端侧AI从「能跑」到「会进化」，元空智能跑进惠普预装

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。

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。

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。

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。

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。

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。

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。

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。

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。

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——

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。

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。

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。

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？

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。

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。

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。

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。

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。

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。

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 。

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。

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。

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 。

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。