happy together

面壁200亿，壁垒有多厚_我的网站

A |     （本文作者为 强调Next，钛媒体经授权发布）          文 | 强调Next          7月15日，据媒体报道，面壁智能完成新一轮融资，2026年上半年累计融资超50亿元，估值突破200亿元，成为端侧智能赛道估值最大的独角兽。    

B |          真正的加速发生在2026年。         2月底，面壁智能完成春节后的首轮融资，由中国电信领投，中信金石和中信私募跟投。4月，深创投和汇川产投联合领投新一轮融资，道禾长期投资、国泰君安创新投、武岳峰科创等跟投。至此，北京、深圳两地国资和多家产业资本均已进入股东名单。         7月披露的新一轮融资，又引入了国家级基金、央企、汽车制造商等投资方。

C | 按照面壁智能的说法，公司上半年累计融资金额已超过50亿元。

D |          这份股东名单里，几乎看不到阿里、腾讯、字节这类同时布局云端模型、终端硬件和用户入口的互联网巨头。

E | 相比之下，智谱、MiniMax等大模型公司都曾不同程度获得大厂资本支持。面壁智能的资方结构更偏向“国资＋产业资本”：既有电信运营商、汽车制造商，也有地方国资基金和工业自动化企业。         背后的商业逻辑并不复杂。面壁智能希望成为车企、手机厂商和机器人公司的模型供应商，保持相对中立有利于拓展客户。

F | 如果被某一家互联网巨头深度绑定，反而可能影响它与其他生态合作。         资本市场政策也改变了投资人的退出预期。2026年6月，证监会主席吴清在陆家嘴论坛上宣布，将科创板第五套上市标准的适用范围扩大到人工智能领域，支持优质人工智能大模型企业上市。

G |          这不等于面壁智能已经拿到上市入场券，但对于尚未形成稳定利润的大模型公司，境内上市通道正在变得更清晰。对这一轮进入的国资和产业资本来说，面壁智能不再只是一个需要长期等待的技术项目，也可能成为一笔有明确退出方向的投资。         02.“密度定律”：学术成果，也是融资叙事          面壁智能能够讲出“我们更早看懂端侧”的故事，核心支点是刘知远团队提出的“密度定律”（Densing Law）。         这一定律所说的“能力密度”，是模型的有效参数规模与实际参数规模之比。简单理解，就是用更少的参数和更低的推理成本，做到过去只有更大模型才能完成的事情。         相关论文于2025年11月作为封面论文发表于《Nature Machine Intelligence》。论文分析了51个开源基础模型，并在五项常用基准上拟合出一条经验曲线：开源模型的最高能力密度大约每3.5个月翻一倍。

H |          面壁智能国际知名度的提升，还与一场抄袭风波有关。         2024年5月，由两名斯坦福本科生和另一名研究者组成的团队发布Llama3-V，声称只花费约500美元便训练出高性能多模态模型。

I | 项目很快被质疑大量套用了清华与面壁智能联合发布的MiniCPM-Llama3-V 2.5。除模型结构和配置高度相似外，两个模型在识别未公开的清华简牍数据时，甚至出现了相同错误。         两名团队成员随后公开道歉并下架项目。斯坦福人工智能实验室主任Christopher Manning批评其没有正视错误；时任谷歌DeepMind研究员Lucas Beyer则感叹，表现相近的MiniCPM此前得到的关注太少。         面壁智能第一次在国际开源社区引发广泛关注，不是靠一场发布会，而是由对手的翻车带来的。         不过，“密度翻倍”的周期在不同阶段出现过明显变化。         2024年年中的多次演讲和采访中，刘知远、李大海使用的口径还是“知识密度平均每8个月翻一倍”。到2024年底正式提出“密度定律”时，口径变成了大约每100天、即3.3个月翻一倍。最终发表于《Nature Machine Intelligence》的论文给出的结果约为3.5个月。         这几组数字并非完全可比。

J | 早期说法更接近概念性观察，正式论文则限定了模型样本、时间范围和评测方法。但这也意味着，“密度定律”更适合被理解为一条需要不断更新的经验曲线，而不是可以稳定预测未来数年的自然规律。         论文自身也承认，目前对模型能力的测量仍依赖有限的基准测试，可能受到数据污染、评测集饱和等因素影响，能力密度也不可能无限增长。         同样需要谨慎看待的，还有面壁智能关于端侧模型“追平GPT-4时代”的说法。2026年智源大会期间，李大海援引AA-Index榜单称，MiniCPM5-1B的得分已接近2024年的GPT-4o。         这一比较能够说明小模型效率提升很快，但单一榜单无法覆盖不同模型在推理、代码、多模态和真实任务中的综合表现。把它概括为“智能水平追平GPT-4”，传播效果很好，却还不是一个经过统一基准和第三方交叉验证的技术结论。         03.三条商业化管线尚未披露收入数字          面壁智能目前的商业化主要依靠汽车、手机和企业级市场，具身智能则是新加入的一条线。         汽车是落地相对清晰的业务。

K | 2025年，面壁智能端侧模型已经搭载长安马自达EZ-60、吉利银河M9等量产车型。公司还与安波福签署了战略合作框架协议，希望借助后者的汽车供应链进入更多市场。

L |          但此前部分报道中“已交付超过30万台量产车”的表述并不准确。面壁智能公开给出的口径是，预计到2026年底有30万辆汽车搭载其端侧模型。这是年度目标，不是已经完成的交付量。         企业级市场上，面壁智能称智能体平台PilotDeck已经实现规模化商用，并在WAIC期间公布了面向专业法律服务的CPM for Legal。不过，现有公开材料仍未披露具体客户数量、合同金额和收入贡献。         手机端，面壁智能官宣MiniCPM系列将搭载于三星数款旗舰机型。

M | 双方的合作已经进入产品和备案阶段，但具体机型、出货节奏以及面壁智能能够从中获得多少收入，目前仍不清楚。         具身智能则是最新的一条线。7月19日，面壁智能在WAIC期间发布MiniCPM-Robot系列，包括通用视觉—语言—动作模型MiniCPM-RobotManip和移动跟踪模型MiniCPM-RobotTrack。其中，MiniCPM-RobotManip拥有1.5B参数，可以完成制作三明治等长程操作任务。         在面壁智能披露的RMBench评测结果中，MiniCPM-RobotManip得分约为53分，π0.5约为10分。不过，RMBench主要考察机器人在依赖上下文记忆的操作任务中的表现，不能代表模型在所有机器人场景中的综合能力。         这些数字单独看都不小，但大多是下载量、计划搭载量、合作数量和评测成绩。面壁智能至今没有公开披露实际收入、毛利率和客户续约情况。         这在未上市AI公司中并不罕见。

N | 但对一家半年融资超过50亿元、估值突破200亿元的公司来说，商业数据的缺席仍然值得关注。尤其是在上市通道逐渐明确之后，公开市场最终需要看的不是模型下载量，而是收入质量和现金流。

o |          面壁智能在C端市场上的选择也值得注意。对话助手“面壁露卡”Luca于2023年5月发布，同年11月面向公众开放，此后公开渠道很少再看到持续更新的用户数据。目前豆包月活已经达到 3.82 亿，千问月活也达到 1.67 亿。         面壁智能没有继续重投入C端，更主要是因为资源取舍。它把主要筹码压在了车企、手机厂商和机器人公司的底层模型供应上。

p | 这条路避开了昂贵的用户获取和运营成本，却也加深了公司对少数大客户、硬件周期和项目交付的依赖。         至少从公开信息看，面壁智能还没有形成一个能够直接触达消费者、并为To B业务提供对冲的独立收入来源。         04.端侧进入红海，护城河向芯片和系统转移          面壁智能确实是国内较早把端侧模型作为主线的大模型创业公司之一。

q | 2024年2月发布的MiniCPM，也让它在轻量模型和终端部署上建立了较强辨识度。

r |          但放在全球，情况就不同了。谷歌早在2023年12月就发布了运行于手机芯片上的Gemini Nano。苹果则在2024年6月公布约30亿参数的端侧基础模型。         在WAIC 2026上，北京智源人工智能研究院联合端侧智能北京市重点实验室发布报告，将2026年定义为端侧智能“规模化落地元年”。         根据弗若斯特沙利文的预测，全球端侧AI市场规模将从2025年的3219亿元增至2029年的1.22万亿元，年复合增长率约39.6%。政策信号也更加明确，2026年政府工作报告首次提出“打造智能经济新形态”。此前国务院印发的《关于深入实施“人工智能＋”行动的意见》，则提出到2027年新一代智能终端、智能体等应用普及率超过70%。         问题也恰恰出在这里。端侧AI从一条相对冷门的路线变成共识后，牌桌上的玩家已经完全不同。         阿里持续开源不同尺寸的千问模型，并将其接入夸克AI眼镜等硬件；字节仍在调整豆包AI眼镜的产品计划；苹果在2026年推出面向Apple芯片的Core AI框架；高通、联发科和英特尔也在搭建各自的端侧AI平台。手机厂商则不断把大模型和智能体能力嵌入操作系统。

s |          这些公司分别掌握云端模型、芯片、操作系统或用户入口，其中不少同时占据多个环节。相比面壁智能当年进入市场时，它们拥有更多可以直接调用的资源。

t |          李大海在2026年6月的一次采访中也承认，端侧模型规模化落地的最大制约，已经不只是模型本身，而是模型与芯片的结合。

u | 终端设备的算力、内存带宽、散热和功耗都非常有限，模型必须与硬件反复磨合。

v |          换个角度看，端侧AI的竞争重点正在从“谁的模型更小、更强”，延伸到“谁能把模型、芯片和系统调到一起”。         面壁智能已经完成对AMD、英特尔、联发科、高通等主流平台的适配，也通过BitCPM-CANN等项目推进华为昇腾平台上的原生训练。这体现了它的工程能力和平台中立性，但也意味着，面壁智能的产品始终要建立在其他公司的芯片、操作系统和硬件入口之上。         平台中立既是面壁智能争取客户的优势，也是它不得不长期面对的约束。         面壁智能靠密度定律、开源生态和工程能力获得的先发位置，但能不能在巨头迅速拉平模型差距之前，变成难以替代的客户关系、交付体系和成本优势，却不得而知。         200亿元估值回答的是资本是否相信端侧AI，并不意味着面壁智能当下的收入、毛利和客户续约能否支撑这份估值。         接下来真正的考验是，面壁智能能不能在自己较早选中的路上，最终把生意做成自己的生意。         更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App。

Current article:http://www.chuandanfozhuanbenglipaicuzi.pics/gwsw9/b33o.doc

Published on:20:12:50