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。
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。
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）
