克雷西 发自 凹非寺炒股加杠杆怎么办
量子位 | 公众号 QbitAI
全球智能终端市场，正在经历一场错位，在出货量开始下滑的同时，其中AI终端的数量却越来越多。
数据显示，今年上半年，全球智能手机出货量同比下滑13.9%，但同一批手机里，具备AI能力的比例，却已经达到66.4%，相对增幅达到了21.8%。
PC、平板也是同一个剧本。
根据预测，PC出货同比跌了11.7%，平板跌了8.6%，但两者的AI渗透率同样在走高。
没有一个品类，逃过这个规律。
这组数字，出自近期由高通委托、市场研究机构IDC独立研究制作的一份产业白皮书：《从AI设备到个人AI——智能体驱动的终端进化与产业重构》。
当硬件销量掉头向下，为什么这些设备里的AI渗透率反而逆势上扬？
这正是这份白皮书想要解开的疑问。
这组反差背后，指向的是个人终端市场正在发生的一次系统性重构。
终端市场，撞上了临界点
终端市场，正走到一个临界点。
评价终端的标准正在换轨，过去那套靠“堆参数换销量”的逻辑，不再管用了。
屏幕刷新率卷到185Hz，摄像头像素冲到2亿，安兔兔跑分突破400万分……这些数字曾经是发布会上最响的卖点，但现在，越来越难直接换成销量。
原因也不难想象，硬件成本这几年一直在涨，供应链波动推高了定价，用户换机周期也跟着拉长。
IDC给出的数据显示，这轮周期里唯一还能带来增长的亮点，只剩下AI了。
但这并不意味着厂商把AI塞进设备，用户端就会立刻跟着买账。
多数用户对AI功能到底有什么用，心里是没底的，即使手机里多装了几个AI功能，他们也并不愿意为此多掏钱。
白皮书认为，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。
转变后的范式，就是以智能体为核心运行载体、以用户为中心展开运行的个人智能系统，即“个人AI”。
拆开看，个人AI的定义其实是两层意思。
“以智能体为核心运行载体”，讲的是“个人AI”的运行载体是智能体本身，这些硬件只是承载智能体的端点。
“以用户为中心展开运行”，讲的是这个智能体组织信息的方式，都是围绕“人”展开的，也就是智能体要“跟着人走”。
换言之，这种范式下，手机、PC、眼镜共用同一份对用户的理解，去记住用户的偏好、感知用户所处的环境。
不过，这套系统要真正落地，先得扛住一笔账单。
从过去对话式AI，到后来的推理式AI，直到现在的智能体AI，单次任务消耗的Token涨了大约100倍，而且还在持续增长。
这笔账如果全甩给云端，三重瓶颈会跟着冒出来。
最先面临的问题就是成本。
成百上千倍的Token消耗，让推理成本也会跟着指数级往上走。
目前，用户还没建立起为AI服务付费的心智，厂商基本是自己扛这笔支出，造成成本和收益严重错配。
再来是体验。
“个人AI”要做到的是全时感知、随时能替用户拿主意，这两件事都对反应速度要求极高。
一旦决策要绕道云端，一来一回的网络延迟，实时决策就会变成漫长反馈，与用户期待背道而驰。
最后是隐私。
全时感知意味着设备要持续记录用户的环境、位置、习惯，这些数据汇总起来，是一份完整的用户画像。
如果这样的信息发生泄露，后果要比单项数据泄露严重得多。
这三个瓶颈，成了压在“个人AI”这套框架上的三座大山。
瓶颈不是算力，高通让模块各司其职
这三重瓶颈，说到底都是把所有任务一股脑甩给云端才会撞上的。
面对这三重瓶颈，白皮书给到了建议的解法，从“云端集中”走向“端边云分布式”——打破端侧、边缘、云端各自独立的物理节点边界，形成算力可无缝流转、负载可动态调度的统一计算体系。
这种方案，让计算发生在最优解的位置。
系统根据任务的时延要求、隐私等级与计算复杂度，自动将计算负载分配到最优节点运行，高频轻量任务在端侧处理，中等复杂度任务由边缘节点承接，高复杂度推理任务按需调用云端算力。
这套思路具体怎么拆，可以对照 “个人AI”定义的五个特征来看。
白皮书给“个人AI”定义了五个特征，分别是个性化服务、全时感知与自然交互、连续服务、可进化、安全可信。
这五个特征拼起来看，讲的其实是同一个智能体从感知世界，到记住用户，再到跟着人走的一整条链路，再加一道兜底的安全防线。
说回高通，他们的技术方案，顺着这条链路一一对应上了。
链路的起点是个性化服务，想要实现个性化，记忆必不可少。
高通在端侧构建了个人知识图谱，在数据不出设备的前提下，就能记录下用户的偏好和习惯。
这份记忆里的数据又从哪里产生？这一步靠的是全时感知与自然交互。
高通的传感器中枢能脱离主系统独立运行，不用唤醒CPU、内存和总线，功耗压到了数十甚至个位数毫安级别。
靠这么低的能耗，就能让设备保持全天候待机，从而捕捉用户的语音、手势和所处的环境。
光记住还不够，这份理解还要“跟着人走”，这便是连续服务要解决的问题。
在高通的体系里，手机、PC、眼镜之间共享同一份对用户的理解，底层连通的不仅是设备和设备，更是每一个具体的人。
基于这个理念，高通把AI做成能在终端、边缘、云之间协同存在的分布式系统。
这也顺带减轻了云端的两重压力。
高频轻量的任务留在端侧和边缘处理，不用事事都排队等云端，时延压力先减轻了一截，体验这道题有了着落；
能在端侧完成的推理不用额外占用云端算力，云端那部分的成本压力，也跟着轻了一截。
记忆本身也不是记完就停，还需要具备进化能力。
高通的做法，是让端侧的个人知识图谱，靠本地算力持续迭代。用户用得越久，系统对这个人的判断也就越准。
这一整条链路上，安全可信是兜底的红线。
眼镜的摄像头、耳机的传感器，采集的信息本身就是用户的隐私，一旦处理不当，泄露的就是用户生活的方方面面。
高通的做法是把隐私保护做成硬件级能力，同时通过端云分布式计算，把用户个人数据的处理留在端侧，云端的风险敞口便自然收窄。
这五个层次，高通都给出了对应的技术方案，但依然有一笔账单，是这套框架躲不开的。
传统观念认为，端侧AI受制于算力，但在高通看来，真正的瓶颈是持续服务能力、多任务并行能力和功耗续航。
设备要能够支持智能体全天候在线、同时处理多个任务，又不能把电池耗光，任何一个环节掉链子，“个人AI”这套系统都转不起来。
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。
CPU负责全局调度，统筹复杂任务怎么拆解；NPU专门负责大模型的端侧推理；传感器中枢专门负责毫瓦级的持续感知；GPU则负责并行计算和图形处理。
四个模块分工协同，才能形成有机的资源调配方案，支撑起用户的需求。
别人在赌赢家，高通全都要
芯片内部的分工解决了，但如果把目光放到设备层，个人AI还有更大的问题——下一代的入口，会是哪种硬件？
这也是终端行业里问得最多的一个问题。
高通却认为，这不是一道选择题。
高通产品技术专家朱元堃判断，“个人AI”的核心载体，不必局限于某一种具体形态，手机、眼镜、PC，都将成为个人AI的入口。
他认为，未来所有设备都会成为智能体的一个端点，底层连通的是每一个具体的人。
也就是说，今天用户在手机上、眼镜上、PC上用到的AI，背后不该是三套互不相干的系统，应该是同一个懂这个人的智能体，只是智能体生长在不同环境。
这背后的逻辑，跟前面提到的技术方案是一致的。个人AI要做到真正连续，本来就不是靠一台设备能撑起来的。
这个判断站得住，原因之一是几个终端品类各自的规模都太大了。
高通CEO安蒙在COMPUTEX 2026的主题演讲中给出了一组数据，全球约60亿部手机、20亿台个人AI终端、20亿台PC、5亿辆智能网联汽车。
在安蒙看来，如果把它们都算作智能体的入口，60亿这个数字其实并不算大，因为智能体真正要覆盖的，是每个人身边所有能联网、带传感器的设备。
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。
这刚好顺应了白皮书的判断。
白皮书认为，到2030年以后，终端边界会逐步消解，以屏幕为核心的设备形态会弱化，感知、算力、执行单元会分布在用户身边的各处。
到那时候，下一代“个人AI”的入口该是谁这个问题，可能就不会再有人问了。
通过以下地址，即可获取白皮书：
https://www.qualcomm.cn/content/dam/qcomm-martech/dm-assets/documents/files/personal-ai-whitepaper2026.pdf
— 完 —
量子位 QbitAI
关注我们炒股加杠杆怎么办，第一时间获知前沿科技动态
文章为作者独立观点，不代表中国股指配资开户_中国正规配资官网_中国股票实盘配资观点
