人工智能的浪潮滾滾向前，當大多數力量涌向雲端算力的軍備競賽時，面壁智能卻選擇了一條截然不同的道路:將大模型壓縮，讓它能流暢地跑進手機、汽車甚至一個毛絨玩具中。作爲面壁智能的聯合創始人兼CTO，年僅28歲的曾國洋，正親歷並推動着這場端側AI的變革。

曾國洋的AI之路起步極早。22歲那年，他主導訓練了中國第一個大語言模型CPM-1，當時那個被戲稱爲“打字機”的簡單網頁，讓第一批AI研究者預見了生成式模型的力量。隨後的幾年，他見證了從BERT到GPT的架構變遷，並堅信生成式AI將是通往更高智能的路徑。

image.png

如今，在面壁智能，曾國洋帶領團隊將目光聚焦於“知識密度”。他們認爲，單純堆砌參數並非AI發展的唯一出路，通過“模型風洞”技術，他們實現了在小規模實驗中高效驗證和預測模型效果。這一方法論的核心在於:知識密度每3.5個月翻一番，同等智能所需的參數規模呈指數級下降。以面壁發佈的MiniCPM爲例，其僅以2B的參數規模，在性能表現上便超過了同期的8B競爭對手，成功在端側市場佔據一席之地。

AI落地的核心邏輯，正在從“雲端算力”轉向“深度理解”。在曾國洋看來，端側模型不僅要解決功耗、延遲與硬件適配的工程難題，更要具備真正的人格化記憶。他提到了“默契系統”的構想:未來的AI不應只是機械地響應指令，而是通過行爲模式庫，在用戶開口前就調好環境溫度，或規劃好出行路徑，這種“無感”的智能纔是端側AI的終極形態。

爲了實現這一目標，團隊正在深度重構訓練流程。面壁智能開發了名爲ForgeTrain的訓練框架，並建立了一套從數據治理到硬件部署的五級分層標準。曾國洋強調，數據質量決定了模型的上限，每一名算法工程師都必須深入到數據底層，確保輸入模型的知識沒有瑕疵。

在吉利、上汽大衆等車企的量產車型中，面壁的端側方案已經完成了定點應用。隨着芯片與算力適配的日趨成熟，AI正走出雲端聊天室，深入到人們日常接觸的數字設備中。曾國洋深信，計算本身就應該同時存在雲端與端側，而連接真實世界與數字世界的那個最貼近用戶的“氣球外皮”，正是端側模型將要擔負的使命。