端侧觉醒：当AI长出"身体"，热闹之后拼什么？｜ WAIC2026

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。

7.17 WAIC UP！AI三极夜话 现场照片

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

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

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）