人工智能的演進(jìn)重心，正從追逐參數(shù)規(guī)模的語(yǔ)言學(xué)習(xí)，轉(zhuǎn)向?qū)ξ锢硎澜绲讓又刃虻纳羁探！笆澜缒Ｐ汀币殉蔀樾袠I(yè)共識(shí)，系統(tǒng)性智能正在取代單點(diǎn)技術(shù)突破，成為新一輪競(jìng)爭(zhēng)的制高點(diǎn)。2026年，是量產(chǎn)驗(yàn)證與場(chǎng)景落地的關(guān)鍵窗口：產(chǎn)業(yè)界不再“炫技”，而是真刀真槍比拼工程化能力和場(chǎng)景理解能力。

 

作為終端側(cè)AI的核心玩家，近年來(lái)高通打通“云-邊-端”構(gòu)建混合AI體系，并在CES 2026率先亮出物理AI版圖和愿景：一方面，由驍龍數(shù)字底盤驅(qū)動(dòng)的智能汽車，正進(jìn)化為具備情境感知與隱私保護(hù)的“出行伙伴”；另一方面，高通躍龍產(chǎn)品組合為機(jī)器人與工業(yè)應(yīng)用注入精準(zhǔn)感知、實(shí)時(shí)處理與敏捷行動(dòng)的能力，讓效率在邊緣側(cè)真正釋放。

 

而在MWC 2026，高通的工業(yè)AI和具身智能圖景進(jìn)一步具象化——智能正從云端真正走入物理世界，開(kāi)始服務(wù)真實(shí)世界的每一處細(xì)節(jié)。

 

當(dāng)?shù)貢r(shí)間3月3日，在2026世界移動(dòng)通信大會(huì)（MWC）期間，世界互聯(lián)網(wǎng)大會(huì)在西班牙巴塞羅那舉辦了以“具身智能：引領(lǐng)人工智能發(fā)展的新范式”為主題的專題論壇。高通技術(shù)公司執(zhí)行副總裁兼汽車、工業(yè)及嵌入式物聯(lián)網(wǎng)與機(jī)器人事業(yè)群總經(jīng)理Nakul Duggal受邀發(fā)表“推動(dòng)工業(yè)AI與具身智能的規(guī)?；l(fā)展”的主旨演講。他指出，全球工業(yè)生態(tài)正經(jīng)歷一場(chǎng)由AI驅(qū)動(dòng)的深刻變革，核心趨勢(shì)是智能能力正從云端向邊緣側(cè)深度下沉，而“具身智能”作為AI的全新發(fā)展范式，正推動(dòng)智能與物理世界深度融合。

 

 

 

“云-邊-端”協(xié)同運(yùn)行模式正快速演進(jìn)，邊緣側(cè)AI崛起正重構(gòu)工業(yè)運(yùn)行模式。Nakul指出，AI模型從單純依賴云端處理，發(fā)展為在邊緣側(cè)具備環(huán)境感知和自主決策能力。這一轉(zhuǎn)變?cè)谝苿?dòng)應(yīng)用、固定場(chǎng)景、無(wú)人化應(yīng)用、不同大小的終端之中已廣泛實(shí)現(xiàn)。他以智能眼鏡為例，說(shuō)明如今終端已能本地運(yùn)行小型模型，完成拍照、查詢并反饋結(jié)果的全過(guò)程，無(wú)需經(jīng)由云端，這一技術(shù)進(jìn)步徹底重構(gòu)了一線工作人員的工作模式，也標(biāo)志著邊緣側(cè)智能部署方式的根本性變革。

 

他還在演講中強(qiáng)調(diào)，計(jì)算機(jī)視覺(jué)正從傳統(tǒng)形態(tài)向視覺(jué)語(yǔ)言模型，并進(jìn)一步向視覺(jué)-語(yǔ)言-行動(dòng)模型（VLA模型）演進(jìn)。這一演進(jìn)重構(gòu)了系統(tǒng)設(shè)計(jì)邏輯，使攝像頭與連接能力得以協(xié)同工作，實(shí)現(xiàn)對(duì)場(chǎng)景的完整態(tài)勢(shì)感知與分析。目前，這一能力已在邊緣固定攝像頭、工業(yè)網(wǎng)關(guān)及無(wú)人機(jī)等多元場(chǎng)景中快速推進(jìn)，且其實(shí)際落地僅在過(guò)去24個(gè)月內(nèi)完成，技術(shù)發(fā)展速度遠(yuǎn)超預(yù)期。

 

面對(duì)邊緣側(cè)AI幾乎無(wú)限的應(yīng)用場(chǎng)景，高通的核心策略之一是構(gòu)建強(qiáng)大的開(kāi)發(fā)者生態(tài)系統(tǒng)。Nakul透露，過(guò)去六個(gè)月高通完成了對(duì)開(kāi)源硬件平臺(tái)Arduino的收購(gòu)，把邊緣AI技術(shù)交到全球數(shù)百萬(wàn)開(kāi)發(fā)者手中。通過(guò)提供從硬件平臺(tái)到工具鏈的完整支持，賦能開(kāi)發(fā)者進(jìn)行數(shù)據(jù)訪問(wèn)、模型編程與邊緣部署，并利用反饋閉環(huán)持續(xù)優(yōu)化模型，從而推動(dòng)復(fù)雜AI應(yīng)用在廣泛的工業(yè)生態(tài)系統(tǒng)中真正落地。

 

 

 

談到具身智能所帶來(lái)的機(jī)遇，Nakul提出，具身智能意味著將智能深度嵌入物理世界，推動(dòng)行業(yè)朝著在機(jī)器人中實(shí)現(xiàn)通用智能的目標(biāo)邁進(jìn)。他強(qiáng)調(diào)，生成式AI的出現(xiàn)是關(guān)鍵驅(qū)動(dòng)力，使系統(tǒng)得以擺脫傳統(tǒng)基于規(guī)則的束縛。盡管將具身智能應(yīng)用于真實(shí)的非結(jié)構(gòu)化環(huán)境仍面臨高精度操作、人機(jī)協(xié)同等挑戰(zhàn)，但AI算法的迭代速度正在加快。他借鑒Daniel Kahneman的“系統(tǒng)1”思維，指出未來(lái)需要構(gòu)建統(tǒng)籌硬件（如四肢、執(zhí)行器）的系統(tǒng)架構(gòu)，并認(rèn)為硬件對(duì)真實(shí)環(huán)境的接入能力是決定具身智能發(fā)展的基礎(chǔ)?；诔掷m(xù)的數(shù)據(jù)采集、技能訓(xùn)練、針對(duì)性硬件設(shè)計(jì)，行業(yè)將迎來(lái)具身智能的新時(shí)代。

 

 

以下為演講全文：

 

大家上午好！感謝各位的邀請(qǐng)。各位的發(fā)言非常精彩，很高興能與在座各位同仁共聚一堂。

 

我們正看到，隨著各行各業(yè)開(kāi)始擁抱人工智能，整個(gè)工業(yè)生態(tài)系統(tǒng)正在經(jīng)歷一場(chǎng)巨大的變革。過(guò)去幾年，當(dāng)我們思考網(wǎng)絡(luò)如何構(gòu)建、產(chǎn)業(yè)如何發(fā)展以及解決方案如何部署時(shí)，主流路徑是將智能遷移到云端，并在云端完成處理。然而，隨著人工智能開(kāi)始大規(guī)模部署，越來(lái)越多的行業(yè)正在重新思考：AI在日常工作中發(fā)揮的作用。正如多位同仁此前所提到的，邊緣正變得越來(lái)越智能，模型能力也在不斷提升，這使我們能夠在多個(gè)平臺(tái)上推動(dòng)解決方案的落地。這一趨勢(shì)幾乎適用于所有垂直行業(yè)生態(tài)。

 

此外，我們開(kāi)始看到AI在邊緣側(cè)部署的環(huán)境非常廣泛。這些場(chǎng)景涵蓋移動(dòng)應(yīng)用、固定場(chǎng)景應(yīng)用，以及在許多情況下的無(wú)人化應(yīng)用，當(dāng)然還包括各種尺寸的終端。

當(dāng)我們從更宏觀的角度思考這一變化究竟意味著什么、究竟發(fā)生了哪些改變時(shí)，可以看到一個(gè)根本性的轉(zhuǎn)變：隨著邊緣側(cè)變得越來(lái)越智能，它正在具備環(huán)境感知能力（situational awareness），并能夠在邊緣側(cè)直接做出決策，而在過(guò)去這需要依賴云端來(lái)完成。過(guò)去五年間，模型變得越來(lái)越智能，并且越來(lái)越貼合其運(yùn)行的數(shù)據(jù)環(huán)境。隨著模型具備更強(qiáng)的模式識(shí)別能力，并能夠在真實(shí)世界運(yùn)行中不斷學(xué)習(xí)和優(yōu)化，智能體正在各類應(yīng)用場(chǎng)景中變得越來(lái)越智能。

 

與此同時(shí)，我們也正在看到機(jī)器到機(jī)器（machine-to-machine, M2M）應(yīng)用的重大轉(zhuǎn)變。過(guò)去，這類應(yīng)用更多是采集數(shù)據(jù)并發(fā)送到云端處理；而現(xiàn)在，它們正逐漸在實(shí)現(xiàn)獨(dú)立智能運(yùn)行。除了機(jī)器之間的交互之外，隨著大語(yǔ)言模型（LLM）的發(fā)展，當(dāng)人被納入系統(tǒng)閉環(huán)后，機(jī)器與人之間進(jìn)行溝通和交互也變得非常直接和簡(jiǎn)單。而這一整輪轉(zhuǎn)型，正在我們所處的每一個(gè)產(chǎn)業(yè)生態(tài)系統(tǒng)中展開(kāi)。

 

在過(guò)去幾年中，高通一直在一個(gè)重要領(lǐng)域表現(xiàn)突出，那就是將XR技術(shù)引入工業(yè)應(yīng)用、消費(fèi)應(yīng)用以及商業(yè)應(yīng)用生態(tài)之中。如今，人們已經(jīng)可以在智能眼鏡等設(shè)備上運(yùn)行小型模型。例如，當(dāng)你看到某個(gè)事物時(shí)，可以讓眼鏡拍下一張照片，并直接向設(shè)備提出問(wèn)題。隨后，這個(gè)查詢請(qǐng)求可以被發(fā)送到你的手機(jī)，或同一系統(tǒng)中的本地設(shè)備，無(wú)需通過(guò)云端進(jìn)行處理，然后再將答案返回給你。這種能力在過(guò)去是無(wú)法實(shí)現(xiàn)的。在與客戶的交流中我們發(fā)現(xiàn)，這類技術(shù)進(jìn)步正在徹底改變一線工作人員的工作方式，同時(shí)也在改變智能能力在邊緣側(cè)部署和應(yīng)用的方式。

 

要讓這一切真正發(fā)生，實(shí)際上需要使用全新的工具。你需要能夠以新的方式處理數(shù)據(jù)——無(wú)論是結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)，還是各種形式的非結(jié)構(gòu)化數(shù)據(jù)，都必須具備處理能力。同時(shí)，還需要能夠處理真實(shí)世界數(shù)據(jù)，在許多情況下還包括合成數(shù)據(jù)，并在不同場(chǎng)景中對(duì)數(shù)據(jù)進(jìn)行很好地融合與整合。通過(guò)這些數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，并進(jìn)一步微調(diào)，最終將這些模型部署到實(shí)際應(yīng)用中。

 

隨著這一工具在越來(lái)越多的應(yīng)用場(chǎng)景中運(yùn)行，其能力正變得越來(lái)越強(qiáng)大，發(fā)展勢(shì)頭也在不斷增強(qiáng)。通過(guò)這種方式，我們就有可能將人工智能真正推進(jìn)到邊緣側(cè)。除了持續(xù)推出各類產(chǎn)品之外，我們采取的一個(gè)重要策略，是專注于構(gòu)建生態(tài)系統(tǒng)。在過(guò)去六個(gè)月中，高通完成的一項(xiàng)重要收購(gòu)就是Arduino。

 

我們意識(shí)到，當(dāng)開(kāi)始思考AI和邊緣計(jì)算時(shí)，未來(lái)可能出現(xiàn)的應(yīng)用場(chǎng)景幾乎是無(wú)限的。實(shí)際上，很難提前預(yù)測(cè)或判斷未來(lái)究竟會(huì)出現(xiàn)哪些具體應(yīng)用。因此，我們采取的方法是：確保能夠?qū)⒓夹g(shù)交到數(shù)百萬(wàn)開(kāi)發(fā)者手中。這一策略可以覆蓋教育領(lǐng)域、商業(yè)領(lǐng)域以及消費(fèi)領(lǐng)域。從硬件開(kāi)發(fā)平臺(tái)到開(kāi)發(fā)工具鏈，我們?yōu)殚_(kāi)發(fā)者提供完整的能力，使他們能夠在邊緣側(cè)構(gòu)建應(yīng)用。

 

通過(guò)這樣的方式，我們正在把這一整套能力整合起來(lái)，使開(kāi)發(fā)者生態(tài)能夠獲得數(shù)據(jù)訪問(wèn)能力——無(wú)論是示例應(yīng)用（sample apps），還是連接他們自己的數(shù)據(jù)庫(kù)。同時(shí)，開(kāi)發(fā)者還可以編程模型、在邊緣硬件平臺(tái)上部署模型，并且這一平臺(tái)具有較低成本。這些模型隨后可以通過(guò)反饋閉環(huán)不斷訓(xùn)練與優(yōu)化，并最終在廣泛的工業(yè)生態(tài)系統(tǒng)中部署應(yīng)用。正是通過(guò)這種方式，我們能夠推動(dòng)非常復(fù)雜的應(yīng)用真正落地。

 

在這個(gè)例子中，我們可以看：計(jì)算機(jī)視覺(jué)正逐步演進(jìn)到視覺(jué)語(yǔ)言模型，并進(jìn)一步邁向視覺(jué)-語(yǔ)言-行動(dòng)模型（VLA模型）。這一演進(jìn)讓我們能夠以一種全新的架構(gòu)方式來(lái)思考系統(tǒng)設(shè)計(jì)——例如攝像頭與連接能力如何協(xié)同工作，從而對(duì)攝像頭所看到的場(chǎng)景進(jìn)行完整的態(tài)勢(shì)感知與分析，并將這些信息實(shí)時(shí)提供給整個(gè)生態(tài)系統(tǒng)使用。

 

目前，我們正在多個(gè)應(yīng)用場(chǎng)景中推進(jìn)這類能力的發(fā)展。例如：部署在邊緣側(cè)的固定攝像頭、安裝在工業(yè)網(wǎng)關(guān)上的攝像頭，以及安裝在無(wú)人機(jī)上的攝像頭。這些設(shè)備可以通過(guò)各種無(wú)線網(wǎng)絡(luò)進(jìn)行連接，無(wú)論是專用無(wú)線網(wǎng)絡(luò)、公共無(wú)線網(wǎng)絡(luò)，還是其他類型的專有或開(kāi)放網(wǎng)絡(luò)，都可以支持相關(guān)應(yīng)用的運(yùn)行，應(yīng)用既可以結(jié)合云端能力，也可以使用本地部署的計(jì)算設(shè)備。因此，各種不同的部署模式都是可行的。而令人驚訝的是，這些能力真正變得現(xiàn)實(shí)，其實(shí)只是在過(guò)去大約24個(gè)月甚至更短的時(shí)間內(nèi)發(fā)生的，發(fā)展速度非?？?。

 

對(duì)我們來(lái)說(shuō)，一個(gè)重要的認(rèn)識(shí)是：客戶正在采用的網(wǎng)絡(luò)架構(gòu)將會(huì)發(fā)生變化。正如大家剛才提到的，要讓智能能力真正下沉到邊緣側(cè)，整個(gè)生態(tài)系統(tǒng)還需要完成大量的能力建設(shè)與協(xié)同。

 

我們正處在一個(gè)非常令人振奮的時(shí)代。我相信大家都會(huì)同意，“具身智能”（Embodied AI）是一個(gè)相對(duì)新的概念。我們過(guò)去并未充分認(rèn)識(shí)到智能正被嵌入進(jìn)物理世界，而如今，讓物理實(shí)體具備智能、能夠?qū)W習(xí)，并在學(xué)習(xí)過(guò)程中持續(xù)改進(jìn)，已經(jīng)成為一個(gè)全新的方向。我們正在朝著在機(jī)器人中實(shí)現(xiàn)通用智能的道路邁進(jìn)。

 

從根本上看，生成式AI的出現(xiàn)帶來(lái)了重要變化。它使我們能夠擺脫傳統(tǒng)基于規(guī)則的系統(tǒng)，轉(zhuǎn)而構(gòu)建能夠適用于各種環(huán)境的智能系統(tǒng)——無(wú)論是在云端、邊緣側(cè)，還是在機(jī)器人之中——都能具備持續(xù)學(xué)習(xí)的能力。

 

當(dāng)把這一能力應(yīng)用到機(jī)器人領(lǐng)域時(shí)，一個(gè)非常有意思、但同時(shí)也充滿挑戰(zhàn)的問(wèn)題是：機(jī)器人需要面對(duì)的環(huán)境往往并不是結(jié)構(gòu)化環(huán)境。機(jī)器人并不是運(yùn)行在虛擬世界中，而是運(yùn)行在真實(shí)的物理世界里。因此，在很多方面仍然有大量工作需要完成，例如：如何定義機(jī)器人所處的物理環(huán)境，以及如何對(duì)機(jī)器人進(jìn)行訓(xùn)練——尤其是在需要高精度操作、高速度響應(yīng)，以及與人協(xié)同工作的場(chǎng)景下。

 

目前，我們?nèi)蕴幵谶@一轉(zhuǎn)型的早期階段。但人工智能發(fā)展的速度，以及AI算法在特定任務(wù)上不斷提升精度和能力的速度，已經(jīng)開(kāi)始明顯加快。

 

從高通公司的角度來(lái)看，這段發(fā)展歷程其實(shí)非常有意思。我在高通負(fù)責(zé)多個(gè)業(yè)務(wù)領(lǐng)域，其中我們已經(jīng)在ADAS駕駛輔助領(lǐng)域深耕多年。我們逐漸認(rèn)識(shí)到，從根本上來(lái)說(shuō)，駕駛輔助就是將人或貨物從 A 點(diǎn)運(yùn)輸?shù)?B 點(diǎn)。某種意義上，它其實(shí)是一種運(yùn)輸機(jī)器人。這種系統(tǒng)并不需要具備很高的靈活性，它主要需要做的是在遵循既定規(guī)則的前提下避開(kāi)障礙物并完成路徑行駛。因此，從駕駛輔助的定義來(lái)看，可以說(shuō)基于規(guī)則的駕駛輔助其實(shí)已經(jīng)存在了很長(zhǎng)時(shí)間。而隨著基于 Transformer 的人工智能技術(shù)開(kāi)始應(yīng)用，如果將這些能力引入其中，這一領(lǐng)域的發(fā)展正在開(kāi)始加速。

 

但如果把這些能力進(jìn)一步應(yīng)用到真正的物理機(jī)器人上，就會(huì)出現(xiàn)許多不同之處。機(jī)器人需要面對(duì)的是精度、操作范圍以及執(zhí)行等問(wèn)題。在這種情況下，目標(biāo)不再只是從 A 點(diǎn)移動(dòng)到 B 點(diǎn)，而是要真正對(duì)物體進(jìn)行物理操作，并完成具體任務(wù)。

正是在這一背景下，我們發(fā)現(xiàn)架構(gòu)層面正在發(fā)生新的變化。模型將越來(lái)越依賴于視覺(jué)、語(yǔ)言和行動(dòng)的結(jié)合，而在此基礎(chǔ)之上，我們還將進(jìn)一步提升系統(tǒng)能力，使其具備物理智能。

 

所有這些發(fā)展也帶來(lái)了一個(gè)新的問(wèn)題：我們是否可以在不考慮物理硬件形態(tài)的情況下，直接為具身對(duì)象部署人工智能？我們認(rèn)為，具身智能系統(tǒng)中的物理硬件，其實(shí)類似于大腦和神經(jīng)系統(tǒng)。這套“神經(jīng)系統(tǒng)”在過(guò)去并沒(méi)有被我們真正視為人工智能生態(tài)系統(tǒng)中的一部分。因此，我們正在投入大量時(shí)間思考：未來(lái)應(yīng)該構(gòu)建怎樣的系統(tǒng)架構(gòu)，去統(tǒng)籌身體各個(gè)部分，例如四肢、雙手以及各種執(zhí)行啟等。

在這一過(guò)程中，我們看到 Daniel Kahneman 提出的系統(tǒng)1（System 1） 思維——也就是說(shuō)，需要思考哪些能力屬于類似“系統(tǒng)1”的能力。這些能力幫助我們更好地理解，未來(lái)系統(tǒng)中哪些基礎(chǔ)能力和核心組件需要被構(gòu)建。

 

從根本上來(lái)說(shuō)，我們認(rèn)為硬件本身以及不同類型的硬件，再加上硬件對(duì)數(shù)據(jù)的基礎(chǔ)獲取能力以及對(duì)機(jī)器人實(shí)際運(yùn)行環(huán)境的接入能力——也就是機(jī)器人真正存在并執(zhí)行任務(wù)的環(huán)境——都將成為關(guān)鍵基礎(chǔ)。這些因素將決定我們?nèi)绾尾杉蝿?wù)相關(guān)的數(shù)據(jù)、訓(xùn)練機(jī)器人，并將任務(wù)訓(xùn)練逐步轉(zhuǎn)化為我們所構(gòu)建的技能能力。隨著時(shí)間推移，通過(guò)持續(xù)的數(shù)據(jù)采集和技能訓(xùn)練，并結(jié)合針對(duì)具體任務(wù)設(shè)計(jì)的硬件，我們將能夠推動(dòng)具身智能邁向新的階段。

 

我們確實(shí)生活在一個(gè)非常令人興奮的時(shí)代。很高興今天能在這里與大家交流，非常感謝大家的時(shí)間。

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。