AI 手機（AI Smartphone）

1. 3 秒看懂

本質定義： AI手機並非搭載了若干AI應用的現有智慧手機，而是一種以裝置端大語言模型（LLM，Large Language Model，大語言模型）和多模態模型為核心計算負載，通過專用神經處理單元（NPU，Neural Processing Unit）提供高效算力支撐，將AI能力深度嵌入作業系統底層的下一代移動計算平台。它實現了從“被動響應使用者指令的工具”到“主動理解使用者意圖的個人智慧代理”的範式轉移。其核心競爭力在於端側推論帶來的低延遲、高隱私保護和離線服務能力。

核心價值主張：

• 意圖理解代替觸控操作：使用者通過自然語言表達“我想做什麼”，而非在一系列App中手動搜尋。
• 端側隱私優於雲端端上傳：敏感個人資料在本地完成處理閉環，不上傳伺服器。
• 主動服務於被動喚醒：AI能基於上下文、日程、地點等資訊，在恰當的時間主動提供建議和服務入口。

2. 3 分鐘產業解釋

它究竟是什麼？ AI手機的關鍵在於系統級整合和跨應用意圖執行。傳統的“AI手機”是指集成了語音助手或AI拍照最佳化功能的裝置，這些功能以小模型形式存在於應用層，彼此獨立。而當前的AI手機具備一個系統級的“AI大腦”，它能夠：

• 理解上下文：融合端側儲存的個人資料庫，如日曆、郵件、位置、常用App、習慣偏好等。
• 拆解意圖：將“幫我把上週二開會討論的那個專案的PPT發給張三，並告訴他演示時間推遲到下午”這類複雜指令，自動拆解為“搜尋檔案關鍵詞 -> 開啟通訊錄查詢聯絡人 -> 撰寫包含特定資訊的郵件/訊息 -> 執行傳送”等一系列原子化任務。
• 跨應用排程：通過作業系統級的意圖架構，排程不同的第三方App完成每一步操作。

為何現在集中爆發？ 這不是單一技術突破，而是以下關鍵要素在同一時間視窗（ 2023-2024 年）達到商用臨界點：

• 端側算力基座就緒：主流旗艦移動SoC整合的NPU能效算力達到新量級。高通在 2023 年 10 月釋出的驍龍 8 Gen 3 宣稱其 Hexagon NPU AI 引擎算力可達 45 TOPS（INT4，每秒萬億次操作），聯發科同期釋出的天璣 9300 也重點介紹了其 APU 790 對生成式AI的端側支援。
• 模型輕量化技術工程化落地：模型量化（如從FP16到INT4）、剪枝、知識蒸餾等技術路徑已成熟，使得一個原本需要數十GB記憶體的千億引數模型能被壓縮到數十億引數，佔用小於 4GB 的儲存和執行記憶體，讓手機可以承載。Meta 在 2023 年持續釋出的開源 Llama 2 系列，以及隨後湧現的 Llama 3 系列，為端側模型部署提供了重要的基礎模型和研究基線。
• 互動範式顛覆性機遇：ChatGPT 在 2022 年底引爆市場後，自然語言互動已被廣泛驗證為一種極高效率的互動模式，這為手機這一終端形態帶來了自多點觸控以來最重大的互動變革可能。
• 使用者對隱私和即時性的剛性需求：個人資料隱私意識提升，以及對離線（如飛行途中、地下室）和即時（如即時翻譯、助手）場景的剛需，共同推動計算向端側迴歸。

與前代的關鍵鴻溝 前代“AI”基於專用的“小模型”處理單一任務（如場景分割），能力侷限於各自的應用“豎井”。而AI手機的“大腦”是基於大語言模型（LLM），具備泛化理解與生成能力，能處理模糊、多維度的意圖，是認知智慧而非感知智慧的飛躍。

3. 技術原理

AI手機的技術棧可抽象為 “端側大型模型 + 異構計算硬體 + 個人資料飛輪” 的三層架構。

硬體層：以NPU為核心的異構計算架構 當前旗艦移動SoC已演化為 CPU + GPU + NPU 的三核異構結構，專為AI時代設計。

[現代移動SoC架構示意圖]
+---------------------------------------------------+
|                     移動 SoC                        |
|  +----------+  +----------+  +------------------+ |
|  |   CPU    |  |   GPU    |  | **NPU / AI引擎** | |
|  | (通用任務, |  | (影像, 並行|  | (神經網路加速)  | |
|  |  排程與控制)|  |  計算)    |  | (INT4/INT8/FP16)| |
|  +----------+  +----------+  +------------------+ |
|         |            |                |            |
|         +-------+----+----------------+            |
|                 | 高速互聯匯流排                    |
|                 |                                |
|  +---------------------------------------------+ |
|  |         統一共享記憶體 (LPDDR5X)              | |
|  +---------------------------------------------+ |
+---------------------------------------------------+

• NPU核心機制：專為矩陣乘法、卷積神經網路（CNN）和 Transformer 中的注意力機制設計。其能效比（TOPS/W，每瓦算力）遠高於CPU和GPU，是執行端側大型模型的基石。注意： 廠商宣稱的TOPS算力通常基於不同精度（如INT4），需在同等條件下比較。
• 任務排程：系統即時分析AI工作負載，將時序敏感的推論任務（如語音助手）分配給低延遲的NPU，將綜合排程類任務分配給CPU。

軟體層：模型部署與推論架構

1. 模型製備：雲端端訓練完成的“教師模型”通過量化（將權重和啟用值從高精度浮點FP16轉換為低精度整數INT4或INT8）和稀疏化（剪除接近零的冗餘連線）等技術，壓縮為可在行動端有限記憶體和功耗預算下執行的“學生模型”。
2. 推論引擎：為利用NPU硬體特性，模型需要通過專用SDK編譯。主要生態包括：
   • Qualcomm AI Engine：提供AI Engine Direct SDK，支援TensorFlow Lite、ONNX等架構的模型轉換和最佳化。
   • MediaTek NeuroPilot：支援主流AI架構，並號稱其INT8量化工具可將精度損失控制在極小範圍內。
   • Apple Core ML：Apple生態的推論引擎，與ANE（Apple Neural Engine）緊密耦合，提供高度最佳化。
3. 系統級代理架構：這是作業系統層面的核心創新，如Apple的App Intents、Google的Android Intents系統、vivo的OriginOS 5 手機智慧代理架構。作用是將自然語言指令對映為一系列跨應用的原子操作API呼叫。

資料與個性化層：私有資料飛輪 使用者聊天、郵件、日曆、照片、位置等個人資料，經過本地化處理和脫敏後，通過低秩自適應（LoRA，Low-Rank Adaptation）等微調技術，對基座模型進行持續微調，形成“最懂你”的個性化模型權重。整個過程在裝置端完成，不向雲端端傳輸原始資料。

4. 關鍵引數

評估一款AI手機的端側AI能力，需要關注以下維度的量化指標：

• 模型部署能力

  • 最大可執行模型引數量：衡量在記憶體限制下能裝載的模型大小上限，是能力的“天花板”。通常以 10億（1B）、70億（7B）等為單位。
  • 推論速度：以 tokens/s（每秒生成令牌數）衡量文本生成速度，直接影響對話體驗的流暢度。
  • 首詞延遲（TTFT，Time To First Token，首令牌時間）：從輸入指令到生成首個字的延遲，考驗系統響應靈敏度。通常要求在 500ms 內體驗最佳。

• NPU硬體效能

  • 峰值算力：單位 TOPS（每秒萬億次操作），但須註明精度（如INT4、INT8），公開資料常見不同精度混用，對比時需注意。
  • 持續效能與能效比：執行大語言模型時可持續提供的穩定算力（避免效能“三秒真男人”），以及每瓦功耗能提供的TOPS（TOPS/W），這是決定實際續航和發熱的關鍵引數。公開資料中，晶片廠商通常選擇性揭露峰值資料，缺乏標準化的第三方持續效能/能效對比。

• 系統智慧評估

  • 複雜意圖執行成功率：在標準化測試中，AI Agent 正確理解並完成多步驟跨應用任務的比率。
  • 模糊意圖理解準確率：對“幫我訂一個不辣、環境安靜、離我更近的餐廳”這類開放式、多約束條件的指令理解準確性。
  • 使用者個人化感知評分：需要通過使用者縱向研究獲取的主觀滿意度，暫無行業統一量化標準。

5. 技術路線

行業記憶體在兩大深層技術路線選擇，決定了產品的根本能力和生態壁壘。

對比維度	端側主導路線	端雲端協同路線	純粹雲端端路線
核心計算發生地	裝置端 NPU	裝置端NPU + 雲端端GPU叢集動態分配	雲端端伺服器叢集
應用/服務代表	Apple（Apple Intelligence 基礎模型）、部分深度定製的中國廠商方案	三星 Galaxy AI、Google Pixel（GoogleAI）	現有雲端端助手（如ChatGPT App）
隱私保護級別	極高（敏感資料不出裝置）	高（需使用者許可後選擇性上傳，有隱私計算架構）	低（資料需全程在雲端端處理）
離線可用性	完全可用	有限可用（簡單任務本地執行，複雜任務需聯網）	完全不可用
模型能力上限	受限於端側算力、記憶體和功耗預算	極高（本地模型處理簡單任務，雲端端接入前沿大型模型處理複雜任務）	不受限（理論上）
成本結構	硬體BOM成本高（更高效能NPU和更大記憶體/儲存），服務成本極低	硬體成本適中，但需承擔雲端端算力和服務成本，可能衍生訂閱模式	硬體要求低，但雲端端服務成本高，通常需付費訂閱
對晶片/系統廠商依賴	極高，需垂直整合設計晶片、硬體和作業系統	較高，需與雲端服務商或模型提供商深度合作	極低，接入標準API即可

路線判斷：公開資料未見單一技術路線將成為唯一標準的觀點。市場共識更傾向於 “端雲端協同”將成為主流，即敏感、高頻、對延遲要求高的任務在端側執行，複雜的創作、跨領域知識查詢等任務動態呼叫雲端端模型。例如，三星官方公開介紹其 Galaxy AI 功能由裝置端和雲端端模型共同驅動。

6. 上游

AI手機產業鏈上游包括核心器件、技術授權和製造裝備，價值量正向高算力、高頻寬方向集中。

• 系統級晶片設計：

  • 高通：市場領導者，其驍龍 8 系平台是多數安卓旗艦手機的核心。其AI引擎能力迭代是行業風向標。
  • 聯發科：與高通在中國安卓陣營形成了雙寡頭格局。其天璣系列通過激進NPU規格獲取了較高市場份額。
  • Apple：自研 A/M 系列晶片，其神經引擎（Neural Engine）演進路線獨立於安卓生態，垂直整合度最高。
  • 其他：Google自研 Tensor 晶片、三星 Exynos 晶片、中國紫光展銳（主要面向中低端市場）、華為海思麒麟。

• 基礎模型與軟體工具提供商：

  • 大型模型廠商：Google（Gemini系列）、Meta（Llama開源系列，為許多端側微調模型提供基座）、OpenAI（其雲端端模型是端雲端協同方案的關鍵一環）、百度（文心一言）、阿里（通義千問）、商湯科技（日日新系列）等。
  • 推論架構/軟體棧：與晶片設計商深度繫結（如高通AI Engine，聯發科NeuroPilot），決定了模型能否高效呼叫底層硬體。Google的TensorFlow Lite、MediaPipe和ONNX Runtime等社群專案在跨平台易用性上扮演著補充角色。

• 關鍵儲存與記憶體：

  • LPDDR5X DRAM：當前旗艦標配，但執行 7B+ 引數的模型仍需消耗大量記憶體頻寬。
  • UFS 4.0 儲存：決定了端側模型的載入速度。
  • 主要供應商：三星電子、SK海力士、美光科技。執行更大規模的模型對高頻寬和更大容量記憶體的需求，有望成為上游需求增量的關鍵驅動力。[行業估算]

• 先進製程與封測：台積電（3nm/4nm）、三星半導體等。先進的製程工藝是實現更低功耗和更高電晶體密度的基石，影響NPU能效比。

7. 下游

下游主要包括從終端裝置分發到終端使用者價值實現的完整鏈路。

• 終端品牌廠商：深度負責硬體整合、系統定製、AI功能定義和整體體驗交付。主流玩家包括：
  • 超高階/封閉生態引領者：Apple。
  • 全球安卓陣營領導者：三星。
  • 中國安卓生態建置者：華為、小米、OPPO、vivo、榮耀等，他們正基於高通/聯發科平台進行深度軟體最佳化和AI智慧代理創新，並建立本地化的AI服務生態。
• 應用與內容開發者：需要將App功能“API化”，註冊到作業系統的意圖架構中，以被AI代理呼叫。AI手機的未來取決於開發者生態的繁榮度。公開資料未見已形成成熟的AI手機應用開發生態的共識，當前仍處於早期推動和激勵階段。
• 企業客戶與最終消費者：前者將AI手機作為部署內部智慧助理、提高員工效率的工具；後者是個人智慧服務的最終使用者和付費者。

8. 受益公司

根據2024年已公開揭露的市場版面配置與產業官方資訊分析，AI手機產業鏈變革的潛在受益方主要集中在以下幾個層面。以下內容基於公開產業分析，不代表任何投資建議。

• 晶片架構與IP授權方：
  • Arm Holdings：幾乎所有行動端 CPU 和 GPU 背後的指令集架構（ISA）和技術供應商。AI手機對更高效能、更高能效的異構計算要求，直接驅動了市場對Arm最新v9架構CPU和Immortalis等高階GPU IP的授權需求。
• 核心SoC供應商：
  • 高通（Qualcomm） 和 聯發科（MediaTek）：作為安卓生態AI手機算力的“賣鏟人”，其高階AI晶片平台的價值量和出貨量有望受益於行業換機週期。高通在2024財年三季度電話會中提及，其來自中國手機廠商的旗艦平台營收年增率增長超過50%，印證了AI手機對旗艦晶片的拉動作用。
• 垂直整合平台廠商：
  • Apple（Apple）：通過硬體、軟體、服務的一體化整合，其Apple Intelligence功能被市場分析機構（如Wedbush Securities 在 2024 年的報告）視為有望觸發一輪大規模升級換代週期的催化劑。
• 關鍵儲存供應商：
  • 三星電子（Samsung Electronics）、SK海力士（SK Hynix）：AI手機需要更大容量和更高頻寬的記憶體與快閃記憶體。以SK海力士為例，在其Q2 2024財報說明會上，公司明確表示對AI端側裝置（AI PC、AI手機）推動低功耗、高效能記憶體需求增長持積極預期。
• 大型模型與AI能力提供商：
  • Google（Google）：通過Gemini大型模型和Android系統的深度整合，向包括三星在內的手機廠商提供AI核心能力，穩固其在移動生態中的入口地位。

9. 市場規模

權威市場研究機構對AI手機的出貨量滲透率和市場前景做出了積極的早期預測。請注意，所有預測均為基於一定假設的預估。

• 全球出貨量預測：

  • IDC（國際資料公司）在 2024 年 2 月的報告中預測，到 2024 年，下一代AI智慧手機的出貨量將達到 1.7 億部，佔整體智慧手機市場的近 15%，標誌著 AI 手機已成為市場主流。
  • Canalys 在 2023 年 11 月的預測中更為樂觀，認為到 2027 年，支援端側 AI 的智慧手機出貨量佔比將達到 45%。
  • Counterpoint Research 在 2024 年 8 月的預測報告中估計，到 2024 年底，生成式AI手機將佔全球智慧手機出貨量的 11%，並預計到 2027 年，滲透率將達到 43%，出貨量超過 5.5 億臺。

• 市場規模測算（口徑說明）：

  • 若僅計具有端側大型模型的手機，按 Counterpoint 2027 年預測下限 43% 的滲透率，以 2023年全球智慧手機出貨量約 11.7 億部為基準靜態測算，則潛在年出貨空間約為 5 億部。
  • 市場規模更為深遠的增量，不僅來自硬體，還來自潛在的 “AI服務訂閱” 營收，目前這一商業模式仍處萌芽期，其營收規模及變現能力 公開資料未見權威預測。

10. 玩家對比

截至 2024 年第三季度，主要玩家的AI手機戰略路徑對比如下（資訊來源：各家公開的釋出會及官方技術文件）：

維度	Apple （Apple）	三星 （Samsung）	Google （Google）	中國頭部廠商 （小米/OPPO/vivo/榮耀）
核心戰略	垂直閉環，隱私為先的個人智慧系統 （Apple Intelligence）	開放合作，端雲端協同的智慧代理驗 （Galaxy AI）	AI能力的硬體載體，最佳展示平台 （Pixel）	激進的系統級智慧代理重塑，深度重構OS
晶片平台	自研 A 系列 / M 系列	高通驍龍 + 自研 Exynos（分割槽出貨）	自研 Tensor 系列（與三星合作製程）	高通驍龍 / 聯發科天璣 雙平台
主力模型	自研裝置端 ~3B 模型 + 雲端端私有雲端運算（Apple晶片伺服器）	Google Gemini Nano（本地）+ Gemini Pro/Ultra（雲端端）	自研 Gemini Nano 系列 端側模型	自研端側大型模型為主（如vivo藍心繫列、OPPO安第斯系列等），部分合作接入雲端端大型模型
核心實現	App Intents架構定義跨應用操作，私有雲端對複雜任務分流	將AI功能整合到原生應用（筆記、相簿、通話），強調消滅應用孤島	AI驅動的系統功能，如Call Notes、Add Me等功能	重構OS為“智慧代理平台”（如vivo PhoneGPT），強調意圖識別和全自動任務流執行
付費模式	分階段免費向用戶推送，作為硬體附加價值，服務變現路徑未明	2025年前免費，之後政策未宣佈	部分頂級AI功能需 Google One AI Premium 訂閱	目前均為免費增值功能，作為差異化賣點
渠道優勢	超15億活躍存量裝置，iOS生態強黏性	全球年出貨量第一的規模化製造與渠道滲透優勢	借力全球最大移動作業系統和Google服務生態	紮根全球最大智慧手機消費市場，對本土使用者場景理解極深

11. 風險

AI手機的發展面臨技術、商業和倫理層面的多重風險：

• 技術兌現風險：“能力幻覺”與實際體驗的鴻溝。

  • 風險點：端側模型因算力和功耗限制，無法承載海量知識，極易產生“幻覺”（生成錯誤資訊或胡編亂造）。當AI Agent執行跨應用任務失敗或產生誤解時（例如錯誤刪除行程、錯誤傳送資訊），會導致使用者信任危機。
  • 具體挑戰：如何保證模糊意圖理解準確率？在任務執行失敗時，系統如何進行優雅的降級、解釋與回溯，而非直接崩潰？這考驗的是最底層的系統魯棒性設計。

• 商業模式探索風險：高投入與不確定的回報。

  • 風險點：AI手機的研發投入是巨大的（晶片設計、模型訓練、系統重構）。如果缺乏“殺手級應用”，僅靠硬體差價難以支撐長期投入，最終可能陷入“引數競賽”的內捲。而AI服務訂閱能否成為成功的商業模式仍待市場檢驗。
  • 具體挑戰：使用者願意為哪類AI服務付費？消費者對資料隱私付費的感知價值不易量化，可能導致付費轉化率低。

• 生態系統建置風險：開發者“冷啟動”難題。

  • 風險點：AI手機的革命性體驗依賴大量第三方App開放其功能API給系統智慧代理。如何激勵開發者大規模適配，打破當前“App孤島”現狀，是生態建置中最核心的挑戰。如果開發者生態遲緩，AI手機將退化為系統自帶應用的AI功能增強版。

• 隱私和安全風險：新的攻擊面。

  • 風險點：一個擁有大量個人資料和跨應用操作權限的系統級AI代理，會成為一個極具吸引力的攻擊目標。通過“提示注入”等對抗性攻擊欺騙AI，使其執行惡意操作，將是全新的安全挑戰。

• 估值與市場預期風險：

  • 風險點：當前市場對AI手機主題給予了較高期望。若後續出貨量、使用者活躍度或殺手級應用的出現低預期，相關產業鏈公司的估值可能面臨回撥壓力。

12. 誤讀糾偏

誤讀1：“AI手機=手機+ChatGPT。” 糾偏：這是對AI手機實現路徑的錯誤簡化。在手機裡安裝一個大型模型應用，本質仍是雲端端服務的移動入口，資料與服務皆在雲端端。真正的AI手機，核心運作在本地，由NPU驅動，大型模型作為系統能力而非獨立應用存在。其價值在於在沒有網路的場景下，跨你的日曆、相簿、簡訊等本地App完成複雜任務，而一個簡單的雲端端聊天機器人做不到這些。

誤讀2：“只要NPU的TOPS算力越高，手機就越智慧。” 糾偏：算力是“馬”，應用是“車”。光有馬跑得快，沒有好的馬車伕（系統排程）、寬闊的馬路（記憶體頻寬）和能裝貨的車廂（足夠大的執行記憶體），體驗依然糟糕。一個能效最佳化卓越、記憶體頻寬充足、軟體排程極其高效的 40 TOPS 平台，其實際模型執行體驗可能遠超一個排程差、頻寬低的 60 TOPS 平台。能效比（TOPS/W）和軟體生態成熟度遠比紙面峰值算力更重要。

誤讀3：“隱私計算就是所有資料都不出手機。” 糾偏：這是對“端側優先”的過度簡化。現實中的“端雲端協同”路線，必然有部分脫敏、抽象化的非敏感任務請求會發送到雲端端處理（例如“幫我找到這個數學題的解法”）。行業的隱私目標是實現“敏感資料不出裝置”，而非絕對的資料不出裝置。例如，Apple的私有雲端（PCC，Private Cloud Compute）是端側隱私保護的延伸，旨在為雲端端請求建立可證隱私的標準。這種混合處理模型是實現強大AI功能與保護使用者隱私的現實平衡點。

13. 最新事件

• 2024年6月 - Apple推出 Apple Intelligence

  • 事件：Apple在WWDC 2024上釋出個人智慧系統Apple Intelligence，深度集成於iOS 18、iPadOS 18和macOS Sequoia。該系統將端側處理置於核心地位，Apple明確要求至少A17 Pro或M1及以上晶片支援。
  • 影響：此舉定義了AI手機的“隱私與智慧結合”的新標杆，顯示了封閉生態在端側AI體驗上的整合優勢，極大地加速了安卓陣營的跟進步伐。

• 2024年7月 - 三星進一步擴充套件Galaxy AI並公佈未來規劃

  • 事件：三星在巴黎Unpacked釋出會上推出新一代摺疊屏手機，同時詳細展示了Galaxy AI功能（如即圈即搜、通話即時翻譯等）在中國市場以外依賴GoogleGemini模型，而中國市場則接入了更激進的本地化智慧方案。
  • 影響：清晰的“雙軌制”端雲端協同策略，展示了全球單一品牌如何進行地域化AI生態聯盟選擇。

• 2024年9月 - 榮耀柏林 IFA 釋出行業首個開放生態下的跨應用AI智慧代理

  • 事件：榮耀在2024年德國柏林IFA展上，正式釋出了榮耀AI Agent。它旨在演示使用者通過一句話指令，讓AI自動跨第三方應用（如旅遊App和支付App）完成複雜的操作，例如查詢並取消自動續費服務。
  • 影響：將“意圖直達”系統級智慧代理概念從概念演示推向產品化，證明了在安卓開放生態下，跨應用AI任務執行的可行性。

• 2024年10月 - vivo開發者大會發布全新藍心大型模型矩陣及PhoneGPT

  • 事件：vivo在2024年開發者大會上，釋出了自研藍心大型模型矩陣，並展示了其在OriginOS 5上全新的手機智慧代理PhoneGPT，它能夠理解複雜指令，進行任務的自主拆解與規劃執行（如自動撥打客服電話解決特定問題）。
  • 影響：進一步確立了“手機智慧代理”作為中國手機廠商建置AI OS差異化核心的戰略共識，將行業競爭從“單個功能AI”拉入“系統級AI能力”的深水區。

14. 追蹤指標

投資者和產業觀察者可通過追蹤以下先行指標來評估AI手機產業發展進度：

指標類別	具體指標	追蹤意義	潛在信源
供給側 - 硬體	旗艦/中端SoC NPU的持續效能與能效比(TOPS/W)提升幅度	評估端側算力基座的代際升級速度，是否已觸及“軟體不等的瓶頸”	晶片廠技術白皮書、第三方評測機構（如AnandTech、極客灣）深度測試
供給側 - 功能	AI Agent跨第三方應用的 任務執行成功率	衡量系統級智慧代理的真實“可用度”，而非演示影片	專業評測機構（如The Verge、極客公園）的真實場景壓力測試
供給側 - 生態	主流應用開發者接入作業系統意圖架構的數量及質量	觀察 Android 生態是否從 “App 孤島” 向 “AI ready” 演化	Apple/Google/各手機廠開發者大會（WWDC, Google I/O, 各家開發者大會）公佈資料與應用展示
需求側 - 購買	全球及中國市場 AI手機季度出貨量 與 滲透率	驗證AI新功能轉化為使用者購買決策的能力，是產業最核心的滯後性驗證指標	IDC, Counterpoint, Canalys 季度出貨追蹤報告
需求側 - 使用	AI功能在手機上的 使用者日活率/周活率	區分“買了但不用”的硬體驅動敘事與“高頻使用”的智慧服務敘事	手機廠商釋出會選擇性揭露的使用者資料，需要關注其統計口徑的嚴謹性
商業模式	AI訂閱/增值付費服務的使用者數及ARPPU	驗證AI手機能否開闢除硬體差價外的第二增長曲線	公司財報資訊揭露（預計滯後於產品推出1-3年）

15. 信源

• 晶片與硬體技術一手信源：
  • Qualcomm On-Device AI 官方技術部落格及驍龍技術峰會資料。
  • MediaTek NeuroPilot 開發者平台文件及天璣開發者大會（MDDC）演講資料。
  • Apple機器學習研究（Apple Machine Learning Research）官網及WWDC開發者講座影片。
• 行業趨勢與市場規模信源：
  • IDC：《Worldwide Quarterly Mobile Phone Tracker》及相關前瞻報告。
  • Counterpoint Research：《Global Smartphone Shipments Forecast by Gen AI Capability》。
  • Canalys：《AI-capable Smartphone Forecast》。
• 技術與產業分析信源：
  • AnandTech, Ars Technica 的SoC架構深度評測。
  • 科技媒體（The Verge, Wired, 36氪, 極客公園）對全球重要AI手機發佈會和產品的深度評測與產業分析。
  • 各頭部手機廠商（Apple、三星、華為、小米、OPPO、vivo、榮耀）開發者大會主題演講及技術部落格。
• 財務與供應鏈驗真信源：
  • 高通、聯發科、Apple、三星電子、SK海力士、Arm Holdings 的季度財務報告、電話會議紀要（Seeking Alpha, 各公司投資者關係頁面）。
  • 國家智慧財產權局發明專利查詢，用於追蹤關鍵演算法（如模型壓縮、隱私計算、任務排程）的技術版面配置。