行业或公司 * 苹果公司 [1] * 英特尔公司 [8] * 高通公司 [9] * 微软公司 [7] 核心观点和论据 * 苹果在 AI 赋能端侧设备方面取得了显著进展，预计 iOS 16 和 iPhone 17 将带来软硬件革新，提升效率为主，追求"小而美" [1][2]。 * AI 赋能端侧设备具有低延迟、个性化应用、隐私与安全、成本效益等优势，终端设备算力节省云计算资源，经济效益更高 [3][4]。 * 手机和 PC 是最适合进行 AI 应用开发的平台，规模大、软硬件生态成熟、使用场景丰富 [5]。 * 各大品牌在推进端测 AI 方面采取了多项措施，例如推出定位于端测 AI 的设备，集成大量本地大模型 [6]。 * 芯片技术是端测 AI 算力的重要基础，独立 NPU 成为趋势，ARM 架构逐渐成为 PC 处理器市场的重要路线 [7][8][9]。 * 苹果、英特尔和高通在芯片领域都取得了重大进展，NPU 算力大幅提升，ARM 架构性能提升显著 [8][9]。 * NPU 在现代计算设备中扮演着重要角色，擅长标量、向量和张量数学计算，适合持续运行的泛在性 AI 任务 [10]。 * ARM 架构重新受到市场关注，主要因素包括苹果刺激、技术路线成功、端侧 AI 需求增加 [11]。 * 微软加快对 ARM 架构的推进力度，主要原因是消费端影响力提升 [12]。 * 存内计算和净存计算对 PC 市场具有重大影响，降低延迟、提升传输速率并减少整体功耗 [13][14]。 * 苹果最新发布的 M3 系列芯片展示了显著的性能优势，支持高达 128GB 内存，带宽可达到 400GB/s [15]。 * 存储需求增长对市场有重大影响，预计未来两年内存和闪存在容量上至少增长 50%，甚至接近翻倍 [16]。 * 存储价格回升主要依赖于控制产能利用率，但从 2024 年开始，下游需求拉动将成为主要驱动力 [17]。 其他重要内容 * 各大系统厂商都在积极推动其生态系统中的 AI 发展，例如微软 Surface PC 集成多个本地大模型，苹果不断更新 iOS 操作系统，谷歌在安卓系统中加入更多支持机器学习的 API 接口 [7]。 * NPU 在处理 AI 任务时具有显著能效优势，以 NPU 耗电量为 1 的话，GPU 耗电量约为 2.6，而 CPU 则约为 7.8 [10]。 * ARM 转向 x86 架构并非一朝一夕能够完成，生态系统的转移需要时间 [11]。