個人智能體今年的演進出現哪些趨勢？在以OpenClaw（小龍蝦）大熱的當下，芯片廠商如何考慮智能體在終端的應用前景和機會？這些熱點問題在3月27日的CFMS MemoryS 2026 峰會上，來自高通公司AI產品技術中國區負責人萬衛星給出了前瞻的技術分析和AI全棧技術解決方案。

AI應用四大階段演進，端側AI部署面臨三大挑戰

萬衛星指出，AI在行業應用經歷三個重要階段，從感知AI、生成式AI向智能體AI演進，未來將進入物理AI時代。

感知AI主要包括多媒體信號、語音信號的理解，對圖像的分類識別和智能降噪等傳統領域的用例；生成式AI的特點是，在基于大量數據預訓練的情況下，AI可以在有監督的情況下去解決一些具體的問題，比如說OpenAI的ChatGPT模型，以及文生圖模型等等。智能體AI與生成式AI的重要區別是，基本上可以在無監督的情況下，自主的去理解用戶意圖，進行行動和決策，幫我們解決稍微復雜的任務。第四階段物理AI，AI可以真正去理解我們的物理世界，根據真實物理世界的物理規定，對輸入進行反饋和輸出。這一技術還在早期應用階段。

目前行業關注的第二階段和第三階段，我們看到的明顯趨勢是：能夠在端側運行的生成式AI模型，它的智能正在快速的提升。首先，端側設備能夠支持的模型參數量正在變得越來越大，比如在手機上我們已經可以運行10億到100億參數級別的大模型，在PC上可以運行130億到200億參數量的大模型。在車上，我們可以支持的模型參數量可能會更大，達到200~600億的級別。

在更小型的設備上，比如AR眼鏡和低功耗設備，我們也實現了讓參數規模在10億-40億之間的模型完全在端側運行。萬衛星強調，相較于云端大模型，端側模型的參數量仍然相對較小，但行業內的各種技術正在推動端側大模型支持體量的提升，比如內存帶寬提升，量化位寬技術的優化可以進一步壓縮模型尺寸，這都意味著終端設備可以承載更豐富的模型。

尤其值得關注的是，高通已經將具備推理能力的大模型部署到端側。而且在端側大模型對應的各種的各類場景中，其支持的上下文長度也在提升。3年前，端側上下文長度普遍僅限于1k-2k，2年前，大部分場景的上下文已經擴展到2k-4k；而2025年，高通在與合作伙伴的場景探索中，這個區間已提升到4k-8k。在一些特定場景中，甚至已經可以支持32k-128k的上下文長度。

在面對支持更多上下文的端側部署挑戰時，高通認為有三點：一、端側內存規模的限制。雖然我們有很多技術手段能夠壓縮模型體積，但有限的內存終究會對可運行的模型大小設置上限，而模型大小的上限也意味著端側AI能力的上限。二、內存帶寬有限制，有限的帶寬會影響大模型輸出token（詞元）的速度，進而影響到具體場景里面的用戶體驗。三、終端設備部署大模型，能效比和散熱的問題不可避免。在多終端設備中，能效非常重要。我們要避免AI推理在運行時觸發溫控限制，避免引起設備發熱。

智能體演進三大趨勢，從端側AI芯片到AI推理芯片全面覆蓋

萬衛星指出，個人AI將始于端側，我們正在邁向以AI和用戶為中心的多終端體驗，終端側智能體將能夠提供更低時延、更好的個性化以及持續無感的用戶體驗。

當下，智能體從端側智能體、智能體專業化、高度個性化和多模態為主要發展趨勢，終端側智能體不再是以前那種簡單的對話類語音助手，而是變成能夠充分理解用戶意圖、理解上下文、理解用戶感知信息的真正懂你的AI助手。

在過去，個人AI更多是以手機為中心，耳機、眼鏡、手表等其他設備是作為附屬與手機連接。未來，我們正在邁向以AI和用戶為中心的多終端體驗。也就是說AI不再綁定某一個具體的設備，如果是通過個人AI或者智能體去理解用戶的意圖，再去執行用戶的任務。個人AI通過混合架構在終端側進行部署。在終端側、本地邊緣、網絡邊緣和中央云協同工作。

高通在去年也發布了多款可以提供充分算力去支撐個人AI場景的產品，包括第五代驍龍8至尊版移動平臺、驍龍X2 Elite計算平臺等。在數據中心側，高通在MWC2026上正式發布了基于Qualcomm? AI200和AI250芯片的加速卡和機架系統。我們以行業領先的總體擁有成本(TCO)為高速數據中心生成式AI推理提供機架級性能與卓越內存容量。

在演講最后，萬衛星強調：“高通AI全棧能力，從手機、耳機、可穿戴設備、PC等消費電子產品，再到汽車、機器人，甚至到下一代的數據中心，我們都在用統一的AI架構去賦能所有的產品，核心就在于我們能夠通過統一的技術路線，提供高性能、高能效的軟硬件技術底座，讓高通的AI能力得以從單個產品或者單顆芯片擴展成為規模化的跨終端、跨場景的平臺級能力。”