端侧AI从「能跑」到「会进化」，元空智能跑进惠普预装

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 端侧AI从「能跑」到「会进化」，元空智能跑进惠普预装 梦瑶 2026-09-14 16:08:29 来源： 量子位 梦瑶 发自 凹非寺量子位 | 公众号 QbitAI 静态互联网数据的增长红利，见顶了。 下一轮模型能力的跃迁，会越来越依赖与真实环境持续交互的「端侧」。 当整个行业还在想办法把更强的模型塞进设备时，一支从北大走出来的团队，给出了上述这一激进的行业判断。 甚至在端侧AI迎来爆发的这个时间节点，他们还直接给它重新下了一个定义： 生产力=元空端侧AI=模型×Agent×设备。 端侧AI也由此从一条「把模型搬下来」的单向链路，开始变成一套能自己转起来的飞轮。 △AI生成 得出这个反常识判断的公司，大家应该也不陌生： 元空智能 （元空AI）。 三年前，这支从北大走出来的创业团队，靠国内最早一批AI Excel产品ChatExcel迅速出圈，短时间积累上百万名用户。 三年后，它已经一路从云端应用，杀到了本地端侧—— 就在近期，元空一口气发布端侧模型 Boxer 、面向办公场景的 元空AI Work ，以及科研Agent 元空AI Science 。 三者从模型、Agent到设备侧形成完整闭环，让模型与设备完成共同进化。 更值得玩味的是，当行业还在讨论端侧AI到底怎么走进更多设备时，市场已经先给这家公司投了一票。 就在几天前，元空AI的端侧模型，刚刚拿下 惠普商务电脑预装 。 一家从高校实验室走出来的创业团队，就这样从一个办公AI产品，一路走到了全球头部硬件厂商的设备里。 △AI生成 当前，端侧AI的分水岭，正在从「跑起来」走向「长期跑」。 当行业还在反复讨论端侧AI究竟该如何落地时，已经有行业玩家顺着原有产品线一路延伸，把端侧能力真正接进了自己的产品路径，并率先跑出了规模化市场结果。 重新定义端侧AI，让模型和设备共同进化 今天再聊端侧AI，行业里最常出现的几个关键词依旧很熟悉—— 成本、安全、稳定性，以及怎样把一个足够强、又足够小的模型塞进更多的设备。 过去几年，这几乎就是端侧AI最核心的工程题。 但在这家公司看来，在当下这个时间点看这个问题，显得多少有些不够用了。（扎心.jpg) 相较于更习惯从技术本身寻找答案的团队，元空AI会在行业内给出这样一套反常识的判断，其实算不上意外。 △AI生成 外界最早认识这家公司，大概是因为2023年火出圈的AI表格产品ChatExcel。 也就三年时间，ChatExcel就积累了数百万用户，元空AI的产品版图也一路向外延伸—— 从 AI DataAgent ，到国内首个对标Claude for Science的 开源OpenAI4S项目 ，再到 元空科研实验室e2Sci.com ，已经逐渐从办公场景走进更复杂的科研工作流。 值得一提的是，作为一款面向科研场景的Agent，元空AI4Science也没有停在查文献、跑分析的能力层，而是进一步把文献检索、数据分析、模型与工具调用一路接到真实实验设备，让AI开始真正参与实验执行。 这也意味着，科研Agent的边界也开始从屏幕里的「信息处理」，开始伸进「真实实验流程」。 也正是因为长期贴着用户的真实使用场景跑，让这个北大团队逐渐看到了模型下一阶段竞争里一个更关键的变量—— 大模型从静态互联网数据中攫取的增长红利已经见顶。 下一阶段真正有价值的能力增量，会越来越多来自真实任务、真实环境，以及持续发生的交互。 这听起来多少有些反直觉，但整个行业其实已经陆续亮起预警信号。 △AI生成 今年上半年，斯坦福在《AI Index 2026》报告专门提到了一个词，叫 「Peak Data」 。 简单来说，就是互联网上真正高质量、适合训练的人类生成数据，正在越来越接近被前沿模型吃到头。 更扎心的是，这个趋势已经开始在真实训练实验里露出「迹象」。 此前， Hugging Face 等团队在JMLR发表的一项研究中进行了超过400次模型训练，最大做到9B参数、9000亿训练Token，专门模拟模型反复吃已有数据的情况。 结果发现，已有数据重复到一定程度之后，继续增加训练计算的收益不断下降，最终新增算力带来的价值 趋近于0 。 换句话说，最容易挖的「富矿」被不断抓取、清洗和训练之后，剩下的数据越来越杂。 已经吃过的数据再反复喂，模型也很难一直长个儿。 于是，大模型继续从互联网里挖静态数据疯狂往前scaling law的老路，开始显得有些力不从心了。（doge） △ JMLR论文《Scaling Data-Constrained Language Models》 问题也随之而来。 既然互联网里的现成数据越来越难继续提供足够大的增量，下一批真构建真实环境的数据，又会从哪里长出来？ 元空AI，把答案直接指向了 「设备」 。 换句话说，设备除了是AI能力的载体外，它还有另一个身份： 一个能持续产生稀缺数据的环境。 这个判断听上去有点反常识，但仔细想的话，其实也很合理。 因为在今天这个时间点，模型要想从现实世界里继续学东西，总得先有一个能碰到真实任务、真实环境的入口。 而设备真正特殊的地方，恰好就在于它天然站在「任务发生」的现场。 无论是PC、手机还是机器人，只要AI真正开始干活，就一定会留下三样东西：为什么做、怎么做、最后做成没有。 这和互联网里的静态数据很不一样。 网页可以告诉模型世界是什么样，但真实设备留下的轨迹，却可以告诉模型「事情究竟是怎么被做成的」。 其与真实环境的每一次执行交互，以及最终的成功或失败，其实都会持续沉淀出新的行为轨迹、环境反馈和结果。 而这些，恰恰也是静态互联网数据里最稀缺的那部分。 当这些真实任务里的动作、反馈和结果被重新沉淀进后训练、强化学习或者记忆系统，模型也就有机会从一次次执行里继续修正自己。 于是，端侧AI开始从一条单向链路变成一个循环—— 模型做判断，Agent组织行动，设备真正去执行；现实世界给出反馈，结果再重新回到模型并持续进化。 设备由此也从AI能力的「终点」，变成下一轮能力增长的「起点」。 △AI生成 也正是基于这套逻辑，元空AI把对端侧AI的判断压缩成了一条很直给的公式： 生产力=元空端侧AI=模型×Agent×设备 。 而「生产力」，恰恰是这套公式最后要交付的结果。 毕竟对用户来说，模型、Agent和设备再怎么协同，最终都得回答一个很骨感且现实的问题—— 一件事儿到底有没有被顺利做完，有没有被稳定持续地做完，以及有没有得到一个可靠的交付结果。 这家做了多年ToC产品的公司，再清楚不过这个道理。 也正因如此，沿着这套逻辑，端侧AI是否真正成立，自然也落到了两个更现实的维度上： 能不能解决真实的生产力问题，以及能不能跨过技术验证阶段，走向面向普通用户的规模化交付。 只有当能力真正进入一台台设备、融进一次次真实任务，并持续产生可验证的结果，端侧AI才算真正从一个技术概念，长成一套可以被用户长期使用的生产力系统。 模型×Agent×设备，端侧AI开始长出真实生产力 行业