2026 年齐到 2 月了，你如果还没传奇过 Agentic AI，大要率不单是断网这样简便——更像是手机齐丢了。
我我方算是从新看着这波海潮起来的。OpenClaw（那时还叫 ClawdBot）火出圈那阵子，好多东谈主第一次真确「看懂」了一件事：咱们瞎想中的 AI Agent 时期，关节从来不在它能不可聊得更像东谈主，而在它能不可把事办完。
它能开浏览器、能点按钮、能把一个原来需要你反复切 App 的任务拆成步调，一齐推行到扫尾。你致使会在某个须臾产生错觉：屏幕那头像的确坐着一个很持重的实习助理。
与此同期，自动化操作这股风，早就吹得手机上了。无论是豆包手机这类软硬件模式，照旧各家手机大厂在系统助手上的「行动化」尝试，内容上齐在作念并吞件事——把 AI 从对话框里拽出来，塞进系统和 App 的缝里，让它去完成那些「明明很简便但等于很烦」的操作链路：打车、下单咖啡、生成文档。
但是，单纯的云侧智能或单纯的端侧推行，齐有着各自难以杰出的「天花板」。
云侧的 OpenClaw 领有雄伟的推明智力，但它看不见你手机当下的屏幕，不知谈你此刻的地舆位置，更不敢径直操作你土产货的微信去发个红包；而市面上常见的纯端侧助手，诚然能调用土产货的数据和应用，却通常因为硬件算力松手，在面对高复杂、长经由任务时显得「才略不够用」。
迁徙端 AI Agent 的赢输手，早就不是「作念云照旧作念端」的遴选题，而是怎样把两者的上风真确买通。近期，一家清华系团队「万象智维」遴选用「小万」切入阛阓，押注的恰是这样一套买通端云的智力体系： 让云表作念「大脑」，讲求复杂逻辑与计划；让端侧作念「当作」，讲求感知与临了一公里推行。
01不仅是「能最先」，
更是「单干明确」
在 AI Agent 的应用场景中，开采的定位互异永久是制约体验升级的关节。电脑与云处事器是天生的后果器用，凭借 7×24 小时不时交启动的上风，擅长承载复杂计较与耐久推行类任务。而手机则是中枢糊口器用，千里淀着最细碎、最个东谈主化的行为民风和凹凸文数据。
传统的念念路是：要么把所少见据传上云，但这濒临阴私和蔓延的挑战；要么在端侧硬跑大模子，但这会烧穿手机的电板和算力。
「万象智维」的解法是 「端侧 GUI + 云侧 CLI」 的本事单干。
在「小万」的居品架构中，手机被定位为 凹凸文的主要进口与推行结尾 。它自然知谈你是谁、你咫尺在什么时辰和场地、你正在用哪些应用。而云表的 OpenClaw 则发达其复杂推理与多任务颐养智力，讲求耐久启动任务、系统级 API 操作等中枢使命。
咱们不错通过两个实在的场景，来望望这种「端云协同」是怎样比单一端侧更聪惠的：
场景一：复短文档的「端-云-端」勤勉
当你收到一份几十页的本事文档时，单纯的端侧模子通常读不懂深层逻辑，而单纯的云表模子又无法径直操作你的土产货 App。
在「小万」的经由里， 端侧 Agent 最初接管，期骗土产货算力索求文档的关节信息；随后，任务流转至 云表 ，由 OpenClaw 进行深度的逻辑梳理和摘录生成——这是手机土产货算力难以企及的。临了，处理好的论断回传至手机，由 端侧 Agent 再次接办，盘考你是否需要「发送给共事」或「保存到札记」，并径直调用微信完成发送。
用户感知到的是一次清楚的处事，但后台其实发生了两次「端-云-端」的职能叮咛。
场景二：基于感知的智能通勤
朝晨醒来， 端侧 Agent 基于土产货传感器感知到「外面下雨了」，并读取了你土产货日程中「朝晨 9 点有会」的信息。
这些凹凸文被脱敏后发送给 云表 ，云表大脑飞快计划出一条躲闪拥挤的打车决策，并决策出「需要提前启程」。
当决策笃定后，领导回到 端侧 。此时，「小万」径直在手机土产货唤起打车 App，自动填写标的地、遴选车型，并停在支付证实页面恭候你点击。
这种「端侧感知、云侧决策、端侧推行」的高效协同模式，既隐匿了纯端侧智能智力不及的短板，也惩处了纯云表智能枯竭场景感知和阴私操心的痛点。
{jz:field.toptypename/} 02真确惩处的难点：
算力、成本与阴私
从 Demo 走向实用，一定会遭受一堆硬问题。先说最履行的： 成本与后果 。
把智能体装进手机听起来很容易，但现成决策没法径直照搬。高频调用的正常场景里，Token 成本绕不外去；手机端还要算澄莹内存、功耗、温度、蔓延。你不错在云表把模子堆得很大，手机端必须把每一次 Token、每一次访存、每一次颐养齐算昭着。
哪怕是 OpenClaw，也会豪恣耗尽大模子处事的 Tokens。不少网友在酬酢媒体吐槽账单太夸张，时时彩app官方下载好多专科用户一天就能跑出数百好意思元。如果让手机里的每一个小动作齐去问一遍云表大模子，这在营业上是跑欠亨的。
「万象智维」给出的旅途，是算法与系统的深度协同优化，重心作念了两件关节本事使命。
最初，是对端侧推理框架的「极限压榨」。
既然是协同，端侧就不可太弱。「万象智维」开发了一套名为「OmniInfer-VLM」的框架，旨在榨干手机 NPU 的性能。数据露出，在不舍弃精度的前提下，该框架能让多模态推理速率相对传统 CPU 决策援手接近 20 倍。
这意味着，像屏幕识别、OCR 索求、简便的意图判断这些高频操作，实足不错在土产货毫秒级完成，无需联网，既快又省。
在此之上，所以「行为」为中枢的牵记系统。
并不是所有任务齐需要「念念考」。履行中，咱们每天的点咖啡、打卡旅途是高度重叠的。每次齐从零推理不仅慢，也更容易出错。
团队引入了一套牵记系统，将用户的高频操作旅途空洞成数学模子记载在土产货。当你第十次点并吞种咖啡时，系统不再需要云表的大脑再行推理「何如点」，而是径直调用土产货的行为牵记，进行自动化推行。
这不仅让推行速率更快，更贫穷的是，它大幅减少了对腾贵云表算力的调用次数——据测算，这种机制能让平均推理蔓延镌汰约 1.49 倍。
此外，还有阴私的「护城河」。
在 Agent 时期，阴私不仅是数据，更是行为。比拟于部分决策将每一帧截屏齐上传云表进行分析，端云协同架构提供了一种折衷的安全性：敏锐的凹凸文（如微信聊天记载、支付密码页面）永久保留在端侧处理；只好经过脱敏、任务需要的空洞领导才会发往云表。这诚然无法作念到 100% 的物理远离，但比拟纯云表接管，它在架构上为用户保留了数据的「所有权」。
落地与生态：
清华系团队的工程化答卷
AI 硬件需要的是一种低算力、但在高频场景下仍然鼓胀顺的惩处决策。想走到正常使用，总要面对一个履行：算力不可能无穷，体验却必须够稳。
咫尺，这套决策也曾不单是停留在 PPT 上。字据居品信息，「小万」咫尺已完毕了端侧抓久化的凹凸文牵记，在实足依靠端侧本身算力相助云表颐养的条目下，复古约 40 款主流应用，脱色约 150 个场景任务。无论是打车、消费、支付等正常任务，照旧计划联系日程，齐不错通过「小万」来完成。
这组数字诚然不可等同于「万能 Agent」，但却勾勒了一张澄莹的工程化道路图：先把高频、可考证的任务作念塌实，再把脱色面铺开。
而在部署上，「万象智维」通常把「土产货化」当成中枢智力筹商：「小万」的端侧任务主要期骗手机土产货算力完成；云侧会为每位用户开设零丁的编造云处事。对有土产货部署需求的企业用户，他们还提供了土产货化部署 OpenClaw 的决策，通过 API 无缝接入「小万」，进一步镌汰阴私操心。
这套锻真金不怕火的工程化打法背后，是丰足的本事积蓄。「万象智维」依托清华大学端智能联系团队孵化诞生，中枢团队在清华大学计较机系任炬副素质与清华大学智能产业联系院李元春助理素质的耐久领导下，在端侧模子轻量化与高效推理界限有着塌实积蓄。公司诞生后首轮融资便得回归自星连老本事投的数千万元天神轮投资，也侧面印证了行业对其本事道路的认同。
04以前：从东谈主机交互到
Agent-to-Agent
如果说 OpenClaw 让咱们看到「Agent 不错最先」的可能性，那么「小万」更像在讲述另一个问题：当最先发生在更多模式的端侧开采上，智能体还能不可把事办完，而且办得让东谈主定心？
以前的端侧 AI，无意不会局限在手机这一个模式上。眼镜、腕表、致使是以前的新式结尾，它们内容上齐是一个个「端侧 Agent」。它们各自领有不同的传感器和推行智力（有的能看，有的能跑），而云表则是一个通用的「超等大脑」。
「万象智维」正在构建的，恰是纠合这两者的中间层—— Agent-to-Agent 的交互网罗 。
在这套网罗中，任务不再被绑定在某一台开采上，而是由云表融合计划，分发给最得当的端侧开采去推行。迁徙端 AI 的「最先时期」也曾开场。真确的分水岭，无意不在于谁的模子参数更大，而在于谁能用最工程化的技巧，把聪惠（云）和靠谱（端）真确联结在一齐，惩处那些用户每天齐要作念、又最怕出错的琐事。
备案号: