在人工智能技术迅猛发展的当下，大模型参数规模正以前所未有的速度扩张，从千亿级向万亿级迈进，甚至有企业开始探索10万亿参数的超级模型。然而，参数规模的膨胀也带来了算力成本攀升、数据隐私保护难度增加以及响应时延延长等一系列挑战。面对这些行业痛点，高通公司提出了“混合AI”的发展理念，主张通过端侧与云侧的协同计算来破解难题，这一观点引发了业界广泛关注。
高通公司工程技术高级副总裁侯纪磊博士在接受采访时表示，无论是大模型、生成式AI还是智能体AI，端云协同都应成为核心发展方向。他指出，简单且涉及隐私数据的任务更适合在端侧完成，而复杂、需要长步骤推理的任务则更适合交由云端处理。这种分工模式不仅能够实现成本、隐私和时延的优化，还能为用户提供无缝衔接的体验。侯纪磊以“智能密度”概念解释了端侧模型能力的快速提升：以100亿参数的小模型为例，其能力水平在三年间提升了15至20倍，预计每12个月将有2至4倍的增长。他认为，1000亿参数或以下的模型已能满足70%至80%的日常任务需求，剩余复杂任务可由云端补充。
端侧模型能力的提升离不开底层芯片算力的支持。侯纪磊透露，高通在端侧训练方面已取得突破，去年发布的第五代骁龙8至尊版已支持端侧学习功能。这种训练并非从头开始，而是通过微调模型以更好地适应用户偏好。他强调，端侧学习的优势在于数据无需上传云端，既能保护隐私，又能实现个性化服务。
在混合AI的框架下，高通正同步推进端侧和云端的研发。侯纪磊指出，端侧和云侧的核心共同点在于模型效率，即如何在单位能量范围内优化计算。高通在端侧积累的低比特量化、多词元生成等技术，可迁移至云侧应用。今年6月，高通宣布进军数据中心领域，其差异化策略是高带宽计算技术（HBC）。该技术针对大语言模型处理的解码阶段，采用低成本DDR内存替代高价格HBM，通过3D堆叠近存计算架构减少电路板面积，在带宽受限场景下实现更高性价比。侯纪磊透露，高通已与海内外主流客户及大型存储器厂商达成合作，相关方案有望在大模型处理场景中创造实际价值。
在产品布局方面，高通已发布飞龙AI100至AI300多代加速器，并完成对Modular的收购以整合软件能力。公司还计划推出更灵活的设备形态，支持家庭和小企业环境运行万亿级模型。然而，侯纪磊明确表示，高通不会涉足基础大模型研发，而是将自身定位为底层计算解决方案平台，专注于为大语言模型提供服务。他解释称，从商业角度出发，高通与模型厂商的合作模式更具优势：双方客户重合度高，通过深度适配和优化形成成熟方案后，可快速推广至更多客户。目前，高通已与两家重要模型厂商推进此类合作。
中国研发团队在高通的AI战略中扮演着关键角色。侯纪磊指出，中国团队对市场需求和应用场景的理解尤为深入，能够为工程问题提供研发层面的解决方案。以2比特量化技术为例，高通通过与中国厂商合作，将实用数据与实际用例匹配，推动了技术落地。他强调，AI研发与产品必须形成强耦合的“飞轮”效应：研发需主动思考技术如何落地产品，产品应用中遇到的问题也需及时反馈至研发体系解决。这种双向驱动机制是保持体系生命力的关键，尤其在AI领域，创新落地的速度可能比创新本身更重要。
