近日，高通在圣迭戈总部举办6G技术日活动，多位高通高管、行业嘉宾集中对外解读高通面向AI时代的6G发展构想，系统阐述了其依托“连接、感知、计算”三大支柱，引领下一代移动通信演进的产业布局，并对相关技术进行了演示。 活动期间，高通AI工程团队的负责人——高通公司工程技术高级副总裁侯纪磊接受了集微网等媒体采访，围绕高通在AI工程研发、数据中心与HBC架构、智能体手机等热点话题进行了观点分享。 打造研发“飞轮”点赞中国团队 侯纪磊领导的AI工程技术团队（AI Engineering Organization）包括研发（Research），系统（Systems），商用软件（Commercial Software），还有开发者AI平台（Developer-facing AI Hub）等部门。在侯纪磊看来，团队体系构建之初，就是为了保证强有力的端到端功能。 “高通在AI领域的研究和产品保持强耦合。如果研发人员只是把研究成果做出来，直接交给产品团队，让产品团队自己去摸索如何落地；而产品团队又只是解决客户需求，两者之间就会出现脱节。因此，研发和产品之间必须形成一个‘飞轮’，整个体系才能有生命力。”侯纪磊说。 所谓“飞轮”，侯纪磊进一步解释，就是如果从技术导向看到的创新，一定要有很强的驱动力去思考它能否落地到产品中；另一方面，当产品在真实世界的应用过程中遇到实际问题时，也必须有足够强的驱动力将这些问题放到研发体系里面去解决。因此，研发驱动产品、产品反哺研发，二者通过“飞轮效应”紧密结合在一起。 侯纪磊强调，在当前的AI环境中固然需要创新，但把创新落地到产品中的速度可能更重要。从这个角度来看，研发的意义不仅仅是做出一些炫酷的技术，更重要的是推动产品快速落地。高通也在思考如何把速度体现出来。 对于中国研发团队，侯纪磊也给予了很高评价。他认为，从全球研发布局的角度，中国研发团队本身就是非常重要的研发力量。其中，通信团队在研发与标准层面，发挥了非常重要的支撑和协调作用。AI团队则更注重市场需求和应用场景，在确保解决方案能够非常好地支持本地市场和客户方面，发挥了重要的研发支撑作用。 深化与端云大模型公司合作 随着端侧AI能力快速普及，芯片企业与大模型厂商之间的协作正变得愈发紧密。 针对同大模型厂商合作策略的问题，侯纪磊表示，合作多的模型厂商，在很多发展方向上与高通一致。 以手机和汽车为例，很多模型厂商需要面对三五家甚至更多OEM客户，因为这些厂商都有可能对他们的模型感兴趣。模型厂商主要位于模型层，而高通位于更底层的芯片平台层。手机和汽车都是高通在中国市场的重要业务领域。因此高通接触的OEM，以及需要在高通平台上进行适配和优化的OEM，与模型厂商面对的客户实际上有很高的重合度，数量可能达到三五十家。 “在这种情况下就会产生一个问题：模型厂商是否需要分别与众多OEM逐一合作，我们也同步进行类似工作；还是应该先由高通和这些模型厂商进行深入的适配和优化，形成成熟的参考方案，再把它推广给更多客户？从规模化的角度来看，后一种方式对于模型厂商和高通都更有优势。大家不需要针对每一家客户重复做一遍，而是先共同把方案做好，再一起推向更多客户。”侯纪磊说。 实际上，这样的方式，从生态层面理解，高通先与模型厂商进行对接和优化，再向OEM推广，就可以减少OEM分别对接多家模型厂商的成本和时间。 据侯纪磊介绍，目前，高通已经在与两家非常重要的模型厂商推进这样的合作。未来，高通希望与更多模型厂商开展类似工作。 “无论是目前的端侧推理平台，还是未来可能拓展到云端的推理平台，我们都希望在推理层面为各种AI入口提供支撑，发挥一个平台的作用。”侯纪磊说。 对数据中心业务充满信心 在今年6月的投资者日上，高通宣布进军数据中心市场，并重磅发布了HBC（高带宽计算）技术。进军数据中心成为高通业务多元化战略的重要拼图，助力其构建从端到云的全栈能力。 多年来，高通的技术路线优势更多在端侧，不管是生成式AI、智能体AI等新的技术方向出现，都能站在行业发展的前沿。 那么，高通如何借助端侧优势去实现数据中心业务的拓展？ 侯纪磊表示，无论是端侧还是云侧，从研发角度看到一个核心的重要共同点，是模型效率（model efficiency，每瓦性能或每焦推理性能），本质上是在单位能量范围之内尽可能优化计算。高通在端侧AI领域投入多年，在相对较小的大语言模型部署上带来很多技术创新，包括低比特量化、多词元生成（multi-token generation）、近存计算、稀疏注意力，以及长上下文处理等。这些创新在技术角度是互通的，只是端云侧参数量级不同。 由于技术上的共通，因此将端侧的很多技术迁移到云侧实际上更容易。但挑战在于，这些技术真正进入到云侧之后，从模型和系统这一层面有很多的优化工作要去完成。在芯片层面，高通陆续发布了包括飞龙AI100、AI200、AI250、AI300在内的多代AI推理加速器产品。 侯纪磊透露，高通目前希望将HBC作为切入点率先进入市场，逐步将高通在端侧积累的系统级、算法级优化能力融入其中，形成差异化优势。同时，高通完成了对Modular的收购，在整个云端软件栈层面，整合更多软件能力。这将使高通更好地把握重要市场机遇。在此之外，高通的一些端侧技术和其他技术储备，也将逐渐通过产品技术路线图的演进融合，形成更强的协同效应。 “总体来看，目前的数据中心业务工作都在稳步进行中。对于高通在数据中心的发展势头还有未来下一步的业务拓展空间，我都很有信心。”侯纪磊说。 详解HBC优势：突破“内存墙”、更优综合性价比 高通的HBC作为一种“近存计算”架构，一经推出便受到市场的关注。 现代AI背后的大规模生成式模型，它们的性能不再由芯片计算的速度决定，而是由数据能够以多快的速度、多低的成本被送到计算之处决定，即“内存墙”。而HBC的创新在于，让计算更靠近内存本身，可供计算使用的有效内存带宽是内存的内部带宽，而非狭窄的外部接口带宽，最终带来速度、能效和成本上的优异表现。 侯纪磊介绍，从创新角度而言，HBC实际上是高通两三年前就在数据中心领域开始投入的方向。一些主流数据中心及大模型公司在交流时，也都表示出对HBC兴趣。 从AI技术层面，侯纪磊对HBC的优势进行了进一步的深度解读。他表示，语言模型在执行任务或者处理复杂事件时，与人类的交互通常会包括预填阶段（Prefill）和解码阶段（Decode）两个过程。 预填指的是给模型一个任务，告诉它要做什么事，相当于一个需求规范；而解码指的是模型接收到需求规范后，需要完成任务并输出结果。预填相对来讲是一个计算密集型的阶段，解码相对来讲是一个带宽密集型的阶段。 在带宽密集的阶段，HBC与传统的HBM相比，一方面减少了整个电路板的面积，因为把计算单元和内存单元在三维空间里实现了堆叠。另一方面，由于相同带宽下成本比HBM低很多，所以在带宽受限的场景下，要达到相同性能，HBC在综合性价比上更占优势，而这也是很多客户的普遍痛点。 “目前HBC方案也得到了一些大型存储器厂商的认可。一方面高通要自己推动HBC的研究，另一方面也需要与存储器厂商合作。如果客户不认可，存储器厂商也不会去跟进。因此产业各方正在形成共识，希望通过紧密合作，共同推动HBC的落地。 所以总体而言，这是一个非常积极且良好的趋势。我们认为在面向prefill和decode这些大模型处理场景，推动HBC的应用，无论是对高通还是客户，都能够带来实际价值。”侯纪磊说。 智能体手机尚存三大挑战 今年是智能体AI元年，可以看到，传统手机厂商强化手机产品的AI能力，字节、阶跃星辰等新玩家也切入手机赛道，相继推出主打智能体概念的手机产品。 侯纪磊认同智能手机作为智能体的承载终端这一方向，但他同时也指出了当前存在几方面的挑战。 首先，是用户隐私保护以及生态厂商的协同合作。侯纪磊强调，智能体手机的关键不仅在于AI技术本身是否成熟，还在于如何理顺消费者、开发者以及整个生态中各方的角色关系，最终实现行业共生，这可能需要一些发展时间和空间。 其次，如果智能体执行所有任务都要调用云端大模型，成本会非常高，手机厂商难以承受。如果在端侧运行，则还要考虑功耗、模型准确度等问题，端侧小模型的质量也需要不断打磨和提升。因此，技术层面同样还有进一步提升的空间。 最后，用户用例、具体任务以及整体体验也需要不断打磨。 “问题不仅在于有没有智能体这项能力，还在于这项能力能不能真正转化为顺手、自然、不会让用户反感的体验，这同样需要不断迭代。”侯纪磊说。