2025年电子行业深度报告：端侧AI重构终端生态，硬件升级驱动换机潮，多设备协同催生商业模式跃迁

1. 智能体全新交互中枢，终端流量入口重塑

1.1. 智能体定义：决策+记忆+规划+工具

AI 智能体是一种具备环境交互、自主决策与任务执行能力的软件程序，由人类设定 目标，智能体独立选择最优行动路径。虽然业界在模块命名和架构安排上各有差异，例 如 OpenAI 更偏向工程实现，复旦 NLP 实验室则立足于未来 AI 产业趋势构想，但在底 层结构上高度一致，体现出一定程度的行业共识： 1. 以 LLM 为大脑，具备推理、知识整合与语言交互能力。 2. 记忆系统支撑上下文连贯与经验积累。 3. 工具接口打破模型“只读”边界，实现动作执行 4. 反馈闭环支持状态保存与动态调整，保障任务的持续感知-决策-行动循环。 总体来看，“LLM+记忆+工具+闭环”构成智能体的核心架构要素。

未来智能体有望沿着“数字助理型”与“具身/社会型”两大技术路径演进。根据研究 机构对智能体的定义不同，我们判断未来其生态系统有望沿着两条技术路径同步演化： 一类是以提升个人效率为目标的“数字助理”，聚焦于自然语言交互与多工具协同，广泛 应用于办公自动化、信息检索、知识管理等场景；另一类则是具备感知与行动能力的“具 身/社会型”智能体，强调多模态感知、实体控制与多智能体协作，在机器人、智能制造、 智慧交通等领域具备落地潜力。尽管两者在功能侧重与硬件要求上存在显著差异，但其 底层均依托于大语言模型（LLM）为核心，辅以记忆系统、任务规划与工具调用构成“智 能闭环”。

大语言模型作为智能体的认知中枢，承担理解、决策与交互的核心职责，是通向 AGI 的关键起点。根据南洋理工大学研究，智能体技术已历经三代演进路径：第一代为算法 驱动阶段（2006~），以博弈论与优化算法为主，解决结构化策略问题，智能水平有限； 第二代为强化学习驱动阶段（2017~），强化对复杂动态环境的建模能力，应用于推荐、 交易、博弈等场景，但在泛化与迁移上仍存瓶颈；第三代为大语言模型驱动阶段（2023~）， 以 ChatGPT、Gemini 等为代表的 LLM 赋予其自然语言理解、任务规划与工具调用等能 力，通过 ReAct、CoT 等机制实现“感知—认知—执行”闭环，首次使智能体具备自主 决策与完成复杂任务的能力，标志其从“智能工具”向“通用生产力”跃迁。

1.2. 智能体落地终端，超级入口迎来重塑窗口期

AI 时代超级入口强调跨应用场景智能协作，终端厂商生态控制力有望加强。超级 入口的本质在于高频用户需求的聚合与流量变现能力。回顾 PC 与移动互联时代，终端 设备和操作系统通过整合多种功能和服务，成为用户获取商品、服务和内容的主要入口。 进入 AI 时代，超级入口的核心逻辑从“功能驱动”转向“任务驱动”。用户无需逐一操作 应用程序，仅通过自然语言提出任务，AI 助手即可跨应用调取服务完成如报告生成、日 程管理等复杂操作。该类跨应用协同依赖底层系统级调用，天然利好掌握操作系统与终 端硬件的厂商。根据普华永道，当前手机端涌现出三类超级入口雏形：个人助手、社交 与搜索。终端厂商正加快 AI 生态系统构建，围绕自身能力圈深耕多样化场景，抢占 AI 时代流量入口重构的战略窗口。

1.3. 端侧 AI 部署加速落地，功能形态与技术路径初步成型

1.3.1. PC/手机端承接系统枢纽，可穿戴设备探索形态突破

当前，智能体在消费电子终端的集成正加速推进。本节将从 PC、手机与可穿戴设 备三大典型终端出发，梳理端侧 AI 落地的最新进展与功能演化路径。 手机方面，厂商正把 智能体从“语音助手”升级为深度嵌入操作系统的执行引擎。智 能体不再停留在问答层面，而是接管联系人、相册、定位、支付等高权限接口，能够跨 应用解析用户意图、自动完成多步操作。苹果计划让新版 Siri 直接在端侧调用日程、照 片与邮件等私有数据，并在必要时通过加密云推理补齐复杂逻辑，目标是把填写表格之 类的事务完全交给系统处理；三星的 Galaxy AI 已在 S25 系列统一 30 个本地应用和十余 款高频第三方应用；安卓阵营的 OPPO、vivo、小米等也在各自定制的系统框架里加入 “星环”“PhoneGPT”“超级小爱”等智能体，重点打通外卖、出行、社交消息等高频场 景，以展示跨 App 动态调度能力。

实测结果显示，这一代手机智能体在“导航”和“订机票”这类结构化流程中的成 功率已达到可用水平，而在外卖下单、社交消息等任务上仍响应不稳定。总体来看，我 们认为手机端 AI 已从“功能演示”过渡到“系统能力”，为未来进一步向生产力工具演 进奠定了平台基础。

PC 方面，重点体现办公创意效率提升与系统级自动优化。功能上，我们认为各厂 商端侧 AI 已从简单对话助手演进为复杂任务协同系统，涵盖办公与创意和系统级智能 优化两大核心方向： 办公与创意：包括文档润色、内容生成、跨语种翻译、图像直搜、结构化摘要 等。 系统级智能优化：涵盖亮度、键盘背光调节、噪音降除、屏幕聚焦、语言控制 系统设置等。

可穿戴硬件方面，我们认为厂商“先看硬件天生擅长的感知维度，再向 AI 延伸”。 回到三大典型形态——眼镜、TWS 耳机、智能手表——它们各自的 AI 侧重点与用户原 生使用动机基本吻合，但又在向下一阶段的“多模协同”递进。整体看，可穿戴硬件细分 产品各自都在探索如何利用自身形态优势放大端侧 AI 的常用价值，行业仍处百花齐放 的早期阶段。 智能眼镜：听觉 + 视觉的双通道。眼镜天生占据视线与耳道，从接听电话、语音助 手这类“免手占耳”落地场景，逐步拓展到实时字幕、场景识别和导航提示等场景。最新 一代 Ray-Ban Meta 与 OPPO Air Glass 3 已可在端侧完成语音问答、拍照解说，并把翻 译、导航等重计算任务分级上云。往前看，一旦光机与电池再减薄、算力再下沉，AI 眼 镜有潜力替代手机的部分功能。 TWS 耳机：听觉入口的深耕。耳机原本的卖点是音质和降噪，如今 AI 在优化这些 基本功能后，还在实时语音助手、同声传译、会议转写等场景深耕。接下来耳机还可能 切入声学健康，或将全天候的听觉代理。 智能手表：持续感知与生理闭环。目前集成 AI 功能的智能手表落地产品仅见 Phancy 等少数厂牌，功能上与耳机、眼镜的语音交互并无本质区分；然而苹果已公开把下一代 Watch 系列定位为“AI 驱动的腕上医疗监控”，腕表赛道的差异化最终或将落在对多模态生理信号的融合分析与长期模型训练。

1.3.2. 技术路径：“端优先”成趋势，可穿戴侧重协同算力

端云协同：云端大模型提供通用知识能力，端侧小模型提供个性化和快速响应。随 着大语言模型在智能终端的落地需求上升，端侧集成能力成为技术焦点。传统的中心化 云端机器学习架构虽具计算优势，但在实际应用中逐渐暴露出用户隐私数据风险、中心 服务器带宽压力和离线不可用瓶颈。端云协同模式应运而生：云端负责大模型的集中训 练与能力输出，端侧则部署经过裁剪优化的小模型以实现本地实时推理，并将关键反馈返回云端用于进一步优化，形成“有机循环”的能力增强体系。 当前端云协同智能计算主要分为五类路径： 1）高效计算硬件：在端侧部署高性能、低功耗芯片，支撑本地推理任务 2）以端为中心的协同计算：终端主导计算，云端辅助。适用于隐私保护与个性化训 练。 3）以云为中心的协同计算：云端主导全局训练，终端仅保留本地数据并回传模型 更新。解决隐私保护与模型泛化兼容问题。 4）端云双向协同计算：端云模型双向优化、协同推理与训练。 5）可信端云协同计算：结合因果推断、去偏学习等方法，提升多端异构环境下的稳 定性与可信性。

PC 和手机端：端云协同向“端优先”策略收敛。我们认为产业已经在“大模型云端、 轻模型端侧”这一基本范式上形成高度共识：多数厂商都将轻量级的语言模型下沉至终 端，用以实现实时推理、离线可用与隐私本地化；而更大规模的通用模型仍托管在云侧， 通过加密或可信执行环境等机制来保证远程调用的安全可信。共同诉求背后，对应的正 是前文提到的三大痛点——隐私保护、中心服务器算力压力和离线可用性——这几乎驱 动了各家向“端优先”策略收敛。

可穿戴端侧：“端-近端-云”三层协同，云端推理重要性提升。以 Ray-Ban × Meta 智 能眼镜为例，设备本体承担唤醒词识别等轻量实时推理；手机作为近端算力负责任务转 发与复杂任务处理；云端托管大规模多模态模型，为复杂推理与知识检索提供高精度输 出。未来，“端—云—近端”动态算力调度将成主流，手机等近端设备将成为协同核心。 同时，可穿戴设备的多模态感知能力（如 ECG）为个性化 AI 模型提供高价值数据支撑， 助力厂商构建生态闭环，提升用户粘性与产品附加值。

2. 手机端侧 AI 发展驱动硬件升级，有望成为新一轮换机潮核心 推力

2.1. 手机厂商端侧大模型布局对比及核心技术路径梳理

目前，各大智能手机厂商已相继推出可部署于终端设备的 AI 大模型，其发布的端 侧大模型大多根据参数规模划分为多个版本，整体参数规模尚处于相对轻量化阶段，普 遍低于 7B 参数。其中，实际在终端设备上实现大规模应用的模型多集中在 3B 参数级 别，兼顾性能与算力资源限制。

模型压缩主要通过量化、稀疏化和蒸馏三种方法，实现大模型在终端侧的高效部署。 当前主流厂商在将大模型部署至终端设备时，普遍面临算力与存储限制，因此在模型达 到 7B 规模后，均采用算法优化以实现轻量化部署。荣耀、vivo 在 7B 模型基础上推出 3B 版本，小米则在 6B 模型后发布了剪枝版 4B 模型，华为、OPPO 等也采取了算法优 化策略。这些优化主要包括量化、稀疏化和蒸馏三类：

低比特量化：通过将原本使用的高精度浮点数（如 16-bit）转换为低位宽整数 或浮点数（如 8-bit 甚至 4-bit），以降低存储占用、加快推理速度、减少功耗。 例如，从 16-bit 压缩到 8-bit 理论上可减半内存和功耗，同时实现约 1 倍的推 理加速。目前 4-bit 量化已逐步成为手机端主流方案。

稀疏化（剪枝/MoE）：通过移除模型中“冗余”或“贡献较小”的权重参数， 实现模型压缩与计算简化。以剪枝为代表的稀疏化方法能显著减少模型计算量， 同时尽可能保留原有精度；Mixture of Experts（MoE）等结构也在端侧应用逐 渐展开。

模型蒸馏：通过结构更大、精度更高的教师模型指导体积小、结构简化的学生 模型进行训练，最终在保证性能接近的前提下显著缩减模型体量。

端侧大模型加速落地智能语音助手等核心场景，用户认可度与生态规模同步提升。 目前端侧大模型的应用主要集中在智能手机语音助手的升级，推动其从传统指令识别向 具备自然语言理解与任务执行能力的智能对话系统演进，支持如文本摘要、多语种翻译 等轻量级生产力场景。以华为为例，其基于盘古 L0 开发的 L1 对话模型已在小艺语音助 手中落地，具备自主识别复杂语义并执行任务的能力，显著提升用户交互体验，尤其适 配老龄化需求。随着用户对端侧 AI 功能认可度的提升，整体生态亦快速扩展。海外方 面，谷歌 Gemini 月活跃用户已达 4 亿，开发者超 700 万，形成成熟闭环；国内六大手 机厂商均跻身 AI 原生应用活跃榜前列，其中华为与 OPPO 智能助手月活超亿。端侧 AI 正加速融入用户日常，具备成为下一代主流人机交互入口的潜力。

2.2. 推演未来：多模态与跨应用驱动模型扩容，参数规模与压缩算法面临双 重挑战

行业共识聚焦“端侧具身智能”，端侧大模型需构建多模态与跨应用调度两大关键能 力。OpenAI 首席执行官 Sam Altman 指出“未来 AI 的潜力要想真正释放，必须让用户以 自然的方式日常使用 AI”。该判断强调 AI 的价值不应局限于通过传统 App 方式调用， 而应实现随时随地、无感交互的“具身智能体”形态。智能手机凭借低时延、离线可用与 持续交互优势，正成为具身智能体早期形态，例如无需唤醒词、实时语音响应等功能， 显著提升了用户体验和陪伴属性。面向下一阶段发展，端侧大模型需构建多模态感知与 内容理解和跨应用执行两项关键能力。其中，多模态能力优先落地，代表厂商如华为、 OPPO、谷歌已实现本地图像识别、语音翻译与场景解读等功能；跨应用执行能力也正 成为核心竞争点，使模型能统一调动多个 App 完成任务，推动从“工具集合”向“任务助 手”演进。

为支撑多模态感知、跨应用执行等关键能力的落地，端侧大模型仍需在模型规模上 持续演进。目前行业普遍认同，大模型的“涌现能力”依赖于参数堆叠到一定规模后才能 显现；反之，若参数压缩过度，则存在能力坍缩风险。以小米 MiLM2 为例，其模型矩 阵划分显示，6B 与 13B 参数规模是具备零样本能力与上下文学习潜力的关键起点，能 够在多任务场景中接近甚至达到百亿级开源模型的表现。 端侧大模型在多模态感知与跨应用执行两大核心能力上的突破，均依赖于参数规模 驱动的能力涌现。具体来看，多模态感知能力需借助图像、音频与文本等模态在同一语 义空间中的精准对齐。当前主流做法是通过专门的编码器生成各模态向量，并借助 CrossAttention 或 Perceiver-Resampler 机制实现融合。若模型容量不足，语义映射空间维度受 限，容易导致各模态“各说各话”，推理失真，因而对参数规模提出刚性要求。而跨应用 执行能力则依赖模型对函数/工具调用接口的理解与调度能力，通常以结构化 JSON Schema 格式触发外部 API 调用，并将结果写入上下文持续推理。ReAct 框架的 “思考— 行动”交替范式也需要模型具备更强的规划能力与记忆能力，对注意力机制宽度和激活 带宽提出更高要求。Meta 官方 LlaMA 文档明确指出 8B 模型无法稳定完成复杂工具调 用任务，推荐使用 70B 以上规模以保障交互稳定性。

尽管模型压缩技术不断演进，但这些方法本身也存在技术瓶颈。首先，低比特量化 会显著增加推理误差，尤其在多模态模型中更为敏感。据 Xie et al.（2024）研究表明， 多模态模型对量化噪声极为敏感，4-bit 以下精度会导致误差成倍增长，影响语义对齐精 度。其次，稀疏化虽可降低计算开销，但对模型的跨应用调用成功率、长链任务执行能 力以及模态融合表现均存在负面影响。知识蒸馏方面，若教师模型所学习的跨模态语义 结构在学生模型的低维空间中缺乏映射通道，知识迁移效果将受限，难以保留复杂任务 能力。

在上述限制下，头部厂商并未放弃提升端侧模型参数规模。据彭博社，苹果目前已 在内部测试 7B、33B 等不同规模的大模型版本，表明其正为未来在端侧部署更大模型能 力进行中长期储备。

2.3. 算力、存力、电池和其它结构件协同进化，硬件成为大模型落地关键

算力：预计 SoC 需实现 50 TFLOPS 以上 AI 算力以支撑复杂推理与多模态交互。 根据 OpenAI 在《Scaling Laws for Neural Language Models》中的测算公式：算力需求 ≈ 2 ×参数量×Token 数，可粗略估算出主流模型在端侧运行所需的计算资源。例如，对一 个包含 1000 个 Token（约合 750 个英文单词或 500 个汉字）的输入进行推理，当前主流 7B 模型大致需要约 14TFLOPS 的浮点运算能力。随着厂商尝试在端侧运行 7B 乃至 10B 级别大模型，对 AI 计算资源的要求将进一步攀升，未来高端 SoC 需至少具备 50TFLOPS 以上的 AI 算力，以实现多模态处理、复杂推理与持续交互等能力的实时响应。

内存：未来设备预计需配备 32GB 以上 RAM。模型参数和中间激活会消耗大量内 存，不同精度的参数消耗内存不同。例如 FP32 格式每个参数占用 4 字节，而 FP16 则为 2 字节，当前主流端侧部署多采用 4-bit 或 8-bit 低精度表示，以压缩模型体积。以 7B 模 型为例，4-bit 精度下参数存储约为 3GB；若采用 8-bit 精度，14B 模型参数则约为 12GB。 目前高端智能手机普遍配备 12GB 至 16GB RAM，考虑到系统运行及多任务场景中其他 App 需占据一定内存空间，厂商通常将端侧大模型通过低比特量化等方式进行模型压缩 与优化。综合评估模型推理所需的参数加载及系统安全冗余，我们预计未来支持 14B 及 以上端侧大模型的设备预计需配置 32GB 以上 RAM。内存规格的提升将与算力一道， 成为未来高端终端硬件升级的关键方向。 功耗管理：内存访问成主要能耗瓶颈。推理所产生的能耗主要由两部分构成：一是乘加操作（MAC）本身的计算功耗，二是数据在内存之间搬运所引发的访问功耗。前者 功耗极低，例如在 8-bit 精度下，单次乘法和加法操作仅消耗约 0.2 pJ 与 0.03 pJ，即便 是 7B 模型、以 20 tokens/s 速度运行，整体计算功耗仅约 0.06W，即便模型参数进一步 扩大，计算层面的功耗增长仍相对可控。真正的能耗瓶颈来自于内存访问，尤其是外部 DRAM。根据 MIT 研究，单次 DRAM 访问功耗高达 640 pJ，远超计算本身，因此提升 AI 计算能效比的核心在于优化内存架构与访问策略。芯片厂商已在此方向加快投入，如 OPPO 在 Find X7 中通过优化并行计算和内存调度策略，显著压缩了整体功耗。

电池：未来机型或需配备 6200mAh 以上容量。当前主流智能手机电池容量普遍在 5000mAh 左右，在 3.7V 电压下约合 18.5Wh。随着模型参数规模扩大、推理速度提升以 及 AI 助手逐步向全天候待机、常驻交互方向演进，推理耗电将显著上升。据测算，未 来典型推理功耗（下表 8 中 ⑧+⑨）有望达到现阶段的 4 倍左右，叠加运行时间的增长， 对电池提出更高要求。为保障高强度 AI 应用下的续航体验，我们测算得到下一代支持 本地大模型的智能终端，其电池容量需进一步扩展至 6200mAh 以上，以支撑全天候 AI 辅助的使用场景。 为评估未来端侧大模型在智能手机上的部署压力，我们参考 OpenAI 提出的模型推 理计算规则，并结合主流芯片功耗与内存结构，构建如下测算框架，对未来 3 年端侧推 理对算力、内存、电池等关键硬件资源的要求进行量化预测。核心测算逻辑与假设如下：

端侧大模型推理负载假设：以当前主流 7B 参数规模、INT4 运算精度模型为基 础，预测未来模型将扩展至 14B 并采用 INT8 精度，以提升模型表现力；同时， 单轮推理 token 数由当前的 1000 提升至 2000，吞吐速率从 20 tokens/s 提升至 40 tokens/s，以满足未来语义任务在响应速度与上下文长度方面的要求。同时 日均使用时长从 0.5h 增长到 1h。

内存访问能耗假设：7B 参数模型经 INT4 量化后约需 3.5 GB 内存，显著超过手机 SoC 内部 eSRAM 容量，因此模型推理过程必然依赖 DRAM 与 SRAM 的 联合访问路径。参考 MIT 能效模型，FP32 精度下 SRAM 访问为 5 pJ，DRAM 访问达 640 pJ。考虑当前主流模型多采用低位宽量化，同时配合内存复用与片 上缓存管理优化 DRAM 访问占比，综合设定单位访问能耗为 3 pJ。未来 3 年 随着运算精度提升（至 INT8）及 SoC SRAM 容量扩展、访存调度能力增强， 整体访存能效将基本持平，故继续采用 3 pJ 假设不变。

整机功耗构成假设：整机功耗按三部分组成：核心乘加计算功耗+存储访问功 耗+系统/屏幕运行功耗。其中，屏幕亮度维持常规亮屏状态（约 300nits），根 据 ProductScience，其静态亮屏功耗约为 0.8W，本测算据此设定系统基础功耗 1W，包括屏幕、电源管理等模块损耗，大模型推理功耗在此基础上叠加。 

电池相关假设：目标放电深度为 80%，即用户在日常使用中平均在剩余 20%电 量时开始充电；电池标称电压为 3.7V。

在端侧大模型推动人机交互形态重构的背景下，智能终端对硬件感知系统提出更高 要求，麦克风与交互按键等模块正加速演进： 麦克风：厂商正致力于实现全天候、深度降噪的语音输入能力。Syntiant 斥资 1.5 亿 美元收购 Knowles 消费级 MEMS 业务，意图将 AI 算法深度集成至扬声器模组中，提升 语音识别前端的智能化水平；Aizip 与博世（Bosch）联合开发深度降噪模型，即使在高 噪声环境下也能保证语音输入的清晰稳定。我们认为，这类创新有望加速智能手机向“24 小时常驻感知体”演进，成为用户的“耳朵和喉咙”。 交互方式：结构件正在被重新定义。iPhone 16 已将侧边相机键与 ChatGPT 的视觉 识别功能相结合，实现通过长按按钮调出 AI 识别镜头所见内容的能力。由此推测，未 来侧边键有望扩展出更多 AI 快捷功能，如一键呼出语音助手、AI 写作或翻译等，强化手机作为具身智能体的主动交互入口。新型硬件的持续升级将为端侧大模型提供更强感 知与响应基础，成为智能终端差异化竞争的重要方向。

2.4. AI 成为新一轮智能手机换机潮的核心驱动

AI 能力成为驱动智能手机硬件升级与换机需求上行的核心变量。随着端侧大模型 能力的持续演进，AI 正逐步从辅助交互工具向“具身智能体”转变，应用场景正从语音助 手延展至多模态理解、内容生成和个性化生产力等高价值任务。这一演化路径带动了对 更高参数规模模型的需求，进而对手机 SoC、内存、NPU、存储与散热等核心部件提出 更高配置要求，构成推动手机硬件系统升级的重要力量。 产业层面，各大手机厂商已密集推出定位于“AI 手机”的新一代旗舰机型，加快产品 更新节奏。根据 IDC 数据，2024 年中国 AI 手机渗透率由 2023 年的 5.5%升至 13.2%， 预计 2025 年将达到 0.8 亿台。从长期趋势来看，IDC 预测到 2027 年，中国 AI 手机出货 量将进一步增长至 1.5 亿台，渗透率达到 51.9%，成为智能手机市场的重要组成部分。 AI 能否真正驱动用户换机，核心取决于应用层是否能精准捕捉用户高频、刚性需求，拉 动消费侧热情。

手机换机周期有望反转，AI 功能演进驱动硬件迭代提速。据 Counterpoint，全球智 能手机换新周期近年来持续拉长，2023 年达 43 个月。然而，AI 手机的兴起正有望改变 这一趋势。全球最大运营商回收平台 Assurant 表示 4Q24 全球被回收的 iOS 与 Android 设备平均使用年限均出现下降，该变化与 AI 手机的集中发布时间高度重合，或表明 AI 手机的早期消费者正在淘汰旧设备，加速转向新一代终端。 随着手机 SoC/NPU 能力提升，端侧部署大语言模型（LLM）成为新一代高端智能 终端的主要竞争方向。大模型参数规模、推理频率与整机功耗同步抬升，逐渐对电池模 组带来连续性负载压力，进而可能加快电芯老化并压缩整机使用寿命，成为推动换机周 期变化的新变量。为量化该趋势，我们以当前主流 7B 参数规模、INT4 精度模型为基准， 结合典型使用情景（日均推理运行 30 分钟），预测中期（3 年后）演进至 14B、INT8 模 型时，用户日均推理时长提升至 1 小时，并测算在两类情景下电芯所需充放循环频率与 预期寿命变化，结论如表 9 所示。核心测算逻辑与假设如下：

电芯寿命阈值：依据 Apple 官网披露，iPhone 14 及以前机型所用电池支持 500 次循环至剩余 80%容量，iPhone 15 起提升至 1000 次。本测算中取中值 800 次 循环作为评估基准。

电池相关假设：目标放电深度为 80%，即用户在日常使用中平均在剩余 20%电 量时开始充电；电池标称电压为 3.7V。

用户对电池续航高度敏感，大模型运行带来的高功耗将加速电芯老化，成为推动换 机周期提前的重要驱动因素。在当前配置下（7B 模型、INT4 精度、AI 日均运行 0.5 小 时），电芯至剩余 80%容量所对应的可用年限约为 2.7 年。若未来推理模型迭代至 14B、 INT8 精度，且 AI 使用时长提升至日均 1 小时，测算显示年均充放循环次数将上升至 349 次，电池寿命相应压缩至 2.3 年，减少约 0.4 年。考虑到电量快速衰减在实际使用中 容易引发“续航焦虑”，电池老化构成驱动换机的重要心理因素。在 AI 功耗持续上行、 单日使用时长增加的趋势下，电芯寿命成为智能手机用户主动换机的主因之一，从而推 动换机周期提前。

3. AI 终端重塑价值链：从硬件销售到智能生态

3.1. 商业模式重塑：订阅变现+产品协同，AI 终端引领价值体系重构

3.1.1. 多设备协同驱动 AI 终端生态成型，可穿戴产品成差异化关键入口

智能终端正从单一设备形态演化为多设备协同、跨场景融合的智能服务节点，驱动 手机厂商加快向 AI 终端生态平台转型。荣耀于 MWC 2025 发布“阿尔法战略”，宣布从 手机制造商向全球领先的 AI 终端生态公司转型；中兴推进“AI for All”战略，推动 AI 能 力在全品类终端中的融合落地。小米“人车家全生态”实现设备实时动态组网，所有设 备协同如一个整体。华为的新版 HarmonyOS 以统一 AI 底座、系统级智能体、原生智能 应用和开放生态为支撑，推动“小艺”向具备全场景感知与多模态交互能力的智能体升级。 我们认为主流手机厂商加速向 AI 终端生态平台演化，核心驱动力在于通过多模态 AI 体验构建差异化优势，提升用户粘性与品牌护城河。前文提到，可穿戴设备是多模态 输入的入口。可穿戴设备在此过程中不仅作为多模态交互入口，更承担关键的数据输入 与生态协同角色，将带动整个 AI 终端产品线的销售增长与生态价值重估。例如，华为 强调端云协同下的“场景智能”，小米构建人车家一体的全场景协同体验，均体现出头部 厂商对 AI 终端战略的系统性投入与落地节奏。

3.1.2. 订阅收入成为增长引擎，推动终端厂商盈利模式转型

订阅收入在 AI 硬件厂商中的比重持续提升，推动其利润结构从一次性销售向“硬 件+服务”并重转型。以 Oura Ring 为例，其售价 349 美元，订阅费 5.99 美元/月，订阅业 务自 2022 年推出后已贡献 20%收入，毛利率高达 80%，显著优于硬件销售的 20–30%。 Plaud Note 则通过 159 美元硬件+9.9 美元/月订阅的模式，年化收入已达 1 亿美元，连续 两年实现 10 倍增长。订阅模式不仅抬高产品均价，也增强用户粘性和收入可持续性。 我们认为，该模式变革将在产业链上带动云推理、模型部署、订阅管理等基础设施需求，利好云计算相关厂商。同时，对终端企业的算力、模型能力与隐私保护提出更高要求， 提升其云端生态构建的重要性。估值体系也将由出货导向转向 ARPU、付费渗透率与留 存率等 SaaS 指标，具备高订阅贡献与用户粘性的硬件公司有望获得类似互联网企业的 估值溢价。

3.2. 端侧厂商的传统商业模式在智能体时代会如何变化

在前一节中，我们系统分析了消费电子端侧商业模式在未来可能面临的结构性变革 与商业模式演进趋势，核心包括：1）智能体逐步取代传统 App，成为智能交互的中枢， 端侧 AI 能力从工具向生产力伙伴演进；2）多模态终端矩阵助力端侧 AI 实现个性化建 模与人机共生，可穿戴设备拉动整个终端产品矩阵；3）订阅收入推动盈利模式变革，增 强估值弹性；4）“私有语境”成为差异化竞争核心，数据构建护城河。 下一步我们将探讨当前消费电子端侧厂商长期积累的传统竞争优势——包括平台 制订阅收入、生态布局、性价比定位、本地化运营能力及全产业链协同优势——将如何 在 AI 原生化浪潮中被重塑或重估。

3.2.1. 订阅收入占比增大

我们判断端侧 AI 将进一步强化“硬件+订阅”的商业模式，推动终端厂商订阅收入 占比提升，从而增强盈利结构的稳健性与可预测性，并有望带动整体估值体系向 SaaS 逻辑靠拢。Apple FY25 Q1 服务收入 263 亿美元、付费用户破 10 亿；在已上线 Apple Intelligence 的市场，iPhone 16 同比增速更快，印证 AI 功能对需求的拉动。三星方面， 目前其 Galaxy AI 功能对用户开放“免费至 2025 年底”，我们认为其意在培养使用习惯， 为订阅收费埋下价格锚点。小米方面，2024 年小米互联网服务收入达到 341 亿元人民 币，同比增长 13.3%，创历史新高。毛利率 76.6%，显著高于集团总体毛利率。2024 年 12 月，MIUI 全球月活跃用户达 7.02 亿，同比增长 9.5%，为持续 ARPU 提升奠定基础。 华为方面，2024 年其消费者业务（含 HMS、终端软件与数字内容）收入 3390 亿元人民 币，同比增长 38%。

3.2.2. 跨平台协同与多设备智能体生态加强

在终端智能体能力逐步提升的背景下，主流厂商普遍强化跨平台协同和多设备智能 生态的布局。小米 HyperOS 构建“人-车-家”统一操作系统底座，具备在 200+处理器平台 间灵活部署能力，其 Hypermind 系统可基于用户行为预测需求并自动响应，实现智能体 跨设备协作。华为宣布自 2025 年起，所有新发布的可穿戴设备将标配原生 HarmonyOS。 目前，80 余款头部应用已完成 HarmonyOS NEXT 适配，实现了音频播放控制与离线支 付等多场景操作，显著提升可穿戴设备的独立智能性。 端侧设备在生理状态感知、行为追踪等方面具备连续、精细的数据采集能力。根据 谷歌研究，穿戴设备可提供如心率变异性、睡眠时长、步数等纵向健康数据，结合生成 式 AI 将为用户提供更个性化的健康洞察与行为建议。考虑到端侧设备受限于算力与能耗瓶颈，我们判断厂商构建跨设备计算协同的 AI 架构的目的在于，将数据采集功能下 沉至可穿戴设备等前端硬件，而将模型推理任务转移至手机、PC 等近端设备。本地部 署多模态模型与大语言模型将有助于提升响应时效、强化隐私保护，进一步巩固终端厂 商在“数字分身”时代的用户锁定能力。

3.2.3. 本地化适配能力有望从“加分项”演变为厂商核心护城河

我们认为在以端侧 AI 主导的新产业范式下，消费电子厂商的本地化能力正从传统 意义上的服务优化升级为差异化竞争壁垒。具体而言，能否实现算法、语料、传感系统 与本地文化语境的深度融合，决定了厂商在区域市场的用户黏性与定价能力。相比全球 化方案，本地化 AI 模型在多模态感知与自然语言交互中更具适配性，尤其在语言多样、 网络基础设施欠发达的地区具有明显优势。以传音为例，其在非洲市场积累大量用户数 据，并推出支持多语言与口音识别的 Ella 2.0 AI 助手，初步形成本地化 AI 能力。随着 功能迭代，有望进一步增强品牌粘性与区域市场竞争力。

3.2.4. AI 驱动下的渠道模式转型：从售卖硬件到构建场景体验

AI 的普及推动终端由单点功能产品向“场景化+生态化”体系演进。智能手机、智能 电视等产品正逐步演化为家庭和个人的 AI 交互中枢，企业竞争重心也由“卖硬件”向“卖 场景、卖生态”转移。在此过程中，AI 能力如何与智能硬件深度融合，成为厂商开拓新 增量空间的核心命题。我们认为，随着“硬件+服务+AI”模式的推进，终端厂商亟需构建 可视化、可体验的产品生态展示体系，这将利好小米等已建立线下体验式门店网络的厂 商，形成渠道与体验协同的差异化优势。 运营商介入 AI 生态，有望推动渠道进一步下沉和融合。除终端厂商外，电信运营 商也在加速布局 AI 能力，将服务触角从连接与资费扩展至智能体运营。韩国 SK 电讯 将 AI 助手嵌入 T Phone，支持通话摘要等功能；Vodafone 则与微软合作，面向全球用户 提供生成式 AI 服务。我们认为未来终端销售有望从“存话费送手机”演化为“订阅 AI 服务赠终端”，运营商将在终端分发中扮演更重要的协同角色。

3.2.5. 全产业链协同加速终端产品迭代与成本优化

我们认为垂直整合产业链各关键环节可以有效缩短了 AI 终端从设计到量产的周期， 提升硬件迭代效率，降低制造成本。三星在 SFF 2024 中正式提出“代工+存储+先进封 装”一体化 AI 解决方案路径，在终端侧，这种高度协同模式可实现以季度为单位进行 OTA 新模型的快速部署，并率先应用于自有 AI 终端产品，构建“芯片-模型-终端”快 迭代闭环，加速产品能力进化与市场响应。此外，当前 AI 功能集成对算力硬件提出更 高要求，尤其是在集成 NPU（神经网络处理单元）等高成本部件的背景下，我们认为全 产业链一体化所带来的规模与协同效应，有望在制造、封装及系统集成等环节形成明显 成本优势，进一步增强终端厂商在 AI 硬件竞争中的盈利能力与产品性价比。

编辑：火腿肠