个人AI如何重写智能终端？

1985年，乔布斯在瑞典隆德大学演讲时谈到一个设想，他说，我们能读到亚里士多德的书，却没办法向他提问，如果能造一种新工具，把他的“思考过程”记录下来，人们就有机会和他对话。 前几日的一场AI活动上，高通公司产品技术专家朱元堃提到这个设想时说，今天我们已经很接近了，而实现它的关键，在于「过程」 。他说，人类一生的记忆和体验过程至关重要，个人AI终端只有持续感知和理解用户，AI智能体才可能掌握用户的思考链条，构建出一个“最了解用户的AI”。 2026这一年，IDC分析发现终端产业出现两条奇怪的曲线：一边，全球手机、PC、平板在集体涨价之后，销量一起下滑，今年手机市场降幅约13%，安卓手机降幅约20%，PC降幅约11%。更关键的是另一边，一批AI原生终端在往上冒：智能眼镜在中国市场增长约50%，全球增长约30%；扫地机器人显著增长；一批百元价位的AI翻译器、AI阅读器、录音卡涌进市场，连一张带摄像头和定位的员工卡都开始有公司在做。 传统类型的终端在缩，AI原生特征的终端在长。IDC中国副总裁王吉平把这一现象称作“AI超级大周期”，他在采访中告诉科技行者，AI超级周期正推动终端市场走向变革“临界点”，终端厂商承受零部件价格上涨与用户换机意愿下滑的同时，传统的“参数内卷驱动销量增长”逻辑逐渐失效，AI终端正成为最大增长亮点；消费者往AI终端上的投入增长，只是这份增长，分散到一批具有明确使用场景的AI原生设备中。 多年前移动通信产业流传一句老话，“Connecting People”，连接人与人；而今天的个人AI阶段，朱元堃则提到了“Connecting You”，强调以用户个人为中心的智能连接 ，未来所有的设备都将成为智能体的端点，而这些设备底层连通的，看似是设备之间的互通，核心连通的其实是一个具体的人。 「感知」相当于智能体的五官，负责去听、去看、去理解周围发生了什么；「记忆」负责把长期信息沉淀下来，形成对一个人的持续了解；「推理」是对感知和记忆的加工；最后，「智能体」调用软件或别的工具，把任务真正做完。朱元堃强调，这四个环节不只是软件模块，还会“成为芯片软硬件设计和操作系统设计未来发展的核心命题”。 这些判断，也在IDC最新白皮书《从AI设备到个人AI：智能体驱动的终端进化与产业重构》中得到交叉印证。个人AI必须具备个性化、全时感知、隐私安全三大核心能力，传统计算架构正迎来系统性重塑。 第二，端侧算力与个人记忆。“过去半年内，我们发现很多终端厂商在不断演化这个部分的架构，进一步支持端侧算力发展，这也是个人AI在未来更理解用户的保证。” 既然懂用户需要持续感知，而感知又只能在用户身边发生，那么计算架构的分工就是个问题，业界的共识是一个三层技术架构：「端、边、云」。 朱元堃指出，端侧可以拥有感知、个人信息、记忆、规划器（负责拆解和安排任务的模块）和本地模型；当本地干不了复杂活时，再自然地把云端调来帮忙。这套分工会随着产业成熟度、任务需求和产品形态动态变化，而不是提前划分。 所谓边缘侧，指的是介于随身设备和远端云之间，离用户更近的一层本地算力，比如办公室或家里的一台主机。王吉平判断，AI终端的算力分布正从“全都放云端”，往“端、边、云架构”走，不同层级各干各的活，在具体场景里求一个体验和成本的最优解。 需求侧已跃然纸上。王吉平说，IDC正在研究一人公司（One Person Company, OPC）或较小规模企业的市场规模。据IDC不完全统计，国内员工少于10人、已经靠AI设备开展业务的公司约有1400万家。 这些公司上手AI，大致分三步。起初，它们用Mac Mini、迷你主机这类边缘设备，本地几乎不产生内容，还得调用外部的模型服务（Token）。随着用量变大，做科技咨询、写代码、短视频、直播等公司发现，自己也要就地产内容，于是在本地部署参数规模一千亿到三千亿之间、专攻某个行业的中等模型，再用网络存储加算力，凑成一台AI工作站，显卡也从入门级往高端换。 他们为什么不干脆全用云端？王吉平直指关键：纯云端方案不光成本高，还卡着网络、Token、数据传输一连串瓶颈。所以他认为，未来的计算不会长期由云端一家独大，而会在端、边、云之间形成新的平衡。 在王吉平的设想里，这套分工各就各位：手机、眼镜这类轻量设备更适合承担感知和交互，PC、迷你主机或AI工作站慢慢成为家庭和办公室的边缘算力节点，云端则继续处理世界知识和高复杂度的任务。 过去我们把“算力”作为衡量一台AI终端的核心指标，但在朱元堃看来，算力是基础，但已经不再是唯一标准，大家更看重的是一套叫AI基准测试的综合成绩：把首字时间、解码速度、内存占用、生成精度等因素纳入，最后综合打分。他说，随着多模态和智能体出现，行业还得建立更贴近真实场景的评价方法。 道理其实不难懂。一台终端用起来顺不顺，取决于一整条链路，AI基准测试看的是综合表现，光有硬件算力、没有软件协同，达不到理想效果。 尺子变了，芯片本身也在被重新组织。朱元堃介绍，高通把面向智能体时代的SoC当成一个完整系统来设计。它对外叫高通AI引擎，由五部分构成：负责通用计算的Oryon CPU、负责图形的Adreno GPU、负责AI运算的Hexagon NPU，再加上传感器中枢和高速内存，让不同类型的单元各干各的活（所谓的“异构计算”），拼成一个天生为AI打造的平台，几个模块协同完成所谓的分布式推理。 高通传感器中枢里，塞着一个小型AI单元、一直在线的图像处理器和信号处理器、独立的内存，还有一个记录个人信息的模块。它的巧妙之处在于，感知周围环境时，不必频频唤醒耗电大户CPU、主内存和系统总线，从而压住全时感知带来的功耗。朱元堃判断，这个模块“有望成为未来个人AI最重要的信息入口之一”。既然端侧要全时感知用户，靠的就是它。 背后的原因是，这和端侧智能体的运行方式直接相关。朱元堃在采访中解释，云端接到任务后，通常要连续推理直到完成；而许多个人智能体，大部分时间其实处在感知状态，“感知所占的比重远大于推理，推理所占的比重又远大于复杂任务执行”。既然大头是感知，只要低功耗模块扛得住持续感知，需要推理时又能高能效地快速算完，功耗压力就有机会被摁住。 于是压力就挪到了别处。朱元堃强调，比起峰值算力，端侧当下更突出的限制是「内存和续航」。一方面，终端受尺寸和成本卡着，内存容量有限；另一方面，模型逐个吐词元的解码过程，高度依赖内存带宽（也就是数据进出的速度）。为此，高通在探索把内存芯片像叠楼一样垂直摞起来的3D堆叠技术，就算不上全新工艺，光是内存标准从上一代LPDDR5X升级到下一代LPDDR6，仅规格提升，理论上就能让带宽提高约50%。 也是同一个原因，云端一些成熟做法搬到端侧并不划算。比如云端常把大模型“读题”和“逐字作答”两步拆开、分头调度，为的是均衡不同的算力资源；可端侧的瓶颈，本就卡在内存带宽上，这种拆分在这里意义不大。 把这些串起来的结论是，一台智能体终端好不好用，很难由某一个数字说了算，模型大小、内存、带宽、响应时延、续航、精度和软件调度，得被放进同一个产品系统里权衡。 朱元堃在群访里说，端侧智能体眼下的主要障碍，已经不完全是技术可行性问题。工业这类垂直行业需求明确，很多场景已经具备落地条件；难的是面向个人用户的消费终端，需求往往多元化，用户的高要求，对厂商提出更高要求。 破局的办法，是先把用例定义清楚。比如，产业各方共同解答：这项AI功能到底解决什么问题、要在多长时间内完成、能耗上限是多少、模型是不是非得很大。产品目标一旦明确，用什么芯片、模型做多大、软件供应商怎么分工，也就随之清晰，产品自然更快做出来。 他把这条路径概括成“由AI定义新终端”。意思是，一种新的AI应用或智能体，本身就可能催生一种新设备，终端形态不再完全由既有品类决定，而可能被新的感知方式、任务流程和使用场景反向定义。 王吉平提到的员工卡，正是例子。他说，深圳有企业在研发一款带摄像头、麦克风和定位的员工卡，能完成录音和轨迹分析，这些功能过去多半压在手机上，现在被拆到了更贴合具体工作场景的设备里。 这样的拆分，正在逼着手机、PC、平板重新找位置。王吉平举例，国内迷你主机今年增长约70%，靠低功耗、长待机，能扛起入门级的边缘计算和AI学习场景；运动相机、拇指相机、录音卡这些品类的走红，也把手机厂商和原有硬件公司卷进了新场景。 同一批变化里，还有几款样本式创新。荣耀Robot Phone把运动相机、手机和会动的机器人概念缝到一起，重新定义了手机的样子；努比亚NaviX Ultra这类“豆包手机”，能听懂指令后跨着好几个App替你办事；阶跃的StepX Neo干脆是给从小用AI长大的人设计。在王吉平看来，如今十八九岁、思维已经AI化的这代人，正是推着手机走向AI原生的基石。 智能眼镜，是另一个有代表性的「个人AI新终端」。这个赛道喊了十余年，王吉平相信这个赛道被低估了，他说，眼镜之所以现在能做到40克以下，“核心就是把算力和算法挪到了手机上”。而更大的想象在于市场：“中国有约七亿的近视人群，如果AI眼镜的体验能做到和普通眼镜一样，那整个市场就会被颠覆，爆发会来得非常快。” 作为眼镜厂商代表，Rokid硬件研发总工程师周森在圆桌上给了同方向的判断。据财新的活动通稿，他表示，凭借几乎无感的伴随式交互和多模态感知能力，智能眼镜将成为未来个人AI的重要入口之一。 既然如此，手机会被这些新设备取代吗？王吉平的答案是不会那么快。在他看来，手机仍可能是个人AI最主要的形态，只是它得从“等你操作”，进一步走向“知我所知，想我所想”，主动把该做的事做完。智能眼镜则要补足“强端云交互、摄像头感知、以及感知过程里的安全保障”这些能力。 新形态越来越多，一个问题也随之而来：一个智能体，能不能在你的手机、PC或其他终端之间通用，否则数据割裂，何谈“真正、完全懂你的AI”？ 朱元堃告诉科技行者，从技术上看，一个智能体是由多个软件模块串联而成的。靠着高通统一的技术底座，在PC上部署好的模型，可以往手机或眼镜迁移。 但他紧接着强调，能迁移不等于体验能照搬。PC、手机和眼镜在算力、内存、功耗和时延上差得明显，一个在PC上达到的指标，没法原封不动搬到手机；开发者得调整产品规格、模型参数和响应目标，在性能、功耗和体验之间重新取舍。同一个智能体，装进不同设备，往往是同一套能力的不同版本。 要让这种迁移尽量顺，靠的是统一的地基。朱元堃介绍，高通用同一套技术架构和软件栈覆盖多个终端品类：CPU、GPU、NPU、摄像头、连接这些模块，可以按设备需求自由组合，向上撑起汽车和PC，向下适配眼镜、耳机这类轻量设备。 不同设备的侧重各不相同：AI眼镜要感知、长续航、低功耗，手机要在算力和续航间两头兼顾，PC续航更足、能跑更大的模型，汽车则要全时感知去支撑驾驶辅助。 软件是另一半。朱元堃说，高通给开发者开放了AI工具链，还推出了一个叫AI Hub的平台，“汇聚数百款行业主流AI模型”，开发者挑出适配高通平台的，配上文档和教程，就能在本地装好。他也点了一句，“并不是所有芯片厂商都会开放自有AI工具链”。 从这个角度看，高通所提供的，早已不只是一颗TOPS更高的芯片，而是一套能让不同模型、设备和场景快速产品化的共同底座。于是，高通与OEM厂商的合作方式也贴着这个思路：在新产品开发早期，就和厂商讨论产品形态、模型、KPI和用户场景；等产品和框架成熟，再交给厂商伙伴自行扩展，高通把资源腾向下一批前沿需求。 这恰恰说明产业协同的重要性。朱元堃拿通信业打了个比方：手机之所以能全球互联互通，是因为有3GPP这样的国际组织制定统一标准，大家照同一套标准做，底层自然连得上；AI行业眼下还在各自摸索，一套公认的标准还没成形。他直言：“跨设备协同本质上并不是一个技术问题，而是一个产业协同和生态共建的问题”。 王吉平在采访中判断，个人终端正处在变革期，从国家政策、产业方向到厂商行动，“智能体+终端”已是宏观共识，可用户习惯的迁移，仍需要时间。 他拿不同年龄的职场人作比：大学生已经习惯用Codex这类工具处理论文，一些四五十岁的分析师却要更长的适应期。在他看来，用户转变还牵扯组织架构和个人生活方式的改变，不会像下载聊天应用那样一蹴而就。 普及的路径，也未必是从旗舰机一路下沉到千元机。王吉平认为，AI手机更可能像折叠屏，出货量不一定占市场多数，却能成为高端市场的重要差异化能力。千元机用户眼下还以打电话、拍照这些基础需求为主，智能体能力要大规模进到这个市场，还得等上一阵。他同时援引IDC数据称，到明年，配上NPU的生成式AI手机，渗透率预计将接近40%。不过他也提醒，有了NPU只是有了硬件底子，并不等于就有了成熟的智能体体验。 朱元堃则给“成熟的智能体体验”补充注解说，《白皮书》里列出的功能嵌入、助手协同、任务代理、自主执行几个阶段，不该被理解成硬件能力逐级变强，而更像传统软件产品的成熟过程：先搭起基础功能，再通过获取更多外部信息去理解用户意图，接着接入各种服务和工具、学会编排任务，最终长成一个能自主运行的智能体。 在朱元堃看来，个人AI真正的核心价值恰恰就在于个性化：“用户最终在意的，并不一定是绝对最快的答案，而是最符合自己需求的答案”，哪怕它慢一点，你也愿意等，“因为它真正懂我”。