小模型十年演进（2015-2025）

2015-2025年，是AI小模型完成从“大模型压缩附属的移动端辅助工具”，到“端云协同智能核心、具身普惠化的基础载体”、从海外架构绝对垄断到国产全链条自主可控全球领跑的黄金十年。

本文聚焦的小模型，是相对于千亿级参数的通用大模型而言，参数规模在百万级至百亿级以内，以轻量化、低延迟、低功耗、端侧可部署、高性价比为核心特性的AI模型体系，覆盖计算机视觉（CV）、自然语言处理（NLP）、语音识别、机器人实时控制、工业边缘智能等全领域，是AI从云端巨头专属走向千行百业普惠落地的核心桥梁，更是此前机器人Locomotion/Manipulation、规划决策、模仿学习、工业巡检等技术规模化落地的核心端侧底座。

这十年，小模型完成了两次颠覆性范式革命：第一次是2016-2019年，以MobileNet、TinyBERT为代表的原生轻量化架构成熟，解决了传统模型端侧部署的算力瓶颈，实现了从云端到边缘的场景延伸；第二次是2022-2025年，大模型时代的端云协同体系成型，小模型从“大模型的缩小版”升级为“通用智能的端侧载体”，实现了从专用任务工具到垂直场景通用智能的本质跃迁。

这十年，小模型的演进与中国制造2025战略落地、移动端AI爆发、自动驾驶普及、人形机器人与具身智能革命深度绑定，完成了**「启蒙定型期、工程突破期、范式重构期、普惠成熟期」**四次核心范式跃迁，与全球AI与机器人产业的十年发展完全同频。

一、十年演进总纲与四大里程碑

小模型的十年演进，始终围绕参数效率、部署普惠性、场景泛化性、实时性、自主国产化五大核心主线，核心突破始终围绕「如何让AI从云端机房走向终端设备，从巨头专属变成千行百业可负担、可落地的普惠能力」，整体可划分为四大里程碑阶段，与此前系列内容时间线完全对齐：

1. 2015-2017 启蒙定型期：模型剪枝/量化/蒸馏为核心手段，CNN/RNN架构为主流，小模型是大模型的“压缩附属品”，仅能在移动端简单场景落地，完全由海外学术机构主导，国内仅能实现应用层简单复刻，无自主核心技术。
2. 2018-2020 工程突破期：原生轻量化架构全面工程化，从CV领域扩散至NLP领域，TensorFlow Lite/PyTorch Mobile端侧部署框架成熟，工业、安防、自动驾驶场景实现规模化试点，国产技术实现从0到1的突破，整体国产化率突破20%。
3. 2021-2023 范式重构期：大模型时代开启，小模型从“压缩附属”升级为端云协同体系的核心，大模型知识蒸馏、端侧Transformer轻量化、扩散模型压缩技术爆发，机器人、工业场景实现端侧实时闭环，国产技术百花齐放，整体国产化率突破60%，跻身全球第一梯队。
4. 2024-2025 普惠成熟期：端云协同成为行业标配，原生端侧小模型架构成熟，垂直场景性能逼近甚至超越通用大模型，端侧多模态小模型全面普及，从单点设备部署升级为全场景分布式智能体系，国产技术实现从跟跑到领跑的跨越，主导垂直领域行业标准制定。

二、四大阶段详细演进详解

第一阶段：2015-2017 启蒙定型期——压缩技术起步，移动端辅助工具定位

产业背景

2015年，以ResNet为代表的深度卷积网络解决了梯度消失难题，深度学习正式从实验室走向工业落地，但主流大参数量模型仅能在云端服务器运行，移动端、嵌入式设备的算力完全无法支撑。这一阶段，小模型的核心定位是把云端大模型压缩到移动端可运行的辅助工具，核心需求来自智能手机的人脸识别、图片分类等简单视觉场景，整体仍以学术研究为主，无规模化工业落地能力。

全球范围内，谷歌、DeepMind、伯克利等海外机构垄断了核心算法研究，2016年SqueezeNet实现了AlexNet级精度，参数量压缩50倍，首次验证了轻量化模型的可行性；2017年MobileNet v1发布，开创了移动端轻量化模型的新纪元。国内AI产业仍处于应用层跟随状态，核心算法完全复刻海外开源框架，仅商汤、旷视、海康威视等企业在安防人脸识别场景实现了简单的应用层落地，无自主架构创新。

核心技术演进

1. 模型压缩技术体系初步成型：模型剪枝、权重量化、知识蒸馏三大核心压缩技术完成理论验证，通过剔除冗余参数、降低数值精度、迁移大模型知识，实现了大模型的轻量化压缩，解决了移动端部署的基础可行性问题，但普遍存在压缩后精度大幅损失的痛点。
2. 原生轻量化架构实现里程碑突破：2017年谷歌发布MobileNet v1，首次将深度可分离卷积工业化落地，将标准卷积分解为通道内卷积与通道间卷积，计算量降低8-9倍，在ImageNet分类任务上实现70.6%的Top-1精度，成为移动端CV模型的奠基之作，彻底开启了小模型的工程化时代。
3. 核心技术局限：小模型完全依附于大模型，无独立的架构设计能力，仅能完成简单的图像分类、人脸识别任务，泛化性极差；NLP领域仍以RNN/LSTM为主，轻量化模型仅能实现简单的语音唤醒、关键词识别，无法处理复杂语言任务；完全依赖海量标注数据，样本效率极低，换场景必须重新训练。

国产发展状态

国内处于完全跟随的空白状态，整体国产化率不足5%；仅能在安防、智能手机人脸识别场景实现压缩模型的应用层复刻，无自主轻量化架构创新；核心专利布局集中在应用层，底层算法、架构创新几乎为零；工业场景落地几乎为空白，端侧AI部署框架100%依赖海外开源项目。

产业格局与核心痛点

• 产业格局：海外顶尖高校与科技巨头形成绝对垄断，掌控了核心算法、架构创新的全部话语权；国内企业仅能在应用层零星布局，无任何底层技术话语权，形成了「海外做架构、国内做集成」的被动格局。
• 核心痛点：压缩后精度损失严重，无法满足工业级场景需求；仅能适配简单视觉任务，无复杂场景处理能力；完全依附于大模型，无独立的技术演进路径；核心技术、部署框架完全被海外垄断，国内无自主研发能力。

第二阶段：2018-2020 工程突破期——原生轻量化架构成熟，工业场景规模化试点

产业背景

2018-2020年，智能手机AI芯片、自动驾驶域控制器、IoT智能终端爆发，端侧算力实现质的飞跃，对轻量化AI模型的需求暴涨；同时，Transformer架构在NLP领域全面崛起，BERT等大模型的端侧落地需求，推动了NLP领域小模型的技术突破。这一阶段，小模型从「大模型的压缩版」升级为「原生轻量化架构设计」，从CV领域扩散至全模态，工业、安防、自动驾驶场景实现规模化试点。

ROS生态全面成熟，TensorFlow Lite、PyTorch Mobile等端侧部署框架发布，彻底解决了小模型的端侧落地门槛；国内仓储物流、3C电子产业爆发，协作机器人、AGV、工业质检对端侧实时AI的需求，为国产小模型技术提供了核心落地场景。

核心技术演进

1. CV领域原生轻量化架构全面成熟：MobileNet迭代至v2/v3版本，通过倒残差结构、线性瓶颈、NAS神经架构搜索，实现了精度与效率的最优平衡，ImageNet Top-1精度提升至75%以上；ShuffleNet、EfficientNet-Lite等架构先后发布，针对不同端侧硬件实现了定制化优化，在工业质检、自动驾驶视觉感知、安防监控场景实现规模化落地。
2. NLP领域小模型实现从0到1突破：2019年华为诺亚方舟实验室发布TinyBERT，通过分层知识蒸馏，将BERT参数量压缩至1/7，推理速度提升9.4倍，GLUE基准性能损失仅3%，彻底解决了Transformer大模型的端侧部署难题；后续MobileBERT、ALBERT、DistilBERT等模型先后发布，NLP小模型实现了从简单关键词识别到复杂语义理解的跨越，在智能客服、语音交互、边缘文本分析场景实现试点落地。
3. 端侧部署生态全面成型：TensorFlow Lite、PyTorch Mobile正式发布，实现了模型训练、压缩、部署、推理的全流程工具链支持，适配安卓、iOS、嵌入式Linux等全平台，大幅降低了小模型的端侧落地门槛；国内阿里MNN、腾讯NCNN等开源端侧推理框架先后发布，实现了对海外框架的追赶。
4. 域适应技术突破，Sim2Real能力提升：通过域自适应技术，实现了仿真环境训练的小模型向真实世界的迁移，大幅降低了真实场景的标注成本，在机器人视觉抓取、自动驾驶场景实现了工程化应用。

国产发展状态

国产小模型技术实现了从0到1的核心跨越，整体国产化率突破20%；百度飞桨、华为MindSpore先后发布自主深度学习框架，内置了完整的模型压缩、轻量化工具链，打破了海外框架的垄断；华为TinyBERT、百度ERNIE-Tiny等国产NLP小模型，技术水平跻身国际第一梯队；地平线、寒武纪等企业推出了端侧AI芯片，与国产小模型实现了软硬协同优化，在自动驾驶、工业场景实现规模化落地；核心专利数量年复合增长率超150%，从完全复刻转向自主架构创新。

产业格局与核心痛点

• 产业格局：海外机构仍在架构创新层面保持领先，但国内企业在工程化落地、场景适配方面实现了快速追赶，中低端工业场景实现了国产替代；行业从「海外学术垄断」转变为「海外引领理论、国内追赶落地」的竞争格局。
• 核心痛点：小模型仍以单任务专用模型为主，跨场景泛化性不足，换场景必须重新训练；Transformer小模型的端侧推理延迟仍较高，无法满足机器人实时控制、自动驾驶等低延迟场景需求；高端端侧AI芯片仍依赖高通、英伟达，国产芯片的生态完善度仍有差距。

第三阶段：2021-2023 范式重构期——大模型时代端云协同成型，定位全面升级

产业背景

2022年11月ChatGPT的爆发，彻底重构了AI行业的技术范式，通用大模型展现了前所未有的通用智能能力，但同时也面临着推理成本高、延迟大、隐私安全风险、云端依赖等核心痛点，小模型的价值被重新定义——从「大模型的压缩版」升级为端云协同智能体系的核心载体。

这一阶段，大模型知识蒸馏技术全面成熟，通过大模型作为教师模型，向小模型迁移通用知识，让小模型在保持轻量化的同时，获得了远超传统训练的泛化能力；同时，离线强化学习、扩散模型轻量化技术的突破，让小模型从感知任务延伸至决策、生成任务，在机器人控制、工业决策、AIGC端侧部署场景实现了质的飞跃。

核心技术演进

1. 端云协同体系全面成型，小模型定位彻底重构：形成了「云端通用大模型做全局规划、知识蒸馏与任务拆解，端侧轻量化小模型做实时推理、闭环执行」的标准范式，既保留了大模型的通用智能能力，又实现了端侧的低延迟、隐私安全、离线可用，成为行业公认的主流落地架构。
2. 大模型蒸馏技术爆发，小模型通用能力实现质的飞跃：通过大模型的知识蒸馏，小模型不仅能学习任务的执行逻辑，还能继承大模型的常识推理、跨场景泛化能力，7B/13B参数的小模型，在垂直场景的性能可逼近甚至超越GPT-3.5等百亿级大模型，同时可在端侧设备实现实时推理。
3. 端侧多模态与生成式小模型实现突破：Stable Diffusion等扩散模型的轻量化版本落地，实现了端侧文生图、图像编辑功能；端侧多模态小模型实现了视觉、文本、语音、传感器数据的统一建模，在机器人视觉-语言-动作（VLA）模型、工业多传感融合场景实现规模化应用，谷歌RT系列模型验证了端侧小模型在机器人具身智能中的核心价值。
4. 模型压缩技术实现全面升级：INT4/INT2超低精度量化、稀疏化、结构化剪枝技术成熟，百亿参数大模型可压缩至十亿级，在手机、汽车、机器人控制器上实现端侧实时推理，延迟低至毫秒级，彻底解决了大模型的端侧部署难题。

国产发展状态

国产小模型技术实现了从跟跑到并跑的全面跨越，整体国产化率突破60%；百度文心、阿里通义、华为盘古、智谱GLM等国产大模型，先后推出了轻量化端侧版本，在中文理解、工业垂直场景的性能实现了对海外模型的追赶；面壁智能MiniCPM、DeepSeek等国产端侧小模型，用2B/4B参数实现了百亿级大模型的性能，技术水平跻身全球第一梯队；国产端侧推理框架、AI芯片实现了软硬协同优化，在工业机器人、自动驾驶、智能家居场景的国内市场占有率突破70%，实现了中低端场景的全面替代，高端场景渗透率突破30%。

产业格局与核心痛点

• 产业格局：全球形成中美双雄主导的竞争格局，美国在通用大模型、基础架构创新领域保持领先，中国在垂直场景小模型、端侧工程化落地、软硬协同优化方面实现全面追赶，跻身全球第一梯队；开源生态全面繁荣，技术门槛大幅降低，小模型从科技巨头的专属技术，变成了全行业可落地的普惠工具。
• 核心痛点：端侧小模型的长上下文、逻辑推理能力仍与通用大模型有较大差距，复杂长周期任务的完成率不足；模型压缩后的幻觉问题仍未完全解决，高安全要求的工业、医疗场景仍需人工兜底；高端AI训练芯片仍依赖英伟达，国产芯片的大模型蒸馏训练效率仍有差距。

第四阶段：2024-2025 普惠成熟期——端侧原生架构成熟，全场景普惠落地

产业背景

2024-2025年，大模型产业从「百模大战」走向「场景落地」，端侧AI成为全球科技竞争的核心焦点，智能手机、智能汽车、人形机器人、智能家居、工业设备全面开启端侧AI升级；小模型从「大模型的附属品」，升级为具身智能原生的端侧核心大脑，端云协同体系成为行业标配，原生端侧小模型架构实现了对传统压缩模型的全面超越。

这一阶段，人形机器人进入量产前夜，工业黑灯工厂、家庭服务、医疗康复等场景，对端侧低延迟、高隐私、离线可用的AI能力需求全面爆发；国产小模型技术实现了从并跑到领跑的跨越，从算法、框架到算力、场景落地，形成了完整的自主可控生态，开始向全球市场输出技术与解决方案。

核心技术演进

1. 原生端侧小模型架构全面成熟：专门为端侧设备设计的小模型架构成为行业主流，不再是大模型的简单压缩，而是针对端侧算力、内存、功耗特性进行了全链路架构优化，4B/7B参数的端侧小模型，在垂直场景的性能全面超越通用大模型，同时实现了端侧毫秒级实时推理，功耗低于1W。
2. 具身智能原生的端侧小模型体系全面落地：视觉-语言-动作（VLA）端侧小模型实现原生融合，大模型完成任务拆解与全局规划后，端侧小模型直接实现环境感知、运动规划、动作执行、反馈优化的端到端闭环，人形机器人可在无网络环境下完成复杂家务、工业操作任务，进入量产适配阶段。
3. 端云协同进化体系全面成型：形成了「云端大模型持续蒸馏知识→端侧小模型本地推理与数据采集→联邦学习反向优化云端与端侧模型」的全链路闭环，小模型可在端侧实现终身持续学习，越用越智能，无需人工重新训练，同时保证了用户数据的隐私安全，完全本地处理，不上传原始数据。
4. 全场景端侧部署全面普及：小模型已全面渗透至智能手机、智能汽车、工业机器人、智能家居、IoT设备、医疗仪器等全场景，端侧AI渗透率突破90%，从高端旗舰设备下沉至千元级消费电子、工业边缘设备，真正实现了AI的普惠化落地。

国产发展状态

国产小模型技术实现了从并跑到领跑的全面跨越，整体国产化率突破75%，高端场景国产化率突破50%；端侧轻量化小模型、工业垂直场景专用小模型的技术水平全球领先，人形机器人具身智能小模型落地速度稳居全球第一；国产AI全链条实现自主可控，从昇腾/寒武纪国产算力、飞桨/MindSpore深度学习框架，到端侧小模型、推理部署工具链，形成了完整的自主生态；产品出口至全球50多个国家和地区，在东南亚、中东、欧洲市场实现规模化落地，从国产替代正式走向全球市场竞争。

产业格局

全球小模型与端侧AI产业形成中美双雄领跑的稳态格局，中国在垂直场景落地、端侧软硬协同优化、具身智能工程化方面实现全球领先，美国在通用大模型、基础理论研究领域保持优势；开源生态全面繁荣，技术门槛大幅降低，小模型从科技巨头的专属技术，变成了千行百业数字化转型的普惠基础设施。

三、小模型十年核心维度演进对比表

核心维度	2015-2017年（启蒙定型期）	2018-2020年（工程突破期）	2021-2023年（范式重构期）	2024-2025年（普惠成熟期）	十年核心质变
核心范式	大模型压缩附属，单任务专用模型	原生轻量化架构，单领域多任务模型	端云协同核心，大模型知识蒸馏通用模型	具身智能原生，端云协同持续进化体系	从大模型的压缩附属品，到端侧通用智能核心的范式革命
核心算法体系	剪枝/量化/蒸馏基础压缩技术，MobileNet v1	原生轻量化CNN架构，TinyBERT等NLP小模型，端侧推理框架	大模型分层蒸馏，端侧Transformer轻量化，扩散模型压缩	原生端侧架构，联邦持续学习，端侧多模态VLA模型	从手工压缩算法，到原生端侧通用智能体系
参数效率	压缩后精度损失严重，参数效率低	原生架构优化，参数效率提升10倍以上	大模型知识蒸馏，参数效率提升100倍以上	端侧原生架构优化，4B参数对标百亿级大模型	参数效率提升超1000倍，实现极致的能效平衡
场景泛化性	零泛化，仅适配固定场景单一任务	弱泛化，可适配同领域多任务	强泛化，可跨场景迁移，零样本初步落地	通用泛化，垂直场景性能超越大模型，终身持续学习	从零泛化的固定任务，到全场景通用智能
与大模型融合度	零融合，完全独立的压缩工具	初步融合，大模型特征提取辅助小模型	深度融合，大模型蒸馏为小模型核心知识来源	原生融合，端云协同双向进化体系	从完全独立的两个领域，到原生融合的统一智能体系
整体国产化率	不足5%，核心技术全进口	突破20%，自主框架实现从0到1	突破60%，国产方案实现规模化落地	突破75%，全链条自主可控	从完全进口依赖，到国产主导全球市场，份额提升超15倍
端侧部署能力	仅能在旗舰手机运行简单视觉任务	可在中端手机、嵌入式设备部署，延迟百毫秒级	可在汽车、机器人控制器部署，延迟毫秒级	可在全品类终端设备部署，延迟低至微秒级	从旗舰机专属，到全品类终端普惠部署
部署周期	人工标注+压缩训练，部署周期数周	轻量化架构微调，部署周期数天	大模型蒸馏+迁移学习，部署周期数小时	零样本/小样本适配，部署周期分钟级	部署门槛降低超1000倍，实现全场景普惠落地
核心应用场景	智能手机人脸识别、图片分类	工业质检、安防监控、智能客服、自动驾驶感知	机器人具身控制、端侧AIGC、工业边缘决策	人形机器人、智能汽车、智能家居、工业全场景普惠	从单一消费场景，到千行百业全场景落地
行业话语权	海外巨头绝对垄断，国内零话语权	海外引领理论，国内追赶落地	中美双雄格局，国内跻身全球第一梯队	中美领跑，国内主导垂直领域国际标准	从完全跟随，到全球行业规则制定者

四、十年演进的五大核心本质转变

1. 范式转变：从大模型的压缩附属，到端云协同智能的核心载体

十年间，小模型完成了最核心的范式革命：从「把大模型压缩变小的辅助工具」，升级为「端云协同智能体系的核心载体」，最终形成了具身智能原生的端侧闭环架构。彻底打破了“大模型做智能、小模型做执行”的传统定位，小模型不仅继承了大模型的通用知识，还实现了端侧实时闭环、隐私安全、离线可用的核心价值，成为AI从云端走向终端的核心桥梁。

2. 能力升级：从单任务专用工具，到垂直场景通用智能的本质跨越

十年间，小模型的核心能力实现了指数级提升：从仅能完成固定场景的简单图像分类、人脸识别，升级为可处理多模态数据、完成常识推理、跨场景泛化的通用智能体，在垂直场景的性能甚至超越了百亿级通用大模型。彻底解决了传统小模型泛化性差、换场景必须重新训练的核心痛点，实现了从“专用工具”到“通用智能载体”的本质跨越。

3. 产业格局：从海外学术垄断，到国产全链条自主可控全球领跑

十年间，小模型的产业格局完成了根本性逆转：从海外顶尖高校与科技巨头垄断核心架构、算法与部署框架，国内企业仅能做应用层复刻的被动局面，到如今中国实现了从算力芯片、深度学习框架、模型架构到场景落地的全链条自主可控，在端侧小模型、垂直场景应用方面实现全球领先。中国从完全的技术跟随者，成长为全球端侧AI领域的核心创新者与市场主导者。

4. 价值定位：从移动端性能妥协方案，到AI普惠化的核心基础设施

十年间，小模型的产业价值完成了本质升级：从「移动端算力不足的妥协方案」，升级为AI普惠化的核心基础设施。小模型的成熟，让AI从云端机房的巨头专属技术，变成了千元级手机、工业边缘设备、智能家居都可承载的普惠能力，彻底打破了AI的算力门槛与成本门槛，推动AI从“锦上添花的创新”变成了“千行百业数字化转型的刚需”。

5. 技术逻辑：从手工压缩的参数瘦身，到原生设计的知识密度提升

十年间，小模型的技术逻辑完成了颠覆性重构：从「通过剪枝、量化给大模型“瘦身”，牺牲精度换体积」的压缩逻辑，升级为「通过原生架构设计、大模型知识蒸馏，提升单位参数的知识密度」的原生设计逻辑。面壁智能等企业提出的“模型密度法则”，实现了用更小的参数承载更多的知识，彻底改变了小模型的技术演进路径，实现了精度、体积、功耗的最优平衡。

五、现存核心挑战

1. 通用能力与推理深度仍有差距
   尽管端侧小模型在垂直场景实现了性能突破，但在长上下文理解、复杂逻辑推理、长周期任务规划方面，仍与通用大模型有较大差距；模型压缩后的幻觉、逻辑错误问题仍未完全解决，高安全要求的工业、医疗、核电场景，仍无法实现完全无人化的端侧自主决策。

2. 端侧算力与能效平衡仍有瓶颈
   端侧小模型的推理高度依赖端侧AI芯片的算力支撑，尽管国产芯片实现了突破，但在算力密度、能效比、生态完善度方面，仍与高通、英伟达的顶尖产品有代差；百亿级参数大模型的端侧部署，仍面临内存占用高、功耗大的问题，在低功耗嵌入式设备上的落地仍有难度。

3. 持续学习与终身进化体系仍不完善
   端侧小模型的终身持续学习能力仍有不足，在端侧采集新数据后，容易出现灾难性遗忘问题，无法实现越用越智能的持续进化；联邦学习、端云协同进化的技术体系仍不完善，跨设备、跨场景的知识共享与模型优化，仍面临数据隐私、通信效率的核心挑战。

4. 可解释性与安全合规仍需完善
   端侧小模型仍存在黑盒问题，决策逻辑的可解释性不足，无法完全预判模型在极端场景下的行为；全球各国的数据安全、隐私保护法规日益严格，端侧模型的本地训练、数据合规、安全防护体系仍需进一步完善，制约了小模型的全球化落地。

5. 行业标准与生态互通仍不统一
   不同厂商的端侧推理框架、模型格式、硬件适配接口仍不统一，模型跨平台、跨设备部署的适配成本仍较高；行业缺乏统一的端侧小模型性能评估、安全合规标准，制约了行业的规模化发展与技术迭代。

六、未来发展趋势（2025-2030）

1. 世界模型驱动的端侧小模型全面成熟，实现物理世界通用智能

2030年前，世界模型将与端侧小模型实现原生融合，通过学习物理世界的运行规律，让端侧智能体具备人类级别的常识推理、未来预测与行为规划能力；无需云端大模型支持，端侧小模型即可在未知环境中完成复杂长周期任务，真正实现物理世界的端侧通用智能。

2. 端云协同的分布式智能体系全面普及，实现全域智能协同

2030年前，「云端超大规模通用大模型+边缘域模型+端侧轻量化小模型」的分布式智能体系将全面普及，实现算力、数据、智能的最优分配，既保证了通用智能能力，又实现了实时性、隐私安全、低功耗的平衡；AI将从集中式的云端智能，变成无处不在的分布式普惠智能，融入所有设备与场景。

3. 存算一体与神经拟态芯片，实现端侧智能的能效革命

2030年前，存算一体芯片、神经拟态芯片将实现规模化落地，模仿人类大脑的神经元工作机制，端侧AI推理的能效比提升1000倍以上，功耗降低99%，彻底解决端侧小模型的算力与能耗瓶颈；千亿级参数的大模型可在端侧设备实时运行，实现真正的端侧通用智能。

4. 终身持续学习体系全面落地，实现越用越智能的自进化

2030年前，端侧小模型的终身持续学习体系将全面成熟，通过持续学习、联邦学习、增量训练技术，端侧模型可在不遗忘原有能力的前提下，持续从本地数据中学习新的知识与技能，实现越用越智能的自进化；无需人工重新训练与部署，即可适配全新的场景与任务，真正实现通用人工智能的持续进化能力。

5. 国产技术全面主导全球市场，中国成为端侧AI创新中心

2030年前，中国将在端侧小模型与边缘智能领域实现全面领跑，国产芯片、框架、模型、解决方案占据全球60%以上的市场份额，主导端侧AI的国际标准制定；中国将从全球最大的AI应用市场，成长为全球端侧智能技术的创新中心与规则制定者，支撑中国在新型工业化、具身智能、智能制造领域的全球领先地位。