2020 年，如果有人和你提到AI 給生活帶來的改變，你會想到什麼？在如今越來越多被提到的AI 落地投入實用的案例中，其實要回答這個問題很簡單：自動駕駛需要車載AI、Google利用AI的深度學習能力預測洪水、更富未來感的“智慧城市”，以及更多醫療健康領域的新研究進展；AI 帶給生活的改變已經隨處可見。

拋開高大上的商業概念，就最貼近我們實際生活的AI來講，目前分為兩大發展方向——將算力保存在數據中心的雲計算，以及將人工智能算法基於本地設備的AI效能運行的分佈式計算；與前者更多用於商業領域不同，後者目前已經非常深入我們日常生活的了：我們目前手機攝影領域最熱門的計算攝影——包括超清夜景、自動連拍，交給手機來選擇效果最好的那張；乃至智能識物、實時文字翻譯功能，以及頗受好評的AI自動攔截騷擾電話功能，其實都是藉助於手機AI算力的飛速提升而得以實現。

但在當前，分佈式的AI 效能，能體現在智能手機上，但也遠不止智能手機，在我們數字生活中的不少場景中，AI 計算都已經開始發揮出其特殊的優勢，來著力解決傳統智能設備使用中的“痛點”。

智能手機

在當下高速穩定的5G 網絡仍然不是很普遍的時代，許多廠商都仍然在研究如何將AI“塞進”用戶的終端設備中：比如Google 就一直在研究將基於服務器的語音助手模型通過深度學習的訓練，將原本100G 的模型縮減至0.5G，使其可以直接存儲在絕大部分智能手機中，直接通過手機的AI 效能實現更快速的語音響應與交互。

AI 的效能同樣體現在手機系統優化上，在Android 中，借助高通驍龍移動平台的AI Engine 引擎以及Google 推出的Tensorflow 深度學習框架，開發者還能做出更多利用AI 性能讓用戶減少重複操作手機的功能：比如在Android 10 中Google 推出的基於深度學習功能的智能回复功能，就可以實現在手機收到短信通知時智能為你推薦快速回复語，如果信息內容中包括了地點或是電話，手機還能直接幫你將地點導入進地圖中，或是一鍵撥打電話。

目前在手機中，AI 的使用場景當然不限於手機攝影與語音助手，我們在使用智能手機的日常中已經隨處可見AI 算法的“助力”：在輸入法中，AI可以結合你輸入的上下文自動為你推薦相關的表情包，甚至目前熱門的手機快充功能上，AI 模型也能實現根據用戶使用習慣智能調節充電功率，讓你在晚上睡前充電時自動降低快充速度，既保證了你清晨拿起手機仍然是滿電狀態，同時也延緩了手機電池的容量衰減。

這種基於本地的深度學習模型，決定了手機可以隨著用戶的重複使用的同時逐漸了解用戶的使用習慣，這也是不少手機廠商在推出AI 功能時都少不了一句“越用越好用”的原因。同時，更強的本地AI 算力也能讓更多計算過程完全基於手機運行，除了減少數據傳輸之外，更重要的是減少了不少用戶關於手機數據傳輸帶來的隱私問題的擔憂。

新形態筆電

筆電行業2020 年的新一個重要的新變化，就是不少傳統筆電廠商開始進一步發掘ARM 架構優勢，推出基於ARM 處理器的新筆電，目前世面上不少基於ARM 處理器推出的輕薄商務筆電新品，都是基於高通8cx 平台研發而來。

ARM 架構處理器的加入，除了我們在智能手機上已經習以為常的使用特性—— 比如超低功耗待機，4G LTE 聯網等特徵加入到筆電產品中之外，另一個顯著的特性就是其搭載的與手機驍龍Soc 同源的AI Engine 計算引擎，能藉助更強的AI 算力，實現傳統X86 架構筆電難以實現的優化功能。

在疫情期間的遠程辦公以及網課熱潮中，視頻通話其實是很多人都繞不開的一個場景，但我們往往在視頻時都會下意識盯著屏幕看而不是攝像頭，雖然這種問題可能大家都已經習以為常，但使用AI 算法，其實能更好的優化這種細節問題。

在微軟發布的二合一筆電Surface Pro X上，除了搭載基於高通8cx研發而來的微軟SQ1芯片之外，微軟還借助高通驍龍SoC架構中的AI引擎效能，實現了在用戶使用筆電進行視頻通話或遠程會議時，通過算法自動調整眼睛在視頻通話中的位置，讓你看起來就像一直在看著攝像頭一樣，實現更自然的視頻通話效果。

同時，微軟也在相關的功能介紹中表示，在傳統X86 架構筆電中，如果採用相同的算法來實現同樣的優化效果，則需要面臨更大的功耗，得益於新架構中的AI 算力，提升得以實現，未來開發者可以藉助高通ARM 筆電架構下的AI 引擎，用更強的AI 性能來實現傳統筆電受種種性能而無法實現的智能體驗。

智能駕駛

自動駕駛每小時會捕捉近4TB 的道路數據，即使是目前做高效的網絡速度也不足以支撐如此海量的數據傳輸。所以自動駕駛其實是當下最能體現“分佈式計算”AI 使用場景；目前主流的自動駕駛技術都依賴激光雷達或是攝像頭+厘米波雷達來採集自動駕駛車周邊環境數據，同時將每秒不停收集到的數據交給車載計算機運算處理。

無論是道路兩側的行人，還是道路地面上的道路導流標識線，乃至人類駕駛員看了都頭疼的海量道路指示牌，都需要自動駕駛車能快速借助已有的深度學習模型處理並反饋結果，這也是目前包括特斯拉、寶馬以及百度等廠商在衝刺真正意義上可用的L4 級自動駕駛時必須要解決的棘手問題，海量的數據與低延時需求也決定了無法過於依賴雲計算的雲端算力實現。

在今年CES中，高通針對自動駕駛的這個需求，推出了新的模塊化方案—— Snapdragon Ride 自動駕駛軟件棧。同時，借助整合的AI算力，還能優化模型運算效率，讓車載計算機的感知與規劃更加智能：即使是現在主流的輔助自動駕駛方案——也就是L2級自動駕駛下，這種性能上升級也能反饋在自動駕駛的用戶體驗上，讓自動駕駛過程更加無感，需要駕駛員手動介入的情況更少。

在更未來的L4 級自動駕駛領域，強大的本地計算還能完成自動駕駛的精密地圖構建、實現更無縫的真正自動駕駛，還能藉助Qualcomm Snapdragon Ride 平台的高效能，讓更多汽車廠商與智能車機開發者開發出更現代化的智能汽車體驗。

改變使用細節體驗的AI 效能

目前，無論是基於運行速度還是隱私等考量，本地的AI 計算已經是當前AI 發展的重點方向；在AI 熱潮之下的種種智能體驗吸引眼球的同時，也對智能終端的AI 硬件的算力與效能提出新的挑戰，這也是高通為什麼在每一代驍龍移動平台中都在著重強調AI 引擎的效能提升的原因。

當然，基於數據中心的雲計算同樣是未來所需，手機、電腦算力無法支撐的龐大計算過程，對於雲計算來講可以很高效的完成；但長期來看，在5G 網絡逐漸普及的時代，基於雲計算運行的AI 也會作為本地AI 的效能補充；無論是對於開發者還是硬件廠商，都需要更高效的AI 引擎以及深度學習模型框架。

對此，高通不僅在硬件上推出更高效的移動平台與計算解決方案，還為開發者推出了Qualcomm神經處理軟件開發包(SDK)，讓更多開發者能藉助高通設備的AI 效能，訓練AI所必需的神經網絡模型，來實現更多AI 效能給智能生活帶來改變，帶給用戶更加無感的智能生活體驗。

隨著5G 網絡的逐漸普及，人工智能與5G 的攜手，將對我們生活中的許多習以為常的習慣產生巨大的改變，而這些改變的開始，正是從這些一個個提升使用體驗的“小細節”逐漸發展而來，借助專用的AI 硬件算力提升，我們也能越來越多的感受到這種分佈式AI 給我們日常生活帶來的一點點改變。