专家观点｜端侧大模型距离我们还有多远？
人工智能作为新一轮科技革命的核心驱动力，正在重塑全球竞争格局。近日，由北京市科学技术协会创新服务中心主办、北京网络信息安全技术创新产业联盟承办的“2025年科创中国·北京创新荟产学研合作研讨交流活动——全球视野下端侧大模型的应用与可持续发展”研讨会在北京召开，多位来自学术界、产业界的专家围绕端侧大模型的技术逻辑、应用场景与未来趋势展开探讨，一起来看他们的观点——
为什么端侧大模型是未来人工智能发展的重要方向？
清华大学计算机系长聘副教授刘知远回溯了技术演进的脉络。
“大模型是人工智能发展的新高地。”刘知远表示，从1950-1990年以知识库等符号系统存储专家知识的符号智能，到1990-2017年以任务专用小模型存储任务知识的专用智能，再到2018年以后采取通用大模型存储通用知识的通用智能，“大模型规模法则”清晰显现——模型参数训练规模越大，产生的智能能力越强。
但他指出，这一趋势也带来显著矛盾：模型越大，计算资源消耗与成本越高，难以普及。因此，“用更少参数实现同等智能水平”成为关键命题。
刘知远认为，芯片电路密度（摩尔定律）和模型能力密度（密度法则）持续增强，揭示了端侧智能的巨大潜力。未来，端侧智能可能会在汽车场景、手机场景、具身智能、AIPC及智能设备等领域有广阔前景。
北京智源人工智能研究院研究员王业全以《具身智能走向终端：模型、进展与展望》为题，梳理了机器人与人工智能的三次浪潮：
- 20世纪60-80年代，工业机器人和人形机器人开始起步；
- 20世纪90年代至2010年前后，工业机器人规模化应用。直到2022年前，人工智能与机器人总体上独立并行发展，属于“无智能”的机器人1.0阶段，机器人基于规则而运行。
- 2022年以来，随着大模型的发展和特斯拉发布Optimus原型机，大模型与机器人开始深度融合、共同发展，标志着机器人2.0阶段的开始。
他进一步拆解当前具身智能的核心要素：一是机器人本体、二是运动控制、三是智能化。
机器人本体的驱动形式中，电动驱动是主流方案，好处是响应速度、控制精度和静音性较好，缺点是成本比较高。在运动控制的技术路线中，强化学习和模仿学习是主流，前者使机器人通过与环境的交互学习最优的行为策略，后者主要通过对专家策略进行模仿，组合使用两种算法可以结合两者优点。
对于智能化而言，端到端方案是主流技术路线之一。他表示，在自动驾驶领域，端到端的技术路线被视为通向高级别自动驾驶的关键。此外，大脑+小脑也是智能化技术路线中的重要组成部分，其本质是模仿人脑机制，大脑主要负责高级认知功能，包括思维、记忆、情感等，小脑主要负责运动控制方面的功能。
“如果把大模型比作大脑，大模型端侧智能体就是能思考、能行动、能交流的人。”中国人民大学预聘副教授林衍凯在《面向通用智能的大模型端侧智能体》分享中以此比喻点明智能体的核心价值。
他指出，当前手机端的大模型应用（如DeepSeek、豆包）本质是被动的问题回答者，用户提出需求后，它们主要提供建议（例如制定行程）；而大模型端侧智能体则是任务的主动执行者，更像个人助手——用户仅需给出高层次目标（甚至无须明确指令），它便能联动生活场景中的智能化设备与服务（如自动设置闹钟、准备早餐、叫车、订机票酒店、安排接送等），全程主动推进任务完成。“两者最大的区别在于从‘被动建议’转变为‘主动执行’。”
但他坦言，端侧智能体落地还面临几大挑战，其一是缺乏标准化的组件和环境接入，导致“手工作坊”模式，无法实现高度泛化；其二是缺乏科学的大模型规律定律，导致能力无法科学演进；其三是缺乏主动性，导致停留在“被动工具”阶段。
他表示，端侧智能体正处于快速发展阶段，未来其初期落地场景大概率会聚焦于家居服务等相对可控的领域，“待技术与场景成熟后，再逐步向我们所期待的全任务型个人助手形态演进”。
“算力、算法、数据是人工智能发展的‘三驾马车’，其中数据既是模型的‘燃料’，更决定其能力上限。”
北京面壁智能科技有限责任公司大模型数据技术负责人汪昱东在《在数据上的对于端侧大模型发展的重要意义》中聚焦数据对端侧大模型的关键作用，提出高质量数据是大模型学习世界知识的“教材”，是决定大模型性能的关键性因素。但随着数据增量趋缓，关键问题已从“如何获取更多数据”转向“如何最大化压缩和提炼现有数据的价值密度”。
展望未来，汪昱东希望能够借助AI完成采集、清洗、标注与评估等环节的自动化与智能化升级，从而推动数据治理模式由“人力密集”向“智能闭环”转变；
通过数据治理与模型训练的深度融合与动态协同，实现数据供给与模型能力需求的精准匹配，最大化利用单位数据的知识贡献；
建立统一的数据治理标准和开放生态，促进不同组织之间的数据共享与相互操作，推动产业级协同。
OpenBMB大模型开源社区运营负责人井晨哲围绕《端侧大模型技术发展与应用前沿观察》进行分享，对端侧大模型的发展进行了梳理和展望。
他表示，从甲骨、马车到个人电脑、手机，硬件形态始终被当时最高效的信息处理和传递范式所定义，大模型带来的“自然语言/意图”交互是对“触控/图形”交互的根本性颠覆。按照这个趋势，由大模型原生驱动的新型智能终端必将逐步问世。
与云端大模型相比，端侧大模型的部署位置在终端设备本地，如手机、PC、车载系统等，持续使用成本低、黏性强，天然适配硬件产业的商业逻辑。他认为，端侧大模型及系统正在沿着“高效”的思路前进：
- 在模型层，Google发布Gemma 3n及Gemini Robotics On-Device，Microsoft推出Phi-4-mini-flash-reasoning和Mu，阿里巴巴发布Qwen 3 系列大模型覆盖端侧模型谱系；
- 在系统层，Apple 开放IOS Foundation Model Framework，Meta 推出端侧框架ExecuTorch 1.0，加速端侧智能落地。el Framework，Meta推出端侧框架ExecuTorch 1.0，加速端侧智能落地。
制作：北京市科协融媒体中心
相关链接
企业AI知识库搭建与运营培训课程
呼叫中心AI知识库培训课程
个人知识体系构建能力课程
