2026 年下半年，大模型这条路的竞争正在走过拐点。当大语言模型的窗口逐渐关闭，端侧、科学智能（AI for Science）成了新一批创业者的押注方向。

在这个节点上，元空智能创始人兼 CEO 逄大嵬同时做两件事：把模型塞进端侧设备做生产力交付，用机械臂和实验台驱动干湿闭环的科学智能。

逄大嵬的团队出自北京大学科学智能学院，做开发的人多是先学四年化学、再读两年 AI 的交叉学科背景。2023 年 3 月，他们做出国内最早的 AI Excel 产品 ChatExcel，三年时间从云端应用走到端侧设备。

这次访谈重点聚焦端侧 AI 未来的趋势，以及科学智能领域的自进化闭环。

核心观点

端侧 AI 的终局是一群垂直玩家。

机会之所以分散，根因是数据分散，能力增长发生在无数设备上，单一的基础模型接不住这个循环。

端侧 AI 窗口在 2026 年打开。

小模型智能密度、Harness 能力、端侧芯片算力，三条曲线第一次同时成熟。

Work 不是 Office

办公只是 Work 生产力场景的一小部分，Work 真正的价值，是交付物从文档变成业务结果。

科研是端侧价值密度最高的场景。

当实验台成为数据入口，科研的竞争会从模型能力转向实验室资产，干湿闭环产生的数据成为最稀缺的壁垒。

以下为本次访谈实录，在不改变原意基础上略有修改。

01

端侧 AI 天然是分散市场

爱分析：为什么现在这个时点，开始进入端侧 AI 市场？

逄大嵬：端侧技术我们储备了几年，选择今年发布，是因为有三件事第一次在端侧 AI 同时成熟。

第一是，模型智能密度提升。今天 35B 参数的模型，能力已经接近一两年前的全尺寸模型，而继续堆参数带来的增益正在显著变小。第二是，端侧芯片的算力在持续增长。一台 40 TOPS（每秒 40 万亿次操作）的消费级电脑，已经能运行合适参数量级的模型。第三是，Agent 的 Harness 框架走向成熟。

三条曲线分开看都不新鲜，但它们在今年交汇，本地运行真正具备生产力的 AI 成为可能。

爱分析：做端侧，最直接的驱动力是什么？是合规、数据主权在驱动吗？

逄大嵬：数据主权只是一个维度。企业和个人的敏感数据上传云端，这不是长久之计。

第二个维度是成本。Token 费用随使用量增加、Token 越来越贵，已经进入企业财务报表。但今天小参数模型已经能做很好的事情，成本可以几乎拉到零。

第三个维度，我们相信一个技术趋势，端侧让智能随时可以获得。很多场景不能都连云端，比如长程任务跑到一半中断，无法保证持续可预期的输出。这不是安全问题，是稳定性和及时性的问题。

这三件事决定了本地化会成为企业级 AI 落地的必经之路。

爱分析：端侧除了提供算力，还承担什么角色？

逄大嵬：设备不只限于 PC，也不只是放算力这件事。黑灯实验室里有机械臂、有培养皿、有测序，几十种不同的设备，驱动这些设备是很复杂的事，并不是单纯做算力。

比如，模型和 Agent 放到机器狗里，视频捕捉之后本地就可以处理了。这些及时性有需求的场景，都需要在端侧设备解决。

爱分析：如何展望端侧 AI 的市场格局？

逄大嵬：一定是众多垂直玩家共存，而不是少数玩家大一统。根子在于端侧的数据是分散的。

每个设备产生什么数据、要解决什么问题，都不一样。端侧的设备种类是无限的，除了电脑，还有实验室设备、LED，甚至日常的门和灯。理论上所有端侧物理设备都可以接入模型，只是适配多大模型、能不能规模化的问题。

模型能力的下一步增长，靠的不是互联网上再挖多少静态数据，而是设备上持续发生的真实交互。数据在哪里产生，能力就在哪里生长。因此，端侧 AI 这件事天然是分散的，一个大一统的平台接不住。

爱分析：每个设备不一样、每个场景不一样，会不会做得很碎？

逄大嵬：每个团队资源有限、禀赋有限，所以我们就做 Work 和科研两个场景。工业上有很多机会，但我们暂时不会重点做。

爱分析：模型大厂在端侧的机会如何？

逄大嵬：大厂大一统的那个窗口期已经结束了。我们做端侧就是要进到设备里，这一定是个新思想，我们做科研也是新思想。不是新就是对，而是要做下一个阶段的那颗珍珠。不然大家都在做一个重复的、必然会被大厂做掉的事情，没有意义。

02

AI Work 不是 Office，交付物要跳出三件套

爱分析：办公市场并不大，大厂为何要全力投入？如何更好的理解 AI Work？

逄大嵬：只要是工作都属于 Work。工作并不只是做办公、做 Office，去收集分析货柜上的货品信息，也是 Work。

办公软件做了那么多年，盘子也就那么大，为什么大家还都在做？其实大家逐渐都会意识到，Work 其实是生产力场景，并不只是 Office。

爱分析：比如元空，在端侧 AI Work 可以交付什么？

逄大嵬：我们产品的定位是全场景智能生产力平台，覆盖 Excel、Word、PPT、数据库，以及代码与文件，桌面工作场景处理。我们交付的是结果，不是文档。我们发布会上演示了三件事，整理发票、查异常流水、跑科研全流程，产出都不是一个文档，而是一个业务结果。

用户只要用自然语言说清目标，剩下的由系统自己往下跑，支持 24 小时连续任务执行，中断后还能从检查点恢复。

爱分析：元空后训练了 35B 和 27B 两个模型，选这两个参数点的出发点是什么？

逄大嵬：一个是 35B 的 MoE 模型，另一个是 27B 的稠密模型，两者适用的 Work 场景还是有区别的。

你要干活，就必须配一个很好的 Agent 框架，20B 以下的模型驱动的 Agent 框架效果是打折扣的。

爱分析：端侧 AI Work 的商业模型和云端有什么不同？

逄大嵬：云端最大的问题是用户越多亏得越多，我们恰好相反，用户越多利润越多。我们强调标准化交付，比如进入惠普的设备，出一台货就赚一台的钱，几乎只需要承担研发成本，销售成本几乎为零。

爱分析：怎么看待大厂目前全力推进 AI Work？

逄大嵬：大厂永远想做通用性，但是进到企业侧，遇到的问题还是老问题：你能交付多少、能不能赚钱、有没有利润。

03 

科研是端侧价值最高的验证场

爱分析：端侧为什么优选了科研场景？

逄大嵬：科研价值密度高，而且对本地化的要求强。科研本身就保密，模型要存在单独的设备里，过程还要可追溯、可复现、可验证，所以必然要做端侧。

但端侧只是个技术实现，它并不决定科研能不能成功。真正的门槛在数据和闭环。

爱分析：如何理解？

逄大嵬：预训练阶段，互联网上的静态数据已经被吃得差不多了，继续往里堆数据的收益在不断下降。真正稀缺的，是模型在真实环境里干活留下的轨迹数据：为什么做、怎么做、最后做成没有。这些数据不会出现在互联网上，它们只出现在设备上。

所以，我们强调科研的 RSI（自进化）必须是干湿闭环，做不到干湿闭环就不能叫 RSI。

这个闭环里，干的部分，算法运行、做假设、做仿真；湿的部分，通过 Agent 去驱动所有设备去做整个过程。通过实验台的运行，你才能拿到所有数据，回流做模型的自我训练。

爱分析：所以模型、Agent、设备必须绑在一起做端侧？

逄大嵬：对。只靠模型不行，只靠 Agent 也不行，一定要结合起来，模型和 Agent 是左右腿的关系。而设备不只是 AI 能力的载体，还是下一轮能力生长的起点。给 Agent 一个任务，它去干活，干完活把数据回流，模型才能继续进化。

爱分析：科研领域，当实验台成为数据入口，竞争会不会从模型、Agent、设备的三重竞争，转向占领实验室资产的竞争？

逄大嵬：准确的说，是实验室的真实数据越来越宝贵。比如某一个小分子的研究，全球可能就那五个实验室在做，做完就做完了。其他厂商想做也做不了，因为你连实验台数据都没有。

爱分析：科研领域，需要训练完全不同的模型？

逄大嵬：对，科研会有不同的模型。比如做蛋白质的、做小分子的、做材料的、做大气物理的，是完全不一样的模型。所以科研是完全不同尺度、多模的模型。

不光模型，设备也不一样，大气物理要做传感器采集设备，做蛋白质的要测序设备。

爱分析：科研领域进展如何？

逄大嵬：2027 年，我们几个管线争取做出真实的科研产出。我们跟几个顶级的 lab 和高校已经合作，正在做。我们要的结果是，几个正在合作的管线，湿实验台真的跑出科研成果。不是发 paper，发 paper 很容易，是真的能出成果。做科研模型的自进化是我们追求的目标。

注：点击左下角" 阅读原文 "，查看更多洞察内容。

近期厂商征集

AI 数据基础设施研究项目征集

点击申报

截至时间：10 月 31 日

本体市场研究项目征集

点击申报

截至时间：10 月 31 日