AI手机，需“断舍离”

　　元宝在使用中都会出现分不清多音字以及记错日期等问题。

　　从消费者角度看，用户并不在乎智能手机是什么系统，什么架构，他们在乎的是究竟好不好用。

　　IDC报告预测，2025年中国新一代AI手机出货量将达到1.18亿台，同比增长59.8%，整体市场占比40.7%。增速远高于整体智能手机市场。

　　但如果AI手机不能带来颠覆式体验，那这种增长或许也只能昙花一现。

　　比如曾经的VR眼镜，以其未来感十足的宣传爆火一时，吸引了大量资本、科技巨头和创业公司涌入。

　　但最终呈现出的产品却并没有达到预期，高昂的价格、有限的应用场景和笨重的外观使得消费者望而却步。

　　热潮褪去之后，VR眼镜市场表现一路下滑，曾经顶着“VR先驱”名号融资20亿美元的创业公司magic leap 如今沦落到在裁员和失信的生[*]线上苦苦挣扎。

　　新颖的概念虽然能吸引科技爱好者和尝鲜型消费者抢先下单，但如果功能不能得到普遍认可，还是很难长久。

　　人工智能领域也不乏此类现象，比如宣称要取代智能手机的AI Pin和主打语音操控软件的Rabbit R1都曾因酷炫的概念火爆一时，却因体验令人失望而昙花一现。

　　AI手机如果不想重蹈覆辙，或许需要有超出消费者预期的功能体验。

　　毕竟当初iphone能够引发手机行业的革命不是因为苹果公司的宣传攻势，而是因为其多点触控的屏幕足够惊艳。

　　特斯拉Model 3 成为全球最畅销的电动车之一也不是因为马斯克这位世界首富的个人魅力，而是Model 3智能辅助驾驶体验确实很好。

　　而AI手机想要引发行业革命，或许还要再跨过几道难关。

　　在手机端运行大模型，需要有性能更强的NPU，而芯片算力提升意味着功耗变大，直观地就表现为手机掉续航变差。

　　近年来，手机厂商为了解决续航问题已经想尽了办法。

　　以小米手机为例，2014年的小米4电池容量3080毫安，充电器功率为10w.到了2024年，小米15电池容量达到了5400毫安，充电器功率达到了90W，测评机构对这个数值的评价是“保守”。

　　而AI应用需要处理大量复杂数据和实时运算，对算力要求更高，也会令电池消耗更快，影像手机续航。

　　根据vivo AI全球研究院院长周围透露，调用一次云端大模型的成本约为 0.012元至0.015元。

　　假设某手机品牌有 1亿用户，每人每天调用10次AI功能，仅对线亿元。

　　而当下，用户并没有为使用大模型付费的习惯。

　　目前的AI手机在应用层面使用最广泛的仍是语音助手，种类既少，也缺乏爆款，而当年iphone起飞除了本身的多点触控技术外， store 提供的海量应用软件也功不可没。

　　迈过这三道难关前，AI手机可能很难吸引消费者为之支付溢价。

　　最后的问题是：既然有这么多困难，手机厂商为什么还要扎堆内卷AI手机呢？

　　二、“小众”即“大众”

　　智能手机行业经过十几年的发展，早已从蓝海变成红海。各手机厂商卷性能、卷芯片、卷屏幕、卷像素，已经到了卷无可卷的地步。

　　随之而来的是同质化竞争。中国信通院报告显示，仅2025年前4个月，国内手机就新上市了163款新机型。

　　如果把这些手机的logo遮起来，恐怕很多消费者都会分不清彼此的区别。

　　同质化的后果是消费者换机周期变长，反正性能过剩，外观也差不多，换不换新款手机区别并不大。

　　陷入瓶颈的手机厂商们急需能激发市场活力的“新故事”，而大模型颇具未来感的气质正好符合智能手机行业需要。

　　而在同一时刻，大模型也面临着数据中心过载和运营成本高企的压力，亟需向边缘计算转型。

　　于是，二者一拍即合。智能手机成为了大模型理想的端侧，而大模型为智能手机提供了“新故事”。

　　但是，如前文所述，AI手机的故事要变为现实，还需要跨越重重阻碍。

　　这种情况下，手机厂商们或许应该考虑从“大众”走向“小众”，从追求覆盖全体用户的“通用AI手机”转向主打垂直功能的专用“AI手机”。

　　这么说的原因有三个。

　　大模型之所以应用困难，主要是因为芯片、电力、数据等资源限制。当资源有限而需求无限时，最好的办法就是集中资源突破一点。

　　芯片进化史上也走过类似路径：早期计算机中约20%的指令承担了80%的工作，复杂且缓慢，于是risc理念诞生——只要求硬件执行很有限且最常用的那部分指令，大部分复杂的操作则使用成熟的编译技术，由简单指令合成。

　　RISC理念诞生后，芯片设计行业进入百花齐放，高速发展的快车道，大模型发展或可由此借鉴一二。

　　5G技术诞生之初，曾是智能手机最热的卖点，但后来5G快速普及，成了智能手机的标配，也就不再成为消费者关注的点。

　　特别是在热潮褪去的当下，比起5G,消费者可能更关心屏幕和续航。

　　如果AI手机再走一遍同样的路径，同质化竞争很快就会卷土重来。与其如此，不如专注于大模型的垂直应用。

　　对于消费者而言，一个好用的AI功能可能胜过十个能用但半吊子的智能体。

　　AI大模型如果要覆盖全体用户，其发展方向必然是简单，通俗。

　　简单和通俗反过来说就是无趣。这样的功能或许可以覆盖更多的人群，却无法提高用户粘性。

　　而当下的中国社会，消费需求正在从大众化走向个性化。

　　个性化的消费需求或许人群数量少，但其消费群体往往愿意为了细分需求支付更高的溢价。

　　以普适性的观念看，很难理解为什么有消费者愿意为了10寸的巨型提拉米苏而买山姆的会员，同样也很难理解为什么泡泡玛特的LABUBU涨价到上千元依然有人排队购买。

　　所以，在通用大模型难以解决技术和成本难题时，或许可以深挖细分赛道，毕竟市场足够大，只要能精准命中一部分细分需求，就足以带来可观的增量。

　　同时，针对细分市场的技术积累或许有机会厚积薄发，助力厂商突破通用通用大模型的技术难题。

　　就像小米第一次造芯片时，由于低估了芯片研发难度，导致研发了3年的澎湃S1芯片上市即落后，仅有6个月生命周期便铩羽而归。

　　而吞下失败苦果的小米并没有解散芯片团队，而是改弦易辙，转向“小芯片”业务，开发了ISP芯片和影像算法。

　　最后这些技术积累都集成进了玄戒O1芯片中，给小米芯片之路带来新生。

　　天眼查显示，截止2025年6月26日，小米总市值达到14765.08亿港元。

　　总之，AI大模型技术和芯片技术一样，不仅是产业，还涉及工程学甚至科学上的突破，需要长时间的坚持和投入，非一朝一夕所能成事。