當前，AI技術正加速向終端融合，帶來交互方式革新、智能體驗升級與數據本地化保障等重大機遇，推動AI手機、AI PC（人工智能個人計算機）、機器人等新形態終端快速涌現。然而，AI入端仍面臨算力受限、隱私安全、響應穩定性不足及高成本低效率等挑戰。端側操作系統作為連接物理設備與云端服務的樞紐，具備輕量化、實時性、低功耗、安全性高等優勢，成為AI與終端融合的核心載體，在推動AI終端的規模化普及上起到至關重要的作用。因此，推動端側操作系統與AI的融合，將成為實現泛在智能的重要路徑。

在“端側操作系統+AI”浪潮下，作為面向萬物互聯時代的智能終端操作系統根社區，開源鴻蒙正加速打造自身的AI原生能力，以“AI原生操作系統”為目標，構建了涵蓋中小模型部署、大語言模型融合、芯片適配與模型加速、智能體理解與應用的全棧AI端側能力體系，并持續推動與終端的融合，已有諸多典型應用場景落地，力圖在這一浪潮中占據一席之地，構建真正高效、可控、普惠的AI智能終端技術底座。

構建全棧AI端側能力體系，打造AI智能終端技術底座

在中小模型方面，開源鴻蒙通過MindSpore Lite Kit支持ASR、TTS、CV等多類模型推理，打通PyTorch、ONNX等模型轉換流程，輔以NNRT統一算力抽象，適配CPU、GPU、NPU等異構計算硬件，實現跨芯片部署與高性能運行。在TTS方向，開源鴻蒙已支持Fastspeech2、MelGAN等模型的端側壓縮與本地語音合成。在CV領域，YoloV5等模型已在端側通過圖像縮放、量化和C++優化實現完整推理鏈路。

在大模型探索領域，開源鴻蒙與生態伙伴聯合創新取得了不俗進展。例如，深思考基于開源鴻蒙成功適配了TinyDongni和DeepSeek R1大模型，使用自研Dongni-AMDC（自適應多維壓縮）算法對模型權重和輸入統一量化壓縮，大幅降低內存占用并提升推理速度，同時結合本地編譯優化、多芯片協同并行推理、NPU加速、內存按需加載等技術，在保證大模型一定多模態理解能力的同時，將模型體積和運行開銷壓縮到手機等設備可承受的范圍，讓復雜多模態大模型在端側設備上的落地成為可能。開鴻智谷在其基于開源鴻蒙開發的“在鴻OS 人工智能實驗箱”產品上也成功支持了DeepSeek模型的本地部署，支持多輪對話、語音輸入、聯網搜索等功能。

在芯片適配與算力支持方面，開源鴻蒙已成功適配P7885、RK3576，并在探索昇騰310 B/P、RK3588等AI芯片的適配方案，構建了覆蓋CPU、GPU、NPU的異構推理體系。通過引入MindSpore Lite、NNRT和AI插件引擎，實現模型與芯片的快速適配與高效運行，支持多模態AI任務如圖像識別、語音交互和大模型本地推理。

為加速AI端側能力的構建，開源鴻蒙還成立了AI Model SIG，旨在通過匯聚大中小模型資源，構建端到端應用范例，降低AI能力向端側落地的技術門檻。包括開鴻智谷、華為、潤開鴻、深開鴻、中科鴻略、匯思博、佳都科技、視美泰等成員單位共同參與，推動開源鴻蒙AI能力的共建。

在模型部署到系統以后，如何將這些模型真正用起來、能夠開發出解決用戶真正問題的Agent，也成為開源鴻蒙重點思考的問題。

目前，開源鴻蒙正聯合頭部高校加速構建面向智能終端的原生Agent體系，推動操作系統從被動響應走向智能理解與主動服務。上海交通大學通過引入“經驗驅動”的Record & Replay范式，讓Agent可記錄用戶行為并復用經驗，實現如點外賣、發郵件等復雜任務的自動化執行。同時，該范式支持在本地端側運行智能體，保障數據隱私與響應效率，已適配如SmallThinker與PowerInfer等推理系統和模型，具備快速推理與任務規劃能力，可在手機、PC等終端流暢運行和推理。

在開源鴻蒙開發者大會2025上，開源鴻蒙社區還啟動了“AI Agent技術共建”，并發起AI Agent TSG（技術專家組）籌備，圍繞“全新交互范式、多Agent框架、跨平臺協議、安全可信基座”四大方向，匯聚產學研力量推動Agent技術標準化與產業化共建。

應用場景加速落地，助推AI終端規?；占?/strong>