【东北通信】端侧AI，万物智联新引擎

2022年，随着OpenAI基于GPT-3.5和GPT-4.0大语言模型推出的ChatGPT横空出世，人工智能技术迎来爆发式增长，深刻重塑了人类社会的生产生活方式。近年，人工智能和数据分析技术得到不断普及，数据集中到云端逐渐暴露出其局限性：数据传输延迟、带宽成本和连接稳定性等问题，使得云端的人工智能无法满足实时决策的需求，计算成本不断攀升。因此，云端智能逐渐走向终端智能的趋势日渐清晰。

1）云侧AI：依托云端数据中心的强大算力，通过集中化的大规模数据处理和模型训练，利用其海量计算资源和存储能力，能够高效完成复杂AI任务，包括大规模数据分析和自然语言处理中的深度语义理解等高难度应用场景。

2）端侧AI：通过将AI算法和模型直接集成到智能手机、智能穿戴等终端设备中，赋予设备本地化智能处理能力，能够实现实时语音识别、智能图像处理等即时响应功能，有效提升用户体验和隐私保护。

端侧AI凭借其独特的技术特性，在成本、能耗、可靠性、隐私、安全和个性化等方面展现出显著优势，为未来AI发展的重要方向。

• 成本优势：AI推理的规模远超训练阶段，而云端推理的成本会随着日活跃用户数量和使用频率的激增而大幅攀升，使得规模化扩展面临严峻挑战。通过将部分计算负载从云端下沉至边缘终端，不仅能有效缓解云基础设施的压力，更能显著降低运营成本，实现更可持续的AI服务部署。

• 能耗效率：边缘终端在运行生成式AI模型时展现出卓越的能耗控制能力，尤其是当本地处理与高效数据传输相结合时，能耗进一步优化。相比之下，云端大规模计算往往伴随着高昂的电力消耗，而终端侧AI则以更低的能耗实现高效运算。

• 可靠性、性能与低时延：云端AI在面临高并发查询时，常常出现任务排队、响应延迟甚至服务中断等问题，严重影响用户体验。而终端侧AI通过本地化计算，彻底规避了云端资源争抢的问题，确保实时响应和稳定性能，尤其适用于对时延敏感的应用场景。

• 隐私与数据安全：终端侧AI的所有数据处理均在设备本地完成，无需将敏感信息上传至云端，从根本上杜绝了数据泄露风险。无论是个人隐私还是企业机密，都能得到更高级别的保护，满足日益严格的数据合规要求。

• 个性化体验：终端侧AI能够基于设备本地存储的历史数据长期学习用户行为，从而提供高度个性化的服务。例如，本地AI模型在规划行程时，可以结合用户的日常习惯和偏好生成更精准的建议。而云端AI若想达到同等效果，往往需要获取大量用户本地数据，这不仅引发隐私担忧，其建议的贴合度也通常逊于终端侧方案。

AI的未来：云端与终端的协同进化

AI的发展正在突破"一切上云"的传统模式，逐步演变为云端-边缘-终端协同的混合架构。在这一体系中，终端设备和边缘节点负责实时数据处理与即时决策，而云端则专注于大模型训练和海量数据存储。这种分布式架构并非简单的替代关系，而是通过优势互补实现整体效能的最大化。

• 边缘计算的实时性革命：在需要毫秒级响应的场景中——无论是自动驾驶的紧急制动，还是工业机器人的精准操控——边缘计算展现出不可替代的价值。通过在数据产生源头就近处理，不仅消除了云端往返的延迟，更大幅降低了网络带宽压力。这种"数据在哪，计算就在哪"的模式，正在重新定义实时智能的边界。

• 云端的基石作用：云端AI凭借强大的计算资源，依然是训练百亿参数大模型的唯一选择。其强大的分布式存储系统能够沉淀历史数据，为持续优化算法提供燃料。更重要的是，云端作为中央调度枢纽，可以动态协调全球边缘节点的算力资源，实现真正的弹性扩展。

• 混合架构的协同效应：当终端设备遇到复杂问题时，可以即时调用云端预训练模型的推理能力；而云端则通过边缘节点收集的实时数据不断迭代模型。这种"边缘敏捷+云端厚重"的组合，既保障了关键业务的即时响应，又确保了AI系统的持续进化。5G网络的普及和芯片算力的提升，正在加速这种协同模式的成熟，为AI落地开辟更广阔的空间。

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凭借其本地化运行特性，正在重塑多个应用场景下终端设备的智能化进程，形成多元化的应用生态。

• 消费电子：AI赋能的个人设备爆发

  智能手机与PC：1）AI手机，通过搭载端侧大模型（如小米AISP）实现实时翻译、图像增强等功能；2）AI PC，支持本地百亿参数模型运行。

  
  

  可穿戴与AR设备：1）智能手表，通过端侧AI实现健康监测（如OPPO Watch X2无创血糖检测）；2）AR眼镜（如雷鸟Air 2）依托本地处理提升交互实时性。

• 智能交通与汽车：自动驾驶与座舱升级

  自动驾驶：端侧AI支撑车辆环境感知与决策，如华为ADS 4.0系统通过4D毫米波雷达和本地大模型实现端到端路径规划，事故率降低38%。

  智能座舱：理想L7 Pro等车型采用端侧语音交互，响应延迟<0.5秒，多模态指令理解提升用户体验。

  
  

• 工业与安防：效率与安全的双重提升

  工业检测：华为Atlas 500边缘服务器搭载端侧模型，使三一重工钢板缺陷识别效率提升70%，误检率降至0.3%。

  智能安防：端侧AI实现视频监控实时分析（如海康威视“观澜大模型”）。

  
  

• 智能家居与机器人：场景化交互深化

  家居设备：智能音箱、扫地机器人等通过端侧AI优化语音控制与环境适应能力，减少云端数据传输。

  具身机器人：优必选Walker C等产品融合多模态传感器，实现本地化决策与交互。

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。

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，2025年旗舰手机NPU算力将达100TOPS，支持百亿参数模型本地部署；

2）应用场景拓展，AI手机渗透率2025年预计达38%，AI眼镜出货量突破280万副；工业4.0与智慧城市等领域对端侧AI的需求增速也将超过50%；

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，财政补贴占比提升至12%。

随着AI数据中心规模的不断扩大，厂商们正通过优化调度和资源使用的方式，显著提高资源利用率，从而降低单位算力成本。2024年12月18日，字节跳动在火山引擎FORCE大会上发布了豆包视觉推理大模型，并宣布进入"厘时代"。该模型定价仅为0.003元/千token，较行业标准降低了85%。火山引擎在技术上采用了多种优化手段来降低大模型成本，包括通过分布式推理提高底层算力利用率，以及采用混合调度技术对不同负载进行优化调度，这些措施都大幅降低了运营成本。

全球科技巨头正在大规模投资建设AI数据中心，这将进一步推动AI训练和推理成本的下降。1）亚马逊：2024年，宣布计划在未来几年内投资超过1000亿美元建设AI数据中心。2025年初，该公司又追加了110亿美元用于扩展佐治亚州的基础设施。2）微软： 2025年初，宣布计划在2025财年投资约800亿美元建设AI数据中心，以支持全球范围内的人工智能模型训练和云应用部署。3）谷歌：2025年预计将投入约750亿美元的资本支出，主要用于技术基础设施建设，包括服务器、数据中心和网络。随着这些新增数据中心容量的上线，云服务提供商可以通过优化调度方式，进一步降低训练和推理成本。这将为中小企业和初创公司创造更多机会，使他们也能参与到AIGC行业的创新浪潮中。

DeepSeek掀起的生成式AI技术革命，标志着端侧AI时代的全面到来。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的出现为产业参与格局带去巨大的变革。在过去，端侧AI研发被视作科技巨头的"特权领域"，仅微软、谷歌等企业能承担动辄数亿美元的研发投入。如今情况发生根本性转变，1）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；2）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。

DeepSeek的出现正在重塑全球AI产业格局，催生出包括AI模组、边缘计算芯片等新兴市场。从技术开源到生态共建的普惠路径：1）上游适配：华为昇腾、摩尔线程等10余家国产芯片企业完成模型适配，推理成本降低 40%；2）中台赋能：腾讯云、阿里云推出“DeepSeek 即服务”（DSaaS），中小企业可按秒计费调用API；3）下游爆发：家具行业用AI生成个性化设计方案，成交转化率大幅提升；玩具企业借力开发智能教育产品，客单价上涨。

生成式AI技术正加速从云端向终端设备渗透，软件+硬件持续迭代，推动端侧产品的功能革新与体验升级。在软件应用层面，AI技术已深度渗透至办公、创意、金融等多个垂直领域，AI应用产品已有不错表现。海外方面，Perplexity自推出以来实现持续增长，月活跃用户已突破1500万；OpenAI推出的ChatGPT Search进一步拓展了其产品矩阵，截至2024年年底，ChatGPT全球周活跃用户已达3亿量级。国内方面，字节跳动旗下的豆包2024年累计用户突破1.6亿，日均新增用户稳定在80万，展现出强劲的增长态势。

在硬件产品层面，生成式AI技术的快速发展正在重塑硬件产业生态，各类智能终端设备通过集成AI能力实现功能升级与体验革新。当前主流硬件产品形态主要包括以下六大类别，其技术成熟度与市场表现呈现显著差异：

• AIPC：自2023年概念提出以来，AIPC已完成从技术验证到规模落地的跨越。根据IDC最新数据，截至2025年Q1，搭载40TOPS及以上NPU算力的AIPC出货量为24.1万台，占国内笔记本市场的5.3%，较2024年Q4季度份额（1.4%）提升近4倍。核心厂商如联想、华为通过异构计算架构（CPU+GPU+NPU）实现本地化AI任务处理，支持智能办公、创意设计等场景。例如，联想Yoga Slim 7x可基于端侧大模型自动生成多语言会议纪要，显著提升生产力效率。

  
  

• AI手机：2024年为AI手机元年，全年渗透率从3%跃升至22%，其中国产品牌占据90%以上市场份额。华为、小米等厂商通过端云协同架构，在影像增强（如AI降噪、4K补帧）、智能助手（如语音指令复杂任务）等领域实现突破。

  
  

• AI可穿戴设备：智能眼镜与耳机成为增长最快的细分品类。Meta的AI眼镜及讯飞会议耳机Pro 3等产品通过实时翻译、会议摘要生成等功能，年出货量均超百万台。

  
  

• AI玩具：儿童交互类硬件通过轻量化模型实现爆发式增长。例如跃然创新的BubblePal挂件玩具累计销量25万台，销售额破亿元；生成式AI技术赋予玩具拟人化对话与个性化教育能力。

  
  

• 智能汽车：生成式AI在汽车领域主要应用于自动驾驶与座舱交互。蔚来NOMI GPT实现跨语言实时传译，选装率提升至58%；大众全系车型接入ChatGPT，优化导航与娱乐功能；汽车已在自动驾驶的长年探索中逐步使用生成式AI技术。

  
  

• 机器人：机器人尚处商业化早期，但细分领域如医疗陪护、工业检测已取得进展。生成式AI通过多模态数据训练（如视觉、语言、触觉），使机器人能够动态解析环境并生成最优行动策略。生成式AI可合成大量高保真训练数据，解决机器人领域真实数据稀缺问题。通过大语言模型（如GPT-4），机器人能理解自然语言指令并生成上下文相关的响应。

端侧硬件设备作为AI应用落地的物理载体，扮演着至关重要的双重角色：它既是AI技术实现的基础设施，也是连接用户与智能服务的首要入口。AI模型好比系统的"大脑"，而各类终端设备则构成了感知环境和交互用户的"神经末梢"。这种架构决定了真正的AI应用必须突破云端限制，通过实体设备成为用户日常生活中触手可及的智能伙伴。

伴随人工智能技术的快速发展，端侧AI芯片已成为科技创新的重要方向，端侧AI芯片并非单一芯片，而是一个由端侧SoC、存储芯片、传感芯片和智能模组等组成的完整体系。1）端侧SoC，作为硬件设备的"大脑"，正在向集成AI和边缘计算能力的AISoC演进，算力已突破数十至数百TOPS；2）存储芯片，负责存储AI模型和运行数据，面临着容量、速度和功耗的多重挑战；3）传感芯片，作为设备的"感官"，采集温度、光线、声音等环境信息，为AI决策提供数据基础；4）智能模组通过集成各类芯片和软件，为终端设备提供即插即用的AI解决方案。上述组件协同工作，共同赋能智能终端设备强大的AI处理能力。

3.1.1.端侧SoC

端侧SoC：端侧SoC（系统级芯片）是专为终端AI应用设计的高度集成化芯片解决方案，它将处理器（包括CPU、GPU等多种计算单元）、存储器、通信接口（如USB、Wi-Fi）、传感器接口（支持摄像头、麦克风等各类传感器）以及专用AI计算模块（如NPU神经网络处理器）集成于单一芯片，使终端设备能够本地运行AI算法。这种设计不仅实现了低功耗和高能效比，还能在有限的芯片面积和功耗预算下提供强大的计算能力，完美适配端侧AI应用对性能与能效的双重要求。

SoC市场规模：根据MarketResearch最新数据，全球SoC市场规模预计将从2022年的1548亿美元增长至2032年的3278亿美元，年复合增长率（CAGR）为8%。市场规模显著增长主要受益于移动设备、物联网等领域对SoC芯片需求持续攀升，这些应用场景通过SoC显著提升了产品性能和能效。同时，随着AI技术普及、5G网络部署加速以及边缘计算发展，SoC技术持续演进以满足日益复杂的处理需求，为各类终端设备提供了更强大的本地化智能计算能力。

SoC发展趋势：

• 算力需求持续攀升：随着生成式AI、多模态交互等前沿技术的快速发展，终端设备对SoC芯片的算力要求呈现指数级增长。在AI手机、AIPC、智能座舱等应用场景中，需要搭载更强大的SoC芯片来支持复杂AI模型的本地化运行和实时数据处理，从而为用户带来更流畅、更智能的交互体验。这一趋势正推动着SoC芯片向更高算力、更低延迟的方向演进。

  
  

• 集成化与融合化趋势明显：现代SoC芯片正朝着高度集成的方向发展，通过融合CPU、GPU、NPU、DSP、ISP等多种计算单元，构建强大的异构计算架构。这种集成化设计不仅提升了整体计算能力，还显著降低了系统功耗和成本。同时，端侧SoC正与传感器、存储器等元件深度整合，形成更紧凑、更高效的系统级解决方案，以满足终端设备在小型化和高性能方面的双重需求。

  
  

• 低功耗设计成为关键：为适应移动设备和物联网终端对续航能力的严苛要求，新一代SoC芯片将低功耗设计作为核心考量。通过采用先进制程工艺、优化电路架构、引入动态电压频率调节等创新技术，大幅降低芯片在运行和待机状态下的能耗。这些技术突破使得设备在保持高性能的同时，能够显著延长电池使用时间。

  
  

• 安全性能持续强化：随着设备智能化程度提升和数据价值凸显，SoC芯片的安全性能变得至关重要。新一代产品将集成硬件加密引擎、安全启动、可信执行环境等安全模块，构建全方位的防护体系。这些安全特性不仅能有效保护用户数据和隐私，还能确保系统完整性，防范各类恶意攻击和篡改行为。

  
  

• 性能与功耗的平衡挑战：在有限的芯片面积和功耗预算下实现更高算力，成为SoC设计面临的核心难题。特别是随着AI模型复杂度不断提升，如何在保证推理精度和速度的前提下，优化模型能效比和存储需求，成为行业亟待解决的技术瓶颈。这一挑战正推动着芯片架构创新和算法优化的协同发展。

3.1.2.存储芯片

端侧存储芯片是专为智能终端设备上的人工智能应用而设计的存储解决方案。这类芯片主要应用于智能手机、智能手表、智能家居设备、智能安防摄像头等端侧设备。由于这些设备通常面临计算资源和存储资源受限的挑战，同时对实时性、低功耗和成本有着严格要求，端侧存储芯片应运而生，旨在高效存储和处理AI相关数据，满足终端设备的智能化需求。

• 高性能与高带宽特性：为支持AI模型的快速加载和数据处理，端侧存储芯片必须具备高带宽特性，能够在短时间内完成大量数据的读写操作。这一特性不仅能够满足高并发的数据访问请求，还能有效缓解"内存墙"问题，在资源受限的环境下充分释放端侧大模型的性能潜力，确保AI应用的流畅运行。

  
  

• 大容量存储需求：随着端侧AI应用的快速发展，特别是大语言模型在智能手机等设备上的部署，对存储芯片容量提出了更高要求。现代端侧存储芯片需要提供更大的存储空间，以容纳日益庞大的模型参数、输入数据以及运算过程中产生的中间结果，为复杂AI应用提供充足的存储支持。

  
  

• 低功耗设计优势：考虑到大多数端侧设备依赖电池供电的特性，端侧存储芯片特别注重低功耗设计。通过优化电路结构和采用先进的节能技术，这类芯片能够显著降低能耗，有效延长设备的续航时间，在保证性能的同时满足移动设备对能效的严格要求。

  
  

• 高可靠性与安全性：在智能汽车、工业控制等对可靠性要求极高的应用场景中，端侧存储芯片的数据准确性和稳定性至关重要。这类芯片通过采用纠错编码、数据校验等可靠性增强技术，确保数据存储和读取的准确性，为关键应用提供坚实的数据保障，防止因数据错误导致的系统故障。

存储芯片市场规模：根据CFM闪存市场最新数据，2024年全球存储市场规模达到1670亿美元，创下历史新高。这一增长主要受AI服务器、高端智能手机及AI PC等需求驱动，其中NAND Flash市场规模达696亿美元，DRAM市场规模为973亿美元。2025年，随着端侧AI应用的加速渗透，存储器市场将迎来新一轮增长。NAND Flash和DRAM的bit容量需求预计较2024年分别增长12%和15%。

国内市场方面，根据中商产业研究院报告显示，2024年半导体存储器市场规模约为4267亿元，预计2025年将增长至4580亿元。

AI端侧应用的快速普及正显著推动存储芯片需求增长。智能手机方面，16GB DRAM为目前AI手机最为基础的配置，如需运行70亿参数大模型对于手机内存的要求至少为14GB；PC方面，内存需求由16GB跃升至32GB。根据2024年数据显示，手机存储需求同比增长4%，PC存储需求增长8%，我们认为这一趋势将延续，根据美光预测，预计到2025年43%的PC将具备AI能力，2028年占比将达64%，届时AIPC所需内存容量将比当前高出80%。与此同时，智能汽车、智能家居等新兴AI应用场景的拓展，也在持续拉动存储芯片的市场需求。

存储技术协同演进，推动智能终端向更高性能、更低功耗的AI化方向发展：

• DRAM（动态随机存取存储器）：作为最常见的系统内存类型，DRAM用于临时存储和处理数据，是存储芯片中市场规模最大的单品。在AI智能手机、AIPC等终端设备中，DRAM的高带宽和低延迟特性为AI任务提供了快速的数据访问能力。随着AI应用对算力需求的提升，大容量、高速度的DRAM正成为主流，例如美光1γ制程的LPDDR5X已实现10.7Gbps传输速率，显著优化了端侧AI的响应效率。

  
  

• NAND Flash（闪存）：非易失性存储器用于长期存储操作系统、应用程序和用户数据。随着端侧AI模型（如大语言模型）的普及，设备对NAND Flash的容量需求激增，尤其是QLC技术因高密度优势逐渐渗透企业级SSD和智能手机存储领域。3D NAND技术通过堆叠层数持续提升容量。

  
  

• NOR Flash：主要用于存储启动代码和固件，其快速读取特性在AI穿戴设备（如TWS耳机）中至关重要。尽管市场份额较小，但中大容量NOR Flash需求因AIoT发展而增长，兆易创新等厂商已跻身全球前列。

  
  

• UFS（通用闪存存储）：高端移动设备的首选方案，如长江存储的UFS 3.1芯片UC023，支持230K IOPS随机写入速度，显著提升AI应用的加载效率。UFS 4.0进一步将读写速度推至4200MB/s和2800MB/s，为端侧AI的数据流转提供强力支持。

  
  

• LPDDR（低功耗DRAM）：专为移动设备优化的内存技术，LPDDR5X通过铜柱堆叠等设计实现8.5Gbps带宽，功耗降低20%，适配实时AI推理需求。下一代LPDDR6将进一步强化带宽，支持更复杂的端侧AI任务。

  
  

• HBM（高带宽存储器）：虽然目前主要用于服务器领域，但三星等厂商正研发端侧HBM技术，预计2026年商业化，有望为移动设备带来革命性算力提升。

3.1.3.智能传感芯片/传感器

端侧智能传感芯片/传感器是终端设备实现智能化感知的核心器件，它将传统传感功能与AI计算能力深度融合。具备三大核心特性：1）智能一体化架构，芯片在硬件层面集成了传感单元、信号调理电路和AI加速模块，能够完成从物理信号采集（如光、声、运动等）、数据预处理（降噪/特征提取）到初步AI分析（模式识别/异常检测）的全流程处理。例如，智能摄像头中的视觉传感器已能本地完成人脸检测和行为分析；2）边缘计算赋能，通过内置轻量化神经网络处理器（如NPU），可在传感器端直接执行AI推理，实现毫秒级响应。工业设备中的振动传感器就能实时诊断机械故障，无需上传云端，既保障了实时性又降低了90%以上的数据传输能耗。3）场景自适应能力，新一代产品支持动态配置工作模式，如智能家居传感器能根据环境光照自动切换功耗策略。部分高端型号还具备增量学习功能，可针对特定场景持续优化识别准确率，例如医疗穿戴设备通过持续学习提升ECG信号分析的个性化精度。

智能传感芯片/传感器市场规模：根据中商产业研究院最新发布的《2024-2029年全球及中国智能传感器市场调查与行业前景预测专题研究报告》数据显示，近年，全球智能传感器市场呈现稳健增长态势，2023年，全球市场规模达到469亿美元，2019-2023年CAGR为10.01%；预计2024、2025年该市场规模将增长至543亿、710亿美元。

智能传感器未来将从多模态、高集成、微型化三大趋势协同发展。

• 多模态融合成为技术主流：随着端侧AI技术的普及，单一传感器的局限性日益凸显，多模态数据融合成为突破复杂场景需求的关键。现代智能传感器正通过整合图像、语音、运动等多种感知数据，模拟人类的多感官协同机制，显著提升环境感知的全面性和准确性。例如，在自动驾驶领域，激光雷达、摄像头和毫米波雷达的多模态融合可实现对障碍物的三维精准识别；在医疗监测中，结合生物电信号与运动数据的多模态分析能更早发现健康异常。这一趋势不仅拓展了传感器的应用边界（如虚拟现实、智能安防），还推动了边缘计算架构的革新，使实时决策无需依赖云端成为可能。

  
  

• 高度集成化重构传感器架构：未来智能传感芯片将向"系统级集成"方向演进，通过异构计算架构整合CPU、GPU、NPU及专用处理单元（如ISP、DSP），形成强大的本地化数据处理能力。以博通BCM4773芯片为例，其将GNSS定位、传感器中枢和无线通信模块集成于单一芯片，不仅降低80%功耗，还减少了34%的电路板面积。这种集成化设计使得传感器能独立完成信号采集、特征提取甚至AI推理，大幅减轻主处理器负载。在工业物联网中，集成化传感器可直接在设备端实现振动频谱分析和故障预测，将传统"感知-传输-处理"链条简化为"感知即分析"。

  
  

• 微型化与低功耗技术驱动应用革命：为适应可穿戴设备、植入式医疗器件等微型化终端的需求，传感器正通过三项核心技术突破物理极限：1）先进制程工艺：采用7nm以下工艺的MEMS传感器体积缩小至毫米级，如用于血糖监测的纳米针阵列传感器；2）动态功耗管理：通过DVFS（动态电压频率调节）技术，使传感器在待机时功耗降至微安级，如智能手环的光学心率传感器可依据运动状态自动调节采样频率；3）材料创新：石墨烯等二维材料的使用，既提升灵敏度又降低能耗，例如柔性压力传感器的功耗仅为传统产品的1/5。这些进步使得分布式传感器网络可连续工作数年无需更换电池，为智慧城市、环境监测等长期部署场景提供可能。

3.1.4.端侧AI模组

在物联网向智能化跃迁的进程中，通信模组已从单纯的数据传输枢纽进化为集连接与计算于一体的"智能神经节点"。作为物联时代的信息链接核心，传统通信模组主要负责将终端设备（如传感器、车载系统、智能家居等）采集的数据通过无线网络传输至云端。而随着AI技术的爆发式发展，端侧设备对模组提出了更高维度的要求——不仅需要保障数据传输的可靠性，还需具备本地化AI推理算力以应对实时决策需求。端侧AI模组应运而生，这类集成人工智能计算能力的硬件模块，通过内置专用AI加速芯片（如NPU、TPU）、异构计算单元（CPU/GPU/DSP）及轻量化算法框架，可直接在智能手机、工业设备等终端上运行AI模型，实现环境感知、语音交互等功能的毫秒级响应。其技术突破体现在三方面：1）通过模型压缩（如MobileNet）和量化技术（INT8）适配边缘设备的资源限制；2）采用"传感器-模组"一体化设计，如广和通"星云"系列支持多模态数据融合处理；3）通过联邦学习实现隐私保护下的协同训练。这种"算力下沉"模式有效弥补了云端AI在实时性（自动驾驶需<100ms延迟）、隐私安全（医疗数据本地处理）及能效优化（电池供电设备）等方面的短板，成为推动AIoT规模化落地的关键载体。据行业实践，搭载高通QCS8550平台的AI模组已能在端侧实现48TOPS算力，支持7B参数大模型运行，使智能陪伴机器人具备拟人化交互能力，标志着通信模组正式进入"连接+计算+智能"的三元融合时代。

模组市场空间：伴随下游应用场景拓宽，通信模组市场规模持续增长。全球无线通信模块市场正迎来技术升级与产业变革的双重机遇。随着5G技术加速替代4G网络，通信模块作为数据传输的核心载体，市场规模呈现持续扩张态势，由2020年323亿元增长至2024年436亿元，CAGR为7.7%。其中，中国市场增速尤为显著，由2020年174亿元增长至2024年247亿元，CAGR为9.1%。另外，根据弗若斯特沙利文数据显示，预计全球通信模组市场规模将由2025年的486亿元增长至2029年的726亿元，CAGR达10.6%。这一增长主要得益于5G技术成为主流和人工智能下游场景应用激增两大核心驱动力，下游新兴应用场景包括汽车电子领域的智能化转型、智能家居生态的快速渗透。技术迭代不仅体现在通信速率的提升，更在于通信模块与人工智能、边缘计算等技术的深度融合，推动行业向智能化、集成化方向演进。

模组未来发展趋势：

"通信+算力"深度融合开启智能物联新时代。随着生成式AI技术的爆发式发展，通信能力与AI计算正经历前所未有的深度融合。端侧AI模组作为这一融合趋势的关键载体，正在重构物联网的基础架构。通过在传统通信模组中集成NPU、GPU等异构计算单元，新一代模组已具备本地化AI推理能力，推动物联网从简单的"万物互联"向"万物智联"跃迁。以高通QCS8550平台为例，其将5G通信与48TOPS算力整合于单一芯片，使工业设备能实时执行视觉检测算法，城市摄像头可本地处理人流分析，智能家居设备能实现自然语言交互。这种"连接即计算"的范式转变，正在消除云端依赖带来的延迟和隐私问题，为各行业智能化提供基础支撑。

硬件与算法的协同优化突破性能边界。端侧AI模组的发展呈现出硬件算力与模型优化的双轮驱动特征。一方面，专用AI加速芯片（如联发科Genio 1200的6TOPS NPU）持续提升算力密度；另一方面，模型剪枝、量化（INT8/FP16）、知识蒸馏等技术大幅降低模型复杂度。两者的协同效应使得7B参数的大模型已能在功耗<5W的模组上运行。这种优化带来的直接效益：智能家居的人体姿态识别延迟从500ms降至80ms；自动驾驶的决策响应时间缩短60%；服务机器人可本地运行多模态交互模型。更重要的是，通过动态电压频率调节（DVFS）和专用指令集优化，能效比提升5-8倍，使AA电池供电的设备也能承载复杂AI应用，极大拓展了应用场景边界。

垂直定制化催生行业专属解决方案。当前端侧AI模组正经历从"通用平台"到"行业特制"的战略转型。这一转变源于各领域差异化需求的爆发：工业场景强调可靠性和实时性（如预测性维护需<10ms延迟）；消费电子追求极致能效（如AI玩具需续航30天以上）；车载应用则需满足车规级认证。以AI玩具为例，定制模组整合了语音唤醒（<100mW）、情感识别算法和安全加密模块，成本较通用方案降低40%。而在医疗领域，通过将FDA认证的ECG算法固化至模组，使便携设备能专业级心律分析。这种深度定制不仅涉及硬件重构（传感器接口、封装形式），还包括软件栈的行业适配，如工业模组支持OPC UA协议，农业模组集成土壤分析模型。据ABI Research预测，到2027年垂直定制模组将占据60%市场份额，成为推动行业数字化转型的核心引擎。

随着人工智能技术的快速发展，端侧AI与智能终端设备的深度融合正在重塑人机交互的边界。端侧AI通过将大模型的计算能力从云端迁移至终端本地，赋予智能终端设备实时性更强、隐私性更高、自主性更优的“本地大脑”，使其从传统的数据采集工具进化为具备感知、决策和执行能力的“智能体”。这一变革不仅依赖于NPU、GPU等专用芯片算力的跃升（如2025年旗舰手机NPU算力突破100TOPS），更得益于模型压缩技术（如DeepSeek的千亿参数轻量化部署）对硬件资源的高效适配。从AI手机的实时翻译到智能汽车的自动驾驶，从可穿戴设备的健康监测到工业机器人的场景化服务，端侧AI正推动终端设备从“功能单一”向“场景智能”演进，构建起万物互联时代的核心技术底座。

智能汽车终端是集成于车辆内部的智能化系统，通过硬件与软件的深度协同，实现导航、通信、娱乐、安全监控及自动驾驶辅助等综合服务。其核心价值在于推动车辆从“机械载体”向“智能移动终端”转型，成为车联网（V2X）与智能网联汽车的核心硬件载体。硬件层面，终端融合高精度定位模块（如GPS/北斗）、多传感器（摄像头、雷达、激光雷达）、车载显示屏及计算单元，具备环境感知、数据采集与传输能力；软件层面，搭载AI算法、操作系统及应用生态，支持语音交互、路径规划、驾驶员状态监测等功能，并通过OTA持续优化性能。

端侧AI与智能汽车终端的技术协同：端侧AI与智能汽车终端的深度融合，是推动汽车智能化转型的核心驱动力。端侧AI通过在本地设备（如车载芯片、传感器）上运行AI模型，解决了传统依赖云端计算的延迟问题，使智能汽车终端具备实时感知、决策和执行能力。例如，高通推出的“至尊版汽车平台”通过端侧NPU（神经网络处理器）和Transformer加速器，实现了毫秒级的环境感知与路径规划，显著提升了自动驾驶的安全性和响应效率。此外，端侧AI的本地化处理能力降低了对网络的依赖，即使在信号不佳的场景下，车辆仍能自主完成复杂任务，如障碍物识别、车道保持等。这种“端-云协同”架构不仅优化了算力分配，还通过边缘计算减少了数据上传的隐私风险，为智能汽车终端构建了高效、安全的底层技术支撑。

端侧AI重塑智能汽车终端的用户体验：端侧AI的落地直接推动了智能汽车终端从“工具”向“智能助手”的跃迁。通过本地部署的轻量化大模型，智能座舱可实现语音、视觉、情绪识别的多模态交互，例如根据驾驶员状态自动调节空调温度或播放音乐，甚至在长途驾驶中主动提醒休息。这种“零延迟”的交互体验，依赖于端侧AI对车内数据的实时分析与本地推理能力，无需依赖云端服务器，既保障了隐私安全，又提升了操作流畅性。同时，端侧AI与智能汽车终端的硬件（如高通Flex架构SoC）深度耦合，通过多域计算统一优化算力资源，使座舱与驾驶辅助系统无缝协同。例如，当摄像头检测到前方急刹车时，端侧AI可在30毫秒内触发制动指令，远超人类反应速度。未来，随着端侧大模型的持续迭代，智能汽车终端将逐步成为具备自主学习能力的“移动智能体”，为用户提供更个性化、更安全的出行服务。

中国智能汽车市场规模：中国智能汽车产业近年呈现爆发式增长，作为人工智能、5G通信与传统汽车制造深度融合的创新产物，其发展正在重塑整个交通出行生态。根据中商产业研究院最新发布的《2025-2030年中国智能汽车行业市场深度分析及投资前景研究预测报告》显示，2024年我国智能汽车市场规模已达2152亿元，近五年保持着29%的高速复合增长率。展望2025年，在政策支持和市场需求的双重推动下，市场规模预计将突破2822亿元大关。这一数据充分印证了我国智能汽车产业已进入快速发展期，从最初的辅助驾驶功能逐步向高度智能化、网联化的方向演进，正在深刻改变着人们的出行方式和交通管理模式。

智能座舱方面，根据毕马威的数据，2023年智能座舱市场规模约1300亿元;预计

2026 年中国智能座舱市场规模将达人民币2127亿元，2022-2026年CAGR超过17%。

智能汽车发展趋势与挑战

• 自动驾驶技术加速商业化进程：随着AI算法迭代、高算力芯片普及及多模态感知技术成熟，L3及以上高级别自动驾驶正加速从实验室研发向规模化商业应用迈进。特斯拉FSD端到端大模型、华为ADS 3.0等系统的落地，标志着自动驾驶已突破传统模块化架构，进入基于深度学习的全栈自研阶段。未来，具备场景泛化能力的端到端自动驾驶将成主流，通过云端持续学习实现动态进化，推动智能汽车从“辅助驾驶”向“自主决策”跨越。

  
  

• 车路协同与单车智能深度融合：智慧交通建设正推动“单车智能+车路协同”双轮驱动模式。通过V2X（车路协同）技术，车辆可实时获取交通信号、道路施工等基础设施数据，与单车本地决策系统形成互补。例如，红绿灯相位预测可优化车队通行效率，突发事故预警可降低碰撞风险。这种“软硬协同”模式不仅提升单车安全冗余度，更通过交通流全局优化，为城市智慧化管理提供数据支撑。

  
  

• 数据治理成为技术突破关键瓶颈：智能汽车依赖海量高质量数据训练模型，但当前面临三大挑战：一是数据采集受限于地理覆盖与场景多样性，导致边缘案例覆盖率不足；二是缺乏统一标注标准与质量评估体系，影响算法泛化能力；三是数据安全与隐私保护机制尚未完善，亟需建立跨行业数据合规框架。未来需通过开放道路测试数据共享平台、联邦学习技术及车路云一体化数据闭环，构建可持续的数据生态。

机器人技术在感知技术、运动控制和算力水平持续突破的推动下，正迎来革命性发展。作为智能硬件领域的集大成者，具身智能机器人通过"感知-决策-执行"的闭环系统，实现了真正意义上的环境交互与自主适应。与依赖符号推理的传统AI不同，这种新型智能范式强调物理具身性，通过多模态感知和实时运动控制来构建认知体系，最终实现高阶自主智能。

产业应用方面，具身智能机器人终端展现出惊人的适应能力：通过集成AI与机器人技术的实体载体，不仅能自主学习优化行为模式，还能灵活应对各类场景需求。从医疗康复到商业服务，从导览接待到零售营销，其应用版图正在快速扩张，成为推动行业智能化转型的核心力量。特别是在服务机器人领域，其自主决策和环境适应能力正不断突破传统自动化设备的局限。

市场数据印证了机器人爆发性的增长趋势。据《2025人形机器人与具身智能产业研究报告》显示，中国具身智能市场预计在2025年达到52.95亿元规模，占据全球27%的份额。更值得注意的是，人形机器人细分市场将以82.39亿元的预期规模，拿下全球50%的市场占比。麦哲产业研究院的补充数据表明，中国机器人产业整体规模已在2023年突破1572亿元，形成工业机器人主导、服务与特种机器人快速跟进的产业格局。这些数字不仅反映了技术迭代的速度，更预示着智能硬件产业正在经历从单一功能向综合智能体的范式转变。

机器人技术演进&商业化挑战：

感知能力的突破：从视觉到触觉的全面升级。感知技术是机器人实现智能决策与精准执行的基础。随着3D视觉技术的成熟，具身智能机器人将具备更强大的环境识别能力，能够捕捉细微特征，提升空间理解与交互精度。与此同时，触觉感知技术（如电子皮肤、力矩传感器）的进步，让机器人能像人类一样感知力度与材质，避免抓取失误或损坏物品。这一能力对工业机器人（如精密装配）和服务机器人（如护理、搬运）尤为关键，将大幅提升其操作安全性与适应性。

大模型+轻量化模型：算力与效率的平衡。大模型与轻量化模型的结合，成为推动具身智能发展的“双引擎”。大模型凭借强大的多模态数据处理能力，帮助机器人提升感知、决策和自主学习水平，使其在复杂环境中做出更合理的判断（如人形机器人在动态场景中的路径规划）。而轻量化模型则优化算力需求，确保机器人能在本地高效运行，适用于不同硬件平台，为实时任务（如避障、抓取）提供灵活支持。二者的协同将推动机器人从“预设规则执行”向“自主适应决策”进化。

载体形态多样化：从工业协作到人形服务。具身智能机器人的形态不再局限于“人形”，而是根据应用场景灵活适配。协作机器人（如工业机械臂）能提升生产线的柔性协同能力，移动机器人（如物流AMR）可自主完成仓储运输任务，商用服务机器人（如导览、清洁机器人）已在特定场景落地。而人形机器人凭借类人的外形与通用适应能力，未来有望在家庭陪护、个性化服务等领域发挥更大价值，但其技术复杂度更高，仍需在运动控制、环境交互等方面持续突破。

商业化挑战：从专用智能迈向通用适应。尽管技术进步显著，但机器人的泛化能力仍是商业化落地的关键瓶颈。当前大多数机器人仍依赖训练数据的模式匹配，面对新任务或陌生环境时缺乏真正的理解与适应能力。要实现通用具身智能，需突破因果推理、常识理解等更高阶的认知能力（如让机器人理解“为什么门打不开”而非仅执行“推门”动作）。这一挑战涉及算法、硬件、数据等多维度协同，预计仍需较长时间才能实现质的飞跃。未来，如何平衡技术研发与成本控制，将是产业规模化发展的核心命题。

AI赋能下一代消费电子产品：

AI手机：掌中的智能中枢

作为移动智能终端的进化形态，AI手机正在重新定义人机交互范式。这类设备搭载专用NPU芯片组，运算能力较传统手机提升数倍，可实时处理复杂的多模态输入数据。通过整合高精度传感器阵列和本地化部署的AI大模型，AI手机实现了从被动响应到主动服务的转变：智能影像系统能自动识别场景并优化拍摄参数，预测性AI引擎可学习用户行为模式提前加载所需应用，语音助手则进化成为能理解复杂指令的个人数字管家。这种深度个性化体验标志着智能手机从工具向"数字伴侣"的转型。

AI PC：下一代生产力平台

AI PC代表着计算设备的范式跃迁，其核心在于构建了完整的本地AI计算架构。配备专用NPU模块的异构计算平台，可同时处理CPU、GPU和NPU的混合工作负载，使大语言模型在设备端的高效运行成为可能。预装的AI操作系统不仅支持自然语言交互、智能文档处理等创新功能，更通过隐私计算架构确保敏感数据不出设备。这种设计既解决了云端AI的延迟问题，又满足了企业级数据安全需求，正在重塑办公、创作等生产力场景。

AI眼镜：空间计算的新入口

2025年迎来爆发的AI眼镜，正推动人机交互进入空间计算时代。中国厂商引领的这波创新浪潮，通过微型光机、空间传感器和边缘AI计算的融合，实现了三大突破：一是AR导航可将数字信息无缝叠加真实世界，二是实时AI翻译消除了语言交流障碍，三是工业场景的远程协作系统大幅提升作业效率。值得关注的是，头部品牌通过构建开发者生态，已形成从硬件、算法到应用场景的完整闭环，这使AI眼镜开始从极客玩具转变为大众消费品。据行业分析，随着光学显示和电池技术的持续突破，该品类有望在未来三年实现规模化普及。

市场规模呈现高速增长态势：

AI手机：渗透率快速提升，中国市场引领增长。

2025年，中国新一代AI手机市场预计出货量达1.18亿台，同比增长59.8%，占整体智能手机市场的40.7%。全球范围内，AI手机渗透率持续攀升，Counterpoint Research预测2024年AI手机占比将达11%，2027年提升至43%，年出货量突破5.5亿台，较2024年增长4倍。Canalys则指出，2025年AI手机渗透率将达34%，端侧模型优化（如DeepSeek降低算力需求）和芯片升级（次旗舰SoC支持本地大模型）是推动中端市场普及的关键因素。

AI PC：出货量爆发式增长，2025年成关键节点。

据Canalys报告数据显示，2024年Q4，全球AIPC出货量达1540万台，占PC总出货量的23%，全年渗透率为17%。Canalys预测，2025年AIPC出货量将超1亿台，占比提升至40%；到2028年，出货量将达2.05亿台，2024-2028年CAGR高达44%。这一增长得益于混合算力架构（CPU+GPU+NPU）的成熟和Windows 12等系统对AI功能的深度整合。

AI眼镜：中国市场增速领跑，2025年迈入商业化元年。

根据QYResearch数据显示，2023年全球AI眼镜市场规模大约为1.27亿美元，预计2030年将达到17.2亿美元，2023-2030年CAGR为45.1%。2025年AI眼镜行业将迎来新品密集发布期，自研芯片成为差异化发展的重要策略。当前，全球大型互联网公司均有相关产品正在设计或开发中，国内外手机制造商也在进行类似的规划，如小米、Rokid等。

端侧AI在工业设备终端直接运行人工智能算法，无需依赖云端处理的技术，实现对工业场景赋能。通过在传感器、控制器、机器人等设备上集成高效的AI芯片与算法模型，实现数据的实时采集、分析和决策。端侧AI具备低延迟、高实时性和数据本地化处理的优势，特别适用于对响应速度要求极高的智慧工业场景。

在智慧工业中，端侧AI的应用广泛且至关重要。例如，在预测性维护方面，它可以实时监测设备状态并提前预警故障；在智能视觉检测领域，端侧AI能够迅速识别生产线上的产品缺陷，确保质量控制。此外，它还支持柔性制造系统，根据生产需求动态调整参数，提高生产效率。通过这些应用，端侧AI不仅提升了工业生产的自动化水平，还增强了系统的可靠性和灵活性，成为推动工业4.0发展的关键技术之一。未来，随着技术的进步，端侧AI将继续拓展其应用场景，为智慧工业带来更多创新可能。

根据 Fortune Business Insights 的数据，2024年全球智能制造市场规模达到3494.8亿美元。预计将持续快速增长，从2025年的3943.5亿美元扩大至2032年的9989.9亿美元， 2025-2032年CAGR为14.20%。据前瞻产业研究院统计，2022年中国智能制造市场规模约为4万亿元，其中智能制造装备占比约3.2万亿元，系统解决方案约为0.8万亿元。2023年，中国智能制造市场规模增至4.3万亿元，同比增长7.5%。展望未来，预计到2027年，整体市场规模将攀升至6.6万亿元，届时智能制造装备市场有望达5.4万亿元，系统解决方案市场则预计达到1.2万亿元。

端侧AI作为人工智能与边缘计算融合的关键技术，正深度赋能智慧城市建设，成为推动城市智能化转型的核心驱动力。其核心价值在于将AI算法部署于城市终端设备（如摄像头、传感器、智能网关等），实现数据本地化处理与实时决策，避免了云端传输的延迟与带宽压力，显著提升了响应速度与系统可靠性。

在智慧城市中，端侧AI广泛应用于多个关键场景。在智能交通领域，部署于路口的AI摄像头可实时识别车流、行人与违章行为，动态优化信号灯配时，缓解交通拥堵；在公共安全方面，端侧AI支持本地视频结构化分析，实现异常行为预警与快速事件响应，保障城市安全；在智慧能源管理中，边缘AI设备可实时监测电网负荷、楼宇能耗，并自主调节用电策略，提升能源利用效率。此外，在智慧社区、环境监测、市政设施运维等场景，端侧AI也展现出强大的适应性与扩展性。

通过构建“终端感知—边缘智能—云端协同”的架构，端侧AI不仅增强了城市运行的智能化水平，还兼顾了数据隐私与系统韧性。未来，随着5G、AI芯片与城市数字孪生技术的深度融合，端侧AI将持续推动智慧城市向更高效、更安全、更可持续的方向发展。

市场规模：根据《2020-2025全球及中国智慧城市行业市场现状调研及发展前景分析报告》显示，中国智慧城市市场规模在投资价值维度呈现显著增长态势。2020年市场规模为15万亿元，至2024年已攀升至36.8万亿元，年均复合增长率（CAGR）达25.2%。这一增速反映出智慧城市在城市治理、民生服务及产业转型中的战略价值持续释放。据预测，2025年中国智慧城市市场规模将进一步扩大至45.3万亿元，标志着该领域正加速迈向规模化应用阶段。

公司端侧AI与机器人业务布局深化，打造多元化增长引擎。

技术突破与产品矩阵拓展：公司持续强化物联网垂直领域布局，在端侧AI领域实现重要技术突破。自主研发的Fibocom AI Stack技术平台整合了机器视觉、语音识别和生成式AI等前沿技术，并成功将轻量化蒸馏模型部署至AI模组，显著提升了边缘设备的智能化水平。同时，公司在机器人领域已构建从平台设计到供应链管理、生产制造的全流程能力，定位超越传统代工模式。其智能割草机器人解决方案已具备商业化条件，正与多家客户推进合作，未来自有品牌机器人有望成为行业第一梯队竞争者。通过持续加码AI与机器人研发投入，公司正从单一的智能模组供应商向整体解决方案提供商转型，培育多元业绩增长点。

场景化AI解决方案落地：公司通过融合AI技术与垂直场景需求，推出一系列创新解决方案。1）AI玩具大模型MagiCore：内置广和通Cat.1模组，集成豆包等AI大模型，并通过火山引擎接入DeepSeek，支持智能早教玩偶的多维交互功能，已与实丰文化合作成立联合实验室深化应用开发。2）多功能AI红外相机：结合AI算法与高精度传感器，适用于户外打猎、森林防火等专业场景，提升环境监测与风险预警能力。3）QuickTaste AI：部署于联迪商用智能终端，解决餐饮行业语言沟通障碍，优化点餐与服务流程。4）AI Buddy：提供实时翻译、语音交互等功能，适配多种智能设备，拓展消费级AI应用边界。

财务表现：2024年，公司营收达81.89亿元，同比增长6.13%；归母净利润6.68亿元，同比增长18.53%，主业稳健增长。2025年Q1受剥离瑞凌造成的影响，营收与利润同比分别下滑12.59%和37.30%，短期业绩波动并未改变长期技术布局的价值，随着AI及机器人业务的商业化加速，盈利结构有望进一步优化。

乐鑫科技凭借其Wi-Fi MCU产品在智能家居、消费电子和工业控制领域建立了显著的先发优势。通过"高性价比+软硬云一体化"战略，公司已构建起包括自研ESP-IDF操作系统和ESP RainMaker平台在内的完整生态体系。这种开发者友好的解决方案不仅大幅降低了客户开发成本，更通过开源策略强化了用户粘性。

AI战略布局与技术演进：公司在端侧AI领域的布局可追溯至2019年，展现出前瞻性的技术规划能力。2020年底推出的ESP32-S3芯片已成为AIoT应用的主力产品线，该芯片集成了端侧AI处理能力，在2023年实现规模化量产。目前，乐鑫正积极推进基于RISC-V架构的下一代AI芯片研发，以应对日益增长的AIoT市场需求。这种"处理+连接"双轮驱动的产品策略，使公司能够持续提升产品性能和价值量，实现量价齐升的良性发展。

AIoT生态合作与创新应用：在AI硬件创新方面，乐鑫与火山引擎的合作颇具代表性。2024年双方联合推出的"AI+硬件智跃计划"，通过豆包大模型与乐鑫芯片的深度整合，为智能潮玩产品提供了完整的"大脑-肉体-灵魂"解决方案。这种端云协同架构既实现了本地实时交互，又能调用云端智能服务，已成功应用于Bubblepal等多款热销产品。据市场反馈，搭载乐鑫方案的AI玩具因出色的教育陪伴价值，部分产品在二手市场出现溢价交易现象。

财务表现：公司2025Q2业绩预告显示强劲增长态势，营收预计达6.62-6.92亿元，同比增长24.2%-30%；归母净利润1.56-1.76亿元，同比增长60%-80.4%。随着AIoT渗透率提升和公司高端产品占比提高，盈利能力有望持续增强。

深耕AIoT领域，赋能百业智能化升级。公司作为国内AIoT SoC芯片领域的领军企业，公司自2001年成立以来，始终专注于智能应用处理器SoC及周边配套芯片的研发与创新。凭借在AIoT核心技术、产品组合、场景应用及客户资源等方面的深厚积累，公司构建了覆盖汽车电子、机器视觉、工业控制、教育办公、商业金融、智能家居及消费电子等多元化行业的芯片解决方案平台，为下游客户提供多层次、多算力的AIoT芯片支持。目前，公司已与安克创新、比亚迪、百度、歌尔、科沃斯、SONY、腾讯、网易、小米、中国电信等数千家知名企业建立长期合作关系，在国内外市场树立了卓越的品牌影响力。

持续创新，打造全系列AIoT芯片平台。公司不断优化芯片产品布局，推动技术迭代升级。2021年，高性能旗舰处理器RK3588的问世填补了国内高性能通用处理器的空白；2022年，公司成功推出AIoT通用算力平台RK3562、流媒体处理器RK3528及机器视觉处理器RV1106/RV1103等新一代SoC产品；2023年，完成新一代中高端AIoT处理器RK3576的研发设计并流片，该芯片采用先进制程，兼具高性价比与市场竞争力，可广泛应用于消费电子及智能物联领域。2024年，公司进一步强化“高端-中高端-中端-入门级”全系列AIoT SoC芯片平台布局，推出RK3576、RV1103B等多款新品，形成完整的产品序列，实现各条业务线的协同增长。

构建多元化生态，提供一站式解决方案。公司围绕SoC芯片打造了丰富的产品生态，除高性能应用处理器外，还涵盖电源管理芯片、快速充电协议芯片、接口转换芯片、无线连接芯片及相关模组等配套产品，形成高低搭配的组合方案，为客户提供一站式芯片服务。通过软硬一体化的解决方案，公司在消费电子、汽车电子、工业控制等领域构建了强大的生态壁垒，显著提升客户黏性。同时，公司深入布局视觉、音频、视频等AI算法，高效支持主流模型架构，满足边缘侧及端侧的小模型部署需求，赋能各类AIoT智能硬件，为行业智能化升级与数字化转型提供坚实支撑。

财务数据：随着AI技术在汽车、机器人、教育、医疗、工业等领域的加速落地，边端侧AIoT迎来全新发展机遇。公司以“雁形方阵”式产品布局为核心，依托RK3588系列旗舰芯片，在汽车电子、机器视觉及工业应用等场景推出多层次SoC解决方案。以RK3588、RK356X、RV11系列为代表的AIoT算力平台快速增长，推动公司市场占有率持续提升。2025年上半年，公司预计实现营业收入20.45亿元，同比增长64%；归母净利润达5.2-5.4亿元，同比增长185%-195%；整体业绩呈现爆发式增长，彰显强劲发展动能。

• 技术风险与性能瓶颈：硬件兼容性与模型碎片化、算力与能耗的平衡难题、模型轻量化与精度损失等。

• 商业落地与生态风险：场景适配与ROI不确定性、应用缺失与用户粘性不足、新旧体系替代冲突等。

• 系统安全风险：边缘节点的安全脆弱性、算法偏见与决策不可解释性、隐私保护与数据合规挑战等。

• 供应链与地缘政治风险：高端芯片国产化瓶颈、技术标准改变、全球化摩擦加剧等。

东北通信 · 要文强团队

公众号｜Telecom-DBZQ

东北通信科技最前沿