AI日报｜终端侧AI：从单点应用到智能体体验的演进
截至2026年11月，终端侧AI已经从单点功能应用向复杂智能体体验演进，高通、腾讯等企业加速布局端云协同架构。终端侧AI应用已覆盖影像处理、文本处理、语音转录等场景，其中MoE模型在终端设备上可减少70%参数计算量，提升能效比。端侧与云端协同将成为未来3-5年AI发展的主要方向。
终端侧AI：从单点应用到智能体体验的演进
导语
2026年11月，终端侧AI技术发展迎来重要转折点。随着应用场景从单点功能向智能体体验演进，端云协同架构成为行业共识。高通、腾讯等科技巨头纷纷布局这一领域，推动AI技术在终端设备上的深度应用。本文将分析终端侧AI的发展现状、技术趋势以及企业布局，探讨这一领域的未来发展方向。
终端侧AI的发展现状
终端侧AI经过过去3至4年的发展，已经从早期的单点功能应用逐步向复杂智能体体验演进。据高通公司AI产品技术中国区负责人万卫星在2026年11月7日的上海活动上介绍，终端侧AI并非从大模型开始，影像领域是AI较早落地终端的领域之一，手机拍照效果的持续提升背后就有终端侧AI技术的推动。
如今，终端侧AI已经拓展到简单问答、聊天、图像生成与处理，以及文本处理、语音转录、实时翻译等多模态应用。这些功能在端侧落地的条件已经比较成熟，但大多数应用仍偏向单点功能，如自动语音识别（ASR）、文本摘要、图片处理、简单聊天机器人等，主要解决具体任务。
万卫星指出，如果未来希望终端能够进一步完成意图理解、任务编排、实时操作目标App等系统级、规划类任务，就需要更强的端侧模型能力。这意味着终端侧AI正在逐渐从解决一个个具体任务，向更加复杂的智能体体验演进。
端云协同：计算连续体的新范式
在终端侧AI的发展过程中，端云协同或"计算连续体"成为主流架构思路。高通并不强调端侧的唯一性，而是提出"端侧优先"（on-device first）的策略，强调端侧与云端的协同作用。
传统依赖云端的AI服务，每一次推理都需要消耗云端Token、GPU以及云端调度资源，同时依赖网络连接。将合适的AI能力部署到端侧，可以减少对网络的依赖，提供更加及时和稳定的响应，同时发挥终端在安全、隐私和个性化方面的优势。
万卫星用一个直观的比喻解释了二者的关系：云端更像一个"通用知识库"，端侧则拥有更多属于用户个人的"专业化知识"。端侧可以结合用户是谁、在哪里、过去做过什么，以及当前所处的环境，对用户接下来可能需要的服务作出判断，这也是"主动式AI服务"的基础。
值得注意的是，端侧并不是孤立的体系。云端可以承接需要更强智能和计算能力的任务，端侧则能够发挥实时、稳定、隐私以及个性化等优势，二者相互协同，形成完整的计算连续体。
MoE模型：终端侧AI的重要技术方向
在终端侧AI的技术演进中，Mixture of Experts（MoE，混合专家模型）成为重要技术方向。与传统Dense模型相比，MoE模型通过将模型参数划分为多个不同的"专家"模块，每个专家模块负责其中一部分，可能擅长不同的任务。
万卫星以一个30亿参数的Dense模型为例进行解释：每完成一次推理，30亿参数都需要运行一遍，才能得到最终输出。而MoE模型的工作方式有所不同，当模型处理某个具体任务时，只需要调用与这个任务相关的部分专家模块。
例如，一个MoE模型包含20个专家模块，执行某个任务时，可能只需要调用其中2至3个专家模块，而不是让全部20个专家模块同时运行。这种工作方式类似于多位擅长不同菜系的厨师，根据顾客需求调用相应厨师，而不是让一位厨师做所有菜系。
MoE模型的优势在于显著降低计算量，提高能效比。对于终端设备而言，这意味着在有限的计算资源下，可以实现更复杂的AI功能，同时保持较低的功耗和响应时间。
企业布局：腾讯的Agent生态系统
在终端侧AI和智能体领域，腾讯也进行了全面布局。腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生指出，企业落地Agent最大的难题，不是模型不够强，而是"断点太多"：AI能写方案、做分析，却接不上业务系统，也拿不到企业数据。
围绕这些"断点"，腾讯提出打造"全场景、高效能、更放心"的Agent生产力系统。在2026年的腾讯全球数字生态大会上，腾讯通过40+场发布，围绕应用、数据、安全和工程四个板块，呈现出包括WorkBuddy在内的更完整的Agent布局。
在应用层面，腾讯发布了跨应用协同体系Buddy One，一边用WorkBuddy连接腾讯文档、腾讯网盘、腾讯乐享、设计和研发工具，让Agent从个人助手变成团队的新助理；另一边通过腾讯云ADP、元宝搜索、天籁语音大模型、MAGIC AI等产品，把Agent带进更多业务执行场景。
数据层是Agent真正进入企业的关键。为了让Agent用好企业数据，腾讯云围绕"懂、存、跑、自治"展开了布局。其中，TDSQL Nexa Lakebase帮助理解数据；TDSQL Boundless负责存储和处理多种类型的数据，为Agent提供全面的数据支持。
实操要点
端云协同架构设计：在开发AI应用时，应考虑端云协同架构，将适合在终端运行的功能部署在端侧，如实时响应、隐私敏感的功能；而将需要大量计算资源的功能放在云端，如大规模模型推理。这种架构可以平衡性能、隐私和功耗的需求。
MoE模型的应用优化：对于终端设备上的AI应用，可考虑采用MoE架构模型，根据不同任务调用相应的专家模块，减少不必要的计算。在资源受限的设备上，可以通过动态调整激活的专家数量来平衡性能和功耗。
数据层准备：企业级AI应用部署前，需先解决数据层的准备问题，包括数据的完整性、语义理解和业务规则嵌入。确保AI模型能够准确理解和使用企业数据，避免因数据问题导致的错误结果。
今日工具速览
Cordonix 0.4.1：面向AI编程智能体的原生执行与文件工作区工具，支持本地程序执行、文件读取、编码转换和内存编辑等能力。https://www.oschina.net/news/503467
腾讯WorkBuddy：腾讯推出的跨应用协同体系，连接腾讯文档、腾讯网盘等多种工具，将AI助手从个人助手升级为团队助理。https://www.leiphone.com/category/industrynews/oxR5pn9S7tI1IfF5.html
高通端侧AI解决方案：提供端侧优先的AI计算架构，支持从影像处理到多模态应用的终端AI部署。https://www.leiphone.com/category/chips/aOKsujJpdDvRKj5S.html
总结与观点
终端侧AI正从单点功能应用向复杂智能体体验演进，这一转变将深刻改变人机交互方式。端云协同架构和MoE模型等技术创新为终端AI的发展提供了新的可能性，同时也带来了新的挑战。
从企业布局来看，腾讯等科技巨头已经开始构建完整的AI生态系统，从应用层到数据层，从安全到工程，全方位推进AI技术的落地应用。这种系统性布局将加速AI技术在各行业的渗透和应用。
未来，随着终端侧AI能力的不断提升，我们将看到更多智能体应用的出现，这些应用将更加理解用户需求，提供更加个性化的服务，同时更好地保护用户隐私和数据安全。终端AI的发展不仅将改变我们的设备，也将改变我们的工作和生活方式。
参考来源
本文目录（9 节）
本文基于 AI罗盘日报 的公开内容，由 AI 辅助整理改写后发布。
参考来源（4）