规模之外的新探索：面壁智能以效率为刃开辟大模型新路径

在半导体行业，摩尔定律曾是推动技术进步的核心准则，但随着晶体管尺寸逼近物理极限，维持这一规律的成本与难度急剧上升。如今，人工智能领域的大模型发展正面临类似转折——过去四年，参数规模与算力投入被视为提升模型能力的唯一路径，但这一共识在2025年出现裂痕。训练前沿模型的成本逼近十亿美元，高质量数据资源日益枯竭，OpenAI前首席科学家Ilya Sutskever公开宣称，当前形式的预训练模式即将终结。行业开始反思：当单纯扩大规模难以持续，是否存在更高效的智能生成路径？

这一转向并非空穴来风。2020年，GPT-3以1750亿参数树立行业标杆，参数规模从亿级跃升至万亿级，算力需求与融资规模同步飙升。然而，到2025年，参数扩张的边际收益显著下降——投入翻倍，能力提升却愈发有限。Ilya Sutskever创立的Safe Superintelligence公司获得英伟达投资，其研究重点转向模拟人脑工作机制，试图通过探索新的学习原理突破现有瓶颈。这一举动被视为行业风向转变的信号：当规模扩张触及天花板，技术路线必须回归底层创新。

在中国，一家名为面壁智能的公司早在2023年便作出非共识决策。当时，国内大模型竞争陷入“百模大战”，参数规模成为主要竞争指标，面壁却选择放弃已投入大量资源的千亿参数模型，转而聚焦模型效率。其核心逻辑源于一条被命名为“密度定律”的假设：模型智能密度随时间呈指数级增长，达到特定能力所需的参数量每3.5个月减少一半。这一规律若成立，意味着智能可脱离云端，下沉至手机、汽车等终端设备，离用户更近。

面壁的转向并非偶然。其技术基因可追溯至2020年——清华NLP实验室团队训练出国内首个中文大模型CPM-1，核心成员刘知远与曾国洋后续创立面壁智能。2021年，团队通过论文证明，稠密模型可转化为等参数量的稀疏模型，仅用原模型10%-30%的参数即可保留95%性能。这种对效率的早期探索，为其后续决策奠定了基础。2023年国庆前后的管理层会议上，一组实验数据成为关键转折点：同等智能水平下，更少参数的模型表现与大规模模型相当。这一发现促使团队彻底调整战略，将资源转向端侧与模型效率优化。

密度定律的验证始于2024年。面壁发布的MiniCPM 2B模型以20亿参数实现与GPT-3相当的效果，在多模态、长文本等基准测试中追平主流模型。同年5月，斯坦福团队被曝抄袭面壁开源代码，意外暴露其模型对战国竹简数据的识别能力，这一事件间接证明了高效模型的技术实力。2024年底，面壁与清华联合论文正式提出密度定律，并于次年发表于《自然》子刊，通过同行评审确立其学术地位。

技术突破需经产业检验。2026年被定义为端侧智能规模化落地元年，面壁的模型已进入长安马自达、吉利银河等量产车型，车载遗留物品提醒功能的响应延迟从4秒压缩至1秒内，凸显端侧约束对工程能力的倒逼效应。在具身智能领域，面壁与吉利、乐聚机器人合作，将多模态模型嵌入工业机器人与展厅导览场景，实现断网运行。手机端，三星Galaxy AI与苹果端侧方案均采用国产模型，端侧智能的定义被明确为：本地运行、不依赖云端、数据隐私可控。

法律行业成为端侧能力向垂直领域延伸的典型案例。面壁发布的CPM for Legal解决方案，不仅提供智能支持，更深入律所业务流程，与法律数据机构共建可信依据，与律所制定质量标准，形成可落地的场景闭环。这种从模型能力到业务系统的延伸，与其“模型即系统”的理念一脉相承——模型并非终点，持续迭代的生产系统才是核心竞争力。

AI制造AI的趋势正在显现。面壁发布的ForgeTrain框架完全由AI编写，零人类代码介入，用于优化模型预训练流程；ForgeStencil系统则通过AI自主研究，自动部署工业软件模板优化。这两项成果使AI从被制造对象转变为生产工具，训练与部署环节逐步由AI代理完成。用AI生产AI的模式，不仅降低对人力依赖，更使千行百业的个性化需求可被即时满足，大幅提升智能获取效率。