端侧多模态基座与AI硬件协同发展倡议

物理 AI 正处于从技术验证走向规模商用的关键节点，而端侧能力，已成为制约产业落地的核心瓶颈。

云端大模型受限于传输时延、数据隐私与网络依赖，难以全面满足物理场景对实时感知、自主决策与离线运行的要求；现有将云端模型压缩迁移至终端的做法，仅实现了部署形态的变化，并未突破架构层面的根本局限。物理世界的智能，需要一套原生生长于端侧的技术体系 —— 如同 “云原生” 是面向云架构的原生设计，“端侧原生” 也应是面向物理世界的原生设计，而非云端能力的向下移植。

Om AI联汇率先提出并实践了端侧原生技术路线，通过 VLX 端侧流式多模态模型系列，初步验证了该架构的可行性与产业价值。为推动端侧原生从单点突破走向产业共识，我们呼吁产业链各方携手，共同开展标准共建、方案共研、场景共拓。具体倡议如下：

一、共建端侧原生技术标准

物理AI缺乏统一的端侧评估基准与技术接口规范，导致模型能力无法跨硬件迁移、场景效果难以横向比较，产业协同成本居高不下。我们倡议：

1. 建立端侧多模态能力评估体系

当前行业评估仍沿用云端大模型范式（单帧输入、离线评测），无法反映端侧流式感知的真实能力边界。亟需建立面向流式输入、持续注意力、空间定位精度、端侧延迟与功耗的综合评估基准，让端侧模型的能力可量化、可比较、可迭代。

2. 推动端侧模型接口规范统一

端侧多模态基座与硬件终端之间的接口标准尚处空白，各厂商各自定义、互不兼容。倡议推动流式多模态模型的输入输出接口、模型调用协议与硬件抽象层的标准化，降低模型与终端的适配成本，让一个基座可以驱动多种硬件形态。

3. 建设端侧AI安全合规框架

端侧原生架构在涉密场景、隐私保护方面具有架构级安全优势——数据不出端、推理不触云。但这一优势尚未被标准体系充分认可。倡议推动端侧AI的安全合规评估框架建设，将端侧原生的架构安全特性纳入行业标准与认证体系。

二、共研软硬一体联合方案

端侧多模态基座不是某个硬件的附庸，而是物理AI产业的基础设施；AI硬件也不是模型的容器，而是物理世界与数字智能的交汇点。模型提供智能、硬件提供载体、场景提供验证——三者必须深度协同。我们倡议：

1. 推进模型-芯片协同设计

端侧原生模型从架构层面就应适配端侧算力特征——如流式注意力机制天然匹配线性计算、显存不随输入长度溢出。反过来，端侧芯片也应为流式多模态推理提供针对性加速。模型与芯片的协同设计，是端侧原生性能突破的关键路径。

2. 建立端侧软硬一体参考架构

倡议以"端侧多模态基座+硬件平台+场景SDK"三层架构为参考，推动产业伙伴在统一框架下开发各自方案，避免每家从零搭建、重复造轮子。参考架构应覆盖从传感器输入、流式感知、空间理解到行动决策的完整链路。

3. 探索端云协同的边界与范式

端侧原生不等于排斥云端。物理AI的完整落地需要明确哪些能力必须端侧即时完成、哪些可以端云协同——如持续感知与实时行动决策须在端侧闭环，而长程规划与知识更新可按需调用云端。倡议推动端云分工边界的厘清与范式定义。

三、共拓物理AI产业场景

端侧原生的价值，只能在物理世界的真实场景中被验证。从具身装备到AI PC、从AI可穿戴到低空经济，端侧原生正在多个赛道同步打开商业化窗口。我们倡议：

1. 聚焦高价值场景率先验证

不是所有场景都需要端侧原生。倡议优先聚焦四个具备端侧刚需特征的场景——具身智能（实时感知与自主行动）、AI PC与终端（隐私保护与离线能力）、AI可穿戴（低功耗与持续感知）、低空经济（拒止环境与实时决策），以标杆场景验证端侧原生架构的商业可行性。

2. 推动场景数据与模型能力双向反馈

场景落地不应是模型的单向输出。倡议建立"场景验证→数据回流→模型迭代"的闭环机制，让物理世界的真实反馈持续驱动端侧模型能力提升。端侧原生架构天然具备流式数据采集能力，为这一闭环提供了技术基础。

3. 构建开放场景生态

单一企业无法覆盖物理AI全部场景。倡议以开放接口与场景SDK为纽带，连接模型厂商、硬件厂商、方案集成商与终端用户，形成"基座赋能硬件、硬件触达场景、场景反哺基座"的正向循环。

端侧赋能，硬件爆发——让AI活在物理世界。

Om AI联汇

2026年7月19日 · WAIC 2026 · 上海