模型越做越小，面壁智能的“端側”生意有多大？

人工智慧大模型領域近來出現一個明顯的趨勢：模型越做越小。過去行業普遍追求參數量級不斷攀升的千億、萬億參數大模型，但如今，一批新創公司開始將目光轉向「端側」——也就是讓模型直接運行在手機、個人電腦、車載終端等設備上，而非完全依賴雲端。面壁智能正是這條賽道上的代表性玩家。面壁智能成立於2022年，由清華大學自然語言處理實驗室孵化，核心團隊在預訓練語言模型與壓縮技術上有深厚積累。公司最早推出的MiniCPM系列模型，以極小的參數規模實現了接近大模型的語言理解與生成能力，引起業界關注。

在技術路徑上，面壁智能選擇了「知識蒸餾」與「模型壓縮」並行策略，將大模型的知識遷移到小模型上，同時透過量化、剪枝等手法降低運算需求，讓模型能夠在終端晶片上流暢運作。面壁智能的端側策略並非只是技術展示，而是已經開始轉化為實際商業模式。公司目前主要提供兩種服務：一是將壓縮後的模型授權給手機、物聯網設備廠商，收取授權費；二是針對特定場景提供客製化模型，例如車載語音助手、離線翻譯、智慧客服等。以手機端為例，面壁智能的模型可以直接嵌入系統層，無需聯網即可完成複雜的語音辨識與自然語言處理，這對隱私敏感的使用者來說極具吸引力。從市場反饋來看，面壁智能的端側生意正在快速成長。

多家中國主流手機品牌已經與面壁智能展開合作，將MiniCPM系列模型整合到旗艦機型中。此外，智慧汽車也是重點方向，車廠對車載語音互動的即時性與離線能力要求極高，面壁智能的輕量級模型正好滿足需求。據了解，目前已有數家車廠在測試其解決方案，預計年底前會有量產車型搭載。投資人對這條路線也展現出高度興趣。面壁智能在過去一年內完成了多輪融資，投資方包括知名創投與產業資本，估值持續攀升。背後邏輯在於，端側模型被視為AI普及的關鍵一環：當模型不再需要依賴高頻寬網路與昂貴的雲端算力，普通消費者就能在設備上直接體驗AI能力，這將大幅降低使用門檻，也為終端廠商帶來差異化競爭力。然而，端側模型並非沒有挑戰。

首先，終端設備的運算資源有限，即使經過壓縮，模型的推理速度與準確度仍可能不如雲端版本。面壁智能必須在效能與效能之間取得最佳平衡。其次，商業模式仍在摸索階段，授權費與客製化服務的定價能否被合作夥伴接受，還需要時間驗證。此外，競爭正在加劇：Google、Apple等巨頭也在布局端側AI，其他新創公司如MiniMax同樣技術紮實，市場競爭將愈發激烈。面壁智能的應對之道是持續強化技術壁壘，尤其在模型壓縮效率與多模態能力上投入研發。團隊近期已開始探索將視覺、語音等多種模態整合進端側模型，讓終端設備能夠同時處理文字、圖像與聲音，進一步拓展應用場景。

例如，手機上的智慧助理可以同時看懂螢幕畫面並聽懂語音指令，實現更自然的互動。從長遠來看，端側模型如果成熟，將改變整個AI產業的供應鏈格局。過去雲端大模型主導，資料與運算集中在大型資料中心；未來AI能力將下沉到每個人的口袋裡，終端設備廠商將掌握更多話語權。面壁智能卡位這個趨勢，能否在巨頭環伺下突圍，取決於技術迭代速度與商業化能力。回到面壁智能本身，公司目前團隊規模約兩百人，研發人員占比超過八成，核心技術來自清華大學自然語言處理實驗室，創始人劉知遠教授是該領域知名學者。這種學術背景讓面壁智能在基礎模型壓縮演算法上擁有原創優勢，但同時也面臨從實驗室到量產的工程化挑戰。

公司正積極招募有工業界經驗的工程師，補齊產品化與交付環節。對比海外同類型公司，如Anthropic近期估值已達2萬億美元，主要聚焦於雲端大模型與安全研究；而面壁智能選擇了一條更偏硬體、更接地氣的路線。這種差異化定位能否在中國市場獲得規模化回報，值得持續觀察。目前，端側AI的應用場景仍在早期階段，但隨著終端晶片算力的提升，以及使用者對隱私與即時性要求的提高，預期市場需求將快速成長。面壁智能的下一步，是將端側模型擴展到更多類型的設備，包括智慧穿戴、智慧家居、工業終端等。公司也在打造開發者工具鏈，降低合作夥伴整合模型的技術門檻。

如果能在生態層面形成規模效應，面壁智能不僅是一家模型供應商，更有機會成為端側AI基礎設施的重要建構者。總體而言，面壁智能的「端側」生意正處於從技術驗證走向商業放量的節點。模型越做越小，背後是對AI普及化願景的堅持。這條路能否走得通，除了技術實力，更需要市場教育與合作夥伴的支持。在等媒體的持續關注下，面壁智能的每一步進展都將成為觀察端側AI產業風向的重要指標。