未来几年，你的手机很可能会同时服务“两位使用者”。一个是你自己，打开 App、刷消息、处理邮件；另一个则是你的 AI 智能体，它会在后台持续待命，帮你管理日程、调用工具、执行任务，必要时甚至会代你操作同一台设备。

过去两年，大多数人对 AI 的理解还停留在聊天机器人和对话框场景：打开网页，输入问题，等待回答。而 AI 智能体正在把这套逻辑彻底翻转。它不再只是等你每次发起指令，而是能够持续在线、主动拆解任务、调用工具、执行流程，完成后再回来向你汇报或确认。

AI 正从“你主动使用它”走向“它主动替你完成工作”，最先被重塑的，可能就是计算本身——它在哪里运行、在哪里感知、在哪里决策，以及成本最终在哪里产生。这正是高通 CEO 安蒙在 6 月 1 日 Computex 2026 开幕主题演讲中试图回答的问题。他给出的答案，是一条从耳机一直延伸到数据中心的“计算连续体”，让 AI 计算分布在不同设备和场景中发生。

1

AI 开始在你身边长期常驻

想真正理解这条计算连续体，首先要弄清楚它承载的到底是一种怎样的 AI。

最近，越来越多用户已经提前体验到这种变化。他们会在家里放一台几乎不关机的小型电脑，全天运行 OpenClaw 这类 AI 智能体系统，人在外面时，只需通过聊天框发出指令，就能让它帮忙查资料、写代码、处理各种琐碎工作。安蒙在演讲中也提到了这一现象。虽然这目前仍偏向极客玩法，但它提前暴露了一个普通用户未来迟早会面对的问题：如果智能体要自主干活，就必须有一个全天候在线、随时待命的运行环境。

过去的软件模式是你去使用它——打开应用、输入命令、等待反馈，所有动作都由人发起。智能体则改变了这套交互方式。它能够长期在线，持续记住上下文，自主把一个目标拆解成多步流程，在不同系统、工具和数据之间完成调度，并在你不盯着它的时候把事情做完，最后再回来向你确认结果。

这也带来了一个很容易被忽视的新变化：同一台设备将开始承担双重角色。第一重角色，是你亲自操作它，这是今天智能手机和终端设备的默认设计前提；第二重角色，则是 AI 智能体自主操作它，这很可能会成为下一阶段的日常。两类任务同时压在一台手机上，对硬件而言是非常现实的新挑战。仅仅满足用户日常使用，手机续航都已相当紧张；如果再叠加一个全天候运行的智能体，功耗、时延与性能调度立刻成为绕不开的核心问题。

而今天大多数消费电子设备，并不是围绕这种 AI 智能体模式从零设计的。无论是硬件还是操作系统，过去都主要围绕“用户主动操作”来构建，与一个具备自主执行能力的智能体并不完全匹配。高通将这一转变概括为：数字生活的中心，正在从手机逐渐转移到智能体身上。手机的角色也随之变化，它过去是数字体验的绝对中心，如今更像是智能体网络中的一个关键节点，各类终端设备则围绕智能体运转，成为它连接用户与现实世界的入口。

也正因如此，一批更适合 AI 智能体的新型终端正在出现，比如贴近眼睛、耳朵和嘴巴的智能眼镜等可穿戴设备。把这些设备都算进去，端侧规模会非常可观：全球数十亿部智能手机、二十亿台由可穿戴演进而来的个人 AI 终端、二十亿台 PC，以及数亿辆智能网联汽车。这意味着，面向 AI 时代的硬件升级，不可能靠小修小补完成。

1

常驻智能体，无法只住在单一云端

接下来的问题也很自然：这样一个长期在线、高频运行、还需要跨平台调用服务的 AI 智能体，能不能全部放到云端？答案并不是不行，而是“未必最优”。云计算当然可以承载，但如果把所有任务都堆到云上，在成本、时延、隐私保护和情境感知等方面，都未必是最佳方案。

先看成本。高通把 AI 的演进分成三个阶段来计算这笔账。最早的对话式 AI，多数是单轮问答，一次交互大约消耗一万个 token；到了支持多轮推理的阶段，单个任务会上升到十万个 token；再往前发展到可以自主调用工具、连续执行多步骤流程的智能体，单任务的 token 消耗甚至会达到百万级。短短两代演进，单次任务的 token 消耗就放大了大约一百倍。再叠加全球设备全天候运行，到 2030 年，这个总量会高得惊人——按照高通的推算，到那时每十秒产生的 token 都将以万亿计，安蒙甚至在现场调侃，这个数字大到自己都不知道该怎么念。

那成本该如何优化？高通给出了一个开发者更容易理解的真实案例：在运行 Claude Code 编程任务时，让任务规划器把一部分计算保留在设备本地，只有必要的内容再上传到云端，在结果保持一致的前提下，能节省约一百四十万个 token，整体成本下降六成。也有分析机构指出，如果在十亿级用户规模下长期采用纯云端 AI 模式，无论是服务成本还是可扩展性，都会很快接近上限。问题还不只是钱——实时响应、用户隐私，以及智能体必须理解的即时情境，例如你当前所在位置、周围环境、传感器数据等，这些内容都更适合在离用户最近的端侧完成处理。

不过，成本只是问题的一半。端侧之所以现在能够真正承接 AI 智能体，实际上是最近两年才逐渐成立的能力。放在 2024 年，端侧模型性能、NPU 软件栈以及相关应用生态都还不成熟，把智能体部署到终端设备上更多还是设想。到了 2026 年，小模型、多模态感知、本地推理、跨设备智能体框架等几条技术路线同步推进，端侧才从单纯“省钱”的备选方案，变成真正能够优化 AI 体验的重要选择。也正是在这个时间点，计算发生的位置开始被重新分配，而这恰恰给了高通新的机会。

1

为什么会是高通

这套“计算连续体”的故事，并不是任何公司都能讲得通。过去十几年，高通一直是全球智能手机芯片和通信基带的核心供应商，很多安卓旗舰手机的连接能力和底层算力都来自高通。只是进入 AI 时代后，聚光灯更多打在英伟达和云端算力平台身上，高通的存在感相对没有那么强。

但高通几十年来实际上一直专注于同一件事：在被电池容量、设备体积、散热条件、无线连接和实时响应严格限制的终端里，尽可能榨出更多算力。这种能力原本属于移动计算时代，如今随着 AI 智能体要长期驻留在这些设备中，它突然变得格外稀缺。端侧的定位也因此发生变化——过去它强调的是低功耗和便携性，而现在它是智能体感知现场、触发动作、在本地完成闭环执行的第一层入口。

这也是高通一直强调“每瓦性能”的重要原因。移动行业几十年来，其实始终在解同一道题：计算需求的增长速度，总是快于可用能源的提升速度。过去这个矛盾集中体现在手机电池上，如今则被原封不动搬到了数据中心的供电与散热成本上。而高通长期做的，就是解决这类能效难题。它所覆盖的计算范围也非常夸张：一端是功耗仅 2 毫瓦的耳机，另一端则是 2000 千瓦级的数据中心机柜。

把低功耗计算、无线连接、庞大的终端出货能力和跨品类生态重新整合，就是高通这次重点推出的“计算连续体”概念。它希望外界看到的是，自己正在从一家卖低功耗芯片的公司，转向提供跨终端、跨层级 AI 计算系统方案的企业。

从这次高通公布的产品布局中，也能看出这套打法的轮廓。在 PC 端，骁龙 X2 Elite 首次进入桌面平台，华硕基于它推出了 mini PC“Ascent QN10”；定位更入门的骁龙 C 平台，则把具备基础 AI 能力的 Arm PC 拉低到 300 美元级别，宏碁、惠普、联想等厂商都已跟进。在机器人领域，高通发布了 Dragonwing（跃龙）IQ10 机器人参考设计，集成最高 700 TOPS 的端侧 AI 算力、18 个 Qualcomm Oryon CPU 核心、多核 NPU 与 GPU，以及专用安全岛，同时配套本地大模型推理能力和完整开发工具链。它交付的不只是单一芯片，更是一整套开箱可开发、面向量产的机器人系统方案——而这恰恰是机器人这类强调续航、集成度和落地效率的品类最需要的能力。

如果把视角进一步延伸到物理世界，这套逻辑依然成立。汽车正在被拆分为两层智能：一层是座舱内以人为核心的个性化交互，另一层是依托摄像头、雷达和地图进行感知与决策的驾驶 AI，两层能力作为一个整体协同运作，高通把这一趋势称为迈向 AI 定义汽车。机器人则按即时反应、动作执行和逻辑推理分层分配算力。再往外看，工业场景与智慧城市同样在被 AI 重塑：一颗 AI 摄像头既可以负责安全与合规，也能实时统计路口车流量，并在识别到问题后自动触发下一步动作。设备形态虽然千差万别，所需算力配置也各不相同，但底层依托的，其实都是同一条连续的 AI 能力带。

高通还希望将这条能力带进一步延伸到网络本身。此前在 MWC 上，高通将 6G 定义为第一个为 AI 时代打造的无线通信技术，它除了提供连接能力外，还增加了分布式计算与感知两大支柱。尤其是“感知”这一方向，想象空间很大——它意味着无线网络未来不只是传输数据的通道，也可能成为物理 AI 获取环境信息的重要组成部分，为部署在各处的智能体补齐现场语境。

软件生态层面也已经开始跟进。当前主流的开源模型与闭源模型大多都能在骁龙平台上运行，OpenClaw、Hermes 这类智能体规划器、可本地运行的 Claude Desktop，以及高通合作伙伴 Humain 正在开发的智能体操作系统，也都把骁龙视为重要落点。把端侧设备当成 AI 智能体的“家”，显然已经不只是高通一家公司的判断。

高通发布Dragonfly产品

1

高通的“计算连续体”到底指什么

如果把视角拉得更远一些，高通这一系列动作，最终落点其实还是在它自身的战略位置上。

这条计算连续体的最远端，是数据中心，也是高通此次最受外界关注的一步。高通发布了数据中心新品牌 Dragonfly（飞龙），并表示已经在与超大规模云厂商合作推进部署。不过这一次，它并没有公开完整规格和详细路线图，更多信息将留到 6 月 24 日的投资者日披露。外界真正关心的是，高通将如何把 Oryon CPU、AI 推理能力和能效优势，整合成一套真正能被云服务厂商接受的数据中心方案。

其实，高通并不是数据中心赛道的新玩家。早在 2017 年，它就曾凭借 Centriq 尝试进入服务器芯片市场，只是当时 ARM 服务器生态仍不成熟，未能站稳脚跟。到了 2024 年，高通又花费约 14 亿美元收购 Nuvia，相当于重新为这一方向储备底层能力。这支团队的核心成员，当年正是打造苹果高性能 CPU 的关键人物，后来骁龙 X 系列在 PC 市场上的表现，也很大程度上建立在他们的技术基础之上。端侧是高通已经验证过的一端，数据中心则是它仍希望补齐的另一端。

如果从增长结构来看，这套战略叙事也有非常现实的一面。最新财季中，高通芯片业务里的汽车板块创下季度收入新高，汽车与 IoT 业务合计同比增长 20%。这让“计算连续体”不再只是一个面向未来的技术概念，同时也对应着高通正在将增长来源从智能手机扩展到更多设备类别的现实路径。

这场 Computex 其实还有另一条值得关注的主线。如今云厂商和 GPU 阵营正在从数据中心向边缘计算延伸，而高通则从端侧一路向数据中心补齐，两条路线相向而行，最终交汇点都落在 AI 智能体上。未来几年，谁会走得更顺，还要看生态系统如何演进，但双方有一点判断是相同的：AI 智能体将带来一轮几乎覆盖所有设备的硬件升级，这很可能是这个行业多年未见的一次大规模更新周期。

因此，高通想要改写的，与其说只是某一种设备的定义，不如说更是在重新定义自己在 AI 产业链中的坐标。过去它卖的是终端设备中的那块芯片和算力，如今它希望让行业相信，在 AI 智能体时代，真正需要的是一条能够把耳机、手机、PC、汽车、机器人乃至数据中心全部连接起来的计算连续体。

对于国内产业从业者而言，真正值得持续关注的也正是这一点。一旦计算的位置开始重新分配，设备该如何设计、芯片资源如何布局、云端与端侧的成本和分工如何平衡，整套方法论都将被重新书写。