7 月 17 日至 20 日，上海世博展览馆的人潮应该是创下 9 年之最。2026 这一届世界人工智能大会 （WAIC），展览总面积首次突破 10 万平方米，1100 余家企业带来 3000 余项展品，具身智能首次跃升为与智算并列的核心赛道，超 200 家机器人企业同场竞技。
展台上最直观的变化，是曾经独占 C 位的云端大模型，正在被一群“ 长” 出物理身体的 AI 设备包围—— 会弹琴的、会拍球赛的、会拧螺丝的。展商的话术也变了：不再是“ 你看我酷不酷”，而是“ 我能干这个活，能帮你省多少钱”。此外，努比亚首发全球首款 AI 智能体手机，荣耀发布 Agentic OS，阶跃星辰端侧轻量化 Step Edge 模型累计装机量已达 4200 万台—— 终端厂商的集中发布，让端侧 AI 的落地成为 2026 年 WAIC 期间最热门的讨论话题之一。
Related articles
端侧 AI 的火爆早有引线，早就有大会开幕前两天，国家网信办公布了首批 7 款手机端侧大模型备案名单，苹果、华为、小米、三星等主流终端品牌悉数在列，面壁智能也作为唯一以端侧模型能力参与备案的大模型企业在列，端侧 AI 正式告别“ 无证驾驶”。
政策放行、算力下沉、终端厂商集体下场，三股力量正把 AI 从“ 云端集中发电” 推向“ 终端分布式燃烧”。
但热闹背后，真正的问题才刚刚浮出水面：当 AI 长出“ 身体”，哪些能力必须长在设备里？从众筹爆款到规模量产隔着几道门槛？软硬件边界消融之后，各家又靠什么守住自己的生态位？
在展期开首日开幕式当晚，在钛媒体与 WAIC 组委会联合主办的 「WAIC UP！AI 三极夜话」 上，“ 端侧智能觉醒” 圆桌的四位创业者，恰好代表了端侧智能的四个不同切面参与讨论：趣丸科技副总裁贾朔让 AI 长出了“ 弹” 的指尖，XbotGo 联合创始人兼 COO 张依真让 AI 长出了“ 拍” 的眼睛，灵巧智能 CTO 兼联合创始人朱豪华让 AI 长出了“ 抓” 的掌心，维泛智能创始人兼 CEO 殷积磊则在为这些“ 身体” 锻造“ 想” 的大脑。围绕上述三个问题，他们给出了一场坦诚的现场推演。
7.17 WAIC UP！AI 三极夜话 现场照片
端云分界线：实时性划出的“ 楚河汉界”
AI 一旦进入物理场景，第一道必答题就是端云分工：哪些能力放云端，哪些必须长在设备里？四个场景给出了四种答案，但底层逻辑出奇一致—— 从需求倒推，由实时性划界。
趣丸科技的路径是从模型一路走到硬件：先有天谱乐音乐大模型，再有 Tunee 音乐 Agent，最后落成一把全球首款生成式 AI 吉他，这把吉他也被带到了当晚现场。选择吉他这个物理载体，源于贾朔对音乐消费结构的判断：AI 音乐的产能已经爆炸—— 据其引述，仅某头部平台一天就能生成超过 700 万首 AI 歌曲—— 但耳机里的聆听始终是被动消费，而 K 歌、智能乐器的持续流行证明，普通人“ 主动参与音乐” 的需求是一个快速增长的增量市场。落到端云分工上，贾朔的划法很清晰：音乐生成的模态成熟度“ 从稳定性、质量、效率、成本等各方面来说，才刚刚在云端达到普通人接受的临界点”，因此生成任务留在云端；而对用户强交互时，实时敏感度要求高的提示响应、指引与反馈，则交由端侧承载—— 云端管创作，端侧管互动。当软硬件“ 打架” 时怎么取舍？他的标准只有一条：“ 音乐是审美型的内容消费，必须质量够好，才有其他”。质量优先，其余皆可适当妥协。
XbotGo 则完整经历了一场从“ 云” 到“ 端” 的产品跃迁。XbotGo 的 AI 体育相机前两代主要依托手机的算力完成拍摄与捕捉判断，到第三代产品“ 猎鹰”（Falcon），则搭载了 6 TOPS 的独立 AI 处理器，把核心能力整体搬进了设备。驱动这次跃迁的不是技术炫技，而是用户的“ 零容忍”：“ 用户不可能容忍视频拍完传到云端处理，几秒钟过去，相机还没追到，球已经进了。” 于是分工变得简单清晰：识别球员、追踪球路、决定拍全景还是 zoom in，这些毫秒级响应必须在端侧完成；视频后期处理、高光剪辑、数据分析这类“ 用户能忍受时间滞后” 的增值服务，则交给云端。
如果说消费级硬件的端云分工是一条线，具身智能的分工就是一张多层网。朱豪华把灵巧手称为“ 人身上的第二大脑”—— 它集合了最丰富的触觉、力觉感知和最精确的动作输出。他给出的总纲是“ 端侧自治完成任务，云端负责进化”，但端侧内部还要按时间尺度继续分层：感知层的反射是千赫兹级的，决策层的规划是几百毫秒级的。他举了一个反常识的例子：手碰到烫水杯，会在你“ 意识到烫” 之前就松开—— 动作先于感知，这正是端侧毫秒级本能响应的价值。触觉的挑战则更特殊：信号量极大且时延敏感，需要在触觉层部署更小的专用模型，把脉冲信号提取出来、完成模式识别，在端侧闭环。模型架构上，灵巧智能的路径是用一个基础大模型，经过中间训练和后训练，对应不同的时间尺度—— 分层，而非几个模型之间简单“ 对话”。
站在芯片视角，殷积磊把这张分工图谱进一步抽象成算力光谱：智能硬件是“ 小端”，手机和车算力渐大，机器人则是需求最大的“ 大端”。在他看来，端侧分层的本质不是设备大小之争，而是算法与算力的适配——AI 算法的迭代速度远超芯片的发展速度，“ 大力出奇迹” 的超大模型只能留在云端，端侧再通过网络与之协同。而具身智能正把这一矛盾急剧放大：传统灵巧手靠小脑运控加强化学习，几个 TOPS 就够用；但当 VLA、世界模型被蒸馏到端侧，参数量从几个 B 膨胀到几十个 B，算力需求随之从几个 TOPS 跃升至几百甚至上千 TOPS。
四种答案拼在一起，恰好构成一幅端云分工的连续光谱：实时性要求越高，端侧权重越大；模型越依赖“ 大力出奇迹”，云端权重越大。边界不是技术画出来的，是用户的“ 等不起” 画出来的。
量产四重门：从爆款样机到工业级交付
找到场景只是拿到入场券，真正决定商业结局的，是能否从“ 做出一款产品” 走到“ 规模化量产”。2026 年被不少从业者称为“ 具身智能商业化元年”，但这场圆桌揭示的现实是：量产不是某个技术节点的突破，而是场景、成本、供应链、工程化四重约束下的系统性突围。
第一重门是场景与用户的可规模化。 端侧硬件的天花板，很大程度上取决于用户画像的宽度。贾朔用实战数据给出验证：天谱乐 AI 吉他去年底现货发售，“ 非常短的时间就破了千万 GMV”，而驱动增长的不是传统乐器爱好者，而是“ 喜欢音乐、对乐器浅尝辄止” 的普通人—— 一个远比专业人群庞大的增量市场。他甚至对“ 降低学习门槛” 这个流行话术提出了产品定义层面的反驳：“ 除了升学愿意学、考公愿意学，谁愿意花钱找不痛快？” 用户付费买的从来不是“ 更容易的学习过程”，而是跳过痛苦、直达成就感的体验。这个洞察与行业趋势互为印证：终端厂商正在集体把 AI 能力做成“ 无感” 的默认体验，阶跃星辰在 WAIC 前发布面向手机、汽车的 Step Edge 端侧模型全家桶，面壁智能的端侧智能体 SuperMate 预计到 2026 年底交付超 30 万台量产车—— 端侧 AI 的放量，大多都始于“ 用户不需要学” 的场景。
B 端的场景筛选则是另一套算法。朱豪华给出了灵巧手的“1+3+N” 框架：一个技术底座，锚定工业、电力、科研教育三个重点场景，再向 N 个场景延伸。筛选场景用三把尺子：环境的结构化程度、技术成熟度与安全伦理、ROI 的清晰度与可规模性。工业场景 SOP 最清晰，大尺度的决策已由人规划好，端侧只需处理类似智能驾驶"路段级"的操作，复制成本低；家庭场景高度非结构化，需要大量云端算力兜底—— 所以 B 端工业先行，C 端家庭后置。殷积磊补充了节奏差异：C 端的细分场景如扫地机器人已验证超十年，正沿着割草、泳池清洁、铲雪等品类向海外延伸；B 端则集中在“ 人去不了”（生化等危险环境） 和“ 人不愿干”（物流分拣等脏活累活） 的刚需领域。
不管 B 端还是 C 端场景，规模化的第一线原理是：场景需求必须来自真实的行业痛点，不能是伪需求。
第二重门是成本。 量产消费电子的成本天花板，往往不由技术方案决定，而由“ 用户愿意付多少钱” 决定。贾朔对此深有感触：端侧算力、存储成本在供需关系推动下持续走高，连苹果都要涨价，“ 产品的开发者其实也是带着脚镣在跳舞”—— 不计成本追求终极体验是理想，商业量产必须在用户支付意愿的成本结构内找最优解。殷积磊从芯片上游揭示了成本的传导机制：一颗高端端侧 AI 芯片本身就要几千甚至上万元，加上外围器件，整机方案居高不下，人形机器人本体动辄几十万元，“ 甚至比一辆车还贵”，大部分消费者根本买不起。由此形成一个死结：“ 有量以后价格自然会降下来，但价格降不下来又很难起量。” 他的结论很坦诚：“ 这不取决于我们公司本身，是整个行业的问题。”
第三重门是供应链。 这是从“ 众筹爆款” 走向“ 年销数万台” 的最大门槛。张依真的体会最直接，去年 XbotGo 的第三代产品猎鹰 （Falcon） 在 Kickstarter 上斩获 250 万美元众筹，但“ 众筹只是预售验证，量产才是供应链战争”。交付延期、存储等元器件全线涨价、产能爬坡，每一项都是阵痛。更棘手的是用户心态的切换：众筹 backers 有容错率，能接受产品不完美；量产后面对普通消费者，“ 用户对你许诺的功能、稳定性会提出非常高的要求”—— 从“ 高包容” 到“ 零容忍”，留给团队修 bug、迭代软件的窗口期被急剧压缩。
第四重门是工程化。 量产交付的不是实验室样机，而是工业级的一致性。在人人抢跑“ 量产元年” 的氛围里，灵巧智能反而选择不急于盲目铺量，他们在 WAIC 现场发布的新一代绳驱灵巧手的样机早在 2025 年 5 月就已发布，团队却又花了整整 14 个月，去解决寿命、可靠性、温升等一系列工程化问题。“ 可能很多厂家并不会选择花这么多时间去做这些事。” 朱豪华说。但在他看来，用户买的不是 Demo，而是能在产线上连续运转数千小时的生产工具，这 14 个月是“ 场景优先” 战略下必须支付的成本。
殷积磊最后从芯片视角点出了量产背后更深的双重瓶颈。算法层面，VLA 与世界模型的跨场景泛化“ 目前甚至都不能叫收敛，还在百家争鸣、大家探索”—— 算法不固定，芯片架构就缺乏稳定的定义锚点。数据层面，“ 算法固定以后，还要解决最后一公里的数据问题”：仿真合成数据能降低部分成本，但落到固定场景最终仍需真机数据，成本依然很高；而触觉等多模态感知“ 是最近一两年才刚刚加进去的”，数据积累尚在早期。这意味着机器人大脑芯片的量产从来不是“ 主动放量”，而是被上下游牵引的结果：算法收敛决定芯片定义窗口，本体放量决定订单规模，供应链降本决定定价空间。维泛智能 2027 年四季度的量产节点，与其说是一家公司的里程碑，不如说是对算法、数据、本体、供应链四个变量协同收敛的乐观预期。
四重门叠在一起，量产的完整图景才算清晰：场景定义天花板，成本决定生死，供应链考验组织，工程化构筑壁垒。而打破“ 没量降不了价、价高起不了量” 这个死循环，需要的不是某一家的冲刺，而是全行业正向循环的逐步打通。
边界消融之后，如何卡住生态优势位
当软件公司开始做硬件，硬件公司开始做软件，曾经泾渭分明的产业边界正在消融—— 字节推出 AI 录音硬件，OpenAI 涉足硬件，大疆以硬件起家却把飞控软件做到极致。“ 大家都在互相跨界，做全栈。” 张依真如此概括。跨界之后，真正的考验不再是“ 能不能做”，而是“ 靠什么守住自己的生态位”。四位嘉宾交出了四份不同的答卷。
趣丸的答案是“ 开放 API，自闭环硬件”。趣丸在模型层和 Agent 层向合作伙伴敞开：“ 能够简单通过 API 提供的能力，我们都是开放的。” 但他同时强调，“ 有挺多解决方案跟体验，没有办法简单通过云端端口做完整交付”—— 端侧硬件既是生态的入口，也是自闭环的商业载体。这套打法已有初步验证：趣丸的纯应用端已实现经营层面打平，而硬件与 Agent 应用之间的深度打通，“ 节奏会放得稳健一些”。开放是姿态，自闭环是底气。
XbotGo 看好的是软硬融合的价值循环，她以字节的 AI 录音硬件为例：强大的软件能力加上硬件载体，能让更多用户经由硬件进入软件生态。XbotGo 正沿着同一条路径，从“ 一台相机” 走向“ 垂类多平台”：拍摄之外，围绕高光剪辑、球队管理、培训教练等不同角色提供软件订阅服务。硬件是入口，软件是第二增长曲线—— 尽管她坦言收费模式“ 还在验证过程当中”，但“ 很明显能看到这个事情是可以发生的”。
灵巧智能则把宝押在最难采集的“ 物理数据” 上，朱豪华认为“ 数据基本上决定了整个模型的上限。现在所有易获得的数据基本都是视频数据，但操作不可避免要有和物体的物理接触，这种接触数据非常难采集”—— 甚至还有更难的肌肉力等内生力数据。当被问到具身智能的入口会长在触觉数据上还是模型上时，他的回答谨慎而坚定：不好说操作系统的入口长在哪，但“ 触觉作为一个很关键的数据入口，我一定程度上比较认同”。在视频数据日趋“ 白菜化” 的今天，谁能把触觉、力控这些物理数据表征出来、打通传感器与模型，谁就握住了下一个竞争壁垒—— 灵巧手，本质上是挖掘这座金矿的铲子。
殷积磊的生态观则最具“ 挑战者” 色彩。面对英伟达在部分细分市场占据七八成甚至超过 90% 份额的现实，他给出的答案是以开源换生态：像安卓挑战苹果、RISC-V 挑战 ARM 那样，“ 把底层 IP 尽可能开源出去，让更多人反馈、用起来，生态自然而然就能繁荣”。他甚至抛出一个颇具争议的判断：AGI 是一个“ 打引号的伪命题”—— 各个场景需求不同，算法就不同，如同人有不同工种；但所有工种都长着同一个脑子，手也好、算力芯片也好，有可能成为统一的平台，而平台必须足够开放。CUDA 的松动已经给出信号：底层硬件趋于通用，OpenAI 开源的 Triton 等工具正让软件栈走向多元。当然，他也留下一句务实的警醒："如果是一个不好用的东西，肯定没人愿意用。“ 开源只是放大器，好用才是前提。”
四份答卷路数不同，却指向同一个终局判断：生态的终点不是封闭，而是开放中的差异化—— 开放的“ 度” 各有不同，但核心能力必须长在自己手里。至于谁能赢，贾朔的总结或许最接近答案：“ 跟出发点没有关系，哪一条路线都有可能做出极强的优势。最终谁能最先抓住应用侧的场景，找到可量产、可规模化的真需求，才是真正的胜负手。”
结语：端侧觉醒之后，是漫长的成人礼
回望这场讨论，四位创业者其实在共同回答一个问题：端侧智能的“ 觉醒”，究竟意味着什么？
它不是把云端模型塞进设备那么简单，而是意味着 AI 第一次要直面物理世界的全部约束—— 毫秒级的实时性、斤斤计较的 BOM 成本、供应链的每一次涨价、产线上数千小时的连续运转。云端的 AI 可以永远活在演示视频里，端侧的 AI 却必须在真实世界里"干活"。正如朱豪华开场观点：端侧觉醒的考场，“ 不在于一个全能的身体，而在于一双能在现场干活的手”。
十年前，移动互联网的爆发不是因为手机芯片更快了，而是因为触摸屏、App Store 和 4G 网络在同一个时间窗口完成了合围。今天的端侧智能，正站在相似的前夜：政策备案打开合规通道，端侧算力跨过可用门槛，模型厂、终端厂、芯片厂在同一张牌桌上落座。缺的不再是单点技术，而是那个让算法、数据、本体、成本同时收敛的时间窗口。
觉醒是一瞬间的事，长大却需要整个产业的耐心。当喧嚣的展馆灯光熄灭，真正的竞赛才刚刚开始—— 在用户"等不起"的毫秒里，在供应链的账本上，在产线数千小时的运转中。谁先熬过这场成人礼，谁就能定义 AI 与物理世界相处的下一个十年。（本文根据 「WAIC UP！AI 三极夜话」 现场速记整理）
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
