2026年通信行业端侧AI崛起：场景化硬件重构人机交互，引爆产业链新机遇

AI 浪潮下基础设施重构

1.1. 目前发展现状：从概念验证到硬件爆发

当前，AI 基础设施的重构已进入关键阶段，其焦点正从集中式的云端算力扩张，迅 速转向分布式、场景化的终端智能落地。端侧 AI 已超越技术概念，进入密集的硬 件产品化周期，成为科技巨头争夺下一代交互入口的主战场。这一趋势的直接体现 是，消费电子与智能出行领域的头部厂商在近期集中发布了新一代 AI 原生硬件， 它们不再仅仅是手机或眼镜的智能化升级，而是以“贴身 AI 助理”和“空间视觉入 口”为定位，旨在重构人机交互范式。2025 年 11 月 27 日，阿里巴巴正式发布了旗 下首款自研的夸克 AI 眼镜，该产品融合了通义千问大模型，旨在将 AI 助手从屏幕 延伸至物理世界。

1.2. AI 从云端转向终端

回顾 AI 发展历程，早期受限于芯片算力、模型规模与能耗约束，AI 能力主要集中 于云端。然而，随着芯片工艺进步、轻量化模型技术突破，AI 能力正加速向终端侧 迁移。这一转变不仅是技术路径的升级，更源于云端中心化模式在落地时面临的根 本性瓶颈，而终端侧基础设施的成熟使其成为破局关键。

1.2.1. 云端瓶颈凸显，成本与体验难以兼顾

随着 AI 规模化应用，训练与推理所产生的海量算力需求驱动了全球算力规模高速 增长，但也导致资本开支与能耗呈指数级攀升。此外，传统云端存在带宽资源有限、 网络延迟高、隐私泄露风险等问题，发展瓶颈逐渐显现。

经济成本高企，资本开支大幅增加

全球算力规模持续高速稳定增长，全球科技巨头加大 AI 基础设施领域投资。经中 国信通院测算，2023 年全球计算设备算力总规模为 1397EFlops，增速达 54%，预计 未来五年全球算力规模仍将以超过 50%的速度增长，至 2030 年全球算力将超过 16ZFlops，其中智能算力占比将超过 90%。AI 技术的落地高度依赖大模型训练与推 理所产生的海量算力需求，引爆了以 GPU 为核心的算力硬件板块，资本开支大幅增加。麦肯锡的研究显示，到 2030 年，全球数据中心预计需要 6.7 万亿美元来满足计 算能力的需求。根据 Canalys 的数据，2025 年全球基础设施即服务和平台即服务 （IaaS 和 PaaS）的支出达到 909 亿美元，较上一年增长 21%。激增主要是由于企业 将工作负载迁移到云端并采用高度依赖计算资源的人工智能。 运行前沿大模型需要强大的算力基础设施，尤其是昂贵的 GPU 集群。大模型推理 成本十分高昂：1）硬件采购成本起点很高且持续累积。NVIDIA H100 GPU 每张卡 售价 25,000-40,000 美元，包含基础设施的完整 8-GPU 服务器系统达到 200,000- 400,000 美元。2）云端 GPU 租赁价格趋于稳定。即便选择云端租赁，主流云厂商 的 H100 实例时租也集中在 2.85 至 3.50 美元，这还未包含为支撑高功耗芯片所需的 额外电力和冷却成本，后者可能使运营总成本再增加每小时 2-7 美元。3）更关键的 是，显存而非算力往往先成为瓶颈。在处理长上下文或高并发请求时，用于存储中 间计算结果（KV Cache）的显存会急剧膨胀，导致昂贵的 GPU 资源因内存不足而 无法满载运行，造成显著的资源浪费与单位成本上升。 产业层面的供需紧张与生态压力正在推高成本。2026 年 1 月 23 日，亚马逊云科技 （AWS）宣布对其机器学习容量块服务实施约 15%的价格上调。其中，p5e.48xlarge 实例的每小时费用，从 34.61 美元直接涨至 39.80 美元，而该服务此前长期保持价 格稳定。谷歌云于 2026 年 1 月 27 日宣布，自 2026 年 5 月 1 日起，对 Google Cloud、 CDN Interconnect、Peering 以及 AI 与计算基础设施服务的价格进行调整，其中北美 地区单价从 0.04 美元/GiB 翻倍至 0.08 美元/GiB，涨幅达 100%。在人工智能算力需 求持续激增、硬件及能源等上游成本结构性上升的背景下，主流云服务商正逐步将 系统性成本压力向终端传导，行业长期以来的降价趋势出现关键转折。

能耗问题凸显

智算基础设施的电力成本和设备成本显著增加。根据中国信通院发布的《智算基础 设施发展研究报告》，据相关智库测算，使用英伟达 GPU 集群组成的微软超算数据 中心训练一次 GPT-3 模型消耗的电量约为 19 万度，按照全国电力平均二氧化碳排 放因子 0.5568kg CO2/kWh 计算，相当于间接排放二氧化碳 105792kg，大型智算基 础设施耗电量更是惊人。以 10 万 GPU 集群为例，功率超过 150MW，一年的耗电 量近 16 亿度。此外，据 lama3 团队公开信息显示，训练过程中一大挑战就是电力， 数万张 GPU 卡同时高负荷运行会给数据中心电力带来极强的压力，有时候其电力 需求甚至高达数十兆瓦，超出了电网的极限。IEA 预计到 2030 年，在基准情景下， 数据中心的全球电力消耗将达到约 945 太瓦时，比 2024 年估计的约 415 太瓦时增 加了一倍多。从 2024 年到 2030 年，数据中心的电力消耗每年增长约 15%，增长速 度是其他所有行业总电力消耗增长的四倍多。

带宽资源有限、网络延迟高、隐私泄露风险问题

终端设备规模庞大，每天产生大量的实时数据，如果将海量数据都上传至云服务器 进行计算，将占用大量的网络带宽资源。云计算模式下，终端设备将数据上传至云 服务器进行处理，由于云计算中心与用户的距离较远，集中式的网络架构可能会造 成性能瓶颈，导致网络时延高，云服务质量下降。另外，大数据时代，终端数据经 常会涉及个人隐私，直接上传至云端处理将带来很高的隐私泄露风险。

1.2.2. 为什么端侧是大趋势

2025 年 7 月 28 日上午，在世界人工智能大会（WAIC）智能体驱动产业变革论坛 上，中国信通院发布 2025 智能体十大关键词，其中包含“端侧智能体”，端侧智能 体是运行在移动设备、IoT 设备、PC 等端侧设备上的智能体，强化本地推理、隐私 保护与实时响应能力，能够实现离线感知、个性推荐、环境自适应与快速反馈等功 能，具备响应速度快、网络依赖低、安全程度高等优点。未来，端侧智能体将进一 步强化安全隐私、提升计算推理效能、增强交互自然性和情境理解能力，成为“万 物智联”时代的重要入口和关键计算节点。

端侧推理的优势：

隐私保护。在大模型时代，模型可能利用端上产生的几乎所有数据，包括录音、 文本、输入、屏幕点击等，因此隐私问题比以往更为突出。端侧智能的本地化 数据处理能力使得生物特征等敏感信息能够在设备端完成特征提取与初步分 析，从而在源头上降低数据传输风险，为数据提供者与数据处理者构建起基于 技术信任的协同生态环境。

可用性、实时性：端侧推理可以摆脱网络依赖，提升可用性，即使离线也能运 行。同时，它避免了云端 serving 的网络往返延迟（RTT）和批量调度带来的时 延问题。例如，机器视觉作为智能制造的典型场景，需要上行带宽超过 50 Mbps 甚至 200 Mbps，端到端通信时延小于 10 ms，可靠性要求大于 99.9999%。这一 趋势正从根本上颠覆长期以来“云重边轻”的模式，推动终端与边缘从被动的 “数据采集器”转变为主动的“智能体”。

成本低：从企业角度看，将计算分摊到用户终端，可以减少维护超大 GPU 集群 的成本，这也是强有力的商业动机。

个性化：通过利用本地数据，端侧大模型能够根据用户的使用习惯和需求进行 实时调整和优化，从而提供更精准的个性化服务。

数据获取能力：在端侧能以无感伴随的方式，持续收集从唤醒、交互到任务完 成的全链路连续数据；端侧设备集成了麦克风、摄像头、各类传感器，保障数 据的连续性、原始性、实时性和隐私安全性，极大提升了数据的整体质量与价 值密度。

1.3. 未来趋势：云-边-端相结合

未来发展趋势是“混合 AI”（Hybrid AI），通过端-边-云协同，在速度、隐私、成本 和智能之间取得最佳平衡。通过网络连接多个节点(端设备、边缘服务器或云数据中 心)协同工作，实现计算能力的扩展与并行化，有效降低核心网带宽压力。云-边-端 协同架构出现，结合三层优势——云（大规模计算、全局洞察）、边（低延迟、本地 化处理）、端（数据采集、初步分析），且边缘-云 continuum 愿景逐步实现，软件组 件可跨层级无缝迁移。

端侧 AI 崛起：从云端智能到场景智能的范式转移

2.1. 端侧 AI 的定义与发展背景

大模型技术经历了参数竞赛与生成能力的突破后，行业焦点已从纯粹的“模型能力” 转向“落地能力”。回顾人工智能近年来的发展，其主战场正经历一次深刻的转移。 随着技术逐渐趋于同质化，AI 的下一步竞争，不再是“谁的模型更强”，而是“谁 真正拥有用户”。算力、电力、存储等基础层设施逐步完善后，AI 技术亟需突破“实 验室到现实”的困境，从纯粹的数字计算走向对物理世界的实时感知与交互。在此 背景下，终端设备作为 AI 连接现实世界的唯一物理接口，自然成为产业链下一阶 段的核心战略焦点。如果说大模型是新一代智能的“大脑”，那么硬件就是它们的 “身体”与“接口”。谁掌握了用户的入口，谁就掌握了数据、反馈、互动与生态构 建的主动权。 在 WAIC 2025 上，联想集团副总裁阿不力克木·阿不力米提抛出“新摩尔定律”： 端侧智能正以“算力+模型能力”双螺旋模式实现指数级跃升，这将彻底重构终端 产业的价值链。

端侧 AI，即直接在终端设备（如手机、耳机、眼镜、个人电脑等）上部署和运行 AI 模型的技术路径，它通过轻量化模型与专用硬件的结合，使数据在设备端就能完成 从感知、推理到执行的闭环，无需事事都依赖云端服务器。在物理世界场景中，终 端设备正是承接文字、语音、图像、环境温湿度、空间位置等多模态数据的核心载 体，其天然具备“随身携带、实时采集、场景适配”的独特优势，每增加一位终端 用户，就相当于为大模型增加了一个 24 小时不间断采集三维世界数据的“智能触 角”。这种数据的独占性、实时性与场景多样性，构成了比传统互联网“网页流量” 更具战略价值的稀缺资源。传统流量仅能反映用户数字行为，而终端采集的多模态 数据可完整还原用户物理场景需求。 全球科技巨头已敏锐洞察到这一趋势。1）OpenAI 以 65 亿美元收购硬件初创公司 IO，被视为其战略重心从“云端模型”转向“物理硬件”的关键转折。2）字节跳动 凭借豆包大模型与 Ola Friend 耳机等硬件，快速构建“终端采集-模型训练-服务反 馈”的生态闭环。3）夸克 AI 眼镜正式发布，首发提供 S1、G1 两个系列共六款单 品，均搭载阿里最新的千问 AI 助手。这标志着阿里千问首次走出屏幕，进入物理世 界。我们认为，这些动作均印证了终端卡位的战略必然性。

DeepSeek 掀起生成式 AI 技术革命，轻量化模型推动端侧 AI 时代全面到来。 DeepSeek 的突破不仅重构了 AI 产业的价值评估体系，更通过"低成本+高性能"的创 新范式，为行业提供了提升投资回报率（ROI）的全新路径。传统生成式 AI 大模型 长期受困于"高投入-低产出"的 ROI 悖论，而 DeepSeek 通过算法革新和工程优化， 将训练成本压缩，从根本上破解了这一困局： DeepSeek 开创的混合专家架构（MoE）使 6710 亿参数大模型的单激活参数量 仅为 370 亿，显著降低计算负载与显存占用，让中小企业在消费级硬件上部署 大模型成为可能； 其开源的 R1 系列蒸馏模型（如 1.5B 版本）仅需 1.1GB 内存即可运行，推动 AI 玩具、智能眼镜等产品的功能智能化跃升。3）DeepSeek 提供了一些轻量化及 蒸馏模型，针对参数量更小的场景。 在硬件层面，终端芯片同样正在经历面向 AI 的升级，为端侧 AI 的发展奠定基础。 2025 年 5 月 22 日小米发布玄戒 O1 自研芯片；华为海思的麒麟 9020 手机芯片自研 泰山大小核彻底摆脱 Arm 架构，彻底实现了 CPU、GPU 的全部自研和国产化，麒麟 9030 采用中芯国际的‘N+3’工艺，先进程度逐步逼近国际主流水平。高通、联 发科、苹果等主流厂商将专用神经网络处理单元（NPU）作为旗舰芯片的标配，算 力呈现指数级增长。2025 年 9 月，联发科 MediaTek 发布天玑 9500，实现多项智能 体 AI 应用，涵盖多模态交互、实时翻译、个性化助手等场景，携手生态伙伴推动 AI 体验从概念走向日常。高通将在今年 9 月发布骁龙 8 系新平台——骁龙 8 Elite Gen6 和骁龙 8 Elite Gen6 Pro，这两颗芯片都采用台积电 2nm 制程 N2P，是高通首款 2nm 芯片。

2.2. 终端 VS 云端

与传统的云端 AI 相比，端侧 AI 有几个突出优势： 低延迟与实时响应：数据在设备本地处理，消除了网络传输延迟，能满足智能 驾驶、实时翻译等对瞬时性要求极高的场景。隐私保护增强：敏感数据（如人脸、语音）在本地处理，避免了上传云端可能 带来的泄露风险。 弱网或离线可用：不依赖网络连接，在无网或弱网环境下仍能稳定工作。 计算负载分散：缓解云端数据中心的计算压力和能耗，更加绿色经济。 当然，它也存在短板： 算力与功耗的平衡：设备本地算力有限，高性能 AI 任务会产生大量热量，对芯 片的能效和散热技术提出了极高要求。 场景碎片化：不同物联网设备功能千差万别，需要“量身定制”的 AI 算法和芯 片，难以一套方案走天下。 因此，AI 端侧部署的必然性由用户需求和产业需求共同决定。从用户角度来说，用 户要实时性、隐私安全、全时服务以及个性化服务的需求，从产业需求角度来说， 企业要降成本减少云端负载、拓场景如离线 AI、以及建生态如硬件升级溢价+服务 订阅的需求，因此将 AI 布局在端侧而非完全依赖云端，是技术演进与用户需求的 必然选择。

2.3. 产业链与市场规模

端侧 AI 产业已形成覆盖全价值链的完整生态体系。上游以 AI 芯片、存储、电源、 传感器、通信模块等硬件及操作系统、数据库等基础软件构成核心技术支撑层；中 游由具备模型优化、硬件适配和系统集成能力的设备商提供从底层硬件到上层应用 的一体化解决方案；下游则通过行业解决方案和软硬件产品服务满足多元化应用需 求，形成了从技术研发到产品落地的高效协同产业链。

端侧 AI 产业正迎来爆发式增长，其市场规模和终端渗透率呈现指数级扩张态势。 根据最新研究数据，2023 年全球存量消费终端设备已达 228 亿台，其中智能手机 （29.8%）、智能家居设备（26.3%）和 PC/PAD（17.6%）构成主要载体。尽管早期 端侧 AI 技术已在智能安防和车载设备领域实现初步应用，但真正规模化发展始于 2023 年，随着手机和 PC 两大亿级终端全面 AI 化，行业进入高速增长通道。基于 DIGITIMES 在 2025 年 11 月的统计，2025 年全球 Gen AI 手机逾 4.2 亿台，2026 年 全球出货预计接近至 6 亿台；2025 年全球智能手机出货量约为 12.213 亿台，较 2024 年增长 2.3%。 根据产业世界报告预测，全球智能终端行业在 2025 年进入新一轮整合期，市场规模 突破 1.8 万亿美元，年复合增长率稳定在 9%以上。中国作为最大单一市场，贡献全 球 35%的出货量，其中可穿戴设备和 AR/VR 终端增速显著，分别达到 28%和 40%。 IDC 预计，2026 年中国智能终端市场出货量将超过 9 亿台，同比增长 4%，传统 AI 终端出货量超过 3 亿台；2027 年传统 AI 终端渗透率将超过 93%，2029 年传统 AI 终端渗透率将接近 97%。根据中商产业研究院的分析，2024 年中国智能终端市场规 模达到 16.69 万亿元，近五年年均复合增长率达 7.16%；2025 年中国智能终端市场 规模将达到 17.53 万亿元。

从市场规模看，中国端侧 AI 产业 2023 年规模不足 2000 亿元，但预计到 2028 年将 突破 1.9 万亿元，2023-2028 年复合增长率（CAGR）高达 58%。这一增长动力主要 来自三个方面： 1） 硬件性能突破：算力持续突破，支持百亿参数模型本地部署； 2） 应用场景拓展：除开智能终端以外，工业 4.0 与智慧城市等领域对端侧 AI 的需 求持续增长； 3） 政策支持：国家"十五五"规划将端侧 AI 纳入数字经济核心产业。

编辑：火腿肠