从云端到端侧精准“卡位”

AI“灵魂”嵌入终端“身体”

阿加犀的展厅内，电脑上展示着各种AI工具。

阿加犀展厅内展示的终端设备。

扫码上川观，看算法工程师讲述机器人“大脑”大与小的辩证法。

□四川日报全媒体记者 高杲/文 郝飞/图

点位：成都阿加犀智能科技有限公司

企业独门绝技：
　　在人工智能高速发展的背景下，成都阿加犀智能科技有限公司（下称阿加犀）没有盲目进入大模型研发、机器人制造等主流赛道，而是选择更细分的端侧人工智能领域，通过将算法和模型部署在终端设备上，实现精准“卡位”，在产业链中占据一席之地。

　　3月17日，记者走进阿加犀的展厅，仿佛置身于未来世界：一侧是AI工具，各式各样的端侧大模型在“模型广场”上汇聚；另一侧是终端设备，包括能指挥交通的人形机器人、穿梭自如的智能轮椅、慧眼如炬的工业相机等。
　　“我们要做的，就是把AI工具的‘灵魂’，深度嵌入终端产品的‘身体’里。”企业创始人、CEO孙晓刚说，阿加犀成立以来，聚焦端侧人工智能领域，通过创新一芯多用、一栈式AI工具链等技术，推动智能终端产品加速落地。

看得准 行业的痛点堵点，也是企业发展的机遇
　　想赢得“卡位战”，首先要找准位置，对初创企业而言，这意味着对行业痛点要有精准预判。
　　在阿加犀的展厅内，一款高约1.8米的人形机器人引人注目，它就是企业的明星产品——“通天晓”。这款机器人去年因在成都街头协助交警指挥交通而火爆网络，但业内更看重的是，它拥有一芯多用的能力。
　　所谓一芯多用，就是用一块芯片同时处理视觉感知、运动控制、人机交互等任务。传统方案中，执行这些任务通常需要多块芯片协同完成，不仅成本高，而且还会因工具链不兼容导致系统协同困难。
　　“就像一个身体里住着几个沟通困难的‘灵魂’。”孙晓刚说，阿加犀实现了多个系统在同一芯片上的高效协同，不仅优化了机器人性能，还大幅降低硬件成本和开发难度，这一方案迅速打开市场。目前该技术已为全国70多家机器人企业提供服务，并拓展至家庭养老、农业智能化种植等多个垂直领域。
　　行业的痛点和堵点，也是企业发展的机遇。记者采访时，孙晓刚和团队正忙着部署OpenClaw，也就是最近火爆网络的“养龙虾”。不同的是，阿加犀的“龙虾”并未养在云端，而是部署在端侧。
　　“云端‘养虾’门槛低，但成本高，隐私风险大。”孙晓刚注意到，端侧“养虾”虽然面临芯片性能、模型能效等技术难题，却能有效规避这些问题。“端侧计算调用本地算力，无需依赖云端，所有数据留在本地，可以防止信息泄露。”将智能体部署到终端设备，意味着每一台设备都拥有真正自主可控的“大脑”和“手脚”，应用前景更广阔。“再热的赛道也有空白领域，我们要做的就是找到那个缺口，卡住身位。”孙晓刚说。

卡得住 通过“技术+生态”打造企业“护城河”
　　如何卡得住？阿加犀的答案是：夯实技术底座，构建开放生态。
　　“一芯多用是多年技术积累的结果。”孙晓刚说，2018年，团队便开始探索跨系统融合技术，当时开发者需在多个系统之间来回切换，开发效率低。他和团队研发了一款跨系统融合的开发工具，让开发者能在一个设备内同时调用不同的系统，并将这个软件发布在全球开发者社区GitHub上，迅速吸引上百万开发者下载使用，这成为一芯多用的技术雏形。通过不断优化性能和损耗，最终形成适配更多智能终端、应用场景的一芯多用解决方案。
　　模型压缩与算力调度也是阿加犀的硬核实力。“模型要跑在端侧，小是前提。”孙晓刚介绍，目前公司能将大模型压缩至原来大小的十分之一，而模型精度损失不到百分之一，使原本依赖云端的庞大模型可以在终端芯片上流畅“思考”。
　　如果技术是“卡位”的底座，那开放生态则是阿加犀取得成功的关键一招。
　　“产品要快速迭代，离不开开放生态。”孙晓刚举了一个例子，下载使用跨系统融合开发工具的全球上百万开发者，他们不仅是首批用户，更是不拿工资的“测试员”，不断反馈问题，助力团队优化。
　　独行快，众行远。近年来，阿加犀不仅向个人和高校开发者开放产品，还联合上下游企业举办生态大会、开发者大赛等活动，持续扩大生态圈。“从芯片到操作系统再到硬件设备，我们拥有完整的产业生态。”孙晓刚说，这些生态有助于企业整合资源，保证产品更快更好落地。
　　不久前，阿加犀还发布了端侧AI生态门户，为开发者提供超400个优化后的即下即用AI模型，它们将为更多终端设备注入AI的“灵魂”。“去年的生态营收是1000万元，今年我们的目标是6000万元。”孙晓刚说。

高人
“非典型”算法工程师的辩证法
□四川日报全媒体记者 高杲
　　作为阿加犀的大模型算法工程师，陈绪高既非计算机科班出身，加入阿加犀前也没有深耕人工智能行业的经历。但就是这位“非典型”算法工程师，在入职阿加犀的半年里，先后参与训练五六款模型，推动机器人“大脑”不断迭代升级。
　　给机器人“大脑”升级有何秘诀？陈绪高给出一套关于大与小的辩证法。
　　所谓“大”，就是让模型的性能更强。陈绪高的主要工作是负责视觉语言动作模型的训练与优化，简单来说，就是让机器人看懂人类的指令，感知周围的环境，再转化为实际行动，这也是目前主流的训练模型。
　　物理世界的数据稀缺而多变，是模型能力提升的拦路虎，常规的真机采集方法虽然数据准确，但成本高、数量有限。陈绪高想到了一个办法：引入视频学习机制，通过人类视频和机器人视频混合训练，提升训练效率。
　　所谓“小”，就是把模型的体量做小，为机器人打造一个“本地大脑”，无需联网也能工作，可以适用更多应用场景。
　　“想让小块头有大能量，需要在能力密度下功夫。”陈绪高说，如果强行压缩一个大模型，很多内容就会丢失，导致智力下降。因此，他更看重另一个概念：能力密度，即每个单位的参数能展现的智能水平。“我们正通过‘数据+算力+算法’体系，压缩模型的同时，减少‘内力’的损耗。”
　　在陈绪高看来，大与小是辩证统一的。正是在一加一减之间，机器人的“大脑”既拥有了更强大的理解力，也具备了落地的可操作性，最终真正走向现实，服务于人。