AI周期的幕后赢家：高通的Physical AI战略

在当前全球AI的激烈竞争中，前沿大模型在表面上不断推陈出新，而在水下，高通（Qualcomm）正作为一个隐形的巨大赢家崛起。过去一年，高通股价大涨60%，并在五月底创下历史新高。这得益于“Physical AI”（物理AI）概念的日益主流化，以及AI边缘设备市场的持续火热，包括AI手机、AIPC（AI Personal Computer）、XR（Extended Reality）、汽车和机器人等。这些新兴市场对芯片的需求激增，加上对6G技术的深切期待，使得高通这家在通信和芯片领域深耕多年的技术巨头，旗下的骁龙产品和平台（Snapdragon Platform）被寄予厚望，有望成为未来“边缘AI”生态的核心玩家。

高通公司全球副总裁徐晧博士在北京举办的“骁友会五周年派对”上表示，高通致力于让人工智能触及到千家万户。当被问及AI落地终端设备的主要难点时，徐博士指出，这并非单纯的模型能力问题，而更多是算力（Computing Power）和模型小型化（Model Miniaturization）的挑战。高通凭借在通信、AI和机器人领域的三重布局，能够将这三者结合，提供最优解决方案。徐博士强调，AIPC并非伪命题，PC端有大量AI应用空间，其中最强的AI商业化用例之一就是编程辅助（coding）。AI融入汽车领域虽然需要大量的底层技术支持，但从用户体验角度，高通希望实现完全无感（Transparent）的智能化。此外，XR眼镜因其极小的体积和对算力、功耗的严格限制，被认为是端侧AI实现难度最高的设备之一。

端侧AI的技术挑战与模型优化

端侧AI（Edge AI）的发展，是当前AI领域的“暗线”，与云端大模型竞相发展形成对照。徐博士认为，当前正是关注“AI+硬件”融合的最佳时机。早期人工智能发展以云端为主，旨在探索其能力边界。然而，随着AI演进，更多应用需要终端支持，例如智能手机、XR眼镜、汽车自动驾驶和娱乐系统，以及各种机器人应用。这代表着将云端算力（Cloud Computing Power）和功能逐步下放到端侧，是一个体量庞大的市场。

将AI部署到终端设备面临多重挑战，核心在于手机上的算力限制（Computing Power Limitation on Mobile Device）以及如何将大型模型在端侧有效运行。徐博士提到：

• 模型小型化趋势：研究显示，在不到一年的时间里，原本规模庞大的千亿级甚至数百亿参数的Llama模型，可以通过更小的模型（如40亿或几十亿参数）实现同样甚至更好的效果。这预示着模型在保持功能的同时，体量持续减小，更适于端侧部署。
• 蒸馏（Distillation）：通过训练一个小模型来模仿大模型的输出和行为，使其体量大幅减小，从而适合在端侧运行。
• 量化（Quantization）：将模型运算从浮点运算转换为定点运算，这带来双重好处：
  • 运算速度提升（Faster Computation）。
  • 芯片存储要求降低（Reduced Storage Requirement for Chips）。
• LoRA Adaptation（低秩适配）：在现有大模型基础上，通过添加一个小型适配器模型来针对特定任务进行微调，从而使大模型适配新任务，且无需重新训练整个大模型。
• MoE（Mixture of Experts: 混合专家模型）：通过将一个大模型分解成多个小型专家模型，并利用一个门控网络来选择性地激活部分专家以处理不同任务，从而提高效率和处理能力。
• 模型优化（Model Optimization）：致力于减少模型的内存占用和功耗，以打造更节能、算力更优、内存使用更少的架构。

这些技术的不断迭代，推动了端侧AI在节能、算力及内存优化方面的持续演进。

AI赋能多样化硬件终端：手机、机器人与6G

针对不同的硬件终端，AI的需求与高通的布局各有侧重：

AI手机：新交互范式与智能体崛起

智能手机对AI的需求日益增长，从早期的图像处理（Image Processing）和摄像头优化（Camera Optimization）到当前的大语言模型（Large Language Model）驱动的语音交互。现在，最显著的趋势是智能体（Agentic）应用的兴起，手机无需预装应用，用户可以直接语音对话，手机能整合信息并执行任务。徐博士称AI是全新用户界面（New User Interface），标志着从键盘、按键到语音指挥的交互方式的根本转变。

荣耀研发的Robot Phone（机器人手机）演示了“随音而舞”特性，通过AI识别音乐节拍并控制云台摄像头做出拟人化动作，展现了AI与硬件结合的创新。高通通过异构架构（Heterogeneous Architecture），整合CPU（Central Processing Unit）、GPU（Graphics Processing Unit）和NPU（Neural Processing Unit）的特长，为AI手机提供强大的底层支持。

目前AI手机的发展存在两种方向：

1. 全Agent手机：手机开机即是智能体，所有交互皆通过语音进行，像与人对话般指挥手机完成任务。
2. Super App手机：现有手机形态下，内置一个“超级应用”来整合并调用所有其他应用，用户通过与超级应用对话来完成各种需求。

这两种模式各有挑战，前者需要打通整个生态系统，后者则依赖于巨头企业的体量和整合能力。徐博士认为，这更多是生态建设和市场验证的问题，而非纯粹的技术难题。

机器人：更高算力、低延迟与VLA模型

高通与加速进化合作的K1机器人，搭载高通骁龙™QCS8550平台，具备强大的端侧AI算力，可提供语义理解和自主感知能力。阿加犀与高通联合打造的具身智能机器人通天晓，展示了与人语音交互、观察四周及实时决策的能力。

机器人对芯片的需求与手机不同：

• 更强的算力：机器人需要处理更复杂的规划任务，因此需要比手机更强大的算力。
• 更大的面积与更宽松的能耗要求：机器人通常能承载更大的芯片面积，且对能耗的限制相对手机更宽松，允许使用更大、性能更优的芯片。
• 支持大语言模型与VLA模型（Vision-Language-Action Model: 视觉-语言-行动模型）：高通提供一系列支持世界模型（World Model）和VLA模型的机器人芯片，覆盖从低端运控到高端具身智能的各类应用。
• 低延迟（Low Latency）：机器人与人交互时，低延迟至关重要。高通通过将算力极致化以实现本地快速决策，同时利用5G、6G等高速通信技术，在端侧算力不足时，将任务迅速传输至边缘云或云端处理。

5G的时间敏感网络（Time Sensitive Network, TSN）技术，通过为数据包打时间戳，确保端到端的时延可控。而6G则有望将时延进一步压缩至几毫秒。

6G：AI原生设计与通感一体化

6G技术预计在2029年至2030年间商用，其与5G最大的区别在于对人工智能原生设计（AI-Native Design）的考量。预计未来几年，人工智能产生的流量将占总流量的30%到40%，6G网络必须为此提供支持。

6G还将关注智能体之间的有效交流，以及手机、手表、眼镜甚至指环等多种端侧智能终端如何高效连接网络。此外，通感一体化（Integrated Sensing and Communication）是6G的一项重要技术，它能通过无线信号的接收和理解，构建基于无线信号的地图和环境感知能力，结合摄像头和地图数据，共同打造一个可用于AI训练和物理世界理解与监测的数字孪生世界。例如，在低空经济背景下，6G的通感一体化可用于无人机监测与空管。

AI驱动的汽车与XR设备：无感体验与隐私考量

汽车：自动驾驶、车载娱乐与数字底盘

汽车领域的AI应用主要体现在两个系统：

1. 自动驾驶（Autonomous Driving）：过去5到10年发展迅速。自动驾驶需要高算力、强大的判断和决策能力，对能耗要求相对宽松，可分配更多内存与算力。
2. 车载信息娱乐系统（Infotainment System）：随着大屏幕和环绕音响在电动车中普及，车载娱乐系统已成为新的“客厅”。

高通推出了Snapdragon Ride平台，并首次提出了骁龙数字底盘（Snapdragon Digital Chassis）概念，旨在统一规划车内所有传感器（雷达、视频、激光雷达）和扬声器，整合自动驾驶与娱乐系统。例如，零跑D19搭载双骁龙8797芯片，在GPU、CPU和NPU（AI算法）方面均有显著提升，实现了：

• 中央集算模式：优化电气线路、降低成本、提升整车协调性和反应速度。
• 五屏联动：中控台、仪表盘、挡风屏、娱乐屏及操作屏实现联动，打造全景式空间。
• 多模态辅助驾驶：在乘客使用AI大模型时，驾驶员可享受VLA（Visual-Language-Action）多模态辅助驾驶。
• 强大硬件支持：支持40个以上摄像头和28个精密监测硬件协同工作，并支持OTA线上升级，为L3、L4甚至更高级别的辅助驾驶提供坚实平台。

高通致力于提供无感的人工智能体验（Seamless AI Experience），让用户感受到技术带来的便捷和舒适，而无需关注背后复杂的工程实现。

XR眼镜：极致小型化与分离式渲染

XR眼镜（Extended Reality Glasses）长期面临“蛋生鸡、鸡生蛋”的应用生态困境。近年来，随着技术进步，眼镜的尺寸、重量和设计都有了显著改善。然而，XR眼镜也是端侧AI实现难度最高的设备之一，因为它可用于安装芯片和电池的空间极小。

高通的解决方案包括：

• 极致小型化芯片：提供高度集成且尺寸极小的芯片，确保在有限空间内满足算力需求。
• 与手机连接：将XR眼镜连接到手机或其他算力更强的终端，将耗能任务转移到这些设备上处理，从而降低眼镜自身的功耗和算力负担。
• 分离式渲染（Split Rendering）：一部分图像在眼镜上渲染，另一部分在手机上渲染，以最大限度地降低眼镜的能耗和算力。

XR眼镜的应用潜力巨大，如实时翻译（Real-time Translation）、信息显示（Information Display）、云端信息调用（Cloud Information Retrieval）以及“见你所见”（See What You Can See）的实时直播和记忆功能。例如，眼镜可以定时观察周围环境并记录，用户可随时查询物品位置。然而，这些应用也伴随着隐私问题（Privacy Issue），高通在设计时需特别关注，如录像时显示红点提示。

端侧AI的未来展望

徐博士指出，AIPC虽然曾被质疑，但PC端仍有广阔的AI应用前景，尤其是在编程辅助、本地数据处理（Local Data Processing）等方面，满足用户对数据隐私和本地算力的需求。

面对端侧设备内存、功耗和性能的“不可能三角”，高通的策略是结果导向（Result-Oriented Approach）。优先追求最佳用户体验，即使需要调用云端算力。同时，高通也在推动端侧预处理（Edge Pre-processing）技术，将个人信息进行简化和压缩，形成本地个性化数据库（Local Personalized Library），存储用户喜好、日程等信息。这使得手机能够提供个性化智能体（Personalized Agent）体验，并在端侧无法完成复杂规划时，与云端协同。

高通通过为汽车、手机、PC和机器人等不同产品提供量身定制的芯片设计，满足不同算力需求和价位点。在骁龙的活动现场，从AI手机到机器人、6G通信、汽车和XR可穿戴设备，高通展现了其布局Physical AI的宏大愿景。在全球前沿AI模型不断迭代的同时，小模型（Small Model）和端侧优化方案（Edge Optimization Solution）也飞速发展，这些进展将在消费级产品上得到体现。未来，真正由AI赋能的端侧硬件，将彻底改变我们现有的交互范式。