文 | 半导体产业纵横
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。
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。
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。
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。
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。
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。
