题图｜AI生成
1965 年，时任仙童半导体研发总监的戈登·摩尔坐在办公室里，手头摆着一张张集成电路的数据表，他把这些数字连成曲线，发现了一个显著的规律：芯片上的晶体管数量，大约每两年翻一倍。这条曲线后来被称为摩尔定律，它统治半导体行业半个多世纪，推动芯片一代代变得更快、更便宜。
但当晶体管逼近原子尺度，这条曲线开始变得越来越难以维持，每一次缩小，都意味着更高的光刻、散热、功耗和制造成本。当旧的规律开始失效，半导体行业开始寻找新的增长路径，不再只是让晶体管变得更小，而是让同样的晶体管提供更多有效算力。
大模型行业正在上演类似的一幕。过去四年，Scaling Law 成了这个行业最坚固的共识——大就是正义，大就是强，自 2020 年 GPT-3 用 1750 亿参数立起范式，参数从亿到千亿再到万亿，算力从千卡到万卡，融资额从几亿到几十亿美元。
这个共识逻辑简单、可测量、可模仿、可传播，它支配了行业几乎全部的叙事和资本流向，所有人都在同一条赛道上，朝着那个确定又遥远的目标狂奔。
但到了 2025 年，这个共识开始出现裂缝，训练前沿模型的成本逼近十亿美元，高质量互联网公开语料越来越难以获得，OpenAI 前首席科学家 Ilya Sutskever 公开说现在这种意义上的预训练将会终结。参数与投入依然在涨，能力的边际收益却在变薄，同样的投入越来越难获得过去那样的能力增益。
Ilya并非说说而已，今年 7 月，他创办的 Safe Superintelligence（SSI）获英伟达投资，多家媒体透露，SSI 正在探索一条不同于当前主流大模型的新路线，研究重点涉及此前被忽视的人脑工作方式，Ilya在接受采访时曾说，AI 行业以后关键在于找到新的学习原理，而不是单纯堆算力，他本人正是 Scaling 时代最重要的推动者之一，如今却选择再次从底层技术路线寻找突破，这至少说明，在大模型规模不断扩张之后，如何用不同的方法获得更高效的智能，正在重新成为顶尖研究者关注的问题。
于是，一个值得追问的问题出现了：如果规模扩张并不是大模型能力增长的唯一答案，那么，除了继续做大，还有没有另一条路？是否能像半导体行业的转向那样，让更少的参数、更少的算力，产生更多的有效智能？
这并不是一个纯粹的理论问题。过去几年，一些大模型公司已经开始用实践寻找这个答案，面壁智能便是其中一个值得观察的案例。
类似的探索在中国也已有伏笔。 2020 年，当 GPT-3 用 1750 亿参数立起范式，清华 NLP 实验室训练出国内首个中文大模型 CPM-1，这支团队的核心人物后来成立了面壁智能。到了 2023 年下半年，当行业共识最牢固时，他们作出了一个非共识的决定：不再单纯追求大，而是追求效率，用更少的参数做到同等智能。
这个判断背后有一条被他们称为 Densing Law of LLMs（密度定律）的规律：模型智能密度随时间呈指数级增强，达到特定智能水平所需参数量每 3.5 个月下降一半，如果同等能力所需的参数量持续下降，那么原本只能在云端运行的模型，就有可能逐步进入手机、汽车和机器人，智能有机会离用户更近。
正是这条规律，让这支团队决定转向追求效率，其首席科学家刘知远在接受采访时提过一个疑问："既然还有大量未知空间，为什么一定要在同一条路上卷？"
2026 年年中，端侧 AI 路线正逐渐明晰，苹果与千问合作将端侧智能带到中国市场，谷歌 Pixel 把 Gemini Nano 做成常驻能力。模型公司与终端厂商都在加码布局，下游设备与场景层出不穷，但回到 2023 年，这仍是一个非共识的选择。
这不是一家公司赌对了方向的叙事。更值得追问的是，当一条定律定义了所有人的目标和叙事，为什么一个新团队选择了另一条路？它的底气和证据是什么？更进一步，在中美 AI 乃至整个科技产业存在巨大差异的背景下，这些判断与实践，又能给行业带来怎样的参考？
从实验室到那个关键的下午
一个非共识的判断，往往不是灵光一现。向前回溯，它与决策者及其组织的经历、技术信仰、组织形式，乃至品味，都息息相关。
面壁这一非共识判断，发生在 2023 年国庆前后的一次管理层会议上。那时，ChatGPT 发布还不到一年，国内正处在"百模大战"最狂热的阶段，阿里千问、百度文心、字节豆包、Minimax、智谱，几乎所有的中国大模型公司都在把参数往上堆，面壁自己也在跑一个千亿参数的通用模型 CPM-Cricket。
会议亲历者的回忆指向同一个画面，一位研究员把一组实验曲线投在屏幕上，那组曲线来自他对模型的实测：同等智能水平，用更少参数也能做到。
那次会议的结果是，面壁放弃了已投入大量资源研发的千亿参数通用模型，把资源转向端侧和模型效率，并在随后推出了密度定律，尝试走规模之外的另一方向。
需要厘清的一点是，面壁的这次转向，常被外界读成放弃大模型、孤注一掷做端侧。但从面壁的过往来看，这是一种误解。
面壁及其前身，最早恰恰是从大参数大模型切入的。来时路可以追溯到 2020 年，那一年，GPT-3 用 1750 亿参数立起了参数量即智能的范式，而中国的大模型几乎还是一片空白，国内能跑通 GPT 量级中文预训练的团队一只手数得过来，在清华 NLP 实验室，年仅 22 岁的曾国洋担任核心工程负责人，参与训练了国内首个中文大模型 CPM-1，他的导师刘知远是清华大学计算机系长聘教授、国内最早投身大模型的研究者之一。
模型做出来，他们又选择把权重、代码、训练方法全部开放了出去。2021 年，这支团队把这条开放路线又推了一步，成立 OpenBMB 开源社区，并参与了悟道·文源 CPM 大模型的研发。
那一年也是中国大模型起步之年，智源"悟道"、阿里达摩院 M6、百度 ERNIE 3.0 等多个大模型项目几乎同时起步，中国公司开始入局，让大模型不再是 OpenAI 一家公司的游戏。
同一时期，国内"百模大战"正酣，几乎所有玩家都在把参数往上堆。刘知远后来把这次押注形容为一场非共识下注："2021 年是什么时间点？那时候 OpenAI 都还不是今天的 OpenAI。"在大参数阶段，曾国洋与刘知远团队就已经开始琢磨效率，他们在 2021 年发表的 MoEfication 论文证明，一个稠密大模型可以转化为等参数量的稀疏模型，只用原模型 10% 到 30% 的参数，就能保留 95% 的性能。
2022 年 8 月，ChatGPT 发布前三个月，团队从清华 NLP 实验室独立，成立面壁智能，刘知远任首席科学家，曾国洋任 CTO；2023 年 4 月，知乎领投面壁天使轮，两个月后原知乎 CTO 李大海出任 CEO；有十余年产业经验的雷升涛后续加入，负责产业落地，补齐从技术到市场的最后一环。
作为最早看到大模型效能的团队之一，面壁也最早看到了它的现实制约，算力并非无限供给。刘知远接受采访时说，未来不可能真的用几百万张卡训练一个模型，这样的成本很难由任何一家机构长期独自承担。当所有人都在往更大冲，参数的边际收益正在变薄；而智能密度，正在以可测量的速度提升。与其说面壁选择了端侧，不如说它选择了效率。
来时路让面壁更早看到了规模之外的技术选择，组织力则帮它把判断快速落进实践。据转型会议的参会者回忆，在一次讨论会上，一位研究员直接投出了实验曲线，决策很快转向——这种由数据驱动的快速掉头，在当时的创业团队中并不多见。
而不同背景人才组建的管理层，让面壁这样一个脱胎于学术的组织，在研发阶段不至于过于脱离商业现实。李大海后来这样总结这支团队的底色：科学家有科学家的擅长，商业化团队要的是真正在行业里摸爬滚打、懂客户痛点、有人脉的商业经验，两类人各司其职，把自己擅长的事做好。
在当时的环境下，这个选择看起来像一次冒险，但背后并非毫无依据。团队此前对模型效率的长期探索、会议上的实验数据，以及相对扁平的决策机制，共同促成了这次转向。至于密度定律能否持续成立、这条路线能走多远，仍然需要时间检验。
模型到系统，如何让一条定律形成产业闭环
Scaling Law 成为行业信仰，有一条清晰的形成路径：OpenAI 先提出假设，参数越大、数据越多、算力越足，模型就越强；再靠 GPT 系列一代代迭代，把效果摆在所有人面前；行业看到效果，集体跟进；最后，假设变成了信仰。没有人被说服，所有人都是被效果打动。
如果一条新的规律要从论文走向行业共识，除了理论解释，还需要经受可复制性和产业实践的检验。密度定律尝试走通这条路。
2024 年起，高效模型的能力边界开始被重新定义。 当年 2 月，面壁发布的 MiniCPM 2B 以 20 亿参数跑出对标 GPT-3 1750 亿的效果。相比同时期的主流模型动辄数百亿、数千亿参数，这是一个悬殊的量级差距，但却在多模态、长文本等多项基准上追平了数十倍规模的主流模型。
转折来自一次意外。同年 5 月底，斯坦福一个团队发布了号称独立训练的 Llama3-V，却被发现与面壁的开源代码存在大量相似，引发轩然大波。面壁智能与清华 NLP 实验室此前逐字扫描、人工标注的战国竹简数据，国外大学的模型居然也认识，这成了套壳的重要证据。这次意外也让行业注意到，高效模型的能力已经很难被忽视，也让当时还不在聚光灯下的端侧路线第一次进入了国际视野。
2024 年底，面壁与清华联合团队在 arXiv 挂出论文，提出 Densing Law of LLMs（密度定律）；次年 11 月，论文作为封面文章发表于《Nature》子刊，通过匿名同行评议。
论文发表之后，真正进入产业，又是另一个更复杂的问题。业界有观点将 2026 年定义为端侧智能规模化落地元年，能支撑这句话的，是端侧 AI 在全行业落地的一系列数字和场景。
汽车上，面壁的 MiniCPM 装进了长安马自达 EZ-60、吉利银河 M9 等量产车型，一个被低估的现实是，今天大多数的汽车座舱没办法直接运行大模型，必须用激进的技术策略才能把模型压进去，还要兼容座舱上其他应用占用的算力和带宽。
雷升涛接受采访时举过一个例子，车载遗留物品提醒功能，第一版延迟是 4 秒，客户觉得"人都走出十来步"，最终面壁压到了 1 秒之内，端侧的极致约束反而逼出了工程上的极致。
具身智能是端侧能力向真实世界延伸的一个方向。面壁智能正在与吉利汽车、乐聚机器人等合作，把模型能力真正装进机器人里。在吉利的生产、仓储场景，面壁的多模态模型与机器人的本体、VLA 和导航系统结合，让机器人能够在真实环境中完成作业；在乐聚机器人上，面壁也把端侧模型用到了展厅导览、园区巡检等场景，断网也能运行。李大海将这条路径概括为，汽车是第一落点，具身是自然延伸。
手机是模型下沉最直观的战场。2026 年 7 月，三星 Galaxy AI 搭载 MiniCPM，国产端侧模型第一次进入全球旗舰机型，同月通过国家网信办备案。同时，苹果与千问合作的端侧方案也正式进入中国市场，谷歌 Pixel 的 Gemini Nano 则早已成为常驻能力。 端侧模型的能力边界相对更收敛，对模型本身的能力和效率提出了更高要求，需要针对高频任务进行定向优化。刘知远曾给过一个定义，不是在手机上调用云端 API 就叫端侧智能。真正的端侧智能，是断网也能跑、执行任务不消耗云端 token、数据存在本地。
当法律场景则是这套能力向垂直行业延伸的一个案例。在 WAIC 2026 上，面壁发布法律领域解决方案 CPM for Legal。它最值得关注的意义，不仅是垂直方案的一次发布，更标志着面壁正在进一步进入专业法律服务的能力层：面壁以 CPM for Legal 提供智能与工程基础，并深入业务与组织现场；与法律数据机构共建可信依据，与律所共建业务方法与质量标准，把专业能力连成可落地的场景闭环。这种从模型能力进一步深入业务流程的方式，与面壁强调把模型真正跑进场景的思路一致，先把机构级能力真正跑进律所现场，让行业看到效果。
这些领域看似分散，逻辑却一致，都是在算力、隐私、合规的约束下，把模型真正跑进离用户最近、离价值最近的地方，从贴身设备到移动空间，再到物理世界与专业服务。
面壁智能 CEO 李大海有一个判断：模型既不是单纯的技术，也不是最终的产品，而是一个能跑通闭环、解决问题的完整系统。他将其比作大模型时代的光刻机——不追求一次造出最大的模型，而是持续训练出更高能力密度的模型，让模型能力像芯片制程一样不断迭代。这个判断背后是一个更底层的认识：模型不是终点，能持续造出更好模型的系统才是。
在模型生产环节，AI 开始参与制造 AI 的趋势也已显现。最近两个月，面壁陆续发布 ForgeTrain、ForgeStencil 等成果。前者是首批完全由 AI 编写、零人类代码介入的大模型预训练框架，后者则是一套由 AI 自主研究、自动部署的工业软件模板优化系统。
过去是人写框架、AI 用框架，现在框架本身也开始由 AI 来写。用这套框架训练出的 MiniCPM5-1B，已是 2B 规模以下全球性能第一的模型，而 ForgeTrain 本身也已进入面壁的生产流程，它优化的对象也从单个模型进一步延伸到模型生产的整条产线；模型之后，ForgeStencil 接管研究与部署，自动优化真实工业和科学计算软件。这意味着，AI 开始从被制造、被使用进一步走向参与制造 AI，越来越多的训练、优化与部署环节可以由 AI Agent 自主完成。
把视野再拉远，这已不只是两套提效工具，而是 AI 制造 AI 的雏形。当 AI 参与研究 AI 的程度越来越深，大模型的研发就可能逐渐摆脱对人力的依赖，更多由算力和模型本身驱动。对于面壁这样押注端侧的公司而言，这也意味着千行百业、各种设备里的每一个具体需求，都有可能被 AI 即时锻造，这有望大幅提升各行业获取智能的效率。
把这些实践串起来，会发现面壁四年时间里积累的，并不只是一个模型或一项技术，而是一整套让智能更便宜、更自主、更普及的基础设施，底层框架提高造模型的效率，模型能力拓展产业落地的边界，而真实场景又不断反哺新的工程经验，三者彼此推动，持续迭代。
正如吉姆·柯林斯在《从优秀到卓越》中谈及的飞轮效应，好的先行者不是单纯跑得快，而是每一步都在给下一步加转速。
所以端侧 AI 的竞争，从来不只是模型大小和 benchmark 分数的比拼，更是工程适配、合规经验与产业链协同能力的竞争。这些能力不显眼，却最难速成。谁能更早把模型、训练系统和产业落地真正闭环起来，谁就更可能把一次性的模型优势，变成持续迭代的系统优势。
一种模式在中国的验证与升级
时间来到 2026 年中，端侧 AI 已不再只是一家公司的判断，而是正在成为行业的重要趋势，沙利文预测全球端侧 AI 市场年复合增长率超 40%，Counterpoint 数据显示，2026 年一季度全球 54% 的新出货智能手机已具备生成式 AI 能力，而 2023 年这个数字还只有 11%。
谷歌一边在 Pixel 10 上把 Gemini Nano 做成常驻端侧的底层能力，一边在海外靠买手机送免费订阅加速 Gemini 渗透；一向封闭的苹果，也选择与千问合作，把端侧智能带到中国市场。几乎所有主要终端与芯片厂商，都在推进模型下沉到设备，端侧 AI 的边界，也正从手机溢出到机器人、汽车、卫浴等更多场景。在中国，小米、OPPO、vivo、华为的端侧模型都已落地或预告，高通、联发科、英特尔也纷纷强化端侧 AI 的芯片与软件能力。
行业普遍将 2026 年视为端侧智能规模化落地的元年。面壁智能 CEO 李大海在一场论坛致辞中说，2026 年是端侧 AI 规模化落地的元年，面壁智能的定位也从单纯做模型，进一步转向做普惠千行百业的大模型基座。
端侧路线正在被资本市场视作一条有独立价值、值得下注的赛道。作为在这条路上跑得最早的公司，截至 2026 年 7 月，面壁 MiniCPM 系列全球下载量突破 4400 万次，GitHub 星标超过 15 万；据多家媒体报道，面壁自2026年上半年完成超50亿融资后，目前估值已超200亿元。
更早进入赛道只是阶段性的领先，更值得留意的是，围绕这一判断，面壁在四年间逐步走过了从提出观点、发表论文，到产品落地和商业化验证的完整链条，提供了中国 AI 探索原创技术路线的一种可能。
面壁选择的路线，既来自团队积累与商业判断，也与中国 AI 产业的优势形成了某种契合。中国拥有一套相对完整、在全球少见的组合优势：产业链上下游齐备、应用场景丰富、迭代灵敏、终端品类富集，端侧方案更易满足数据合规与隐私诉求，也意味着智能可以更快速地部署到各行业。反过来，这些扎根产业的科技公司，也在实践中反哺软硬件创新生态。
作为长期观察中国产业链优势与劣势的人，刘知远自己坦言，中国已经具备非常强的跟进能力，但在最顶层的原始创新上，仍然需要继续追赶。密度定律只是一个开始，不是终点，他曾预测，随着密度定律持续推进，每个人终将拥有一个专属于自己的、持续成长的模型，这个判断离兑现还有多远，没有人知道。
但比产业链本身更值得关注的，是整个社会对这场科技革命的持续投入，正如刘知远在接受采访时所说，这是中国独有的势能，放眼全球，很少有国家能像中国一样，对一场科技革命形成如此强烈、持续的投入意愿。
像面壁这样的创新公司，既是这股产业势能的受益者，也在反过来推动它。对中国 AI 来说，真正重要的或许不只是追上哪一个模型、哪一项指标，而是能否抓住这一轮技术革命的机会，让技术创新成为核心竞争力，并最终转化为商业价值。
回看计算机产业的发展，芯片和操作系统都曾出现类似机会，谁掌握了底层技术，谁就更有可能在产业价值链中占据主动。如今，基础模型可能正在成为下一项计算体系的底层技术和基础设施。面对这样的窗口期，选择一条反直觉的技术路线，意味着更大的不确定性，也可能形成更深的技术壁垒。
中国 AI 产业正在经历的，或许正是这样一个切面：创新可以不只是跟随已经被验证的路径，也可以从不同于主流的技术选择开始。在实践中把非共识变成技术能力，把技术能力转化为商业价值，并最终走出更多属于中国自己的创新路径。面壁四年的探索，是这条路径上的一个早期验证。
本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@huxiu.com。
本文来自虎嗅，原文链接：https://www.huxiu.com/article/4883561.html?f=wyxwapp
热门跟贴