人工智能的演進重心，正從追逐參數(shù)規(guī)模的語言學(xué)習，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，系統(tǒng)性智能正在取代單點技術(shù)突破，成為新一輪競爭的制高點。2026年，是量產(chǎn)驗證與場景落地的關(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景理解能力。

 

作為終端側(cè)AI的核心玩家，近年來高通打通“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)動的智能汽車，正進化為具備情境感知與隱私保護的“出行伙伴”；另一方面，高通躍龍產(chǎn)品組合為機器人與工業(yè)應(yīng)用注入精準感知、實時處理與敏捷行動的能力，讓效率在邊緣側(cè)真正釋放。

 

而在MWC 2026，高通的工業(yè)AI和具身智能圖景進一步具象化——智能正從云端真正走入物理世界，開始服務(wù)真實世界的每一處細節(jié)。

 

當?shù)貢r間3月3日，在2026世界移動通信大會（MWC）期間，世界互聯(lián)網(wǎng)大會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)與機器人事業(yè)群總經(jīng)理Nakul Duggal受邀發(fā)表“推動工業(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)歷一場由AI驅(qū)動的深刻變革，核心趨勢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，正推動智能與物理世界深度融合。

 

 

 

“云-邊-端”協(xié)同運行模式正快速演進，邊緣側(cè)AI崛起正重構(gòu)工業(yè)運行模式。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)變在移動應(yīng)用、固定場景、無人化應(yīng)用、不同大小的終端之中已廣泛實現(xiàn)。他以智能眼鏡為例，說明如今終端已能本地運行小型模型，完成拍照、查詢并反饋結(jié)果的全過程，無需經(jīng)由云端，這一技術(shù)進步徹底重構(gòu)了一線工作人員的工作模式，也標志著邊緣側(cè)智能部署方式的根本性變革。

 

他還在演講中強調(diào)，計算機視覺正從傳統(tǒng)形態(tài)向視覺語言模型，并進一步向視覺-語言-行動模型（VLA模型）演進。這一演進重構(gòu)了系統(tǒng)設(shè)計邏輯，使攝像頭與連接能力得以協(xié)同工作，實現(xiàn)對場景的完整態(tài)勢感知與分析。目前，這一能力已在邊緣固定攝像頭、工業(yè)網(wǎng)關(guān)及無人機等多元場景中快速推進，且其實際落地僅在過去24個月內(nèi)完成，技術(shù)發(fā)展速度遠超預(yù)期。

 

面對邊緣側(cè)AI幾乎無限的應(yīng)用場景，高通的核心策略之一是構(gòu)建強大的開發(fā)者生態(tài)系統(tǒng)。Nakul透露，過去六個月高通完成了對開源硬件平臺Arduino的收購，把邊緣AI技術(shù)交到全球數(shù)百萬開發(fā)者手中。通過提供從硬件平臺到工具鏈的完整支持，賦能開發(fā)者進行數(shù)據(jù)訪問、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的機遇，Nakul提出，具身智能意味著將智能深度嵌入物理世界，推動行業(yè)朝著在機器人中實現(xiàn)通用智能的目標邁進。他強調(diào)，生成式AI的出現(xiàn)是關(guān)鍵驅(qū)動力，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)用于真實的非結(jié)構(gòu)化環(huán)境仍面臨高精度操作、人機協(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)，并認為硬件對真實環(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、針對性硬件設(shè)計，行業(yè)將迎來具身智能的新時代。

 

 

以下為演講全文：

 

大家上午好！感謝各位的邀請。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)開始擁抱人工智能，整個工業(yè)生態(tài)系統(tǒng)正在經(jīng)歷一場巨大的變革。過去幾年，當我們思考網(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，主流路徑是將智能遷移到云端，并在云端完成處理。然而，隨著人工智能開始大規(guī)模部署，越來越多的行業(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，邊緣正變得越來越智能，模型能力也在不斷提升，這使我們能夠在多個平臺上推動解決方案的落地。這一趨勢幾乎適用于所有垂直行業(yè)生態(tài)。

 

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

當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，可以看到一個根本性的轉(zhuǎn)變：隨著邊緣側(cè)變得越來越智能，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，而在過去這需要依賴云端來完成。過去五年間，模型變得越來越智能，并且越來越貼合其運行的數(shù)據(jù)環(huán)境。隨著模型具備更強的模式識別能力，并能夠在真實世界運行中不斷學(xué)習和優(yōu)化，智能體正在各類應(yīng)用場景中變得越來越智能。

 

與此同時，我們也正在看到機器到機器（machine-to-machine, M2M）應(yīng)用的重大轉(zhuǎn)變。過去，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，它們正逐漸在實現(xiàn)獨立智能運行。除了機器之間的交互之外，隨著大語言模型（LLM）的發(fā)展，當人被納入系統(tǒng)閉環(huán)后，機器與人之間進行溝通和交互也變得非常直接和簡單。而這一整輪轉(zhuǎn)型，正在我們所處的每一個產(chǎn)業(yè)生態(tài)系統(tǒng)中展開。

 

在過去幾年中，高通一直在一個重要領(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)備上運行小型模型。例如，當你看到某個事物時，可以讓眼鏡拍下一張照片，并直接向設(shè)備提出問題。隨后，這個查詢請求可以被發(fā)送到你的手機，或同一系統(tǒng)中的本地設(shè)備，無需通過云端進行處理，然后再將答案返回給你。這種能力在過去是無法實現(xiàn)的。在與客戶的交流中我們發(fā)現(xiàn)，這類技術(shù)進步正在徹底改變一線工作人員的工作方式，同時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，還需要能夠處理真實世界數(shù)據(jù)，在許多情況下還包括合成數(shù)據(jù)，并在不同場景中對數(shù)據(jù)進行很好地融合與整合。通過這些數(shù)據(jù)對模型進行訓(xùn)練，并進一步微調(diào)，最終將這些模型部署到實際應(yīng)用中。

 

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

 

我們意識到，當開始思考AI和邊緣計算時，未來可能出現(xiàn)的應(yīng)用場景幾乎是無限的。實際上，很難提前預(yù)測或判斷未來究竟會出現(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)百萬開發(fā)者手中。這一策略可以覆蓋教育領(lǐng)域、商業(yè)領(lǐng)域以及消費領(lǐng)域。從硬件開發(fā)平臺到開發(fā)工具鏈，我們?yōu)殚_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。

 

通過這樣的方式，我們正在把這一整套能力整合起來，使開發(fā)者生態(tài)能夠獲得數(shù)據(jù)訪問能力——無論是示例應(yīng)用（sample apps），還是連接他們自己的數(shù)據(jù)庫。同時，開發(fā)者還可以編程模型、在邊緣硬件平臺上部署模型，并且這一平臺具有較低成本。這些模型隨后可以通過反饋閉環(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。正是通過這種方式，我們能夠推動非常復(fù)雜的應(yīng)用真正落地。

 

在這個例子中，我們可以看：計算機視覺正逐步演進到視覺語言模型，并進一步邁向視覺-語言-行動模型（VLA模型）。這一演進讓我們能夠以一種全新的架構(gòu)方式來思考系統(tǒng)設(shè)計——例如攝像頭與連接能力如何協(xié)同工作，從而對攝像頭所看到的場景進行完整的態(tài)勢感知與分析，并將這些信息實時提供給整個生態(tài)系統(tǒng)使用。

 

目前，我們正在多個應(yīng)用場景中推進這類能力的發(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，以及安裝在無人機上的攝像頭。這些設(shè)備可以通過各種無線網(wǎng)絡(luò)進行連接，無論是專用無線網(wǎng)絡(luò)、公共無線網(wǎng)絡(luò)，還是其他類型的專有或開放網(wǎng)絡(luò)，都可以支持相關(guān)應(yīng)用的運行，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，其實只是在過去大約24個月甚至更短的時間內(nèi)發(fā)生的，發(fā)展速度非?？?。

 

對我們來說，一個重要的認識是：客戶正在采用的網(wǎng)絡(luò)架構(gòu)將會發(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。

 

我們正處在一個非常令人振奮的時代。我相信大家都會同意，“具身智能”（Embodied AI）是一個相對新的概念。我們過去并未充分認識到智能正被嵌入進物理世界，而如今，讓物理實體具備智能、能夠?qū)W習，并在學(xué)習過程中持續(xù)改進，已經(jīng)成為一個全新的方向。我們正在朝著在機器人中實現(xiàn)通用智能的道路邁進。

 

從根本上看，生成式AI的出現(xiàn)帶來了重要變化。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)——無論是在云端、邊緣側(cè)，還是在機器人之中——都能具備持續(xù)學(xué)習的能力。

 

當把這一能力應(yīng)用到機器人領(lǐng)域時，一個非常有意思、但同時也充滿挑戰(zhàn)的問題是：機器人需要面對的環(huán)境往往并不是結(jié)構(gòu)化環(huán)境。機器人并不是運行在虛擬世界中，而是運行在真實的物理世界里。因此，在很多方面仍然有大量工作需要完成，例如：如何定義機器人所處的物理環(huán)境，以及如何對機器人進行訓(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)開始明顯加快。

 

從高通公司的角度來看，這段發(fā)展歷程其實非常有意思。我在高通負責多個業(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。我們逐漸認識到，從根本上來說，駕駛輔助就是將人或貨物從 A 點運輸?shù)?B 點。某種意義上，它其實是一種運輸機器人。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)則的前提下避開障礙物并完成路徑行駛。因此，從駕駛輔助的定義來看，可以說基于規(guī)則的駕駛輔助其實已經(jīng)存在了很長時間。而隨著基于 Transformer 的人工智能技術(shù)開始應(yīng)用，如果將這些能力引入其中，這一領(lǐng)域的發(fā)展正在開始加速。

 

但如果把這些能力進一步應(yīng)用到真正的物理機器人上，就會出現(xiàn)許多不同之處。機器人需要面對的是精度、操作范圍以及執(zhí)行等問題。在這種情況下，目標不再只是從 A 點移動到 B 點，而是要真正對物體進行物理操作，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。模型將越來越依賴于視覺、語言和行動的結(jié)合，而在此基礎(chǔ)之上，我們還將進一步提升系統(tǒng)能力，使其具備物理智能。

 

所有這些發(fā)展也帶來了一個新的問題：我們是否可以在不考慮物理硬件形態(tài)的情況下，直接為具身對象部署人工智能？我們認為，具身智能系統(tǒng)中的物理硬件，其實類似于大腦和神經(jīng)系統(tǒng)。這套“神經(jīng)系統(tǒng)”在過去并沒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間思考：未來應(yīng)該構(gòu)建怎樣的系統(tǒng)架構(gòu)，去統(tǒng)籌身體各個部分，例如四肢、雙手以及各種執(zhí)行啟等。

在這一過程中，我們看到 Daniel Kahneman 提出的系統(tǒng)1（System 1） 思維——也就是說，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。

 

從根本上來說，我們認為硬件本身以及不同類型的硬件，再加上硬件對數(shù)據(jù)的基礎(chǔ)獲取能力以及對機器人實際運行環(huán)境的接入能力——也就是機器人真正存在并執(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。隨著時間推移，通過持續(xù)的數(shù)據(jù)采集和技能訓(xùn)練，并結(jié)合針對具體任務(wù)設(shè)計的硬件，我們將能夠推動具身智能邁向新的階段。

 

我們確實生活在一個非常令人興奮的時代。很高興今天能在這里與大家交流，非常感謝大家的時間。

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