面壁智能CEO李大海：大模型能力密度越高，落地效率越强

腾讯科技《AI未来指北》特约作者丨李海伦
编辑丨沈月

2025年，大模型行业喧嚣渐退，行业进入分化期，不同路径的成败开始显现。

一边是融资断裂、项目停滞、产品无人接盘的公司加速出清，像 Stability AI、Builder.ai 这样的明星玩家暴雷，说明光有技术远远不够。

另一边，垂直场景的细分赛道悄然生长：AI Agent 正在从多个方向探索实用路径，端侧智能也在智能手机、车载系统、办公终端等设备中加速落地。

不少公司开始意识到，单纯依靠模型能力构建优势，已难以支撑持续增长，脱离真实场景和用户需求，技术很难转化为长期可持续的业务。到了这个阶段，拿不出成绩的玩家，可能就是下一个被市场淘汰的对象。

腾讯科技和面壁智能CEO李大海在2025智源大会进行了深度交流, 围绕AI大模型商业化路径，试图厘清其中的问题：从技术走向商业落地的这一步，到底卡在哪儿？如何将技术优势真正落地到场景，转化为实际价值？

这场对话聚焦大模型走向商业化落地过程中，AI创业者面对现实的梳理与反思，探讨创业公司能否穿越周期的核心能力关键点。

李大海认为，AI创业不能陷入“唯技术论”的误区。技术本身不是问题，问题是它能否尽快连接到需求，形成稳定的正循环。他提出“能力密度”这一落地指标——在相同算力资源下，谁能完成更复杂的任务，谁就更有竞争力。这比单纯追求模型规模更接近现实。

他还强调，开源不仅是技术策略，更是教育市场、构建开发者生态的一种方式。而所有这些工作，最终都指向同一个目标：让AI技术从研发环节真正走进可控、可用、可持续的场景中。

以下为精简版对话内容，在不改变原意的情况下有所删减：

01 AI公司进入价值兑现阶段，真正稀缺的是“闭环能力”

腾讯科技：从2023年AI大模型兴起以来到现在，一些曾被看好的“AI明星公司”开始面临破产危机。怎么看待这些公司失败的原因？

李大海：有些公司可能陷入了“唯技术论”的误区，把所有资源都投入到技术本身，却忽略了技术的落地。一个好的创业公司，不仅要有技术，还必须思考如何落地应用，解决实际问题。

我们不能以外部关注度作为评价标准。创业公司最重要的是静下心来专注自身，把注意力放在为客户和用户创造价值上，做好产品和技术，把技术真正和用户价值连接起来。

腾讯科技：你刚提到了“唯技术论”，现在很多AI公司看起来是先有技术再去谈落地，也就是“拿着技术找需求”。但实际上如果技术和真实需求之间无法有效衔接，商业化就容易陷入困境。你如何看待这种商业化路径？

李大海：其实从哪里起步并不是问题。很多伟大的公司都是从技术出发，然后再找到需求，最终走向成功的。关键在于：能否把技术和需求这两端连接起来，最终形成一个闭环。一个公司可以从技术出发，也可以从用户痛点出发，但必须尽快让供需两端连通，形成自洽的正循环。

腾讯科技：当前大模型公司在商业化上有To B、To C、API调用，或者政务类项目等多种路径。从盈利和可持续发展的角度来看，哪些方向最具潜力或对公司帮助最大？

李大海：只要不是依赖项目制生存，而是聚焦于打磨具备核心竞争力的产品，无论走To B、To C还是其他路径，都有广阔的发展空间。从公司视角看，选择赛道时不能只看市场空间，还要综合考量团队能力、资源匹配度、技术壁垒以及长期战略方向。如果某个方向被广泛认为“最可观”，往往意味着竞争最激烈，真正能脱颖而出的企业反而更少。

腾讯科技：虽然现在很多公司都在强调“技术落地”，但真正从技术落地走向规模化商业闭环，似乎仍有不少挑战。在这个过程中，最关键的难点或“卡点”在哪里？

李大海：谈不上“卡点”，而是落地的自然节奏。尤其是端侧智能，自2024年开始，已经在各类设备中落地，为用户提供智能化的服务。可以看到，从0到1的商业闭环正在形成，接下来就是从1到10、再到100的规模化阶段。

腾讯科技：目前端侧AI距离真正跑通并形成稳定的商业闭环还有多远？

李大海：2025年是端侧智能商业落地的元年。今年起，会有越来越多的端侧产品真正服务用户。因为端侧和硬件天然结合得紧密，所以商业化模式相对成熟，不需要过多的商业模式创新。

02 端侧部署成为落地优选路径：核心在于隐私保护与服务可靠性

腾讯科技：面壁智能刚发布的 MiniCPM 4.0，在技术上获得了比如创新稀疏架构等突破。从商业化角度来看，对于大模型公司来说，这些“快”和“省”的能力提升，如何在实际应用中为客户带来具体价值？

李大海：“快”和“省”不仅是性能指标，更是用户体验升级和商业效率提升的关键。传统云端大模型多为被动响应式交互，如同搜索引擎一样。

未来AI将朝“API化、智能执行体”方向演进，也就是说，AI 不再只是工具，而是成为真正的“执行体”——自动完成任务、记忆历史、了解偏好，就像电影中漫威电影《钢铁侠》中虚拟智能助理贾维斯（Jarvis） 一样。例如，将个人模型部署在PC上，可管理用户的知识资产，并结合过往风格生成个性化内容。这需要模型具备长上下文、低能耗、快响应等特性。

因此从架构上优化“快”和“省”，实际上是为未来可常驻本地、具备数据管理与任务执行能力的AI智能体打基础。

另外，我们提出“能力密度”概念——即在相同模型能力下，谁能用更低算力完成更复杂任务，谁就更具落地优势。举个例子，MiniCPM的不少核心用户来自大厂研发团队。他们不仅在端侧部署模型用于低功耗、低延迟的场景，也有一些选择将其部署在私有云或本地服务器中，以替代高成本的大模型API，实现更好的推理效率和性价比。

腾讯科技：一直以来面壁智能聚焦端侧部署原因是什么，端侧与传统API接入（云端模型）相比，有哪些差异化和价值？

李大海： 模型本质是为端侧环境专门优化的，它能解决很多API调用难以触达的痛点，尤其体现在两个关键价值上：

• 第一、隐私保护方面：

这是端侧模型天然的优势场景。例如，涉及用户聊天记录、本地照片、摄像头视频等个人隐私内容时，没有用户愿意将这些数据上传到云端服务器去处理。而端侧模型可以直接在本地完成推理，数据不出设备，最大限度保护用户的数据安全和隐私权。

举个例子，如果你家中安装了摄像头，需要AI帮助识别“钥匙是不是落在沙发上”，我们当然更希望识别是在本地完成的，而不是把视频上传给某个第三方云服务。

• 第二，服务可靠性方面：

一些关键场景对AI服务的响应时效和稳定性要求非常高。比如车载系统、家庭安防、离线办公助手等，一旦出现网络波动、云端中断，服务就面临瘫痪风险。而端侧部署因为本地计算、低延迟、可脱网运行，可以在弱网甚至无网环境下保持AI服务的持续稳定，是可靠性最强的方案。

腾讯科技：怎么看端侧与云端的关系？未来端侧是否有可能在某些能力上实现对云端的部分替代，甚至在某些场景中超越云端？

李大海： 端侧模型由于体积小、算力受限，暂时还无法像云端大模型那样全知全能，但两者在能力覆盖面上各有优势。因此我们始终认为，云端和端侧并不是对立的，而是互补的。

未来，AI落地一定是端云协同的格局：云端API处理复杂推理、聚合计算、跨域数据整合，而端侧模型保障隐私、可靠性、低成本、强适配的应用体验。

03 开源作为市场教育核心工具，加速用户认知与技术验证

腾讯科技：近期“互联网女皇”玛丽·米克尔最新发布的 AI 趋势报告中直接指出OpenAI 非常烧钱，也面临着商业化的挑战。对于一家AI大模型公司，主要在哪些环节的成本投入比较大？

李大海：大模型的三大核心：算法、算力、数据，恰好也是三个最“烧钱”的地方。

• 数据不仅要获取，还要清洗、治理，甚至合成高质量的数据；

• 算力方面，企业需要采购或租用大量GPU资源；

• 算法方面，体现在顶尖人才的投入上，需要不断试错、探索、创新，推动算法的进步。

不过，如果一家公司只在这三方面投入资源，而忽略商业化落地，其实是有隐忧的。因此，同步建设有经验的商业化团队也很重要。并且通过构建AI原生企业文化，把年轻的技术天才和成熟的商业团队有机融合。

腾讯科技：在大模型商业化过程中，用户认知层面，市场教育最关键的一环是什么？

李大海：面壁智能的核心策略是开源，可以快速形成用户和开发者生态。这样的环境下，外部开发者会贡献优化脚本、适配插件、微调参数等，帮助提升推理效率和部署灵活性。

腾讯科技：现在大模型更新迭代很快，不少公司都在追求“抢先发布”，但这也可能带来产品质量和用户体验的挑战。如何平衡技术快速迭代和产品打磨之间的节奏？

李大海：这里的核心是团队和组织能力。面对竞争，首先需要大量精力打造战斗力强的队伍，团队有使命感和目标，也能对市场的需求和变化快速响应，以及迭代。