高通副总裁徐晧：公司全面押注端侧AI与6G技术

高通副总裁徐晧：公司全面押注端侧AI与6G技术 随着AI从云端走向物理设备，高通正通过打破算力与功耗瓶颈，推动智能手机和汽车向去APP化的智能体终端演进。 视频聚焦于AI从“云端”走向“端侧”的行业变革，指出Physical AI（物理AI）与智能体已成为下一轮核心战场。访谈深入探讨了AI手机取代传统APP的智能交互新范式、两条AI手机路线之争、具身智能对顶尖算力的需求，以及6G技术如何为低延迟的端侧算力赋能。此外，节目还展示了智能座舱与自动驾驶融合的AI汽车生态，并剖析了智能眼镜和AIPC在面对内存、功耗与性能的“不可能三角”时，芯片技术的破局之道。 高通全力押注端侧AI并将Physical AI视为下一轮核心战场，推动AI技术从云端加速走向手机、汽车、智能眼镜与机器人等物理终端设备。 (0:00) AI手机迎来以智能体（Agent）为中心的新型交互范式，传统APP操作正逐渐被取代，行业也进入了Agent Phone与SuperApp两条路线的竞争。 (4:43) 具身智能在物理世界中的复杂应用高度依赖顶尖算力支持，芯片技术正全力突破算力、内存与功耗的“不可能三角”。 (10:42) 6G技术专为AI而生，将开启端侧算力与超低延迟新时代，同时驱动汽车演化为智能座舱与自动驾驶深度融合的全新AI移动空间。 (13:57)

高通公司全球副总裁徐晧在接受“硅谷101”访谈时指出，人工智能正加速从云端下沉至边缘终端，物理AI（Physical AI）与智能体正成为硬件重塑的核心竞争点，推动手机、汽车与新型终端在架构与交互层面的深度重构。 手机交互变革与路线之争 端侧AI正在重塑人机交互范式，以智能体（Agent）为核心的新交互模式开始逐步取代传统APP逐个操作的形态。荣耀推出的Robot Phone展现了智能体手机进入实际应用的探索；与此同时，行业内部正在展开路径博弈，主要分化为系统级智能体手机（Agent Phone）与集成化超级应用（SuperApp）两条演进路线。 具身智能算力与6G网络协同 具身智能在面对物理世界的复杂场景交互时，需要顶尖计算能力作为支撑。访谈指出，未来的端侧算力释放依赖通信架构的迭代，专为AI设计的6G网络技术预计将提供关键的超低延迟支持，以保障边缘终端与物理世界协同运算的即时性与稳定性。 AI汽车座舱与底层协议互联 汽车正在转型为全新的AI移动空间，智能座舱与自动驾驶呈现高度融合态势。高通依托数字底盘与中央计算平台推进座舱演进，而AI汽车下一阶段的推进核心，在于能否彻底打通各大底层协议，实现跨设备与跨平台的生态级互联互通。 破解边缘硬件的“不可能三角” 当AI向AIPC、智能眼镜等便携及穿戴终端快速渗透时，硬件普遍面临内存、功耗与性能之间难以兼顾的“不可能三角”瓶颈。芯片架构与底层处理技术能否在极低功耗与有限内存的物理边界内释放足额AI算力，是新型边缘终端规模化落地的核心技术攻坚点。 访谈呈现了端侧AI重构终端体验的愿景，但智能体手机路线的最终归属、各大底层生态协议的实质性打通，以及新型便携硬件在功耗与性能平衡上的芯片破局成效，仍是行业向前推进中需持续检验的问题。

[0:00] AI正在从“云”走向“端”，手机、汽车、眼镜、机器人等等这些终端都正在被重新定义。 [0:00] 以智能体为中心的人机交互新范式为什么今年大爆发？Physical AI到底意味着什么？ [26:49] 面对算力、内存与功耗的“不可能三角”，芯片技术如何破局？ [0:00] 站在AI智能体的元年，高通又是如何理解下一代AI终端的演化方向？

[0:00] AI周期 [0:00] 前沿大模型们在表面上厮杀 [0:02] 而在水下 有一个隐形的大赢家 [0:05] 高通 [0:08] 过去一年 高通股价大涨60% [0:11] 并在五月底创下历史新高 [0:13] 随着“Physical AI”的概念在今年走进主流 [0:16] AI边缘设备 [0:17] 包括AI手机、AIPC、XR、汽车以及机器人等市场的火热 [0:22] 推动芯片市场需求 [0:23] 再加上6G技术的期待 [0:25] 使得高通这样布局多年通信和芯片的技术巨头 [0:29] 旗下的骁龙产品和平台被寄以希望 [0:32] 成为接下来“边缘AI”生态的核心玩家 [0:43] 这期视频 [0:44] 我们来到高通在北京举办的“骁友会五周年派对” [0:47] 现场对话了高通公司全球副总裁徐晧 [0:50] 我们要让人工智能触及到千家万户 [0:53] AI去到终端设备 [0:55] 你觉得现在难点在哪里 [0:57] 多大的模型可以放在手机上 [0:59] 我们又做通信 [1:00] 又做AI [1:01] 又做机器人 [1:01] 所以我们可以把这三者结合起来 [1:03] 打造一个最好的一个解决方案 [1:06] AIPC这个东西是不是伪命题啊 [1:08] 其实PC上面有很多的AI是可以应用的 [1:11] 一个最强的AI的商业化的一个用例 [1:13] 就是做coding（编程） [1:14] AI进了车 [1:15] 但实际上这里面有非常多的技术支持 [1:18] 是从我们的工程团队 [1:19] 从我们的研发团队 要考虑的事情 [1:21] 但从用户的角度来说 [1:23] 我们希望这个对用户是完全无感 [1:25] 其实眼镜相对来说在某些方面是最难的一个端侧的AI [1:29] 同时 我们也与徐博士一起在现场逛了逛展 [1:33] 体验了数款当下讨论热度非常高的端侧产品 [1:37] 来看看AI是如何在底层赋能Physical AI的进化 [1:41] 那接下来 就跟随我 走进高通 骁龙的AI布局 [1:47] 我在硅谷看到今年AI其实是有两条线 [1:50] 可以说一条是明线 一条是暗线 [1:52] 明线就是当大家还是在卷 [1:54] 最好的 最SOTA（顶尖）的大模型 [1:57] 但是暗线 我发现 [1:58] 大家是在慢慢地看端侧模型 [2:00] 是不是能够有一个更好的应用了 [2:02] 在你的观察来看 [2:03] 你觉得今年到了 [2:04] 我们应该去看AI+硬件的这个时候了吗 [2:07] 最早的人工智能的发展 [2:09] 肯定是以云端为主 [2:11] 因为大家都想知道 [2:12] 人工智能它的能力边界到底在哪 [2:14] 但是在我们现在人工智能发展到 [2:17] 现在的阶段的时候 [2:19] 我们会意识到 [2:19] 有更多的应用 [2:20] 它实际上需要有终端的支持 [2:23] 我们最先看到的是手机 [2:25] 智能手机上人工智能的应用 [2:27] 除此之外 我们还有XR的眼镜 [2:30] 有车的自动驾驶 [2:32] 然后有车内的娱乐系统 [2:35] 还有机器人 [2:36] 我们现在看到非常多的机器人的应用 [2:38] 这些都是把云端的算力 [2:41] 和云端可能做的事情慢慢落地到端侧 [2:44] 所以这是个非常大的 [2:45] 可能有百亿、千亿的 [2:47] 这样一个体量的人工智能的应用 [2:50] 所以我们是非常积极地推动 [2:52] 人工智能在端侧的落地的 [2:54] 要让AI去到终端设备 [2:56] 你觉得现在难点在哪里 [2:58] 它是模型做不到还是算力上面的挑战 [3:01] 比较明显的几个挑战 [3:02] 第一个是手机上的算力 [3:05] 多大的模型可以放在手机上 [3:07] 比如说我们做过一个研究 [3:08] 在2024年 最好的Llama出来的一个模型 [3:11] 小于一年的时间内 [3:14] 100多个billion或者几百billion的这些模型 [3:16] 它用很小的模型 [3:18] 有4个billion或者几十个billion的 [3:20] 它就可能达到同样的效果 [3:21] 甚至于更好 [3:23] 这是一个大的趋势就是说模型在变小 [3:26] 在它同样功能的情况下 [3:28] 它可以用更小的模型在端侧得到实现 [3:32] 除此之外 [3:33] 比较明显的技术有一个叫蒸馏 [3:35] 这个模型是根据这个大模型训练出来的 [3:39] 但它的体量会小很多 [3:40] 比较适合于在端侧运行 [3:42] 另外一个就是量化 [3:44] 比如说我们用的很多的云端模型 [3:46] 它是用的叫浮点运算 [3:48] 但是你可以把它变成定点 [3:50] 变成定点之后它有两个好处 [3:51] 一个是让你的运算更快 [3:53] 第二个是它会减少对芯片的存储要求 [3:57] 比如说LoRA Adaptation（低秩适配） [3:59] 我有一个大模型 [4:00] 但我搭一个小的模型 [4:02] 来适配我们现在要做的任务 [4:04] 那么它就是可以把这个大模型适配到 [4:07] 我现在要做的任务上去 [4:08] 还有个叫MoE（混合专家模型） [4:10] 就是Mixture of Experts [4:11] 我可能有很多的 每一个专项的专家 [4:16] 但是我最后调用的时候 [4:17] 我有总的一个规划 [4:19] 你问的这个问题 我调这个专家 [4:21] 你问的那个问题 我调另外一个专家 [4:22] 所以这里面有层出不穷的 [4:23] 非常多的技术的迭代 [4:25] 第三个就是我们怎么样把模型优化 [4:28] 把它的内存减少 [4:30] 然后把它的功耗减少 [4:31] 这样的话我们就能打造一个 [4:33] 又节能 算力又好 [4:35] 内存也用得少的这样一个架构 [4:37] 内存也用得少的这样一个架构 [4:38] 当然这个还是不断在往前演进的一个过程 [4:44] 如果我们看一下硬件端的话 [4:46] 我们有手机 [4:48] 然后有PC、AIPC 也有车 [4:51] 现在也有机器人 [4:52] 当然还有可穿戴设备AR、VR这一系列 [4:55] 能不能每一个类别都跟我们说一下 [4:57] 这对技术有什么样的需求 [4:59] 现在有什么样的困难 [5:01] 高通在中间的一些布局是什么样子的 [5:03] 我们先从手机开始说 [5:05] 从手机上来说 [5:07] 现在大家对手机的要求是越来越高 [5:11] 从最开始的拍摄照片 [5:13] 所以我们做了很多的 [5:15] Image processing（图像处理） [5:16] 和对camera的optimization（摄像头优化） [5:18] 就专注于图像的处理 [5:20] 和专注于对摄像的处理 [5:23] 从那之后 我们到了 [5:25] 比如说语言的通信 [5:27] 或者是很多人现在用AI软件来跟它对话 [5:31] 问它任何问题 [5:32] 这个是大语言模型有关的应用 [5:35] 这方面 比如说我们调用国内的一些app [5:39] 或者是在美国调用美国的一些app [5:41] 很容易地就跟它有一个交流和问话 [5:44] 这是第二类的应用 [5:46] 第三类的应用 [5:46] 现在我们看到越来越多的 [5:48] 是叫agentic（智能体）的应用 [5:50] 那么这样的 我们也看到了一些 [5:52] 这方面的手机会出现 [5:54] 它能做到什么 [5:55] 它不用先装APP [5:58] 你直接跟这个手机对话 [6:00] 就告诉它我要什么 [6:01] 它就可以根据它能找到的所有信息 [6:04] 把这些事情给你做出来 [6:06] 现在我们看到最明显的一个趋势是 [6:08] 手机上的AI agent（智能体） [6:10] 现在很多的手机厂商 [6:12] 和很多的大厂都在看这个方向 [6:15] 为什么我们有时候说 [6:16] AI是new UI（全新用户界面） [6:18] 它是个全新的user interface（用户界面） [6:20] 我们现在从键盘到手机上按键 [6:24] 到我们现在的语音指挥 [6:26] 这实际上有很多不一样的变化 [6:29] 从我们选app 到不用选app [6:31] 这些都是我们的 [6:32] 慢慢地我们会适应的一些用户体验 [6:35] 以及交互方式的转变 [6:37] 如果我们能够直接语音地告诉它 [6:39] 我们需要什么 [6:40] 这是最便捷的 [6:41] 大家好 我是荣耀研发工程师 [6:42] 我手边的这台就是荣耀研发的Robot Phone [6:45] 接下来我会为大家展示 [6:47] 它的一个好玩的特性 叫做“随音而舞” [6:50] 随音而舞就是当您在 [6:51] 随音而舞就是当您在 [6:51] 想听一首音乐 放松一下的时候 [6:53] 就可以告诉Robot Phone [6:55] Robot Phone强大的AI能力会识别您的意图 [6:59] 并且调用云台控制算法 [7:00] 并且调用云台控制算法 [7:02] 然后生成一系列的云台拟人化动作 [7:05] 接下来我为大家展示一下 [7:06] 播放音乐 [7:09] 还有个跳舞的动作 [7:14] 看上面那个摄像头 好可爱 [7:16] 它在点头 它跟着节拍走的 [7:18] 它如果换一个节拍 [7:19] 可能它动作就不一样了 [7:21] 它是怎么做到的 [7:22] 它就是基于荣耀自带的这个音乐识别能力 [7:27] 会把整体的音乐节拍会识别出来 [7:30] 基于这些生成节拍 [7:31] 我们会进行一系列的云台动作 [7:35] 基于云台控制算法把这些动作生成出来 [7:37] 关闭云台 [7:44] 它全部进去了 [7:46] 对 然后收起来就是一个手机 [7:48] 这个手机 包括这个demo [7:50] 其实是我们跟荣耀 [7:51] 在这次骁友会五周年的派对上特别展出的 [7:55] 它其实也开创了一个比较新的终端类型 [7:59] 大家看到有一个直板手机的形态 [8:02] 但是配合了一个这种可以移动的 [8:04] 可以翻转的云台摄像头的这么一个形态 [8:08] 我有个问题 [8:09] 越来越多AI的功能上了我们的手机之后 [8:12] 其实在它的硬件方面 在底层技术上面 [8:15] 高通有什么样的支持 [8:17] 去支持更好的AI跟硬件的结合 [8:21] 对 我们的架构叫异构的架构 [8:26] 所以我们这里面架构包括CPU、GPU、NPU [8:33] 可以把每一个 [8:35] 它的硬件部分都能够用到它的特长 [8:38] 每年我们都会发布新的旗舰产品 [8:41] 支持的人工智能算法也越多 [8:45] 因为它需要有一个软件和生态的支持 [8:47] AI手机还没有变成一个 [8:49] 好像大家都很能接受的东西呢 [8:52] 可能是不是还在比较早期 [8:53] 因为我听说 [8:54] OpenAI它也在研发相关的手机硬件 [8:57] 现在有两种不同技术上的方向 [9:01] 一种是我这个手机从拿到手以后 [9:03] 它就是一个agent（智能体） [9:05] 我从摁了这个电源键以后 [9:09] 所有的交流都会是语音的 [9:11] 我就像跟一个人在谈话一样的 [9:13] 我会指挥它做完所有的一切 [9:14] 这是一种 [9:15] 另外一种是现在的手机 [9:17] 但是我里面有一个super app（超级软件） [9:19] 它这个app能够调用所有的（软件） [9:21] 我直接告诉这个app我要什么东西 [9:23] 它会把所有的东西都给我打通 [9:25] 所以这两种现在都存在 [9:28] 而且都是在并行的一个发展趋势 [9:30] 但是也不排除有其他的做AI的公司 [9:33] 来进来做一个全新理念的AI [9:35] 这两种方式你觉得哪一种会更容易跑出来 [9:38] 两种其实都还不好说 [9:39] 因为第一种是 [9:41] 它需要打通所有的你能想到的app [9:45] 所以它有一个生态上打造的过程 [9:49] 另外的这个super app（超级软件） [9:51] 比如说有一些很大的厂家 [9:53] 比如说Google也好 [9:54] 它本身也有map（地图） 有Email（邮件） [9:55] 有Google Pay 有Google Travel [9:58] 实际上Google从某种形式来说 [10:00] 是这种super app（超级软件） [10:02] 所以这两个我觉得 [10:03] 一个是生态 [10:04] 是不是所有人都能支持这个生态 [10:07] 另外一个 你的体量是不是足够大 [10:09] 能够把所有人都吸引到 [10:10] 你这个super app（超级软件）或者你的平台上来 [10:13] 所以它更多的是一个 [10:14] 需要时间来验证的事情 [10:16] 它并不是一个技术上的问题 [10:18] 需要多久 [10:19] 你觉得今年我们能看到吗 [10:20] 我们其实去年今年已经看到 [10:22] 国内有些手机是像第一种形式了 [10:23] 有些雏形了 [10:25] 第二种我们也看到国内有一些厂家 [10:27] 都有这样的用例了 [10:28] 两种方向都是有的 [10:29] 然后在最近的几年 [10:31] 它会不断地往前推进和发展 [10:34] 然后我们再看哪个趋势会最后 [10:37] 更popular或者更流行 [10:42] 这个是我们和加速进化合作的 [10:45] K1机器人 [10:47] 它用的是我们高通跃龙TMQCS8550平台 [10:50] 这个平台端侧的AI算力非常强 [10:52] 非常适合于用在我们这种机器人身上 [10:55] 有非常好的 [10:56] 提供语义理解和自主感知的能力 [11:00] 然后我们可以看一下 [11:02] 表现一下它点球的动作 来 [11:04] 点球 点球大战 来看一看 [11:13] 另外 我们也精心挑选了两只手机 [11:16] 这两只手机特别适合在运动场景 [11:20] 观看足球比赛的场景下 [11:21] 用这样的手机 都是搭载骁龙芯片的 [11:24] 能拍出特别好的照片 [11:26] 连拍 然后运动防抖都做得非常好 [11:41] 我们不妨先让它自己先自我介绍一下吧 [11:44] 好 [11:45] 通天晓 [11:46] 你好呀 [11:47] 可以向我们的陈茜老师和徐晧博士 [11:50] 打一个招呼 并介绍一下自己吗 [11:52] 哈喽 陈茜老师 徐晧博士 [11:55] 我是通天晓 [11:56] 来自成都阿加犀的具身智能机器人 [11:58] 是阿加犀与高通联合打造的 [12:00] 端侧AI标杆产品 [12:02] 很高兴见到两位 [12:03] 期待一起解锁科技乐趣 [12:06] 对 其实可以看到它现在就是 [12:09] 在对我们的语音来进行一个交互 [12:11] 但同时其实它也会去观察四周 [12:13] 比如说我这边看一下你们 [12:15] 跟你们说一下话 [12:16] 然后这边再看一下大家 [12:18] 跟大家交互一下 [12:19] 所以说它本身是得益于我们目前 [12:22] 高通跃龙TMQCS8550强大的计算平台 [12:26] 比如说CPU可以支持它比较丝滑的 [12:29] 各种各样的舞蹈动作 [12:31] 以及与环境的交互动作 [12:33] 它的GPU 其实可以同时再去处理 [12:35] 多个摄像头的视频信息和图像信息 [12:38] 它强大的NPU其实可以同时处理 [12:40] 比如说语音的一些ASR（自动语音识别） [12:42] TTS（文本转语音）的模型 [12:42] 还有我们端侧的LLM（大语言模型）的推理 [12:46] 所以说它在一个纯端侧的环境下 [12:48] 可以达到一个比较实时的 [12:51] Locally（本地端）的推理的环境 [12:54] 从而能够让我们看到它现在非常智能的 [12:56] 比如说能懂 能动 [12:58] 而且还能聊的这么一个状态 [13:00] 所有的这些大厂都在跟机器人的赛道 [13:06] 我们作为一个芯片的传统厂家来说 [13:09] 我们给机器人提供的芯片要做到下面几点 [13:12] 第一个 它的算力需要比手机更强 [13:16] 因为它需要规划的事情更多 [13:18] 第二个 而且它可以能够承载更大的面积 [13:22] 而且它的能耗比手机的能耗需求 [13:26] 也会有一定的放松 [13:27] 所以芯片来说 [13:29] 我们可以做更大的 更好的芯片 [13:31] 我们可以做更强算力的支持 [13:34] 我们也可以做更好的大语言模型和VLA（视觉-语言-行动）的 [13:36] 或者是world model（世界模型）的支持 [13:39] 这个是机器人上面的 [13:40] 所以我们有一系列的给机器人的这些产品 [13:43] 包括我们低端的 只负责运控的 [13:46] 或者是高端的 [13:48] 可以有大脑的能力和VLA（视觉-语言-行动）的 [13:50] 以及最高端的算力 [13:52] 业界基本上是top（顶尖）的算力 [13:55] 来支持最复杂的机器人应用 [13:56] 还有一点 [13:57] 机器人它其实对延迟特别的重要 [14:00] 它一定要低延迟 [14:01] 特别是它做的东西越来越复杂 [14:03] 或者它跟人有一个越来越亲密交互的时候 [14:05] 这个延迟是非常重要的 [14:07] 高通其实有非常多底层的技术在 [14:10] 因为你们做通信这么多年 [14:12] 在这方面你们有什么样的优势呢 [14:14] 跟我们讲一下 [14:14] 对 有两点 第一点 [14:16] 我们尽量把机器人本身的算力做到极致 [14:20] 那我很快地就能够 [14:21] 对周围的环境做一个反应 [14:23] 做出本地的决策 [14:25] 降低对云端的依赖 [14:26] 这是最容易的 [14:27] 它对时延的要求是最小的 [14:30] 但是也有一些大的规划 长期的规划 [14:33] 需要逻辑推理的 [14:34] 现在端侧的算力可能做不到的情况下 [14:37] 我们需要用最快的通讯手段 [14:39] 把你的需求传给云端 [14:41] 正好我们现在一个比较强的项目 [14:43] 就是我们现在有5G、6G的支持 [14:46] 因为我们又做通讯 又做AI 又做机器人 [14:48] 所以我们可以把这三者结合起来 [14:50] 如果在端侧能解决 就在端侧解决 [14:52] 不能解决 我们放到边缘云或者云端 [14:55] 就比如说现在的5G通讯 [14:57] 在从基站到手机大概是毫秒级别 [15:00] 所以有些时延要求在几十毫秒以外的 [15:04] 你就可以放到云端去做 [15:07] 但是如果是几十毫秒以内的 [15:08] 我们就在端侧这边做 [15:10] 但6G我们可以把这个压缩得更短 [15:13] 把这个时延可以压缩得更短 [15:14] 到多短 [15:15] 这里面其实难的问题 [15:17] 并不一定是基站到手机的连接 [15:20] 这里面难的一点就是说 [15:21] 有一些云端的 或者是IP [15:24] 或者是它端到端的 [15:26] 云端的调度 或者是传输 [15:29] 它那边的时延要做到很好地控制 [15:32] 5G有个叫TSN（时间敏感网络） [15:34] Time sensitive network [15:35] 它是专门给你的每一个包上面 [15:37] 打一个时间戳 [15:39] 能够保证你端到端的时延是可控的 [15:41] 这个技术在5G做过 [15:42] 但是6G我们也会看 [15:44] 所以尽量把它压缩到毫秒 [15:47] 几个毫秒或者十几毫秒范围内 [15:50] 欢迎您来到高通6G的展台 [15:52] 今天随着AI业务的不断出现 [15:55] 所以对网络 对终端都有了新的需求 [15:57] 我们实际上从两个技术轨道 [15:59] 来推动相关的合作 [16:01] 包括我们6G的原型机 [16:03] 跟国际上 还有国内的一些网络厂商 [16:06] 做原型机的对接 [16:07] 另一方面我们是从用户的体验出发 [16:11] 看新的业务对网络 对终端 [16:12] 有什么新的需求 [16:13] 所以我们也做了相关的一些样机 [16:15] 来给用户提供一些新的体验 [16:17] 同时我们也来检查 [16:19] 网络到底对新的业务支持 [16:21] 需要有什么新的能力 [16:22] 所以我们是从两个技术轨道 [16:23] 一直在推动6G技术和AI技术的结合 [16:26] 并往前推动工作的发展 [16:28] 徐博士 我很好奇 [16:30] 在观众们的一个视角 [16:32] 大家觉得5G好像让我们的手机 [16:34] 让我们的app 让我们的交互更快了 [16:37] 6G的定义到底是什么样子 [16:40] 6G会怎么样去改变我们的生活 [16:43] 6G跟5G的一个比较大的区别是 [16:45] 我们现在要更多地考虑 [16:48] 人工智能原生的6G设计 [16:51] 因为6G大概的商用时间点 [16:53] 应该是2029年到2030年之间 [16:55] 过几年人工智能产生的流量需求 [17:00] 会占30%到40%总体流量的需求 [17:05] 那我们6G就必须要考虑到 [17:08] 更多流量需求的 [17:10] 对6G网络应用的支持 [17:14] 另外一方面 [17:16] 我们6G也会考虑一些全新的元素 [17:18] 比如说我现在这么多的智能体 [17:21] 它互相之间怎么交流 [17:23] 我怎么样能够让我的手机 [17:25] 我的手表 我的眼镜 [17:29] 甚至于以后有可能有指环 [17:31] 端侧的这些智能终端出来之后 [17:34] 它怎么样最有效地跟网络连接 [17:38] 这些都是我们现在会考虑的一个范畴 [17:40] 另外一个范畴就是说 [17:42] 我们也要知道这个物理世界是什么样的 [17:45] 给机器人也好 给车也好 [17:47] 有一个6G的技术叫通感一体化 [17:50] 就通信和感知是一体化的 [17:53] 我们当然有很多的无线信号 [17:55] 在外面发送的时候 [17:57] 它会从不同的物体上弹回来 [18:00] 通过对这些无线信号的接收和理解 [18:03] 我们可以构建一个 [18:04] 由无线信号来产生的地图 [18:07] 或者对外界的感知 [18:09] 这个感知的世界加上我们摄像头的世界 [18:12] 加上我们的地图 [18:14] 它会打造一个物理世界 [18:16] 在这里面可以做人工智能的训练 [18:18] 可以做物理世界的理解和监测等等 [18:23] 比如说我们现在还有空管 [18:24] 来看无人机的监测 [18:27] 因为低空经济如果以后很流行的话 [18:29] 满街都是无人机在飞的时候 [18:32] 你怎么样控制它 你怎么跟踪它 [18:35] 所以这些都是6G我们会考虑的设计元素 [18:42] 说一下汽车 [18:44] 车上面是这样的一个问题 [18:47] 车上面有两个系统 [18:48] 第一个是自动驾驶 [18:49] 这个是我们最近的5到10年 [18:51] 有突飞猛进发展的一个领域 [18:53] 自动驾驶这边 [18:55] 因为它要对周围的环境有非常好的理解 [18:59] 做出非常好的判断 然后再做决策 [19:01] 它的要求就是高算力 [19:03] 它对能耗的要求没有机器人和手机那么高 [19:06] Memory（存储）你可以多给一点 [19:08] 你的算力可以多给一点 [19:09] 这个很重要 [19:10] 它的算力速度要很快 [19:12] 而且要有大算力来解决这些复杂问题 [19:15] 车上还有个应用 [19:16] 就是infotainment（车载信息娱乐系统） [19:17] 就是我们的娱乐系统 [19:18] 我们现在看到的中国的电车和国外的电车 [19:22] 你上车了之后就可以有大的屏幕 [19:24] 或者是环绕立体的音箱 [19:27] 没有人在客厅看电视了 [19:28] 全到车里面去看了 [19:29] 所以你坐到中间的时候 你一打开 [19:30] 可能自动驾驶 你都想睡在那了 [19:33] 所以在这种情况下 [19:35] 我们会看到对两边都有需求 [19:39] 我们有专门的 [19:41] Snapdragon Ride [19:42] 我们打造了一个叫骁龙的数字底盘 [19:45] 我们是在业界第一个提出这个概念的人 [19:48] 因为我们觉得 [19:49] 车上面它需要一个统一规划的数字底盘 [19:52] 它这个底盘需要做到什么呢 [19:54] 需要把所有的车上这些传感器都连上去 [19:58] 包括雷达 包括视频 [19:59] 包括你比如说要做激光雷达也行 [20:01] 包括所有的扬声器都连在上面 [20:03] 它统一规划 [20:04] 有的是让你享受的 [20:06] 有的是它必须做的自动驾驶的 [20:08] 有的是看路标的 有的是看行人的 [20:11] 所以这些所有的规划在一起 [20:13] 我记得我们有零跑是在 [20:15] 它用了两颗芯片 [20:18] 这两颗芯片一起来支持两个系统 [20:21] 你可以用一颗芯片来支持智驾 [20:23] 一颗芯片来支持entertainment 就是娱乐 [20:26] 但是我们把这两个芯片也可以结合在一起 [20:29] 如果我的自动驾驶需要很大算力的时候 [20:33] 我可以把两部分芯片上 [20:34] 大部分算力都给自动驾驶 [20:36] 如果我这个娱乐系统需要什么的时候 [20:39] 但自动驾驶又不需要那么高的算力 [20:40] 我也可以把一些算力给娱乐系统 [20:42] 我不光是要很好地用到这两个芯片 [20:46] 更重要的是我要知道有优先级 [20:47] 虽然我们觉得这个AI进了车 [20:51] 但实际上这里面有非常多的技术支持 [20:53] 是从我们的工程团队 [20:55] 从我们的研发团队要考虑的事情 [20:57] 但从用户的角度来说 [20:58] 我们希望这个对用户是完全 [21:00] Transparent（无感的） 他一进去 [21:02] 这个音响真好 [21:03] 只是很爽 只是很舒服 [21:04] 我告诉它去哪就行了 [21:06] 然后它能够告诉我 [21:07] 我一进去座椅调到我需要的角度 [21:10] 温度是我最想要的 [21:11] 音乐的高低 [21:12] 所有都是我最想要的 [21:14] 这是我们想给用户打造的一个 [21:17] 无感的人工智能的体验 [21:18] 但是背后 就像我说的 [21:20] 有非常多的技术的积累 [21:22] 以及研发的技术在赋能这些 [21:25] 给我们端侧的一些应用 [21:28] 那这辆车 零跑D19 [21:31] 这个是咱们全球首批 [21:33] 搭载咱们双骁龙8797芯片的一个旗舰车型 [21:39] 说到8797这个芯片 [21:41] 对比上一代平台来讲 [21:43] 有一个非常大的性能的提升 [21:46] 首先在GPU 在CPU方面 [21:49] 它的提升达到了将近3倍 [21:51] 然后在NPU的AI算法上提升了更是12倍 [21:55] 当然也给这个车带来了一些变化 [21:57] 首先第一点 [21:58] 整个车的 从驾驶舱到整个的空间 [22:02] 到整个的车机系统 [22:05] 都能实现一个深度的融合 [22:08] 让整个车成为一个体 [22:10] 形成一个叫中央集算模式 [22:12] 这个中央集算模式的优势是什么 [22:15] 首先 它优化了电气线路 [22:17] 整个车的电气线路 [22:18] 然后节约了成本 [22:20] 与此同时 它还能够提升车的整体协调性 [22:24] 还有它的反应速度 这是第一 [22:27] 第二 在这个中央集算的算法之下 [22:31] 整个的乘坐舱实现了五屏联动 [22:35] 有咱们的中控台 有仪表盘 [22:38] 有挡风前面的这个屏幕 [22:40] 然后有后边的娱乐屏 [22:42] 还有下边操作风扇的屏幕 [22:44] 都是可以联动起来的 [22:46] 所以把整个车的空间形成了一个 [22:50] 叫全景式的空间 [22:52] 这个乘坐感非常的好 [22:53] 第三 依托于咱们这么强大的算力 [22:57] 乘客在使用AI大模型的同时 [23:02] 驾驶员同时可以享受 [23:05] VLA（视觉-语言-行动）多模态的辅助驾驶 [23:08] 最后 依托于咱们这个双芯片强大的功能 [23:12] 支持整车40个以上的摄像头 [23:15] 包括激光雷达在内的28个 [23:18] 这种精密监测硬件的协同工作 [23:21] 而且还可以同步OTA线上升级 [23:24] 所以可以说这是给未来的L3、L4 [23:29] 甚至更高级的辅助驾驶 [23:31] 提供了一个非常坚实的平台 [23:32] 我们也看到这个车上AI的算力非常强大 [23:36] 因为现在车上很多的功能 [23:37] 和AI的功能都是分不开的 [23:39] 所以这个芯片的AI能力也是一个新的方向 [23:43] 甚至于在之前北京车展上 [23:45] 我们看到有些车企在车上去“养龙虾” [23:49] 这也是利用到了 [23:50] 我们强大的AI算力来去做这样的事情 [23:54] 所以我们看到现在的消费者 [23:56] 不仅仅关注驾驶和娱乐的体验 [23:59] 也会把它作为一个生产力工具的延伸 [24:02] 刚才咱们讲过了车 [24:03] 其实现在有很多的年轻人 [24:05] 都不喜欢看中控导航 [24:07] 所以他们现在有一个好的选择就是 [24:10] 戴这个千问的S1眼镜 [24:13] 这个眼镜 [24:14] 首先它搭载了咱们的AR1的平台 [24:17] 然后是双目3D的显示 [24:19] 然后是双目3D的显示 [24:20] 看起来很真实 [24:22] 您可以戴上试一下 [24:23] 好吗 来 您戴上试一下 [24:25] 它的唤醒词是“你好千问” [24:27] 你好千问 导航去国贸 [24:30] 对 它在转 [24:33] 步行 我看到了整个的地图 [24:35] 对 [24:36] 然后看到我步行过去要10.5公里 [24:39] 然后2小时41分 [24:41] 我觉得我现在穿着高跟鞋肯定是过不去了 [24:43] 所以正因为有咱们这个AR1的平台 [24:46] 让这个眼镜的反应速度非常快 [24:48] 跟它不管是拍照也好 [24:50] 日常工作也好 生活也好 [24:52] 包括什么导航等等 [24:53] 它都给咱们一个非常好的反馈 [24:55] 这就眼镜的一些基础信息 [24:57] 包括很多人骑行 [24:58] 都可以戴这个眼镜 [25:00] 比如说通过它做一些会议记录 [25:03] 或者比如咱们参会 有一些提示词 [25:05] 包括日常带着孩子出去 [25:08] 只要说“千问请帮我拍照” [25:09] 它立刻就拍了 [25:10] 所以这一切都是基于咱们AR1的平台 [25:13] 来实现的 [25:15] 车这边我还有最后一个问题 [25:17] 你觉得车上的体验来说 [25:19] 接下来它的难点是不是生态的打通 [25:22] 比如说我出入停车场的时候 [25:24] 我的车的付费系统 [25:26] 是不是跟停车场的付费系统 [25:28] 它A2A（Agent-to-Agent, 智能体到智能体）已经打通好了 [25:29] 或者是我在车上 我马上回家 [25:32] 我让车帮我点一个外卖直接送到家里面 [25:35] 是不是跟外卖直接打通好了 [25:37] 这还可能还是一些MCP（模型上下文协议） [25:38] A2A（智能体到智能体）上面的东西 [25:39] 还需要生态去继续地发展一下 [25:41] 才能做到更丝滑的一些体验 [25:43] 这方面其实有非常多的 [25:45] Startup opportunity（创业机遇） [25:47] 因为它有很多需要我们补充的地方 [25:50] 您说的这个非常有见解 [25:51] 这是我们看到的技术上能做到的地方 [25:53] 但是需要时间大家来接受这个 [25:56] 也需要时间来打造一个生态环境 [25:58] 比如说我的车能够这么智能的话 [26:01] 那我的garage door（车库门） [26:03] 或者我的车库门是不是也得这么智能 [26:05] 我周围的充电系统是不是也应该智能 [26:08] 然后我的这些智能系统 [26:11] 是不是能够大家有交互 [26:12] 我家里除了一个智能车 [26:14] 我是不是还有个机器人能帮我做一些 [26:16] 它能够帮车做的事情 [26:18] 或者它能帮我做的事情 [26:19] 这里面有非常多的可能性 [26:22] 所以为什么说我们非常看重端侧 [26:25] 而且我们在每一个方向上 [26:27] 都有非常多的研发和产品布局 [26:30] 原因就是我们看到非常多的可能性 [26:33] 我们也希望其他的公司 [26:35] 其他的startup（创业公司） [26:36] 能够把赋能这些技术的整个生态打造出来 [26:41] 这样的话我们可以 [26:42] 让大家的生活都非常轻松愉快 [26:45] 而且能够真正地享受AI带来的这些便利 [26:51] 你觉得XR的trend（趋势） [26:53] 在今年发展得怎么样 [26:54] XR的眼镜 很长的时间 [26:58] 它有蛋生鸡 鸡生蛋的问题 [27:00] 因为你要有眼镜的人 [27:02] 愿意试用眼镜才能产生更多的应用 [27:05] 你只有有了应用 [27:07] 别人才愿意买眼镜和戴眼镜 [27:08] 我们其实布局XR眼镜有非常长的时间 [27:12] 最近几年确实在应用体验上有很大的提升 [27:15] 从以前很重的XR的眼镜 [27:18] 到现在很多的眼镜 [27:19] 基本上跟我现在戴的眼镜差不多厚度 [27:22] 这个是我们看到的 [27:24] 在眼镜的大小 重量和设计上 [27:27] 有很多的进步 [27:28] 另外一个 其实眼镜相对来说 [27:31] 在某些方面是最难的一个端侧的AI [27:33] 为什么这么说 [27:34] 因为这个眼镜它就这么一点点地方 [27:37] 它没有地方可以 [27:37] 去装芯片 [27:38] 能放芯片的地方其实比手机还小 [27:40] 它还放个摄像头 [27:42] 它还得听你跟它语音指挥 [27:44] 然后在某个地方它还藏个芯片 [27:46] 它的电池真的是没什么地方可以放 [27:48] 所以这是一个很难的问题 [27:50] 所以我们做的技术 [27:52] 一方面我们会让这个集成的芯片 [27:55] 做得越小越好 [27:57] 算力足够你处理在眼镜上面需要处理的 [28:01] 我们会把它连到我们的手机 [28:04] 或者连到一个算力更强的终端形式上面 [28:08] 这样的话它就不会花很多的算力和能耗 [28:10] 在眼镜上面 [28:12] 所以现在看到的很多眼镜 [28:13] 它能够做实时的翻译 [28:15] 能够显示一些信息 [28:17] 它有可能跟手机直接有通信 [28:20] 然后把最耗能的一些事情 [28:22] 放到手机上帮它做 [28:24] 我们这边现在业界大部分的XR的眼镜 [28:27] 其实都是用我们XR的芯片在做 [28:30] 所以我们提供的是一个集成度非常高的 [28:34] 而且能够非常小的一个芯片 [28:35] 然后它也有跟手机的直接连接 [28:39] 我们有个技术叫split rendering [28:41] 就是分离式渲染 [28:42] 有一部分成像是在眼镜上做的 [28:45] 有一部分成像是在手机上做的 [28:48] 这样的话 [28:48] 尽量把眼镜上面的能耗和算力减到最小 [28:52] 从应用上来说 因为有AI了以后 [28:55] 我们可以更容易地跟它语音对话 [28:58] 我们可以更容易地做翻译 [29:01] 我们可以更容易地 [29:02] 从云端调用一些信息过来 [29:04] 我可以举个例子 [29:04] 一个是see what you can see（见你所见） [29:06] 我们叫看你把所有能看到的东西 [29:09] 很快地远程地让你的亲戚朋友能看到 [29:11] 或者是自媒体可以直接发到云端 [29:14] 它需要有摄像头 [29:15] 然后它需要有快速的连接 [29:17] 把我的信息转到手机和发到云端 [29:20] 这一系列的技术支持 [29:22] 都可以打造这种实时的直播 [29:25] 还有个技术 我们做的是 [29:26] 我们能够把我们看到的东西有一个记忆 [29:31] 比如说我这个眼镜 [29:32] 我在家里平时戴着的时候 [29:34] 它会定时地观察周围有什么东西 [29:36] 然后把它压缩记下来放到我的手机上 [29:39] 或者放到某个地方存起来 [29:41] 我可以随时问它 我的钥匙放哪了 [29:43] 它会看一下 [29:44] 钥匙在某个时间点放在 [29:46] 刚才5秒钟之前我看见了 在桌上 [29:48] 对 你比如说手机你可以找 [29:51] 你按个手表去找手机 响 [29:52] 你钱包没了 其他的 [29:55] 你不可能在每个上面都按一个响铃 [29:57] 它能告诉你的话就很方便 [29:59] 所以这些应用是我们能看到的新的应用 [30:03] 而且它的技术难点 就像我刚才说的 [30:06] 它有一系列的设计理念 [30:08] 在背后来支持这些应用 [30:10] 对 太棒了 [30:12] 我觉得重量其实是一个非常大的因素 [30:14] 因为比如说我觉得 [30:15] 像您这样经常戴眼镜的人 [30:17] 可能它的适配性还会更强一点 [30:19] 因为我是不戴眼镜的 [30:20] 因为我从小也不近视 [30:22] 但是我戴墨镜都很多时候不太习惯 [30:24] 如果要让我这样的人群能够戴上眼镜 [30:27] 然后觉得它轻 [30:28] 然后它的功能对我来说是非常有吸引力的 [30:32] 我觉得可能这个东西 [30:33] 就是真正能够成的时候了 [30:34] 就比如说 你现在看shopping（购物） [30:37] 你去商店买东西的话 [30:39] 它能够实时地看到商品给你做个比较 [30:41] 说你在实体店看到这个 [30:43] 它说这个网站那个网站多少钱 [30:45] 或者你看到一个人很久不见了 [30:47] 它告诉你 你们在哪见过 [30:49] 他叫什么 是哪个公司的 [30:51] 这些信息 它可以随时随地地给我们的话 [30:53] 其实也挺有帮助的 [30:55] 但是它也有privacy issue（隐私问题） [30:57] 所以现在只要它在录像的话就有个红点 [30:59] 你要是看见别人戴着眼镜录像 [31:01] 你说 不要录像了 [31:02] 所以这个是我们要注意的 [31:04] 在设计中也要考虑到的一些隐私问题 [31:09] 接下来我们说一下PC 好不好 [31:11] PC我觉得好像是有一点点争议 [31:14] 大家觉得 AIPC这个东西是不是伪命题 [31:16] 你怎么看这个问题的 [31:18] 我们在前几年推出了第一款 [31:21] 能够支持AI应用的PC的芯片架构 [31:26] 我们当时还在这边做过一个演示 [31:30] 我们用AIPC来指挥一个机器人 [31:33] 叫一个bartender（调酒师）的演示 [31:34] 就机械臂 [31:35] 你直接跟那个PC说我要什么饮料 [31:40] 机械臂就会从后面拿过来递给你 [31:42] 其实PC上面有很多的AI是可以应用的 [31:45] 当我们现在看到一个最强的 [31:47] AI商业化的用例 就是做coding（编程） [31:50] 现在的阶段 [31:52] 大家都是调用的云端的一些算力和token [31:56] 但是有些东西可能大家想在PC上自己保留 [31:59] 或者我不愿意 [32:00] 我处理一些视频 处理相片的话 [32:02] 或者处理我Email的话 [32:03] 我可能希望这些东西就留在我的PC上 [32:05] 而不是传在云端 [32:06] 所以这里面 AIPC实际上是有很多的 [32:10] 应用的空间和前景 [32:12] 那对于端侧设备来说 [32:14] 一直以来 大家都觉得 [32:16] 可能会有一个不可能三角 [32:18] 内存 功耗还有性能 [32:21] 怎么去平衡这个不可能三角 [32:22] 我们有一种说法就是结果导向 [32:25] 比如说我现在最关注的 [32:27] 是我要提高最好的用户体验 [32:31] 我宁可用很大的模型 [32:33] 也要让用户的体验达到极致 [32:35] 我有可能是把我的信息传到云端 [32:37] 云端算出来的长期规划 然后给手机 [32:41] 还有一个 大家说 OK [32:43] 我有些信息想放在手机这一端 [32:46] 我们有一个打造的技术 [32:47] 就是说我们在手机端侧会做预处理 [32:51] 就把个人的信息做一个简化和压缩 [32:56] 然后把这个个人的信息 最重要的信息 [32:59] 作为一个local memory（本地存储） [33:00] 就是本地的一个存储 [33:02] 那么您所有的喜好 [33:05] 您喜欢订什么酒店 [33:07] 买什么样的航班 去什么地方玩 [33:10] 你的calendar（日程表）是什么样的 [33:11] Email或者你跟别人最近交流的什么 [33:13] 关注的点 [33:14] 买东西想到哪里 [33:15] 这些所有的东西都可以作为一个 [33:17] Local的personalized library（本地的个性化数据库） [33:19] 放在端侧 [33:21] 如果我要做一个大的规划 [33:24] 如果手机上能做 [33:25] 那我们就在手机上做出来 [33:27] 如果手机上不能做 [33:29] 那规划我们可以把它放到云端 [33:30] 我给它提供某些信息 [33:32] 然后云端做出规划 再传回来 [33:35] 所以它是一个 [33:36] 很personalized experience（个性化体验） [33:38] 为什么叫做AI agent（智能体） [33:39] 或者personalized agent（个性化智能体） [33:41] 它是个个性化的人性化的一个 [33:43] 专门对个人的适配 [33:46] 然后再跟云端相结合 [33:50] 这样做我们就可以解决 [33:51] 第一个是用户体验的问题 [33:53] 和performance（性能）问题 [33:54] 第二个是我们能够把能耗减到最小 [33:58] 也包括我前面提到一系列的 [34:00] 减少模型 智能优化的算力算法 [34:03] 再有一个就是我们能够 [34:04] 把它的价格也尽量往下压缩 [34:07] 这也是为什么我们会有一系列 [34:09] 这样的产品 [34:10] 给车、给手机、给PC、给机器人 [34:13] 它会是不同算力的要求 [34:16] 也会是不同价位的需求 [34:18] 我们对每一个都会 [34:19] 量身定做一些芯片的设计 [34:24] 在整个骁龙的活动现场 [34:26] 我们从AI手机 [34:27] 到机器人 [34:28] 到6G通信 [34:29] 汽车和XR等可穿戴设备上 [34:31] 都看到了高通布局下一步Physical AI的野心 [34:35] 就在全球前沿AI模型在试图将大模型的智能 [34:38] 进一步向前迭代之际 [34:40] 小模型以及端侧优化方案也在飞速进展 [34:43] 而这样的进展将会在消费级产品上得到进一步的体现 [34:47] 我们也期待 [34:48] 一款真正被AI所赋能的端侧硬件 [34:51] 能更快地来到你我身边 [34:53] 确定的是 [34:53] 它将彻底改变我们现有的交互范式