2月5日盘后，AI端侧芯片IP全球霸主ARM以及移动芯片绝对霸主高通发布新季度的业绩，其中透露出的AI端侧机会如何？核心结论：在 DeepSeek 等模型的推理成本显著下降、硬件算力与能效快速提升的背景下，端侧 AI 的规模化应用正在提速，端侧放量即将迎来加速期！近期大模型（如 ChatGPT、DeepSeek 等）在云端大规模训练后，可以通过“模型蒸馏”、“剪枝压缩”等手段，在保持可用精度前提下显著缩小模型体积，使得移动端、PC、可穿戴设备等资源受限的硬件上也能进行推理。行业内普遍认为，未来会形成“云端训练 + 端侧推理”或“云 + 端协同推理”的混合模式，进一步促进更多AI应用落地。每个终端都要具备一定 AI 推理能力时，对底层芯片架构的需求量会非常可观，从而为 Arm 带来巨大的 TAM（总可用市场）。从需求来看，AI 需求快速增长，将在云端、终端以及各种边缘设备普及，对计算需求与效率提出很高要求，Arm 的低功耗高效计算架构具备明显优势。不仅在手机和 PC 端的小型语言模型上加速运算，同时在大型 AI 训练与推理中（如高端数据中心、超级计算）也通过与 GPU 加速卡结合，大幅度扩展市场空间。短期内云端和高端终端是重点，1~2 年内边缘侧和大众化终端的 AI 推理需求将爆发，进一步推高对高算力、高效率 Arm 架构的需求。1. ARM对于 AI 端侧（On-Device AI） 的展望
本季度 Arm 创下了多项纪录（总收入与授权费收入均创新高）。AI 推动下对计算力的需求使得包括智能手机、数据中心、物联网、汽车在内的各个细分市场都朝向更高能效、更高性能的方向发展，为 Arm 开拓新的增长空间。去库存周期在 IoT 等部分细分市场临近尾声，有利于后续回暖。虽然单个设备上的算力规模不及云端，但端侧 AI 的设备数量庞大（智能手机、IoT 设备、车载系统等），且逐年增长。
第一，AI 端侧的背景与驱动因素主要用哪些？
隐私与实时性：本地推理可以在终端设备（如智能手机、智能摄像头、车载系统等）上完成数据处理，而无需将大量数据上传云端。这样能够更好地保护用户隐私并降低网络带宽与延迟，满足对实时性、高可用场景的需求。算力与能效提升：随着先进制程的演进以及 CPU/NPU/GPU 架构的更新，终端侧芯片的算力显著增强，功耗管理也更加优化。这使得更多小型或中型 AI 模型能够在本地运行，形成可行的端侧 AI 解决方案。成本与适用场景：长期来看，云端训练与推理的成本不断攀升，大规模推理在云端也非最优选。对于很多场景——例如个人语音助手、手势识别、车内语音控制、家庭安防或智能家电——在端侧进行本地推理，既能节省云端资源，也提升用户体验。
第二，Arm 对端侧 AI 的技术布局
v9 架构的性能与能效：Armv9 架构带来更强的计算性能与更优的能效，为端侧 AI 提供了基础算力支撑。管理层在财报会议中强调，手机与嵌入式设备的高端处理器正逐步从 v8 向 v9 迁移，带来更高的单片授权费率（Royalty）与更好的终端 AI 能力。CSS（Compute Subsystem）一体化：在智能手机、汽车、IoT 边缘等场景下，Compute Subsystem（CPU+GPU+NPU+互联总线的组合）可以一站式提供高效的本地 AI 推理能力。不同于云端大算力的单纯 CPU+GPU 模式，端侧需要更灵活、低功耗且紧耦合的异构架构。CSS 可以帮助客户快速定制 SoC，满足各类 AI 功能需求。Kleidi AI 软件库：在端侧部署 AI 模型的过程往往需要针对硬件架构的编译优化、模型量化等软件层支持。Arm 推出的 Kleidi AI 库，旨在为开发者提供简化而高效的端侧 AI 开发工具链，加快各类模型在 v9/CSS 平台上的推理落地。第三，端侧 AI 的主要应用场景
智能手机 / 平板：已经出现能在本地运行小型语言模型、实时语音转写、图像识别等功能的旗舰机型。未来 1~2 年内，手机端的大模型“轻量化”将进一步提升端侧 AI 体验，如增强型语音助手、多模态识别、AR/VR 等功能。车载系统：数字座舱、驾驶员监控、语音交互等功能均可在车内终端进行推理处理，避免网络延迟并在断网时持续工作。高级驾驶辅助系统（ADAS）的感知部分部分也可下沉至端侧，这需要高算力 SoC 与车规级安全保证。Arm 在能效、安全架构上的优势正好契合汽车电子诉求。物联网与边缘设备：工业场景中的智能监测终端、安防摄像头、智能家电以及可穿戴设备，也在不断集成 AI 功能，用于本地化的数据分析与决策。随着 MCU/MPU 算力升级，部署轻量化模型成为可能，为传统传感器与控制系统带来新的智能化水平。
第四，未来增量与市场机遇
海量终端与多样化需求：虽然单个设备上的算力规模不及云端，但端侧 AI 的设备数量庞大（智能手机、IoT 设备、车载系统等），且逐年增长。每个终端都要具备一定 AI 推理能力时，对底层芯片架构的需求量会非常可观，从而为 Arm 带来巨大的 TAM（总可用市场）。高附加值产品端侧：AI 对 CPU/GPU/NPU 的性能、功耗和平衡优化提出严格要求，客户更倾向购买先进节点与高端架构 IP，也让 Arm 获得更高的授权费率。CSS 方案的普及带来单片更高收益，并延长产品迭代周期中的客户黏性。与云端 AI 形成互补：云端与端侧将形成“协同推理”模式——云端处理大型模型的训练和复杂推理，端侧负责实时性、本地隐私处理等场景。这将促使 Arm 同时在云（数据中心 CPU）和终端（边缘/移动/汽车 CPU）两端收益。
总结来看，公司对于端侧AI的机会展望非常好，虽然因为预期太高，盘后股价反跌，但是管中窥豹，AI端侧的机会在加速：
端侧 AI 的趋势：未来将在手机、车载和各种 IoT 场景大范围普及，本地推理为实时性、安全性和节能性带来明显价值。
Arm 的机遇：其能效、生态、整合度（CSS + v9 + Kleidi）的优势使之有望在端侧 AI 架构上保持领先，且端侧市场规模十分可观，能持续支撑 Royalty 与 Licensing 双增长。
时间节奏：近期（1~2 年）：旗舰手机、车载智能座舱、部分工业与安防场景优先落地；中长期（2~5 年）：更多边缘与 IoT 设备升级，海量终端带来显著的增量需求，端侧 AI 将成为普遍能力。
随着 AI 模型在端侧的快速迭代与算力需求的提升，Arm 在能效与生态上的优势将愈发突出。企业、开发者、消费者多方需求共同作用下，AI 端侧的整体市场潜力巨大，为 Arm 和整个产业链提供了持续增长的动力。
在最近几个季度和行业活动中，高通管理层多次强调了“端侧（On-Device）AI”即将在智能手机、汽车、物联网及个人计算等领域迎来重要的增长与变革。结合高通在财报会议中的观点和行业整体趋势，以下是对 AI 端侧未来发展的整体展望：
1. 端侧AI成为大势所趋
（1）对实时性与隐私保护的需求
实时性：许多计算和应用场景需要即时响应（如语音助手、图像识别、手势交互、车载驾驶辅助等），端侧推理可有效减少云端往返的延迟。隐私与安全：在设备本地执行推理，无需将用户数据上传至云端，能更好地保护用户隐私与数据安全，对企业和个人都至关重要。（2）云端资源与成本的优化
云计算成本：随着生成式 AI 模型的规模越来越大，云端训练和推理的运营成本也不断上涨。若在端侧执行部分推理，可缓解云端负担，实现总体成本优化。网络带宽与可用性：在网络不稳定或离线的环境下，端侧AI可维持连续稳定运行，这在工业IoT、车辆终端以及偏远地区更为关键。（3）AI模型“小型化”趋势
近期大模型（如 ChatGPT、DeepSeek 等）在云端大规模训练后，可以通过“模型蒸馏”、“剪枝压缩”等手段，在保持可用精度前提下显著缩小模型体积，使得移动端、PC、可穿戴设备等资源受限的硬件上也能进行推理。行业内普遍认为，未来会形成“云端训练 + 端侧推理”或“云 + 端协同推理”的混合模式，进一步促进更多AI应用落地。
2. 高通对端侧AI的技术与产品优势
（1）专用的AI硬件加速单元（NPU/Hexagon DSP 等）
高通在最新的骁龙移动平台（如 Snapdragon 8 系列、Snapdragon X 系列等）中集成了高性能、低功耗的NPU（Neural Processing Unit）。这类专用AI加速器可大幅提升推理速度与能效比，支持更复杂的模型在移动端实时运行。（2）丰富的生态和软件堆栈
高通为开发者与OEM提供了 AI 开发工具链，如 Qualcomm AI Stack、Inference Suite 等，方便在终端侧针对硬件进行编译与优化。在 PC 端与微软 (Microsoft) 深度合作，Windows on Snapdragon 已支持几十款AI应用并可在未来支持 Copilot+ 等生成式AI。（3）多场景覆盖：手机、PC、汽车、物联网
智能手机：高端机型不断扩展 AI 应用场景，从影像增强、智能拍摄到自然语言处理、实时翻译、语音助手等。
PC：越来越多的笔记本/平板等移动计算平台需要本地AI推理（如 Office Copilot、内容生成、视频会议降噪等）。
汽车：车载座舱、驾驶辅助（ADAS）需要实时计算和边缘推理，减少对云的依赖并提升安全性。
IoT：零售、医疗、工业制造、机器人等对端侧AI需求增长，帮助企业实现本地分析和实时决策。
3. 端侧AI未来的主要机遇与趋势
大模型下沉端侧：随着模型压缩及硬件性能提升，未来会涌现更多“小而精”的生成式AI、本地推理型应用。例如智能拍照、大语言模型小型化、实时语音翻译、手势识别等，将运行在手机、平板、PC、AR/VR 头显甚至智能眼镜上。
AI赋能可穿戴及 XR/元宇宙设备
智能眼镜、VR/AR 头显对语音交互、手势/眼动跟踪、虚拟环境识别等需求显著上升，需要极其低时延且不依赖云端处理。端侧AI将大幅提升用户体验，为这些新形态设备普及创造条件。
车载系统“智能座舱+ADAS”的融合
新一代软件定义汽车中，座舱智能化（语音控制、多模态交互、车内监测）与 ADAS（感知融合、路径规划）都需要大量实时AI推理能力。高通的 Snapdragon Ride 等平台在算力与能效方面具备竞争优势。
工业4.0 与智慧城市
企业部署海量传感器与摄像头，需要实时推断现场数据（如缺陷检测、人流监控、设备维护等）。边缘服务器、网关甚至终端节点都可能集成AI能力，帮助降低云端压力、减少网络带宽开销、提升实时性与数据安全。
与云协同的混合AI
端侧与云侧在 AI 推理上各有优势，未来会形成更紧密的协同：如简化模型在端侧进行实时推理，复杂或批量分析在云端完成。“云 + 边 + 端”协同框架将成为行业标准，提高整体效率与灵活性。
综合高通在财报会议及行业活动中的信息可以看出，端侧AI 已从早期的实验阶段进入加速落地和规模化发展的时期。硬件性能、模型压缩技术、隐私与实时性需求等多重因素共同推动，智能手机、PC、汽车和物联网终端逐渐成为生成式AI和推理应用的重要执行载体。
对高通而言：
- 其骁龙移动平台、Snapdragon Ride汽车平台、AI on-prem 解决方案以及专用AI加速架构具备差异化优势，能够在边缘和终端场景为企业和消费者提供高效的AI算力支持。
- 随着更多应用场景被验证、软件生态持续完善，端侧AI有望在未来几年进入主流，加速终端形态和用户体验的全面升级。
对整个行业而言：
AI 端侧化是大势所趋，高通在这一赛道的投入和布局，使其能够充分受益于这一变革浪潮。未来随着 AI 技术持续进化，芯片算力与能效比的进一步提升，终端形态与用户体验都会发生深远变革。
Arm 与高通财报均表现出对 AI 端侧 的极大信心：海量终端对于高能效与本地推理的需求在加速，Arm 以 IP 架构 + 生态(如 Armv9、CSS) 赋能全球芯片厂商，高通则以 商用 SoC 平台(骁龙等) 与 专用 AI 加速(NPU/DSP) 链接终端整机厂商。端侧 AI 正从早期探索走向规模化落地：隐私、安全、低时延、节省带宽等痛点驱动企业及开发者拥抱本地推理；尤其在手机、PC、汽车、IoT 等场景，随着大模型蒸馏与硬件性能提升，本地 AI 越来越成为“标配”功能。未来 1~2 年：头部旗舰机型、车载系统、工业摄像机/网关等在端侧 AI 需求上迎来加速，企业级与消费级场景并进；2~5 年后：更多中端与长尾物联网设备也将具备基本 AI 推理功能，形成“云 + 端”协同的新生态。对 Arm、高通及相关芯片/算法/平台厂商而言，端侧 AI 带来的 TAM 扩容以及单片价值量提升，将是持续的增长动力。全文完。
