全区域开放无人配送的烂摊子
2026年春天，美团把北京朝阳区五环路以内全部开放给了自营无人配送车，本来是行业大新闻，结果半个月下来，客服接到的投诉比过去一年还多。八成投诉都是「车好好走着，突然就停在路中间不动了」「等了十分钟，车还没反应，我自己拿了就走」。
有人去扒后台日志，发现百分之九十以上的异常，都不是大模型识别错了，是等云端返回结果的时候，超时了。就是这么半秒，毁了一单生意，也戳破了行业原来吹的「云端大模型赋能全场景」的泡沫。这个超时的坑，本质上就是端侧AI多模态实时感知没跟上，大家都把宝压在云端大模型的高准确率上，忘了终端这最后半秒才是决定生死的。
当前行业主流的云端调度方案，端侧只做数据采集，识别全放云端，准确率比纯端侧方案高不到6%，但平均延迟是纯端侧的14倍——相当于你在山区移动网刷4K，和在客厅连千兆wifi的速度差。而城市道路里，行人突然变道、电动车突然拐出来，留给系统决策的窗口只有不到30毫秒，超过这个时间，再准的识别都没用。
很多人说，不就是算力不够吗？把端侧算力堆上去不就完了？哪有这么简单。真要把所有多模态数据都放在端侧处理，功耗先扛不住，手机撑不过半天，无人车电池要多装三分之一，成本直接飞起来。
云端派和端侧派的隐形战争
说实话，我最早听到端侧AI多模态实时感知这个概念，以为就是厂商炒新概念圈钱，直到去年跟地平线的一个老朋友吃饭，才算把这里的账算得明明白白。
现在一万台无人配送车，要是都用云端方案，每个月每车的算力加存储成本大概是1200块，一年就是一万四千四。而换成熟的端侧多模态感知方案，硬件BOM成本只多800块，一年下来省一万四千四的云费，六个月就能收回额外成本，这个账傻子都能算对。
本土玩家的动作其实比大家想的快得多。影石Insta360新出的旗舰运动相机，端侧实时做多模态主体识别，第一人称跑步拍的素材，三秒就能剪出跟拍主体的成片，原来放云端剪要十分钟，还得等联网，用户体验差了不止一个量级。OPPO去年推出的旗舰手机，端侧就能实时做语音加画面多模态搜索，不用联网就能搜你相册里上周吃的火锅照片，速度快到根本反应不出这是AI在干活。
这里哪是什么技术路线选择，本质就是商业模式的隐形博弈。做云服务的互联网大厂，当然希望所有算力都放云端，按流量收费躺着赚钱，端侧起来了，我的云收入哪里来？所以你看，前两年大厂吹云端大模型吹得最凶，现在提端侧都是遮遮掩掩，说白了就是既得利益绑死了，迈不开步。
其实这个逻辑放在生物进化里早就说通了：高等动物的条件反射都放在周边神经，不会什么事都上传给大脑处理，遇到烧手的杯子，等大脑反应过来，皮都烫掉了。端侧AI多模态实时感知干的就是条件反射的活，云端只需要处理那些真正需要复杂决策的事，别什么活都抢。这个方向我认为原来云端派就是走偏了，什么都往云端塞，本质就是赚easy money赚习惯了，不想碰硬件的硬骨头。
产业链上每个人都要面对的转向
不要觉得这只是头部厂商玩的游戏，跟普通从业者没关系，变化早就传到产业链最末端了。我认识一个在深圳做算法的小伙子，原来在大厂做云端大模型调参，去年被裁了，自己开了个十平方的小工作室，给本地的餐饮商家做智能迎客屏，端侧实时识别进店客人的年龄、情绪，推荐对应的菜品，不用联网，不用给云厂商交年费，一套设备卖两千块，比原来给大厂打工赚的还多。
他跟我吐槽，原来做云端方案，三成营收都交了云服务费，相当于给云厂商打工。现在端侧芯片的开发板几千块就能搞定，预训练好的多模态模型开源一大把，改改适配场景就能用，小团队也能玩得转，不用再看大厂脸色。
对普通算法工程师来说，原来只会调参就行，现在必须得懂端侧模型裁剪，懂芯片的功耗墙，懂怎么把百亿参数的模型压缩到几个GB还能保持识别准确率，不会这套的，今年找工作都要矮一头。对上游做硬件的来说，原来卖芯片就是堆算力参数，现在要给多模态感知做专门的硬件加速，原来ISP芯片只管处理图像，现在要融合语音、毫米波雷达的数据一起做端侧预处理，卖价直接翻了一倍，日子好过多了。
不过话说回来，这里也有割韭菜的坑。很多厂商为了吹概念，把本来不需要端侧处理的功能也硬放上端侧，硬生生把设备价格抬了三成，用户用脚投票，卖不动活该。很多人把这个技术吹得玄乎，其实说白了，核心就是一句话：该在本地解决的问题，别往云端扔，用户要的就是开门就能用，网断了也能用，不会关键时刻掉链子，就这么简单。
当所有感知数据都在端侧完成处理，不用上传云端，原来靠收集用户数据赚钱的生意，该去哪里找下家？
