重点内容速览：

|  各手机厂商发展 AI的策略和产品

| 手机 AI多为端侧AI，应用侧重于推理运算

| NPU在AI手机的异构处理器中更加普遍

| AI算力需求或推动手机存储器件升级

趁着AI浪潮，手机厂商争先抢滩AI手机领域，智能手机开始步入AI新时代。AI手机不需要借助第三方App，而是通过手机自身的算力，直接成为用户的智能助手。但手机的AI应用能有多少，是否只是手机厂商为促进销量的营销噱头，AI手机会不会重蹈折叠屏的覆辙目前还有待商榷。

各手机厂商发展AI的策略和产品

市场上已有AI手机在售，三星、华为、小米、OPPO、vivo、荣耀都推出了自家的旗舰AI手机，AI附加围绕“AI芯片+AI智能系统+AI开放生态”三个赋能。

 三星Galaxy S24 ：搭载了高通骁龙8 Gen3处理器，内置了强大的AI芯片，与谷歌合作搭载了Gemini AI大模型。其AI功能不仅限于拍照优化和语音识别，还深入到了系统层面，如智能管理电池寿命、优化应用程序性能等。Galaxy S24还引入了先进的AI摄影技术，如AI场景识别、AI超分辨率等，为用户带来出色的拍照体验。

华为Mate60 Pro ：使用了华为自研的麒麟系列芯片，内置了强大的AI处理能力，并搭载了盘古大模型，具备新一代NPU神经网络处理器，可以直接连接华为云端的AI大模型，为本地的照片增强画质，“AI云增强”功能。

小米手机14 ：小米自研AI大模型，可以在手机上离线使用“文生图”、“AI扩图”与“AI擦除”功能。小爱AI大模型同时深入融合小米澎湃OS系统，已经构建了多项AI赋能。搭载了高通骁龙处理器，内置了强大的AI芯片。小米14在拍照、语音识别、智能推荐等方面都有出色的表现。此外，小米还通过AI技术优化了手机的性能和续航，为用户带来更加流畅和持久的体验。

还有其他本文不多加赘述，感兴趣的朋友可以自行搜索。对比6款AI手机，可以发现手机的智能化应用比较单一和局限，更多的是体现在智能助手服务和图片上，最常见的智能语音助手、AI摄影/拍照、AI翻译、手机性能的AI智能优化。

手机AI多为端侧AI，应用侧重于推理运算

云是云计算，边是边缘计算，端是设备端也就是我们常说的终端。很多生成式AI应用都跑在云端，但如果应用场景是人们时常接触的设备，那数据跑在端侧会更高效。 

用手机人脸识别举个例子，手机摄像拍照之后把图像传到CPU，然后CPU调用本地AI做数据处理，从而实现人脸匹配，再根据结果进行开锁、报警等动作执行。整个Al的过程都在设备端，不用连接云，也不用连接边缘。

对于AI手机而言，端侧AI有很多好处，因为不用联网可以在本地运行，不到云上处理且不受网络限制，所以速度快且低功耗。最重要的是数据不上传到云端，就不用担忧隐私问题，相对而言安全很多。

AMD CEO苏姿丰说过，未来大模型推理市场的规模将远远大于模型训练市场，把AI手机市场带入进来就很好理解了。华米OV这些头部手机厂商已然在AI大模型赛道集结，华为有盘古大模型，小米有AI大模型MiLM-6B，OPPO有安第斯大模型（AndesGPT），vivo也有蓝心大模型BlueLM，荣耀有基本上这些已经训练好的大模型会植入到每部手机上，每个用户喂给手机的数据和习惯将基于手机厂商的大模型进行，因此用户对于AI的应用大多侧重于推理。 

NPU在AI手机的异构处理器中更加普遍 

苹果在2017年率先在A11芯片组中引入NPU；华为于2018年将NPU嵌入到其麒麟970 SoC中；高通在800系列芯片组逐渐强化AI引擎；联发科、三星也将NPU集成到产品中。

手机处理器SoC集成NPU变得普遍，并将NPU用于加速卷积神经网络、循环神经网络等深度学习运算，高效执行大规模并行矩阵乘法和向量运算，提高在图像识别、语音识别、自然语言处理等方面的性能。

IDC资料显示，下一代AI手机处理器SoC更快更高效运行生成式AI的模型，满足Stable Diffusion和各种LLM用例，NPU性能至少要求30 TOPS。

 NPU结构、指令集和缓存针对高效运行神经网络算法而优化，因此，在AI手机这样的资源有限且对功耗敏感的平台上，通常由NPU作为主要的AI计算单元，能够更好地平衡性能与能耗之间的关系，并为用户提供更佳AI体验。

此外，许多AI应用需要快速响应用户请求，进行实时推理和决策，NPU在处理小到中等规模的神经网络模型时，通常能够提供更低延迟的服务，满足实时性要求。

集成NPU的处理器、NPU IP的例子包括：
 

高通Hexagon NPU ，面向以低功耗实现持续稳定的高性能AI推理而设计，可通过定制设计NPU并控制指令集架构（ISA)，快速进行设计演进和扩展，解决瓶颈问题并优化性能。骁龙8 Gen3采用的高通AI引擎就包含Hexagon NPU。

芯原VIP9000系列NPU IP ，提供可扩展和高性能的处理能力，适用于Transformer和卷积神经网络（CNN）。芯原声称，集成了芯原神经网络处理器（NPU)IP的人工智能（AI)类芯片已在全球范围内出货已经超过1亿颗。

瑞芯微 在过去几年已经迭代了4代NPU的IP，不断提升对神经网络模型的支持、效率，形成人工智能技术上良好的基础。2023年半年报显示，其自研的NPU已经满足基于Transformer架构的大模型需求，形成人工智能技术上良好的基础。

AI算力需求或推动手机存储器件升级 

当前的基本AI功能在移动设备上使用大约100MB的内存，但基于LLM的功能可能需要高达7GB的额外DRAM。16GB DRAM被认为是下一代AI智能手机的最低要求。

在扩大存储容量的同时，减少内存占用的技术（比如参数量化）对于缩小在数据中心训练的大型模型，使其适用于诸如手机的便携设备是必要的。另一个减小LLM规模的方法是将数据类型迁移到INT8，虽然降低推理精度，但能解决硬件限制问题。手机制造商正在寻找更多实现LLM的方法，降低额外内存需求产生的成本。

机构YOLE预计，高端Android机型和iPhone可能在2024年和2025年率先添加更多DRAM和AI功能。16GB的高端智能手机足以满足7B参数LLM，较小的LLM可能能够在12GB的设备上运行。然而，在人工智能采用周期的早期阶段，LLM将在多大程度上增加内存需求还有待确定。

AI手机对NAND存储器的影响预计相对有限。AI使用NAND存储模型参数，以及与智能手机上所有文件相关的元数据。AI应用生成的内容所需的额外存储量没有确定的大小，但可能会加速低存储容量配置手机的淘汰。

还要指出的是，延迟是AI应用性能的关键，较大的模型需要更快的存储接口，生成式AI在手机的应用可能会加速采用最先进的存储器类型和接口标准。一个产品例子是，荣耀最新旗舰AI智能手机荣耀Magic6 Pro利用美光的UFS 4.0接口标准移动闪存、低功耗双倍数据速率5X（LPDDR5X）内存，支持70亿参数的MagicLM的大型语言模型。

小结

AI手机是智能手机产业技术进步与市场需求相结合的产物，AI技术将进一步融入到手机的拍照、语音识别、手势控制、个性化推荐等功能中，用于提升用户体验，更精准理解和满足用户的个性化需求。围绕AI手机的硬件软件创新将持续，有望将AI技术延伸到电池管理、网络连接、安全防护等更加广泛的手机应用场景中。