AI大模型会碘伏手机吗？

导语：大模型在手机端的落地，不仅是AI走进人类生活的一个标志性节点，更是行业格局被重新洗牌、新老势力完成交替的关键时刻。

把庞大的人工智能模型压缩到巴掌大的手机里，会给我们的日常带来什么根本性的变化？这事儿最近还真有了新进展。

荣耀成了国内第一个吃螃蟹的厂商。7月12日，他们发布了一款被称为“革命性”的大模型手机Magic V2，声称这是全球首个将大模型与手机系统深度融合的产品。按照官方的说法，这个更个性化、更注重隐私，并且具备多模态能力的大模型，会给用户带来完全不同的体验。

有意思的是，不只荣耀在动这个心思。手机芯片领域的老大哥高通，最近也放出了自己的大模型。在7月初的上海WAIC上，有人现场演示了搭载高通第二代骁龙8芯片的安卓手机，直接本地运行参数规模超过10亿的Stable Diffusion，从输入指令到生成图片，只需要大概15秒。关键这15秒是在手机本地完成的，完全靠手机自己的算力，不需要连网。

从GPT-3.5到GPT-4.0，这些曾经需要庞大算力支持、只能待在云端服务器的AI大模型，现在开始往手机这类终端设备上迁移了。但兴奋之余，一个冷静的问题始终摆在那：我们真的需要一个“装在手机里”的大模型吗？还是说，这只是手机厂商为了给疲软的市场打一针强心剂而制造的噱头？

打破APP的壁垒

聊这个话题之前，先得面对一个现实：像ChatGPT、新必应这类大模型AI，早就推出了各自的手机版APP。通过调用云端算力来运行这些APP，对手机配置几乎没什么额外负担。既然如此，为什么还要大费周章去搞一个专用的“手机版”大模型？

谷歌今年5月的做法，或许给出了一个方向。在ChatGPT 3.5发布半年后，Google终于亮出了自己的新一代大语言模型PaLM2。作为差异化策略，其中参数最小的一个版本——“壁虎”（Gecko），是需要被部署在智能手机上的。Google表示它运行速度足够快，就算不联网也能正常工作。

但问题还是来了：为什么用户要牺牲参数和性能，去用这个“缩水版”的小模型？

根本原因在于：与那些以独立APP形态存在的AI不同，一个真正融入手机系统的大模型，可以打破各个应用之间的壁垒，让其他App也能“自带”大模型的能力。比如，一旦“壁虎”进了系统，用户就能在Gmail里直接用“Help me write”功能，只需要输入需求，它就会根据邮件历史信息，自动生成一封完整的邮件。

这种深度整合带来的想象空间远不止此。大模型可以成为系统里的一个“通用接口”，像胶水一样把不同App的能力组合起来，产生更大价值。试想一下：在一个陌生的地方，你想找一个偏僻、在地图上并不显眼的位置。这时，手机上的大模型可以调用语音+识图+导航的多模态能力，直接告诉你“在前面的兰州拉面往左拐，看到城市便捷酒店后再右拐300米”，而不是生硬地播报“直行”、“右拐”之类的机械化指令。

不过，要实现这一切，一个绕不开的问题就是算力。高通很显然也看到了这个痛点。在其发布的《混合AI是AI的未来》技术白皮书中，它第一次提出了混合AI架构的概念。简单来说，就是让AI能同时在云端和终端侧进行分布式处理，根据不同的模型需求和负载情况，灵活分配计算任务。

改造现实的肢体

可能有人会觉得，把计算都放在云端，不是既省事又划算吗？但实际情况是，随着用户数量和日常使用频率的增长，云端推理的成本会迅速攀升，最终成为生成式AI规模化的瓶颈。毕竟，任何单个AI超算的带宽和电力消耗都是有上限的，而用户增长却没有固定上限。

这也是为什么混合AI架构——也就是把计算分布在云端和终端侧——会被视为AI的未来。它可以借助终端侧的计算能力，大幅降低对云端的依赖和相关成本。换句话说，要推动生成式AI规模化扩展，AI处理的重心必须向边缘端转移。

这对大模型的发展意味着什么？

截至目前，大部分大模型能干的活，还停留在写文章、画图、编程这些“办公室工作”上。本质上，都是出不了办公室的“案头活”。如果AI想真正走进社会、为更多行业和群体带来改变，而不仅仅是当个藏在网页里的“秘书”，那它就一定要有改造现实世界的“肢体”。

这些“肢体”正是嵌入各行各业的边缘端设备。比如在医疗领域，AI可以通过智能摄像头评估帕金森患者的运动状态；在工业场景，边缘AI能提升生产线的智能化和自动化水平，高效完成零件瑕疵检测；在农业中，借助智能传感器或无人机，AI可以实现精准种植和管理，比如识别病虫害、评估农作物品质。

这些任务，都是藏在网页里的大模型完全无法胜任的。正因如此，大模型“边缘化”带来的一个显著后果，就是AI横向应用范围的大幅扩展。如何让GPT助力农业，已经成为业界思考的一个新方向。

随着边缘化进程的加速，与之匹配的模型训练方式，比如联邦计算，也会随之打破过去数据只在中心化服务器里处理的格局。未来，数据可能不再全部上传到某个云端，而是由多个参与方在本地训练模型，只把参数或梯度上传到中心服务器进行聚合。

但有意思的是，按照科技行业发展的常规逻辑，这种去中心化、理论上可以促进跨行业或跨领域数据共享的技术，非但不会弱化原有的垄断，反而可能给它再添一把火。

新巨头的崛起

互联网的历史早就证明了这一点。前网络时代，人们以为个人网站可以瓦解传统媒体的信息垄断，结果呢？后来形成的互联网巨头，市值规模早就超过了传统媒体的天花板。假如把科技巨头的市值换算成GDP，2022年微软的市值就已经超过了五常之一的俄罗斯。放眼全球，能和它掰手腕的经济体都屈指可数。

原因其实很简单：任何“技术平权”在让技术变得更廉价、更亲民的同时，都会反向催生出一批技术壁垒更高、集中性更强的超级巨头。因为这些巨头，正是靠着这些“高壁垒”的技术支撑，才得以实现规模扩张。比如Meta，正是通过数据算法优势，精准地投用户所好，构筑了Facebook和Twitter这样的社交帝国。英伟达也是凭借核心的GPU技术和壁垒极高的CUDA生态，才让今天的大模型得以完成海量计算，让AI变得人人触手可及。

当混合计算的AI，通过云端与终端侧相结合的方式拉低了大模型的推理成本后，这种“技术平权”至少会催生出两个方向上的新巨头。

第一个方向，是边缘化芯片的提供者。芯片层的AI运算处理能力，是AI落地终端的前提。虽然边缘化时代AI的算力场景非常多样化（工业、医疗、娱乐等等），但最核心的“七寸”，还是在用户量最大的手机端。谁如果能围绕手机端的大模型，形成一套从设计、生产到软件生态的一体化体系，谁就能成为新一代的霸主。在这方面，高通早已开始布局。目前，搭载骁龙平台的已发布XR终端已经超过65款，Meta、PICO等头部厂商的旗舰产品，用的都是高通的芯片。

第二个方向的巨头，是能为行业提供全套解决方案的玩家。AI在终端侧的落地，不光需要硬件，还少不了软件端的优化。在相同硬件的基础上，谁的AI引擎能比其他竞品效能更高、计算更快，谁就掌握了软件栈方面的优势。要达成这一点，就必须在大模型的量化、压缩、条件计算、神经网络架构搜索和编译这些领域取得突破，在不牺牲太多精度的前提下把模型做小做精。因此，谁能在模型压缩与小型化技术上抢先一步，谁就能率先构建起基于终端的软件生态。

总而言之，大模型在手机端的落地，不仅是AI正式拥有“肢体”、开始进入人类生活的标志，更是行业格局被碘伏、新旧巨头完成交替的关键节点。在这个时代，变革的风暴，可能远比我们想象的来得迅猛。