AI 不想只住在数据中心里

上篇我们说，今天是云端的绝对主场：训练一个前沿大模型要上亿美元、万卡集群，只有数据中心装得下。但结尾留了个问题——AI 的主任务正在从"学习"（训练）变成"工作"（推理），而"工作"这件事，不一定非在数据中心里干。

今天聊算力"搬家"的两个去处：边缘，和端侧。

边缘：最容易被低估的一层

边缘，是部署在"网络边缘"、靠近数据产生地的计算节点。它不是一个设备，而是一类站点：基站旁的 MEC 服务器、工厂车间的工控机柜、商场弱电间里的 AI 盒子。

它和端的区别在于归属：端侧算力是"你自己的设备里的算力"，边缘算力是"离你很近的、别人的算力"。

为什么需要这一层？四个硬核理由。

第一是延迟。数据上云再回来，一个来回动辄几十上百毫秒。人对语音交互的忍耐上限不过几百毫秒，工业控制要几毫秒，自动驾驶是生死毫秒之间。

第二是带宽。一台智能工业设备每天产生超 10GB 的传感器数据。全传上云，带宽费会吞掉项目全部收益；在本地筛一遍，只把"值得上传的结论"送云端，才是经济的做法。

第三是隐私。工厂工艺数据、医院影像、家庭摄像头画面——有些数据根本"不能出厂区"。

第四是可靠性。矿井下、远洋货轮上、网络拥塞的演唱会现场，断网就停摆的系统不可接受。

这个市场有多大？据 GII 报告预测，全球边缘 AI 市场将从 2025 年的 304.5 亿美元，增长到 2030 年的 988.9 亿美元——五年三倍多。

端侧 AI 离每个人更近：把模型直接装进你的手机、汽车、眼镜、耳机。

它为什么偏偏现在爆发？两个轮子同时转起来了。

第一个轮子：模型变小了。量化把模型压到四分之一大小而能力大体保留，蒸馏让大模型"带教"出小模型，DeepSeek 的出现更是直接拉低了大模型对芯片算力的开销。旗舰手机已经能本地流畅跑十亿参数级的大模型。

第二个轮子：芯片变强了。微软官方的 AI PC 标准，要求 NPU 算力不低于 40 TOPS；英伟达新发布的超级芯片，甚至能在个人电脑上本地运行 1200 亿参数的大模型。

说点实在的，你大概率已经在用端侧 AI 了，只是没意识到：打电话实时翻译、拍照一键消除路人、开会自动转写加摘要、人脸解锁。这些体验的共同点是三个字：快（不绕远路）、稳（不怕断网）、私（数据不出设备）。

而这只是开始。AI 眼镜 2025 年全球出货预计 510 万台，到 2030 年 3500 万台，年复合增速 47%；AI PC 的份额明年过半；你下一部手机，大概率自带端侧大模型。

边和端的玩家版图，比云端热闹得多：芯片层，边缘赛道上 32 家以上企业在角逐；端侧 SoC 是高通、苹果、联发科、海思的多方混战；车载层，还有一群做"智驾大脑"和"机器人新大脑"的。

我把边缘和端的玩家各画了一张四层全景图——谁做芯片、谁做设备、谁运营节点、谁做生态，一层层排开。

这两张全景图，加上篇的云端产业链全景，以及这个系列的完整版（共 10 张图），都在知识星球「Microtalk谈芯室」。

下篇回答最实际的问题：算力下沉的时候，谁先受益？