🤖 AI 资讯

IT之家 9 月 24 日消息，夏威夷时间 9 月 22 日 9 点（北京时间 9 月 23 日 3 点）召开的 2026 骁龙峰会主题演讲结束后，高通公司高级副总裁兼手机业务总经理克里斯 · 帕特里克（Chris Patrick）在内的诸多高通高管接受了IT之家等媒体采访。

在本次媒体群访中，出席的高通高管有以下几位：

• 高通技术公司高级副总裁兼手机业务总经理 Chris Patrick

• 高通技术公司产品管理副总裁 Judd Heape

• 高通技术公司产品管理副总裁 Vinesh Sukumar

• 高通技术公司产品管理总监 Amandeep Dhaliwa

• 高通技术公司 CPU 产品管理高级总监 Manju Varma

• 高通技术公司高级副总裁兼旗舰移动平台总经理 Dino Bekis

问：第一个问题，第六代骁龙 8 至尊版和超级至尊版的 GPU，在硬件上有什么具体区别？能详细讲讲吗？另外，频率是否一致？第二个问题，这一代 8 Elite 有两款，还会有非 Elite 的第六代骁龙 8 吗？还是以后都会走双 Elite 路线？是否依旧会有非 Elite 的 8 系列？

答：

今年，我们首次对骁龙 8 至尊版产品组合进行了进一步细分，推出两个不同的 SKU，也就是两款骁龙 8 至尊版平台。

其中，定位更高的第六代骁龙 8 超级至尊版，重点引入了一系列新兴能力。例如，它支持 VVC 编解码技术，稍后还会进一步谈到。它还支持 LPDDR6。

此外，第六代骁龙 8 超级至尊版还支持更多 AI 能力。并且采用了一种全新的、针对散热进行优化的 Offset PoP 封装，这也是第六代骁龙 8 超级至尊版所独有的。

我们的初衷，是先打造一款出色的平台，作为第五代骁龙 8 至尊版真正的继任者，也就是第六代骁龙 8 至尊版。

在此基础上，我们打造了第六代骁龙 8 超级至尊版，通过加入更多全新的前沿能力，以全新方式引领行业发展。

从影像角度，我简单介绍一下第六代骁龙 8 至尊版和第六代骁龙 8 超级至尊版之间的区别。只有超级至尊版支持用于专业视频拍摄的 APV 专业视频编解码器；同时，8K 60fps 视频拍摄和 4K 240fps 超级慢动作视频拍摄也只有超级至尊版支持。

正如 Chris 提到的，也只有超级至尊版支持 VVC 解码。除此之外，两款平台在影像方面的能力基本相同。

刚才还有一个关于频率的问题。实际上，这两款平台的共同点多于差异。比如，两者采用相同的 CPU 架构、实现方式和频率；两者也采用相同的 GPU 架构和实现方式，仅在部分规格上有所差异。

接下来的问题是，第六代骁龙 8 系未来是否还会推出非至尊版的产品，我们始终会从整个行业发展和需求出发，评估需要重点投入哪些产品层级，以及哪些产品层级能够带来最大的影响，希望大家可以持续关注。

问：我有两个问题。第一个问题是，第六代骁龙 8 超级至尊版的 CPU 主频首次达到 5GHz。不过，目前许多 AI 工作负载对时延的敏感度正在降低，对吞吐量则更为敏感。您认为 CPU 时延目前仍是主要瓶颈吗？哪些具体用例能够真正受益于 5GHz 的 CPU 主频？第二个问题是，安蒙今天上午提到了 HBC 没有展开介绍。我们是否可以将其理解为一种近存计算架构，类似于英伟达 GPU 所采用的 HBM 理念？

答：

好的，我先回答第一个关于 CPU 的问题。我们的 Qualcomm Oryon CPU 是首个最高主频达到 5GHz 的移动 CPU。

不过，在设计 CPU 时，我们关注的不只是时钟频率，还包括 CPU 在实际工作负载下的 IPC 表现。我们的缓存层级设计也着重提升实际工作负载下的响应速度。

因此，在设计 CPU 时，我们也充分考虑了智能体 AI 工作负载的需求。时钟频率是提升响应速度的关键因素之一，因为智能体 AI 工作负载需要快速完成任务规划，同时还要确保任务能够在 CPU、NPU 和 GPU 之间高效切换与协同。

我们的 CPU 正是基于这些需求进行设计，以更好地应对如今的智能体 AI 工作负载。

第二个问题是关于 HBC。我们介绍了这个产品概念，但目前还没有具体的产品发布。正如你所说，如果能扩大处理器可用的带宽，我们就有机会在边缘侧 AI 上实现一些非常重要的突破。

因为，许多 AI 工作负载都受限于带宽和数据传输。因此，目前分享的概念是：如果能够让内存与处理器进行协同设计，就可能为 AI 带来一些非常特别的能力。但现阶段仍只是一个概念，更多细节将于后续公布。

再补充一点。我们与生态合作伙伴以及全球多个地区的前沿 AI 实验室保持着良好合作，他们一直在向我们提出新的挑战，例如如何进一步降低端到端时延，以及如何更好地支持多模态上下文生成。

面对这些越来越复杂的需求，关键在于如何跳出既有思路，在边缘侧解决这些挑战。目前 HBC 还只是一个概念方向。我们只是提前分享了一些思考。而正如 Cristiano 提到的，预计到 MWC，大家还会看到更多消息。

问：我想问一个关于旗舰级 SoC 竞争态势的问题。今年整个旗舰级 SoC 的进步都非常大，尤其是你们最关键的竞争对手。目前双方产品的差异化主要体现在哪里？对于消费者体验更关键的因素，高通在哪些方面更占优势？

答：

对于友商的产品我们不便进行评论。我们对自己在高通所做的工作感到自豪。我认为，高通在研发深度以及内部自主设计的技术数量方面，在行业中具有独特性。

我们拥有定制的 CPU，针对消费者需要的应用和使用场景打造；我们的 GPU 技术也是自主设计的，完全定制。AI 技术同样基于数十年的研发和积淀。

例如，今天我们介绍了 Adreno Neural Fusion 架构和系统，这里面的各个组件经过协同设计，最终实现了出色的游戏画质、保真度、分辨率和帧率，同时借助 AI 能力与图形管线的融合，在低功耗下实现这些效果。这种能力只有在各项技术协同设计的前提下才能实现，而这正是高通的核心优势。

问：我这边会有一个问题是关于小米与高通关系。我们都知道，小米自己也有在研发自己的芯片，那同时它的旗舰产品也有在用高通的芯片。那我们会想知道，小米玄戒 O3 的进步，会不会影响到它与高通之间的关系？现在小米与高通的关系是类似于是竞争呢，还是说双方之间会分享一些芯片开发中的经验？

答：

高通与小米之间保持着紧密的合作关系，我们的合作覆盖多个产品领域，包括平板、手机和汽车等，并且还在持续深化。客户拥有自研 SoC 的情况并不罕见。

回顾高通的发展历史，很多与我们合作的公司同时也拥有自己的自研 SoC。这更多是出于技术战略和技术能力展示的考虑，同时也希望针对一部分特定应用进行更深度的定制。

总体而言，我们非常高兴能够与小米保持深度合作，也很高兴今天能够与小米同台；对于未来的合作，我们同样期待。

问：今天这一代的超级至尊版，它堆叠了很多技术，但我们也了解，它其实推高了整个晶圆的成本。那我想知道的就是说在这个整个手机市场大盘比较趋缓的时候，你怎么去游说你的这些利润变薄的手机厂商去采购这个高溢价的 AI 芯片，这是第一个问题。

答：

如果看任何一家 OEM 厂商的产品组合，通常都会有标准版、Pro 和 Ultra ；在整个产品线中，不同机型对应不同价位，也具备不同的性能配置。

以影像为例。定位最高的机型通常会配备极其精密的变焦和高分辨率镜头，以及协同工作的多传感器阵列。

而在入门级或标准机型上，厂商可能会更侧重于打造差异化的用户体验。毕竟，手机产品本身就涵盖非常丰富的层级。

例如，有的客户希望终端针对 4K 30 帧进行优化，按相应方式控制成本；另一些客户则愿意增加投入，支持 4K 60 帧，获得完整的最高规格能力。

我们提供多个层级，就是为了支持 OEM 定制产品能力和成本结构，匹配自身需求，从而为终端用户带来真正有价值的体验。

问：今天上午的演讲可以看到，无论是 CPU、GPU 还是 NPU，都有了更大的内存。系统级内存是不是也同时增大了？有了更强的 CPU、GPU 和 NPU 的 AI 性能之后，如何从系统层面把它们更好地协同起来，让整个 SoC 的性能更好？这包括硬件之间的调度，以及软件层面的工作。

答：

正如之前提到的，手机 AI 经历了从感知、生成式到智能体 AI 工作负载的演进。而智能体 AI 工作负载本身，也在发生从基于指令的模型到基于推理的模型的转变。

当转向基于推理的模型后，模型本身的规模本身非常大，比较典型的就是混合专家（MoE）模型。

MoE 模型的计算开销较高，需要把激活值保存在本地。如果把它们放在 SDRAM 中，再从 SDRAM 搬运到本地计算资源，会导致功耗提升。

正因如此，我们显著增加了与 Hexagon NPU 紧密耦合的 SRAM 本地内存容量，以支持更高的激活值存储，并暂存这些数学运算过程中的中间数据。

关于第二个问题，按我的理解，在设计这类系统时，我们始终会从端到端的软件赋能去考量，寻找提升服务质量、提升效率，并支持更大规模的模型的机会。

基于这个思路，我们对内存模块做了分区设计；软件层面也会做适配，以此实现最优的每瓦性能（或者说每焦耳输出的词元数），在 HDP 上尤其如此。

我就 GPU 这部分再补充一点。大家应该还记得，此前我们引入了 Adreno 独立高速显存（HPM），今年，我们又在 GPU 中加入了 Matrix Cores。

对于神经网络渲染、超级分辨率、帧生成这类先进工作负载，渲染管线必须与 GPU 紧密结合，因此内存就成为其中的关键一环。

以 Adreno Neural Fusion 为例，它是一个多卷积模型，卷积运算的输出会存储在 HPM 中，完全无需访问 DDR，从而在游戏过程中进一步提升能效。

所以，回到 Vinesh 刚才谈到的内容：从内存的角度看，一方面是平台层面的整体考量，另一方面是面向具体用例的优化,HPM 就是这类针对用例优化的好例子。

问：今天骁龙发布的全新平台在底层架构上实现了诸多创新，为终端厂商和软件生态提供了强大的底层能力。请问高通在生态方面会增加哪些投入？在软件栈方面是否会提供更多工具？针对中国市场，在模型和应用开发者支持方面又会有哪些投入？

答：

举个例子，借助 Matrix Cores，开发者可以通过 llama.cpp 这类标准框架来调用它们，运行常规的 AI 工作负载；此外还有通过 Vulkan 提供的扩展，开发者也可以借此进行调用。

另外，在性能分析工具方面，我们也在持续增强 Snapdragon Profiler 的相关能力。因此从工具的角度看，开发者可以使用 Snapdragon Profiler，查看开启与未开启 Adreno Neural Fusion 时不同的渲染帧，并在此基础上开展大量的工作与开发。

我也从 AI 的角度补充几点。在 AI 领域，我们与中国合作伙伴的关系逐年深化。起初，我们与大多数独立软件供应商（ISV）建立了深度合作；在此基础上，我们也开始与阿里等这些前沿的 AI 实验室紧密协作。

我们与他们保持合作，能够较早接触到 Qwen 3、Qwen 3.5 和 Qwen 3.8 等模型，并努力推动这些模型在高通芯片上实现完整的 Day 0 支持，尤其是在阿里生态相关模型方面。

同样，随着向智能体工作流演进，我们也需要支持 MoE 模型。Chris 今天在交流中提到了那个推理演示。

我们与一家中国生态合作伙伴建立了非常紧密的合作，对方得以展示自身的能力，我们也很快完成了集成。

这样的合作也在随着时间不断扩展。而且，合作对象已不只是传统的 ISV。我们此前聚焦于检测、分类和分割，这些固然很重要，但我们也开始与一批伙伴展开合作，他们高度专注于智能体方向，以及用生成式 AI 生成合成数据。

最后同样重要的一点是，我们也在扩展工具和性能分析子系统，让许多生态合作伙伴能够独立开展工作，自行查找瓶颈所在，尤其是在带宽优化和算力优化方面。

这方面的能力同样通过高通 AI 软件栈得到了增强，所有人都完全可以使用，通过高通开发者网站下载即可。

我再补充一点。在考虑开发者、考虑如何让这个平台的能力真正被调动起来时，我们主要从两个方面来看。

一方面，我们希望确保平台确实是为终端用户和那些将为平台增值的人而设计的。举个例子，刚才有一个问题问到，我们如何协调 CPU、GPU 和 NPU 之间的工作。答案其实是, 我们之所以有多个 AI 引擎，一定程度上正是因为存在多个不同的开发者生态。

比如，以游戏为核心的开发者，希望 AI 能力内嵌在 GPU 之中；一些基于 CPU 的开发者，希望 AI 与 CPU 深度绑定；还有一些开发者，希望使用大规模、高性能的中央 NPU 能力。因此，面向这些不同的开发者，我们尽可能让各类软件生态都能便捷地使用我们的平台。

另一方面，无论在中国还是在全球，我们都开展了非常活跃的合作伙伴项目，与关键技术厂商合作，把他们的技术引入我们的平台，并提供给 OEM 厂商使用。影像技术尤其如此，在这一领域，我们与整个生态建立了非常深入的合作。

我认为在任何技术生态系统中，影像领域的 ISV（独立软件开发商）合作关系可能是最丰富的，尤其是在中国。

我们已经加大了相关支持力度，不仅帮助 OEM 厂商，也帮助当地的 ISV，而且成效已经显现。如果大家今天晚些时候或者本周去演示区看看，就会看到大量来自中国的 ISV 和合作伙伴带来的影像和视频方面的技术演示。

问：大家好，我有两个问题，过去的计算产业的价值是围绕着设备和芯片分布的，但是现在 Agent 成为计算主体了，计算也开始围绕着 Agent 动态的调整分布式的计算资源。那我的问题是，您觉得未来的异构计算还是应该以 SoC 为边界吗，还是说这种 agentic 的方式会催生出一种新的算法和计算架构或者去改变我们现在理解的一种计算形式？

答：

本质上来说，你是对的 —— 智能体可能确实属于更上层的架构，不管是从行业标准层面看，还是从 OEM 厂商层面看。但在我看来，SoC 之所以仍然是整个解决方案的核心，有一个非常突出的原因：我们必须解决一系列非常基础的问题。

比如，计算到底在哪里运行？如何路由选中模型？传感器中枢如何协同所有这些不同的传感器输入？内存和情景信息如何管理？功耗如何优化？如何实现安全的跨设备通信？以及最终如何决策 —— 哪些数据留在端侧处理，哪些需要上传到云端？所以我认为，在智能体时代，SoC 的价值和重要性，它的架构, 我们做出的这些选择反而变得更加关键了。

问：第二个问题就是，我们今天已经可以在端侧上跑很大的后端模型了，然后也有了 Agent，也有了持续性理解用户的能力。那为什么现在我们理想中的 AI phone 还没有出现？你觉得当前的一些技术瓶颈在哪里？然后到了 2026 年，你觉得像 AI phone 这样的形态产品应该真正向消费者传递的一些核心的变化和体验应该是什么？谢谢。

答：

我认为，当我们讨论 AI 手机时，核心问题始终是：你到底想解决什么样的问题？你是想解决某个特定的时延挑战？还是想确保有一组合适的模型能够部署在边缘侧，从而真正带来你所期望的体验？

我认为，过去几个月 —— 或者说过去一年 —— 小模型领域取得了巨大进步。我们已经从 30 亿参数的稠密模型，发展到能够支持 300 亿参数级的 MoE 模型。

在此之前，并没有成熟的技术能够支持这类 MoE 模型在终端侧运行，而现在我们已经具备了这样的能力。

智能体体验还需要一类能够快速判断、即时响应并采取行动的模型。这类能力在过去是不具备的。

所以我认为，纵观模型能力的演进、系统概念能力的演进、算法的演进，现在我们已经拥有了大量的基础构建模块。我相信我们的大多数生态合作伙伴将会利用这些基础能力，催生出大量创新应用 —— 而这在过去是无法实现的。

此前行业虽然大力推动，但最终落地效果并不理想。我期待随着高通在生态系统中赋能这些重大创新，未来我们将看到更多智能体形态涌现。