面壁智能200亿估值背后：端侧AI如何跳出算法廉价的宿命

模型厂商到底能不能拥有自己的议价权？

文｜魏琳华

编｜刘俊宏

2026年的面壁智能，正站在技术与商业的交叉点上。

从融资来看，对比过往一年两次融资的频率，2026年才过半不久，面壁智能就已经完成四轮融资，累计融资金额已超过50亿元，且估值超过200亿元。

从WAIC上发布的两款具身智能模型、和吉利合作的具身智能体框架，到官宣和三星手机在端侧AI的合作，再到量产车载AI Box发布、即将扩展FDE业务的规划，面壁智能铺开了一张面向智能终端的大网，把手机、汽车、具身智能和智能家居等领域的合作商都拉上了船。

资本的狂欢与密集的落地动作交织，发力三年后，面壁智能终于迎上了端侧AI的“黄金时代”。

但在通往商业化的深水区时，技术跑通只是第一步。AI1.0时代的梦魇还缠绕在AI2.0时代的企业头上——如何避免AI技术沦为硬件厂商压价的对象，拿到议价权。

技术越来越硬，生意始终很薄。这是所有模型公司都需要面对的问题，面壁智能也不例外。

对于这个问题，面壁智能的答案比较“辛苦”。

面壁智能选择不放过每一个业务场景，在过程中尝试找到自己的壁垒：

落地面做大，面壁智能希望不断拓展端侧 AI 的应用边界，从汽车到手机再到具身智能、智能家居，穷尽整个智能硬件圈子。在模型能力之外，面壁选择把活做得“更重”，向上做智能体平台与企业服务，向下深入硬件与供应链。

本质上，这是一场越狱。面壁智能想要逃离端侧AI只能当“组件”的命运，去拿议价权。

但这套提高行业存在感和与场景深度捆绑的策略是否好用？我们不得而知。

但今年的面壁智能，正在尝试回答一个行业普遍关心的问题：在端云协同的时代，模型厂商到底能不能拥有自己的议价权？

端侧AI元年 面壁商业化加速

很长一段时间里，包括面壁在内的端侧AI在消费场景中并没有更多露脸的机会。但在被视为“端侧AI商业化元年”的2026年，端侧AI开始出现了爆发趋势。

当AI落地的信号加强，作为端侧AI公司，面壁智能今年的商业化合作遍地开花。聚焦到具体业务上，那就是把大模型“塞”进各种终端。

面壁智能给自己规划了三个方向：“第一，持续发布端侧基础模型，赋能更多开发者；第二，直接服务一些出货量大的重要设备厂商；第三，在新的AI原生端侧设备上探索自己的硬件产品。”面壁智能CEO李大海说。

这条路径显示出面壁智能想要抛弃过去模型“小尺寸同尺寸领先”的叙事，扩展到“全模态+具身+训练框架+Agent OS”的体系化布局。当模型在智能汽车、具身智能、手机、智能家居等智能硬件落地，公司才能赚钱。

模型侧，从过去几年发布的系列模型来看，为了加速端侧AI的“干活能力”，面壁智能的演进路线非常清晰：

以早期的文本模型打底，到多模态模型为主，它要靠模型解决端侧AI在智能终端上的交互需求。比如，如何利用好设备上的传感器，如摄像头、麦克风等等。

文本端，面壁智能今年卷的方向更多是给端侧智能体打地基，对应模型侧需要提升的能力包括上下文长度、强化学习等方向。

文本模型上，面壁智能今年在WAIC上发布了文本模型MiniCPM5-2B，在 Artificial Analysis-Index上超过了4B及以下量级的同级对手。这个模型最值得关注的亮点之一是实现了512K上下文长度——可以说，今年上半年一些千亿大模型还停留在256K的水平。

上下文长度的提升，和面壁智能做了新的注意力架构有关——线性与稀疏注意力混合架构SALA，将75%的线性注意力和25%的稀疏注意力结合。为了让大模型“吃”进更多文本，提升上下文能力，AI行业去年就开始卷注意力机制，从MiniMax到月之暗面的KDA，用不同的方式保证大模型在降低计算成本的同时保持性能。

多模态方面，面壁智能更多是在交互上下功夫，这些能力更适合应用在需要识别路况信息并给出应对的汽车智能座舱等场景。

以原生全双工全模态大模型MiniCPM-o4.5为例，全双工解决的是交互问题，传统单工模型在交互时就像“对讲机”，数据只能沿一个固定的方向传输，发送方只能发送，接收方只能接收，两方无法同时交流。全双工可以在模型处理输入信息的同时生成回复，更像是打电话，能同步交流，也能即时打断再回答。全模态则让模型能够“看到”和“听到”，感知周围环境。

这些模型的能力，一部分的合作方式是直接搬到了硬件上。

以手机为例，面壁智能于今年7月官宣了和三星的合作，用端侧模型接下了文本和多模态相关在手机侧完成推理的需求，端侧的意义在于保护隐私问题，避免相册等隐私数据上传云端。

在展示中，面壁智能靠不同尺寸、定位的几个端侧模型，完成了包括智能摘要、即圈即搜、相册检索等，做的是一些基础工作，比如靠模型识别文字、图片内容，并根据用户需求调用。

通过技术，面壁智能拿到了和头部厂商同桌的资格。但上桌不等于能点菜。因为“桌子对面的人也在学做菜”。几乎所有硬件大厂，都养着自己的模型团队。

如此一来，一个老生常谈的拷问又回到了面壁智能的头顶：作为AI模型提供方，它在庞大的硬件产业链中到底能切走多少蛋糕？

做大 把薄利生意铺得更广

只靠模型和硬件厂商合作，从来不是好生意。

AI 1.0时代已经演示过结局。人脸解锁、语音唤醒由AI公司打包卖给手机厂商，技术一成熟，算法就沦为标准组件——视觉解锁算法在单台手机上，最终只值几块钱。

既不重要，也没什么壁垒，这就是适配生意做到最后的样子。

面壁智能当然明白。但“蚊子再小也是肉”，这是模型公司商业化思路最“顺”的打法。

谈到怎么选落地方向，面壁智能CTO曾国洋解释道，“功耗续航直接用户体感，其实是影响最大的，算力反而是影响最小的，因为优化和操作空间大。汽车好做，是因为电池大、功耗要求限制少；手机其实也不错，因为先进制程芯片能耗好。”

追求商业化成绩的情况下，面壁智能当下看到的目标是不断扩大业务范围，做更多的硬件。

在过去几年里，汽车是智能硬件最确定性的赛道。随着智能座舱的普及率提高，端侧AI在汽车端有了更多用武之地。为此，面壁智能还专门建立了对应的汽车业务线，负责该部分的业务扩张。

2025年，面壁智能实现了端侧模型“量产上车”的成就。去年4月，面壁智能和长安马自达合作，其模型搭载SUV系列MAZDA EZ-60车型；去年年末，搭载吉利银河M9系列量产上市。

严格意义来说，这些车型算不得汽车智能化的标杆案例。但对一家要在“强验证、长周期”行业立足的模型公司来说，上车本身就是门票。

如果说智能汽车代表上一阶段，随着今年具身智能赛道火热，面壁智能也加大了投入力度。

今年WAIC大会上，面壁智能发布了两个模型。其中，自研的通用VLA模型MiniCPM-RobotManip更多解决的是在小尺寸的能力上解决抓取等操作能力，和阿里Qwen VLA、蚂蚁灵波LingBot-VA这类模型相比，在LIBERO（评测机器人泛化能力、长时序任务执行能力）等指标上还没能超越，不过1.5B参数量做到了接近成绩，也证明了自己的能力；另一款模型MiniCPM-RobotTrack则解决的是断网场景下，保证机器人也能完成识别、追踪等任务。

从汽车和具身智能的合作中看到，面壁智能并不是简单提供一个模型接口那么轻松。要让模型真正跑起来，还必须干好生态底层的“脏活累活”。

一款芯片从流片到支持模型推理，往往需要大量时间做适配。车企如果深度绑定某个芯片厂商的产品，其硬件切换的迁移成本会显著上升。面壁通过和高通、英特尔、瑞芯微等主流芯片平台做适配，相当于一个标准化平台，帮合作车企处理多平台部署的问题。

以面壁智能和高通的合作为例，面壁智能去年发布的GUI Agent智能体AgentCPM和今年的端侧智能座舱产品矩阵SuperMate，面壁智能赚的就是附加在芯片上的模型和产品价值。

此外，面壁智能也在通过模型训练，探索怎么让内存小、对功耗极其敏感的智能设备，也能毫无压力地跑起大模型。

今年，面壁智能开始用全国产算力训练模型，于今年5月开源了基于华为昇腾实现端到端训练并开源的三值（1.58-bit）大模型BitCPM-CANN。这样训练出来的模型保留了最基础的能力精度，比如识别、问答等，它丢掉的是一些复杂任务的执行能力，但优化了整体成本。

靠着和生态伙伴的深度合作，面壁智能希望能把模型装进更多设备中，进一步扩展业务规模。

但这些努力，说白了是在一个没什么腾挪空间的领域做优化。面壁智能也明白，“螺蛳壳里做道场”，终究不是长久之计。

做大解决的是收入规模，解决不了单位价值。面壁的命，还得靠“做重”来改。

智能体、自研硬件 面壁智能想拿到议价权

扩展业务方向之外，面壁智能在琢磨的另外一件事情是，哪些模型之外的事情需要自己做，才能拥有议价权？

在被誉为智能体之年的2026年，做智能体就是最简单的答案。况且，面壁2023年就发布过AgentVerse、XAgent、ChatDev三款产品，算是重操旧业。

目前，面壁智能现在核心的合作方式之一，是和企业合作推出通用或定制化的Agent产品。

WAIC大会上，面壁智能和吉利宣布合作发布具身智能体框架RoboHarness，应用在机器人身上，也和乐聚机器人联合推出展厅导览Agent方案，保证离线场景下的一些基础能力，比如问答、感知和导航等。

产品上，面壁智能今年先后开源两个平台：PilotDeck（智能体操作系统）和StaffDeck（数字员工平台）。前者是一个以WorkSpace为核心的Agent系统，差异化优势是解决了多任务并行时的“记忆污染”问题；后者则更像是针对公司不同角色给出的“数字员工”角色。

从具体合作看到，面壁智能想做的依然是B端生意。

更“重”的一步是FDE（驻场工程师）。在今年WAIC现场，面壁智能工作人员告诉光锥智能，内部还准备做FDE业务，预计今年下半年开启。

FDE这条路在AI时代曾被Palantir验证过，工程师驻场才能把模型做进客户的业务流程里。虽然FDE模式本质上可能跟SaaS时代的驻场没有什么不同，但“捆绑”也暗含着“共同成长”这一层含义。

此外，通过和芯片厂商的合作，面壁智能推出了能够以标准件形式落地端侧的硬件产品，靠芯片加持进一步提升商业化价值。

今年WAIC上，面壁智能联合英特尔与主机厂，推出量产车载AI Box。面对车机座舱芯片（SoC）更新慢、车企无法承载频繁换代成本的痛点，把它做成了可插拔、可扩展的模块化形态。面壁智能也将自己的端侧智能体SuperMate 2.0部署其中，实现自动调节车窗、空调温度等功能。

面壁智能和芯片厂商的合作，产品价格的扩展空间依然有限，只是把几元提升到几十元的量级。

从几块钱的“组件”，到几十元的“标准件”，我们能清晰看到，面壁智能在价值链上的攀爬。每爬一级，从产业链里切走的东西都不一样。

数字涨了十倍，但面壁智能的位置没变，还是硬件的附属品。

为了避免重走AI1.0时代的老路，面壁智能选择了一条小成本试验的新路：从小硬件设备做起，自己探索软硬结合的全流程，从而把控端侧生态的议价权。

2026 年 2 月 5 日，面壁智能官宣了首款 AI 硬件“松果派”。作为一款 AI 原生的端侧智能开发板，它的市场范围显然小的有限——只向开发者开放，用于做 Demo（原型）验证。目前他们对这款产品的阶段性预期是今年卖几百台。

需要承认的是，几百台开发板，撑不起任何收入故事。但面壁智能想要验证的是，只有亲手摸过供应链的每一个环节，才知道硬件厂商的成本表里，模型能承担的最佳价值。

“对端侧模型公司来说，如果只做软件部分和其他硬件厂商合作，那我们其实议价权很低，如果我们把供应链体系建起来，再做硬件，其实也是帮我们把整体做得更可控一些。”松果派负责人告诉光锥智能。

但自己做硬件，又岂是这么简单。更深层的矛盾，还得解决芯片、模型、算法三者迭代周期的天然错配。

松果派负责人指出，行业的现实是，芯片的迭代速度远跟不上模型的更新节奏：当前终端设备上大规模商用的芯片方案，大多是两代之前的产品，硬件的功耗、算力、内存规格在流片阶段就已定型，短期内无法快速调整优化，这是硬件产业以年为单位的迭代周期决定的客观规律。但模型的迭代是以月为单位，算法优化的速度远超硬件换代速度。

面壁智能要做的，就是在一个稳定的硬件周期内，不断去适配和压榨快速迭代的模型，在性能、功耗和成本之间，找到模型上芯的最优解。

显然，面壁不想只做一家端侧模型公司，它要把自己变成端侧AI生态的底层基础设施。端侧AI的薄利命运，面壁正在尝试打破。