比如教会机器人叠衣服后，它应该能比较容易地学会切菜，因为二者使用的都是与上肢和手眼协调相关的能力体系。这些能力和技术难度都足够高，所以我们会优先把软件层面的问题解决好。

智能体是今年行业关注的热点，但目前无论在 B 端还是 C 端，大家的实际感受还不明显。您认为当前智能体落地的主要难点是什么？面壁如何突破这些难点？

第一，智能体框架本身还不够聪明。过去一两年，大家已经习惯遇到问题就去问 AI 助手，但在真实办公场景中，我们需要端到端地解决一个任务，这涉及到复杂的任务管理、拆解和执行 , 甚至客户还希望智能体能在使用过程中不断变聪明。目前的智能体框架在这些方面做得都还不够好。

第二，很多智能体框架很难做到开箱即用，它们往往是在实验室里开发出来的，而不是为行业从业者设计的。所以我们在打造 PilotDeck 的过程中 , 非常重视和行业伙伴的调研与沟通 , 很多功能是和他们一起共创出来的。我们追求的是让用户一上来就知道怎么用 , 而且用起来得心应手。

第三，很多企业客户，尤其是国央企和政府机构，非常担心数据安全问题。基于这个顾虑，我们为行业伙伴提供了纯端侧、端云一体或高安全等级的解决方案，让本地数据在本地处理。绝大多数高频、机密任务全部在本地完成；安全要求更高的场景甚至不做联网；对于部分 OTA 或网络访问需求，我们会配备跳板机、白名单等严格的管控措施。

第四，业务嵌入的深度不够，很多基于智能体开发出来的产品，还不足以解决复杂业务场景中的真实问题。现在很多智能体只能搭建简单的 workflow，但行业里的问题不是一两个 workflow 或知识库就能解决的。因此，我们认为和千行百业的合作伙伴共创是关键，基于他们数十年积累的行业 know-how 去打造属于行业本身的智能体框架，由我们提供硬件层面的支持，这样才能真正在行业里把问题解决。

如果做一个预测，你认为智能体的落地会在什么时候出现类似 "ChatGPT 时刻 " 的突破点？

我认为现在行业里已经能看到大爆发的趋势 , 今年下半年到明年上半年就会显现出来。撰文 / 陈佳靖