人工智能作為新一輪科技革命的核心驅動力，正在重塑全球競爭格局。近日，由北京市科學技術協(xié)會創(chuàng)新服務中心主辦、北京網(wǎng)絡信息安全技術創(chuàng)新產(chǎn)業(yè)聯(lián)盟承辦的“2025年科創(chuàng)中國·北京創(chuàng)新薈產(chǎn)學研合作研討交流活動——全球視野下端側大模型的應用與可持續(xù)發(fā)展”研討會在北京召開，多位來自學術界、產(chǎn)業(yè)界的專家圍繞端側大模型的技術邏輯、應用場景與未來趨勢展開探討，一起來看他們的觀點——

為什么端側大模型是未來人工智能發(fā)展的重要方向？清華大學計算機系長聘副教授劉知遠回溯了技術演進的脈絡。

“大模型是人工智能發(fā)展的新高地?！眲⒅h表示，從1950-1990年以知識庫等符號系統(tǒng)存儲專家知識的符號智能，到1990-2017年以任務專用小模型存儲任務知識的專用智能，再到2018年以后采取通用大模型存儲通用知識的通用智能，“大模型規(guī)模法則”清晰顯現(xiàn)——模型參數(shù)訓練規(guī)模越大，產(chǎn)生的智能能力越強。

但他指出，這一趨勢也帶來顯著矛盾：模型越大，計算資源消耗與成本越高，難以普及。因此，“用更少參數(shù)實現(xiàn)同等智能水平”成為關鍵命題。

劉知遠認為，芯片電路密度（摩爾定律）和模型能力密度（密度法則）持續(xù)增強，揭示了端側智能的巨大潛力。未來，端側智能可能會在汽車場景、手機場景、具身智能、AIPC及智能設備等領域有廣闊前景。

北京智源人工智能研究院研究員王業(yè)全以《具身智能走向終端：模型、進展與展望》為題，梳理了機器人與人工智能的三次浪潮：20世紀60-80年代，工業(yè)機器人和人形機器人開始起步；20世紀90年代至2010年前后，工業(yè)機器人規(guī)模化應用。直到2022年前，人工智能與機器人總體上獨立并行發(fā)展，屬于“無智能”的機器人1.0階段，機器人基于規(guī)則而運行。2022年以來，隨著大模型的發(fā)展和特斯拉發(fā)布Optimus原型機，大模型與機器人開始深度融合、共同發(fā)展，標志著機器人2.0階段的開始。

他進一步拆解當前具身智能的核心要素：一是機器人本體、二是運動控制、三是智能化。

機器人本體的驅動形式中，電動驅動是主流方案，好處是響應速度、控制精度和靜音性較好，缺點是成本比較高。在運動控制的技術路線中，強化學習和模仿學習是主流，前者使機器人通過與環(huán)境的交互學習最優(yōu)的行為策略，后者主要通過對專家策略進行模仿，組合使用兩種算法可以結合兩者優(yōu)點。

對于智能化而言，端到端方案是主流技術路線之一。他表示，在自動駕駛領域，端到端的技術路線被視為通向高級別自動駕駛的關鍵。此外，大腦+小腦也是智能化技術路線中的重要組成部分，其本質是模仿人腦機制，大腦主要負責高級認知功能，包括思維、記憶、情感等，小腦主要負責運動控制方面的功能。

“如果把大模型比作大腦，大模型端側智能體就是能思考、能行動、能交流的人。”中國人民大學預聘副教授林衍凱在《面向通用智能的大模型端側智能體》分享中以此比喻點明智能體的核心價值。

他指出，當前手機端的大模型應用（如DeepSeek、豆包）本質是被動的問題回答者，用戶提出需求后，它們主要提供建議（例如制定行程）；而大模型端側智能體則是任務的主動執(zhí)行者，更像個人助手——用戶僅需給出高層次目標（甚至無須明確指令），它便能聯(lián)動生活場景中的智能化設備與服務（如自動設置鬧鐘、準備早餐、叫車、訂機票酒店、安排接送等），全程主動推進任務完成?！皟烧咦畲蟮膮^(qū)別在于從‘被動建議’轉變?yōu)椤鲃訄?zhí)行’?！?/p>

但他坦言，端側智能體落地還面臨幾大挑戰(zhàn)，其一是缺乏標準化的組件和環(huán)境接入，導致“手工作坊”模式，無法實現(xiàn)高度泛化；其二是缺乏科學的大模型規(guī)律定律，導致能力無法科學演進；其三是缺乏主動性，導致停留在“被動工具”階段。

他表示，端側智能體正處于快速發(fā)展階段，未來其初期落地場景大概率會聚焦于家居服務等相對可控的領域，“待技術與場景成熟后，再逐步向我們所期待的全任務型個人助手形態(tài)演進”。

“算力、算法、數(shù)據(jù)是人工智能發(fā)展的‘三駕馬車’，其中數(shù)據(jù)既是模型的‘燃料’，更決定其能力上限?！北本┟姹谥悄芸萍加邢挢熑喂敬竽Ｐ蛿?shù)據(jù)技術負責人汪昱東在《在數(shù)據(jù)上的對于端側大模型發(fā)展的重要意義》中聚焦數(shù)據(jù)對端側大模型的關鍵作用，提出高質量數(shù)據(jù)是大模型學習世界知識的“教材”，是決定大模型性能的關鍵性因素。但隨著數(shù)據(jù)增量趨緩，關鍵問題已從“如何獲取更多數(shù)據(jù)”轉向“如何最大化壓縮和提煉現(xiàn)有數(shù)據(jù)的價值密度”。

展望未來，汪昱東希望能夠借助AI完成采集、清洗、標注與評估等環(huán)節(jié)的自動化與智能化升級，從而推動數(shù)據(jù)治理模式由“人力密集”向“智能閉環(huán)”轉變；通過數(shù)據(jù)治理與模型訓練的深度融合與動態(tài)協(xié)同，實現(xiàn)數(shù)據(jù)供給與模型能力需求的精準匹配，最大化利用單位數(shù)據(jù)的知識貢獻；建立統(tǒng)一的數(shù)據(jù)治理標準和開放生態(tài)，促進不同組織之間的數(shù)據(jù)共享與相互操作，推動產(chǎn)業(yè)級協(xié)同。

OpenBMB大模型開源社區(qū)運營負責人井晨哲圍繞《端側大模型技術發(fā)展與應用前沿觀察》進行分享，對端側大模型的發(fā)展進行了梳理和展望。

他表示，從甲骨、馬車到個人電腦、手機，硬件形態(tài)始終被當時最高效的信息處理和傳遞范式所定義，大模型帶來的“自然語言/意圖”交互是對“觸控/圖形”交互的根本性顛覆。按照這個趨勢，由大模型原生驅動的新型智能終端必將逐步問世。

與云端大模型相比，端側大模型的部署位置在終端設備本地，如手機、PC、車載系統(tǒng)等，持續(xù)使用成本低、黏性強，天然適配硬件產(chǎn)業(yè)的商業(yè)邏輯。他認為，端側大模型及系統(tǒng)正在沿著“高效”的思路前進：在模型層，Google發(fā)布Gemma 3n及Gemini Robotics On-Device，Microsoft推出Phi-4-mini-flash-reasoning和Mu，阿里巴巴發(fā)布Qwen 3系列大模型覆蓋端側模型譜系；在系統(tǒng)層，Apple開放IOS Foundation Model Framework，Meta推出端側框架ExecuTorch 1.0，加速端側智能落地。

制作：北京市科協(xié)融媒體中心