探访高通总部：未来AI计算应该发生在哪里？｜甲子光年

高通试图让通信网络从传输数据走向感知和计算。

作者｜苏霍伊

编辑｜王博

发自美国圣迭戈

在美国圣迭戈的高通总部园区，一架无人机飞上空中。

园区内的5G和6G研发测试平台利用无线信号追踪它的位置、方位和速度，再由AI判断空中的目标属于哪一类物体。

距离演示场不远，高通办公楼的屋顶上架着一套Giga-MIMO（超大规模多天线系统），这套设备距离CEO办公室上方大约30英尺。

高通的紧缩场天线测试暗室，左一设备为高通7 GHz Giga-MIMO射频单元。图片来源：「甲子光年」拍摄

这些都是「甲子光年」近期在高通总部园区的见闻。从大楼屋顶到园区上空，高通搭建了一套面向5G和6G的研发测试平台。它已经能够传输数据、感知周围环境，并利用AI处理感知结果。

这与人们熟悉的通信网络已经有所不同。

过去几代移动通信技术主要围绕连接展开：让更多设备以更快速度、更低时延接入网络，把数据从一个地方传到另一个地方。

从4G到5G，再到5G-A，网速已经足够快了，为什么还要打造6G呢？

“如果6G在网络中的作用仅仅是提供一条高效的比特管道，那行业对于6G的构建显然不够。”高通技术公司执行副总裁兼技术规划、边缘解决方案与数据中心业务总经理马德嘉（Durga Malladi）说。

在高通的设想中，未来的通信网络将分布着大量CPU和AI加速器。它们既处理无线通信任务，也可能运行AI模型。一个推理任务可以在手机上完成，可以被交给基站附近的边缘节点，也可以进入远端数据中心。

高通将自己的6G愿景概括为三大基石：连接、感知和高性能计算。连接仍是网络的基础，负责让设备接入并传递数据；感知让网络获得周围环境的信息；高性能计算则负责处理这些数据、运行AI模型，并作出判断。

三者结合后，通信网络的角色开始发生变化。它不仅传输数据，也可能在靠近用户的位置理解和处理数据。

近期，「甲子光年」在美国圣迭戈高通总部参访，并与高通技术公司执行副总裁兼技术规划、边缘解决方案与数据中心业务总经理马德嘉（Durga Malladi），高通工程技术高级副总裁、AI工程团队负责人侯纪磊，以及高通技术公司副总裁兼ADAS和机器人业务总经理Anshuman Saxena等人进行了对话。

马德嘉、侯纪磊、Anshuman Saxena（从图左到图右），图片来源：高通

这几场对话看似分别涉及6G、数据中心、端侧AI和机器人，但背后指向同一个问题：当手机、汽车、机器人、家庭设备、基站和数据中心都拥有AI算力，一项计算任务究竟应该在哪里发生？

1.所有AI都去云端，账单怎么算？

生成式AI兴起后，云端数据中心成为绝大多数AI任务的默认目的地。

一款应用收到用户请求，将数据传到云端；大模型在数据中心生成答案，再通过网络把结果传回手机或电脑。对于需要调用海量知识和复杂推理能力的任务，这仍是当前最有效的方式。

但随着AI从聊天工具变成持续运行的AI Agent，这套模式的成本问题开始显现。

“如果把所有的Token都花在数据中心和云端的话，需要更多地去考量成本因素。”侯纪磊说。

这笔成本来自多个环节。

首先是模型推理本身。Agent需要执行更长的任务，读取更多上下文，反复调用模型和工具。它运行的时间越长，消耗的Token越多。

其次是数据搬运。个人设备、汽车和机器人持续产生图像、语音、位置和传感器数据。如果这些数据全部传往远端数据中心，网络时延、能耗和带宽开销都会随之上升。

还有隐私。个人日程、企业文件、车辆信息和机器人采集的现场数据，未必适合离开本地环境。

云端承担所有AI计算，在技术上可以实现，经济性和使用体验却未必最优。

与此同时，终端也无法接住全部任务。

手机和PC适合处理个人信息、简单任务和低时延请求，但受到内存、功耗、散热和成本限制。大模型越复杂，持续运行给终端带来的压力越大。汽车和机器人面临类似问题。它们需要实时处理摄像头和传感器数据，许多判断不能等待云端返回。

Anshuman Saxena以机器人的抓取动作为例。当机械臂面对一个玻璃杯和一个柔软的塑料瓶时，需要判断物体材质和抓取力度。这部分智能要靠近机械臂和传感器，才能满足低时延和低功耗要求。跨度更长的动作规划，则可以交给机器人的中央“大脑”。

“我们不认为存在一颗能解决所有问题的芯片。”Saxena说。在他看来，机器人的智能需要分布在有执行器的地方，更靠近实际的感知端。

当云端太远、终端又太小，二者之间便会出现新的计算空间。

它可能是一台放在家里的AI设备，也可能是企业内部的服务器、基站旁边的加速卡或者运营商建设的区域计算节点。

侯纪磊透露，高通希望推出更加灵活的设备形态，面向家庭和小企业环境，目标是承载万亿级参数模型。这也是高通对AI计算架构的判断：未来的端云协同不会只有手机和数据中心两个端点，二者之间可能生长出多个计算层。

手机处理最即时、最私密的任务；家庭或企业设备运行更大的本地模型；网络边缘承接低时延和区域性计算；数据中心负责最复杂的推理和全局编排。

高通将这套多层架构称为“计算连续体”。

高通描绘的6G与AI协同架构，图片来源：「甲子光年」拍摄

这一概念也延伸到了芯片内部。

进入数据中心市场后，高通推出了高带宽计算（HBC，High Bandwidth Compute）技术。它把部分计算逻辑放到DRAM堆栈下方，让带宽消耗较大的运算尽量在内存附近完成。

在高通的整体叙事中，它和基站侧计算体现了相似的工程思路：减少数据搬运，让计算尽量靠近数据产生或存储的位置。

在芯片里，计算靠近内存；在机器人里，计算靠近传感器和执行器；在通信网络中，计算靠近用户和数据产生的位置。

问题由此落到了基站身上。

2.连接、感知和计算，在基站会合

今天的基站更像一个数据中转站。

手机发出的无线信号先抵达基站，经过编码、调制等处理，再进入运营商的核心网，最终到达互联网或云端数据中心。即使近年来通信网络不断云化，它的首要任务仍然是把数据稳定、快速地送到目的地。

高通希望在6G时代进一步加入感知和AI计算能力。由此，基站既可以处理更复杂的通信任务，也可以分析周围环境，未来还可能运行面向企业和用户的AI模型。

马德嘉认为，未来的基站网络需要同时处理两类工作：一类是无线通信，包括信号处理和通信协议；另一类是AI计算，包括模型推理和网络优化。

它们适合由不同的芯片完成。高性能CPU负责处理通信任务，GPU、NPU等AI加速器负责运行模型。根据任务对响应速度和算力的要求，这些计算资源可以放在基站附近，也可以部署在位置更加集中的运营商网络节点。

简单来说，未来的通信网络里可能会分布着许多大小不同的“计算站点”，它们共同构成一套从基站边缘延伸至数据中心的计算系统。

在数据中心一端，高通飞龙AI250机架级方案采用液冷，额定功率达到160千瓦；向网络边缘下沉，计算设备逐渐变成风冷服务器，最终可以缩小为插入DU侧商用服务器的风冷加速卡。

这意味着，原本集中在数据中心里的部分AI算力，未来可能进入运营商网络。

AI驱动的6G系统转型，图片来源：「甲子光年」拍摄

这些算力首先要解决通信网络自身的问题。

为了提高网络容量和覆盖能力，基站正在安装更多天线。5G基站通常采用32或64个无线收发通道；高通设想中的Giga-MIMO，则可能增加到128或256个通道，并配备上千个天线单元。

天线和收发通道越多，基站需要实时处理的信号也越复杂，其中涉及大量高维矩阵运算。马德嘉认为，GPU、NPU等AI加速器擅长处理这类任务，因此有可能进入未来的无线接入网。高通希望把数据中心的部分计算能力压缩到功耗更低的设备中，再部署到基站侧。

AI还可以参与网络管理。

目前，网络工程师需要在运营中心查看各项运行指标，识别故障并调整网络参数。高通设想的下一阶段，是先让AI充当网络工程师的助手：自动发现问题，分析原因，再提出调整建议。随着系统逐渐成熟，AI可以独立处理部分常见故障，工程师只负责复杂情况。

网络由此获得一定程度的自主运行能力。

感知技术则为这套系统提供了新的数据来源。

在高通总部园区，「甲子光年」看到了一项通感一体化演示：园区上空放飞一架无人机，测试平台利用无线信号追踪它的位置、方向和速度，再由AI判断空中的目标属于哪一类物体。

通感通感一体化演示：基站利用无线信号探测无人机，再由AI完成分类。图片来源：「甲子光年」拍摄

传统通信系统主要关心信号从哪里来、应该送到哪里；加入感知和AI后，网络还可以进一步判断周围发生了什么。

摄像头、无线信号和其他传感器采集的信息，可以被共同送入网络中的计算节点。AI对这些数据进行分析，结果既可以用于调整网络，也可以服务于公共安全、低空管理和工业数字孪生等场景。

高通试图把这一过程连接起来：连接负责传递数据，感知负责获取环境信息，计算负责理解数据并作出判断。

不过，往基站里增加算力，不得不面对功耗问题。

马德嘉以32通道射频系统为例估算，每个基站扇区的功耗大约为一千瓦。未来即使天线和无线收发通道继续增加，运营商也很难允许基站功耗同步大幅上升。这意味着，数据中心里的AI加速器无法直接搬进基站。部署在网络侧的芯片需要使用风冷散热，并在有限的电力条件下同时处理通信和AI任务。

但对高通来说，这是一道熟悉的工程题。

无论手机、PC、汽车还是机器人，都受到电池、散热和设备体积的限制。侯纪磊将高通在端侧和云侧研发AI芯片的共同目标概括为“每瓦特性能”——同样消耗一瓦电，尽可能完成更多计算。

高通技术公司工程技术高级副总裁庄思民（John Smee）则把它解释为一种工程哲学：技术的价值不能只看理论上能达到多高的性能，还要看它能否在真实的功耗、成本和设备条件下运行。

高通希望把长期积累的高能效计算能力，从手机和汽车扩展到机器人、基站和数据中心。这些设备的大小和性能相差很大，衡量它们的标准却逐渐趋于一致：完成一项任务，需要消耗多少电力、时间和资金。

如果基站侧的算力只用于优化网络，它主要帮助运营商提高效率、降低运维成本。

高通看到的另一种可能，是运营商在数据服务之外，将网络中的计算能力进一步转化为“算力即服务”或“Token即服务”，为消费者和企业应用提供更加灵活的AI推理部署选择。

6G AI原生定义，图片来源：「甲子光年」拍摄

走到这一步，基站及其周边网络的角色就发生了变化：它既负责传输数据，也开始在靠近用户的位置处理数据，成为云端与终端之间的计算节点。

3.让智能体决定计算位置

对消费者而言，一个任务具体运行在哪里或许并不重要。

“用户并不关心任务究竟是在设备端运行，还是在云端运行，他们只关注最终输出的结果。”马德嘉说。

高通给出的技术答案是，让智能体决定计算位置。

需要极快响应的任务，可以留在终端；需要联网搜索的任务进入云端；规模较大、涉及企业数据或者需要本地部署的任务，可以放在家庭设备、企业服务器或运营商边缘节点。

高通描绘的6G时代AI分布：AI智能体在云端、边缘和终端之间协同，按任务需求分配计算。图片来源：「甲子光年」拍摄

这种调度至少涉及四个变量：时延、隐私、能耗和成本。

但“由智能体决定”仍然只是一个技术层面的回答。进入真实产业环境后，还需要追问：智能体由谁控制？

手机操作系统、模型厂商、云服务商、运营商和终端厂商，都可能参与任务分配。它们会根据各自的算力成本、数据权限和商业利益，为同一个任务选择不同的路径。

如果一个手机智能体可以调用本地模型、运营商边缘模型和公有云模型，谁来决定调用顺序？不同平台之间如何结算？用户数据可以在哪些节点被读取？运营商又能看到多少内容？

任务调度的背后，是Token收入、用户数据和平台控制权的重新分配。

对运营商而言，这也是AI原生6G能否成立的关键。

从5G到5G-A，再到6G，运营商面对的问题很直接：为什么还要升级网络？

今年4月，马德嘉与多家中国运营商进行了交流。他的观察是，运营商希望把业务范围从单纯提供数据服务向计算领域扩展。他认为，运营商可以在数据服务之外，进一步提供算力服务和Token服务。

中国运营商已经开始在云和算力平台上探索Token运营。5月8日，中国移动在2026移动云大会上发布Token运营生态体系；其2026年半年报显示，中国移动正在建设“Token工厂”、丰富Token产品体系，并已在多地开展试点。

如果运营商建设了一张具备AI能力的网络，它可以继续销售连接和流量，也可以利用网络中的CPU和AI加速器提供推理服务。企业可以把专有模型部署在运营商边缘节点，机器人和汽车可以获得低时延计算，部分数据无需进入远端公有云。

高通认为，AI的价值在边缘创造。图片来源：「甲子光年」拍摄

对运营商来说，这套模式提供了新的收入想象。

不过，运营商能否依托基站和通信网络边缘的分布式算力，把Token服务发展为一项规模化收入来源，目前仍有待验证。

运营商需要证明，网络边缘生成Token在成本、时延或数据安全上拥有足够明显的优势。企业也需要判断，它们是否愿意从运营商采购AI服务，还是继续选择云厂商和本地服务器。

5G-A网络已经可以承载相当一部分边缘计算。国内运营商也已经开始讨论Token经营。即使这套商业模式最终成立，也可能先在5G-A阶段出现，不必等到2029年6G商用。

3GPP在2026年6月确定6G首个版本的时间表，图片来源：「甲子光年」拍摄

这反过来构成了一次提前验证：如果运营商在现有网络中无法建立算力和Token业务，6G本身也不会自动解决商业问题。

高通对此保持了克制。

马德嘉表示，高通不会试图说服每一家运营商采用这套模式。高通可以解释计算网络可能带来的价值，运营商仍要根据用户基础、网络条件和业务结构作出决定。

这也是分布式计算时代协作的变化。

在3G、4G和5G时代，高通通过核心技术创新、标准贡献和专利积累推动产业发展。进入分布式AI计算后，产业参与者持续增加：存储厂商是否支持HBC，运营商是否建设网络算力，模型厂商是否适配边缘平台，终端厂商是否开放智能体接口，企业是否愿意把模型部署到运营商网络。

计算连续体横跨的层级越多，协作链条也越长。

在庄思民工作的那栋办公楼下，一块牌子写着高通从早期CDMA时代流传下来的话：“If it isn't tested, it doesn’t work.（未经测试验证，就不算真正可用。）”

高通已经开始测试一张能够感知和计算的网络。下一阶段的重点，将从技术验证逐步延伸到产业应用，进一步明确哪些场景最需要网络侧算力，以及如何释放其商业价值。

（封面图来源：高通）