高通设想让手机电脑共用一个AI助手

落地结论： 高通提出的“个人AI”不是给单台设备增加几个功能，而是让手机、电脑和眼镜共享用户信息，并按隐私、速度和任务难度分配计算。

对同时使用手机、电脑和智能眼镜的人来说，眼下的AI体验仍是割裂的：换一台设备，偏好、记录和任务上下文往往要重新建立。量子位援引一份由高通委托、IDC研究制作的白皮书称，高通给出的方案是，让多台设备连接同一个“个人AI”。这套设想关系到AI能否长期跟随用户，但距离可验证的消费体验仍有不少问题待回答。

AI设备变多，不等于用户愿意换机

白皮书披露，今年上半年全球智能手机出货量同比下降13.9%，具备AI能力的手机占比则达到66.4%，相对增幅为21.8%。材料还称，PC与平板出货量分别同比下降11.7%和8.6%，AI渗透率却在提高。

这些数字来自高通委托、IDC研究制作的白皮书，统计口径和样本范围仍需核查。至少从这组数据看，厂商增加AI功能，与消费者愿意为AI购买新设备并不是一回事。

普通用户关心的通常不是设备能运行多大的模型，而是AI能否少做重复设置、及时响应，并且不把大量私人信息传到外部服务器。如果这些问题没有解决，新增几个写作、修图或语音功能，很难自然转化为换机理由。

白皮书将“个人AI”描述为以用户为中心、由智能体持续提供服务的系统。这里的“智能体”，可以简单理解为能够接收目标、调用信息并连续完成任务的AI助手。

按照这一设想，用户在手机、电脑和眼镜上面对的，不再是三套彼此隔离的AI。不同设备可以共用对用户偏好、习惯和当前环境的理解，让一项任务在设备之间延续。

例如，手机负责随身交互，电脑承接更复杂的工作，眼镜获取现场环境。素材并未提供已经上线的完整消费者案例，因此这只是对工作方式的解释，不能视为现有产品已经实现的能力。

它与普通AI功能的主要区别，也不在于多一个聊天入口，而在于同一项服务能否跟着用户跨设备继续进行。这正是高通此次叙事的中心，但也是最需要真实产品证明的部分。

来源称，从对话式AI发展到能够执行多步骤任务的智能体AI，单次任务消耗的文本计算量约增长100倍。如果所有处理都放在云端，厂商需要承担更高的计算支出；网络往返会影响响应速度，持续上传位置、环境和习惯数据也会扩大隐私风险。

白皮书建议采用“端、边、云分布式计算”：它指的是把任务分配给用户设备、附近计算节点或远程数据中心，而不是统一送到云端。高频、轻量或涉及隐私的任务尽量留在本机，更复杂的任务再调用外部算力。

对用户而言，这套机制真正需要交付的结果很具体：断网或网络不佳时，基础功能仍能使用；需要即时反馈的任务少等待；敏感数据尽可能不离开设备。计算放在哪里，不只是技术架构问题，也会直接影响费用、速度和隐私。

不过，材料没有披露任务如何判断隐私等级，也未说明用户能否查看或修改分配规则。所谓“数据留在端侧”能覆盖哪些数据、异常情况下是否上传，同样缺少明确边界。

为了让AI持续了解环境，设备需要长期调用麦克风、摄像头或其他传感器。来源称，高通的传感器中枢可以不唤醒主要处理模块，以数十甚至个位数毫安的功耗持续运行；个人知识图谱则在本地记录和更新用户偏好。个人知识图谱可以理解为设备整理出的个人信息关联表。

高通方面认为，端侧AI的瓶颈不只是算力，还包括持续服务、多任务并行和续航。其方案是让不同处理模块分别承担任务调度、AI计算、环境感知和图形处理。

这套分工在技术逻辑上可以减少不必要的高功耗计算，但素材没有给出具体设备的续航对比，也没有独立测试证明其在长期感知、多任务运行时的实际表现。能运行与能全天稳定运行，是两道不同的门槛。

持续感知还会带来另一层问题：即便原始数据没有上传，设备长期保存的位置、声音和习惯信息，也可能形成高度完整的个人画像。硬件级保护和本地处理可以缩小风险范围，却不能替代清晰的授权、删除和审计机制。

高通产品技术专家朱元堃认为，个人AI不应局限于单一硬件，手机、电脑和眼镜都可以成为入口。高通CEO安蒙在COMPUTEX 2026演讲中列举了约60亿部手机、20亿台个人AI终端、20亿台PC和5亿辆智能网联汽车，以说明潜在设备范围。

这些规模数字不能直接证明跨设备AI会被用户接受。对消费者和终端厂商而言，更实际的判断标准是：设备之间能否可靠衔接任务，用户能否控制被记录的信息，以及持续运行是否明显影响续航。

因此，这次发布最值得关注的并非某个处理模块，而是高通提出了一条检验路径：个人AI必须同时回答连续服务、本地处理和功耗控制三个问题。来源未披露真实客户数据、费用、实施周期及量化效果，现阶段不宜将其写成已经成熟落地的案例。