作者｜周雅

DeepSeek的V3模型的最后一輪訓(xùn)練，僅用557.6萬美元的GPU使用成本，就訓(xùn)練出了全球前沿模型，并在后續(xù)發(fā)布與OpenAI o1推理模型能力不相上下的DeepSeek R1，這股神秘東方力量就像蝴蝶扇動(dòng)了翅膀，在全球引發(fā)連鎖反應(yīng)至今已經(jīng)整整1個(gè)月。

此前，AI產(chǎn)業(yè)的發(fā)展邏輯似乎還很簡(jiǎn)單：模型參數(shù)越大越好、算力投入越多越好。但DeepSeek R1的橫空出世，改寫了這一認(rèn)知，約束條件反而可以推動(dòng)創(chuàng)新，沒有大算力，還可以優(yōu)化算法。所以現(xiàn)在科技圈普遍出現(xiàn)了一種聲音：一個(gè)開源、高性能、低部署推理成本的大模型也能帶來整個(gè)AI產(chǎn)業(yè)生態(tài)的繁榮，是大家抓緊上車的門票。

那么，究竟接下來產(chǎn)業(yè)鏈中還有誰能從DeepSeek的沖擊波中受益？

在2025財(cái)年第一季度財(cái)報(bào)電話會(huì)議中，高通公司總裁兼CEO安蒙提到，“DeepSeek R1及其他類似模型表明，AI模型正在向更快、更小、更強(qiáng)大、更高效的方向發(fā)展，并且可以直接在終端側(cè)運(yùn)行。DeepSeek R1的蒸餾模型在發(fā)布僅幾天內(nèi)，就能在搭載驍龍平臺(tái)的智能手機(jī)和PC上運(yùn)行。”

緊接著，高通發(fā)布了最新白皮書《AI變革正在推動(dòng)終端側(cè)推理創(chuàng)新》（下稱《白皮書》），首次闡述了終端AI推理迎來突破的深層邏輯。

范式之變：為何現(xiàn)在是終端AI的拐點(diǎn)？

大模型的規(guī)模競(jìng)賽推動(dòng)了底層技術(shù)創(chuàng)新，同時(shí)也讓業(yè)界思考AI部署的多元路徑。

今年年初的時(shí)候，高通中國區(qū)研發(fā)負(fù)責(zé)人徐晧接受科技行者專訪時(shí)提到，AI發(fā)展現(xiàn)在遵循兩個(gè)主要軌跡：云端AI、終端側(cè)AI。

首先，大部分人看到的、聽到的AI都是云端訓(xùn)練的AI模型，例如Meta的LLaMA、OpenAI的ChatGPT、Anthropic的Claude、谷歌的Gemini等，它們都是用非常多的GPU堆起來，擁有很大的算力，能夠處理海量數(shù)據(jù)，從而訓(xùn)練出的大模型。這些大模型部署在云端，也只能在云端運(yùn)行。（現(xiàn)在1000億參數(shù)甚至更大的模型只能在云端運(yùn)行。）

其次，另一個(gè)主要趨勢(shì)是終端側(cè)AI。任何技術(shù)要落地到每個(gè)人手中，都需要下沉到智能終端，比如手機(jī)、PC、汽車、工業(yè)物聯(lián)網(wǎng)等，這些萬物智能的設(shè)備占據(jù)更大規(guī)模，且可以實(shí)現(xiàn)云端AI所無法實(shí)現(xiàn)的隱私、效率、個(gè)性化用戶體驗(yàn)。

安蒙在財(cái)報(bào)電話會(huì)議中還明確指出，“隨著我們進(jìn)入AI推理時(shí)代，模型訓(xùn)練仍將在「云端」進(jìn)行，但推理將更多在「終端側(cè)」運(yùn)行，讓AI變得更便捷、可定制且高效，那將促進(jìn)更多專用模型和應(yīng)用的開發(fā)和采用，并因此推動(dòng)各類終端對(duì)高通平臺(tái)的需求。”

高通還在《白皮書》中，詳細(xì)介紹了推動(dòng)終端側(cè)AI變革的四大關(guān)鍵趨勢(shì)：

第一，當(dāng)前先進(jìn)的AI小模型已具有卓越性能。模型蒸餾、AI網(wǎng)絡(luò)架構(gòu)優(yōu)化等新技術(shù)，能夠在不影響質(zhì)量的情況下簡(jiǎn)化開發(fā)流程，讓新模型的表現(xiàn)超越一些僅在云端運(yùn)行的大模型。

第二，模型參數(shù)規(guī)模正在快速縮小。得益于先進(jìn)的量化和剪枝技術(shù)，開發(fā)者現(xiàn)在能夠在不影響模型準(zhǔn)確性的前提下，顯著縮減模型參數(shù)規(guī)模。

（編者注：也就是說，當(dāng)一個(gè)小模型能夠做到大模型前兩年能做的事情，那么把這個(gè)小模型放到終端上就足夠了，比如汽車上可以放100個(gè)億-1000億參數(shù)的模型，現(xiàn)在大多數(shù)手機(jī)已經(jīng)可以支持30億參數(shù)的模型，在這個(gè)維度上，小模型能做越來越多的事情。該趨勢(shì)解決了終端部署的計(jì)算負(fù)擔(dān)問題，為大規(guī)模商用部署掃清了技術(shù)障礙。）

第三，開發(fā)者能夠在邊緣側(cè)打造更豐富的應(yīng)用。高質(zhì)量AI模型快速激增，意味著文本摘要、編程助手和實(shí)時(shí)翻譯等特性在智能手機(jī)等終端上的普及，讓AI能夠支持跨邊緣側(cè)規(guī)模化部署的商用應(yīng)用。

第四，AI正在成為新的UI。個(gè)性化多模態(tài)的AI智能體（Agent）將簡(jiǎn)化交互，高效地跨越各種應(yīng)用完成任務(wù)。

此處引用徐晧當(dāng)時(shí)在對(duì)談中舉例而言，比如我們現(xiàn)在要出去旅行，就需要在手機(jī)上操作：定機(jī)酒-看日程安排-看當(dāng)?shù)靥鞖?看當(dāng)?shù)毓ヂ缘?，這就要調(diào)用不同的APP來完成這些事情。但是如果有了AI智能體，那么就能一步到位，只需要告訴AI智能體：“看看我下周哪天有空，我想去某地旅游，幫我訂某星際酒店，最好是能夠在海邊，順便看看當(dāng)?shù)靥鞖夂凸β?rdquo;。我們和終端的交互只需要通過自然語言和AI智能體，AI智能體會(huì)去調(diào)用后臺(tái)所有App來把事情搞定。那么這個(gè)UI就完全不是以前的UI了。

市場(chǎng)格局：誰將受益于這一變革？

一、毫無疑問，芯片廠商將成為最直接受益者。終端側(cè)AI對(duì)處理器的算力和能效都提出了更多要求，這將催生新一輪硬件升級(jí)周期。

二、模型開發(fā)商將迎來新機(jī)遇。DeepSeek的成功表明，通過技術(shù)創(chuàng)新，小型團(tuán)隊(duì)同樣可以在AI領(lǐng)域?qū)崿F(xiàn)突破，隨著終端部署門檻降低，將會(huì)涌現(xiàn)更多面向特定場(chǎng)景的專業(yè)化模型。

三、應(yīng)用開發(fā)者將獲得更大施展空間。高質(zhì)量、小模型的普及，使得文本處理、代碼輔助、實(shí)時(shí)翻譯等AI功能可以輕松部署到終端設(shè)備，這將激發(fā)新一輪應(yīng)用創(chuàng)新。

以高通為例。無論是AI訓(xùn)練正在向大規(guī)模推理轉(zhuǎn)型，還是AI計(jì)算處理從云端向邊緣側(cè)擴(kuò)展方面，高通都具有戰(zhàn)略優(yōu)勢(shì)，作為終端側(cè)AI的引領(lǐng)者，高通的解決方案涵蓋了數(shù)十億臺(tái)智能手機(jī)、汽車、XR頭顯和眼鏡、PC以及工業(yè)物聯(lián)網(wǎng)終端等。

徐晧告訴我，“高通正在用最節(jié)能的方式、最小的芯片面積來做最有效的人工智能應(yīng)用。”其中有幾種有效的方案，可以將大模型縮小或提高不同模型的適應(yīng)性。

· 首先是對(duì)模型本身的簡(jiǎn)化。

第一種叫“剪枝”（Pruning），就像修剪花草一樣。把AI模型中不太重要的“枝節(jié)”剪掉，保留最核心的部分，這樣模型體積變小了，但依然能保持原有的聰明才智。第二種方法叫“學(xué)生-教師模型”（Student-Teacher Model），像是“師徒傳藝”，把一個(gè)“經(jīng)驗(yàn)豐富”的大模型當(dāng)作老師，讓它去教導(dǎo)一個(gè)“年輕”的小模型，通過不斷學(xué)習(xí)和驗(yàn)證，小模型最終也能掌握老師的本領(lǐng)，但所需的計(jì)算資源卻少得多。第三種方法叫“LoRA”（Low-Rank Adaptation），可以理解為“化整為零”，把一個(gè)龐大的AI任務(wù)，分解成幾個(gè)小任務(wù)，用更小的模型來分別處理，這就像是把一個(gè)大工程分派給幾個(gè)小團(tuán)隊(duì)，每個(gè)團(tuán)隊(duì)專注于自己的部分，最終一起完成大任務(wù)。

這些技術(shù)創(chuàng)新讓AI模型變得更加節(jié)能和輕量級(jí)，不僅能在手機(jī)等終端設(shè)備上流暢運(yùn)行，還保持了優(yōu)秀的性能，為AI的普及應(yīng)用打開了新的可能。

· 其次是用蒸餾（Distillation）的方法，用大模型訓(xùn)練小模型。

蒸餾是開發(fā)高效小模型的一項(xiàng)關(guān)鍵技術(shù)，它能夠讓大模型“教學(xué)”小模型，保持準(zhǔn)確性的同時(shí)遷移知識(shí)。蒸餾技術(shù)的使用，促使小型基礎(chǔ)模型激增，包括眾多面向特定任務(wù)調(diào)優(yōu)的模型。

高通在《白皮書》中展示了蒸餾的強(qiáng)大能力。下圖比較了Llama 3.3 700億參數(shù)模型和同類DeepSeek R1蒸餾模型的LiveBench平均測(cè)試結(jié)果，顯示出在相同參數(shù)規(guī)模下，蒸餾能夠在推理、編程和數(shù)學(xué)任務(wù)中顯著提高性能。

圖：Meta Llama 700億參數(shù)模型和DeepSeek對(duì)應(yīng)蒸餾模型的LiveBench AI基準(zhǔn)測(cè)試平均結(jié)果對(duì)比。來源：LiveBench.ai，2025年2月。

此外，得益于蒸餾和上述其他技術(shù)，小模型正在接近前沿大模型的質(zhì)量。下圖顯示了DeepSeek R1蒸餾版本與其他領(lǐng)先模型的基準(zhǔn)測(cè)試結(jié)果對(duì)比?；谕x千問模型和Llama模型的DeepSeek蒸餾版本展現(xiàn)了諸多明顯優(yōu)勢(shì)，尤其是在GPQA基準(zhǔn)測(cè)試中，與GPT-4o、Claude 3.5 Sonnet和GPT-o1 mini等先進(jìn)模型相比，取得了相似或更高的分?jǐn)?shù)。（GPQA是一個(gè)關(guān)鍵評(píng)估指標(biāo)，因其涉及解決復(fù)雜問題的深層次、多步驟的推理，這對(duì)許多模型頗具挑戰(zhàn)性。）

圖：數(shù)學(xué)和編程基準(zhǔn)測(cè)試。來源：DeepSeek，2025年1月。

《白皮書》中特別指出，將大型基礎(chǔ)模型縮減為更小、更高效的版本，不僅能實(shí)現(xiàn)更快的推理速度、更少的內(nèi)存占用和更低的功耗，同時(shí)可以保持較高的性能水平，從而使此類模型適合在智能手機(jī)、PC和汽車等終端上部署。

挑戰(zhàn)猶存：變革之路并非坦途

盡管前景可期，終端側(cè)AI推理仍面臨諸多挑戰(zhàn)：一是性能與效率的平衡問題，如何在有限算力下實(shí)現(xiàn)更好的推理效果；二是生態(tài)建設(shè)問題，需要更完善的開發(fā)工具和框架支持；三是標(biāo)準(zhǔn)化問題，不同平臺(tái)間的模型部署仍缺乏統(tǒng)一標(biāo)準(zhǔn)。

仍以高通為例。首先在硬件層面，高通長(zhǎng)期致力于開發(fā)定制CPU、NPU、GPU和低功耗子系統(tǒng)，同時(shí)擁有封裝技術(shù)和熱設(shè)計(jì)的技術(shù)專長(zhǎng)，構(gòu)成了其行業(yè)領(lǐng)先系統(tǒng)級(jí)芯片（SoC）產(chǎn)品的基礎(chǔ)。

這些SoC能夠直接在終端側(cè)提供高性能、高能效的AI推理，通過緊密集成這些核心組件，高通的平臺(tái)可在保持電池續(xù)航和整體能效表現(xiàn)的同時(shí)，處理復(fù)雜AI任務(wù)，這對(duì)邊緣側(cè)用例至關(guān)重要。

其次在軟件層面，高通還構(gòu)建了強(qiáng)大的AI軟件棧，旨在賦能軟件開發(fā)者。高通AI軟件棧包括庫(libraries)、SDK和優(yōu)化工具，可簡(jiǎn)化模型部署并提升性能。開發(fā)者可以利用這些資源，面向高通平臺(tái)高效進(jìn)行模型適配，縮短AI賦能應(yīng)用的上市時(shí)間。

最后，作為高通面向各行各業(yè)規(guī)?；瘮U(kuò)展AI戰(zhàn)略的核心，高通與全球AI模型廠商積極合作，并提供高通AI Hub等服務(wù)。

高通《白皮書》中介紹，在高通AI Hub上，僅需三步，開發(fā)者即可：1）選擇模型，或引入自主模型又或基于他們的數(shù)據(jù)創(chuàng)建模型；2）選擇任意框架和runtime，在基于云的物理設(shè)備場(chǎng)(cloud-based physical device farm)上撰寫和測(cè)試AI應(yīng)用；3）使用工具商業(yè)化部署其應(yīng)用。高通AI Hub支持主流大語言模型和多模態(tài)大模型（LLM、LMM）系列，讓開發(fā)者可在搭載高通平臺(tái)的終端上部署、優(yōu)化和管理推理任務(wù)。借助預(yù)優(yōu)化模型庫和支持定制模型優(yōu)化與集成等特性，高通賦能加速開發(fā)周期，同時(shí)增強(qiáng)了與廣泛AI生態(tài)的兼容性。

從技術(shù)演進(jìn)規(guī)律看，AI計(jì)算正在經(jīng)歷與互聯(lián)網(wǎng)相似的分布式變革。就像是云計(jì)算無法完全替代終端計(jì)算一樣，終端側(cè)AI也將與云端AI形成互補(bǔ)。當(dāng)前我們正處于這一變革的起點(diǎn)，未來終端AI的應(yīng)用場(chǎng)景可能遠(yuǎn)超預(yù)期。

DeepSeek事件也給業(yè)界提了個(gè)醒，AI產(chǎn)業(yè)正在進(jìn)入一個(gè)新階段。在這個(gè)階段，技術(shù)創(chuàng)新的重點(diǎn)將從突破模型規(guī)模上限，轉(zhuǎn)向提升計(jì)算效率和部署靈活性。

或許AI的下一波創(chuàng)新，不僅是比拼誰的模型更大，還要看誰能讓AI更輕便、更普及、更貼近生活。