中国端侧AI产业成熟：MiniCPM下载超3800万，7款手机端侧大模型同日备案，三星搭载面壁端侧模型上市

【新闻原文】 7月22日晚，三星Galaxy Z Fold8 Ultra和Fold8折叠屏手机在中国正式上市。据多家媒体报道，新手机在国内搭载了由端侧大模型公司面壁智能提供的MiniCPM系列端侧模型作为Galaxy AI的核心能力。 这是面壁智能与三星合作的正式落地。此前7月15日，国家互联网信息办公室公布最新一批生成式人工智能服务备案名单，三星"盖乐世AI"正式获批。其端侧大模型能力由面壁智能MiniCPM系列提供，覆盖Galaxy S26 Ultra、Z Fold7、Z Flip7等旗舰机型，支持文本理解与多模态感知双引擎。 同一批备案中，还包括Apple智能（搭载阿里千问和百度AI）、华为小艺AI大模型、OPPO Andes GPT、vivo蓝心端侧大模型、小米澎湃AI以及努比亚豆包手机大模型，共7款手机端侧生成式AI服务完成合规备案。这是中国手机端侧AI领域首次大规模集中备案，标志着端侧AI正式进入规范化、规模化落地阶段。 面壁智能成立于2022年8月，孵化自清华大学自然语言处理实验室。联合创始人兼CEO李大海曾任知乎合伙人、CTO；联合创始人兼首席科学家刘知远现任清华大学计算机系教授。2026年上半年，面壁智能累计融资超50亿元，估值突破200亿元，是国内端侧AI领域估值最高的独角兽。 面壁智能是目前国内最早、最坚定的端侧AI布局者。早在2023年下半年，当全行业还在疯狂堆参数、拼云端算力时，面壁智能就决定全力押注端侧。其核心方法论是"密度定律"（Densing Law）：大模型的最大能力密度随时间呈指数级增强，达到特定智能水平所需参数量约每3.5个月下降一半。 经过两年半、16个主要版本的迭代，MiniCPM系列已形成覆盖文本、视觉、全模态和语音四大方向的完整端侧能力栈。最新MiniCPM5-1B仅以1B参数规模在Artificial Analysis榜单上取得17.9分，超越多款更大规模的开源基座模型。MiniCPM-V 4.6仅1.3B参数、6GB内存即可在手机上流畅运行。MiniCPM-o 4.5以9B参数实现"边看、边听、主动说"的全双工交互能力。 截至2026年7月，MiniCPM系列开源模型在GitHub、Hugging Face等平台的累计下载量已突破3800万次，GitHub星标超过14万。在应用端，面壁智舱SuperMate已落地吉利银河M9、长安马自达EZ-60等量产车型，完成超30万台量产车交付；与吉利、上汽大众、广汽、长城等车企形成深度合作。 面壁智能CEO李大海此前提出"2026是端侧智能规模化落地元年"，三星合作的落地和7款手机同日备案，正印证了这一判断。 来源：华尔街见闻/澎湃新闻/36氪/甲子光年/智东西/每日经济新闻 【企服观察】 7款手机端侧AI同日通过备案、MiniCPM下载突破3800万、三星旗舰手机搭载中国端侧模型上市——这三个事件在同一个月内密集发生，绝非巧合，而是端侧AI产业走向成熟的一个确定性拐点。对于企服行业，这一趋势的影响可能远超大多数人的预期。 第一，"端侧AI的规模化落地元年"正在重构企业移动办公的基础能力模型。过去，企业移动办公应用的AI能力高度依赖云端API调用，这带来了三个核心痛点：一是在地铁、电梯、地下停车场等弱网/断网环境中AI功能完全不可用；二是敏感的企业数据（邮件、文档、会议记录）需要上传到云端处理，引发数据安全和合规顾虑；三是持续云端调用带来的token费用随使用量线性增长，企业IT预算难以预测。端侧AI的规模化商用，意味着AI推理能力可以直接在用户的手机上本地运行——数据不出设备、延迟毫秒级、离线可用、使用成本趋近于零。这将对企服移动端产品的设计逻辑产生根本性影响。 第二，"模型公司+终端厂商"的专业化分工模式正在成为产业新范式。三星没有选择自研端侧模型，而是与面壁智能合作；苹果选择集成阿里千问和百度AI——这两件事共同揭示了一个趋势：手机厂商正在从"全栈自研"转向"专业分工"。这对于企服SaaS厂商的启示是：没必要自己从头训练大模型，AI模型层的专业分工已经成熟，企服厂商的核心竞争力应该聚焦在"行业理解+场景适配+用户体验"上。建议中小型企服厂商积极评估端侧模型的能力边界，探索将部分AI功能从云端迁移到端侧的产品方案。 第三，面壁智能的"密度定律"对企服技术选型具有方法论层面的指导意义。密度定律揭示的核心规律是：实现特定智能水平所需的参数量正在快速下降。这意味着在企服场景中，一些过去被认为"只能用云端大模型才能处理"的任务，很快就可以在终端设备上本地完成。技术决策者在进行AI架构选型时，不应简单地将"端侧"和"云端"视为二选一，而应建立"端云协同"的分层决策框架：对时延敏感型任务（如语音助手、实时翻译）优先端侧；对计算密集型任务（如文档总结、复杂推理）保留云端；对数据敏感型任务（如医疗信息、合同审核）严格端侧。 第四，对于更广泛的企业数字化场景而言，端侧AI的成熟还意味着一个更深层的变化：AI正在从"中心化供给"转向"分布式智能"。过去，所有AI计算都需要回到云端数据中心完成，模型的能力边界由云厂商控制。端侧AI意味着AI能力可以"下沉"到每一个终端设备，企业可以在不需要云端连接的情况下运行AI功能。这种分布式智能架构对工业巡检、物流仓储、医疗影像、零售终端等场景的数字化升级具有革命性意义——那些网络覆盖不完善、数据出境受限的场景，首次获得了部署AI能力的可行路径。 第五，但企服决策者也需要注意端侧AI的局限性。当前大参数端侧模型（如MiniCPM-o 4.5的9B参数）仍需要旗舰级芯片算力支持，中低端手机的端侧AI能力仍有较大差距。此外，端侧模型的更新迭代受限于终端硬件生命周期，模型版本升级不如云端灵活。建议企业在规划端侧AI策略时，优先部署对数据安全和离线能力有刚性需求的场景，同时保留云端模型作为"算力后盾"，构建端云协同的混合AI架构。