CNCC2026第三届端侧大模型论坛在蓉举办 探讨端侧智能与具身智能

论坛现场，多位来自高校与产业界的专家作了主题报告。清华大学姚远作题为《迈向类人交互的实时全模态大模型》报告，介绍MiniCPMo 4.5模型，该模型可实现看、听、说同步的类人实时交互，并且能够高效运行在端侧硬件之上；清华大学肖朝军以MiniCPM系列模型为例，讲解高能力密度大模型的构建体系，探索算力受限条件下提升模型智能的可行方案；面壁智能李宇轩介绍“AI制造AI”锻造工程Forge Engineering，阐述AI自主完成芯片级训推框架定制的创新范式；面壁智能曾国洋分享VoxCPM语音生成模型，介绍无分词器语音合成的全新技术路线；中国人民大学林衍凯聚焦大模型自主智能体，指出泛化性、长程规划、自主性是智能体落地现实世界的三大核心挑战。

论坛结束后，记者现场就多模态大模型、具身智能产业落地等热点话题，专访了报告嘉宾、清华大学人工智能学院助理教授、面壁智能联席首席科学家姚远。他介绍，自己当下的研究重点正是实时全模态大模型，希望打破传统大模型仅处理文本信息的局限，提升视觉、音频、视频的感知交互能力。传统语言模型局限于文本世界，而现实世界充斥图像、视频、音频等多元信息，多模态大模型就是要让模型理解这些信息，实现“像人一样实时交互”，“比如说它就可以给你打视频电话，实时地去和你进行互动”，而多模态能力，也是未来模型走进物理世界、发展具身智能的重要基础底座。

那么这样的多模态大模型具体落地情况如何？姚远介绍，凡是需要机器看懂图像、视频、听懂音频的任务，都离不开多模态技术，自动驾驶、具身机器人、视障人群辅助等场景，均属于多模态技术的应用范畴。目前多模态端侧技术已经在AI手机、智能座舱等领域实现成熟落地。“用户的隐私数据不用出域，也不用网络连接就可以服务大家”，本地端侧方案，能够兼顾智能体验与数据安全，三星手机等终端产品已经采用相关本地模型方案。

在姚远看来，多模态大模型是具身智能的核心技术大脑。机器人想要在真实物理世界完成作业，需要依靠多模态能力完成对外界环境的感知、理解与判断，再进一步驱动硬件完成行动。依托多模态技术的不断迭代，具身机器人的实用化进程也将持续向前推进。

针对社会大众关心的家用机器人何时走进普通家庭的问题，姚远则坦言，泛化性仍是当前具身智能最棘手的难题。“每个人的家都不一样，也都会有不同的需求，所以这个时候模型的这种零样本泛化能力会非常重要”。在他看来，相比家庭场景，工业场景会率先迎来具身智能落地，工业环境场景相对单一、运行稳定，便于积累数据迭代模型。而家庭机器人因为环境多样、任务复杂，真正普及尚需时间。

着眼未来端侧智能产业发展，姚远十分看好四川的发展机遇。他表示，四川得天独厚的文旅资源，有望借助实时类人交互的多模态技术，创新游客交互体验，催生全新消费场景。依托产业基础与场景优势，成都有望在端侧智能技术转化、产业落地方面迎来更多突破，为国内端侧通用人工智能发展贡献地方力量。此外，四川扎实的工业制造基础与具身智能落地趋势高度契合，产线车间有望成为其率先规模化的试验场。