作者 | 周雅
来源 | 科技行者
1985 年，乔布斯在瑞典隆德大学演讲时提出一个设想：我们能读到亚里士多德的书，却无法向他提问。若能制造一种新工具记录他的“思考过程”，人们便有机会与其对话。
近日，在一场 AI 活动上，高通公司产品技术专家朱元堃重提此设想，指出我们已无限接近这一目标，关键在于「过程」。他强调，人类一生的记忆与体验过程至关重要，个人 AI 终端唯有持续感知并理解用户，AI 智能体才能掌握用户的思考链条，构建出“最了解用户的 AI"。
这种能力被称为“一直在场感知”，业内称之为“全时感知”，相关需求已初现端倪。
2026 年，IDC 分析发现终端产业呈现两条截然不同的曲线：一方面，全球手机、PC、平板在集体涨价后销量下滑，今年手机市场降幅约 13%（安卓手机降幅约 20%），PC 降幅约 11%；另一方面，一批 AI 原生终端逆势增长：智能眼镜在中国市场增长约 50%（全球约 30%），扫地机器人显著增长，百元价位的 AI 翻译器、阅读器、录音卡纷纷涌现，甚至带有摄像头和定位功能的员工卡也开始进入市场。
这些 AI 原生终端无一不具备强烈的感知色彩。
传统终端萎缩，AI 原生特征终端增长。IDC 中国副总裁王吉平将这一现象称为"AI 超级大周期”。他指出，AI 超级周期正推动终端市场走向变革“临界点”。在零部件价格上涨与用户换机意愿下滑的双重压力下，传统的“参数内卷驱动销量”逻辑逐渐失效，AI 终端成为最大增长亮点。消费者对 AI 的投入正在增长，只是这份增长分散到了一批具有明确使用场景的 AI 原生设备中。
全时感知，让个人拥有自己的 AI，这在四十年前是科幻，而按朱元堃的判断，如今余下的只是工程问题。
01/ 个人 AI，要的是 Connecting you
当 AI 智能体走进终端，最大的变化是整个产业中心的转移。
多年前移动通信产业流传着"Connecting People"（连接人与人）的老话；而在今天的个人 AI 阶段，朱元堃提出了"Connecting You"，强调以用户个人为中心的智能连接。未来所有设备都将成为智能体的端点，设备底层连通的看似是互通，核心连通的其实是一个具体的人。
一字之差，含义迥异。连接人与人只需送达信号；而连接你，还需理解你是谁。
如何让个人 AI 终端理解一个人？朱元堃认为，构成个人 AI 终端智能体体验有四个基础模块：感知、记忆、推理、执行。
「感知」相当于智能体的五官，负责听、看及理解周围发生的事；「记忆」负责沉淀长期信息，形成对个人的持续了解；「推理」是对感知和记忆的加工；最后，「智能体」调用软件或工具完成任务。朱元堃强调，这四个环节不仅是软件模块，更将成为芯片软硬件设计和操作系统设计未来发展的核心命题。
智能体 AI 需要个性化与跨终端协同
这些判断在 IDC 最新白皮书《从 AI 设备到个人 AI：智能体驱动的终端进化与产业重构》中得到印证。个人 AI 必须具备个性化、全时感知、隐私安全三大核心能力，传统计算架构正迎来系统性重塑。
王吉平从落地角度归纳为四点：
第一，全时感知与自然交互。终端需 7×24 小时待机，持续理解用户每时每刻的需求。
第二，端侧算力与个人记忆。“过去半年，许多终端厂商不断演化架构以支持端侧算力发展，这是个人 AI 未来更懂用户的保证。”
第三，连续计算与跨端协同。个人 AI 不仅应用于单一产品，而是整个生态中各产品的彼此协同。
第四，安全可信与隐私保护。
02/ 端、边、云，是个人 AI 的计算骨架
既然懂用户需要持续感知，而感知只能发生在用户身边，计算架构的分工便成为关键。业界共识是构建「端、边、云」三层技术架构。
朱元堃指出，端侧可拥有感知、个人信息、记忆、规划器（负责任务拆解与安排）和本地模型；当本地无法处理复杂任务时，再自然调用云端协助。这套分工会随产业成熟度、任务需求和产品形态动态调整，而非预先固定。
所谓边缘侧，指介于随身设备和远端云之间、离用户更近的本地算力层，如办公室或家中的主机。王吉平判断，AI 终端算力分布正从“全云端”向“端、边、云架构”演进，不同层级各司其职，在具体场景中寻求体验与成本的最优解。
需求侧已清晰可见。王吉平透露，IDC 正在研究“一人公司”（OPC）或小规模企业的市场规模。据不完全统计，国内员工少于 10 人且已靠 AI 设备开展业务的公司约有 1400 万家。
这些公司应用 AI 大致分三步：起初使用 Mac Mini、迷你主机等边缘设备，本地几乎不产生内容，依赖外部模型服务（Token）；随着用量增加，从事科技咨询、代码编写、短视频、直播等业务的公司发现需就地生成内容，于是部署参数量在千亿至三千亿之间、专攻特定行业的中等模型，结合网络存储与算力组建 AI 工作站，显卡也从入门级向高端升级。
为何不全用云端？王吉平直指关键：纯云端方案成本高，且受限于网络、Token 及数据传输瓶颈。因此，未来计算不会由云端一家独大，而将在端、边、云之间形成新平衡。
在王吉平的设想中，分工如下：手机、眼镜等轻量设备承担感知和交互；PC、迷你主机或 AI 工作站逐渐成为家庭和办公室的边缘算力节点；云端则继续处理世界知识和高复杂度任务。
03/ 端侧的瓶颈，不再只是算力
计算架构理顺后，压力落到了芯片上，首要改变的是衡量标准。
过去，“算力”是衡量 AI 终端的核心指标。但在朱元堃看来，算力是基础却非唯一标准，行业更看重一套名为"AI 基准测试”的综合成绩：纳入首字时间、解码速度、内存占用、生成精度等因素进行综合打分。随着多模态和智能体的出现，行业需建立更贴近真实场景的评价方法。
道理显而易见：终端体验取决于整条链路。AI 基准测试关注综合表现，仅有硬件算力而无软件协同，难以达到理想效果。
尺子变了，芯片本身也在重组。朱元堃介绍，高通将面向智能体时代的 SoC 作为一个完整系统设计，对外称为“高通 AI 引擎”。它由五部分构成：负责通用计算的 Oryon CPU、负责图形的 Adreno GPU、负责 AI 运算的 Hexagon NPU，加上传感器中枢和高速内存。通过“异构计算”让不同单元各司其职，拼成一个天生为 AI 打造的平台，协同完成分布式推理。
其中，「传感器中枢」尤为核心。
高通传感器中枢内置小型 AI 单元、常开图像处理器和信号处理器、独立内存及个人信息记录模块。其巧妙之处在于：感知环境时无需频繁唤醒耗电大户（CPU、主内存和系统总线），从而抑制全时感知带来的功耗。朱元堃判断，该模块“有望成为未来个人 AI 最重要的信息入口之一”，端侧全时感知用户全靠它。
这与端侧智能体的运行方式直接相关。朱元堃解释，云端接到任务通常连续推理直至完成；而个人智能体大部分时间处于感知状态，“感知比重远大于推理，推理比重又远大于复杂任务执行”。既然大头是感知，只要低功耗模块扛得住持续感知，并在需要推理时高能效快速算完，功耗压力便可控制。
于是压力转移至别处。朱元堃强调，比起峰值算力，端侧当下更突出的限制是「内存和续航」。一方面，终端受尺寸和成本限制，内存容量有限；另一方面，模型逐词元解码高度依赖内存带宽。为此，高通探索将内存芯片垂直堆叠的 3D 堆叠技术，即便工艺未全新，仅内存标准从 LPDDR5X 升级至 LPDDR6，理论上带宽即可提升约 50%。
同理，云端一些成熟做法搬至端侧并不划算。例如云端常将大模型“读题”和“逐字作答”拆分调度以均衡算力资源，但端侧瓶颈卡在内存带宽，这种拆分意义不大。
结论是：一台智能体终端是否好用，难由单一数字定论。模型大小、内存、带宽、响应时延、续航、精度和软件调度，需在同一个产品系统中权衡。
04/ 我们缺乏一个清晰的产品定义
芯片和架构到位，是否万事俱备？不尽然。
朱元堃表示，端侧智能体当前的主要障碍已非技术可行性。工业等垂直行业需求明确，诸多场景具备落地条件；难点在于面向个人用户的消费终端，需求多元化且用户要求高，对厂商提出更大挑战。
破局之法在于先定义清楚用例：这项 AI 功能解决什么问题、需在多久内完成、能耗上限多少、模型是否必须很大。产品目标明确后，芯片选型、模型规模、软件分工随之清晰，产品开发自然加速。
他将此路径概括为“由 AI 定义新终端”。意指新的 AI 应用或智能体本身可能催生新设备，终端形态不再完全由既有品类决定，而可能被新的感知方式、任务流程和使用场景反向定义。
王吉平提到的员工卡正是例证。深圳有企业研发带摄像头、麦克风和定位的员工卡，能完成录音和轨迹分析。这些功能过去多由手机承担，现在被拆分到更贴合具体工作场景的设备中。
这种拆分正迫使手机、PC、平板重新定位。王吉平举例，国内迷你主机今年增长约 70%，凭借低功耗、长待机扛起入门级边缘计算和 AI 学习场景；运动相机、拇指相机、录音卡的走红，也将手机厂商和原有硬件公司卷入新场景。
同期还出现了几款样本式创新：荣耀 Robot Phone 融合运动相机、手机和机器人概念，重新定义手机形态；努比亚 NaviX Ultra 这类“豆包手机”能听懂指令并跨 App 办事；阶跃的 StepX Neo 专为从小使用 AI 的人群设计。王吉平认为，如今十八九岁、思维已 AI 化的这代人，正是推动手机走向 AI 原生的基石。
IDC WAIC 观察：智能体手机的多重探索方向
智能眼镜是另一个代表性的「个人 AI 新终端」。该赛道喊了十余年，王吉平相信其被低估了。眼镜之所以现在能做到 40 克以下，“核心是将算力和算法挪到了手机上”。更大的想象在于市场：“中国有约七亿近视人群，若 AI 眼镜体验能做到与普通眼镜无异，整个市场将被颠覆，爆发会非常快。”
作为眼镜厂商代表，Rokid 硬件研发总工程师周森在圆桌上给出同向判断。他表示，凭借几乎无感的伴随式交互和多模态感知能力，智能眼镜将成为未来个人 AI 的重要入口之一。
既然如此，手机会被新设备取代吗？王吉平的答案是不会那么快。在他看来，手机仍可能是个人 AI 最主要的形态，只是需从“等你操作”走向“知我所知，想我所想”，主动完成任务。智能眼镜则需补足“强端云交互、摄像头感知及感知过程中的安全保障”等能力。
05/ 同一个智能体的协同
新形态增多带来新问题：一个智能体能否在手机、PC 或其他终端间通用？否则数据割裂，何谈“真正、完全懂你的 AI"？
朱元堃表示，从技术上看，智能体由多个软件模块串联而成。依托高通统一的技术底座，在 PC 上部署的模型可迁移至手机或眼镜。
但他强调，能迁移不等于体验照搬。PC、手机和眼镜在算力、内存、功耗和时延上差异明显，PC 上的指标无法原封不动移至手机。开发者需调整产品规格、模型参数和响应目标，在性能、功耗和体验间重新取舍。同一智能体装入不同设备，往往是同一套能力的不同版本。
要让迁移顺畅，靠的是统一地基。朱元堃介绍，高通用同一套技术架构和软件栈覆盖多个终端品类：CPU、GPU、NPU、摄像头、连接等模块可按设备需求自由组合，向上支撑汽车和 PC，向下适配眼镜、耳机等轻量设备。
不同设备侧重各异：AI 眼镜重感知、长续航、低功耗；手机兼顾算力与续航；PC 续航更足、能跑更大模型；汽车则需全时感知以支撑驾驶辅助。
软件是另一半。朱元堃称，高通向开发者开放 AI 工具链，并推出 AI Hub 平台，“汇聚数百款行业主流 AI 模型”。开发者挑选适配高通平台的模型，配合文档教程即可本地安装。他也指出，“并非所有芯片厂商都会开放自有 AI 工具链”。
由此可见，高通提供的已不止是一颗 TOPS 更高的芯片，而是一套能让不同模型、设备和场景快速产品化的共同底座。高通与 OEM 厂商的合作也遵循此思路：在新产品开发早期即讨论产品形态、模型、KPI 和用户场景；待产品和框架成熟，再交由厂商伙伴自行扩展，高通则将资源投向下一批前沿需求。
这恰恰说明了产业协同的重要性。朱元堃类比通信业：手机之所以能全球互联互通，是因为有 3GPP 等国际组织制定统一标准；AI 行业眼下仍在各自摸索，公认标准尚未成形。他直言：“跨设备协同本质上并不是技术问题，而是产业协同和生态共建的问题”。
06/ 个人 AI 的普及，不会重走手机的老路
方向虽已趋同，但从共识到千家万户仍有距离。
王吉平判断，个人终端正处变革期。从国家政策、产业方向到厂商行动，“智能体 + 终端”已是宏观共识，但用户习惯迁移仍需时间。
他以不同年龄职场人为例：大学生已习惯用 Codex 等工具处理论文，而四五十岁的分析师则需要更长适应期。用户转变牵扯组织架构和个人生活方式的改变，不会像下载聊天应用那样一蹴而就。
普及路径也未必是从旗舰机下沉至千元机。王吉平认为，AI 手机更像折叠屏，出货量不一定占多数，却能成为高端市场的重要差异化能力。千元机用户目前仍以打电话、拍照等基础需求为主，智能体能力大规模进入该市场尚需时日。他援引 IDC 数据称，到明年，配备 NPU 的生成式 AI 手机渗透率预计接近 40%。但他同时提醒，有了 NPU 只是有了硬件底子，并不等于拥有成熟的智能体体验。
朱元堃补充道，《白皮书》列出的功能嵌入、助手协同、任务代理、自主执行等阶段，不应理解为硬件能力逐级变强，而更像传统软件产品的成熟过程：先搭建基础功能，再通过获取外部信息理解用户意图，接着接入各种服务和工具、学会编排任务，最终长成能自主运行的智能体。
在朱元堃看来，个人 AI 真正的核心价值在于个性化：“用户最终在意的，并不一定是绝对最快的答案，而是最符合自己需求的答案”。哪怕慢一点，用户也愿意等待，“因为它真正懂我”。
这句话，正好接回了乔布斯四十年前的设想。
科技行者团队出品
