【量子位 2025年12月12日讯】在量子位MEET2026智能未来大会上，高通公司AI产品技术中国区负责人万卫星带来了一场聚焦终端侧AI发展的深度演讲。他不仅首次系统梳理出AI应用演进的四大阶段，明确当前产业正处于“生成式AI向智能体AI跃迁”的关键窗口期，还披露了高通在端侧大模型部署、技术突破及未来生态布局的核心进展，为行业指明“混合AI+分布式协同”的发展方向。
AI演进四阶段：从感知到物理，智能体成当前核心跃迁目标
万卫星在演讲中提出，AI应用的发展并非线性推进，而是呈现出清晰的阶段性特征，可划分为四大阶段：
-
感知AI（已成熟落地）：作为AI发展的基础阶段，涵盖传统自然语言处理、语音降噪、图片识别与分割等技术，早在多年前就已广泛应用于手机、PC等终端设备，例如手机的人脸识别解锁、照片自动分类功能，均属于感知AI范畴。
-
生成式AI（当前主流）：伴随ChatGPT兴起而快速爆发，核心是基于海量数据预训练，在人类监督下完成特定生成任务，文生图、聊天机器人、AI翻译等均是典型应用。目前行业关注点仍集中于此，但已显现向下一阶段演进的趋势。
-
智能体AI（正在到来）：这是当前产业跃迁的核心目标，与生成式AI的“被动响应”不同，智能体AI可在几乎无人类干预的情况下，自主完成行动、预测、意图理解与任务编排。例如用户通过自然语言指令，智能体可自动打开APP、调取数据、执行操作，全程无需手动介入。万卫星强调，“生态系统从单体模型向复合系统转变，是迈向智能体AI的关键基础”。
-
物理AI（探索初期）：作为AI发展的远景目标，物理AI要求系统能理解真实物理世界的规律，并依据物理定律做出反馈，例如机器人在复杂环境中自主规避障碍物、调整动作力度，目前该阶段仍处于研究探索期，技术成熟度较低。
从终端侧能力演进来看，当前正同步经历“模态升级”——从单一文字模态，向支持文本、图片、视频、音频、语音的多模态甚至全模态方向发展，这为智能体AI的落地提供了关键技术支撑。
端侧AI突破：百亿级模型落地多设备，三大技术破解核心挑战
终端侧是AI贴近用户、实现个性化体验的关键场景，高通在该领域已实现多项突破，同时也针对性解决了行业共性难题。
端侧大模型部署能力显著提升
目前高通已实现不同终端设备的大模型适配，参数量级覆盖广泛：
-
手机可支持近100亿参数大模型部署，PC适配能力提升至200亿参数，车载场景更是突破200亿-600亿参数规模，满足车载语音助手、自动驾驶辅助决策等复杂需求。
-
模型能力与上下文处理效率同步升级：今年年初，支持思维链（CoT）推理的模型已实现端侧全部署，意味着终端设备可独立完成逻辑分析任务；上下文长度从两年前的1K-2K，提升至去年的4K，2025年进一步扩展至8K-16K，特殊场景下（如长文档处理）甚至可支持128K上下文窗口，例如手机端可直接处理完整的长篇报告、学术论文。
三大核心挑战与高通技术破局方案
端侧AI虽优势显著，但受限于终端设备的硬件特性，面临内存、带宽、功耗三大核心挑战。对此，高通通过三项关键技术实现突破：
-
量化与压缩技术：从早期的8bit、4bit量化，演进至2025年的2bit极致压缩，在保证模型精度的前提下，大幅降低内存占用。例如原本需占用10GB内存的模型，经2bit压缩后，内存需求可减少至原来的1/4，使手机等内存有限的设备也能运行大模型。
-
并行解码技术：针对大语言模型自回归架构“生成token效率低”的痛点，高通创新采用“草稿模型+目标模型”协同模式——先通过端侧小型草稿模型（约为目标模型的1/50）一次性推理多个token，再交由原始大模型校验。由于草稿模型基于目标模型训练，校验接受率极高，可显著提升token生成速度，改善用户交互时延。
-
先进NPU与异构计算架构：通过自研eNPU（高效神经网络处理单元）及异构计算系统，实现CPU、GPU、NPU的协同调度，让端侧AI从“被动响应服务”转向“主动个性化服务”。例如手机可根据用户使用习惯，主动推送AI生成的日程提醒、工作建议，而非等待用户触发指令。
未来图景：混合AI+分布式协同，构建跨设备智能生态
在分析当前技术进展与行业趋势后，万卫星描绘了终端AI的未来发展蓝图——混合AI与分布式协同将成为核心形态。
混合AI：端云协同实现优势互补
混合AI并非“端侧替代云端”，而是通过智能分工实现能力最大化：
-
端侧：运行垂类高效模型，聚焦个性化、隐私保护与即时响应，例如用户的个人数据处理、本地任务执行（如AI生成个人周报），均在终端完成，无需联网且保障数据安全。
-
云端：部署超大规模通用模型，提供更强的通用能力与复杂任务处理支持，例如跨语言大规模知识检索、复杂场景的AI绘画创作。
高通将凭借低时延、高速且安全的连接技术，确保端云之间的无缝协同，让用户在不同场景下自动切换最优AI服务形态。
分布式协同：跨设备共享算力，打破硬件能力边界
随着终端设备日益丰富（手机、智能眼镜、手表、汽车等），单一设备的算力局限性逐渐凸显。高通提出的“分布式协同”方案，可通过Wi-Fi、蓝牙等连接技术，实现多设备算力与数据共享：
-
算力较小的设备（如智能眼镜、手表）可将大模型推理任务，转移至手机、PC或汽车等算力更强的设备，例如智能眼镜拍摄的视频，可发送至手机进行AI实时分析、生成字幕；
-
多设备数据互通，构建统一的“个人智能生态”，例如手表记录的健康数据，可同步至手机AI模型，生成个性化健康建议，汽车则可根据手机中的日程信息，提前规划出行路线。
万卫星以“AI发布微博”为例，展示了分布式协同的落地场景：用户通过智能眼镜发出语音指令，指令经蓝牙同步至手机，手机端智能体AI自动打开微博APP、调取相册照片、根据用户历史偏好添加滤镜，最终完成发布，全程无需手动操作，多设备协同实现“无感交互”。
行业意义：为AI终端化提供清晰路线，推动智能体验普惠
高通在端侧AI领域的技术突破与未来规划，不仅为自身构建了差异化竞争力，更对整个行业具有重要启示意义：
-
明确“智能体AI”的落地路径，让行业从“生成式AI内卷”中看到下一阶段的发展方向，引导资源向更具长期价值的领域倾斜；
-
破解端侧AI的核心技术难题，降低大模型在终端设备的部署门槛，推动AI从“云端专属”走向“终端普及”，让普通用户也能享受低时延、高隐私的个性化AI服务；
-
混合AI与分布式协同方案，为多设备互联时代的AI生态建设提供了可参考的框架，避免单一设备“算力竞赛”的资源浪费，实现生态整体效率最优。
随着高通持续推动技术迭代与生态合作，终端侧AI有望加速渗透至更多场景，从手机、PC到汽车、智能家居，构建起“无处不在、主动服务”的智能体验，为AI产业的下一阶段增长注入强劲动力。
