站在2026年的今天回看，中國(guó)大模型產(chǎn)業(yè)的敘事，大多圍繞兩個(gè)關(guān)鍵詞展開(kāi)：規(guī)模與應(yīng)用。

一方面，是不斷被刷新參數(shù)上限的模型競(jìng)賽，仿佛只有“更大”才能通向“更強(qiáng)”；另一方面，是圍繞API調(diào)用、Agent與行業(yè)落地展開(kāi)的商業(yè)化肉搏。幾乎所有公司，都在這兩條路徑之間尋找自己的位置，試圖在算力軍備競(jìng)賽與用戶增長(zhǎng)之間求得一線生機(jī)。

但如果把時(shí)間線拉長(zhǎng)，會(huì)發(fā)現(xiàn)有一類(lèi)公司，其路徑并不完全遵循這兩條主線。

面壁智能就是其中一個(gè)典型。

這家公司并不以參數(shù)規(guī)模見(jiàn)長(zhǎng)，在傳播上也不追求高調(diào)，但它卻長(zhǎng)期領(lǐng)跑在另一條更隱蔽的技術(shù)軌道上：圍繞“如何在有限資源下構(gòu)建更高能力的模型”這一問(wèn)題，持續(xù)推進(jìn)。

這使它形成了一種少見(jiàn)的技術(shù)路線——不是由產(chǎn)品規(guī)模或用戶數(shù)量定義，而是由一套穩(wěn)定且一貫的技術(shù)判斷所塑造。在巨頭林立、算力為王的時(shí)代，面壁智能走出了一條以“智能密度”為核心，從云端向端側(cè)，從通用向垂直的“精益”突圍之路。

——導(dǎo)語(yǔ)

01

不是參與者，而是范式的連續(xù)跨越者

通往AGI的道路上，企業(yè)發(fā)展路徑的城頭變幻大王旗，甚至比技術(shù)的煥新來(lái)的更快。

2023年5月，行業(yè)曾用“AI六小虎”總結(jié)中國(guó)大模型創(chuàng)業(yè)的核心陣營(yíng)：智譜AI、MiniMax、百川智能、零一萬(wàn)物、月之暗面、階躍星辰。這些明星公司均有著履歷光鮮的創(chuàng)始團(tuán)隊(duì)，一度被視為中國(guó)大模型產(chǎn)業(yè)的風(fēng)向標(biāo)。

然而，資本的聚光燈遠(yuǎn)比技術(shù)路徑更易轉(zhuǎn)向。短短兩年間，這個(gè)組合已經(jīng)面目全非。2025年1月，零一萬(wàn)物創(chuàng)始人李開(kāi)復(fù)明確宣布不再追求訓(xùn)練超大模型，公司逐漸轉(zhuǎn)變?yōu)橐患褹I應(yīng)用與工程公司。2025年9月，百川智能創(chuàng)始人王小川通過(guò)全員信明確——專注醫(yī)學(xué)，減少多余動(dòng)作。兩員大將前后腳退出了基座模型的競(jìng)賽。

取而代之的是新概念的涌現(xiàn)。“AGI五小龍”成為了繼“六小虎”之后新的行業(yè)明星群體。這一組合中的五家企業(yè)——智譜AI、MiniMax、月之暗面、階躍星辰與面壁智能——都以AGI為終極目標(biāo)。

前四家早已聲名在外，而面壁智能，則是最新加入這一行列、也最具路徑個(gè)性的那一個(gè)。

這是一家既“老”且“新”的公司。

說(shuō)它“老”，是因?yàn)槠浜诵膱F(tuán)隊(duì)至今仍和清華大學(xué)NLP實(shí)驗(yàn)室（THUNLP）有著極其密切的聯(lián)動(dòng)，其在大模型領(lǐng)域的積累可以追溯到2019年，甚至更早。2020年12月，團(tuán)隊(duì)發(fā)布了國(guó)內(nèi)首個(gè)中文大模型CPM-1，成為后來(lái)中國(guó)奠基性大模型“悟道”系列的首發(fā)主力陣容。可以說(shuō)，這支團(tuán)隊(duì)親歷了中國(guó)大模型從無(wú)到有的全過(guò)程。

說(shuō)它“新”，是因?yàn)槊姹谥悄茉?022年8月才正式成立，且這一時(shí)間點(diǎn)要早于ChatGPT引發(fā)的創(chuàng)業(yè)熱潮——這意味著面壁的創(chuàng)業(yè)決策并非跟風(fēng)，而是基于團(tuán)隊(duì)對(duì)技術(shù)趨勢(shì)的獨(dú)立研判。而它真正旗幟鮮明地主攻端側(cè)大模型，則是在2023年8月之后完成的一次戰(zhàn)略性轉(zhuǎn)折。

這就是面壁智能最核心的特征：與技術(shù)成就相比，其真正的核心能力，并不僅僅在于某一具體技術(shù)棧，而在于核心團(tuán)隊(duì)對(duì)“范式切換”的持續(xù)判斷能力——從知識(shí)圖譜轉(zhuǎn)向預(yù)訓(xùn)練，從預(yù)訓(xùn)練到高效訓(xùn)練，從大參數(shù)模型轉(zhuǎn)向端側(cè)高效模型、再到今年火熱的本地類(lèi)Claw產(chǎn)品,甚至 AI 制造 AI——每一次轉(zhuǎn)換，面壁都踩在了技術(shù)范式更迭的前夜。

國(guó)內(nèi)的公司無(wú)論是大廠還是以技術(shù)出身的創(chuàng)業(yè)公司，脫離了中國(guó)高校的學(xué)術(shù)圈之后都會(huì)有一個(gè)問(wèn)題——他們很難時(shí)刻緊跟最前沿的技術(shù)。而面壁不同，它始終與清華實(shí)驗(yàn)室保持著深度連接，由此保持了許多思想上的活力。

換言之，面壁不只是一家公司，它是一個(gè)從學(xué)術(shù)創(chuàng)新土壤中持續(xù)汲取養(yǎng)分的有機(jī)體。

傳統(tǒng)的技術(shù)競(jìng)爭(zhēng)像是攀登珠峰，目標(biāo)明確，大家比拼的是誰(shuí)爬得快；而大模型時(shí)代更像是一片沙漠里的“淘寶”，沒(méi)有人知道寶藏（AGI）的確切坐標(biāo)，大家都在根據(jù)自己的直覺(jué)和地圖摸索。更重要的是，即使你挖到了寶藏，但隨時(shí)可能有人挖到更大寶藏的消息傳來(lái)，讓你痛悔不已——本質(zhì)上，這是一場(chǎng)追求誰(shuí)能活下來(lái)和持續(xù)發(fā)現(xiàn)寶藏的“無(wú)限游戲”。

而面壁之所以選擇端側(cè)，并非因?yàn)槎藗?cè)是終點(diǎn)，而是因?yàn)樵谫Y源極度受限的端側(cè)“沙漠”中，他們找到了一條能讓自己活得更久、跑得更快的路徑。

這是一家罕見(jiàn)的，對(duì)走一條完全自主的技術(shù)路線心里有數(shù)，并有超前洞見(jiàn)性的企業(yè)。它并不盲目追隨“大力出奇跡”的主流敘事，而是選擇了一條人跡罕至的“密度定律”之路。

02

從“密度定律”出發(fā)的技術(shù)路線

2023年，當(dāng)整個(gè)行業(yè)都在為ChatGPT 的發(fā)布而顫抖，紛紛砸下重金試圖堆砌算力復(fù)刻“千億美元級(jí)”的模型時(shí)，面壁智能卻在做一件看起來(lái)“很蠢”的事：他們砍掉了原本計(jì)劃中的萬(wàn)億參數(shù)大模型（CPM-D），轉(zhuǎn)而全力投入一個(gè)參數(shù)規(guī)模極小的模型研發(fā)。

從2020年GPT-3問(wèn)世后聯(lián)合智源研究院做出中國(guó)第一個(gè)十億級(jí)參數(shù)的的中文大模型CPM-1，到 2022年做出百億級(jí)參數(shù)的CPM-B，再到2023年8月果斷暫停萬(wàn)億參數(shù)路線并轉(zhuǎn)向端側(cè)——每一次行業(yè)拐點(diǎn)的到來(lái)，面壁似乎都提前半步聞到了風(fēng)向——這就是我前面提到的“洞見(jiàn)力”。

這種判斷力在2023年的那個(gè)夏天達(dá)到了關(guān)鍵一躍。當(dāng)時(shí)，“六小虎”們都在瘋狂融資、囤積算力，目標(biāo)是“誰(shuí)先達(dá)到GPT-4水平誰(shuí)就是霸主”。面壁卻在一個(gè)內(nèi)部會(huì)議上做出了一個(gè)反共識(shí)的決定：不做萬(wàn)億模型。

“當(dāng)時(shí)走了這條路，之后很有可能就是萬(wàn)劫不復(fù)的深淵，”面壁智能首席研究員韓旭回憶，“會(huì)抽干所有資源，最后還不一定達(dá)到效果。”

2023年8月，面壁正式將戰(zhàn)略目標(biāo)調(diào)整為：在2024年發(fā)布一個(gè)參數(shù)小于百億、能力約等于ChatGPT的模型。這個(gè)決定在當(dāng)時(shí)看來(lái)近乎冒險(xiǎn)——當(dāng)所有人都在往云上沖刺時(shí)，為什么要往終端轉(zhuǎn)移？

因?yàn)槊姹谝庾R(shí)到，云側(cè)大模型的道路過(guò)于擁擠。更重要的是，云側(cè)大模型的計(jì)算成本、運(yùn)營(yíng)成本和隱私問(wèn)題，使其難以真正“讓智能走進(jìn)千家萬(wàn)戶”——而這句話，恰好是面壁智能的slogan。

于是，一個(gè)大膽的目標(biāo)被定了下來(lái)：做一個(gè)小于百億參數(shù)的模型，讓它達(dá)到ChatGPT的水平，并通過(guò)終端設(shè)備賦能千家萬(wàn)戶。這是面壁端側(cè)路線的真正起點(diǎn)。

但端側(cè)并不是一個(gè)隨意選擇的結(jié)果，它背后有一套完整的技術(shù)哲學(xué)，也就是如今被稱為“大模型領(lǐng)域的摩爾定律”的“密度定律”。

所謂的大模型智能的密度定律，來(lái)自于面壁團(tuán)隊(duì)持續(xù)的探索。可以說(shuō)，對(duì)這個(gè)規(guī)律的探索和感悟，才是支持面壁智能發(fā)展的底層思維模式——大模型的智能密度每100天提升一倍。

這其中，智能密度 = 模型能力 / 推理算力能耗。

2025年，這一規(guī)律得到進(jìn)一步深化，面壁智能的高層在公開(kāi)演講中指出：大模型智能密度每3.3個(gè)月翻一番，意味著同等能力的模型，在3.3個(gè)月后僅需要一半的參數(shù)就能實(shí)現(xiàn)。

這就是面壁的核心理論框架。當(dāng)行業(yè)普遍將參數(shù)規(guī)模視為能力核心時(shí)，面壁已經(jīng)轉(zhuǎn)向了一個(gè)不同的函數(shù)：參數(shù)規(guī)模只是大模型的變量之一，而不是決定性變量。真正決定模型價(jià)值的，是單位參數(shù)所承載的有效智能。

這一思路的自然結(jié)果，在工程層面，就體現(xiàn)為在模型尺寸的收斂與效率的飆升這兩個(gè)看似矛盾的追求中尋找最佳平衡點(diǎn)。

但這種平衡不是沒(méi)有上限的，它建立在主流端側(cè)的算力限制之內(nèi)。韓旭回憶說(shuō)：“這個(gè)上限，在這一定律最早成型的時(shí)代背景下，是能夠在一臺(tái)采用高通驍龍8gen3芯片和8GB內(nèi)存的手機(jī)上，勉強(qiáng)跑起來(lái)當(dāng)時(shí)主流大模型的能力。”

嚴(yán)格的硬件上限之內(nèi)對(duì)性能的極致追求，也是沿著這條路，面壁智能才一步步走到了今天 。

回看面壁端側(cè)模型的產(chǎn)品迭代時(shí)間線，可以清晰地看到這條密度定律在工程層面的兌現(xiàn)過(guò)程：

2024年2月，面壁推出首個(gè)端側(cè)大模型MiniCPM，僅用24億參數(shù)的模型實(shí)現(xiàn)了超越同期百億參數(shù)模型的能力，一出手就打響了“小鋼炮”的名號(hào)。

此后，他們用40億參數(shù)的模型，實(shí)現(xiàn)了接近甚至超越GPT-3.5的能力；用80億參數(shù)模型逼近GPT-4的能力。這打破了“模型必須大”的迷信，證明了通過(guò)架構(gòu)優(yōu)化和數(shù)據(jù)質(zhì)量的提升，小模型也能具備大智慧。

為了在有限資源下訓(xùn)練大模型，面壁很早就自研了分布式訓(xùn)練框架BMTrain。這不僅是對(duì)標(biāo)DeepSpeed或Megatron的工程實(shí)現(xiàn)，更是其“密度定律”的體現(xiàn)——僅用32張卡甚至更少的資源，就可以啟動(dòng)百億級(jí)模型的訓(xùn)練，極大地降低了大模型的準(zhǔn)入門(mén)檻。

更重要的是，在開(kāi)始大批量訓(xùn)練模型之前，他們建立了一套“模型風(fēng)洞”機(jī)制——借鑒航空工業(yè)的空氣動(dòng)力學(xué)理論，在小模型上快速實(shí)驗(yàn)、驗(yàn)證方案，再推演到大尺寸模型上。“我們?cè)谛》秶鷥?nèi)把所有方案都嘗試完之后，最終得到一個(gè)最優(yōu)方案，再去訓(xùn)更大尺寸的模型，”韓旭解釋，“這樣可以降低大量的試錯(cuò)成本。”

隨后接踵而至的，就是面壁在兩到三年里沖到端側(cè)超頭部的一連串驚人之舉。

2024年5月，多模態(tài)端側(cè)模型MiniCPM-V發(fā)布，以80億參數(shù)實(shí)現(xiàn)了多模態(tài)綜合性能超越GPT-4V、Gemini Pro等云側(cè)模型，首次在手機(jī)、平板等終端設(shè)備上實(shí)現(xiàn)多模態(tài)實(shí)時(shí)推理。

但讓這款模型真正廣為人知的，是其后來(lái)被美國(guó)頂尖高校斯坦福的一個(gè)AI團(tuán)隊(duì)抄襲，引發(fā)了國(guó)際學(xué)術(shù)圈的軒然大波，最終以抄襲者致歉撤下模型告終。

面壁的端側(cè)多模態(tài)研究果也于2024年 7 月登上《Nature》子刊《Nature Communications》，標(biāo)志著中國(guó)高效大模型的技術(shù)創(chuàng)新獲得國(guó)際學(xué)術(shù)界的最高認(rèn)可

2025年1月，MiniCPM-o 2.6發(fā)布，以80億參數(shù)量在iPad上實(shí)現(xiàn)媲美GPT-4o的全模態(tài)實(shí)時(shí)流式視頻理解與高級(jí)語(yǔ)音對(duì)話能力，成為開(kāi)源社區(qū)彼時(shí)最強(qiáng)語(yǔ)音通用模型與最強(qiáng)端側(cè)視覺(jué)通用模型。

2025年8月，MiniCPM-V 4.5開(kāi)源，以80億參數(shù)量實(shí)現(xiàn)視頻理解、OCR、文檔解析能力的端側(cè)SOTA，用別人不到九分之一的參數(shù)做到了更強(qiáng)的效果。

2026年1月，行業(yè)首個(gè)全雙工全模態(tài)大模型MiniCPM-o 4.5發(fā)布，僅90 億參數(shù)的精簡(jiǎn)體量，實(shí)現(xiàn)了語(yǔ)音、視頻、文本的全模態(tài)同步交互，從「一問(wèn)一答」進(jìn)化為「類(lèi)人即時(shí)自由對(duì)話」。

目前看大模型公司，已經(jīng)過(guò)了單看參數(shù)量的階段，更核心的pk是迭代速度和再迭代速度。而面壁證明了這兩個(gè)能力，自己全都具備。

具備的最有力證據(jù)，就是圖中的這條迭代曲線：

注：「密度定律」的曲線圖

有人問(wèn)：為什么面壁智能明明走的是一條看似不那么主流的端側(cè)路線，但卻依舊被歸集于“AGI五小龍”的行列中？

這是因?yàn)椋藗?cè)不是算力貧弱的代名詞，而是一種可攻可守的研發(fā)策略，它的終點(diǎn)同樣是AGI，而且是智力密度更高的AGI。

韓旭對(duì)此有一個(gè)精準(zhǔn)的總結(jié)：“訓(xùn)練端側(cè)模型的過(guò)程也是尋找大模型方法論的過(guò)程，能讓端側(cè)模型訓(xùn)練成功的方法論，把參數(shù)規(guī)模放大，卡加多，很快就能把更大的模型給訓(xùn)出來(lái)。只要掌握了方法論，訓(xùn)練極大參數(shù)規(guī)模的模型，難點(diǎn)更多的是在算力基礎(chǔ)設(shè)施高效性和穩(wěn)定性等工程性問(wèn)題上。通向AGI的路線，是學(xué)術(shù)、工程、資源分配的組合優(yōu)化問(wèn)題。”

換言之，做端側(cè)模型的技術(shù)積累是向上兼容的，但反過(guò)來(lái)卻未必能行。一個(gè)長(zhǎng)期聚焦云側(cè)的大模型公司可能并不知道如何讓大模型在手機(jī)芯片上以最佳效率運(yùn)行。小參數(shù)尺寸的端側(cè)模型對(duì)數(shù)據(jù)質(zhì)量會(huì)更為敏感，對(duì)大參數(shù)尺寸云側(cè)大模型成功的方案未必能成功訓(xùn)練端側(cè)模型。但面壁 則隨時(shí)可以把小模型的技術(shù)“放大”。只要給它足夠的資源和不長(zhǎng)的時(shí)間，它就可以是一家標(biāo)準(zhǔn)意義上的大模型前沿企業(yè)。

韓旭舉的一個(gè)例子十分有趣：“現(xiàn)在開(kāi)源的大模型家族里，不乏有極其優(yōu)秀的大模型家族衍生出的小尺寸模型，最經(jīng)典的比如Meta的Llama，它們也可以在端側(cè)設(shè)備上面跑，但它的效率絕對(duì)無(wú)法超過(guò)面壁智能的同尺寸模型。歸根結(jié)底，是其仍然采用了較原始的Transformer架構(gòu)，而沒(méi)有充分考慮端側(cè)的特點(diǎn)進(jìn)行設(shè)計(jì)。相反，我們同樣通過(guò)很多精巧的架構(gòu)設(shè)計(jì)和模型強(qiáng)化訓(xùn)練，使之更符合密度定律，也因此才能在端側(cè)更具競(jìng)爭(zhēng)力——而這是那些主打大尺寸模型的企業(yè)很少會(huì)有的積累和水磨功夫。”

事實(shí)也證明了這一點(diǎn)——面壁不僅在端側(cè)領(lǐng)先，在法律領(lǐng)域等需要大參數(shù)模型，但由于合規(guī)性的要求又必須在本地設(shè)備上實(shí)現(xiàn)數(shù)據(jù)閉環(huán)的業(yè)務(wù)上，同樣具備全棧能力。甚至可以說(shuō)的大一點(diǎn)——限制條件越多的環(huán)境，面壁的優(yōu)勢(shì)就越明顯。

換言之， 面壁強(qiáng)迫自己小，是因?yàn)樽非笮《瑫r(shí)具備隨時(shí)變大的能力，正如那句俗語(yǔ)一樣：“金麟本非池中物，一遇風(fēng)云便化龍”。

03

小團(tuán)隊(duì)的“跨層能力”與穿越周期的韌性

在組織形態(tài)上，面壁呈現(xiàn)出另一種反常識(shí)的特征：規(guī)模不大，但技術(shù)能力覆蓋面極廣。

面壁的團(tuán)隊(duì)規(guī)模遠(yuǎn)小于互聯(lián)網(wǎng)巨頭，也小于其它“小虎”，甚至核心研發(fā)人員只有幾十人。然而，這幾十人的團(tuán)隊(duì)卻同時(shí)具備了三類(lèi)稀缺能力，構(gòu)成了其“跨層能力”的護(hù)城河。

首先，是模型結(jié)構(gòu)的精益優(yōu)化能力： 面壁擁有極強(qiáng)的算法創(chuàng)新能力。從早期的CPM系列到MiniCPM，他們通過(guò)MoE（混合專家）架構(gòu)、稀疏化計(jì)算等技術(shù)，實(shí)現(xiàn)了模型的“瘦身”與“增肌”。

在這個(gè)追求小而更強(qiáng)的過(guò)程中，面壁不是單純做應(yīng)用調(diào)優(yōu)，也不是只在模型之上疊一層 Prompt 或 Agent 框架，而是深入到訓(xùn)推框架、數(shù)據(jù)治理、結(jié)構(gòu)優(yōu)化等大模型全技術(shù)鏈路。

從訓(xùn)練框架BMTrain，到后來(lái)的稀疏架構(gòu)InfLLM、低比特量化方法BitCPM、推理框架CPM.cu和ArkInfer，這些組件都集成在 MiniCPM 系列（尤其是 MiniCPM-4）中，形成了體系化的高效端側(cè)大模型方案，而且指向了同一個(gè)方向：不是僅僅“使用”現(xiàn)成大模型，而是在重新組織和加速“模型如何被訓(xùn)練、被部署、被優(yōu)化”的過(guò)程。

“抽象起來(lái)，大模型技術(shù)就兩條線”，韓旭分析，“數(shù)據(jù)決定模型能力，芯片和架構(gòu)決定模型效率，前者是高質(zhì)量的數(shù)據(jù)治理，后者是高度軟硬協(xié)同的架構(gòu)設(shè)計(jì)與優(yōu)化。”

面壁與DeepSeek被業(yè)內(nèi)稱為兩家“國(guó)內(nèi)最會(huì)做架構(gòu)改進(jìn)的公司"，但兩者的戰(zhàn)場(chǎng)截然不同：DeepSeek緊抓云側(cè)大算力場(chǎng)景，在萬(wàn)卡集群上榨干算力價(jià)值；面壁則聚焦單張端側(cè)芯片，在功耗、散熱、訪存帶寬的嚴(yán)苛約束下追求極致效率。很多大模型企業(yè)，采用保守的傳統(tǒng)架構(gòu)，通過(guò)同一批數(shù)據(jù)訓(xùn)練多個(gè)尺寸模型；面壁則針對(duì)端側(cè)芯片特性，做了大量稀疏計(jì)算、近存計(jì)算等底層優(yōu)化。

其次，是數(shù)據(jù)與訓(xùn)練方法的獨(dú)特性： 面壁是行業(yè)內(nèi)最早提出“數(shù)據(jù)質(zhì)量?jī)?yōu)于數(shù)據(jù)規(guī)模”的團(tuán)隊(duì)之一。他們不盲目堆砌數(shù)據(jù)，而是通過(guò)數(shù)據(jù)合成、清洗和蒸餾技術(shù)，構(gòu)建了高信息密度的訓(xùn)練集。

韓旭曾談起，早期團(tuán)隊(duì)在 ChatGPT 爆發(fā)前后，就已經(jīng)做了大量指令微調(diào)和數(shù)據(jù)合成探索，也開(kāi)源了很多有影響力的數(shù)據(jù)集，只是當(dāng)時(shí)還沒(méi)有把它單獨(dú)作為一個(gè)顯性技術(shù)點(diǎn)提出來(lái)。也就是說(shuō)，他們?cè)缙趯?duì)于 模型對(duì)齊、數(shù)據(jù)合成、蒸餾、用大模型清洗和擴(kuò)展訓(xùn)練數(shù)據(jù)這些方法，十分熟悉。

而在此后，MiniCPM 系列相關(guān)產(chǎn)品里，高質(zhì)量數(shù)據(jù)樣本混入、多階段數(shù)據(jù)精細(xì)安排、用大模型輔助數(shù)據(jù)構(gòu)造等做法，已經(jīng)成為其“小模型高性能”路線的一部分。

最后，也是最強(qiáng)悍的是，面壁科技具備對(duì)底層硬件的極致優(yōu)化能力。

這是面壁最獨(dú)特的“掃地僧”屬性。

在采訪中，面壁的受訪人透露，幾乎所有國(guó)產(chǎn)芯片廠商在遇到軟件棧優(yōu)化難題時(shí)，都會(huì)直接找到面壁。面壁不僅是技術(shù)使用者，更是技術(shù)驗(yàn)證者與構(gòu)建者。他們參與了協(xié)助華為昇騰、鯤鵬，以及寒武紀(jì)、天數(shù)智芯等國(guó)產(chǎn)芯片構(gòu)建和優(yōu)化軟件棧，甚至能在沒(méi)有GPU的情況下，利用華為鯤鵬CPU實(shí)現(xiàn)大模型推理。

也就是說(shuō)，硬件企業(yè)在自家的軟件團(tuán)隊(duì)之外，還經(jīng)常會(huì)找來(lái)面壁智能做外腦。這樣的結(jié)果，是面壁智能與國(guó)產(chǎn)硬件企業(yè)有了極其密切的聯(lián)系。

一個(gè)鮮明的例子， 是我們前面提到的，2026年1月，MiniCPM-o 4.5發(fā)布。具有標(biāo)志性的意義的是，該模型發(fā)布當(dāng)天即完成對(duì)六大主流AI芯片（天數(shù)智芯、華為昇騰、平頭哥、海光、沐曦等）的適配與開(kāi)源上線，實(shí)現(xiàn)端到端推理性能全面超越各芯片原生方案。如果沒(méi)有和硬件廠家長(zhǎng)期的配合，一個(gè)端側(cè)模型極少能得到這樣的各家寵愛(ài)。

當(dāng)然，這也是被逼出來(lái)的。在面壁最早的公司化階段，做 Infra 不是錦上添花，而是生存所迫。當(dāng)時(shí)的各種問(wèn)題，如算力不足、國(guó)產(chǎn)芯片不成熟、現(xiàn)成框架不完善，這“逼著我們必須往下走”。

也正因此，團(tuán)隊(duì)后來(lái)逐漸發(fā)展出對(duì)芯片、推理框架和底層軟件棧的較強(qiáng)適配與優(yōu)化能力。面壁今年也在不斷解決一個(gè)現(xiàn)實(shí)問(wèn)題：端側(cè)芯片是碎片化的，如果不能在算法和硬件之間實(shí)現(xiàn)解耦、代碼復(fù)用和跨平臺(tái)高效部署，模型再?gòu)?qiáng)也很難真正落地。ArkInfer 這類(lèi)技術(shù)，實(shí)際上解決的就是“一次開(kāi)發(fā)，處處運(yùn)行”的問(wèn)題。

這意味著，面壁并不只是技術(shù)使用者，它也是技術(shù)驗(yàn)證者和構(gòu)建者。

在很多公司里，模型結(jié)構(gòu)、數(shù)據(jù)訓(xùn)練、硬件部署、商業(yè)化應(yīng)用常常是彼此分開(kāi)的：有人只做模型，有人只做工程，有人只管賣(mài)產(chǎn)品。而面壁的罕見(jiàn)之處，在于它把這些能力壓進(jìn)了同一個(gè)組織之中，使得其人才的能力密度極高，正因?yàn)槿绱耍挠绊懥Σ⒉皇紫润w現(xiàn)在用戶規(guī)模和市場(chǎng)聲量上，而體現(xiàn)在它為什么能持續(xù)穿越周期上。

同樣值得關(guān)注的是面壁的“前進(jìn)四”人才培養(yǎng)機(jī)制。

面壁內(nèi)部將研發(fā)團(tuán)隊(duì)視為一個(gè)“人才培養(yǎng)平臺(tái)”——首席科學(xué)家劉知遠(yuǎn)和韓旭本身就是清華教師，他們?cè)诿姹诘纳矸菔恰皫俗銮把靥剿鳌保囵B(yǎng)最頂尖的大模型人才，那些技術(shù)棧成熟、能獨(dú)當(dāng)一面的人才，會(huì)被輸送到各團(tuán)隊(duì)領(lǐng)導(dǎo)前沿項(xiàng)目同時(shí)培養(yǎng)更多人才。這種產(chǎn)學(xué)研深度融合的工作機(jī)制有效解決了大模型前沿技術(shù)高速演進(jìn)與產(chǎn)業(yè)化需求之間的經(jīng)典矛盾，也就是我們說(shuō)的“始終有新鮮血液進(jìn)來(lái)”的問(wèn)題。因此面壁智能的一大優(yōu)勢(shì)是原生的高水平人才培養(yǎng)能力。

從 GPT-3 的“大力出奇跡”，到 DeepSeek 等路線所代表的“優(yōu)質(zhì)、低成本訓(xùn)練”，再到智能體時(shí)代，面壁看到的從來(lái)不是一個(gè)固定答案，而是一連串問(wèn)題定義方式的變化。面壁之所以能歸入今天所謂“AGI 五小龍”的討論范圍，不是因?yàn)樗蝗蛔兏哒{(diào)了，而是因?yàn)樾袠I(yè)逐漸意識(shí)到：當(dāng)大模型競(jìng)爭(zhēng)從“誰(shuí)更大”轉(zhuǎn)向“誰(shuí)更高效、誰(shuí)更可落地、誰(shuí)更適合分發(fā)”時(shí)，面壁這類(lèi)公司的價(jià)值反而會(huì)越來(lái)越明顯。

正是這種“以一當(dāng)十”的技術(shù)密度，賦予了面壁穿越周期的能力。

04

端側(cè)模型的光明未來(lái)

在大部分AGI企業(yè)還在被反復(fù)追問(wèn)“未來(lái)商業(yè)的終局模式到底是什么”的時(shí)候，面壁智能的商業(yè)化圖景，顯得既實(shí)在，又有很高的天花板。

首先，是端側(cè)路線中的“端”的價(jià)值。

和很多新的AI能力都處于“靈魂找不到肉體”的迷茫中不同，“端側(cè)”一開(kāi)始就決定了面壁智能的商業(yè)化落地道路很清晰。

這是因?yàn)椋瑳](méi)有一個(gè)清晰功能定位的“端側(cè)”，是根本不會(huì)被制造出來(lái)的。

汽車(chē)就是最大的端側(cè)設(shè)備之一。以谷歌的Waymo為例，所有的自動(dòng)駕駛能力都建立在端側(cè)之上，只有極少數(shù)非駕駛場(chǎng)景中會(huì)用到云側(cè)，這也改變了人們對(duì)端側(cè)“弱”的刻板印象，告訴人們：端側(cè)也可以很強(qiáng)大。

在汽車(chē)領(lǐng)域，MiniCPM系列先后搭載于長(zhǎng)安馬自達(dá)EZ-60和吉利銀河M9等量產(chǎn)車(chē)型，合作方覆蓋吉利、長(zhǎng)安、大眾、廣汽、長(zhǎng)城、極氪等頭部車(chē)企。2025年，面壁將汽車(chē)業(yè)務(wù)線提升為一級(jí)組織，直接向CEO李大海匯報(bào)。

在具身智能方向，面壁與樂(lè)聚機(jī)器人聯(lián)合研發(fā)的人形機(jī)器人已深度集成MiniCPM-V 4.5端側(cè)多模態(tài)模型，可實(shí)現(xiàn)在嘈雜環(huán)境中的實(shí)時(shí)視覺(jué)理解與主動(dòng)決策。

我們能接觸到的一切“端”，如手機(jī)、PC、車(chē)、可穿戴設(shè)備、邊緣設(shè)備、具身智能、智能駕駛，都在渴求更大的端側(cè)能力——這些終端場(chǎng)景的共同特點(diǎn)，是對(duì)成本、時(shí)延、響應(yīng)速度、私密性和可持續(xù)運(yùn)行有現(xiàn)實(shí)要求。云側(cè)大模型把能力集中在 API 上，適合訓(xùn)練和統(tǒng)一調(diào)度，但成本高、調(diào)用重、依賴網(wǎng)絡(luò)，也天然不適合所有場(chǎng)景。相比之下，端側(cè)模型如果足夠強(qiáng)，就意味著能力可以被“分布化”地放置到各類(lèi)設(shè)備之中：成本結(jié)構(gòu)被重構(gòu)，調(diào)用門(mén)檻下降，場(chǎng)景適配變得更靈活。

除了傳統(tǒng)意義上的硬件端側(cè)，“龍蝦”、“愛(ài)馬仕”等智能體調(diào)度框架，也極大的拉升了面壁智能的發(fā)展想像的天花板。

所有的人都在養(yǎng)蝦或養(yǎng)馬，但也都困惑于安全、成本、易用性等問(wèn)題上，而在面壁智能的布局中，這些已經(jīng)有了答案——在智能體時(shí)代，端側(cè)模型的意義遠(yuǎn)不止“沒(méi)有網(wǎng)絡(luò)時(shí)的平替”，它指向三個(gè)“協(xié)同”：端云協(xié)同、軟硬協(xié)同、數(shù)模協(xié)同。端云協(xié)同解決的是成本與隱私的平衡；軟硬協(xié)同意味著模型設(shè)計(jì)與芯片發(fā)展的緊密耦合；數(shù)模協(xié)同則指向記憶管理，面壁聯(lián)同清華開(kāi)源的UltraRAG框架，就試圖解決智能體“自己養(yǎng)蝦養(yǎng)出bug”的混亂現(xiàn)狀，讓數(shù)據(jù)與模型能力形成雙向迭代。

更深層的變革還藏在于AI能力的分發(fā)方式。如果未來(lái)終端芯片持續(xù)進(jìn)化，甚至可能出現(xiàn)ASIC化的端側(cè)AI芯片——將大模型能力直接“焊”入硬件，徹底擺脫對(duì)云的依賴。

“如果走到那一天，不存在云這個(gè)概念，去中心化就是終局，”韓旭說(shuō)，“大家都有自己的AI infa，不再依賴中心化的集群在部署給所有人服務(wù)。”

這不僅是技術(shù)的變革，更是AI和人關(guān)系的一種重塑，對(duì)此，面壁智能想的很遠(yuǎn)很遠(yuǎn)——面壁智能創(chuàng)始人劉知遠(yuǎn)提出的“密度定律”和“摩爾定律”既是兩個(gè)時(shí)代的產(chǎn)物，又同樣對(duì)端側(cè)算力和端側(cè)模型能力的發(fā)展有驚人的預(yù)測(cè)洞察——

“摩爾定律”下，算力分為了超算、云算與端算，其中端算是云算的十四倍（IDC數(shù)據(jù)顯示）；同樣，“密度定律”下，根據(jù)智力的密度，大模型智能也將分為超級(jí)智能（AI for Science，讓 AI 像人類(lèi)最強(qiáng)大腦科學(xué)家們一樣解決最難的科學(xué)問(wèn)題）、云上智能與端側(cè)智能。

如果把兩個(gè)定律對(duì)照起來(lái)看，我們不難得出這樣的結(jié)論——未來(lái)大模型智能的中最耀眼的可能屬于超級(jí)智能，但從廣度和滲透率上，搭載端側(cè)大模型的設(shè)備量可能是現(xiàn)在手機(jī)保有量的幾倍、幾十倍，像面壁智能這樣建立起端側(cè)護(hù)城河的企業(yè)，未來(lái)的商業(yè)天花板是極高的。

05

結(jié)語(yǔ)

在一個(gè)被參數(shù)規(guī)模與資本驅(qū)動(dòng)的時(shí)代，面壁智能提供了一種不同的參照系。

它的價(jià)值，不在于是否擁有最大的模型，也不在于是否擁有最多的用戶，而在于：它持續(xù)在回答一個(gè)更基礎(chǔ)的問(wèn)題——模型究竟如何變強(qiáng)？

在“大算力+大數(shù)據(jù)”的暴力美學(xué)之外，面壁智能證明了“高智能密度+極致工程化”的可行性。它像一個(gè)在沙漠中尋找寶藏的智者，不靠人海戰(zhàn)術(shù)，而是依靠精準(zhǔn)的羅盤(pán)（技術(shù)判斷）和高效的行軍（工程能力）。

通往AGI的路線，我們需要探索更多的可能性。面壁智能走了一條看上去人更少，但難度更高甚至是最高的路徑。這或許就是它最終成功的終局模式的前提：在效率的極限處，看見(jiàn)未來(lái)。