直擊CES｜不再死磕昂貴的大模型，硅谷創(chuàng)業(yè)者加碼設備端AI

兩年前，AI創(chuàng)業(yè)的關鍵詞還是“百模大戰(zhàn)”。從通用大模型到行業(yè)模型，參數(shù)規(guī)模不斷刷新紀錄，融資金額屢創(chuàng)新高，市場一度形成“誰不做大模型，誰就會被淘汰”的共識。

但近階段，風向正在發(fā)生明顯變化。無論是在硅谷，還是在國內(nèi)創(chuàng)投圈，純粹以“再做一個大模型”為核心賣點的創(chuàng)業(yè)項目，正快速降溫。取而代之的，是輕量化小模型、AI Agent以及設備端（On-Device）AI等方向。

這并非技術熱情消退，而是一場由成本、商業(yè)化和資本邏輯共同驅(qū)動的理性回歸。在2026年的國際消費類電子產(chǎn)品展覽會(CES)上，這一趨勢尤其明顯。第一財經(jīng)獨家采訪了設備端（On-Device）AI創(chuàng)業(yè)公司Aizip的聯(lián)合創(chuàng)始人陳羽北。他是典型的在美華人工程師代表，曾于清華大學和加州大學伯克利分校分別獲得學士和博士學位，如今在加州大學戴維斯分校任教并進行創(chuàng)業(yè)項目。

陳羽北表示，設備端AI正在成為創(chuàng)業(yè)公司的新賽道。通過“用大模型生成小模型”的方法，通過收集數(shù)據(jù)、購買數(shù)據(jù)和大模型蒸餾三種途徑獲取所需數(shù)據(jù)，使AI能夠直接在終端設備上運行，無須依賴云端或網(wǎng)絡。這種模式不僅降低了成本，也保證了數(shù)據(jù)隱私，并使智能應用能夠快速落地。當前，這一設備端AI模型已經(jīng)在多個終端品牌落地，與全球多家頭部硬件廠商展開合作，包括軟銀、ARM、Microchip等知名上市公司。

不再死磕算力、效率先行

2025年12月，OpenAI的CEO山姆·奧特曼（Sam Altman）發(fā)出“紅色警報”（Code Red），要求公司加速推進在ChatGPT方面的工作，推遲其他產(chǎn)品的開發(fā)，以應對來自谷歌Gemini3等對手的擠壓。

盡管大模型之戰(zhàn)越發(fā)白熱化，但進入該賽道的競爭者不增反減，行業(yè)的共識也逐漸形成，這將成為幾個資本雄厚的巨頭之間的爭奪。

多位參與CES的風投圈人士和AI企業(yè)創(chuàng)業(yè)者對第一財經(jīng)表示，大模型已經(jīng)成為一場高度資本密集型的競賽。千億參數(shù)模型的單次訓練成本動輒數(shù)千萬美元，而推理階段的算力消耗同樣驚人。隨著GPU價格高企、云算力賬單持續(xù)攀升，大模型的“邊際成本”并未如預期般快速下降。

對于創(chuàng)業(yè)公司而言，這意味著兩點現(xiàn)實壓力：資金消耗速度遠超傳統(tǒng)軟件創(chuàng)業(yè)；即便模型性能提升，商業(yè)化路徑仍高度不確定。多位投資人私下直言，大模型項目正在變成“技術上成立，但財務模型難以自洽”的典型案例。

于是，更多資本和AI創(chuàng)業(yè)者將目光投向輕量化模型和AIAgent（AI智能體），Aizip也是其中之一。盡管大模型縮放定律，即scaling law，訓練數(shù)據(jù)和模型參數(shù)越大，模型的智能越強，這仍然有效，但AI從業(yè)者也認識到了不死磕算力的關鍵性。

陳羽北表示，博士畢業(yè)后，他意識到自己在工程能力上尚有短板，于是選擇加入Yann LeCun的團隊，在Facebook AI Reserch以及紐約大學從事博士后研究，這段經(jīng)歷也幫助他補齊了模型工程化與規(guī)模化模型訓練方面的能力。

“當時，我們能直接使用每次訓練配備512張V100顯卡的大規(guī)模算力。我們寫一篇論文消耗的計算資源可能就要花上百萬美元。scaling確實有效——更多的數(shù)據(jù)、更大的模型以及更直接的優(yōu)化通常能帶來性能提升，但并非總是成正比。”他稱。

比如，數(shù)據(jù)規(guī)模擴大300倍，模型性能可能只提升個位數(shù)的百分點。這讓他開始反思數(shù)據(jù)質(zhì)量、模型結構、工程嚴謹性等因素的實際影響。換句話說，有了充足資源后，才真正知道哪些研究方向值得投入，哪些在資源有限時可以回避。

事實上，近年來，很多AI創(chuàng)業(yè)公司盲目推高模型規(guī)模，資源已經(jīng)用到極限，卻很難再從scaling中獲得突破。于是，陳羽北也越發(fā)認為，要尊重scalinglaw，但不能迷信它。“特別是在創(chuàng)業(yè)時，我們的思路是反向而行的——不是做更大，而是做‘全球最小、最高效’的AI系統(tǒng)。這和主流強調(diào)通用人工智能（AGI）、取代人的方向并不一致。”他說。

設備端AI萌芽

在這一背景下，設備端AI已經(jīng)成為全球AI界頗為熱門的新興方向之一。

簡單來說，設備端AI直接跑在手機、筆記本、相機等設備上，不依賴云，甚至不需要互聯(lián)網(wǎng)。其特點在于，輕量化模型適合本地處理少量數(shù)據(jù)，響應快，低延遲。數(shù)據(jù)不出設備，更安全。以我們熟悉的應用為例，手機拍照自動美顏/夜景增強。iPhone上的Siri或照片識別。智能門鎖或家用機器人做語音/圖像處理。

陳羽北表示，專注于設備端AI的Aizip本質(zhì)上是一家純軟件公司，只做AI模型的研發(fā)，本質(zhì)上是在大模型的基礎上訓練、生成適合于各種垂直小模型。同時，創(chuàng)業(yè)團隊對硬件有非常深的理解，聯(lián)合創(chuàng)始人過去創(chuàng)立的公司曾服務于Apple等客戶。

“設備端AI模型的訓練，主要通過收集數(shù)據(jù)、購買數(shù)據(jù)和大模型蒸餾三種途徑，同時也要評估數(shù)據(jù)合規(guī)性，使用高質(zhì)量產(chǎn)品級數(shù)據(jù)。”他稱，盡管目前專注的是本地化智能賽道，但也會對標Gemini等最優(yōu)越的模型，在細分應用上追求達到或超越其性能，可利用視覺語言模型(VLM)。盡管scalinglaw仍然有效，但在需求明確的應用上，大模型scalinglaw可能會逐步失效。

據(jù)第一財經(jīng)觀察，當前三類應用場景的商業(yè)化前景已經(jīng)頗為突出——卡拉OK聲音解決方案、智能攝像頭、智能喚醒助手。

以卡拉OK聲音解決方案為例，在傳統(tǒng)的卡拉OK或在線唱歌應用中，用戶往往只能使用原版伴奏或在線處理，而端側解決方案能夠直接在用戶設備上完成聲音分離，即識別歌曲中的人聲部分，并將其消除，只保留背景音樂。無須上傳歌曲到云端或依賴在線計算。

再以智能攝像頭為例，端側識別與安全報警的功能也具備商用前景。AI解決方案使得攝像頭能夠在設備端完成復雜的圖像識別任務，例如區(qū)分來訪人員身份，是快遞員，還是潛在的偷取快遞的陌生人，并實時提醒無法全程監(jiān)控環(huán)境的用戶，如果識別到異常行為，攝像頭能夠自動發(fā)出報警信號，提示用戶采取措施。對家庭、社區(qū)和物流企業(yè)來說，這種模式具備實時性、安全性和隱私保護的三重優(yōu)勢。用戶無須擔心攝像頭數(shù)據(jù)被傳到云端或被第三方訪問，同時能夠在第一時間獲得安全警示。

陳羽北表示，客觀來說，目前真正的設備端AI革命尚未到來，不過市場熱度比之前更高，從產(chǎn)品化、落地和客戶需求能看出，進入真實產(chǎn)品場景增多。未來發(fā)展的催化劑在于，有更多剛需應用，如智能手表語音能力、嬰兒監(jiān)控攝像頭等，能培養(yǎng)用戶習慣，且注重隱私保護，將AI能力放到本地。

他也坦言，當前行業(yè)對AI模型訓練人才和算力需求依然極高，華人工程師在AI浪潮中更是扮演了關鍵角色，這也源于他們本身的優(yōu)勢——數(shù)理基礎好、工作努力，學新技術速度快，解決工程類問題能力強，在既定賽道發(fā)展較快。相比之下，美國的頂尖工程師亦有自己的特長，他們的思想則更不羈，更敢進行打破常規(guī)的想象，在創(chuàng)造新路線方面更有創(chuàng)新思考能力。