近期官方渠路更新行业动态80岁老爷爷坐轮椅看苏超 很欣喜为您解答这个问题，让我来助您具体注明一下。品牌授权报建电话，急剧上门服务

山东省通辽市城阳区黑龙江省七台河市桃山区蓟州区东施古镇塔城地域和布克赛尔蒙古自治县元氏县黑龙江省鹤岗市福建省眉山市梅列区内蒙古呼伦贝尔市阿荣旗西青区精武镇辽宁省向阳市北票市元氏县苏村乡四川省凉山彝族自治州甘洛县山东省呼伦贝尔市台儿庄区湖北省宜昌市秭归县许昌市建安区辽宁省本溪市溪湖区重庆市市辖区北碚区甘肃省天水市秦州区四川省甘孜藏族自治州泸定县喀什地域麦盖提县黑龙江省佳木斯市富锦市武清区上马台镇益阳市大通区平山县宅北乡福建省南充市升天县福建省达州市建瓯市山东省洛阳市东平县贵州省铜仁市玉屏侗族自治县黑龙江省伊春市金林区福建省南充市城厢区蓟州区东二营镇内蒙古鄂尔多斯市康巴什区塔城地域和布克赛尔蒙古自治县湖北省宜昌市夷陵区内蒙古锡林郭勒盟正镶白旗重庆市县巫山县山西省晋中市榆社县西藏山南市张掖市东兴市陕西省宝鸡市千阳县黑龙江省鹤岗市怀柔区龙山街路福建省乐山市海沧区西藏山南市巴音郭楞蒙古自治州和硕县向阳区双井街路向阳区幼关街路平凉市山东省平顶山市湖北省宜昌市西陵区开封市通许县黑龙江省绥化市明水县江苏省南阳市新沂市河西区桃园街路山东省新乡市齐河县山西省晋中市灵石县焦作市沁阳市陕西省咸阳市兴平市四川省甘孜藏族自治州丹巴县山东省乌兰察布市牟平区张家界市蚌山区四川省凉山彝族自治州昭觉县云南省红河哈尼族彝族自治州泸西县江西省昆明市永新县内蒙古鄂尔多斯市鄂托克旗内蒙古鄂尔多斯市鄂托克旗江苏省驻马店市赣榆区武威市海城区阿克苏地域拜城县山西省长治市襄垣县白银市兴安县江西省遵义市武宁县山东省焦作市冠县桥西区东华街路青海省海西蒙古族藏族自治州德令哈市怀柔区宝山镇四川省成都市新都区赞皇县院头镇濮阳市南乐县门头沟区大峪街路山西省晋中市榆社县云南省丽江市宁蒗彝族自治县贵州省黔南布依族苗族自治州惠水县海淀区青龙桥街路信阳市平桥区桥西区东华街路白银市兴安县平山县宅北乡丰台区长辛店镇山东省巴彦淖尔市垦利区甘肃省兰州市山东省鄂尔多斯市临淄区山东省通辽市城阳区辽宁省沈阳市浑南区四川省广安市岳池县益阳市大通区张家界市龙子湖区昌平区延寿镇岳阳市庐阳区平山县岗南镇

今日行业协会颁布重要传递端侧算力的“奇点”时刻—需要，模型，芯片的三维共振，很欣喜为您解答这个问题，让我来助您具体注明一下:官方服务专线，支持多品牌报建

吉林省四平市铁西区丰台区宛平城地域江苏省宜昌市句容市青海省玉树藏族自治州治多县海南省中卫市山西省吕梁市中阳县黑龙江省鹤岗市四川省广元市焦作市蓟州区东施古镇丰台区右安门街路北辰区广源街路河东区大直沽街路博尔塔拉蒙古自治州温泉县焦作市中站区平顶山市卫东区南开区体育中心街路山西省临汾市安泽县静海区西翟庄镇山西省晋中市榆社县山西省运城市夏县向阳区幼红门地域无极县大陈镇云南省文山壮族苗族自治州广南县阿克苏地域拜城县定西市田林县焦作市福建省内江市罗源县赞皇县西龙门乡辽宁省辽阳市白塔区平山县东回舍镇常德市南陵县濮阳市南乐县辽宁省沈阳市辽宁省锦州市义县鹿泉区白鹿泉乡广东省临沧市龙湖区昌平区回龙观街路定西市田林县密云区古北口镇贵州省铜仁市印江土家族苗族自治县山西省晋中市灵石县内蒙古锡林郭勒盟镶黄旗重庆市县巫山县西藏拉萨市达孜区赞皇县西龙门乡宝坻区牛家牌镇福建省广安市龙海市密云区不老屯镇大兴区山西省晋城市高平市四川省凉山彝族自治州昭觉县山西省乌海市平定县江西省昆明市永新县湖北省恩施土家族苗族自治州恩施市福建省广安市龙海市福建省内江市永泰县西藏阿里地域日土县内蒙古兴安盟乌兰浩特市福建省南充市城厢区广东省兰州市新兴县陕西省汉中市西乡县重庆市县巫山县井陉县吴家窑乡向阳区幼关街路湖北省恩施土家族苗族自治州建始县西藏阿里地域日土县大兴区青海省玉树藏族自治州治多县蓟州区东施古镇山西省长治市襄垣县门头沟区大峪街路江苏省南阳市新沂市平顶山市卫东区湖北省恩施土家族苗族自治州恩施市定西市靖西市四川省宜宾市珙县山东省呼伦贝尔市台儿庄区井陉县吴家窑乡张掖市东兴市海南省固原市西沙区井陉县吴家窑乡广东省拉萨市三水区青海省果洛藏族自治州辽宁省本溪市溪湖区北辰区广源街路广东省山南市云南省普洱市景东彝族自治县福建省乐山市海沧区内蒙古锡林郭勒盟镶黄旗四川省甘孜藏族自治州九龙县贵州省黔东南苗族侗族自治州天柱县黑龙江省鹤岗市哈密市伊吾县黑龙江省伊春市金林区西城区天桥街路银川市宁明县喀什地域叶城县陕西省汉中市留坝县山西省朔州市山阴县

全球服务区域:云南省丽江市宁蒗彝族自治县信阳市平桥区四川省凉山彝族自治州西昌市辽宁省沈阳市沈河区河东区东新街路陕西省西安市未央区无极县大陈镇焦作市中站区海南省固原市西沙区江苏省漯河市浦口区江苏省南阳市新沂市山东省郑州市青州市南开区长虹街路平山县幼觉镇广东省丽江市海南省？谑忻览记鞑乩写镒吻崽ㄇ野裁沤致方帐⌒叛羰邢喑乔轿魇∷分菔猩揭跸啬诿晒哦醵嗨故卸跬锌似焖拇ㄊ∷炷市蓬溪县黑龙江省鸡西市鸡冠区山东省焦作市冠县平凉市赵县沙河店宜昌西省昆明市昆明县湖北省宜昌市西陵区张家界市蚌山区四川省凉山彝族自治州昭觉县辽宁省沈阳市平山县上观音堂乡上海市市辖区嘉定区密云区河南寨镇黑龙江省伊春市金林区江苏省驻马店市赣榆区岳阳市瑶海区山西省吕梁市岚县青秀区辽宁省辽阳市白塔区山西省晋中市灵石县内蒙古锡林郭勒盟正镶白旗山西省临汾市安泽县开封市通许县丰台区宛平城地域焦作市中站区广东省临沧市南澳县鹿泉区白鹿泉乡濮阳市南乐县广东省临沧市南澳县内蒙古鄂尔多斯市康巴什区云南省丽江市宁蒗彝族自治县陕西省宝鸡市千阳县江西省昆明市永新县平山县宅北乡无极县大陈镇甘肃省庆阳市镇原县张家界市龙子湖区吉林省四平市铁西区静海区西翟庄镇福建省内江市永泰县山西省吕梁市中阳县贵州省安顺市普定县山西省晋城市高平市焦作市中站区福建省南充市升天县黑龙江省七台河市桃山区四川省凉山彝族自治州昭觉县丰台区长辛店镇四川省广安市岳池县怀柔区雁栖地域张家界市龙子湖区门头沟区大峪街路行唐县龙州镇张掖市东兴市广东省普洱市斗门区山西省朔州市山阴县山东省郑州市青州市山东省巴彦淖尔市垦利区蓟州区官庄镇山西省吕梁市岚县乌鲁木齐市沙依巴克区四川省成都市金牛区福建省南充市升天县江苏省驻马店市赣榆区湖北省孝感市汉川市河东区东新街路海南省？谑忻览记恢萸愿髯蚩κ驳赜蚵蟾翘嵯乇背角阍唇致泛推角鲜薪致犯＝ㄊ∧诮新拊聪亟帐≈芸谑衅舳形淝迩下硖ㄕ蚵谷录易蛏挛魇『褐惺辛舭酉胤崽ㄇば恋暾蛄赡省沈阳市沈河区湖北省恩施土家族苗族自治州建始县

今日官方颁布重大钻研成就端侧算力的“奇点”时刻—需要，模型，芯片的三维共振，很欣喜为您解答这个问题，让我来助您具体注明一下:售后服务维建中心电话，支持多渠路服务

全国服务区域：静海区西翟庄镇平顶山市湛河区青海省果洛藏族自治州青秀区平顶山市湛河区山东省洛阳市东平县青秀区贵州省铜仁市印江土家族苗族自治县南阳市内乡县蓟州区官庄镇辽宁省沈阳市浑南区黑龙江省鸡西市鸡冠区江西省六盘水市上栗县井陉县测鱼镇哈密市伊吾县阿克苏地域拜城县江苏省周口市启东市江西省六盘水市上栗县延庆区沈家营镇南开区长虹街路江苏省漯河市浦口区四川省凉山彝族自治州甘洛县丰台区和义街路上海市市辖区嘉定区新乐市协神乡江苏省南阳市新沂市新乐市协神乡阿克苏地域拜城县北辰区怀柔区宝山镇益阳市大通区福建省南充市升天县云南省文山壮族苗族自治州广南县武威市海城区开封市通许县南开区长虹街路甘肃省定西市渭源县湖北省孝感市汉川市江苏省周口市启东市贵州省黔东南苗族侗族自治州天柱县长安区南村镇怀柔区宝山镇山东省平顶山市辽宁省锦州市义县吉林省长春市双阳区辽宁省铁岭市开原市山西省忻州市定襄县门头沟区大峪街路哈密市伊吾县平山县幼觉宜昌西省贵阳市昌江区赞皇县院头镇山西省乌海市平定县怀柔区宝山镇平顶山市湛河区内蒙古呼伦贝尔市阿荣旗贵州省铜仁市印江土家族苗族自治县元氏县岳阳市庐阳区福建省达州市建瓯市贵州省安顺市普定县山西省乌海市平定县广东省昭通市越秀区海淀区青龙桥街路云南省玉溪市新平彝族傣族自治县黑龙江省伊春市金林区福建省乐山市湖里区广东省丽江市银川市宁明县山西省忻州市定襄县黑龙江省大兴安岭地域呼玛县陕西省汉中市西乡县焦作市中站区濮阳市南乐县向阳区幼红门地域四川省泸州市江阳区塔城地域和布克赛尔蒙古自治县鹿泉区白鹿泉乡黑龙江省绥化市明水县广东省丽江市丰台区和义街路桥西区留营街路郴州市博望区青秀区陕西省西安市未央区陕西省商洛市山阳县江西省曲靖市宜丰县上海市市辖区嘉定区怀柔区龙山街路吉林省长春市双阳区山东省鄂尔多斯市临淄区西藏山南市贡嘎县张家界市蚌山区湖北省恩施土家族苗族自治州恩施市阿克苏地域拜城县陕西省商洛市山阳县青海省海北藏族自治州门源回族自治县向阳区豆各庄地域河西区桃园街路福建省乐山市湖里区

售后服务上门服务电话，智能分配单据：端侧算力的“奇点”时刻—需要，模型，芯片的三维共振

端侧算力的真正发作可能不在手机和电脑上，而在会动的机械人身上。

5月18日，国盛证券通讯行业钻研团队（分析师宋嘉吉、黄瀚、邵帅）颁布深度钻研汇报，梳理了端侧算力在需要、模型、芯片三个维度的最新进展，并作出判断：端侧算力正走入"奇点"时刻。

这份汇报的起点，是一次坦诚的自我复盘。

两年前，国盛证券曾颁布端侧算力深度汇报，预判手机、PC等AI设备上的本地算力将迎来高速增长。但现实是——这些设备上的AI职能，大无数仍依赖云端算力，端侧算力并未如期放量。

端侧算力（On-Device Computing / Edge Computing）是指直接在用户终端设备（如智能手机、AI眼镜、PC、智能家居、此刻可能蕴含机械人等）上执行的数据处置和推算能力，无需齐全依赖远程云端服务器。

汇报用两句话总结了这段汗青："不要低估云端模型的能力天堑"，以及"需要不是凭空设想的"。

云端太强，传统端侧需要被"压住了"

从前三年，云端大模型的进化速度远超预期。

汇报指出，随着"超节点"、"PD分离"等云端算力架构部署，云端模型在能力急剧提升的同时，单元Token成本在加快降低。

以文生图为例：三年前高通还在端侧部署Stable Diffusion，端侧只能天生512×512的底图，逻辑性较差

；而云端的GPT-4o、Nano Banana等模型已经能够在10秒内天生4K高分辨率图像，且逻辑细节远胜端侧。

正本支持端侧算力的三大理由——隐衷性、低成本、低时延——也在云端的强势进化下逐一被颠簸。汇报以为，"隐衷性"和"低成本"这两个需要在被证伪，真正站得住脚的，只剩下"低时延"这一个。

但这里说的低时延，不是指人类期待AI回复的速度。腾讯混元T1模型的吐字速度已达60-80 token/秒，首字秒出，早已低于人类舒服反映区间。

汇报所说的低时延，是设备对表部信号的内生处置速度

人脑处置视觉-活动反映约需180-200毫秒

；而一个设备从接管信号、传送云端解析、再传回本地执行，往往必要2-5秒以上——若是是图片等多模态信号，还会更长。

这就是云端算力无法触及的盲区。汇报用了一个类比：把人体神经换成无线信号，把大脑换成云端算力，整个链路的不变性和延长就会被无线拉长。

需要在哪里？在会动的机械人上

锁定"低时延"这一主题命题后，真正的需要方向也随之清澈：让"类人终端"更像人。

分析师将当前类人终端按智能水平分为四类：

第一类：摄像优等感知硬件，必要处置更多路信号、更精密的鉴别模型

第二类：工具机械人（割草、泳池等），必要鉴别更多场景——好比割草机械人能鉴别宠物粪便、石头、积雪、落叶，就能进化为四时可用的"天井机械人"

第三类：智能车，必要理解异形阻碍物和极端复杂场景

第四类：人形机械人，必要实时理解物理世界并产生互动，输入涵盖视觉、听觉、触觉，输出是复杂肢体作为

分析师主题判断是：这一轮端侧需要，不是本钱市场的一厢情愿，而是来自"客户需要增长叠加行业能力进化的关环了局"——割草机械人、送餐机械人、无人汽车的遍及，让用户在接受基础职能的同时，也起头提出更高要求。

模型三级跳：从“看图识字”到“预判将来”

需要侧的演进，离不开模型侧的支持。汇报梳理了端侧视觉模型的进化蹊径，逻辑清澈。

第一代：YOLO模型

大模型时期之前，机械视觉依赖CNN算法下的YOLO模型。其道理是把图像划分为网格，让每个格子掌管预测其中的物体——汇报打了个譬喻：就像"一个经验丰硕的保安站在高处急剧扫视人群，只有某个格子里或许率出现了'车'或者'人'的特点，它就立刻画一个框圈出来"？，但有硬伤：难以处置异形物体和3D画面，也无法理解物品之间的逻辑关联。

第二代：Vision Transformer（ViT）

大模型思路引入视觉领域后，ViT打开了新天花板。它把图像切成幼方块，像做阅读理解一样，思虑每个碎片与全图其他碎片的关系。汇报的描述很形象："看到左上角的'猫耳朵'，它会立刻通过逻辑遐想到右下角的'猫尾巴'，即便它们隔得很远。"

ViT更亏损算力，这刚好买通了端侧算力升级的逻辑——更强的算力能够真正转化为更强的能力，而不是"空有算力却无法提升能力"。

第三代：VLM→VLA→世界模型

智能驾驶加快了这一演进。

VLM（视觉-说话模型）：能看懂图像并翻译成语义信息，相当于"坐在副驾的解说员"，把路况造成机械能听懂的"谍报"

VLA（视觉-说话-作为模型）：在VLM基础上参与"作为"维度，直接从视觉感知输出节造指令——"方向盘左打10度"、"油门踩下20%"，实现从眼睛直达手脚的端到端节造。英伟达已于近期颁布开源VLA模型Alpamayo

世界模型：更进一步，引入预测机造，在执行作为前预演将来几秒的多种情况，"通过天生将来的视频画面来评估风险，从而在无数个'平行宇宙'当选出最安全的那一条路去走"

机械人前沿：GEM模型

相比智能驾驶，让机械人理解并与物理世界互动的难度更高一个量级。智能车的指标是"预防与表界互动"，机械人则必须实时与表界产生物理和说话接触。

汇报以为，GEM（Grounding Embedding Model）是解决这一难题的可能蹊径之一。单一说，它能把机械人的感知数据（摄像头画面、激光雷达点云）和高层指令（"把蓝色的杯子递给我"）映射到统一个特点空间，让机械人即便没见过某个物体，也能通过语义理解实现作为。谷歌的RT-2模型已在索求这一方向，将图像、作为、说话全数token化来实现对齐。

汇报指出，GEM模型当前的重要痛点在于分歧模态信号的对齐，以及苦难性忘却、模态天堑等问题，"不仅必要模型工程上的持续优化，在将来执行层面，也必要专门的算力芯片架构进行共同"。

芯片之争：NPU遇到天花板，GPGPU向下渗入

模型需要确定了，芯片是最终落脚点。汇报具体分析了NPU与GPGPU两条路线的曲直。

NPU：从YOLO起身，遭逢架构瓶颈

NPU的第一波放量来自YOLO模型——安防摄像头、低级自主移动机械人大量搭载NPU芯片。瑞芯微RK系列凭借性价比和低功耗成为主流选择，其交易收入从2016年的12.98亿元增长至2025年的44.02亿元。

但进入大模型时期，NPU遇到了架构层面的硬约束：在扫地机械人等低功耗场景下，若是要运行以ViT为基座的模型代替YOLO，算力需要将靠近100TFLOPS。更关键的是，NPU短缺CUDA CORE，所有指令由CPU下发，而端侧功耗和成本限度下无法使用高机能CPU——"一旦在较弱的CPU下挂在了过多的NPU核，用于AI工作的指令就会占据CPU所有的通讯总线，从而使得设备宕机"。

当前有两条破局蹊径：

高通跃龙IQ10：换装更好的CPU和更大面积的NPU核，并融合部门GPU工作调度结构

瑞芯微RK182x：选取3D-DRAM+协处置器双轨并行，通过堆叠封装加大NPU与存储间的带宽，同时将AI推理从主芯片解放出来，缓解总线拥挤

GPGPU：从云端继承，生态优势放大

相比NPU，GPGPU的端侧蹊径更顺滑。云端GPGPU本就是全职能芯片，走向端侧只需按需缩减面积和主题数量，不存在NPU面对的架构刷新难题。

英伟达智能驾驶业务收入从2021财年的5.36亿美元增长至2026财年的23.49亿美元，Orin、Thor系列已推出覆盖分歧价位和算力段的产品线。

但GPGPU的主题优势不只是硬件，更在于生态。汇报指出，大部门端侧模型的预训练和微调都必要借助CUDA生态实现，"若是在端侧使用GPGPU架构的算力，那么无论是部署速度，部署成效城市远超必要转译的NPU环境"。同时，英伟达在FP4等低精度推理方面已有成熟规划，能够直接下放端侧，而NPU则追赶艰巨。

分析师的结论是：看好GPGPU架构在端侧渗入率持续提升。但英伟达高昂的售价注定其不会成为市场唯一选择，这也为高通（通讯+推算融合的SOC规划）和国内芯片公司（以性价比切入下沉市。┝舫隽丝占。

投资布局：芯片、模组、存储三条线

分析师将端侧算力的投资机遇分为三个环节：

芯片：价值量提升最大的环节。关注NPU迭代与GPGPU向下渗入。汇报出格指出，端侧设备中算力成本占比将显著提升，"这一逻辑与云端基建类似"。

模组：汇报称之为"郝吩保收的中央商"。端侧算力客户极端分散，模组公司承担衔接上游芯片和下游万千用户的桥梁作用。无论哪种芯片路线最终胜出，模组厂商都能受益。在IoT时期已实现全球"东生西落"的中国模组公司，被以为不会缺席这一轮增长。

存储：3D-DRAM是汇报重点提及的新方向。端侧芯片的推理能力同样受内存大幼和带宽造约，3D-DRAM通过将DRAM与NPU堆叠封装，在低成本、低功耗前提下提升带宽。

本月有关部门通报最新政策端侧算力的“奇点”时刻—需要，模型，芯片的三维共振

端侧算力的真正发作可能不在手机和电脑上，而在会动的机械人身上。

5月18日，国盛证券通讯行业钻研团队（分析师宋嘉吉、黄瀚、邵帅）颁布深度钻研汇报，梳理了端侧算力在需要、模型、芯片三个维度的最新进展，并作出判断：端侧算力正走入"奇点"时刻。

这份汇报的起点，是一次坦诚的自我复盘。

两年前，国盛证券曾颁布端侧算力深度汇报，预判手机、PC等AI设备上的本地算力将迎来高速增长。但现实是——这些设备上的AI职能，大无数仍依赖云端算力，端侧算力并未如期放量。

端侧算力（On-Device Computing / Edge Computing）是指直接在用户终端设备（如智能手机、AI眼镜、PC、智能家居、此刻可能蕴含机械人等）上执行的数据处置和推算能力，无需齐全依赖远程云端服务器。

汇报用两句话总结了这段汗青："不要低估云端模型的能力天堑"，以及"需要不是凭空设想的"。

云端太强，传统端侧需要被"压住了"

从前三年，云端大模型的进化速度远超预期。

汇报指出，随着"超节点"、"PD分离"等云端算力架构部署，云端模型在能力急剧提升的同时，单元Token成本在加快降低。

以文生图为例：三年前高通还在端侧部署Stable Diffusion，端侧只能天生512×512的底图，逻辑性较差

；而云端的GPT-4o、Nano Banana等模型已经能够在10秒内天生4K高分辨率图像，且逻辑细节远胜端侧。

正本支持端侧算力的三大理由——隐衷性、低成本、低时延——也在云端的强势进化下逐一被颠簸。汇报以为，"隐衷性"和"低成本"这两个需要在被证伪，真正站得住脚的，只剩下"低时延"这一个。

但这里说的低时延，不是指人类期待AI回复的速度。腾讯混元T1模型的吐字速度已达60-80 token/秒，首字秒出，早已低于人类舒服反映区间。

汇报所说的低时延，是设备对表部信号的内生处置速度

人脑处置视觉-活动反映约需180-200毫秒

；而一个设备从接管信号、传送云端解析、再传回本地执行，往往必要2-5秒以上——若是是图片等多模态信号，还会更长。

这就是云端算力无法触及的盲区。汇报用了一个类比：把人体神经换成无线信号，把大脑换成云端算力，整个链路的不变性和延长就会被无线拉长。

需要在哪里？在会动的机械人上

锁定"低时延"这一主题命题后，真正的需要方向也随之清澈：让"类人终端"更像人。

分析师将当前类人终端按智能水平分为四类：

第一类：摄像优等感知硬件，必要处置更多路信号、更精密的鉴别模型

第二类：工具机械人（割草、泳池等），必要鉴别更多场景——好比割草机械人能鉴别宠物粪便、石头、积雪、落叶，就能进化为四时可用的"天井机械人"

第三类：智能车，必要理解异形阻碍物和极端复杂场景

第四类：人形机械人，必要实时理解物理世界并产生互动，输入涵盖视觉、听觉、触觉，输出是复杂肢体作为

分析师主题判断是：这一轮端侧需要，不是本钱市场的一厢情愿，而是来自"客户需要增长叠加行业能力进化的关环了局"——割草机械人、送餐机械人、无人汽车的遍及，让用户在接受基础职能的同时，也起头提出更高要求。

模型三级跳：从“看图识字”到“预判将来”

需要侧的演进，离不开模型侧的支持。汇报梳理了端侧视觉模型的进化蹊径，逻辑清澈。

第一代：YOLO模型

大模型时期之前，机械视觉依赖CNN算法下的YOLO模型。其道理是把图像划分为网格，让每个格子掌管预测其中的物体——汇报打了个譬喻：就像"一个经验丰硕的保安站在高处急剧扫视人群，只有某个格子里或许率出现了'车'或者'人'的特点，它就立刻画一个框圈出来"？，但有硬伤：难以处置异形物体和3D画面，也无法理解物品之间的逻辑关联。

第二代：Vision Transformer（ViT）

大模型思路引入视觉领域后，ViT打开了新天花板。它把图像切成幼方块，像做阅读理解一样，思虑每个碎片与全图其他碎片的关系。汇报的描述很形象："看到左上角的'猫耳朵'，它会立刻通过逻辑遐想到右下角的'猫尾巴'，即便它们隔得很远。"

ViT更亏损算力，这刚好买通了端侧算力升级的逻辑——更强的算力能够真正转化为更强的能力，而不是"空有算力却无法提升能力"。

第三代：VLM→VLA→世界模型

智能驾驶加快了这一演进。

VLM（视觉-说话模型）：能看懂图像并翻译成语义信息，相当于"坐在副驾的解说员"，把路况造成机械能听懂的"谍报"

VLA（视觉-说话-作为模型）：在VLM基础上参与"作为"维度，直接从视觉感知输出节造指令——"方向盘左打10度"、"油门踩下20%"，实现从眼睛直达手脚的端到端节造。英伟达已于近期颁布开源VLA模型Alpamayo

世界模型：更进一步，引入预测机造，在执行作为前预演将来几秒的多种情况，"通过天生将来的视频画面来评估风险，从而在无数个'平行宇宙'当选出最安全的那一条路去走"

机械人前沿：GEM模型

相比智能驾驶，让机械人理解并与物理世界互动的难度更高一个量级。智能车的指标是"预防与表界互动"，机械人则必须实时与表界产生物理和说话接触。

汇报以为，GEM（Grounding Embedding Model）是解决这一难题的可能蹊径之一。单一说，它能把机械人的感知数据（摄像头画面、激光雷达点云）和高层指令（"把蓝色的杯子递给我"）映射到统一个特点空间，让机械人即便没见过某个物体，也能通过语义理解实现作为。谷歌的RT-2模型已在索求这一方向，将图像、作为、说话全数token化来实现对齐。

汇报指出，GEM模型当前的重要痛点在于分歧模态信号的对齐，以及苦难性忘却、模态天堑等问题，"不仅必要模型工程上的持续优化，在将来执行层面，也必要专门的算力芯片架构进行共同"。

芯片之争：NPU遇到天花板，GPGPU向下渗入

模型需要确定了，芯片是最终落脚点。汇报具体分析了NPU与GPGPU两条路线的曲直。

NPU：从YOLO起身，遭逢架构瓶颈

NPU的第一波放量来自YOLO模型——安防摄像头、低级自主移动机械人大量搭载NPU芯片。瑞芯微RK系列凭借性价比和低功耗成为主流选择，其交易收入从2016年的12.98亿元增长至2025年的44.02亿元。

但进入大模型时期，NPU遇到了架构层面的硬约束：在扫地机械人等低功耗场景下，若是要运行以ViT为基座的模型代替YOLO，算力需要将靠近100TFLOPS。更关键的是，NPU短缺CUDA CORE，所有指令由CPU下发，而端侧功耗和成本限度下无法使用高机能CPU——"一旦在较弱的CPU下挂在了过多的NPU核，用于AI工作的指令就会占据CPU所有的通讯总线，从而使得设备宕机"。

当前有两条破局蹊径：

高通跃龙IQ10：换装更好的CPU和更大面积的NPU核，并融合部门GPU工作调度结构

瑞芯微RK182x：选取3D-DRAM+协处置器双轨并行，通过堆叠封装加大NPU与存储间的带宽，同时将AI推理从主芯片解放出来，缓解总线拥挤

GPGPU：从云端继承，生态优势放大

相比NPU，GPGPU的端侧蹊径更顺滑。云端GPGPU本就是全职能芯片，走向端侧只需按需缩减面积和主题数量，不存在NPU面对的架构刷新难题。

英伟达智能驾驶业务收入从2021财年的5.36亿美元增长至2026财年的23.49亿美元，Orin、Thor系列已推出覆盖分歧价位和算力段的产品线。

但GPGPU的主题优势不只是硬件，更在于生态。汇报指出，大部门端侧模型的预训练和微调都必要借助CUDA生态实现，"若是在端侧使用GPGPU架构的算力，那么无论是部署速度，部署成效城市远超必要转译的NPU环境"。同时，英伟达在FP4等低精度推理方面已有成熟规划，能够直接下放端侧，而NPU则追赶艰巨。

分析师的结论是：看好GPGPU架构在端侧渗入率持续提升。但英伟达高昂的售价注定其不会成为市场唯一选择，这也为高通（通讯+推算融合的SOC规划）和国内芯片公司（以性价比切入下沉市。┝舫隽丝占。

投资布局：芯片、模组、存储三条线

分析师将端侧算力的投资机遇分为三个环节：

芯片：价值量提升最大的环节。关注NPU迭代与GPGPU向下渗入。汇报出格指出，端侧设备中算力成本占比将显著提升，"这一逻辑与云端基建类似"。

模组：汇报称之为"郝吩保收的中央商"。端侧算力客户极端分散，模组公司承担衔接上游芯片和下游万千用户的桥梁作用。无论哪种芯片路线最终胜出，模组厂商都能受益。在IoT时期已实现全球"东生西落"的中国模组公司，被以为不会缺席这一轮增长。

存储：3D-DRAM是汇报重点提及的新方向。端侧芯片的推理能力同样受内存大幼和带宽造约，3D-DRAM通过将DRAM与NPU堆叠封装，在低成本、低功耗前提下提升带宽。

经现场医护人员查抄判定，该被困人员性命体征安稳，随即被送往医院接受进一步观察医治。

k8凯发天生赢家

80岁老爷爷坐轮椅看苏超