终端市场的下一个增长点，高通押在了“个人 AI”上

📌 一句话摘要

尽管智能手机出货量下降，AI 功能渗透率却快速提升，高通认为需要通过端边云分布式的个人 AI 系统实现跨设备连续服务。

📝 详细摘要

文章引用 IDC 与高通联合白皮书的数据指出，上半年全球智能手机出货量下降 13.9%，但具备 AI 能力的机型比例已达 66.4%，PC 和平板同样呈现出货下滑而 AI 渗透率上升的趋势。这表明终端市场正经历从“堆参数换销量”向以智能体为核心、以用户为中心的个人 AI 范式转变。文章进一步分析了个人 AI 面临的成本、体验和隐私三大瓶颈，提出端边云分布式计算作为解决路径，并详细阐述了高通在端侧构建个人知识图谱、低功耗传感器中枢、跨设备共享理解以及 CPU、NPU、传感器中枢、GPU 四模块协同的技术方案。最后指出，高通不看重单一硬件形态，而是将手机、眼镜、PC 等全部视为个人 AI 的入口，预计到 2030 年终端边界将逐步消解，感知、算力与执行单元将分布在用户身边的各处。

💡 主要观点

- 终端出货量下降但 AI 渗透率逆势上升，市场正经历结构性重构。 IDC 数据显示上半年智能手机出货量下降 13.9%，AI 功能机型比例达 66.4%；PC、平板同样出货下滑而 AI 渗透率提升，表明传统硬件参数竞争已失效，AI 成为唯一增长点。

个人 AI 范式以智能体为运行载体、以用户为中心，实现跨设备连续理解。 该范式要求智能体在手机、PC、眼镜等设备间共享对用户的偏好、环境与习惯的理解，做到“跟着人走”，从而实现个性化、全时感知与自然交互。

个人 AI 面临成本（Token 消耗激增）、体验（云端延迟）和隐私（全时感知数据泄露风险）三大瓶颈。 单次任务 Token 消耗约为过去的 100 倍，导致推理成本指数上升；云端往返延迟影响实时决策；持续感知会汇总完整用户画像，一旦泄露后果严重。

高通提出端边云分布式计算方案，按任务时延、隐私与复杂度动态调度算力。 高频轻量任务在端侧和边缘处理，中等复杂度由边缘节点承担，高复杂度推理按需调用云端；这样可降低成本、减轻延迟并把敏感数据留在端侧，提升隐私保护。

高通通过专用模块协同（CPU 调度、NPU 推理、低功耗传感器中枢、GPU 并行/图形）支撑个人 AI 的持续服务与多任务需求。 CPU 负责全局任务拆解，NPU 专责大模型端侧推理，传感器中枢实现毫瓦级持续感知，GPU 处理并行计算与图形，四者协作解决了持续服务、多任务并行和功耗续航的瓶颈。

💬 文章金句

- 过去那套靠'堆参数换销量'的逻辑，不再管用了。

• 要系统性地解决这种价值错位，需要'个人 AI'的产业范式转变。
• 这三个瓶颈，成了压在'个人 AI'这套框架上的三座大山。
• 高通给出的解法，是利用多种不同专用处理模块协同工作，让它们各司其职。
• 别的厂商在赌哪种形态会赢，高通直接跳过了选择，让自己的产品覆盖从两毫瓦的耳机到千瓦级数据中心的全部计算层级。

📊 文章信息

AI 初评：83

来源：量子位

作者：克雷西

分类：人工智能

语言：中文

阅读时间：13 分钟

字数：3240

标签： 个人AI, 智能体, 边缘计算, 高通, IDC白皮书

阅读完整文章