高通的 AI 版圖：從 Agent 晶片到 6G 和 Physical AI 的佈局邏輯

在 AI 晶片的討論裡，NVIDIA 和 AMD 搶走了大部分的注意力。但有一家公司在 AI 浪潮中的策略完全不同，而且正越來越值得工程師關注——那就是高通（Qualcomm）。

高通不打算在資料中心訓練大模型的競爭裡跟 NVIDIA 硬碰硬。它的賭注是另一個方向：把 AI 跑在每個人口袋裡的手機上、桌上的 PC 上、路上的汽車裡、和即將量產的機器人身上。

TL;DR

高通的 AI 策略核心是 邊緣推理（edge inference），而不是雲端訓練。Snapdragon X Elite 的 NPU 讓 70 億參數的模型可以在筆電上本機執行；6G 的核心設計目標之一是低延遲的 AI 推理迴路；Physical AI 則是把感知、決策、執行整合到同一顆晶片上的願景。這三件事指向同一個方向：讓 AI 不依賴網路連線，在裝置端實時運行。

邊緣 AI 的商業邏輯

為什麼要把 AI 跑在裝置上而不是雲端？有幾個明確的原因：

延遲：讓一個自駕車的決策系統每次都去雲端問 AI 是不可行的。本機推理的延遲可以從百毫秒降到個位毫秒。

隱私：越來越多用戶和企業不希望把資料送到雲端。本機 AI 讓「資料不離開裝置」成為可能。

成本：API 呼叫的費用在大規模應用下會非常可觀。本機跑模型的邊際成本接近零。

離線能力：偏遠地區、地下、飛機上——很多場景沒有穩定的網路連線。

高通的 Snapdragon X Elite 晶片，整合了 CPU、GPU 和 NPU（Neural Processing Unit），針對本機 LLM 推理做了優化。根據高通的資料，它可以在 Windows 筆電上以約 30 token/秒的速度執行 Llama 3 70B 的量化版本。

Snapdragon 的 AI 架構

Snapdragon X Elite 的 NPU 稱為 Hexagon NPU，提供 45 TOPS（Tera Operations Per Second）的 AI 算力。這個數字在 2024 年成為「AI PC」的行銷標準——微軟要求 Copilot+ PC 至少有 40 TOPS NPU。

graph LR
    A[輸入資料] --> B[Hexagon NPU]
    A --> C[Adreno GPU]
    B --> D[AI 推理結果]
    C --> D
    D --> E[應用程式]
    F[Kryo CPU] --> E

高通同時在 Snapdragon 上推進 Qualcomm AI Hub，讓開發者可以把 Hugging Face 上的模型直接部署到 Snapdragon 裝置上，不需要手動做模型最佳化。

6G：AI Native 的通信標準

6G 不只是「比 5G 快」。高通在 6G 標準的制定工作中強調幾個 AI Native 的設計目標：

AI 輔助的無線資源管理：基地台可以用 AI 預測用戶移動軌跡，提前分配頻寬和切換基地台，而不是等到信號變差才反應。

感知（Sensing）整合：6G 基地台可以同時做通信和環境感知，用無線信號建立周圍環境的 3D 地圖，這對自駕車和機器人定位很有意義。

超低延遲：目標是讓端對端延遲降到 1ms 以下，讓遠端 AI 推理輔助本機決策成為可行。

6G 預計 2030 年左右商業部署。高通在 5G 的專利積累讓它在 6G 標準制定中有強大的談判籌碼。

Physical AI：從感知到行動的整合

Physical AI 是指讓 AI 直接控制物理世界的機器——機器人、無人機、工業設備。高通的切入點是提供這些設備所需的邊緣計算平台。

傳統機器人的控制系統和感知系統往往是分離的：攝影機的影像送到某個地方處理，處理結果再回來控制馬達。這個迴路的延遲和功耗在量產硬體上是大問題。

高通的 Robotics RB 系列平台（基於 Snapdragon）整合了：

多路攝影機輸入
電腦視覺 NPU
即時控制的低延遲 CPU 核心
5G 連線能力

波士頓動力、多家中國人形機器人廠商，都在使用或評估 Snapdragon 系列晶片作為機器人的計算核心。

跟 NVIDIA 的差別

面向	NVIDIA	Qualcomm
主戰場	資料中心訓練和推理	邊緣裝置推理
核心產品	H100/H200 GPU + CUDA	Snapdragon SoC
功耗	300–700W	5–20W
價格	$10,000–$40,000/顆	$50–$200（SoC 批量價）
AI 軟體生態	CUDA 幾乎壟斷	相對薄弱，努力建構