一句话结论
高通在进博会展示端侧MoE智能体，通过多方协同提升效率，推动终端AI走向系统级智能体体验。
关键要点
- 高通在第九届进博会联合多方伙伴展示端侧MoE智能体演示，验证了混合专家模型在移动设备上的高效运行潜力。
- 端侧AI目前主要处于单点功能阶段，涵盖语音识别、文本摘要等任务，正处于向意图理解与任务编排等复杂智能体体验演进的关键节点。
- 针对终端设备的内存与功耗瓶颈，MoE架构通过按需调用部分专家模块，相比传统稠密模型能显著提升复杂任务的完成度与准确度。
- 该演示涉及推理预测与存储加载优化，解决了大模型在端侧运行时的DDR带宽瓶颈，实现了模型、推理、存储与芯片平台的系统性协同。
- 高通强调“端侧优先”的端云协同策略，将云端定位为通用知识库，将端侧作为承载个性化、实时性与隐私保护的专业知识中枢。
背景与事实
过去三到四年间，终端侧AI经历了从影像处理向多模态应用拓展的过程。如今，简单问答、图像生成、语音转录及实时翻译等能力已在端侧具备成熟落地条件。然而，当前绝大多数端侧应用仍局限于解决单一具体任务，若要实现系统级任务编排与实时App操作，必须突破现有模型能力的限制。在第九届进博会上，高通展出了一项针对端侧混合专家（MoE）模型的系统性优化方案，该方案由高通与Infris AI、江波龙、阶跃星辰共同完成。
混合专家模型在端侧面临的核心挑战在于推理效率与存储带宽。传统稠密模型每次推理需运行全部参数，而MoE模型虽总体量庞大，但每次任务仅调用部分专家模块。在端侧运行时，预测并预取即将调用的专家模块、优化其从通用闪存到内存的加载路径，是提升整体效率的关键。此次演示中，阶跃星辰负责提升模型智能水平，Infris AI提供推理方案以预测和预取专家模块，江波龙优化闪存到内存的加载效率，高通则通过芯片平台与软件栈优化模块路由与缓存预测，各方协同解决了端侧运行的实际瓶颈。
影响分析
对中文开发者与从业者而言，这一技术演进意味着应用开发的底层逻辑正在发生转变。首先，端侧模型的复杂任务能力将获得实质性提升，开发者不再受限于端侧只能运行20亿至30亿参数模型的现状，有望在终端直接部署具备更高智能水平的模型。其次，开发工作流将向“模型即芯片”的方向深化，开发者需要更关注模型量化、推理预取策略与存储路径的协同优化，而不仅仅是调用现成API。最后，终端设备的主动服务能力将增强，基于用户环境与历史数据的实时意图理解成为可能，这要求开发者在隐私保护与个性化交互设计方面投入更多技术资源。
适用边界
本结论主要适用于高通骁龙平台及其生态内的移动终端场景。MoE模型的系统级任务处理能力仍受限于端侧物理硬件的内存与功耗天花板，无法完全替代云端大模型在超大规模知识检索与极限算力任务中的角色。此外，当前展示的意图理解与任务编排能力尚未在所有终端中普及，其实际落地效果依赖于模型厂商、终端品牌与开发者的紧密协同，单一环节的技术孤立应用难以达到预期的性能提升。
孤本观察
端侧AI的瓶颈已从单纯模型规模转向系统级工程效率，端侧MoE的落地本质是一场针对存储带宽与计算资源的协同优化战。未来终端竞争的焦点，将是谁能率先实现从芯片到存储再到推理的全链路极致协同。
常见问题
此次端侧MoE智能体演示由哪几方共同完成？
由高通、Infris AI、江波龙、阶跃星辰共同完成。阶跃星辰提升模型智能，Infris AI提供推理方案，江波龙优化加载效率，高通优化芯片平台与软件栈。
MoE架构相比传统稠密模型在端侧的主要优势是什么？
MoE架构通过按需调用部分专家模块，而非运行全部参数，能显著提升复杂任务的完成度与准确度，并解决端侧内存与功耗瓶颈。
端侧AI目前处于什么发展阶段？
端侧AI目前主要处于单点功能阶段，涵盖语音识别、文本摘要等任务，正处于向意图理解与任务编排等复杂智能体体验演进的关键节点。
MoE模型在端侧落地的主要限制条件是什么？
受限于端侧物理硬件的内存与功耗天花板，无法完全替代云端大模型在超大规模知识检索与极限算力任务中的角色，且落地需多方紧密协同。
高通提出的端云协同策略中，端侧承担什么角色？
在“端侧优先”策略下，端侧被定位为承载个性化、实时性与隐私保护的专业知识中枢，而云端则作为通用知识库。
来源：量子位