从回答问题到协助完成任务，手机 AI 正在进入新的阶段。随着全球首款 AI 智能体手机努比亚 NaviX Ultra 走向消费者，连续对话、多任务和跨应用操作开始融入实际产品，用户与手机的交互方式出现了全新范式：提出需求之后，更多原本需要手动完成的步骤，开始交由智能体协助推进。

体验的变化，也将新的要求传递到底层平台。智能体需要理解上下文、调用工具，并在多个步骤之间持续运行；手机则需要在处理这些任务的同时，兼顾其他应用的流畅度与电池续航。从努比亚 NaviX Ultra 的产品实践，到下一代骁龙平台已披露的面向智能体 AI 的芯片架构创新，一条围绕智能体运行需求展开的技术演进路径，正逐渐清晰。

努比亚 NaviX Ultra 走向消费者，AI 开始改写移动平台的设计逻辑

过去两年，AI 修图、实时翻译、自动生成摘要等功能逐渐走进手机用户的日常使用。如今，随着智能体 AI 进入手机，AI 开始尝试承担更多操作，手机 AI 的竞争也从提供哪些单一功能，进一步延伸到能帮用户完成多少实际工作。

9 月 16 日，努比亚 NaviX Ultra 正式发布。这款搭载第五代骁龙 8 至尊版移动平台的手机，配备豆包手机助手消费者版，将连续对话、多任务和跨应用操作带入面向消费者的产品体验。它为行业提供了一个新的观察窗口：智能体 AI 进入实际产品后，手机厂商、模型服务方与芯片平台需要如何协作，才能让这些体验持续走进日常使用。

从模型到设备，终端 AI 的积累开始显现

带有 AI 智能体产品的出现，背后是一段持续推进的产业协作。模型需要适应终端资源，设备需要接入软件与服务，开发者则需要能够调用和部署相关能力的工具。任何一个环节的进步，都要经过底层的软硬件适配，才能成为用户手中的体验。

沿着这条路径观察，随着高通持续加大对 AI 的投入，其布局也从芯片能力延伸至模型、软件与终端设备的协同。高通 2025 年启动的 AI 加速计划，以及与合作伙伴开展的适配和联合创新，为不同类型的终端探索提供了积累。

近期，在中国联通合作伙伴大会上的展示让这一过程更为具体：高通与联通围绕 UniClaw 智能体主机方案开展软硬件适配，相关办公设备方案进一步连接智能体、技能和办公任务。虽然展示方案距离广泛应用仍有过程，但它呈现出一条清晰路径——平台能力正在通过软件集成和场景开发，进入可供体验的设备。

从这些进展再看努比亚 NaviX Ultra 的发布，它可以被视为智能体走向个人终端的一处现实落点。而对于高通而言，参与手机厂商、模型服务方和开发者之间的合作，也让长期推动的终端侧智能体 AI 方向，有了更多面向消费者的观察样本。

智能体持续运行，考验的不只是算力

当 AI 开始接手连续任务，手机需要应对的就不只是一次问答。理解需求、调用工具、处理结果和继续执行，都需要计算与数据支持。与此同时，用户仍在收发消息、浏览网页或使用其他应用。智能体能否成为日常助手，很大程度上取决于手机能否在多项工作同时进行时保持流畅。

这让移动平台的性能有了不同的评价标准：除了处理器算得多快，还要看任务能否顺畅交接、所需数据能否及时到位。在即将举行的 2026 骁龙峰会前，高通发布了一系列技术博客，呈现了其下一代骁龙期间移动平台围绕智能体 AI 时代全新需求所做的全面变革。

首先，智能体完成一项请求，往往涉及多个步骤在不同 CPU 核心之间接续运行。如果每次交接都需要重新加载数据，计算速度的提升就可能被等待抵消。高通全新平台在 Oryon CPU 上引入可扩展缓存架构 Qualcomm Oryon FlexCache，允许不同 CPU 核心共享可动态分配的缓存池，使任务转移时能够继续使用留在缓存中的数据，减少重复加载的开销。由此看，Oryon FlexCache 的价值不仅在于提升单一计算环节的性能，更在于通过灵活高效的缓存资源调度，支撑智能体在多步骤、跨应用任务中的持续快速响应。

AI 走进更多计算环节，平台设计全面调整

CPU 的变化着眼于任务如何衔接，GPU 则展示了 AI 如何参与具体的计算流程。移动游戏长期需要平衡画质、帧率和续航，AI 渲染为改善这种平衡提供了新的手段。高通在 GPU 博客中介绍的 Adreno Neural Fusion，将神经网络处理、AI 超分和帧生成整合进统一的图形管线，让 AI 直接参与画面的处理与优化。

这一变化背后，算法与硬件需要相互配合。Adreno Matrix Cores 将 AI 赋能的 GPU 专用核心引入到图形管线中，让 GPU 能够在本地运行 AI 工作负载，18MB Adreno 独立高速显存（HPM）则让更多相关数据留在图形子系统内部。对于移动设备，运算之外的数据搬运同样会消耗时间和电力，因此计算单元与存储如何配合，也会影响游戏体验和能耗。

将 GPU 与 CPU 的变化放在一起看，可以发现一个共同方向：不同类型的 AI 工作负载正在获得更有针对性的计算和数据支持。GPU 中的 AI 渲染首先服务于游戏和图形生成工作，CPU 缓存则帮助任务高效衔接，两者都在通过减少处理过程中的额外开销，提高移动设备的资源利用效率。

从 " 能运行 " 到 " 持续可用 "，端侧 AI 需要更精细的资源管理

当这些要求集中到智能体本身，持续运行带来的压力会更加明显。对话越长，需要保留的上下文越多；任务越复杂，模型和工具之间的衔接也越频繁。手机需要及时处理新的请求，同时保留后续步骤可能用到的信息。响应速度、内存占用和功耗，由此成为相互关联的问题。

高通已公开的 Hexagon NPU 博客，对这一问题给出了更具体的技术说明。新一代 Hexagon NPU 中的 Element Accelerator 针对 Transformer 工作负载加速关键运算，更大的共享内存则让模型状态、上下文和 KV-cache 数据更靠近加速器。前者提高运算效率，后者减少访问外部内存的频次，共同回应连续推理过程中计算与数据访问的需求。

模型的运行方式也在变化。新一代 Hexagon NPU 支持混合专家模型，根据输入选择部分专家网络参与计算，并结合加载与缓存机制管理资源。这说明，让手机承载更复杂的 AI 任务，还需要更精细地安排模型如何调用。在有限的内存和电力条件下，每一步使用多少资源，将影响智能体能否持续提供实用的体验。

从 CPU 的任务衔接、GPU 的 AI 渲染，到 NPU 的持续推理，下一代骁龙移动平台已披露的技术变化，展现出一个共同方向：围绕不同工作负载，让计算与数据更高效地配合。对于资源有限的移动设备，减少数据搬运与等待、提高计算效率，将为更复杂的 AI 体验提供支撑。

即将到来的 2026 年骁龙峰会，将进一步揭晓下一代旗舰平台的智能体 AI 能力。从努比亚 NaviX Ultra 到下一代骁龙期间，智能体 AI 的下一步，正是把这些技术进步转化为更少的等待、更顺畅的操作，以及能够持续融入日常生活的实用体验。