由ChatGPT引領的生成式AI大模型風潮已經席卷全球，人類社會從未像現在這樣離AI世界如此之近，AI也有史以來真正走進了用戶的多個生活場景。

(相關資料圖)

作為連接多個生活場景、硬件消費市場、信息消費市場、基礎通信和互聯網應用的樞紐，智能終端在AI大模型時代將扮演何種角色引發行業熱切關注，大模型要不要裝在手機里？生成式AI引入，將催生終端側怎樣的革命性變革？終端AI的未來，大模型與手機：顛覆還是相容？

大模型輕量化移動化、由云向端是產業趨勢

從今年四、五月份開始，大模型從云到端邁進的產業趨勢就已明確。

4月份，微軟正式開源DeepSpeedChat訓練模型，Meta開源LLaMA，在AI開發者中快速興起基于LLaMA的訓練風潮，加速Lora等訓練方法的滲透，Deepspeed與Lora模型給中小開發者提供了低成本，快速訓練專屬于自己的小模型的完整工具，大模型梯度分布的格局加速建立。與此同時，知名華人AI研究者陳天奇牽頭開發出能在各類硬件上原生部署任意大型語言模型的MLC-LLM解決方案，可將大模型應用于移動端（例如 iPhone）、消費級電腦端和Web瀏覽器，MLC-LLM為中小開發者在算力較低的環境或者邊緣進行模型的推理搭建了基礎。這三大工具，形成了最初大模型走向邊緣的“基建雛形”。

5月份，谷歌發布了適用邊緣的大模型PaLM2（打通從云到邊的AI全鏈路，輕量版Gecko可以在手機上運行，一個更小但具有更高質量的模型顯著提高了推理效率，降低了服務成本，并使模型的下游應用程序適合于更多的應用程序和用戶，使AI邊緣部署成為可能）是一個重要里程碑，此前大模型在邊端的應用主要通過API接口調用，模型本身的訓練和推理仍在云端進行，對邊緣側終端以及芯片更新沒有太大需求。輕量化模型可以降低邊緣側模型部署成本，使AI模型離線應用成為可能，從而提供定制化、低時延、高安全性與隱私性的下游應用，開拓AI模型在邊緣側推理的場景，將終端AI發展進程往前大大推進了一步。一個離線的，永遠在線的大語言模型將為用戶體驗開辟全新途徑。同時谷歌還發布了AI+安卓、AI+邊緣設備（主要是可穿戴設備）以及AI+安卓App的Demo和專業為安卓開發程序的機器人Studio Bot，建立基于安卓的邊緣AI生態雛形?？蚣苌?，谷歌把大模型做到移動端、邊緣側，這是一個趨勢的開始，由此開啟了從云到端的終端交互革命。同期國內廠商在邊緣AI大模型上也加速布局，如阿里通義+天貓精靈智能音箱、百度文心+小度靈機、中科創達Ruki，華為、vivo、小米等也加快了端側大模型的研發投入，越來越多的巨頭開始往終端去走。

生態上，隨后iPhone體系下的 ChatGPT App 正式上線則是大模型走入終端的另一個重要標志。大模型作為AI時代的終極操作系統，ChatGPT超級APP只是第一步，智能手機作為交互最為頻繁、剛需應用最多的終端，天然具備海量交互數據的入口，能為大模型升華提供源源不斷的“動力”，而在手機設備終端直接運行大語言模型的主要好處在于能夠在保護用戶隱私的情況下給用戶帶來個性化的體驗，因此，大模型與終端的融合是必然。從五月份開始，生成式AI由云向端的邁進不斷加速，以大模型為入口向終端應用擴散。

綜上，我們看到，除了開源社區和前沿學者正在不斷加速模型邊緣推理及終端部署的探索，越來越多的大廠也加入到了布局邊緣-終端大模型的新一輪“軍備競賽”中來，隨著兩方的共同努力，已經可以實現對大模型進行量化、剪枝、蒸餾，輕量化、小型化以適應移動端場景，并結合稀疏計算等方式降低對邊緣端側算力需求，在終端上跑起來，在邊緣側發揮價值和作用。目前，開源社區已經可以把Llama大語言模型能夠運行在安卓手機CPU上，回答一個問題大約需要5-10秒的時間。

與此同時，在硬件側，高通通過與其芯片配套的全棧AI優化方案（模型壓縮技術）顯著的降低了運行時延和能耗，從而實現了模型在手機算力上的安全高效推理，后期將推出支持本地運行超100億參數AI模型的移動設備芯片，讓AI邊緣部署走進現實。這意味著雖然當前大部分的訓練與推理仍在云端完成，但在大模型移動化和輕量化趨勢下，同時用戶對隱私、網絡安全和低延遲的需求將增強，預計基于降本增效的考量，未來簡單推理下沉到終端會成為主流趨勢。而從用戶和開發者側來看，移動端AI芯片的重要意義在于降低了消費級AI應用的準入門檻，從而賦予應用開發者推出輕量級AI產品的可能。

隨后高通提出云邊一體的混合AI路徑，深度開發邊緣AI，驗證了這一趨勢。在混合AI場景中，邊緣大模型是云端大模型的感知器官，設備AI更進一步保護隱私，承擔更多處理，提供更個性化的提示給云：通過設備學習和個人數據，設備創建用戶個人形象，與調度程序協作，基于上下文提供更好的提示；對簡單查詢，較小的大模型可在設備上運行無需云交互，如果用戶需要復雜信息，則本地將需求轉化為提示發給云端大模型并返回詳細答案。邊緣AI盡管在計算性能方面不如云端AI芯片，但擁有可以保護數據安全和隱私、降低功耗（終端設備中用相對低的功耗執行AI計算）、低延時（對于自動駕駛）、低成本布局等顯著優勢。

在AI算力供給側，本身存在著巨大的“集中式”算力與“分布式”需求的錯配。在生成式AI向實際場景落地時，邊緣算力的重要性加速凸顯。邊緣計算為大語言模型提供低延遲、高并發、增強數據安全與系統魯棒性等部署環境與技術條件，未來算力將從云端到邊緣梯度分布，邊緣算力憑借隱私、時延與成本優勢，作為橋梁，預處理海量復雜需求，并將其導向大模型，成為大模型及AI應用觸及萬千用戶與場景的通道。在移動端部署大模型，不僅可以降低服務成本、改善延遲，同時可以提升安全性，保護隱私；而隨著移動端算力持續提升，疊加大模型輕量化發展，為大模型移動原生提供了發展基礎和需求動能。

由此，在業界共同推動下，大模型的輕量化成為重要產業趨勢，大模型從云端走向終端，AI大模型的壓縮和端側推理框架的輕量化，加上邊緣算力的躍升，實現大模型在邊緣-端側部署、加速AI與智能終端融合的核心技術條件目前已基本就緒。在輕量級AI模型助力下，智能硬件的能力邊界將不斷拓寬，成為新的AI流量入口。手機等智能硬件的使用體驗將大幅提升，AI智能硬件廠商則有望借助AI模型提升硬件價值量，開啟新一輪創新周期。大模型從云到端正的大趨勢確立，終端AI成為下一個兵家必爭之地。

7月份，蘋果正式宣布啟動開發AppleGPT，加入終端AI/邊緣大模型戰局，是對這一趨勢和共識的最好確認。

大模型由云向端第一場景：從智能手機到AI手機

此次AI大模型浪潮是由軟件先行定義一切基礎，在催生算力硬件需求之后，邁向各類終端變革與應用創新的新階段。一個由基礎模型、低成本定制工具、模型優化工具、邊緣算力構建的終端AI大模型生產與利用體系正在形成，大模型將帶動新一輪終端創新周期。盡管當前AI在終端上的應用仍然類似ChatGPT網頁端功能的延伸，但當輕量級邊緣大模型AI可在移動設備上工作，并且速度足夠快，即便在離線情況下也能在設備上運行出色的交互式應用程序，大模型移動原生將成未來主流，多模態大模型將給手機行業帶來新的核心能力。隨著AI與終端融合的進一步深入，智能終端的邊緣算力有望持續升級，對硬件提出更高的要求，成為手機終端軟硬件創新的新引擎。在未來幾年內，大模型將會越來越多地運行在終端設備上，大模型AI將成為手機終端行業的主要推力，掀起手機終端產業創新的范式革命。萬物搭載大模型，大模型賦能萬物的真智聯網時代也將加速到來。

智能手機：大模型運行在終端的第一個重要市場

在移動互聯網時代，智能手機經歷了3G換機、4G換機和5G換機三個階段。5G換機高峰過后，智能手機缺乏新的創新趨勢。而大語言模型和類似ChatGPT應用的誕生為未來人工智能手機的變革提供了新的思路：

（1）更加智能化的AI助手和知識圖譜。智能手機可以集成更加智能的AI助手和知識圖譜，利用用戶數據和上下文提供更加個性化的服務，如聊天、問答、知識推薦等。這可以成為手機的重要功能入口和使用場景。

（2）生成式內容應用。如Stable Diffusion可以用于智能手機上的圖像生成；ChatGPT可以用于智能手機上的自動對話。這些應用可以讓智能手機具備較強的內容生成能力，豐富手機上的體驗與交互。

（3）新的交互方式。如語音交互、AR虛擬顯示和手勢交互等，結合生成式AI內容，可以在智能手機上實現更加自然和更有沉浸感的人機交互方式。這也是智能手機創新的一個重要方向。

（4）分散式應用與服務。大模型AI技術可以在設備端部署，提供更加分散的服務與體驗。如ChatGPT可以在智能手機本地部署，提供離線的聊天體驗。這可以減少對網絡連接和云服務的依賴，實現更加個性化的設備端功能。

大模型時代，用戶需求的拆分及功能的調用將在 AI 輔助下更高效。以ChatGPT為代表的語言類大模型事實上已經成為了下一代用戶交互的重要組成部分，大模型進入手機將會把下一代用戶交互范式帶入手機，大語言模型有望成為復雜AI系統的控制中心和交互入口，智能助理可能會是下一個超級應用，個性化自然語言大模型使得語音助手體驗感大幅提升，使得人機交互更接近真人對話。而隨著大模型向多模態和具身智能演進，將全面提升手機交互、拍照、影音等產品體驗競爭力，刺激新的換機需求。

當然，大模型進入手機，手機上運行的大語言模型應該會首先從更小的版本（例如10億參數以下的模型）開始進入應用，然后再逐漸增大參數量。經過量化、剪枝、蒸餾等方式優化大模型后，新一代旗艦版手機芯片應該就可以承載運行十億參數級大模型。

大模型時代下，對于手機業者，大模型應用于手機端，將在帶來流量入口變化的基礎上，可能會深刻改變手機廠商的商業模式。但未來的應用格局大概率依然會服從“二八定律”，大約有80%會是現在的應用接入大模型能力后的“體驗升級版”，有20%是基于大模型的新能力開發出的AI原生應用，除了界面入口發生變化，總體上不會顛覆現有的應用格局。

從智能手機(Smartphone)到人工智能手機(AI Phone)，大模型將會成為推動手機硬件技術創新的新動能。超大規模參數大模型的訓練和推理，即便在云端也亟待突破五堵墻：內存墻+算力墻+通信墻+調優墻+部署墻，在終端上內存墻和算力墻更為顯著。大模型的參數量比現有主流運行在手機上的小模型（參數量<10M）大了兩個數量級，而且未來多模態大模型參數量會進一步快速增大，所以要在手機上運行大模型，必然會加速推動手機芯片在內存和AI加速器領域性能躍升。首先內存是一個重要瓶頸，目前即便小版本的Llama 70億參數的模型，也沒法完全裝入手機的內存中，而必須部分放在手機的閃存中運行，這就導致了運行速度比較慢。為了滿足大模型的需求，將推動手機內存以及接口技術以更快的速度進化，加速大容量內存以及HBM高速內存接口發展。其次是手機芯片上的AI加速器需要重新設計來適配大模型，AI加速器首先必須能有更大的內存訪問帶寬并減少內存訪問延遲，同時在內部邏輯設計上采用低精度量化計算（例如4bit甚至2bit）和稀疏計算，來減小相關計算單元需要的芯片面積，減小模型在內存中需要的空間（例如4bit量化精度相對于之前的標準8bit精度就會內存需求減半）。我們預估下一代的高通、聯發科、蘋果M和華為海思的旗艦平臺，應該是能跑得動幾十億到百億參數規模的終端AI大模型的。

總之，手機要支持大模型和AIGC功能，需要在處理器、專用加速單元、存儲、存儲接口、系統框架和定制化芯片等方面進行整體提升，這將成為今后手機產業鏈發展的新重點。智能手機最終升級為人工智能手機，很可能會推動新的換機潮。

手機之外：大模型啟動終端創新新周期

除了手機之外，AIoT智能家居、XR頭顯、智能汽車和機器人也是大模型進入終端的四個重要市場。細數終端大模型場景應用：短期看，音箱、耳機、手機是核心載體，落地相對較快；中期看XR和智能汽車，MR愿景未來可期，智能汽車是大模型進入終端的另一個重要市場；遠期看具身智能(Embodied AI)+機器人，星辰大海。

AIoT智能家居：交互體驗升級有望促進品類創新、激發終端換機需求

AI賦能下有望提升以智能音箱為代表的AIoT智能終端智能化水平，過去由于智能化水平不足，智能家居等產品存在偽智能、交互效率低下、個性化服務難等痛點。ChatGPT的發展提升了語音作為人機交互方式的重要性，像智能音箱作為入口的價值被重新挖掘，同時整體全屋智能解決方案的作用將得到體現。大語言模型有望成為復雜AIoT系統的控制中心和最佳交互入口，AI大模型將會深刻改變AIoT硬件的發展方向，引發未來AIoT智能終端變革：體驗感大幅提升，成為換機新動能，開啟新品研發新周期。

解決智能家居典型痛點：操作復雜、手機app或者中控屏控制需要多輪操作、智能家電設備語音識別不夠聰明，需要不斷喚醒及輸入關鍵詞，更不要說智能家居能夠理解消費者的喜好而主動推薦設置合適模式，不同家庭成員的個性化需求也得不到滿足。

對于AIoT智能家居、智能穿戴產品，語音仍將是智能家居、穿戴產品最佳入口，“智能助理”將是下一個超級應用(Killer App)，推動AIoT智能終端硬件與生態升級。自然語言大模型的發展，使得機器能夠更好的實現連續對話及深度語義理解，使智慧家庭真正走向智慧。一方面解決操作復雜問題，只需自然交流即可達到控制、設置、反推薦，真正成為全屋管家，另一方面，通過精準拾音、語義理解、AI智慧大腦分析，照顧到每個家庭人員不同的需求，實現不同場景的千人千面?！皞€性化“大模型使得語音助手體驗感大幅提升，有望引領新一輪AIoT爆品創新。

（1）ChatGPT Plugin的發布為“智能助理”的出現提供了條件，讓ChatGPT的能力從NLP拓展到可以獲取實時信息并代替用戶執行操作，用戶可以直接通過人類語言指揮ChatGPT幫自己與各種應用交互。

（2）大模型具備通用性，可以微調出針對不同應用場景的“智能助理”，大大提升對用戶意圖的理解，對用戶的反饋更加準確豐富，包括個性化服務、快速收集并處理信息、提升場景交互效率等。在居家場景，音箱中的智能助理可以幫助我們管理智能家居以及提供情感陪伴；在工作場合，耳機中的智能助理可以作為秘書幫助處理會議紀要等工作；在車內場景，座艙中的智能助理可以幫助我們與輔助駕駛或自動駕駛系統溝通，提高行程中的音樂等娛樂交互體驗。

（3）智能助理會有望向“賈維斯”的方向發展。隨著多模態的發展，智能助理有望越來越全能，成為AI時代的超級管家。Plugin和大模型Finetune是智能助理的核心助力。大模型基于“智能助理Jarvis”對用戶的生活習慣，行動軌跡，以及保存在設備上的資料進行總結，從而給出更符合用戶實際需求的答案，能夠成為幫助提高學習，工作效率的幫手，并根據用戶的個人喜好和使用習慣，提供個性化的建議和服務，甚至提供情感陪伴和情緒價值。

更重要的意義在于，大模型作為AI時代的終極操作系統（AIOS）可以整合分散割裂碎片化的物聯網應用市場：過去AIOT生態最大的挑戰是AIOT終端都是非標，不可能標準化交互，比較好的一個方式是自然語言，但自然語言以前交互效果有限，大模型出來后通過自然語言交互成為可能。以前的終端交互集中在一個手機甚至微信超級App通過掃碼各種方式交互其他設備，人機交互分散到每一個AIoT終端，終將被大模型AIOS統合。

智能穿戴/XR頭顯終端：將形成新的流量入口

對于智能穿戴/XR頭顯終端：多模態技術有望打通不同形態內容的區隔，AIGC有望成為互聯網的基礎支撐，而內容生成的千人千面與下一代智能硬件的結合，也將催生個性化模型和更多可穿戴設備結合的發展，如基于智能手表的全方位個人健康管家等。此外，AI通過豐富內容供給、個性化反饋等能力，改變人機交互方式，XR將形成新的流量入口。AI 技術與 XR 產業生態的結合將進一步打開 XR 生態想象空間，硬件端內容理解、交互體驗、智能化體驗均有望顯著升級。

生成式AI 賦能 XR 帶來三大智能化：

（1）XR 交互智能化：生成式AI技術可以幫助 XR技術更好地識別用戶的行為，從而實現更加精準的模擬。例如，AI技術可以幫助XR技術更好地識別用戶的眼睛，實現更加精準的追蹤，從而更好地模擬真實世界的環境。此外，AI技術還可以幫助XR技術更好地識別用戶的手勢，從而實現更加精準的交互。相比于現有XR交互強調交互方式，智能交互強調交互的感知、識別和理解，XR交互 + 智能交互將使實現虛擬與現實的無縫銜接。

（2）XR 內容研發和制作的智能化：AIGC突破傳統內容生產瓶頸。內容吸引力不足是當前XR產業向前發展的一大瓶頸之一，AIGC通過人工智能生產內容，可以克服PGC和UGC在數量和質量上的不足，可以在創意、表現力、迭代、傳播、個性化等方面，充分發揮技術優勢。依賴于高算力，AIGC模式能夠提高內容生成的質量和多樣性，并節省生產時間，從而突破現有內容創作瓶頸，實現井噴式發展。

（3）虛擬形象智能化：虛擬形象的智能化離不開建模技術，AIGC等技術快速突破，虛擬形象的發展進入新階段，由“數字人”變成“數智人”。一方面在大模型的助力下， AIGC技術使虛擬形象的制作成本降低、制作周期縮短、門檻降低，并獲得和真人更加相似的外形、動作效果，例如在3D數字人的建模環節，AI建模相比人工建模所需時間大幅縮短、效率提升。另一方面，多模態AI使得虛擬數字人的交互能力更上一個臺階，隨著AI技術的不斷完善，數字人的感知能力（例如現在數字人對語言的理解主要以文本為主，未來有望實現多模態輸入）、思維能力、內容輸出能力都將得到顯著改善，在思想、語言、行為上和人更加接近、更加智能化。

AI 賦能下 XR 產業鏈有望迎來邏輯重構、深度受益。MR疊加AIGC也將讓元宇宙加速實現質變，推動新一代人機交互范式革命。

智能汽車：是大模型進入終端的另一個非常重要的市場

自動駕駛技術在2023年有望迎來拐點，AI大模型的賦能加速了產業拐點的到來。從應用角度來看，大模型運行在智能汽車的首要推動力就是大模型確實能給智能駕駛相關的任務帶來客觀的性能提升。

智能駕駛大模型=NeRF神經輻射場+BEV鳥瞰視角+Occupancy Network占用網絡+端到端。

（1）由模塊化/小模型到端到端大模型。傳統自動駕駛算法以模塊化部署，功能實現依托眾多獨立小模型的堆疊，存在累積錯誤/任務協調不足/維護難度與成本高等問題。AI 技術將“場景-駕駛行為”的映射轉變為“場景-車輛控制”的“端到端”式映射，更大程度的提高模型的泛化能力，未來端到端自動駕駛大模型將實現對模塊化/小模型的替代，即可減少運算過程中的誤差累積，也可減少模型的優化難度與維護成本。

（2）由基于規則的算法到基于BEV+Transformer的深度學習?；谝巹t的算法存在應變能力差，駕駛操作不熟練，學習成本高等缺點，因此僅通過規則算法實現等同于或高于人類駕駛員的自動駕駛行車體驗存在很大難度?；贐EV+Transformer結構的大模型是當前主流發展方向，可搭建出高準確率3D 感知模型，并具有很強的Corner case解決能力，同時，BEV+Transformer大模型還可賦能數據標注、長尾數據挖掘、仿生場景數據生成等工作。

（3）智能駕駛的進一步進化：去高精地圖+占用網路。未來自動駕駛技術去除高精地圖輔助將成為主流趨勢，核心解決方案為BEV結構的搭建和NPN網絡的應用。此外，未來也將有更多車企通過占用網絡技術（Occupancy）進一步提升大模型泛化能力，進而使自動駕駛模型應對Corner case時更加得心應手。

去年，以BEVformer為代表的端到端鳥瞰攝像頭大模型可以說是大模型在智能汽車領域的第一個里程碑，它把多個攝像頭的視頻流直接輸入使用transformer模塊的大模型做計算，最后的性能比之前使用傳統卷積神經網絡（CNN）模型的結果好了接近10個點，這個可謂是革命性的變化。而在上個月召開的CVPR上，商湯科技發布的UniAD大模型更是使用單個視覺大模型在經過統一訓練后去適配多個不同的下游任務，最后在多個任務中都大大超越了現有最好的模型：例如，多目標跟蹤準確率超越了20%，車道線預測準確率提升 30%，預測運動位移和規劃的誤差則分別降低了 38% 和 28%。

目前，汽車企業（尤其是造車新勢力）已經在積極擁抱這些智能汽車的大模型，BEVformer（以及相關的模型）已經被不少車企使用，我們預計下一代大模型也將會在未來幾年逐漸進入智能駕駛。如果從應用角度考慮，智能汽車上的大模型必須要在終端設備上運行，因為智能汽車對于模型運行的可靠性和延遲要求非常高，在云端運行大模型并且使用網絡把結果傳送到終端無法滿足智能汽車的需求。

具身智能+智能機器人：多模態大模型下一步演進方向，通用人工智能時代的終極智能終端

邊緣AI、具身智能與機器人本質三位一體。邊緣AI是產業趨勢，具身智能是內在邏輯（AI自我提升需要人與環境的交互數據集中在終端），機器人是終極應用——給大模型的“腦子”裝上“手”和身體，AI+硬件終極應用。

（1）具身智能(Embodied AI)是能夠理解、推理并與物理世界互動的智能系統，需要AI智能體與周圍的環境和人的交互，能自我成長。具身智能比GPT更進一步，能夠通過自己的物理軀體來與環境交互感知，然后自主進行規劃、決策和行動，而不是被動的等待數據投喂，具身AI不再像傳統AI僅從圖像、視頻、文本等數據庫中學習，而是基于自身傳感器（多是視覺傳感器）感知環境并通過與環境交互進行學習，具身智能所需要的AI能力包括基礎VQA能力（視覺）、導航和操作能力（跨模態）。

（2）邊緣AI終端應用生態滿足了具身智能訓練中AI與周邊的人與環境充分交互的需求，是具身智能AI落地的重要基礎。

（3）大模型對于具身智能的提升包括（a）通過抽象的自然語言直接對機械智能控制，（b）Zero shot下的CV能力：圖像分類、語義分割、目標檢測、實例分割、物體追蹤，（c）更多跨模態的理解能力。大語言模型與機器人結合，產生了不錯的效果。如視覺-操作、視覺-導航任務（視覺語言導航指通過自然語言讓智能體（agent）到環境中的某個位置， 視覺語言操作指通過自然語言讓智能體進行某些操作如取放物體）。

目前的機器人只能按照特定的編程指令進行固定的工作，普通消費者和用戶無法與機器人進行溝通或者設定更加復雜的任務。

ChatGPT等大語言模型和具身智能在歷史上首次使得AI可以理解并幫助人類，拓寬了人形機器人可應用的開發領域，不同于傳統機器人僅具有“物理”執行力，大模型可通過將圖像、文字、具身數據聯合訓練，引入多模態輸入，進而提升大模型和環境的交互能力和學習能力，為機器人注入了“靈魂”。GPT-4賦予機器人高質量的連續對話能力，Meta發布SAM模式有望助力機器視覺迎來GPT時刻，具身智能進一步給機器人“賦智”，使其做到“能聽、能看、能說”，就相當于機器人擁有的大腦，各種形態的機器人的普及率有望大幅提升。加上在硬件方面，特斯拉等科技公司的入局使得規模化效應帶來的降本可期，人形機器人有望在廣闊的消費市場迎來自己的iPhone時刻。

結語

受益于強人工智能、新一代人機交互與協作范式的破繭成蝶，生成式AI與終端的融合將重新定義手機及各種終端創新，形成新供給，創造新需求，催生出新的終端產業創新結構，加速終端創新的新周期到來，走向一個新的智能時代。

責任編輯：李楠

關鍵詞：