文｜半导体产业纵横 六千

2026年8月，谷歌和荣耀几乎同时亮出了新一代AI手机的底牌。

谷歌Pixel 11搭载Tensor G6，官方说法是“不只是造了一颗更快的芯片，而是一台为目标而生的引擎”：TPU算力增加50%，端侧AI任务最高快3.5倍，能耗降至原来的约三分之一。荣耀Robot Phone除了在硬件上推出了云台摄像头，在软件上联合阿里巴巴千问大模型共创终端大模型方案，YOYO能连续执行超过100步的复杂任务，推出Agentic OS。

随着8、9月的新机发布潮开启，手机会怎样进入AI时代？

让我们把手机算力的故事拨回到9年前，2017年华为麒麟970和苹果A11在同一个月发布了手机上第一颗NPU。那时候手机芯片厂商需要回答算力到底该用来干什么？计算摄影，Face ID或者是语音助手，但因为没有杀手级应用出现，手机芯片的TOPS始终没法成为手机最大的卖点。

2023年，生成式AI让算力成为科技行业的关键词；2025年智能体火速发展，物理AI成为行业发展重要方向，而手机就是物理AI的重要载体。AI对算力的需求让手机算力再次回到主舞台。实测显示算力会极大影响用户的AI体验，有人拿vivo Y500 Pro跑Gemma 4，500字的回答等了2.8分钟，图片识别5分钟无响应，App直接冻死。这就导致不少人拿到AI手机后新鲜感一过，第一件事就是去设置里关掉大部分端侧AI功能。可以预见，随着手机进入AI时代，手机芯片将重新开启性能竞赛。

01 手机芯片，开始针对AI优化

为了适应AI需求，手机的NPU正在从一个通用的推理加速器，变成一个为Transformer/MoE架构量身定制的处理器。这个趋势与AI推理卡出现的趋势一致，即设计逻辑从“通用性能”转向“模型感知”，让芯片认识模型，模型也认识芯片。

苹果在A19 Pro的GPU里集成了AI加速器，LLM/Diffusion 推理可以同时利用 GPU 计算单元 + NA 矩阵单元 + NE 16 核三个并行引擎。iPhone 17 Pro 持续运行大模型时（如 Apple Intelligence 端侧 3B LLM）可以保持 30+ tok/s 推理速度。

Google Tensor 芯片从底层架构设计到软硬件联动，均围绕端侧 AI（On-Device AI）与高性能低功耗推理进行深度定制。TPU 针对神经网络核心的矩阵乘法与累加运算（GEMM）进行优化，使数据在计算单元间直接流动，减少访问 RAM 的频率，提高能效。原生支持 INT8 / FP16 / BF16 等低精度数据格式，在牺牲极小精度的前提下大幅减少内存带宽占用与功耗。针对 Transformer 架构的注意力机制，增加芯片内高速 SRAM 缓存与高带宽内存调度，降低端侧生成式 AI 的首 Token 延迟与连续输出功耗。

高通将标量、向量和张量加速器融合在同一NPU 内，减少了不同加速单元间的数据搬移延迟。将神经网络层拆解为微切片并深度融合（支持同时融合多达 10 层以上），减少对外部 DRAM 的频繁读写，使中间数据直接在片上完成计算，大幅降低功耗。在 NPU 内部配备大容量片上共享高速缓存，为大语言模型（LLM）与 Vision Transformer（ViT）提供高带宽支撑，降低内存访问带来的电量消耗。

当芯片设计开始围绕模型展开，芯片厂商和模型厂商的关系也变了。部分芯片公司与大模型厂商达成了生态层面的合作，联发科技将阶跃星辰ACE-Step音乐模型通过端侧可视化部署到天玑9500平台上，大幅度提升了模型及算法的移植效率。当然像谷歌这种自有Gemini大模型的公司，占据了手机AI的先发优势。

软硬结合在AI时代变得尤为重要。一个7B 模型（FP16，14GB）每生成 1 token 需读取全部权重，67–85GB/s 带宽下理论上限仅约 5 tok/s（纯带宽公式推算，不依赖任何第三方算力估值）；在带宽、芯片设计不变的条件下，把权重从 2 字节压到 0.5 字节，模型缩到约 3.5GB，同样读一遍 （ 67GB/s ÷ 3.5GB ≈ 19 tok/s）理论速度就翻了约 4 倍。满足这个过程需要芯片原生支持 INT4/INT2/FP8 计算，芯片必须有对应的计算单元才能跑出速度。量化有极限，压到INT4以下，精度损失开始肉眼可见；但目前的手机很多时候缺的不是算力，而是被内存限制住了。

02 内存墙：手机也翻不过的坎

算力是AI手机体验的一环，即便有充足的晶体管，但因为通道限制，流向用户的算力依然速度受限。

为什么说手机芯片算力够用？有人给一台骁龙8 Elite手机外挂两个CPU散热器，直接在1080p极致画质下跑起了《巫师3》，帧率20到30 FPS，GPU占用率拉满99%，足以见得手机芯片的原始算力已经够当PC用了。但换到AI推理场景，手机算力就不是解决AI体验的唯一重点。大模型生成文字的方式叫“自回归解码”，每吐出一个字，就要把整个模型的权重从头到尾读一遍。这意味着生成速度还严重依赖内存带宽，而不仅是处理器有多少计算单元。

在内存提升上，联发科天玑9500引入了存算一体NPU，开篇提到的谷歌和高通都为了提高内存访问速度做了优化。

JEDEC在2025年7月发布了LPDDR6标准。LPDDR5X从8.5Gbps升到10.7Gbps，带宽从51提到85GB/s。相较于上一代LPDDR5X标准，LPDDR6在性能与能效两方面均有显著提升。其数据吞吐能力提高33%，单引脚传输速率可达14.4Gbps；内存功耗则较前代降低逾20%。目前，SK海力士已经官宣LPDDR6产品，该内存采用第六代10纳米级（1c）制程工艺，单颗容量达16GB。

正如HBM在AI时代的意义一样，在LPDDR6量产和存算一体成熟之前，端侧AI的性能还是很难迎来质的突破。虽然LPDDR6即将问世，但真正大规模商用还需要时间。主要原因在于当前内存价格已经极高，新标准将会更大幅度地拉高成本，直接影响售价，不利于出货。因此手机内存带宽要从85GB/s跳到能流畅跑大模型的水平，需要不仅是技术突破，还有内存市场的冷静与降温。

03 产业链的连锁反应：存储涨价、产能挤压、模型费

对于消费者来说，手机进入AI时代的代价已经显现。

存储是第一个被冲击的环节。存储原厂集体转向HBM和DDR5，大幅削减DDR4产能，LPDDR5占比2026年预计升至73%。手机端被迫升级：12GB成为AI手机的“及格线”，16GB LPDDR5X成为旗舰标配，部分机型上探到24GB。TrendForce最新智能手机行业研究显示，以内存为首的零部件成本不断攀升，预计将大幅推高苹果下一代iPhone 18系列的生产成本。256GB版本BOM成本同比预计上涨约38%。而在2025年内存成本占比约10%，预计2027年上半年将突破40%。

先进制程被挤压，手机处理器成本提高。台积电已将2026年全年资本支出提升至600亿至640亿美元之间，创历史新高，同时通知客户7nm及以下制程涨价。AI加速器占据了N3大部分产能，高通、联发科等手机芯片客户面临先进节点产能挤压；CoWoS先进封装也优先供给AI芯片，间接推高了整体代工成本。

模型厂商开始上桌。消费者和手机厂商都需要模型厂商造出更适合端侧的“小模型”，消费者与手机厂商中间又增加了一个中间商。作为整合的角色，手机厂商可以决定用哪个模型、哪些功能走端侧哪些走云端、内存和散热预算怎么分。因此，市场也看到手机厂商开始自研模型，这种选择显然是出于议价权的考虑。

目前AI手机的渗透，主要由旗舰机型标配AI能力“被动普及”驱动。手机AI对于用户的吸引力还不足够大，新技术在早期采用者与大众市场之间存在一道鸿沟。虽然手机处理器厂商都在说端侧AI可以保护本地隐私，但就当前整体的AI体验来说端云混合依旧是行业共识。不管是AIPC还是AI手机，没有任何主流厂商走纯端侧路线，端侧的隐私和低延迟价值，尚未转化为用户明确的付费意愿。对于手机AI来说，行业要面对的是最本质的问题：消费者会为了AI功能主动加钱换手机吗？

从体验上来讲，用户最明显的体感还是在修图、翻译、摘要等“锦上添花”场景，突破想象力的设计依旧缺失。AI手机缺少“iPhone时刻”、“ChatGPT时刻”、也缺少“DeepSeek时刻”。虽然各厂商官方路线图都把“智能体”列为下一代重点，但这也说明了智能体与手机的结合的这个门槛，还没跨过去。跨过去，AI有望成为真正的换机驱动力；跨不过去，端侧AI将长期停留在高端机的营销标签层面。

LPDDR6 量产 + 内存市场降温之前，AI 手机没有降价窗口。