端侧AI的终局，是一群垂直玩家｜爱分析访谈

2026年下半年，大模型这条路的竞争正在走过拐点。当大语言模型的窗口逐渐关闭，端侧、科学智能（AI for Science）成了新一批创业者的押注方向。

在这个节点上，元空智能创始人兼CEO逄大嵬同时做两件事：把模型塞进端侧设备做生产力交付，用机械臂和实验台驱动干湿闭环的科学智能。

逄大嵬的团队出自北京大学科学智能学院，做开发的人多是先学四年化学、再读两年AI的交叉学科背景。2023年3月，他们做出国内最早的AI Excel产品ChatExcel，三年时间从云端应用走到端侧设备。

这次访谈重点聚焦端侧AI未来的趋势，以及科学智能领域的自进化闭环

核心观点

端侧AI的终局是一群垂直玩家。机会之所以分散，根因是数据分散，能力增长发生在无数设备上，单一的基础模型接不住这个循环。

端侧AI窗口在2026年打开。小模型智能密度、Harness能力、端侧芯片算力，三条曲线第一次同时成熟。

Work不是Office。办公只是Work生产力场景的一小部分，Work真正的价值，是交付物从文档变成业务结果。

科研是端侧价值密度最高的场景。当实验台成为数据入口，科研的竞争会从模型能力转向实验室资产，干湿闭环产生的数据成为最稀缺的壁垒。

01 端侧AI天然是分散市场

爱分析：为什么现在这个时点，开始进入端侧AI市场？

逄大嵬：端侧技术我们储备了几年，选择今年发布，是因为有三件事第一次在端侧AI同时成熟。

第一是，模型智能密度提升。今天35B参数的模型，能力已经接近一两年前的全尺寸模型，而继续堆参数带来的增益正在显著变小。第二是，端侧芯片的算力在持续增长。一台40 TOPS（每秒40万亿次操作）的消费级电脑，已经能运行合适参数量级的模型。第三是，Agent的Harness框架走向成熟。

三条曲线分开看都不新鲜，但它们在今年交汇，本地运行真正具备生产力的AI成为可能。

爱分析：做端侧，最直接的驱动力是什么？是合规、数据主权在驱动吗？

逄大嵬：数据主权只是一个维度。企业和个人的敏感数据上传云端，这不是长久之计。

第二个维度是成本。Token费用随使用量增加、Token越来越贵，已经进入企业财务报表。但今天小参数模型已经能做很好的事情，成本可以几乎拉到零。

第三个维度，我们相信一个技术趋势，端侧让智能随时可以获得。很多场景不能都连云端，比如长程任务跑到一半中断，无法保证持续可预期的输出。这不是安全问题，是稳定性和及时性的问题。

这三件事决定了本地化会成为企业级AI落地的必经之路。

爱分析：端侧除了提供算力，还承担什么角色？

逄大嵬：设备不只限于PC，也不只是放算力这件事。黑灯实验室里有机械臂、有培养皿、有测序，几十种不同的设备，驱动这些设备是很复杂的事，并不是单纯做算力。

比如，模型和Agent放到机器狗里，视频捕捉之后本地就可以处理了。这些及时性有需求的场景，都需要在端侧设备解决。

爱分析：如何展望端侧AI的市场格局？

逄大嵬：一定是众多垂直玩家共存，而不是少数玩家大一统。根子在于端侧的数据是分散的。

每个设备产生什么数据、要解决什么问题，都不一样。端侧的设备种类是无限的，除了电脑，还有实验室设备、LED，甚至日常的门和灯。理论上所有端侧物理设备都可以接入模型，只是适配多大模型、能不能规模化的问题。

模型能力的下一步增长，靠的不是互联网上再挖多少静态数据，而是设备上持续发生的真实交互。数据在哪里产生，能力就在哪里生长。因此，端侧AI这件事天然是分散的，一个大一统的平台接不住。

爱分析：每个设备不一样、每个场景不一样，会不会做得很碎？

逄大嵬：每个团队资源有限、禀赋有限，所以我们就做Work和科研两个场景。工业上有很多机会，但我们暂时不会重点做。

爱分析：模型大厂在端侧的机会如何？

逄大嵬：大厂大一统的那个窗口期已经结束了。我们做端侧就是要进到设备里，这一定是个新思想，我们做科研也是新思想。不是新就是对，而是要做下一个阶段的那颗珍珠。不然大家都在做一个重复的、必然会被大厂做掉的事情，没有意义。

02 AI Work不是Office，交付物要跳出三件套

爱分析：办公市场并不大，大厂为何要全力投入？如何更好的理解AI Work？

逄大嵬：只要是工作都属于Work。工作并不只是做办公、做Office，去收集分析货柜上的货品信息，也是Work。

办公软件做了那么多年，盘子也就那么大，为什么大家还都在做？其实大家逐渐都会意识到，Work其实是生产力场景，并不只是Office。

爱分析：比如元空，在端侧AI Work可以交付什么？

逄大嵬：我们产品的定位是全场景智能生产力平台，覆盖Excel、Word、PPT、数据库，以及代码与文件，桌面工作场景处理。我们交付的是结果，不是文档。我们发布会上演示了三件事，整理发票、查异常流水、跑科研全流程，产出都不是一个文档，而是一个业务结果。

用户只要用自然语言说清目标，剩下的由系统自己往下跑，支持24小时连续任务执行，中断后还能从检查点恢复。

爱分析：元空后训练了35B和27B两个模型，选这两个参数点的出发点是什么？

逄大嵬：一个是35B的MoE模型，另一个是27B的稠密模型，两者适用的Work场景还是有区别的。

你要干活，就必须配一个很好的Agent 框架，20B以下的模型驱动的Agent框架效果是打折扣的。

爱分析：端侧AI Work的商业模型和云端有什么不同？

逄大嵬：云端最大的问题是用户越多亏得越多，我们恰好相反，用户越多利润越多。我们强调标准化交付，比如进入惠普的设备，出一台货就赚一台的钱，几乎只需要承担研发成本，销售成本几乎为零。

爱分析：怎么看待大厂目前全力推进AI Work？

逄大嵬：大厂永远想做通用性，但是进到企业侧，遇到的问题还是老问题：你能交付多少、能不能赚钱、有没有利润。

03 科研是端侧价值最高的验证场

爱分析：端侧为什么优选了科研场景？

逄大嵬：科研价值密度高，而且对本地化的要求强。科研本身就保密，模型要存在单独的设备里，过程还要可追溯、可复现、可验证，所以必然要做端侧。

但端侧只是个技术实现，它并不决定科研能不能成功。真正的门槛在数据和闭环。

爱分析：如何理解？

逄大嵬：预训练阶段，互联网上的静态数据已经被吃得差不多了，继续往里堆数据的收益在不断下降。真正稀缺的，是模型在真实环境里干活留下的轨迹数据：为什么做、怎么做、最后做成没有。这些数据不会出现在互联网上，它们只出现在设备上。

所以，我们强调科研的RSI（自进化）必须是干湿闭环，做不到干湿闭环就不能叫RSI。

这个闭环里，干的部分，算法运行、做假设、做仿真；湿的部分，通过Agent去驱动所有设备去做整个过程。通过实验台的运行，你才能拿到所有数据，回流做模型的自我训练。

爱分析：所以模型、Agent、设备必须绑在一起做端侧？

逄大嵬：对。只靠模型不行，只靠Agent也不行，一定要结合起来，模型和Agent是左右腿的关系。而设备不只是AI能力的载体，还是下一轮能力生长的起点。给Agent一个任务，它去干活，干完活把数据回流，模型才能继续进化。

爱分析：科研领域，当实验台成为数据入口，竞争会不会从模型、Agent、设备的三重竞争，转向占领实验室资产的竞争？

逄大嵬：准确的说，是实验室的真实数据越来越宝贵。比如某一个小分子的研究，全球可能就那五个实验室在做，做完就做完了。其他厂商想做也做不了，因为你连实验台数据都没有。

爱分析：科研领域，需要训练完全不同的模型？

逄大嵬：对，科研会有不同的模型。比如做蛋白质的、做小分子的、做材料的、做大气物理的，是完全不一样的模型。所以科研是完全不同尺度、多模的模型。

不光模型，设备也不一样，大气物理要做传感器采集设备，做蛋白质的要测序设备。

爱分析：科研领域进展如何？

逄大嵬： 2027年，我们几个管线争取做出真实的科研产出。我们跟几个顶级的lab和高校已经合作，正在做。我们要的结果是，几个正在合作的管线，湿实验台真的跑出科研成果。不是发paper，发paper很容易，是真的能出成果。做科研模型的自进化是我们追求的目标。