智東西

作者 | 江宇

編輯 | 漠影

智東西6月12日報道，剛剛，在智源大會期間，面壁智能CEO李大海與AI Infra負(fù)責(zé)人李宇軒與智東西等媒體進(jìn)行了深入交流。從端側(cè)模型進(jìn)展、國產(chǎn)算力適配、智能體落地、開源策略到汽車、手機(jī)等終端場景，李大?；貞?yīng)了外界關(guān)注的多個問題，并拋出不少關(guān)鍵判斷：

1、端側(cè)模型進(jìn)展：此前預(yù)測2026年底端側(cè)模型智能水平達(dá)到GPT-4水平，如今已經(jīng)提前達(dá)到。

2、端側(cè)落地：2025年是端側(cè)模型落地元年，汽車量產(chǎn)是重要標(biāo)志，今年會有更多端側(cè)應(yīng)用落地。

3、端側(cè)角色：面壁會持續(xù)發(fā)布端側(cè)基礎(chǔ)模型，同時服務(wù)重要設(shè)備廠商，也會探索AI原生端側(cè)設(shè)備。

4、智能體：很多場景已經(jīng)可以落地，但外界對零介入、100%完成、100%負(fù)責(zé)的期待仍然偏高。

5、手機(jī)智能體：端側(cè)模型與智能體結(jié)合，重要方向是改變?nèi)伺c設(shè)備的交互方式。

6、國產(chǎn)算力：國產(chǎn)芯片用于訓(xùn)練還需要模型公司與芯片公司更深合作，軟件生態(tài)仍需補(bǔ)課。

7、開源：開源是高效商業(yè)模式，可以用更低成本觸達(dá)潛在客戶，其核心競爭力仍在“冰山之下”。

一、端側(cè)模型提前追上GPT-4，落地還要等芯片一起跟上

在近四十分鐘的群訪中，李大海和李宇軒回答了十余個問題。

我們將關(guān)鍵問題整理如下：

Q1：2024年曾預(yù)測，到2026年底端側(cè)模型智能水平可以達(dá)到GPT-4水平?，F(xiàn)在看，這個目標(biāo)會提前還是延后？

李大海判斷，這個目標(biāo)已經(jīng)提前達(dá)到。

他提到，面壁近期發(fā)布MiniCPM-5 1B版本后，在Artificial Analysis榜單上拿到17.6分。社區(qū)研究者對比發(fā)現(xiàn)，2024年5月OpenAI發(fā)布的GPT-4o在該榜單上得分大約只高零點(diǎn)幾分，而GPT-4o參數(shù)規(guī)模約為200B，MiniCPM-5 1B只有1B參數(shù)。

李大海認(rèn)為，這說明面壁仍在踐行其提出的“大模型知識密度定律”。

Q2：端側(cè)模型現(xiàn)在落地到哪些生活場景？為什么用戶感知還不強(qiáng)？

李大海認(rèn)為，2025年可以算作端側(cè)模型落地元年，面壁去年四季度在汽車上正式量產(chǎn)，是一個重要標(biāo)志。

他提到，目前端側(cè)模型能力增長很快，但真正往下落地時，最大制約仍然是模型與芯片的結(jié)合?，F(xiàn)在一批國產(chǎn)存算一體端側(cè)AI芯片公司正在流片，一旦芯片回來，能夠提供更有競爭力的功耗、算力和帶寬，端側(cè)應(yīng)用會有更多爆發(fā)。

在他看來，今年會有大量端側(cè)應(yīng)用落地。以“小龍蝦”這類形態(tài)為例，合理方式不是所有推理都放在云端，而是上下文管理放在端上，一部分高頻推理也放在端上，最終形成端云協(xié)同。

Q3：面壁在端側(cè)模型領(lǐng)域的長期定位是什么？

李大海說，面壁對自己的定位是“端側(cè)模型的基礎(chǔ)設(shè)施”。

具體來看，面壁會做三層事情：第一，持續(xù)發(fā)布世界領(lǐng)先的端側(cè)基礎(chǔ)模型，賦能更多開發(fā)者；第二，直接服務(wù)一些出貨量大的重要設(shè)備廠商；第三，在新的AI原生端側(cè)設(shè)備上探索自己的硬件產(chǎn)品。

二、智能體已經(jīng)能落地，但“零介入”還需要時間

Q4：面壁怎么看智能體當(dāng)前的局限？最大問題是成本、穩(wěn)定性、記憶，還是權(quán)限？

李大海認(rèn)為，智能體正在快速進(jìn)化。若要說問題，“哪哪都是問題”，但從技術(shù)發(fā)展角度看，模型與智能體的結(jié)合正在以很快速度推進(jìn)。

他提到，面壁早在2024年就已經(jīng)用智能體技術(shù)，在人工智能輔助審判方向協(xié)助法官落地。

不過，李大海也提到，外界對智能體的期待可能偏高，比如希望它零介入、100%做好，并且還能100%負(fù)責(zé)。他認(rèn)為，技術(shù)打磨需要時間，這是自然規(guī)律。

Q5：怎么看豆包手機(jī)這類把智能體放到手機(jī)上的嘗試？

李大海認(rèn)為，這是非常自然的方向。

他解釋說，端側(cè)模型的重要方向之一，就是改變?nèi)伺c設(shè)備的交互方式。端側(cè)模型更隱私友好，實時性和可靠性也更強(qiáng)，因此適合承擔(dān)人機(jī)交互任務(wù)。

他還用云游戲做了類比：云游戲一直不溫不火，一個重要原因是用戶對交互幀率和穩(wěn)定性要求很高，不希望出現(xiàn)無預(yù)期卡頓。類似地，人與設(shè)備交互也需要很高實時性和可靠性，這些能力更適合在端上完成。

Q6：做端側(cè)智能體會遇到哪些困難？

李大海說，關(guān)鍵仍然是模型與芯片的結(jié)合。

他把問題概括為三個因素：能力、成本和場景。一個場景能不能落地，要看模型表現(xiàn)、可接受成本和具體應(yīng)用場景之間能否匹配。目前限制主要來自芯片、內(nèi)存和帶寬，但在端側(cè)摩爾定律和端側(cè)模型知識密度定律共同推動下，這些問題正在改善。

三、國產(chǎn)算力開始進(jìn)入訓(xùn)練環(huán)節(jié)，軟件生態(tài)還要補(bǔ)課

Q7：依托國產(chǎn)智算集群做訓(xùn)練和推理時，如何提高算力利用率？如何與國產(chǎn)AI芯片廠商、智算中心、算力服務(wù)商協(xié)作？

李大海說，過去行業(yè)更多用英偉達(dá)芯片和集群做訓(xùn)練，推理逐步轉(zhuǎn)移到國產(chǎn)芯片上。今年開始，訓(xùn)練工作也在逐步轉(zhuǎn)向國產(chǎn)卡。

他坦言，相比英偉達(dá)集群，國產(chǎn)芯片集群在軟件生態(tài)上還有很多課要補(bǔ)，模型公司不能完全靠自己完成所有適配工作，需要芯片公司提供更多支持。

李大海提到，面壁一方面與國產(chǎn)芯片公司做深入配合，另一方面也與智源主導(dǎo)的FlagOS軟件生態(tài)有深度合作。前者更像是模型訓(xùn)練牽引下的逐步完善，后者則是自頂向下做頂層規(guī)劃，把芯片公司拉進(jìn)來，明確哪些工作更重要，再一步步推進(jìn)。

李宇軒補(bǔ)充說，訓(xùn)練相比推理，對精度要求更高。如果一張卡只做過推理、沒有做過訓(xùn)練，可能會遇到一些意想不到的精度問題。

面壁此前提出“模型風(fēng)洞”技術(shù)，即用小模型實驗預(yù)測大模型效果。李宇軒說，面壁把這套基礎(chǔ)設(shè)施先在華為等國產(chǎn)卡上做深度評測，并與英偉達(dá)進(jìn)行對齊，確認(rèn)精度可用，再繼續(xù)推進(jìn)更大模型訓(xùn)練。

Q8：此前提到在昇騰上達(dá)到95%訓(xùn)練效率，另外5%差距來自哪里？

李宇軒澄清說，這里的95%并不是指華為平臺相對英偉達(dá)平臺達(dá)到95%，而是指在華為平臺上，極低位寬量化感知訓(xùn)練相比普通訓(xùn)練達(dá)到95%的效率。

他解釋，訓(xùn)練量化模型時需要加入量化器，這會帶來額外開銷和性能損失。面壁與華為合作優(yōu)化量化器開銷，將損失控制在5%以內(nèi)，從而驗證極低位寬訓(xùn)練pipeline在華為平臺上可用。

四、蘋果端側(cè)AI落地不算早，手機(jī)廠商差距還沒拉開

Q9：怎么看蘋果推出端側(cè)大模型？會不會擠壓高端安卓手機(jī)市場？

李大海認(rèn)為，蘋果早在2024年6月就公布了端側(cè)模型與云端協(xié)同戰(zhàn)略。以蘋果的風(fēng)格來看，今天才落地，已經(jīng)晚于行業(yè)預(yù)期。

他還提到，蘋果在大模型上與谷歌有較深合作，這反而凸顯出第三方專業(yè)大模型公司的價值。

李大海認(rèn)為，這件事與安卓還是蘋果沒有本質(zhì)關(guān)系，更重要的是是否找到更好的芯片，以及是否在場景和產(chǎn)品定義上做出更好設(shè)計。以他的觀察，國內(nèi)手機(jī)廠商對這一方向理解都較深，差距并不大。

Q10：手機(jī)廠商選擇面壁，主要看重哪些因素？

對此，李大?？偨Y(jié)了三點(diǎn)。

第一，面壁能持續(xù)訓(xùn)練出知識密度足夠高的端側(cè)模型。第二，面壁與很多端側(cè)芯片公司有深度合作，比如與高通已經(jīng)形成全球戰(zhàn)略合作，并達(dá)到協(xié)同設(shè)計程度。第三，面壁在高效推理上積累較多，這對手機(jī)、汽車等功耗敏感設(shè)備很重要。

他說，在同等效果下，如果推理功耗能顯著降低，就是巨大的競爭優(yōu)勢。

Q11：端側(cè)模型壓縮是否有極限？

李大海說，據(jù)他了解，1.58比特應(yīng)該已經(jīng)算是極限。更重要的是，在這樣的壓縮比下，保持足夠少的性能損失。

他提到，李宇軒團(tuán)隊主導(dǎo)的工作，是在訓(xùn)練階段就把三值量化作為量化感知訓(xùn)練的一部分，從訓(xùn)練第一步就持續(xù)考慮和對齊，這對降低量化損失很重要。

五、開源不是簡單開放技術(shù)，而是降低客戶驗證成本

Q12：中國大模型公司出海時，如何平衡自主可控與全球開放合作？

李大海認(rèn)為，這兩個方向不沖突。

他解釋說，自主可控是企業(yè)對自身底層能力的內(nèi)生要求；開放合作則體現(xiàn)在靈活商業(yè)合作模式、重視用戶和客戶利益，以及尊重海外客戶和伙伴的文化與需求。

他同時強(qiáng)調(diào)，開放不等于無底線開放自己的技術(shù)，技術(shù)對外輸出與開放合作是兩個層面的概念。面壁會在國家技術(shù)出口相關(guān)指導(dǎo)方針下推進(jìn)海外合作。

Q13：行業(yè)競爭激烈，面壁為什么仍然堅持開源？

李大海認(rèn)為，開源是一個非常高效的商業(yè)模式，因為它能用更低成本觸達(dá)潛在客戶。

他說，當(dāng)客戶做基礎(chǔ)研究或技術(shù)驗證時，如果模型是開源的，就能低成本試用，也能幫助客戶在內(nèi)部用更扎實的數(shù)據(jù)和證據(jù)說服上級，最終提升從技術(shù)影響力到商業(yè)合作的轉(zhuǎn)化效率。

對于開源是否會培養(yǎng)競爭對手，李大海認(rèn)為，開源模型和框架會產(chǎn)生影響，但不會產(chǎn)生特別實質(zhì)的影響，因為一家公司的核心競爭力在“冰山之下”。已經(jīng)開源出來的東西，不足以讓別人完全學(xué)會公司的核心能力。

他還提到，企業(yè)不能只靠把一時的競爭優(yōu)勢關(guān)起來，而應(yīng)靠技術(shù)前瞻性和速度，持續(xù)構(gòu)建更復(fù)雜的競爭優(yōu)勢。

六、汽車、手機(jī)、無人機(jī)、潛水器都在落地，法律場景也在推進(jìn)

Q14：過去一年，面壁主要有哪些進(jìn)展？未來規(guī)劃是什么？

李大海說，過去一年，面壁在資本市場、技術(shù)和產(chǎn)業(yè)落地上都有進(jìn)展。

資本層面，面壁獲得了更多投資人支持，其中包括具有國家隊屬性的資本和產(chǎn)業(yè)資本。李大海認(rèn)為，這些融資是產(chǎn)業(yè)推進(jìn)的結(jié)果，不是原因。

技術(shù)層面，面壁持續(xù)推進(jìn)基礎(chǔ)模型、數(shù)據(jù)治理、AI訓(xùn)練AI框架等工作，并推出了流式全雙工端側(cè)全模態(tài)模型。

產(chǎn)業(yè)層面，除了智能汽車，面壁也把端側(cè)模型部署到手機(jī)上，并在無人機(jī)、潛水器等智能終端上推進(jìn)端側(cè)模型落地。李大海稱，這些方向可以概括為“上天入地、上天下?！?。

Q15：汽車場景中，用戶和車企反饋如何？

李大海以吉利銀河M9為例說，面壁上車的功能并不是默認(rèn)開放，需要用戶主動打開。車廠反饋顯示，用戶主動打開比例非常高。他認(rèn)為，這代表了用戶對相關(guān)功能的認(rèn)可。

七、端側(cè)AI終局可能是模型與芯片深度合一，但不會很快到來

Q16：端側(cè)AI的終局是模型適應(yīng)芯片，還是芯片適應(yīng)模型？面壁的護(hù)城河是什么？

李大海判斷，未來大模型公司生產(chǎn)出自己的模型后，也可能會同時生產(chǎn)自己的芯片。

不過他認(rèn)為，這可能還需要一段時間。原因在于模型側(cè)可以跑得很快，但芯片流片背后仍有大量不能被AI自動完成的工作。

李大海提到，面壁已經(jīng)初步完成用AI訓(xùn)練AI，下一步自然會考慮如何用AI去流片。但AI流片要克服的問題更多，不會很快到來。