端云结合是长期状态

腾讯研究院大模型研究小分队x“普通人的AI自由”公众号联合研究

北京时间9月10日凌晨，苹果正式发布了iPhone 16，这是苹果第一款真正意义上的 AI iPhone。Apple Intelligence采用“端侧大模型+云端大模型”的方式，将为用户带来更丰富的智能体验。而这仅仅是端侧智能的开始，未来我们可以想象，一个由大模型带来的移动智能生态正在缓缓打开。

太长不看版：

1.技术：端侧模型短期能力有限，端云结合是长期状态

●手机大模型的瓶颈排序：

○电池容量和发热

○芯片计算速度

○现有架构下，8G+内存是最低要求

○内存读写速度可能需要进一步技术突破

●~1B量级模型能力有限，性能提升空间不乐观

●手机端侧模型有实际价值 -> ~10B模型塞到手机里 -> 估计3~4年

●云+端混合将是长期主流

○端侧模型 + 云上模型 的配合能力将是核心技术点之一

○从用户价值看，端侧模型并不是必要路径

○端侧模型存在合理性是1) 降低推理成本，2) 响应速度更快3）更好保护隐私

2.产品：短期以小功能为先导，长期价值期待释放

●当前AI 手机以功能探索为主，用户价值有待更多释放；对于硬件，会有明确的产品价格提升，因此行业会坚定推进

○短期 = 新功能亮点提升产品售价+FOMO（Fear of Missing Out）

○长期 = 争夺新的流量入口

●LLM是端侧模型重点；多模态生成在端侧的用户价值有限，更大的价值在于多模态理解

●硬件粘性和价值 > 模型品牌吸引力

●未来具备用户价值潜力的新领域：AI原生OS

○理解用户 + 智能唤醒APP（siri升级）

○直接access APP内的数据和服务，可能绕过APP的UI，直接完成用户指令

○拆解指令，多APP共同完成任务（严重依赖AI Agent的能力提升）

○（optional）对于常用服务手捏个人APP

引子：

<问题1>从用户角度出发，“智慧手机”的“价值”是什么？

●从“智障”到“智能”

○从“物品”到“帮手”的转变

●是否会有全新的交互方式？什么是最“自然”的交互方式？

○翻阅式->搜索式->推荐式->服务式（秘书+陪伴）

<问题2>对于用户来讲，为什么要在端侧搭载模型？

●网络延迟+极端环境：端侧模型有优势，但场景很小，因为大多数生活场景对于大几百毫秒延迟可以接受

●数据隐私：端侧模型多了一层对于个人数据的保护

●个性化：在本地和云上都可以实现，但本地会更有数据优势

●从技术角度来看，端侧可能做到什么？

○~1B级别=“锦上添花”：P图，聊天，搜索支持……

○~10B级别 = 效果会更好，也有不确定性；要看哪些是这个级别也可以实现的新能力

○~100B级别 + AI Agent = AI原生体验的潜力

<问题3>从厂商角度出发，手机端侧模型的“价值”是什么？

●带来更多新功能、新体验，提升手机价值

●控制云上推理成本

●端云混合模式中，云上模型服务可以另收费

●获取新流量入口

一、苹果等手机厂商纷纷推出端侧大模型

去年以来，各厂商已经推出了多款端侧大模型手机。

●参数量级：以1～3B为主，如Google Gemini 3.25B等

●是否自研：Google、苹果、华为等厂商推出了全自研模型

●价格区间：国内售价4000元＋，即主流旗舰机价格

●总市场份额：2023年该细分市场出货量约2700万台，占国内安卓手机出货量约12%（苹果手机23年暂未部署端侧大模型）

苹果的新款iphone16搭载了更快的CPU、GPU，且在能耗上有更好的表现。以GPU为例，A18芯片是四前iphone 12的A14芯片速度的2倍。

相比去年A16芯片，在速度提升40%的同时，功耗下降了30%，为大模型的本地运算提供了更好的电源保障。

利用端侧大模型，iphone16 不仅可以生成、润色文字、总结文本、回复邮件等，还可以生成表情符号，搜索照片、视频等，并执行多种任务。

发布会中最为惊艳的功能之一，是视觉智能。比如，当你看到一家餐厅，你可以通过按压相机控制按钮拍下餐厅，然后就能通过 Apple Intelligence获得该餐厅的营业时间以及点评，并查看菜单或预订餐厅。

该功能也支持和第三方 APP 联动，比如，看到你喜欢的自行车，只需点击一下，即可快速Google到类似的自行车并购买。

除了苹果，去年以来，各大手机厂商已经陆续发布了其端侧大模型的产品：

二、如何评价端侧模型的成熟度？

1.参数规模：“智商”水平至关重要，端侧模型任重道远

为什么“智商”重要？“锦上添花” vs “底层革命”

大参数+量化 vs 小参数：大参数＋量化效果上优于小参数

当前量化已到极限：BF16量化基本安全；INT4量化是当前大多手机使用的方式，但经常出现过拟合和稳定性问题；当前在探索INT8量化的折衷方案

●FP32精度下，1B模型占用~4GB内存，而推理运行需要更多内存，这对目前8～16GB的手机主流内存是有挑战的

●Int4量化后，效果衰减~10%，占用内存减少~80%，同时推理速度提升~50%；但量化测试数据有overfitting的嫌疑

●目前高通、联发科已经支持INT4，Google已经支持INT8，实践中为保证效果还要使用混合精度，进一步提升空间有限

~10B模型是当前模型能力分水岭

●Phi3-3.8B等模型打榜结果还可以，但实测过拟合情况较为严重

●~1B量级模型在理解能力、稳定性上都和7-13B的模型有明显差距

●但并不能保证~10B模型在未来足以进化出接近人的智慧水平

提升参数规模的瓶颈包括计算、内存读写和能耗，其中能耗最难突破

●芯片计算速度：手机算力30～50TOPS，PC是手机的20～40倍

●内存读写速度：手机带宽40～80GB/S，PC是手机的10～20倍

●内存容量：手机内存已到16GB甚至更高，与PC可以相比；未来还有扩展的空间

●能耗：发热&续航：对标游戏运行，续航仅有3～4小时，且手机明显发热

2.推理速度：良好用户体验的基准是20token/s，目前刚刚达标

现状推理速度：最高达20token/s，刚刚达到可用门槛，仅有PC端的20％，差距明显

●miniCPM-2B Int4量化在部分主流机型上测试的推理吞吐速度，除iPhone外均在7token/s以下

●当前在英伟达RTX4090运行Llama 7B 4bit的推理吞吐速度为100tokens/s以上

●最新一代的高通或联发科芯片在芯片厂商的测试中Llama 7B INT4量化的推理速度能达到20token/s

推理加速技术+预判

●目前没有明确的SOC AI推理加速定量证据，我们采用NVIDIA数据中心B200（vs H200）作为参照，认为每代更新可以有50％+的功耗效率提升和10%+的推理速度提升

●推理运算加速：Google TPU的MXU（Matrix multiplication unit）Nvidia的Tensor Cores针对神经网络中大量的张量计算的加速；联发科针对transformer架构的Softmax+LayerNorm算子的加速；高通骁龙Gen3的微型区块推理单元，将大模型分解为可以独立执行的部分。

●内存读写速度优化：Google TPU使用大规模片上内存，减少数据在HBM（High Bandwidth Memory）和VEM（Vector Engine Memory）之间传输的次数；苹果探索通过窗口化（Windowing）和行列打包（Row-Column Bundling），在闪存中存储模型参数，并在推理过程中按需将这些参数加载到DRAM中。

●其他技术进展：联发科NeuroPilot Fusion基于低秩自适应（LoRA）融合技术，基于一个基础大模型，通过云端训练，在端侧完成多个功能的融合，从而赋予基础大模型更全面、更丰富的生成式AI应用能力。

AI agent的推理速度要求：50~100 tokens/s

●目前国内商用LLM API输入处理速度可达数千tokens/s，生成速度平均在30-50 tokens/s，最快可以达到70 tokens/s（如abab-6.5s和智谱GLM3.5-turbo）。

●用户体验角度，假设一次Agent操作要调用5次大模型，则需要速度达到100 tokens/s。

3.能耗：发热&续航表现短期不会大幅优化，是手机端侧大模型的主要瓶颈

现状：目前没有大规模测试端侧模型推理的功耗；以游戏运行为benchmark，功率大约在4~7W，续航时间仅为3~4小时

崩坏：星穹铁道最高画质各机型实测结果（by 小白测评数据库，续航时间基于标准输出电压3.7V估算）

电池容量增长分析预测：未来每年增长不超过5~10%

以iPhone和三星galaxy为例，近10年平均每年增长5～6％，尤其是21年以来，手机尺寸不再增大后电池容量也几乎没有增长

注：电池容量单位mAh，每年取该系列电池容量最高的机型数据

制约手机电池电量增长的因素包括：

●电池体积：提升电池体积会影响产品重量和厚度

●电池材料进化：固态电池材料和半固态材料，目前仍在科学研究阶段，暂未看到大规模商用

●同样电池材料下实现能量密度提升：持续有小幅改善，但不明显

4.搭载~10B模型的时间预计 = 3~4年

●推理速度提升：每1~2年（每代）10%

●单位功耗提升：每1~2年（每代）50%

●电池容量提升：每年5~10%

3-4年后：

●推理速度x2是最低要求，可能需要x3-5倍速度才能支持简单Agent

●7B模型能力不一定可以支持Agent，有可能需要13B-30B规模

●算力做到x16（700TOPS）有很大不确定性；x8甚至x4是大概率事件；在这种情况结合推理加速x1.5，极限可以支持模型吞吐速度要求

●因此7-10B模型大概是可支持的极限，大量超越10B会比较困难

●在这些极限假设下，续航时间可以满足8-10h要求，并缓解发热问题

3年内看不到纯端侧模型驱动的AI原生OS，复杂任务都需要云上实现

5.端侧多模态大模型：端侧的价值主要在多模态理解，而不在多模态生成

●多模态生成不在端侧

价值有限：端侧多模态能完成的生成场景（例如修图），已有CV技术也能解决；新的生成功能（例如AI扩图）需要上云

吃算力：多模态模型的推理，占用的算力可能会数倍于大语言模型

●目前技术路线：端侧多模态 = LLM + 多模态理解

基于LLM-backbone，在输入端增加多模态编码器和输入投影，参数量增加~10%

以开源模型MobileVLM为例；1.4B和2.7B两个版本，输入投影~20M，图像编码器~300M

其中，1.4B版本INT4量化，在骁龙888（20年，RAM8GB，26TOPS）上速度21.54 tokens/s

●因此，端侧算力瓶颈，在LLM而不在多模态

●当前多模态理解的主要应用是录屏理解；不过这是个过渡方案，远期会被更直接的数据获取方式取代

录屏理解的目标是辅助用户进行手机操作，广义上属于操作系统的一部分

手机厂商通过合作等方式获取root授权，然后在APP内操作，这是更加AI原生的OS实现方式

具体节奏除了取决于技术进展，还取决于手机厂商和APP厂商的合作探索

长期端侧多模态模型的任务则退化为读取、 理解APP内部的图片、视频等信息（非截图），不一定需要重大技术突破

三、未来实现多功能调用的关键技术 - AI Agent

AI Agent：正长期持续快速发展；但到达大学生智能的Agent还有距离

1.Agent = 通用-自动化-决策&执行 能力

●是对大模型能力的扩充，是在模型达到AGI之前的中间阶段

●不是一项单独的技术，而是多种技术的组合创新

●误解：“既然是Agent了，就应该什么都能做”

2.Agent需要包含哪些部分

Lilian Weng (OpenAI) 对Agent能力的拆解

https://lilianweng.github.io/posts/2023-06-23-agent/

●记忆问题是思考能力的源头，也是当前研发难点

●计划：决定“做什么”

●工具调用：找到“怎么做”

●执行

3.有关“记忆”

●感觉（视觉、听觉、触觉、其他sensor……）

●短期记忆（工作记忆）

●长期记忆

事实性记忆（概念、事实）

程序性记忆（事情的先后顺序）

非描述性记忆（骑自行车、潜意识）

当前处理“记忆”的主流方案https://arxiv.org/abs/2312.10997

但现状做法有很多“不自然”的地方：

●转Text导致的信息丢失 -> Unified Embedding （e.g. GPT4o）

●信息以prompt方式为主进入模型 -> 长期记忆+短期记忆的交互机制

4.Agent的发展阶段

1.Agent 1.0（现状）

●工具调用：趋于成熟，且可通过微调7B模型+retrieval，在端侧实现

前置工具描述数据集 + Retrieval做update

但受制于前置工具集的文档精确性、及时性；当前的成功的比例仍难以直接满足商用

大模型self-instruct指令生成工具调用数据集，对agent进行微调

●Planning：基本的给定范围内的拆解能力，成功率&稳定性需要提高

通过System prompt预先设定agent的角色、工作流程、能力栈等

基本的任务拆解（CoT）

通过Self-refine/Reflexion/ReAct增加可靠性

●短期记忆：各类RAG为主；知识图谱&前置分类器是上一代技术

●长期记忆：

Finetune作为一种方式，但目前成效有限

有思路认为通过“超长文本”，可以不解决长期记忆问题。“把人类一生的经历都用文本框输入，就不用记忆了”

2.Agent 2.0（未来1～2年）

●Planning：复杂任务拆解能力提升->成熟

●多Agent协作

目标线性拆解

群聊总结

3.Agent 3.0 （3+年）完全自主？

●长期记忆：自我学习构建“人格” （e.g. Auto-finetune）

●自我进化能力

●Agent创建Agent

●Agent管理Agent团队

四、端侧VS云上的应用场景展望

1.现状是云上为主，端侧为辅

●真正的大模型场景，是过去NLP/CV做不了、有了大模型才能做的场景；“假”场景则是过 去NLP/CV就能做的场景

●目前已成熟的“真”场景局限于：知识问答、聊天陪伴、总结、brainstorm图/文生图等，均 属于APP内应用

2. 端侧 & 云上的长期并存是大势所趋

既定事实：1）端侧模型能力<云上模型能力2）手机模型训练/精调只能在线上

2.1 技术限制

a.算力：复杂任务（长Token，Agent等）需要依赖云上模型

b.电池能耗：复杂任务需要依赖云上模型

c.存储：需要读写大量数据的任务需要依赖云上

2.2用户价值

d.网络延时：离线模型可以提升网络不佳情况的效果

i.需要技术：线上任务 & 离线任务 热迁移

e.权限&隐私

i.APP内信息/服务access：可能端侧模型更容易访问；取决于APP与手机厂商的协商

ii.本地数据访问：本地设置了加密的数据，可以要求只有端侧模型能访问

iii.在线数据访问：不需要端侧模型

f.个性化

i.Prompt里加入个人信息可以“假装”个性化体验

ii.也可以用线上账号的方式实现；且训练/精调只能在线上

2.3 商业价值

g.流量/收数

i.AI原生OS是手机厂商与APP生态建设的重点

ii.AI OS的功能理论上可以通过云上模型解决，但端侧+云上的模式会是多方协商合作的结果

h.变现：

i.端侧模型 = 手机价格提升的增值

ii.端侧 + 云上搭配 = 云上服务可以收订阅费用

i.成本：端侧模型降低云上推理成本支出

五、小结与启示

●从技术的角度，端侧大模型不是孤立的技术，而是跟AI芯片（GPU/TPU等）、操作系统共同形成一个完整的技术体系。

●手机端侧模型在未来3～5年的天花板可能在～10B级别，这意味着仍然需要与云上大模型配合，才能实现通用Agent、复杂COT/TOT、超长文本等高级功能。

●从用户的角度，对硬件的粘性远超软件。端侧模型是否真正能为用户创造价值还有不确定性；与OS的结合似乎是必经之路。

●大模型（不管是端侧还是云上）都为生态带来了新的变量。以前的“APPx硬件”流量入口格局还要加上“模型”。

文章来自于“腾讯研究院”，作者“腾讯研究院”。