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

行业判断讲得再漂亮，最终还得落到产品上。

既然生产力是端侧AI成立的关键标准，那模型、Agent和设备就必须真正进入任务链路里跑起来。

事实上元空AI这套关于端侧AI的判断，也已经开始从一个行业命题，沿着产品和技术一路长出更具体的落点。

就在几天前，元空AI正式发布端侧模型Boxer，并同步推出元空AI Work与元空AI Science两款Agent产品，模型、Agent和设备，也由此被接进了同一条执行链路。

先来说说其中最底层的一环，面向真实办公场景打造的端侧模型「Boxer」。

有意思的是，Boxer从一开始就没有一味追求更大的参数规模，它押注的是一个今天并不算最性感、却很现实的区间：中尺寸模型。

之所以把端侧模型落在中尺寸区间，背后其实是一笔很现实的「生产力账」。

模型尺寸最终权衡的，无非两件事：任务能不能跑得动，以及设备养不养得起。

这有点像给一辆长期使用的车选动力系统。

跑车发动机当然强，但拿去每天通勤并不经济；微型发动机便宜，真碰到长途又不够用，真正适合大多数用户的，往往是中间那段甜点区。

这个道理，在大模型身上同样适用。

10B以下的小模型足够轻，适合聊天和简单调度；200B以上的大模型能力更强，更适合高度开放的复杂问题。

但长期和真实用户、办公场景打交道的元空AI发现，绝大多数高频需求恰恰落在中间地带：

做汇报、处理Excel、设计实验、分析结果，这类任务边界相对明确，却同时考验模型的推理、规划和长链路执行能力。

于是，20B—100B成为团队最终押注的区间。

能力足以覆盖复杂工作，资源开销又能压进PC和实验设备真正可部署、可持续运行的范围，绝佳。

△AI生成

当然，这个平衡点到底有没有成立，最终还得回到两件很现实的事情：能力到底够不够顶，设备跑不跑得动。

能力侧，在元空自建的WorkArena评测中，Boxer-35B-A3B-v0-0819拿下73.1分，位列对比组第一，领先第二名10.3分；部分任务表现甚至超过一年多前的GPT-4o。

部署侧，在40 TOPS算力、不到8GB内存占用下，Boxer依旧能保留87.3%的原始模型任务效果。

这波算是真·把高阶模型生产力跑到端上了。

模型跑起来只是第一步，真正把生产力组织起来，还需要Agent把理解、规划和执行串成完整流程——

这也正是元空AI Work和元空AI Science两款Agent产品承担的角色。

具体到办公场景，元空AI Work打通了目标-跨应用执行-结果验证-状态更新-继续工作之间的闭环。

像做表、查数据、写文档、做PPT，甚至处理代码和文件这些需求，用户只需要直接说清楚目标，剩下的步骤由系统自己往下跑。

更关键的是，这套能力可以完整留在本地，断网也能继续干活，复杂任务中断后还能接着往下执行，be like：

另一个面向科研场景的Agent元空AI Science，则被进一步接进了真实实验流程。

其不仅覆盖文献研究、数据分析、生信和蛋白质工程等科研任务，还进一步把能力延伸到了实验设备本身——

从实验设计、执行到数据回流，都可以由Agent串起来，真正做到科研成果的可复刻、可验证、可追溯。

当Agent真正进入这些设备，开始持续执行长链路任务，新的疑问也来了。

那就是一次次操作、环境变化和用户反馈，是怎么被长期留下来，并在后续任务里继续发挥作用的。

元空AI的答案，指向了Agent长期运行的另一块底座——Memory记忆飞轮。

其解决的核心问题，便是让Agent从「一次性执行」走向「持续认知」。

在任务执行中，任务轨迹、环境事件和用户反馈会在执行过程中持续进入Memory，并被重构为任务状态、知识资产和用户偏好，让Agent具备状态恢复、知识复用和偏好学习能力。

于是一次任务结束后，经验不会跟着清零，最终做到跨任务、跨设备、跨时间持续运行。

真·越用越懂用户，这是又…又闭环上了？？

从技术可用到商业交付，市场开始用真金白银投票

当生产力这件事具备成熟条件，端侧AI接下来要回答的，就是另一道更现实的题：能不能真正走向规模化交付。

市场，已经开始用真金白银投票。

从前两年开始，元空AI陆续和芯片硬件厂商合作，而且去年就已经和惠普产生了商业订单，并持续共创端侧AI产品。

就在前几天，双方的合作又往前走了一步——元空AI正式与惠普达成战略合作。

目前，元空AI Work及元空AI 35B端侧模型，已经与惠普Z系列ZGX Nano G1n AI工作站、ZBook 8 G2i移动工作站和Z2 Mini G1a台式工作站完成深度适配，并开始面向制造、金融、医疗、科研等领域输出行业解决方案。

而这场合作的半径，事实上还在持续向外层扩延。

下一步，元空AI还将跟随惠普不同SKU进入笔记本、工作站、服务器等更多产品线，并借助现有全球渠道继续向海外扩展。

△惠普与元空AI签约合作备忘录

硬件厂商愿意和一家成立仅三年的团队持续合作，本身就像一场更严格的「反向评测」。

Benchmark测的是模型能力，头部硬件厂商筛的是另一套指标：稳定性、兼容性、成本，以及几年之后还能不能继续交付。

模型跑一次很难，跑进几万、几十万台设备更难。

某种程度上，这次战略合作也意味着元空AI已经跨过了端侧AI更难的一道门槛——从技术可用，走向规模可用。

对企业来说，端侧AI有一笔很现实的账。

一次性的硬件投入，换来长期接近零边际成本的本地Token，以及持续运行的本地智能能力，只要这套能力真正进入业务，企业就有足够明确的付费理由。

长期和用户、真实场景打交道的元空AI，显然更早感受到这笔账，合作伙伴也看到了同样的价值。

从早年火出圈的ChatExcel，到后来的元空AI Work，再到今天把模型、Agent和设备一起推向端侧，元空AI这几年的产品路径，其实始终在回答同一个问题——

AI到底什么时候，才能真正从「可用」走到「值得长期部署」。

而现在，从技术成熟、产品落地到商业订单，这三个维度已经开始同时给出了具体生动的答案。

参考链接：

[1]元空AI Work官网：
https://www.chatexcel.com/

[2]元空AI Science官网：https://www.e2sci.com/