高通计算连续体 AI智能体重塑设备与云端算力分配

随着人工智能智能体从被动响应逐步转向主动执行任务，计算发生的物理位置正成为行业关注的焦点。高通公司首席执行官在近期一场重要的行业活动中，系统阐述了名为“计算连续体”的技术愿景，旨在将计算任务合理分配到从个人设备到数据中心的各个层级。

这一转变源于AI智能体工作模式的根本性变化。与传统的对话式AI不同，智能体能够全天候在线，自主拆解任务、调用工具并执行多步流程，无需用户持续发起指令。这导致同一台设备，例如智能手机，需要同时承载用户操作和智能体后台自主运行的双重负载，对硬件功耗、续航能力和实时响应能力提出了全新挑战。

智能体驱动硬件升级与成本优化

高通指出，数字生活的中心正从手机逐步转向智能体本身。手机的角色转变为智能体网络中的一个节点，而各类可穿戴设备、个人电脑及智能汽车则成为智能体感知与交互的终端。全球数十亿规模的设备存量，意味着这一轮硬件改造将产生深远影响。

将如此高频、常驻且需跨服务运行的智能体完全置于云端，虽然在算力上可行，但在成本、时延、隐私保护和情境理解方面并非最优解。高通将AI演进分为三个阶段：从单轮问答消耗约一万个token，到多轮推理的十万量级，再到智能体阶段单任务可达百万token。短短两代，单任务消耗量放大约一百倍。预计到2030年，全球设备产生的token量将达到每十秒万亿级别，云端成本与可扩展性面临巨大压力。

端侧计算成为关键且可行的选择

成本控制只是问题的一个方面。端侧计算之所以能成为现实选择，得益于近年来的技术进步。到2026年，随着端侧模型能力提升、NPU软件栈成熟、多模态感知与跨设备智能体框架的发展，在设备本地处理部分任务已从单纯的省钱备选，转变为真正改善用户体验的选项。一个实际案例显示，在完成相同的编程任务时，采用端云协同方案相比纯云端方案可节省约一百四十万个token，成本降低六成。

端侧计算的优势不仅在于成本。实时响应、用户隐私保护，以及智能体对用户所处物理环境（如位置、传感器数据）的即时理解，都更依赖于在离用户最近的设备上处理。这使得端侧从过去的省电便携卖点，升级为智能体感知现场、触发行动并完成闭环的关键层。

高通构建跨层级计算系统

基于“计算连续体”理念，高通正从提供单一芯片转向构建跨层级的计算系统。在个人电脑领域，其芯片平台正推动具备基础AI能力的设备价格下探，并进入迷你台式机市场。在机器人领域，高通发布了集成高端端侧AI算力、专用CPU核心、NPU及完整开发工具链的参考设计，提供面向量产的系统级解决方案。

这一逻辑也延伸至汽车、工业及城市场景。例如，在汽车中，座舱交互AI与驾驶感知决策AI被协同设计；一颗AI摄像头可同时处理安全监控与交通流量统计，并能自主触发后续动作。不同设备根据其需求差异化配置算力，但底层共享一条连续的能力带。

生态布局与未来展望

软件生态已先行适配。主流开源与闭源模型、智能体规划框架以及本地运行的AI桌面应用，均已将高通平台作为重要部署目标。同时，高通将下一代无线通信技术定位为AI时代设计，强调其分布式计算与感知能力，使网络本身也能成为物理AI获取环境信息的一环。

高通此次战略的核心延伸至数据中心领域，发布了新的品牌，并正与大型云厂商推进合作。其目标是将自身在低功耗计算、能效方面的积累，转化为云端厂商愿意采纳的方案。财务数据显示，其汽车与物联网业务正成为强劲增长点，这与其将增长从手机向更广泛设备拓展的战略相吻合。

当前，云厂商与GPU阵营正从数据中心向边缘推进，而高通则从设备端向数据中心延伸，两条路径在智能体需求上交汇。行业共识在于，智能体将驱动一轮覆盖几乎所有设备类别的硬件升级，其规模可能是多年来最大的一次。计算位置的重新分配，将深刻影响未来设备设计、芯片架构以及云端协同的经济模型。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：高通计算连续体 AI智能体重塑设备与云端算力分配要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题