面壁智能首席科学家刘知远在世界人工智能大会上探讨了AI发展新趋势，提出了“密度定律”和“主动智能”等概念。他认为，AI发展将遵循“密度定律”，模型能力密度将快速提升，从而降低成本并实现终端部署。同时，AI将经历从“被动智能”到“主动智能”的转变，模型将能够主动学习用户所需的服务和能力，实现自主演化。

🔍 面壁智能提出“密度定律”，认为模型能力密度将快速提升，从而降低成本并实现终端部署，类似于摩尔定律对芯片算力的推动。

🤖 AI将经历从“被动智能”到“主动智能”的转变，模型将能够主动学习用户所需的服务和能力，实现自主演化，例如通过大规模强化学习。

⏳ 预计在2025年下半年到2026年，将实现“自主强化学习”的技术突破，使模型能够在开放领域自主探索和演化，形成“自主智能体”。

原创 面壁智能 2025-07-29 21:46 北京

把“主动智能”放到离用户最近的地方

世界人工智能大会暨人工智能全球治理高级别会议（WAIC 2025）于 7 月 26-29 日在上海举行，汇聚来自 70 多个国家和地区、1500 余位业界专家、800 多家企业，全方位展现了人工智能领域的前沿进展与创新活力。

面壁智能首席科学家刘知远出席大会分论坛，探讨“重塑日常，驱动产业：AI 浪潮下的变革与机遇”主题，畅谈大模型演进趋势、智能终端的场景革命等话题。

端侧模型和端侧芯片是 AI 变革过程中衍生出的比较新的赛道，目前有什么突破性进展？

2018 年，业界找到一条通用人工智能实现的技术路径，只要有相应的有意义的数据，就可以让大模型从中学习通用知识，它非常快速地推动了人工智能的能力提升，到现在这个趋势还在继续。整个过程中有个非常重要的规律—— Scaling Law（规模定律），它驱动了大模型的参数从过去几千万发展到上万亿。

未来要沿着 Scaling Law一直发展下去吗？我们看到，今年出现了需要 20 万张卡才能完成的模型训练，上万亿参数的模型在使用时成本也非常高昂。Scaling Law 背后是大模型通用技术方案的反映，但我们认为，正如历史上任何一次科技革命带来的变革，不可能通过昂贵地实现它，而让人类社会真正普遍地用起来。

信息革命背后的规律是摩尔定律，它追求的不是把芯片尺寸越做越大，而是怎么把芯片上的电路密度越做越高，用更少空间容纳更多电路，从而产生了更高性能的端侧芯片或者是端侧算力。去年面壁团队做了一个研究，列出 2023-2024 全球主流先进大模型的能力密度，我们发现，模型的能力密度每 100 天翻一番，由此我们找到了属于大模型的摩尔定律，称之为 Densing Law（密度定律）。这带给我们非常强的信心，未来完全能通过技术创新来追求更高密度的模型，用更低成本来实现更高水平的人工智能。

密度定律揭示了实现相同能力，模型参数随时间越来越小的趋势；摩尔定律则说明了芯片算力会随时间越来越强，可以支持运行更大的模型，这两条曲线一定会在某个时刻交汇。交汇意味着，只能在云上部署的大模型，在未来不远的某个时刻，一定可以运行在终端上，用终端芯片就装得下跑得动。正如历史上是把算力通过端侧芯片放在距离用户最近的地方，去实现信息时代，现在也一定会通过把端侧智能放在离用户最近的地方，去实现智能时代。这构成了面壁集中精力做端侧智能、端侧模型的内在驱动，从技术趋势上形成了自己的道路自信。

面壁智能是 2022 年 8 月成立的，那时我们看到了大模型通用智能的高成熟度的技术方案，以及赋能各行各业的趋势。在研发一代又一代大模型的过程中，我们越来越认为“高效”是自身最重要的底色，只有用更低成本实现更高智能水平的模型，才有可能确保自己的模型竞争力。

端侧模型的下一个技术拐点预计在什么时候到来？为此面壁做了哪些准备和计划？

从去年 OpenAI o1 到今年的 DeepSeek R1，反映出深度思考的模型能力非常值得关注。关注不在于深度思考的能力本身，而在于其背后的技术，代表了大模型学习范式的一次非常重要的转变——人工智能领域第一次在大语言模型基础上实现大规模强化学习，我总结为从“被动智能”向“主动智能”转变。

如果以 2025 年初作为一个分界点，2018-2024 年底所实现的大模型技术都是被动学习，但大规模强化学习实现了模型自己探索，生成数据，并从这些数据中学习它认为重要的能力，这是从被动智能到主动智能的一次跃迁，面壁希望引领端侧智能，把“主动智能”实现在终端上，放到距离用户最近的地方，主动学习用户所需的服务和能力，这非常关键。

从去年开始，有 2025 年是智能体元年的说法，很多人把智能体看成是一种大模型应用，看成是一种人工智能应用的形态，但我认为远远不是。智能体背后体现的是，模型过去是被动响应需求，现在变成主动演化、主动提供服务的能力，体现了智能体的自主能力。

我们认为，大概率在今年下半年到明年会有技术上的突破，实现“自主强化学习”，让模型能在开放的特定领域里，自己去探索到底要学什么，自主地往前演化，这样能形成在各个领域中持续学习、持续演化的“自主智能体”。当这件事发生，可以想象在智能终端上将会产生多么重要的价值，一定会打开非常广阔的应用空间。