企业官网建设流程全解析

AI端侧模型这个话题，最近两年从技术圈一路火到了资本市场。手机发布会开始大讲端侧助手能跑几十亿参数，PC厂商把NPU算力当核心卖点，连智能眼镜和车载语音都在强调“端侧智能”。这股风传导到A股，就是一批概念股被频繁贴上了AI端侧标签。这篇内容我打算换个角度，不空喊概念，先把端侧模型为什么突然“能打”了讲清楚，再沿着产业链把值得关注的A股公司从芯片到算法捋一遍，附加一份按业务关联度整理的名单，最后聊聊我平时是怎么跟踪和甄别这些产业信号的，供大家参考。是产业信息整理，不是荐股，请务必带上自己的独立判断。

1. 端侧模型为什么突然“能打”了

1.1 端侧模型到底指什么

所谓端侧模型，简单说就是把AI模型跑在手机、PC、汽车、摄像头、耳机这些终端设备上，而不是把数据上传到云端，等云端算完再传回来。典型的例子包括手机上自带的语音输入法、相册人像聚类、会议录音转写、端侧翻译，以及越来越常见的无网也能用的AI对话助手。

这个“端”既可以是手机里的NPU，也可以是PC的独立AI加速单元，还可以是IoT设备里一颗低功耗AI芯片。和云端大模型相比，端侧模型通常有几亿到几十亿参数，经过压缩后部署在本地，在推理时不需要联网数据中心参与。

但过去很长一段时间，端侧跑大模型几乎是天方夜谭。早年哪怕是运行一个1B模型，内存和算力都会直接焊死。真正让这件事落地，靠的不是某一个变量，而是芯片、算法、存储、系统生态几条线同时往前拱的结果。

1.2 加速落地的四个驱动力

第一个驱动力是端侧算力芯片的“军备竞赛”。现在一颗旗舰手机SoC的NPU算力能做到几十TOPS，比如高通骁龙8系列、天玑9300系列、苹果A系列Pro，算力水平已经超过几年前的中端显卡。对端侧推理来说，算力只是基础，关键是结合了高带宽内存，能塞下一个较大的模型权重。

第二个驱动力是模型压缩技术的工程化。量化、剪枝、蒸馏这些技术不是新概念，但过去工程落地很痛苦。这几年Int8/Int4量化工具链越来越成熟，配合算子融合、KV Cache优化、内存复用，终于把“能跑”变成了“能好用”。比如一个7B模型从FP16量化到Int4，显存需求从约14GB直接压到约3.5GB，这样现代手机才有机会本地部署。

第三个驱动力是隐私和合规需求。很多数据不适合传到云端，医疗、办公、驾舱、金融里都有大量敏感信息。端侧推理天然不出设备，隐私保护逻辑最简单，也最容易通过合规评估，很多行业项目一上来就把“必须在端侧”列为硬性要求。

第四个驱动力是时延、带宽和成本。云端推理的一次往返动辄几百毫秒，做AI眼镜这种低交互时延产品根本受不住。更现实的是成本：云端跑模型每一轮对话都有Token成本，而端侧推理不管跑多少次，边际成本都只体现在终端电量上。对重交互、高频调用的应用场景，这个账一算就非常划算。

1.3 什么场景真正需要端侧

不是所有场景都适合端侧，真正需要端侧的往往有这几类特征：

• 隐私敏感型：实时字幕、会议纪要、健康数据、输入法联想，这类数据用户极度不希望外传；
• 时延敏感型：车载语音、工业质检、AR交互，要求毫秒级响应，容不下一次弱网下的云端往返；
• 离线场景：地下车库、偏远工厂、飞机客舱、户外作业，网络不稳定甚至完全无网；
• 高频低成本型：每天被调用上百次的AI功能，放云端费用会变成持续流血的成本项，端侧推理则在本地几乎不产生边际成本。

用一句话概括：凡是涉及隐私、响应快、离线可用、低成本这四个关键词的应用，端侧模型就是天然更优解。这也是为什么手机厂商、PC厂商、汽车厂商和设备厂商都在抢着把AI“塞”进端侧。

2. 端侧模型落地的技术细节：从芯片到软件

2.1 算力芯片：端侧推理的关键卡口

端侧模型能跑起来，第一责任人永远是芯片。一个完整的端侧AI芯片通常包含CPU、GPU、NPU三大块。NPU负责矩阵运算，是推理的主力；CPU负责调度和控制逻辑；GPU做并行计算补充。这三者之间还需要有高带宽内存总线支撑，否则NPU算得再快也只是“算力摆拍”。

从芯片规格上看，有三个参数最关键：算力单位TOPS、内存带宽、制程功耗。TOPS代表每秒万亿次操作，决定了AI模型的理论上限运算速度；内存带宽决定了模型权重被读取和更新的速度，带宽不够的话，算力再高也会被“投喂”速度拖住；制程和功耗则决定了它能不能装进手机、耳机、摄像头里面。

目前A股里跟端侧芯片关联度较高的公司，我自己梳理下来主要看这几家：瑞芯微、全志科技、恒玄科技、晶晨股份。瑞芯微的RK3588系列在边缘AI盒子和机器人上出货量很大，RK3576/RK3506等中低阶型号覆盖摄像头、门锁、工控屏；全志科技的T系列A系列主要面向平板、车机和智能语音；恒玄科技聚焦TWS耳机、智能眼镜、可穿戴设备的低功耗SoC；晶晨股份则在电视盒子、投影仪和智能音箱里放量明显。

这个行业的节奏很有意思：芯片公司一旦踩中端侧AI的设备批次出货，业绩弹性往往非常大。供应链里也常能看到“某芯片型号进入某品牌终端核心项目”的消息，这类信息对产业链跟踪很有参考价值，但一样要结合财报去验证。

2.2 模型压缩和推理框架

端侧模型不是“把大模型塞进手机里”这么简单，必须经过压缩和重写。当前主流的压缩技术有三板斧：

• 量化：把FP16/FP32的高精度权重转成Int8或者Int4，减小体积同时提升推理速度。损失要反复评估，尤其要注意量化后模型幻觉和高频词崩溃的问题；
• 剪枝：把对结果影响很小的神经元连接抽掉，压缩模型规模；
• 蒸馏：让大模型当老师，训练一个小模型去模仿输出，这种做法在语音识别、感知模型里效果非常稳定。

压缩之后还要跑端侧推理框架。常见的有高通SNPE/Qualcomm AI Engine、安卓上的NNAPI、RKNN、NCNN、MNN、TFLite，还有面向ARM芯片的ARM Compute Library。工程化时最头疼的是算子兼容性，同一个模型在一个芯片上能跑得快，换一个芯片可能因为某个算子不匹配而直接黑盒崩掉。所以做端侧项目的同学，基本都是“每块芯片单独调一遍”，这也是端侧落地依然存在经验壁垒的原因。

这里有一个特别值得关注的技术趋势：端侧模型的规格正在从1B-3B向7B-13B迁移。7B模型量化后约占3.5GB内存，对8GB内存的手机来说已经党很紧张；13B量化后约7GB，基本只能靠新一代端侧芯片的高配旗舰来带。下一步端侧芯片的升级重点一定在内存带宽和内存容量的提升上，这反过来也会带动存储芯片的需求。

2.3 端侧AI Agent与多模态交互

最近热词里经常看到“AI Agent”，放在端侧语境下，它代表的是一种更完整的交互闭环。云端Agent帮你订机票、写周报，但端侧Agent更关心的是：随时在线、低时延、能感知用户的真实环境。

比如智能眼镜上的端侧Agent，可以一直开着麦克风接收环境声音，听懂周围人的谈话，并实时给出翻译或信息提示，整个过程不用联网，也不会把语音传到云端。这个场景就需要多模态模型在本地同时处理音频、视觉和文本，还要把功耗压在几百毫瓦以内，挑战相当大。

所以端侧Agent的普及，不是单纯“模型更大”就能解决的，而是语音唤醒、流式识别、视觉感知、任务规划、端云协同多管齐下。对产业链来说，这意味着不只是算力芯片受益，麦克风阵列、传感器、声学算法、功耗管理芯片都会一起放量。很多做终端模组和算法方案的公司，会因为承接了某款AI眼镜或AI音箱的整机方案，获得新的营收增量。

3. A股概念股产业链与名单整理

3.1 产业链地图

要把A股相关公司看明白，先画一条产业链地图。端侧AI的产业链大致分成四层：

• 芯片设计：端侧SoC、NPU IP、DDR接口、协处理器，这是技术密度最高的一层；
• 制造封测：先进制程流片、Chiplet封装、HBM/高带宽存储堆叠，端侧芯片的量产能力取决于这一层；
• 存储与外围：高带宽低功耗内存、Flash、传感器、电源管理，端侧设备的小型化离不开它们；
• 软件与终端应用：操作系统、推理引擎、算法方案、整机ODM/OEM，这是普通用户能感知到AI体验的最后一公里。

这条链路里，真正值得长期跟踪的是“有核心技术、有客户导入、有明确出货收入”的公司，而不是简单沾上“AI”关键词就兴奋。

下面我按自己的理解列一个名单表格，公司业务范围以公开信息为准，只作为产业讨论，不代表推荐买入。

3.2 端侧AI相关A股公司名单

这张名单只是产业链的一角。当前市场愿意把这些公司称作“AI端侧概念股”，核心逻辑是它们的产品有机会在手机、汽车、眼镜、机器人这些终端中拿到新的AI订单。但概念归概念，真正落实到财报上还要看收入结构和增速。

我做产业跟踪时有一个习惯：先把名单按“芯片设计、存储封测、算法方案、模组终端”分成四类，再逐个挖公司公告、投资者关系互动记录、年报里“端侧AI”相关关键词的出现频次。这样就能大概判断一个公司到底是把端侧AI当第二增长曲线来All in，还是只是在PPT里提一嘴蹭个热词。

3.3 甄别名单的四个维度

面对一堆概念股，我认为至少要从四个维度去筛：

第一，产品有没有实际落地。芯片公司有没有官方宣传的端侧AI芯片型号？有没有进入哪个品牌量产机型或设备？如果有真实发布，就比纯“拟研发”“规划中”硬得多。

第二，营收占比和增速。端侧AI业务如果只占总收入的一句话，占比忽略不计，那短期股价再热闹也很难改变基本面。要观察端侧相关的产品线是不是有实际出货收入，以及增速是不是跑赢公司整体收入。

第三，客户绑定和生态卡位。端侧芯片和算法方案有很强的客户惯性，一旦进入大厂供应商名单、完成认证，替换成本会很高。中科创达长期服务车载和手机厂商，科大讯飞在教育硬件里的卡位，都是比较典型的生态型壁垒。

第四，研发投入和专利厚度。端侧模型涉及的量化、低功耗调度、NPU算子优化都需要大量工程积累。研发费用率高不高、专利包里有没有AI推理相关授权，是判断长期竞争力的好指标。

这套筛选思路不一定能买到最强妖股，但至少能帮你避开纯噱头的坑，在产业逻辑上站得住脚。

4. 实操心得：我如何跟踪端侧模型的产业信号

4.1 从产品发布节奏看产业拐点

我做产业观察，最喜欢的信号源不是研报画大饼，而是终端产品的实际更新节奏。

手机发布会一定要重点听两个信息：一是AI功能里哪些是“本地运行”，二是本地模型的参数量。最近一两年的现象非常明显：旗舰机的端侧模型从2B一路加到7B，苹果Apple Intelligence以及安卓阵营的“端云结合”语音助手，都把本地模型作为主打卖点。这种发布节奏的变化，直接决定了端侧SoC和内存配置的升级速度，对相关芯片厂商的业绩有半年到一年的前瞻作用。

PC方面也是一样，新一代处理器的NPU算力普遍跨过40 TOPS，微软定义的“AI PC”把端侧运行Copilot作为门槛。这波换机周期里，端侧AI是主要的叙事，相关的触控、摄像头、麦克风阵列和电源方案也会跟着升级。

车载就更典型了，座舱语音助手近年要求在弱网环境下也能完成连续对话，很多车厂开始验证7B以上的端侧模型，这给车规级芯片、车规存储和语音算法公司带来了很实质的项目机会。

4.2 从供应链和产业链捕捉“真放量”

除了看发布会，我更信赖的是拆机报告和产业链调研。一款AI终端设备卖几百万台，拆机看到里面用的是某家公司的SoC，再结合公司财报里消费类芯片收入增速，判断就很直观。

这个方法在TWS耳机和智能眼镜上特别好用。比如智能音频SoC公司恒玄科技，出货量可以从品牌耳机和眼镜的新品拆机里得到验证；瑞芯微的RK3588则可以看边缘智能终端和轻量机器人的出货新闻；封测厂长电科技、通富微电业绩是否放量，则可以从上下游晶圆厂和芯片设计公司对订单的表述里得到印证。

供应链验证有个好处：不容易被概念泡沫带偏。一款产品如果真正大规模量产，它一定会实实在在地反映在代工厂、模组厂、包材厂的订单和库存上。一个只能活在发布会PPT里的“AI新品”，供应链层面是不会有连续大订单的。

4.3 警惕三类“扰乱信号”

经验多了之后，我发现市场里常见的端侧AI误导信号有三类：

第一类是“套壳型”。某公司宣布支持大模型，但产品实际上只是调用了第三方云API，既不做端侧推理，也没有自研芯片或算法，和端侧AI没有本质关系，只是包装了一层概念。

第二类是“实验室型”。公司说自己在研发端侧大模型，但既没有可量产芯片，也没有公开的客户导入，进度全凭发布会一张图。这类项目往往雷声大雨点小，等到证伪时股价已经炒上去了。

第三类是“业绩沾边型”。公司主营业务跟AI毫无关系，只是做了一条几百万营收的AI配件产线，就急于往端侧AI上靠。这种公司产业链关联度低，风险远大于收益。

识别这些信号的方法很朴素：去翻它最近两个季度的收入分解，去查它公开的客户目录，去比对研发人员数量和研发费用率。与演讲稿相比，财报和公告更接近地面真实。

4.4 风险提示与我的体会

必须说清楚，端侧AI产业链目前仍然处于“渗透率早期”。技术上不断成熟，不代表所有上市公司都能真正吃到利润，很多环节还面临高研发支出、低毛利、客户集中度高等问题。股市里的情绪波动很容易脱离基本面，特别是“概念股”阶段，资金行为常常领先于业绩拐点。

我个人更愿意把本文梳理的名单看成一张“产业地图”，而不是操作清单。我会在每个季度更新一次名单，看哪些公司的端侧AI收入从零变成有数，哪些公司已经把相关产品写进主营业务，哪些公司还在“拟拓展”阶段原地踏步。先跟踪，再验证，最后才谈得上参与。

最后分享一个我自己的小原则：如果一个端侧AI逻辑，既能在发布会产品里找到原型，又能在代工厂订单里找到痕迹，还能在财报收入里看到数字，那它大概率是真实趋势；三条里缺两条的话，无论故事讲得多好听，我都只会保持观察。