终端出货下滑AI逆势增长，高通解码个人AI重构之路

全球智能终端市场正出现一组令人关注的反差：整体出货量持续下滑，但搭载AI功能的设备占比却在逆势走高。

据行业观察的最新产业报告显示，今年上半年全球智能手机出货量同比下滑13.9%，但其中具备AI能力的机型占比已达到66.4%，相对增幅达21.8%；PC和平板市场也呈现相同趋势，出货量分别同比下跌11.7%和8.6%，但AI渗透率同样在稳步提升。

这组数据出自近期由高通委托、第三方市场研究机构独立完成的产业白皮书《从AI设备到个人AI——智能体驱动的终端进化与产业重构》，其核心正是要解答“硬件销量下行时，AI渗透率为何逆势上扬”这一行业疑问，而这组反差背后，正是个人终端市场正在发生的系统性重构。

行业走到关键转折点

当前终端市场已经走到了一个关键临界点，评价产品的标准正在发生根本性变化，过去依靠“堆参数换销量”的营销逻辑已经不再奏效。曾经作为发布会核心卖点的高屏幕刷新率、亿级像素摄像头、百万级安兔兔跑分等参数，如今已经很难直接转化为实际销量。

造成这一变化的原因不难理解：近年来硬件成本持续上涨，供应链波动进一步推高了终端定价，同时用户的换机周期也在不断拉长。第三方数据显示，这一轮行业周期中，唯一能够带来增长的亮点就只剩下AI功能。

但这并不意味着厂商只要将AI功能预装到设备中，就能获得用户的认可。多数普通用户对AI功能的实际价值认知模糊，即便手机中预装了多个AI应用，他们也不愿意为此支付额外费用。白皮书指出，要系统性解决这种价值错位，需要推动“个人AI”的产业范式转变。

所谓“个人AI”，指的是以智能体为核心运行载体、以用户为中心的个人智能系统。简单来说，各类终端硬件只是承载智能体的物理端点，智能体的所有运行逻辑都围绕用户本身展开，手机、PC、眼镜等设备将共享同一份用户画像，能够精准记住用户的偏好、感知用户所处的环境与状态。

不过这套全新的产业范式要真正落地，需要面对巨大的成本挑战。从早期的对话式AI到后来的推理式AI，再到如今的智能体AI，单次任务的Token消耗量增长了约100倍且仍在持续攀升。如果将所有计算任务全部甩给云端处理，将会撞上三座难以逾越的瓶颈。

首当其冲的是成本压力：成百上千倍的Token消耗让AI推理成本呈现指数级增长，但目前用户尚未建立起为AI服务付费的心智，厂商只能独自承担这笔支出，导致成本与收益严重错配。

其次是用户体验：个人AI需要实现全时感知、实时决策，这对系统响应速度有着极高要求。一旦所有计算都需要绕道云端，网络往返带来的延迟会让实时决策变成漫长反馈，完全背离用户的使用预期。

最后是隐私安全：全时感知意味着设备需要持续记录用户的环境、位置、使用习惯等信息，这些数据汇总后会形成完整的用户画像，一旦发生泄露，其后果远比单项数据泄露更为严重。

端边云协同破解三大瓶颈

这三座瓶颈本质上都是将所有计算任务集中到云端所导致的。白皮书提出的最优解法，是从“云端集中式”转向“端边云分布式”计算架构，打破端侧、边缘节点、云端各自独立的物理边界，构建出算力可无缝流转、负载可动态调度的统一计算体系。

这套架构的核心逻辑是让计算任务发生在最优位置：系统会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合适的节点运行。其中高频轻量任务在端侧本地处理，中等复杂度的任务由边缘节点承接，高复杂度的推理任务则按需调用云端算力资源。

这套分布式架构可以对照个人AI的五大核心特征逐一落地：白皮书将个人AI的特征总结为个性化服务、全时感知与自然交互、连续服务、可进化、安全可信，而高通的技术方案恰好完整覆盖了这一整套链路。

在个性化服务层面，高通在端侧构建了个人知识图谱，能够在数据完全不出设备的前提下，记录并存储用户的使用偏好与生活习惯。

而这些用户数据的来源，则依赖于全时感知与自然交互能力：高通的传感器中枢可以脱离主系统独立运行，无需唤醒CPU、内存和总线，功耗控制在数十甚至个位数毫安级别，能够让设备保持全天候待机，持续捕捉用户的语音、手势以及所处的环境信息。

为了实现“跟着用户走”的连续服务，高通的系统让手机、PC、眼镜等设备共享同一份用户理解数据，底层打通的不仅是设备之间的连接，更是用户与不同终端的无缝衔接。基于这一理念，高通将AI打造为可在终端、边缘、云之间协同运行的分布式系统，既减轻了云端的算力压力，也让高频任务无需等待云端响应，大幅提升了用户体验。

除了基础的感知与服务能力，个人AI还需要具备可进化性：高通让端侧的个人知识图谱依靠本地算力持续迭代，用户使用的时间越久，系统对用户的行为偏好与使用习惯的判断就越精准。

而安全可信则是整套系统的兜底红线：高通将隐私保护升级为硬件级能力，同时通过端云分布式计算架构，将用户个人数据的处理全部留在端侧，大幅缩小了云端的数据风险敞口，从根源上降低了隐私泄露的可能性。

很多行业人士认为端侧AI的核心瓶颈在于算力，但高通团队有着不同的判断：真正的瓶颈其实是持续服务能力、多任务并行能力与功耗续航。要让智能体实现全天候在线、同时处理多个任务，同时不会耗尽设备电池，需要不同专用处理模块各司其职、协同工作。

高通的解决方案是让CPU负责全局调度，统筹复杂任务的拆解与分配；NPU专门承担大模型的端侧推理工作；传感器中枢专注于毫瓦级的持续感知任务；GPU则负责并行计算与图形处理。四个专用模块分工明确、协同配合，才能形成有机的资源调配方案，支撑起个人AI的全链路运行。

多设备协同的未来图景

解决了芯片内部的模块分工问题，行业还面临另一个热议的问题：下一代个人AI的核心硬件入口会是哪一种形态？

高通对此有着明确的判断：这并不是一道非此即彼的选择题。高通产品技术专家朱元堃指出，个人AI的核心载体不必局限于某一种具体的硬件形态，手机、眼镜、PC等设备都可以成为个人AI的入口。未来所有联网且带有传感器的设备，都将成为智能体的一个物理端点，底层连通的是每一个具体的用户。

这意味着用户在手机、眼镜、PC上使用的AI功能，背后不应该是三套互不相干的独立系统，而应该是同一个能够理解用户需求的智能体，只是运行在不同的硬件环境中。个人AI要实现真正的连续服务，本就无法依靠单一设备支撑。

这一判断的底气来自于全球终端市场的庞大体量：高通CEO安蒙在COMPUTEX 2026的主题演讲中公布了一组数据，全球目前约有60亿部手机、20亿台个人AI终端、20亿台PC以及5亿辆智能网联汽车。在安蒙看来，这些设备都可以作为智能体的入口，而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、带有传感器的设备。

不同于其他厂商押注单一硬件形态的策略，高通的产品覆盖了从两毫瓦级的耳机芯片到千瓦级的数据中心算力的全部计算层级，完美顺应了白皮书的未来判断：到2030年以后，终端的物理边界会逐步消解，以屏幕为核心的传统设备形态会逐渐弱化，感知、算力、执行单元会分散部署在用户身边的各个角落。届时，“下一代个人AI的入口是什么”这一问题，可能就不再具有讨论的意义了。