电子行业深度报告：端侧AI：模型创新快速迭代，看好苹果引领AI硬件起飞

端侧AI：模型创新快速迭代，看好苹果引领AI硬件起飞 2025年02月23日 证券分析师陈海进执业证书：S0600525020001chenhj@dwzq.com.cn证券分析师陈妙杨 执业证书：S0600525020002chenmy@dwzq.com.cn 增持（维持） ◼端侧AI革新人机交互，模型快速升级，巨头引领行业发展：AI自主化能力沿着“以指令为中心“到“以意图为中心”持续提升。LLM从各个层面改造终端，其中Agent对开放式问题必不可少，背后是大模型带来的理解复杂输入、进行规划推理/合理使用工具的能力。据头豹，端侧AI市场规模2023-2028年预计CAGR高达58%，2028年超过1.9万亿元。从具体小模型性能表现上看，参数量对模型性能影响巨大，但受限于硬件，小模型的技术创新更加积极以提升有限参数量下的性能表现，其中量化/剪枝/蒸馏是最主要的模型压缩方式，各家小模型因数据集/压缩精度/量化混合方式等差异预计带来小模型的百花齐放。Agent架构中，基础模型本身要引入新的输入类型，成为VLA模型，同时还增加了个性化和内存操作要求，均需要额外的优化。 ◼硬件变革核心在内存，苹果发力内存创新应对内存瓶颈：相比于云端模型，硬件是端侧模型的重要制约，需要升级以补齐短板。对比各家硬件，我们认为苹果在内存/电池/散热上提升空间巨大。我们认为内存及其操作带来的能耗是当前最短板，预计成为硬件核心变革方向，如半精度的7B模型仅参数加载占用DRAM就超过14GB，同时DRAM耗能比SRAM和计算高出两个数量级。同时iOS和安卓内存利用效率差异巨大，我们认为安卓需要在OS层提供统一的AI基础模型，而iOS在模型压缩之外则需要提高硬件内存以克服硬件瓶颈。除了简单的增加内存容量外，苹果在内存结构、耗能、传输速度等方面创新密集，如与三星合作开发独立封装形式，以及推进全新的WMCM封装方式进一步提高芯片组合的灵活性和集成度。 相关研究 《信通院规范行业标准，AI眼镜落地拐点年》2025-02-20《为什么人形机器人的终局是消费电子？》2025-02-20 ◼多模态UI交互界面革命带来Agent的历史机遇：根据交互的模式，任务执行方法可分为基于API和基于用户界面（UI）的方法。API交互泛用性较弱。UI界面方式在Transformer架构下较好克服了任务和UI元素之间的隐含关系，大幅提升了GUI Agent的可行性，有望成为主流。当前苹果和谷歌均发力UI交互模型，苹果的Ferret-UI和谷歌的Screen AI模型都采用读屏AI视觉语言模型，采用统一编码方式理解屏幕信息。从谷歌UI模型看，模型参数提升对性能影响较大，同时5B模型对性能提升尚未饱和，有必要继续提升模型性能。 ◼风险提示：底层创新不及预期，技术发展不及预期，竞争加剧风险 内容目录 1. AI技术在端侧逐渐深化，引领全新人机协作方式..............................................................................4 1.1. AI自主化能力逐渐提高，与系统融合程度提升.........................................................................41.2.基于用户场景的端云混合架构.....................................................................................................41.3. LLM从各个层面改造终端............................................................................................................51.4.消费级终端带动端侧AI高速发展...............................................................................................6 2.端侧模型逐步迭代，巨头引领行业发展...............................................................................................8 2.1.基础的小模型迭代加速，技术创新大于参数量提升.................................................................82.2.端侧模型需要进一步提升参数量以提高性能.............................................................................92.3.量化/剪枝/蒸馏技术压缩模型以降低硬件要求...........................................................................92.4. Agent架构差异带来数据困境，Transformer是转折点............................................................10 3.硬件升级满足高性能需求，适配核心在内存.....................................................................................13 3.1.内存是端侧硬件AI推理能力的短板.........................................................................................133.2.安卓和iOS内存利用效率差异大...............................................................................................143.3.苹果硬件积极应变，创新方案集中内存方向...........................................................................14 4.1. Transformer架构带来UI交互的机遇.........................................................................................164.2.苹果和谷歌均发力UI交互模型.................................................................................................17 图表目录 图1：AI智能化分级...................................................................................................................................4图2：AI OS架构........................................................................................................................................4图3：终端AI能力主线增强但当前依然不足.........................................................................................4图4：端侧和云端AI处理的分工示意.....................................................................................................4图5：苹果的AI生态架构.........................................................................................................................5图6：增强型LLM架构.............................................................................................................................6图7：提示链工作流...................................................................................................................................6图8：AI Agent架构图................................................................................................................................6图9：存量消费终端设备结构（%，2023年）.......................................................................................7图10：中国端侧AI行业市场规模，2018-2028E（亿元）....................................................................7图11：小型模型比较.................................................................................................................................8图12：各小型模型MMLU基准测试得分...............................................................................................8图13：Gemini Nano与Pro性能比较.......................................................................................................9图14：小型化技术-剪枝原理示意图......................................................................................................10图15：小型化技术-蒸馏原理示意图......................................................................................................10图16：量化与精度恢复对模型性能的影响（以未量化的模型表现为1）........................................10图17：多模态大模型架构.................................................