NE时代

WAIC现场，超节点、万卡集群和大模型仍然占据着最显眼的位置。安谋科技却把这场AI前瞻会的重点放在了另一类设备上：摄像头、门锁、机器人、AI PC、工业网关和边缘服务器。

这些设备离用户更近，也更早触碰到真实世界，却没有数据中心那样充足的电力、内存和散热条件。它们需要快速响应，许多数据又不能上传云端。当AI离开服务器，进入汽车、工厂和家庭，芯片厂商面对的已经不是把模型缩小这么简单，而是如何重新组织计算、存储、视频和系统软件。

安谋科技在WAIC 2026给出的答案由四部分组成：“星辰”CPU IP与Ethos NPU负责端侧计算，“周易”NPU IP面向更复杂的智能体负载，“玲珑”VPU IP改造机器视觉的数据入口，开源AIOS联盟则联合产业伙伴共同定义新一代AI产品的系统底座与交互范式，让硬件算力在真实场景中真正被用起来。这些背后有一个共同判断：边端AI正在形成独立于云端AI的计算体系。

01.

AI走出云端，首先撞上端侧的硬约束

过去几年，大模型能力往往与参数规模绑定。模型越大，对显存、带宽和算力的要求越高，推理任务也更依赖数据中心。随着算法、量化和模型压缩技术进步，一批规模更小的模型开始获得可用的推理能力，过去只能部署在服务器上的部分任务，因此有机会进入端侧芯片。

这为AIoT带来了新的含义。传统IoT设备负责采集和传输数据，计算通常发生在云端。具备本地AI能力后，设备开始理解声音、图像和周围环境，并根据结果作出判断。朱晓鸣在演讲中将这种变化概括为：“IoT连接万物，AIoT认知万物。”

朱晓鸣安谋科技“星辰”CPU产品线产品负责人

本地计算的价值很直接。摄像头产生的视频、可穿戴设备采集的健康信息、机器人获取的环境数据，都具有较强的隐私属性。将所有信息上传云端，不但增加传输成本，也会受到网络延迟和连接稳定性的影响。对于门锁、工业控制和机器人避障等任务，几秒钟的等待已经失去意义。

端侧AI的困难同样来自这些设备本身。用户希望它们持续在线、理解更多上下文、运行更复杂的模型，但电池容量、散热条件、内存带宽和芯片成本都有明确上限。云端可以增加计算卡，端侧设备很少有这样的余地。

安谋科技提出了三条技术路径：在CPU中增加向量和张量处理能力，引入通用型小算力NPU，以及针对特定算法探索SRAM存内计算。其现阶段重点落在前两条路径上。

Helium指令集负责加强Cortex-M和“星辰”CPU的向量处理能力，使CPU能够更高效地运行音频、DSP和轻量机器学习任务。遇到矩阵计算、实时视觉等更重的负载，Ethos NPU再接管CPU不擅长的部分。按照现场公布的数据，Ethos系列覆盖64 GOPS至4 TOPS，重点考虑面积和能效，而非追求服务器级峰值算力。

现场展示的“星辰300”原型平台把STAR CPU与Ethos U55 NPU集成在一起，运行了人脸检测等六个案例。单颗CPU也可以完成简单检测，但加入NPU后，系统能够处理更多目标和更复杂的实时任务。这个演示传达的产品逻辑很清楚：端侧AI不会由一颗全能芯片包办，CPU、NPU和存储系统需要根据负载分工。

因此，端侧AI比拼的并不是谁能把最大的模型塞进设备，而是谁能在有限功耗下完成足够有价值的任务。

02.

智能体兴起，NPU的衡量标准不再只有TOPS

CPU与轻量NPU解决了AI能否在端侧运行的问题。Agentic AI带来的持续感知、上下文记忆和多轮行动，对计算底座提出了更复杂的要求。

过去的云端AI主要采用单次交互：用户提出问题，模型完成计算，然后返回答案。智能体需要反复读取环境信息，保存上下文，拆解目标，调用工具，并根据结果调整下一步动作。对话不再是一次性请求，模型也不再是被动等待调用的工具。

负载差异随之扩大。代码任务会产生大量Token，对Prompt和KV Cache提出更高要求；语音助手与角色互动强调低延迟；翻译等标准化任务更看重成本。把场景扩大到手机、机器人、工业设备和边缘服务器后，功耗、并发、可靠性和功能安全又形成了新的约束。

在这种情况下，TOPS只能描述NPU的理论计算能力，无法说明它在具体产品中的表现。安谋科技把评价重点放在系统效率、场景适配能力和部署成本上，并据此规划“周易”X3-Pro架构。

X3-Pro采用统一、分层、场景化的设计。上层软件、指令集和硬件接口保持统一，客户可以复用已有的模型适配和调优工作；底层硬件则根据产品需求调整，低功耗设备、通用终端和高算力边缘节点可以采用不同规模的计算核心、内存层次和集群配置。安谋科技还计划把存算一体及非冯诺依曼架构纳入后续演进。

这套思路被概括为“一次适配，多芯复用；面向场景，灵活配置”。它试图解决边端芯片长期存在的矛盾：开发者希望软件环境稳定，设备厂商却需要根据成本、功耗和产品形态定制硬件。

X3-Pro目前仍属于在研和待发布架构。它能否兑现“一次适配”的承诺，取决于编译器、模型转换工具、算子支持和调优工具是否成熟。对芯片客户来说，减少软件迁移成本的价值，往往比增加一项纸面性能指标更实际。

“周易”NPU IP的变化也说明，边端AI竞争正在从算力指标竞争进入部署效率竞争。

03.

视频开始“给机器看”，VPU进入AI计算链条

机器人、自动驾驶和智能摄像头要理解物理世界，视频是最重要的数据来源之一。AI成为视频数据的使用者后，传统编码方法的优化目标也需要改变。

过去的视频压缩主要服务人眼。编码器在降低码率的同时，尽量避免出现人眼可见的模糊、块效应和色彩失真。但机器关注的内容不同。模型进行目标检测、轨迹追踪或动作识别时，需要保留轮廓、纹理和运动信息。某些压缩损失在人眼看来并不明显，却可能降低模型的判断精度。

安谋科技据此提出“面向机器的视频压缩”。“玲珑”VPU IP不再只追求主观画质和码率之间的平衡，还要考虑压缩结果能否帮助AI完成具体任务。

已经发布的“峨眉”VPU IP加入了轻量AI算子。系统在编码前进行浅层图像处理和语义分析，再根据航拍、游戏或监控等不同内容调整编码策略。计划于2027年初发布的“武当”将在此基础上支持8K 30fps、YUV422和Raw Data压缩。安谋科技称，其芯片面积可缩减40%，并将面向专业摄像、机器人和AI训练等场景。

更值得关注的是下一阶段的端到端方案。安谋科技正在把前置神经网络、虚拟编码器和具体AI任务放在一起训练，让编码器学习哪些信息应当保留。部署时，前置网络与VPU耦合，压缩过程直接服务目标追踪或动作识别。

按照现场披露的研发结果，这套方案在相关任务中获得了10%以上的编码质量提升，压缩质量开始包含机器任务精度。

这也扩大了VPU在芯片系统中的角色。它过去属于多媒体模块，如今开始参与AI数据的准备过程。对于需要长时间采集视频的机器人和边缘设备，减少无效数据、保留任务相关特征，既能降低存储和传输成本，也可能改善后续推理效果。

04.

AIOS补上系统层，安谋科技从IP走向平台

CPU、NPU和VPU提供了计算与感知能力，但它们不会自动组成一台可用的AI设备。模型怎样选择本地或云端运行，智能体怎样保存记忆，摄像头和麦克风的数据如何流转，自动执行的动作又该受到哪些权限限制，这些问题需要系统软件处理。

安谋科技发起开源AIOS联盟，正是为了补上这一层。

传统操作系统主要管理硬件资源和应用程序。AIOS需要进一步管理模型、上下文和任务。它要处理生成式界面、自然语音和持续感知，也要支持工具调用、任务拆解和循环执行。当用户提出一个复杂目标时，系统需要把它转化为若干可执行步骤，并在运行过程中控制智能体的权限边界。

在安谋科技公布的架构中，模型引擎负责本地推理和端云路由；Agent引擎处理多轮工具调用和任务编排；记忆系统管理长短期记忆、上下文与隐私；DataFlow引擎负责视频、音频和文本等实时数据流。

DataFlow尤其适合观察具身智能的工程难题。机器人需要同时接收摄像头、麦克风和传感器数据，再把结果送到CPU、NPU及控制单元。如果数据在不同模块之间反复复制，系统的延迟和功耗都会上升。AIOS希望利用零拷贝等机制管理异构数据流，让感知、推理和动作形成连续链路。

开源AIOS联盟的计划也超出了操作系统代码本身。安谋科技准备开放JishuShell、知识库产品、端侧模型Benchmark以及部分模型研究成果。JishuShell表面上是命令行工具，背后则包含应用安装、AI服务管理、任务编排和虚拟化运行等能力。公司还计划测试本地模型在长时任务和Agent场景中的实际表现，判断它们在多大程度上能够替代云端API。

这暴露出安谋科技更长远的意图。它仍然以芯片IP为基础，但业务边界正在向软件接口、评测工具和开发者社区延伸。CPU、NPU和VPU解决单个模块的问题，AIOS则决定这些模块能否形成统一的产品体验。

联盟的难点同样具体。开源项目需要长期维护，软硬件接口需要合作伙伴共同接受，模型和设备厂商还要形成稳定的适配机制。发布一个架构图并不困难，让它进入量产设备、支撑真实用户长期使用，才是检验AIOS的标准。

总结.

WAIC展馆里的超节点展示了AI算力可以达到多高，安谋科技关注的是算力下沉后如何真正发挥作用。“星辰”CPU IP、“周易”NPU IP、“玲珑”VPU IP和AIOS联盟共同描出了一套边端智能底座：计算单元处理不同负载，视频模块准备机器需要的数据，系统软件把感知、推理和行动连接起来。

其中不少产品仍处于研发或待发布阶段，最终表现要看工具链、客户量产进度和开源社区的参与程度。但这场发布会至少给出了一个明确方向：端侧AI已经越过单纯展示模型能力的阶段，开始进入围绕功耗、数据和产品体验展开的工程化竞争。