问题：大模型应用正加速向终端设备渗透，但具身智能等场景中仍面临落地难题。通用模型通常体量大、算力和能耗需求高，难以稳定运行在车载、机器人、手机等边缘设备上。同时，具身智能在运动控制和硬件传感上进展迅速——但认知与交互能力较弱——导致机器人难以从执行指令升级为自主协作。 原因： 1. 技术路径差异。云端大模型通过扩参提升能力，但增加了部署成本、延迟和网络依赖，无法满足端侧低时延、高稳定性和离线可用的需求。 2. 多模态交互尚不成熟。传统语音或多模态交互多为“单工”模式，模型输出时无法同步接收外界信息，难以适应动态环境中的声音、画面和指令变化。 3. 具身智能的能力边界尚未明确。具身系统需动态环境中实现时机判断、意图确认和安全约束，要求模型在感知、理解、生成与控制间紧密协同。 影响：面壁智能开源的MiniCPM-o 4.5以9B参数规模切入端侧市场，主打高密度、全模态和全双工交互能力。该模型支持视觉理解、文档解析、语音处理等功能，并通过并行输入输出机制实现更快速的响应。若技术成熟，可能带来三上影响： 1. 降低终端智能门槛，推动车载、PC等设备从被动响应转向主动服务； 2. 弥补具身智能“会动但不够会沟通”的短板； 3. 开源策略有助于开发者生态建设，加速端侧多模态应用的工程化落地。 对策：面壁智能提出以“密度法则”为核心的研发思路，即在有限算力和参数下提升模型效率，将大模型能力压缩至本地可运行范围。公司负责人将其比喻为“大模型的光刻机”，目标是实现高效端侧部署。未来需重点关注三点： 1. 提升全双工交互的稳定性与可控性； 2. 针对高风险场景建立安全评测体系； 3. 加强产业链协作，推动模型与传感、控制链路的闭环整合。 前景：随着终端算力提升和模型压缩技术进步，端侧多模态模型有望成为下一代智能应用的重要形态。其优势包括低延迟、隐私保护和伴随式学习能力——设备可在本地优化服务。面壁团队预测，未来个人可能拥有专属模型，智能助手或将从工具演变为协作伙伴。在具身智能领域，若“理解—沟通—交互”能力取得突破，机器人在家庭服务、工业巡检等场景的通用性将大幅提升，并可能催生新的软硬件生态。
端侧模型的突破标志着AI产业从追求绝对性能转向平衡性能与效率；若能在有限资源下实现多模态、全双工交互，具身智能和边缘计算的大规模落地将成为可能。这不仅考验技术创新能力，更考验对产业需求的精准把握。未来的竞争力在于如何在资源限制下最大化释放AI潜力。